當一個新概念成為一個可行的商業工具時，很多企業都會積極采用這種技術以加入市場潮流。這其中包括人工智能（ai）和機器學習（ml）。從擁有上百年歷史的高科技巨頭到致力于創新的初創公司，各種規模的組織都在積極投入時間和資源，加速技術的發展，并將其用于業務發展。

但人工智能不僅僅是一種流行的時尚。分析機構tractica公司預計，全球企業在人工智能方面的支出將從2016年的6．44億美元增長到2025年的近390億美元，并將成為高效銷售平臺和虛擬數字接待員、兒童玩具、自動駕駛汽車、產品或服務等各方面發展的驅動力。

人工智能（ai）和機器學習（ml）最終將為大部分企業提供驅動力。人工智能具有什么樣的驅動力？那就是強大的數據和處理能力。

巨大的潛力，巨大的局限

人工智能對垂直行業和每個企業的潛在影響都不容小覷。隨著無輔助機器學習、自然語言處理（nlp）以及深度學習能力的提高，每項技能的應用將繼續增長并擴展到新的用例。

很多企業已經在研究如何將人工智能（ai）和機器學習（ml）技術用于對象識別和跟蹤、本地化地理數據、防止欺詐、改善營銷結果，以及許多其他應用程序。雖然這些領域的廠商希望采用這種技術來實現這一承諾，但其他公司已經將這些創新應用于自動駕駛汽車、呼叫中心、客戶服務、網絡安全的實際應用中。

已經采用人工智能技術的企業多年來一直在系統地和戰略性地匯總數據。他們已經領先于剛剛開始關注數據收集和組織的組織。但他們也面臨著人工智能（ai）和機器學習（ml）技術的最大限制：容量。

功率、容量、速度對智能技術至關重要

驅動人工智能（ai）和機器學習（ml）發展的人工神經網絡（ann）旨在并行地建模和處理輸入和輸出之間的關系。要做到這一點，他們需要存儲大量的輸入數據，并需要大規模計算來理解這些關系，并提供適當的輸出。

考慮部署聊天機器人以提供客戶自助服務，協助聯絡中心的客戶服務代理團隊。在理想情況下，機器人可以準確地回答問題，將客戶引導到適當的資源，并且通常以自然的方式與客戶交互。

為了實現這一目標，機器人的后端需要快速將查詢與企業消費者群體使用的詞典（即他們的母語）進行比較，以“理解”交互的背景，并根據這些輸入“做出決定”，希望能夠做出正確的反應，并像人類那樣可以立即執行。

但是，這些進程所需的處理器和內存資源（dram）消耗的大量帶寬超出了大多數內部部署數據中心網絡設計所能處理的帶寬。由于涉及的cpu或gpu數量遠遠超出大多數組織準備的數量，它們還會增加相當大的功耗開銷。并且嘗試在單個數據中心內完成所有操作將會引入延遲問題，這可能會破壞產品或阻礙應用程序嘗試完成的任何事情。那么企業應該做些什么？

通過直接云連接最大化人工智能的性能

使用過程密集型人工智能應用程序的企業越來越多地轉向混合部署就緒的邊緣數據中心，以解決帶寬和計算難題，降低運營成本，并消除延遲問題。

混合部署就緒的數據中心需要做的事情是：

為設施內的云計算提供商提供簡單的入口，以顯著降低延遲和數據傳輸成本。與全球互聯網相比，直接云互連產品可以降低延遲，并降低數據傳輸成本，同時無需人工為每個提供商提供私有wan連接。

與云計算提供商的核心計算節點非常接近，以進一步減少專用環境與選擇的云計算提供商之間的延遲。

盡可能靠近盡可能多的最終用戶和設備，使處理信息更貼近用戶或設備，從而顯著提高性能和可靠性。這尤其有利于支持對自動駕駛車輛或網絡安全運營等對延遲敏感的人工智能應用，同時還可以最大限度地提高工作負載靈活性和成本管理。

具有可擴展和可配置的中央基礎設施，以促進可持續增長。

人工智能和機器學習技術在人們的日常生活的應用不斷成熟，并變得越來越普遍。正如他們所做的那樣，提供這些產品和服務的企業需要從戰略角度思考如何最好地平衡各種業務需求，釋放其技術的全部潛力，以保持競爭優勢。

以上是網絡信息轉載，信息真實性自行斟酌。