连接与云：2025 年克服人工智能的隐藏挑战

　　未来 12-18 个月，我们将见证 AI 概念验证演变为突破性技术。这一进步将得益于访问和利用大量私人数据的能力，这些数据比互联网上可用的数据大 9 倍。克服访问这些数据的挑战对于实现 AI 的真正潜力至关重要。

　　数据在 AI 中不可或缺的作用

　　快速、可访问的数据是成功的 AI 的基石。如果不能无缝、可靠地访问可用格式的数据，AI 开发和部署的基础就会崩溃。

　　现实情况是，组织数据分散在多个平台和位置，超越了 AWS 和 Microsoft 等知名生态系统的界限。AI 应用程序需要强大而可靠的网络来确保一致的延迟、性能和实时数据交换。因此，连接性成为释放这些不同数据源价值的关键。

　　董事会经常忽视连接性的重要性，他们错误地认为它“就是管用”。这种疏忽可能会给 AI 计划带来灾难性的后果。即使是最先进的、具有巨大计算能力的 AI 应用程序，也可能因数据检索延迟仅 10 毫秒而陷入瘫痪。在 2025 年，在没有强大连接策略的情况下部署 AI 不仅仅是一个失误;这是一个战略失败，后果严重。

　　云争议重现

　　连接性挑战凸显了对专为支持 AI 需求而设计的新一波云模型的迫切需求。这重新引发了关于云计算未来的更广泛争论。

　　AI 模型与传统软件应用程序有着根本的不同。早期的云基础设施无法处理 AI 的巨大规模和复杂性，包括数十亿个参数和持续不断的实时数据流。这需要在云设计和支持基础设施方面进行范式转变，以充分释放 AI 的潜力。

　　虽然安全性、连接性和弹性(由地理分布的网络实现)仍然是根本，但公共云运营成本的不断上升迫使组织重新评估对 AWS 和 Microsoft 等提供商的依赖。工作负载向私有云的激增凸显了标准化数据迁移流程的迫切需求，以确保平稳高效地过渡。

　　标准在人工智能优化中的作用

　　人工智能云迁移的挑战与切换银行账户的复杂性如出一辙。正如银行法规简化了这一流程一样，云迁移方面的立法指导可能会改变组织的格局。通过建立标准化的数据移动实践，组织可以更轻松地采用完全适合其人工智能需求和更广泛业务目标的混合云模型。

　　面对日益分散的人工智能工作负载，标准化方法至关重要。它不仅会加速人工智能的采用并促进最佳实践，还会随着市场的成熟巩固人工智能领导者的地位。

　　增强意识和协作

　　人工智能对基础设施的需求不断增长，这要求科技行业提高对连接性、云模型和更广泛生态系统相互作用的认识。在现实世界中成功实施人工智能需要组织、供应商和合作伙伴之间的紧密合作。

　　在这个人工智能的新时代，连接性和云考虑不再是次要问题——它们是成功的基础。通过在规划和执行中优先考虑这些因素，企业可以有效地应对 2025 年及以后的复杂性。