![[slide:title]](/static/upload/image/20210527/1622100939839561.png)
![[slide:title]](/template/qynl.com.cn/skin/images/search-icon.png){kind=icon}
2025 年，连接与云如何破解 AI 潜藏困境
来源：本站
发布时间：2025-02-17
在未来 12 至 18 个月内，我们将目睹 AI 从概念验证阶段迈向具有突破性技术的重要转变。这一重大进步主要得益于能够获取和运用海量私人数据，这些数据规模比互联网上公开的数据大出 9 倍之多。突破获取这些数据的重重阻碍，是挖掘 AI 真正潜力的关键所在。
数据在 AI 领域的核心地位
快速且易于获取的数据堪称 AI 成功发展的基石。倘若无法以无缝、可靠的方式获取可用格式的数据，那么 AI 开发与部署的根基便会岌岌可危。
实际情况是，各组织的数据分散在多个平台与不同位置，甚至超出了 AWS 和 Microsoft 等知名生态系统的范畴。AI 应用程序需要强大且稳定的网络，以此确保一致的延迟、卓越的性能以及实时的数据交换。所以，连接性成为释放这些分散数据源价值的核心要素。
然而，董事会常常忽略连接性的重要意义，错误地认为它 “本就应该正常运行”。这种疏忽可能会给 AI 项目带来毁灭性的后果。即便是最为先进、具备强大计算能力的 AI 应用程序，也可能因数据检索仅延迟 10 毫秒而陷入停滞。在 2025 年的当下，在没有完善连接策略的情况下部署 AI，这已不仅仅是一个小失误，而是严重的战略失误，会产生极为严重的后果。
云争议再度浮现
连接性方面的挑战，凸显了对专门为满足 AI 需求而设计的新一代云模型的迫切需求。这也再次引发了关于云计算未来走向的广泛讨论。
AI 模型与传统软件应用程序有着本质区别。早期的云基础设施难以应对 AI 庞大的规模和复杂程度，包括数十亿的参数以及源源不断的实时数据流。这就要求在云设计和支持基础设施方面实现根本性变革，从而充分释放 AI 的潜力。
尽管安全性、连接性以及由地理分布式网络实现的弹性依旧是基础要素，但公共云运营成本的持续攀升，促使各组织重新审视对 AWS 和 Microsoft 等云服务提供商的依赖。工作负载向私有云的大量转移，凸显了标准化数据迁移流程的紧迫性，以保障过渡过程的平稳与高效。
标准在 AI 优化中的关键作用
AI 向云迁移所面临的挑战，与更换银行账户的复杂程度颇为相似。正如银行法规简化了更换账户的流程一样，云迁移方面的立法指导或许能改变行业格局。通过建立标准化的数据迁移实践，各组织能够更轻松地采用完全契合自身 AI 需求以及更广泛业务目标的混合云模型。
在 AI 工作负载日益分散的情况下，标准化方法至关重要。它不仅能加速 AI 的应用推广，促进最佳实践的形成，还能随着市场的成熟巩固 AI 领域领先者的地位。
增强意识与协作
AI 对基础设施的需求不断增长，这就要求科技行业提升对连接性、云模型以及更广泛生态系统相互关系的认识。在现实世界中成功应用 AI，需要组织、供应商以及合作伙伴之间的紧密协作。
在这个 AI 的崭新时代，连接性和云相关考量已不再是次要问题，而是关乎成功的核心要素。通过在规划与执行过程中优先考虑这些因素，企业便能有效应对 2025 年及未来的复杂局面。
声明：本站所使用的图片文字等素材均来源于互联网共享平台，并不代表本站观点及立场，如有侵权或异议请及时联系我们删除。
![[slide:title]](/static/upload/image/20210622/1624346789852577.jpg)
