AI时代构建高性能可持续基础设施的5个关键要素

众所周知，人工智能正在推动整个基础设施堆栈的变革。AI工作负载的动态高需求特性需要高性能基础设施，这往往消耗大量能源资源，对可持续发展目标构成挑战。预计未来两年AI投资将增长226%，因为76%的大型组织已从有限的AI采用转向更先进的用例。此外，AI的能源使用不仅影响组织的底线，还影响公众依赖的能源存储和传输基础设施。这使得在构建AI基础设施时考虑可持续性变得尤为关键。

同时，组织正在寻求满足数字化转型日益增长的基础设施需求，使高性能基础设施支持成为许多企业的首要任务。然而，这并不意味着可持续性不是一个可实现的目标。企业可以建立一个非常适合公司特定需求和工作负载的基础，在不妥协或额外投资的情况下，同时实现可持续性和性能目标。实际上，为效率和可持续性而设计基础设施可以提升性能并降低成本。

一些组织有明确的自上而下的可持续发展目标，并期望在基础设施现代化期间获得可衡量的成果。其他组织缺乏这种清晰度，因为可持续性不是集中化的优先事项。随着强制性可持续发展报告的增长，如欧盟的企业可持续发展报告指令，无论客户在可持续发展旅程中处于何种位置，这都应该是所有组织的优先事项。满足性能和业务目标的一种方法是在基础设施设计中默认推动优化和整合。

面向AI和业务目标的专用基础设施

首先，满足AI性能不断增长的需求以及更广泛的业务目标，需要为每个组织的特定需求而专门构建的基础设施。其中关键部分是正确调整基础设施规模以匹配性能工作负载和战略目标。同样重要的是整合工作负载、标准化技术和集中化运营，这些都能减少复杂性、提高效率并增强整体弹性。

这不仅限于部署阶段。持续运营同样关键。利用AIOps等工具进行全栈可观察性、监控和计量，组织可以获得预测性洞察来指导未来决策。通过这种运营敏捷性，基础设施成为一种动态资产，具有可扩展性、高效性，并与业务和可持续发展成果保持一致。

战略性数据中心布局和边缘计算

其次，组织可以通过战略性选择数据中心和边缘计算站点的位置，以及确定哪些数据存放在何处来优化性能。将数据放置在更接近使用地点的位置，特别是在边缘，可以减少延迟、提高速度并降低带宽成本。这种方法还通过减少网络流量来支持可持续发展目标，进而降低能源消耗。在某些行业中，在边缘本地处理数据能够实现实时决策、提高运营效率并减少能源消耗。此外，将某些数据处理工作卸载到边缘可以减轻核心数据中心的负担，降低成本和功耗。

没有明确策略，基础设施蔓延可能会发生，导致分散、冗余的系统难以管理。这往往导致不必要的前期投资和更高的持续维护成本。随着组织难以管理分散的基础设施硬件组合，运营复杂性增加，同时安全漏洞风险也在增长。未使用或过时的系统可能成为网络攻击的入口点。通过在基础设施设计早期集成网络弹性，组织可以确保其环境在需求不断演变时保持安全、可管理和适应性强。

成本效率的灵活消费模式

第三，采用灵活的消费模式使组织能够在本地实现类似云的经济性。传统的采购周期往往冗长，导致许多组织为预期增长而过度配置基础设施。虽然出发点是好的，但这种方法经常由孤立的决策驱动，缺乏企业级需求的全面视角。结果，基础设施经常未被充分利用。

灵活的消费模式通过允许组织仅配置当前所需的资源、监控使用情况并随着需求演变而快速扩展来解决这个问题，而不会影响性能或数据可用性。这种模式减少了前期投资，同时支持跨本地、云或混合环境的部署，提供最大的敏捷性和成本控制。

为了进一步简化基础设施规划，组织可以创建"T恤尺寸"框架，提供标准化选项，如小、中、大和特大。明确定义的目录可以概述每种尺寸包含的内容。例如，小尺寸可能支持100个虚拟机或10TB存储，而中等尺寸可能处理250个虚拟机或25TB。这些配置还可以捆绑预定义的计算、存储、网络和备份资源。组织可以为第0天基础设施配置实施自动化，以简化初始部署过程。这种直观的方法加速了决策制定、缩短了采购周期并加快了生产时间。它还确保基础设施规模适当、高效，并与实际业务和应用需求密切相关。

数据缩减和可用性保证

第四，数据缩减和数据可用性保证。这意味着优化数据的存储和管理方式，这在最大化基础设施效率方面发挥关键作用。除了正确调整基础设施规模外，数据处理方式可以显著影响性能、成本和资源利用率。随着数据量持续指数级增长，压缩和去重等技术变得至关重要。这些数据缩减技术可以显著减少存储需求，通常提供保证的4:1缩减比率，意味着400TB的数据可以有效地使用仅100TB的物理容量进行存储。这种缩减转化为实际收益：更少的硬件需求、更低的资本和运营成本、更少的物理空间需求和更低的能源消耗。所有这些因素都有助于实现更可持续的基础设施模式。同样重要的是确保对关键任务应用的持续可靠访问，防止数据中断并保持工作负载平稳运行。

在当今数据驱动的环境中，投资于结合数据缩减和强大数据可用性保证的智能存储平台，是可扩展性、可持续性和长期基础设施敏捷性的战略要务。

软件定义存储的优势

最后，软件定义存储提供了支持传统企业应用和现代云原生工作负载所需的敏捷性。专为混合云环境而构建，软件定义存储特别适合需要可扩展性、灵活性和高可用性的分布式块存储场景。通过将存储软件与专有硬件解耦，软件定义存储使组织能够将标准x86服务器转换为强大的、支持软件定义存储的存储平台。这种硬件独立性不仅简化了基础设施规划，还显著降低了资本和运营成本。

软件定义存储通过精简配置和纠删码等先进功能进一步提升了性能和数据保护。精简配置仅在跨混合和多云环境写入数据时动态分配存储容量，确保更高效的资源利用并最大限度减少浪费的容量。纠删码提供强大的数据冗余和弹性，而不会产生传统复制方法的沉重开销。通过实现按需可扩展性、智能资源管理以及与现代IT环境的无缝集成，软件定义存储为企业提供了快速响应不断变化的数据需求、应用工作负载和市场动态的敏捷性，最终提高运营效率并实现成本有效的增长。

将AI工作负载与可持续发展目标相结合

满足AI工作负载和数字化转型不断增长的需求似乎与可持续性相冲突。但这两个目标是互补的。通过智能架构来满足业务目标和性能需求以减少过度配置，同时使用数据缩减和智能位置选择等其他方法，公司将在优化性能的同时减少资源和能源浪费。

同时，采用AIOps、灵活消费模式和软件定义存储等现代方法可以提供高性能、更高效率和改善现金流管理。这些智能架构选择最终产生一个敏捷、有弹性的基础，为强劲的业务增长和长期可持续性做好准备。基础设施从静态成本中心转变为可扩展、高效且与业务和可持续发展成果保持一致的动态资产。

Q&A

Q1：为什么AI基础设施建设中可持续性如此重要？

A：AI工作负载的动态高需求特性需要高性能基础设施，往往消耗大量能源资源。随着AI投资预计未来两年增长226%，AI的能源使用不仅影响组织成本，还影响公众依赖的能源存储和传输基础设施。此外，随着欧盟企业可持续发展报告指令等强制性可持续发展报告的增长，这成为所有组织的优先事项。

Q2：软件定义存储如何帮助企业降低成本和提升性能？

A：软件定义存储通过将存储软件与专有硬件解耦，使组织能够将标准x86服务器转换为强大的存储平台，显著降低资本和运营成本。它还通过精简配置动态分配存储容量，纠删码提供强大的数据冗余，实现按需可扩展性和智能资源管理，最终提高运营效率并实现成本有效的增长。

Q3：数据缩减技术能带来多大的存储优化效果？

A：数据缩减技术如压缩和去重可以显著减少存储需求，通常提供保证的4:1缩减比率，意味着400TB的数据可以有效地使用仅100TB的物理容量进行存储。这种缩减带来实际收益包括：更少的硬件需求、更低的资本和运营成本、更少的物理空间需求和更低的能源消耗，有助于实现更可持续的基础设施模式。