如何成为人工智能领域的技术领航者？必知的关键策略

人工智能常常被视为企业的“生存危机”问题。

但尽管他们对AI工具的热情和投资毋庸置疑，许多技术领导者似乎未能将其当作企业应用来对待。

已有证据表明，许多AI项目未能超越实验或试点阶段。

Gartner预测，到2027年底，超过40%的自主AI项目将被取消，通常是由于风险控制不足和投资回报不明确。

这种启动失败不仅浪费了投资，还在长期内侵蚀了对该技术的信心。

这在那些稳步向企业AI过渡的组织与那些在努力使其发挥作用的组织之间造成了差距。随着生成AI逐渐被自主AI取代，这一差距只会进一步扩大。

拥有愿景是AI成功的关键

当然，拥有愿景是AI成功的关键，拥有数据来指导企业独特的AI战略同样重要。如果再加上一些种子投资，可能足以交付一个令人惊艳的试点。

但这足以确保在企业规模上取得成功吗？Gartner的数据显示，显然不是这样。

那么，缺少的是什么呢？技术领导者必须做些什么，以确保人工智能不仅令人愉悦，而且真正能够交付？

答案就是要确保人工智能的操作准备就绪。简单来说，这就是将人工智能从实验室部署、管理和扩展到整个组织的能力。

这意味着要付出艰苦的努力，把一个引人注目但不连贯的试点项目融入整个企业。

这意味着要确保人工智能在一个统一的平台上运行，这个平台涵盖计算、数据和治理。一个可以在整个组织中复制的平台，无论是在本地、云端还是边缘。

这个基本概念其实并不新鲜。成功推出任何关键业务工作负载，比如ERP或CRM，都需要同样关注基础操作基础设施。

不过，在实现这一目标时，人工智能确实面临一些特定的挑战。

建立人工智能基础设施

大家可能会觉得，人工智能的基础设施管理就只关乎GPU。但高带宽内存、快速存储和相应的网络同样重要。其他处理器和加速器也会参与，具体取决于我们关注工作流程的哪个环节。

最重要的是，这种基础设施——无论是本地、在云中，还是混合模式——都需要能够适应和扩展，因为项目从本地试点转向企业生产。人工智能本质上可能比传统的企业工作负载更难以迁移。

但这不仅仅是处理器性能或存储容量的问题。对于企业人工智能项目来说，安全性和治理是不可妥协的。基础数据和组织自身的模型是其未来的关键，必须牢牢掌握。

数据主权以及更广泛的人工智能法规使问题更加复杂。技术领导者需要知道他们的数据确实在他们所说的位置，并明确谁可以——以及谁不能——访问这些数据。

人工智能的可能性是无限的。但如果这种基础设施没有得到适当管理，价格同样可能非常高。光是支付GPU的费用和运行它们的电力，再让它们闲置，就会导致投资回报率下降，同时削弱环境、社会和治理（ESG）承诺。

运营扩展

技术领导者需要从一开始就规划如何上下扩展容量。但他们还需要能够管理和预测成本。因此，他们需要有信心，他们的平台和工具包能够轻松实现这一点。

随着人工智能代理的出现，这变得更加关键。即使在代理访问、生成数据和做出决策时，也必须确保安全性、治理和合规性。

基础设施必须能够支持它们，并在其行动展开时应对需求激增。必须考虑资产的位置，以减少实时运行的推理工作负载的延迟。同时，能源使用也必须控制在合理范围内。

考虑到这一切后，人工智能时代的操作准备的概念变得更加清晰。

真正的操作准备需要一种交钥匙的人工智能解决方案，形式是一个完整的技术栈平台，能够支持所需的GPU和其他加速器。

它必须包括集成的数据服务，支持人工智能所需的各种格式，并具备相应的安全和治理控制。

它还应该支持虚拟机和容器，并能对它们进行编排。快速实现人工智能的落地已经非常具有挑战性。没有人希望在这个时候还要进行云原生迁移。

大型语言模型的角色

大型语言模型可能并不总是提供可重复的答案。但生成型人工智能和代理型人工智能所依赖的基础设施必须具备可重复性，以便公司能够根据需求进行扩展和调整。

这包括云、内部部署和边缘计算。

当他们拥有合适的平台和工具时，技术领导者就能确保员工专注于不断提升从人工智能投资中获得的价值。

不花时间和资源试图将一个成功的试点项目转变为全企业的战略。

无论是将全部押注于人工智能，还是意识到人工智能只是他们工具包的一部分，技术领导者必须明白，人工智能是企业级应用。

企业应用需要企业级基础设施来支持它们从试点到生产，再到未来。

因为这将确保他们的组织在长期内生存。