未来12至18个月，将见证人工智能（AI）从概念验证阶段演变为开创性的技术。这一进展将依赖于能够访问和利用庞大私人数据资源的能力，这些数据的规模是互联网数据的九倍。克服访问这些数据的挑战将是实现AI真正潜力的关键。
数据在AI中的不可或缺的角色
快速且可访问的数据是成功AI的基石。如果无法无缝、可靠地以可用格式访问数据，AI开发和部署的基础就会崩塌。现实情况是，组织的数据分散在多个平台和位置，超越了AWS和微软等主要生态系统的边界。AI应用需要一个强大而可靠的网络，以确保一致的延迟、性能和实时数据交换。因此，连接性成为解锁这些不同数据源价值的关键。
连接性的关键性常常被董事会忽视，他们错误地认为它“自然而然地工作”。这种疏忽可能对AI项目带来灾难性的后果。即使是最先进的AI应用，如果数据检索延迟仅为10毫秒，也可能被削弱。到2025年，如果没有强大的连接性策略来部署AI，这不仅仅是一个失误；而是一个具有严重后果的战略失败。
云计算的争议再度回归
连接性挑战凸显了迫切需要一波新的云模型，这些模型专门设计来支持AI的需求。这也重新点燃了关于云计算未来的广泛讨论。
AI模型与传统软件应用本质上不同。早期的云基础设施无法处理AI所需的巨大规模和复杂性，尤其是其数十亿个参数和不断流动的实时数据流。这需要在云设计和支持基础设施上进行范式转变，以充分释放AI的潜力。
虽然安全性、连接性和弹性——通过地理分布的网络得以实现——仍然是基础，但在公共云中运营的成本上升，迫使组织重新评估对AWS和微软等提供商的依赖。将工作负载重新迁回私有云的激增，突显了标准化数据迁移流程的迫切需求，以确保平稳高效的过渡。
标准化在AI优化中的作用
AI的云迁移挑战类似于更换银行账户的复杂性。正如银行监管已经简化了这一过程一样，关于云迁移的立法指导可能会成为组织的游戏改变者。通过建立标准化的数据迁移实践，组织可以更容易地采用完美适应其AI需求和更广泛业务目标的混合云模型。
面对日益分散的AI工作负载，标准化方法至关重要。它不仅会加速AI的采用并促进最佳实践，还将巩固AI领军者在市场成熟中的地位。
提升意识与协作
AI对基础设施的日益需求要求技术行业更加关注连接性、云模型和更广泛生态系统之间的相互作用。现实世界中AI的成功实施需要组织、供应商和合作伙伴之间的紧密合作。
在这个AI新时代，连接性和云计算的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，企业可以有效应对2025年及以后所面临的复杂挑战。
