（图片由AI生成）

AI正在重塑企业生态——数据中心变革已成必然。

随着企业加速布局AI，传统数据中心模式正面临前所未有的挑战。电力与冷却系统不堪重负，陈旧的网络架构成为数据流通的瓶颈。更关键的是，企业决策层必须重新审视人才配置、管理模式和企业文化的转型，以匹配AI技术的高速发展。

通过与多位行业CIO及IT领导者深入交流，梳理出数据中心支撑AI应用的7大核心变革方向，助力企业在智能时代抢占先机：

01

AI算力需求让基础设施濒临极限

AI数据中心对水电的消耗远超常规认知，这与其硬件特性密切相关。Scandinavian Data Centers创始人兼CEO斯万特·霍恩指出："AI工作负载的高能耗不仅源于庞大算力需求，更因GPU等专用硬件成本高昂，促使企业倾向让设备满负荷运转，这直接推高了用电量。"

NLM Photonics首席执行官、曾主导微软与Meta人工智能部署的布拉德·布斯揭示了技术架构的转变："AI计算将任务拆解为无数微小函数，分散在海量GPU/TPU集群中执行。"这种分布式计算催生了独特的双层网络设计：传统扩展网络负责常规通信，而加速器集群间则通过"超高速通道"实现数据直连。Classroom365董事马克·弗兰德以英国教育机构为例："某学院信托基金不得不彻底改造服务器机房，因为传统学校设施根本无法承载AI硬件的用电与散热需求。"

Mission Critical Group首席执行官杰夫·德里斯观察到："当AI工作负载规模化后，电力取代算力成为首要瓶颈。高密度、高可用性的供电系统，配合模块化扩容能力变得至关重要。"但霍恩也指出创新方向："现代AI服务器采用的高效冷却技术可将废热回收，用于区域供暖或农业温室，这或许能开创能源利用新范式。"

02

网络架构成为AI部署新瓶颈

当企业纷纷加大AI基建投入时，不少公司遭遇了意想不到的瓶颈。Albertsons公司数据技术负责人Chandrakanth Puligundla坦言："为AI工作负载搭建系统时，我们发现卡脖子问题不止是算力，I/O和数据管道同样关键。"他举例说："有些团队斥巨资购入高端GPU，结果设备只能闲置等数据传输或预处理完成。"

Puligundla团队就曾吃过这样的亏。他们最初低估了本地高速存储和数据加载效率的重要性，不得不重新设计系统架构。"我们通过引入更贴近计算层的NVMe缓存，并把部分数据预处理环节前移，最终发现这些软件优化带来的训练效率提升，比单纯升级硬件更显著。"

这种技术与需求的错位，在底层网络架构上表现得更为突出。诺基亚网络首席营销官Manish Gulyani指出："传统数据中心的网络技术根本无法满足AI时代对超低延迟、高可靠性、可扩展性，以及海量数据处理、快速网络响应和安全保障的需求。"

为破局，部分企业已开始部署专门为AI定制的高带宽、低延迟、无损的数据中心架构。Gulyani透露，诺基亚正与超大规模算力服务商nScale、云平台CoreWeave合作研发下一代互联方案，包括800G高速IP网络和光传输技术。"现在是整个通信行业重新设计网络的时候了——必须把可扩展性、灵活性和自动化放在首位，否则网络将成为AI战略的致命短板。"

03

混合云存储成为AI部署关键拼图

随着AI应用场景的扩展，即便坚持自建数据中心的企业也开始转向公共云与混合存储策略。Infosys美国交付部执行副总裁Anant Adya指出，成功的AI基建升级需要"将工作负载迁移至公有云，并采用混合存储方案。这不仅能提升系统敏捷性，还能有效降低能耗与成本。"

这种"本地+云端"的混合架构，本质上是资源与成本的再平衡。对于没有巨额IT预算的企业而言，混合模式往往决定着能否跟上AI发展浪潮。Classroom365的Mark Friend以教育行业为例："我们服务的很多学校，尤其是资金紧张的公立机构，既无法重建数据中心，也难以招聘本地AI人才，但这并不意味着他们要放弃AI应用。"

Friend团队采用了一种务实的混合方案："把高负载的推理计算外包给云端服务，同时保留轻量化但稳固的本地基础设施。这就像从云厂商按需租用GPU算力，而不是自行采购难以维护的服务器集群。"这种模式对中小型企业尤为适用——真正的挑战不在于原始算力，而在于如何将云端资源与本地系统无缝集成。

"这不是简单的采购问题，而是需要转变思维模式，"Friend强调，"关键在于明确哪些环节该自己做，哪些该交给专业云服务。"混合策略的灵活性，正在成为资源有限企业拥抱AI的最优解。

04

数据治理与伦理监督成为AI应用核心命题

CIO必须跳出单纯关注硬件性能的思维定式，转而重视数据中心数据作为AI应用核心素材的角色——以及这些数据使用背后涉及的监管合规与伦理影响。

"要构建透明化的数据管道，建立强大的模型版本控制机制，并设计可审计的工作流程，"华威商学院信息系统助理教授Shweta Singh指出，"这样才能确保模型具备公平性、可解释性，同时符合不断出台的新法规要求。"她强调，即便模型本身仍是"黑箱"，围绕模型构建的系统体系完全可以——也应当——承担起相应的责任。这意味着要全程追踪数据的来源、处理方式及训练用途，完整保存每个模型版本并附详细文档，同时记录部署活动以确保全流程可追溯。"AI就绪的基础设施，其重要性不亚于处理速度和规模，信任与问责机制同样关键。"

Altum战略咨询集团首席执行官Matthew Gantner则从组织架构层面提出建议："企业应设立独立的数据治理机构，成员不仅涵盖IT与业务部门负责人，还需纳入数据中心代表。"他特别指出，对于自建数据中心的企业而言，数据中心成员应作为数据治理委员会的核心成员，负责落实企业的数据治理政策与操作规范。

Gradient AI首席执行官兼创始人Stan Smith则从实践层面强调数据质量的重要性："数据的完整性与一致性是构建负责任AI的基石。"他提到，有客户近期分享的数据集中，40%的核心字段存在数据缺失或不完整的情况——"这在行业中并非个例"。若缺乏高质量且治理完善的数据支撑，即便最先进的AI系统也可能输出带有偏见、不完整甚至毫无意义的结果。

05

数据中心人才面临技能重构

AI不仅对数据中心硬件提出挑战，更让维护系统的技术人员面临能力升级压力。Scandinavian Data Centers创始人斯万特·霍恩指出："AI计算需求的异常增长，导致当前存在巨大的技能缺口，我们发现人才储备已难以跟上发展节奏。"他援引2024年Uptime Institute全球数据中心调查数据称，71%的受访者将"合格人员短缺"列为首要担忧。

这一缺口既涉及传统基础设施岗位，也包含AI支持所需的新技能。Classroom365的马克·弗兰德以教育行业为例："普通系统管理员可能从未接触过NVIDIA Triton框架或用Kubernetes管理模型生命周期。"他强调，团队培训的重点并非将运维人员变成机器学习专家，而是构建基础能力框架。"我们通过容器化管理和基础模型编排训练，让团队能在AI工具接入时提供有效支持，避免陷入技术盲区。"

CloudX首席商务官阿克塞尔·阿布拉菲亚认为，技能升级远不止获取几张技术认证。"传统基础设施岗位的职能边界正在突破，从业人员需要同时理解物理层架构和AI工作负载与底层堆栈的交互机制。"他特别指出，自动化能力和跨部门协作变得至关重要："AI时代要求数据科学、DevOps和IT团队打破壁垒，建立全新的协作模式。"

在这种变革背景下，企业领导者面临的双重挑战是：既要规划战略性人才招聘，更要设计系统的团队能力升级路径。

06

跨职能协作成为AI治理新范式

当企业试图在全业务链条部署AI时，跨领域协作的重要性愈发凸显。领先企业正通过组建跨职能团队来应对这一挑战，确保数据中心与AI发展同步。

"您需要在决策层集齐基础设施、运营、客户服务、销售、数据科学、开发、网络安全、合规等各领域代表，"Best Practice Institute创始人路易斯·卡特强调，"这不仅是规划层面的协作，更是要共同承担责任、共同创造价值。"他指出，这种机制能有效避免形成数据孤岛和影子项目——这些现象往往会破坏内部沟通，侵蚀企业信任。

AI工作负载的特殊性，让跨职能协同变得更为迫切。Albertsons公司数据技术负责人普利冈德拉解释："AI对软件和基础设施团队的协作要求，远超传统工作负载。软件工程师需要理解硬件限制，而运维团队必须掌握训练作业或推理服务的运行规律。"他建议通过打造"开发者友好型"数据中心环境来破局，例如引入专为机器学习流程设计的可观测工具、标准化API接口，以及基础设施即代码的实践方式。

这种协作型基础设施既能支撑现有模型运行，又能为未来技术演进预留空间。当不同领域的专业知识在数据中心交汇，企业不仅能释放AI的当前价值，更能构建应对技术变革的长期能力。

07

战略领导力与系统规划决定转型成败

Best Practice Institute创始人路易斯·卡特指出："数据中心AI化转型的关键，绝非仅限于硬件升级，核心在于领导层的战略把控。缺乏明确方向的AI部署，最终只会沦为昂贵的摆设。"他观察到，许多企业存在共性误区：在未明晰问题定位、决策机制和成功标准的情况下，就仓促启动AI项目。

"最有效的转型往往从组织能力建设入手，"卡特强调，"需要同步投资文化准备、治理框架和变革管理能力。"Infosys的安南特·阿迪亚对此深有体会：诸多AI数据中心升级项目遭遇瓶颈，根源在于"低估遗留系统整合的复杂性，且缺乏清晰的迁移路线图"——这凸显出系统规划与结构化变革管理的重要性。

更关键的是，企业必须认识到AI部署是持续进化过程而非一次性工程。"AI工作负载需要人机持续协同迭代，"卡特比喻道，"这要求IT团队转型为产品思维——采用快速迭代周期，建立技术价值与业务目标的紧密关联，始终紧扣客户需求。"

他特别强调高管团队的使命："领导者必须创造机会，向全员普及AI技术本质及其对工作流程的重构影响。保持开放沟通至关重要，因为人们对未知事物天然存在焦虑。"帮助员工理解AI带来的新世界，或许是企业为数据中心转型所能做的最重要准备。

作  者 | Josh Fruhlinger

编  译丨新基建创新研究院 内容组  

参考：https://www.cio.com/article/222623/7-things-to-know-about-ai-in-the-data-center.html

免责声明：本文系网络转载，对文章部分内容进行选取、编译，版权归原作者所有。但因转载众多，或无法确认真正原始作者，故仅标明转载来源，如涉及作品版权问题，请与我们联系，我们将在第一时间协商版权问题或删除内容！内容为作者个人观点，并不代表本公众号赞同其观点和对其真实性负责。

商务合作：

小希：15701060895 微信：ciotimes

媒体合作：

小欧: 13641177280 微信: 同手机号

免责声明：本网站（http://www.ciotimes.com/）内容主要来自原创、合作媒体供稿和第三方投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
本网站刊载的所有内容（包括但不仅限文字、图片、LOGO、音频、视频、软件、程序等）版权归原作者所有。任何单位或个人认为本网站中的内容可能涉嫌侵犯其知识产权或存在不实内容时，请及时通知本站，予以删除。