عصر استنتاج هوش مصنوعی فرا رسیده است. سیستمی مراقبت‌های بهداشتی را تصور کنید که میلیون‌ها داده را در لحظه تحلیل می‌کند تا تحقیقات پزشکی نجات‌بخش را تسریع بخشد، یا دستیاری هوشمند که همزمان هزاران نیاز پیچیده مشتریان را حل می‌کند. این دستاوردهای واقعی به زیرساخت‌های پیشرفته‌ای متکی هستند که به‌عنوان موتور هوش مستمر عمل می‌کنند، خدمات بلادرنگ را توانمند می‌سازند و هم‌زمان از لبه‌های هوشمندتر اینترنت اشیا و دستگاه‌های مصرف‌کننده پشتیبانی می‌کنند. بااین‌حال، در این چشم‌انداز مبتنی بر استنتاج، هر تأخیر، گلوگاه یا وات تلف‌شده مستقیماً بر نتایج انسانی و هزینه‌های عملیاتی تأثیر می‌گذارد.

این تغییر، آنچه را زیرساخت باید ارائه دهد، دگرگون می‌کند. عملکرد، تأخیر، پهنای باند حافظه، توان عملیاتی ذخیره‌سازی و شبکه‌سازی را نمی‌توان به‌صورت مجزا بهینه کرد. بارهای کاری استنتاج مداوم، پراکنده جغرافیایی و به زمان پاسخ بسیار حساس هستند و به سیستم‌هایی نیاز دارند که از ابتدا برای مقیاس‌پذیری، تاب‌آوری و کارایی طراحی شده‌باشند.

«ما تمایل داریم هوش مصنوعی را یک بار کاری واحد در نظر بگیریم، درحالی‌که این‌طور نیست. این بارها شامل هزاران، میلیون‌ها و میلیاردها بار کاری متفاوت است،» می‌گوید جیم مک‌گرگور، بنیان‌گذار و تحلیلگر ارشد Tirias Research. استنتاج هوش مصنوعی مسئله بهینه‌سازی را از محاسبات خالص به زیرساختی هماهنگ‌شده شامل حافظه، ذخیره‌سازی و شبکه‌سازی تغییر می‌دهد.

برای رهبران کسب‌وکار، اولویت روشن است: تصمیم‌گیری درباره زیرساخت هوش مصنوعی باید هزینه، انعطاف‌پذیری و آمادگی آینده را متوازن کند. برندگان سازمان‌هایی خواهند بود که عملکرد به ازای هر وات را بهبود بخشند، ردپای زیست‌محیطی را کاهش دهند و پیش از آنکه رشد را محدود کنند، گلوگاه‌های حافظه و ذخیره‌سازی را برطرف سازند.

استنتاج هوش مصنوعی به رویکرد معماری جدیدی نیاز دارد

سیستم‌های هوش مصنوعی نیازمند بازطراحی معماری هستند، زیرا جا دادن سیستم‌های مدرن هوش مصنوعی در زیرساخت‌های قدیمی، پتانسیل تحول‌آفرین آن را محدود می‌کند. معماری‌های هدف‌ساخته برای تحقق ارزش واقعی هوش مصنوعی، از تسریع اکتشافات علمی تا ایجاد عوامل دیجیتالی کاملاً خودمختار، ضروری هستند.

فناوری اطلاعات سنتی بنگاه‌ها توانسته است بر مفروضات زیرساختی نسبتاً پایداری تکیه کند، اما استنتاج و هوش مصنوعی عاملی (agentic AI) نیازمندی‌های جدیدی در حوزه تأخیر، جابجایی داده، مقیاس‌پذیری و بهره‌برداری ایجاد می‌کنند که انتخاب‌های معماری را بسیار تأثیرگذارتر می‌سازد.

مک‌گرگور می‌گوید: «مراکز داده اکنون باید از سرویس‌های هوش مصنوعی مداوم، توزیع‌شده و به‌طور فزاینده بلادرنگ پشتیبانی کنند که هیچ‌کدام یک بار کاری واحد نیستند. همه آنها از منظر سطح سیستم نیازمندی‌های متفاوتی دارند.»

برای پشتیبانی از هوش مصنوعی بلادرنگ، بنگاه‌ها دیگر نمی‌توانند حافظه و ذخیره‌سازی را صرفاً به‌عنوان سخت‌افزار پشتیبان ببینند، بلکه باید آنها را در قلب سیستم قرار دهند. سازمان‌ها نیاز دارند یک خط لوله داده معماری کنند که بتواند داده‌ها را سریعاً جذب، تمیز، تبدیل، ذخیره، جابجا و تحویل دهد. بارهای کاری استنتاج فشار مستمری بر زیرساخت وارد می‌کنند که با استقرارهای متمرکز بر آموزش پیشین تفاوت زیادی دارد و نیازمند بازیابی و کش‌گذاری مداوم داده‌ای است که برنامه‌های سنتی هرگز بدان نیاز نداشتند.

بر این اساس، عملکرد به تنهایی دیگر معیار اصلی اهمیت نیست. بنگاه‌ها به‌طور فزاینده باید عملکرد را با کارایی، هزینه و مقیاس‌پذیری متوازن کنند، به‌ویژه هنگامی که می‌خواهند از سرویس‌های مختلف هوش مصنوعی بدون ساختمایه‌گذاری اضافی برای شرایط اوج پشتیبانی کنند.

مک‌گرگور می‌گوید: «شما باید کل شبکه، از جمله حافظه و ذخیره‌سازی، را حول نوع بارهای کاری که قصد اجرایشان را دارید بهینه کنید. باید درک دقیقی از چیستی آن بارهای کاری داشته باشید.»

هر استراتژی زیرساخت هوش مصنوعی باید با آگاهی از بار کاری آغاز شود. استنتاج، هوش مصنوعی عاملی و سایر کاربردهای نوظهور هوش مصنوعی، سازمان‌ها را ملزم می‌کند مرکز داده را به‌عنوان یک سیستم یکپارچه در نظر بگیرند.

جابجایی داده، گلوگاه جدید و فرصتی برای مزیت رقابتی است

با استقرار سیستم‌های پیشرفته استنتاج و عاملی توسط بنگاه‌ها، حجم عظیم داده‌هایی که در لحظه پرس‌وجو می‌شوند، جابجایی داده را به محدودیت‌کننده‌ترین عامل تبدیل کرده است. تکنیک‌های مدرن هوش مصنوعی مانند نسل رترو (RAG) نیاز دارند سیستم‌ها مدوام پا‌یگا‌های دادا‌عظیم را بررس کننت تا پاس‌های دق‌یق تول‌د کننت. این نیا‌ز به قدرت محاسباتی عظیم دارد، اما مهم‌تر از آن، به دسترسی فوری به داده‌ها نیاز دارد.

مک‌گرگور می‌گوید تغییر تمرکز به این که داده‌ها چقدر کارآمد در سراسر معماری گسترده‌تر جابجا، کش و تحویل می‌شوند، حافظه و ذخیره‌سازی را از زیرساخت پس‌زمینه به دارایی‌های استراتژیک ارتقا می‌دهد. «بزرگ‌ترین کاری که الان انجام می‌دهیم، جابجایی داده از جایی به جای دیگر و اطمینان از استفاده مؤثر از آن است.»

از آنجا که هوش مصنوعی یک دسته بار کاری واحد نیست، صرفاً خرید سریع‌ترین پردازنده‌ها کافی نیست. استنتاج به شدت به پهنای باند حافظه، کش، مجاورت ذخیره‌سازی و توانایی بازیابی سریع و مداوم اطلاعات مرتبط وابسته است. درک این که هر منبع در کجای پشته قرار دارد و این لایه‌ها تحت شرایط عملیاتی واقعی چگونه تعامل می‌کنند، به یک ضرورت کسب‌وکاری تبدیل شده است.

مک‌گرگور می‌گوید مؤثرترین زیرساخت هوش مصنوعی کمتر شبیه مجموعه‌ای از قطعات برتر در کلاس خود و بیشتر شبیه یک سیستم متوازن از محاسبات، حافظه، ذخیره‌سازی و شبکه‌سازی است، زیرا گلوگاه‌ها تمایل دارند از یک لایه به لایه بعدی منتقل شوند. «شما باید هر چهار عنصر را با هم معماری کنید تا کارآمد باشید، و این چالش است.»

وابستگی متقابل طراحی سطح داده و پهنای باند شبکه به این معناست که برنامه‌ریزی زیرساخت هوش مصنوعی به همان اندازه که یک تصمیم مهندسی است، به یک تصمیم کسب‌وکاری تبدیل شده است: تأخیر اکنون از ارزش جدایی‌ناپذیر است. در رباتیک، خدمات مالی، مراقبت‌های بهداشتی و سیستم‌های هوش مصنوعی مشتری‌محور، تأخیرها صرفاً نقص‌های فنی نیستند؛ می‌توانند ایمنی، پاسخگویی یا اعتماد را تضعیف کنند. عملکرد زیرساخت هوش مصنوعی به موضوعی برای مدیریت شهرت تبدیل می‌شود.

سازمان‌هایی که بیشترین بهره را از هوش مصنوعی می‌برند، احتمالاً آنهایی نخواهند بود که بزرگ‌ترین خوشه‌ها را دارند، بلکه آنهایی هستند که واضح‌ترین درک را از نحوه هماهنگ‌سازی هر عنصر زیرساخت برای اجرای مؤثر بارهای کاری هوش مصنوعی دارند.

ساخت چارچوبی برای تأمین زیرساخت هوش مصنوعی

برنامه‌ریزی زیرساخت هوش مصنوعی صرفاً به معنای انتخاب سریع‌ترین سخت‌افزار نیست. بلکه به معنای چگونگی مقیاس‌پذیری بدون قفل کردن سازمان در مفروضاتی است که ممکن است به سرعت منسوخ شوند. مک‌گرگور می‌گوید: «باید انعطاف‌پذیر باشید زیرا نیازها به سرعت تغییر می‌کنند و فناوری نیز به سرعت در حال تغییر است.»

آینده‌نگری در زیرساخت هوش مصنوعی مستلزم باز نگه داشتن گزینه‌هاست، زیرا بارهای کاری، اقتصاد و معماری‌ها مدام در حال تغییرند:

• بارهای کاری هوش مصنوعی که بهینه می‌شوند را تعریف کنید. انتخاب‌های زیرساختی باید با نیازهای کسب‌وکار مطابقت داشته باشد، نه چیزی که مک‌گرگور «آمادگی عمومی هوش مصنوعی» می‌نامد، که خطر هزینه‌کرد بیش از حد در برخی حوزه‌ها و باقی ماندن گلوگاه‌های حل‌نشده در سایر حوزه‌ها را دارد.
• یک معماری ماژولار برای محاسبات، حافظه، ذخیره‌سازی، برق و خنک‌کننده بسازید تا ظرفیت با تغییر تقاضا تغییر کند، به جای اینکه خیلی زود به یک معماری صلب متعهد شوید.
• با کل اکوسیستم تأمین‌کنندگان و یکپارچه‌سازان کار کنید تا ریسک تأمین کاهش یابد و دسترسی به مؤلفه‌های مناسب بهبود یابد. مک‌گرگور می‌گوید خریداران دیگر نمی‌توانند فرض کنند که OEM یا ارائه‌دهنده ابری آنها به تنهایی آنها را از محدودیت‌های تأمین یا پیچیدگی معماری مصون نگه می‌دارد.
• استراتژی تأمین خود را مداوم بازبینی کنید. نیازمندی‌های هوش مصنوعی، سخت‌افزار و مدل‌های کسب‌وکار برای یک طراحی بلندمدت ثابت خیلی سریع تغییر می‌کنند.
• برای کارایی و بازگشت سرمایه (ROI) بهینه کنید، نه فقط عملکرد اوج. قدرتمندترین راه‌اندازی ممکن است برای نگهداری بسیار پرهزینه باشد. کارایی همچنین یک معیار عمومی است - استفاده بهتر و طراحی سیستم آگاه از بار کاری می‌تواند به شرکت‌ها کمک کند به نظارت فزاینده بر مصرف برق و آب پاسخ دهند.

هدف استراتژیک طراحی هوشمندانه‌تر مرکز داده هوش مصنوعی، حداکثر عملکرد به هر قیمتی نیست، بلکه معماری سازگاری است که می‌تواند ارزش ارائه دهد، تغییر را جذب کند و ردپای خود را توجیه نماید.

زیرساخت هوش مصنوعی اکنون یک استراتژی کسب‌وکار است

مراکز داده هوش مصنوعی به سرعت از یک دغدغه فنی پشتیبان به سیستم‌های کسب‌وکاری استراتژیک تبدیل شده‌اند که به تعیین این کمک می‌کنند یک سازمان تا چه حد می‌تواند هوش مصنوعی را به درآمد، بهبود نتایج انسانی و ایجاد مزیت رقابتی تبدیل کند.

مک‌گرگور توضیح می‌دهد که در عصر استنتاج، حافظه و ذخیره‌سازی دیگر مخازن منفعل نیستند، بلکه خون حیاتی فعال هوش مصنوعی هستند. سازمان‌هایی که بیشترین بهره را از هوش مصنوعی می‌برند، لزوماً آنهایی با بزرگ‌ترین ردپای محاسباتی نخواهند بود، بلکه آنهایی هستند که سرمایه‌گذاری‌های زیرساختی را با نتایج کسب‌وکار هماهنگ می‌کنند، گلوگاه‌های داده را کاهش می‌دهند و انعطاف‌پذیری لازم برای تطبیق با تحول بارهای کاری را می‌سازند. او پیش‌بینی می‌کند مزیت رقابتی به‌طور فزاینده‌ای به بنگاه‌هایی تعلق خواهد گرفت که محاسبات، حافظه، ذخیره‌سازی و شبکه‌سازی را به‌عنوان یک سیستم یکپارچه طراحی شده برای ارائه کارآمد هوش مصنوعی در مقیاس و با ROI قابل اندازه‌گیری در نظر بگیرند.

مک‌گرگور نتیجه می‌گیرد: تأمین اکنون استراتژی است و طراحی سیستم یک موضوع رهبری. «یکی از بزرگ‌ترین سؤالاتی که هر مدیر اجرایی باید بپرسد این است که هوش مصنوعی چگونه مدل کسب‌وکار مرا تغییر خواهد داد؟»

این محتوا توسط Insights، بازوی محتوای سفارشی MIT Technology Review، و نه توسط تیم تحریریه آن، تولید شده است. تحقیق و نگارش آن توسط انسان‌ها انجام شده و هرگونه ابزار هوش مصنوعی که ممکن است استفاده شده باشد، تنها به فرآیندهای تولید تحت نظارت انسانی محدود شده است.