人工智能已不再局限于新兴技术的标签，它已全面降临并蓬勃发展。据麦肯锡数据显示，全球超过70%的企业已部署或正积极探索人工智能技术，而在2017年，这一比例仅为20%。仅过去一年，人工智能领域就取得了令人瞩目的进展，特别是在生成人工智能、大型语言模型（LLM）的应用上，这些模型在计算、预测、内容生成及实时大数据分析方面展现出了广泛的应用前景。

HubSpot、IBM等企业的研究表明，人工智能每天能为员工节省约2.5小时的时间，同时帮助企业降低近三分之一的总体成本。围绕人工智能，一个涵盖合作伙伴与互补服务的生态系统正在逐步成型，其影响力远超企业范畴。如今，ChatGPT用户能与人工智能进行即时对话，Meta的Llama 3.2更新则让AI助手能够阅读并评论图像，而Apple Intelligence也即将结束测试阶段，允许用户利用随身携带的技术完成从代码生成到图形创建等多样任务。

然而，在技术的飞速发展中，我们也需注意到潜在的瓶颈。尽管人工智能的采用率超乎预期，商业野心勃勃，但连接基础设施是否能够满足新人工智能应用对低延迟的需求仍是个问号。就像繁忙的交通道路需要扩建，我们或许该把焦点转向构建更加坚实的“道路”了。

尽管公众对人工智能的态度总体积极，部分源于其新颖性，但投资回报率（ROI）这一关键指标对于多数企业部署的人工智能项目而言仍难以捉摸。四分之三的企业尚未迈出“小步”——即开展一两个试点项目（《麻省理工技术评论》数据）。尽管50%的受访者预计两年内将在所有业务职能部门大规模部署人工智能，但他们面临着实施挑战和瓶颈，这些挑战并非源于资金、文化或专业知识缺乏，而是数据承载的基础设施不足。

需要明确的是，这些问题并非初期障碍那么简单。项目启动时的短期难题可以预见，但企业所强调的根本实施挑战揭示了人工智能推广在可行性上存在更基础、更结构性的问题。表现不佳的人工智能不仅无法实现投资回报，还会因洞察力和产出有限而对企业不利。当人工智能系统难以实时访问和解释整个组织的数据时，这种情况尤为明显。

云计算在人工智能实施中扮演着核心角色。一方面，数据生成速度加快，使得本地数据存储变得不切实际；另一方面，云存储原始和结构化数据具有诸多可访问性优势。因此，企业纷纷将数据湖和仓库迁移至云端，以实现可扩展性和强大计算能力的访问。AI基础设施联盟的数据显示，38%的组织已将其AI基础设施完全部署在云端，29%的组织则在混合环境中运营。这些组织将成本和计算能力可用性视为扩展AI时面临的最大挑战，而延迟问题（28%）也是他们最为关心的计算问题。

让我们深入探讨组织如何使用AI。首先，他们需要训练AI模型，无论是首次开发还是定期重新训练。在此过程中，延迟并非大问题，但高带宽连接至关重要。在云端，最好使用云提供商的专属连接解决方案（如Microsoft ExpressRoute或AWS Direct Connect），以避免高昂的数据传出费用。其次，他们需要AI实时工作，这时延迟就至关重要了。从客户服务机器人到需要实时交互的产品支持，再到自动驾驶汽车、医疗保健和某些金融服务等关键领域，都属于此类用例。在这些场景中，AI模型需要实时访问数据源，以及与目标用户和针对不同服务和工作负载的AI代理进行交互。

简而言之，人工智能需要高带宽和低延迟的网络性能，而且这一切都需要无缝衔接。然而，许多企业仍依赖公共互联网或第三方传输来连接数据和AI系统，这带来了性能和安全问题，企业几乎无法控制数据路径、网络带宽、延迟以及传输中关键数据的安全性。

为了掌控数据流，企业需要控制网络之间的互连方式。因此，越来越多的组织选择网络互连解决方案，这些方案在本地系统和基于云的AI服务之间提供安全、专用的连接。通过构建直接、高性能的链接，企业可以确保对性能、安全性和数据路由的控制。实际上，这种网络互连为云和多云场景创建了响应迅速、可互操作的环境，从而实现了对AI即服务产品的低延迟访问和实时数据分析。它确保了合作伙伴生态系统内的数据安全交换，并提高了云基础设施环境的整体弹性，使企业能够大规模推出AI实施，以实现预期的投资回报率。

人工智能为企业带来了前所未有的机遇，可以改变其运营方式和创收途径。尽管人工智能模型和数据分析工具的强大能力备受瞩目，但企业需要确保支持AI实施的底层基础设施同样具备可扩展性和弹性，以充分发挥AI的潜力。在云迁移的同时，投资于强大的互连策略对于企业克服AI连接瓶颈并真正释放其变革潜力至关重要。

与高性能互连提供商合作有助于设计安全、可扩展且满足特定AI需求的网络。AI的未来已经到来，我们只需确保自己已做好充分准备。