在互聯(lián)網(wǎng)上通常有這樣的一句話：“知識告訴你說應(yīng)該把雞蛋放進籃子，智慧則是叫你不要把所有雞蛋都放進一個籃子” 。機器學習（ML）會引導我們認識雞蛋并放進籃子，但是人工智能（AI）建議我們不要將其放入一個籃子。
撇開笑話而言，從語言翻譯到對復(fù)雜疾病的診斷，AI 和 ML 的應(yīng)用非常廣泛，遠遠不止于視覺領(lǐng)域。 為了讓您了解 AI 和 ML 需要多少計算能力，百度在 2017 年展示了一種中文語音識別模型，在整個訓練周期內(nèi)，不僅需要 4TB 的培訓數(shù)據(jù)，而且還需要 2000 億億次的運算。
我們需要把握一個平衡點，那就是既要滿足 AI 和 ML 需求，還需要以最低的成本提供最高的服務(wù)質(zhì)量。那么如何提供最高的服務(wù)質(zhì)量呢？通過減少數(shù)據(jù)在終端設(shè)備和處理器之間傳輸?shù)奈锢砭嚯x，以改善延遲對傳輸?shù)挠绊?。我們可以把邊緣?shù)據(jù)中心建設(shè)在更靠近創(chuàng)建和使用數(shù)據(jù)的地方，這樣可以優(yōu)化傳輸成本和服務(wù)質(zhì)量。其次是尋求最低的成本。傳輸成本會隨著傳輸?shù)臄?shù)據(jù)量、距離或“跳數(shù)”的增加而增加。 而 AI 和 ML 大大增加了傳輸?shù)臄?shù)據(jù)量，從而導致更高的傳輸成本。邊緣數(shù)據(jù)中心靠近數(shù)據(jù)創(chuàng)建的地方，因此日益成為重要的解決方案，而一大部分邊緣計算都部署在 MTDC 中。MTDC 可以提供最低的本地數(shù)據(jù)中心部署風險，而且可以最快實現(xiàn)收益。
什么是 AI、ML、MTDC？
在討論 AI，ML，邊緣數(shù)據(jù)中心和 MTDC 之前，有必要仔細研究一下它們的概念，以確保每個人都在同一個理解層面上。
人工智能是計算機系統(tǒng)理論的延伸發(fā)展，它能夠執(zhí)行通常需要人類執(zhí)行的智能任務(wù)，例如視覺感知，語音識別，決策和語言之間的翻譯。如果利用玩具套娃來描述這些關(guān)系，那么 AI 是最大的那個套娃，機器學習位于其中，而深度學習則位于機器學習套娃中。機器學習是 AI 的一種應(yīng)用，它使系統(tǒng)能夠自動學習并從經(jīng)驗中進行改進，而無需進行編程。
邊緣數(shù)據(jù)中心是通過從核心數(shù)據(jù)中心分散一些對延遲較敏感的應(yīng)用程序，使數(shù)據(jù)中心的計算和處理能力更接近創(chuàng)建數(shù)據(jù)的地方。
多租戶數(shù)據(jù)中心（MTDC）也稱為托管數(shù)據(jù)中心，用戶可以通過租用空間來托管其設(shè)施。 MTDC 提供了空間和網(wǎng)絡(luò)設(shè)備，以最小的成本將用戶連接到服務(wù)提供商。 用戶可以租用空間、服務(wù)器機架或完整的專用模塊，來滿足其各種需求。
AI 有那么厲害？
AI 和 ML 是自電力出現(xiàn)以來我們所見過的最具革命性的技術(shù)。 它比互聯(lián)網(wǎng)和移動革命的總和還要強大。 AI 技術(shù)之所以如此強大和如此具有影響力，是因為它們可以快速、有效地理解大量數(shù)據(jù)。 我們生活在一個數(shù)據(jù)不斷生成并且由數(shù)據(jù)驅(qū)動的世界中（市場分析師預(yù)測，如今存在的數(shù)據(jù)中有 80％以上是在最近兩年內(nèi)創(chuàng)建的），如果沒有能夠理解這些數(shù)據(jù)的工具，我們將會淹沒在這些數(shù)據(jù)中。
舉個簡單的例子，今年全世界將創(chuàng)造大約 40 兆字節(jié)的信息。 那就是 40 萬億 GB 的信息。 人類無法理解所有這些信息，即使每個人晝夜不停地工作，從理論上講也是不可能的。
那么我們?nèi)绾卫斫馑羞@些數(shù)據(jù)呢？ 答案是使用 AI 和 ML。 這些技術(shù)偏愛數(shù)據(jù)，數(shù)據(jù)就像是它們的氧氣。 通過使用功能強大且經(jīng)過適當培訓的 AI / ML 模型，我們可以準確地處理大量信息，從而揭示非常有價值的數(shù)據(jù)來指導我們的行動。
核磁共振（MRI）的 ML 模型就是一個很好的例子。 他們針對已知的癌癥或非癌癥結(jié)果進行了測試（陽性和陰性結(jié)果）， 這個過程被稱為訓練。之后將一組新的 MRI 加載到經(jīng)過訓練的模型中并進行分析。這些新的 MRI 被稱為驗證數(shù)據(jù)集。 該數(shù)據(jù)通過已經(jīng)訓練有素的模型運行，計算并顯示結(jié)果，然后再根據(jù)為該模型選擇的性能指標評估結(jié)果。 如果結(jié)果可接受，則對模型進行培訓，并準備進行更多測試和驗證。 如果驗證數(shù)據(jù)不符合指標，則我們回過頭來，要么重新設(shè)計模型，要么為它提供更多數(shù)據(jù)，以便為下一次驗證測試提供更好的培訓。 此階段稱為驗證階段。
人工智能的好處有時會帶來額外的驚喜。 例如，Citadel Analytics 處理過的大多數(shù)業(yè)務(wù)都是客戶期望通過 AI 技術(shù)提高效率來實現(xiàn)銷售增長或降低成本。但他們很快發(fā)現(xiàn)，通過 AI 可以大大提高員工的工作效率和愉悅性，最大的受益者居然是員工。一家懂得利用 AI / ML 的公司，其員工往往也對工作更加滿意，這一點比不使用 AI 的公司高得多。
這很有意義，因為 AI / ML 就是要使“無聊”的東西自動化，并讓您的員工在不降低效率的情況下做他們擅長和充滿熱情的事情。 使用 AI 技術(shù)帶來的巨大好處是，使員工擁有更多快樂，并減少員工的流失。但是這一點許多企業(yè)一開始并不重視。
如何部署 AI / ML 并為其提供合理的布線方案
AI 需要巨大的處理能力，這一直是一個問題。值得慶幸的是，像 NVIDIA，Intel，AMD 等公司正在縮小處理能力的差距。 這使 BMW，沃爾瑪，Target 等公司以及更多公司都可以部署邊緣 AI 功能。 這需要以安裝功能強大的硬件為前提，這些硬件將使用預(yù)先訓練的模型來處理本地數(shù)據(jù)。 這大大減少了等待時間和對實時帶寬的需求。
但問題在于，沒有人能真正做到邊緣的 AI / ML 部署，因為雖然硬件的預(yù)訓練模型可以處理數(shù)據(jù)，但它的能力不足以更新此模型，并使其功能更強大。
因此，混合方案便應(yīng)用而生。
在混合方案設(shè)計中，邊緣服務(wù)器將使用經(jīng)過訓練的模型來處理所有本地數(shù)據(jù)。 而這些“最適合的服務(wù)器”則可能位于不同的 MTDC，從而實現(xiàn)網(wǎng)絡(luò)和應(yīng)用程序選擇的靈活性。MTDC 的光網(wǎng)絡(luò)基礎(chǔ)架構(gòu)通常采用單模光纖來部署，目的是滿足最終用戶對未來擴展的需求。 對于部署 AI / ML 的公司，重要的是需要同時考慮現(xiàn)在和未來網(wǎng)絡(luò)中的帶寬需求。 Citadel Analytics 通常有一個經(jīng)驗法則，即取期望帶寬的平均值并乘以 4 倍，就是應(yīng)該在其系統(tǒng)內(nèi)部署的帶寬。 在當前的 AI / ML 部署中，帶寬尤其重要，是首要考量的因素。
帶寬的增加也凸顯了 MTDC 和最終用戶對高密度解決方案的需求。 高密度方案可以使 MTDC 空間實現(xiàn)最大化收益，而最終用戶可以更有效地利用他們投資的空間。由于基礎(chǔ)架構(gòu)會隨著不同用戶的需求而變化，因此尋找具有產(chǎn)品寬度（單?；蚨嗄＃琇C 或 MTP 等）和擴展靈活性的產(chǎn)品供應(yīng)商顯得尤為重要。對于最終用戶，降低成本的一種方法是增加密度并降低功耗。這可以通過并行光學器件和端口分離來實現(xiàn)，即通過使用分支線纜來實現(xiàn)將一個高速帶寬端口分解為多個低帶寬端口。比如使用一個 40g 并行收發(fā)器端口分解為 4 個單獨的 10g 收發(fā)器端口，以實現(xiàn)高密度的線纜轉(zhuǎn)換。
通過減小 10 公里以內(nèi)的傳輸距離，通?？梢詫⒀舆t減少 45％。 這意味著什么？這將推動更多的和更小的區(qū)域性數(shù)據(jù)中心部署，使其更靠近產(chǎn)生數(shù)據(jù)的地方。 MTDC 將成為這些較小數(shù)據(jù)中心的主要承載工具。 邊緣數(shù)據(jù)中心將托管在這些互連密集型 MTDC 中，兩者相互配合，為客戶提供更全面的服務(wù)。 擁有互聯(lián)的基礎(chǔ)設(shè)施、生態(tài)系統(tǒng)和豐富的客戶組合的 MTDC，將能把握邊緣計算發(fā)展的商業(yè)機遇。
期望
AI 和 ML 技術(shù)將持續(xù)為采用者創(chuàng)收和提高生產(chǎn)率。未來我們將看到更多公司將應(yīng)用程序運行在邊緣 MTDC。 對于這些公司而言，MTDC 提供了較低的風險和較快的收益增長。 這將導致會出現(xiàn)更多的邊緣區(qū)域數(shù)據(jù)中心，而不是像我們以前看到的那樣集中的大型數(shù)據(jù)中心，同時也將帶來更多的互聯(lián)設(shè)施和更高密度的解決方案。