人工智能效率差距：从总拥有成本危机到优化成本与性能
核心观点
生成式AI的兴起对传统云基础设施提出了根本性挑战，导致AI工作负载在通用云上运行时出现显著的效率差距，即理论性能与实际性能之间的差异。这种低效问题引发了全面的总拥有成本（TCO）危机，主要体现在资源浪费、操作复杂性和成本增加等方面。
关键数据和研究结论
- AI工作负载阶段：AI工作负载可分为四个阶段：创新工作台、模型优化、训练和推理。调查显示，推理是最大的AI工作负载（67.1%），其次是训练（24.7%）。
- 云基础设施偏好：大多数受访者（64.3%）将云作为AI工作负载的首选平台，主要原因是按需访问专用硬件、毗邻AI模型和开发工具、巨大的弹性和可扩展性。
- 本地和边缘部署：对于需要超低延迟或遵守数据驻留规定的应用，本地或边缘部署是可取的，云服务提供商通过混合云连续体满足这一需求。
- AI成功衡量：AI投资带来的主要回报包括提升员工效率（28.9%）、加速运营流程（31.8%）、改善客户满意度（28.3%）和提升决策效率（28.7%）。
- 衡量成功挑战：组织在衡量AI成功时面临的主要挑战是技术指标与业务成果的协调，需要新的指标如“每美元的智能”和“好产率”。
- AI低效影响：使用多个AI框架或硬件平台的碎片化方法影响了92%的组织的效率，导致成本增加、复杂性和性能下降。
- 预算浪费：训练阶段是预算浪费最大的部分，主要原因是闲置硬件和资源利用效率低下。
- 解决挑战措施：组织正在优先考虑采用云优化工具、实施模型优化技术、与人工智能服务提供商合作以及提升技能证书。
- 未来运营和业务障碍：组织预计在未来两年内面临的主要障碍是控制AI成本（32.6%）、衡量和展示清晰的回报率（29.8%）以及AI/ML人才短缺（31.5%）。
解决方案建议
- 简化AI堆栈：通过整合框架和硬件到受管理、可互操作的系统中，消除碎片化带来的浪费。
- 总拥有成本优化：从前期、静态的定价模型转变为全面成本可视线系统，采用动态工作负载调度和按消耗计算的计算资源模型。
- 消除浪费：实施遥测，主动跟踪闲置计算时间和效率关键绩效指标，利用实时监控和自动扩展功能。
- 现代化数据基础设施：采用专为现代AI训练和推理设计的高吞吐量、高并行性需求的AI专用存储和网络解决方案。
结论
缩小AI效率差距需要全面策略，同时处理总拥有成本、简化碎片化的AI堆栈、通过严格的测量消除浪费，并现代化数据基础设施，以将AI的原始潜力转化为持续的商业价值。
