（文章來源：教育新聞網）

HCI和邊緣計算的結合將為AI提供發展到下一個級別的工具，從而為組織提供更智能，更快速的決策。在2019年，人工智能(AI)，機器學習(ML)和高級分析對IT運營方式產生了重大影響。盡管AI似乎為提升IT和我們的日常生活提供了無窮無盡的可能性，但我們開始看到技術上的局限性，這些局限性并不是將AI納入其流程中的。

如何確保當今的企業和IT專業人員可以充分利用AI的潛力?進入超融合基礎架構(HCI)，該基礎設施因其眾多的不可否認的優勢(如簡單性，高可用性和可伸縮性)而迅速聲名狼藉。HCI以要求更簡單的管理，更少的機架空間和功耗，更少的整體供應商以及易于過渡到商用服務器而聞名。

同樣，邊緣計算在IT和業務功能方面獲得了巨大的發展動力，因為它提供了在實際創建數據的網絡邊緣處理和存儲數據的能力。反過來，這可以實現更高的性能，更輕松的管理，更高的安全性并顯著降低相關成本。總之，邊緣計算和HCI的結合是克服傳統技術局限性并將AI提升到更高水平的理想基礎。

當今世界越來越受數據驅動，并且該數據是在傳統數據中心之外創建的。如前所述，邊緣計算是對傳統數據中心之外的數據的處理，該數據是在創建數據的現場網絡邊緣處進行的。只需很小的硬件空間，邊緣的基礎架構就可以收集，處理和減少大量數據，然后可以將這些數據移動到集中式數據中心或云中。這樣做的好處是，在創建數據時就對數據進行處理并做出反應，而不必在使用數據之前就通過長途發送。邊緣計算在從無人駕駛汽車，雜貨店和快速服務餐廳到能源工廠和礦山等工業環境的眾多用例中都是關鍵。

但是，尚未充分利用在邊緣捕獲的所有數據。人工智能雖然還處于起步階段，但它仍然是一種相當年輕的技術，需要大量的資源來訓練其模型。出于培訓目的，邊緣計算最適合使信息和遙測流入云中進行深度分析，然后應將在云中訓練的模型部署回邊緣。用于模型創建的最佳資源將始終在云或數據中心中。

一個很好的例子是下一代硅芯片公司Cerebras，它剛剛推出了創新的“晶圓級引擎”，該引擎專門為訓練AI模型而設計。新芯片速度驚人，擁有1.2萬億個晶體管和40萬個處理內核。但是，所有這些都會消耗數十千瓦的電量，這使得它無法用于大多數邊緣部署。使用HCI整合邊緣計算工作負載使組織可以創建和優化所謂的數據湖。數據進入數據湖后，所有應用程序都可以使用它進行分析，并且機器學習可以利用來自各種設備和應用程序的共享數據提供新的見解。

HCI通過將服務器，存儲和網絡整合到一個盒子中而實現的易用性消除了邊緣計算所伴隨的許多配置和網絡難題。此外，為不同地理位置的數百或數千個邊緣設備(都具有不同類型的網絡和接口)提供集成管理的平臺，可以避免很多復雜性，從而大大降低了運營成本。

隨著諸如智能家居設備，可穿戴技術和自動駕駛汽車等消費者進步的不斷引入，人工智能正在成長，并在日常生活中變得越來越普遍，不再僅僅局限于科幻小說。因此，它會經歷顯著的增長并不令人驚訝，到2020年，估計將有80%的設備具有某種AI功能。從歷史上看，人工智能技術一直依賴存儲在云中的數據。但是，這可能會導致延遲，因為該數據必須先傳輸到數據中心，然后再傳輸到智能連接的設備(即，物聯網或IoT)。在許多用例中，例如無人駕駛汽車，這可能會出現問題，因為它們無法等待數據的往返來知道何時剎車或行駛多快。

用于AI的邊緣計算的好處是所需的數據將在設備本地存在，從而減少延遲。將數據保留在設備網絡的邊緣還可以存儲，訪問新數據，然后在需要時將其上傳到云中。此功能極大地有利于AI設備(例如智能手機和自動駕駛汽車)，由于網絡可用性或帶寬，它們并不總是可以訪問云，但依賴于數據處理來做出決策。

HCI和邊緣計算的結合為AI帶來的另一個好處是減小了外形尺寸。HCI允許技術在較小的硬件設計中運行。實際上，一些組織已開始引入高度可用的HCI邊緣計算集群，這些集群不超過一杯咖啡。HCI必須包含并包括邊緣計算，因為這樣做可以提供對AI進步至關重要的好處，并且允許該技術在無需大量人工干預的情況下運行。這使AI可以最佳地優化其機器學習功能并提高其智能決策效率。

盡管云為AI提供了增長到幾乎所有技術設備都可以使用的水平所需的平臺，但是HCI和邊緣計算的結合將為AI提供發展到下一個水平所需的工具，從而使決策更加智能，更快。對于組織。
? ? ? （責任編輯：fqj）