事实证明，传统云平台 在利用海量数据训练人工智能模型方面非常有价值。但随着企业希望进一步扩展和优化人工智能应用，传统平台很快就显示出了其局限性。
在Akamai委托Forrester进行的一项研究中，我们发现了IT领导者和开发人员在使用传统云平台时遇到的问题。许多人都认为，在人工智能推理时代，将计算资源转移到 边缘计算将有助于减少延迟、带宽使用和成本。
随着人工智能训练为人工智能推理铺平道路，我们需要既能应对不断增加的工作负载和计算需求，又不损害性能和最终用户体验的解决方案。
转向人工智能推理对应用程序开发的意义
随着人工智能的计算需求准备转向推理而不仅仅是训练，这对开发人员的人工智能应用开发意味着什么？
J.Gold Associates 总裁兼首席分析师杰克-戈尔德（Jack Gold）认为，目前培训和推理之间的平衡是 80% 的培训和 20% 的推理。他预测，这种情况将在未来三年内发生变化，计算资源将集中在 80% 的推理和 20% 的培训上。
人工智能推理是使用训练有素的模型从新数据中得出结论和结果的过程。随着越来越多的模型通过庞大的数据集得到训练，下一阶段就是利用这些模型来处理新信息，从而扩展人工智能解决方案的能力。
再加上用户对提高个性化、高性能和应用中实时数据使用的期望，这意味着当前的云解决方案必须做出调整。
核心云架构为何跟不上时代步伐
人工智能推理的目标是在人工智能应用中帮助实现实时结果和更无缝的用户体验。然而，传统的云解决方案遇到了一个障碍，或者更具体地说是三个关键挑战，使其难以利用人工智能进行扩展和优化。
在研究中，我们发现开发人员和 IT 领导者面临的最大挑战是
- 延迟问题（56% 面临处理延迟问题）
- 成本问题（60% 的人为存储/处理成本而苦恼）
- 缩放困难（45% 的人有缩放困难）
"大多数调查对象表示，他们目前的云战略阻碍了他们在应用程序中建立实时、数据驱动决策的 能力"。
核心云解决方案已经难以满足人工智能扩展和优化的要求。那么，有没有更有效的解决方案呢？
边缘计算使数据处理更接近终端用户，减少了延迟问题并提高了性能，使开发人员能够更有效地扩展应用程序。
然而，即便如此，也会面临各种挑战，包括合规性和监管问题、供应商锁定，以及难以聘用和留住具备相关技能的技术人才。边缘计算通常使用不同的架构方法、专业协议和不同的供应商，导致操作复杂性和业务风险增加。
分布式Cloud Computing 是人工智能应用开发的下一个阶段
分布式云计算是一种替代解决方案，正在迅速获得 IT 领导者的青睐 。在这项研究中，超过一半的受访者表示，他们目前正在自行管理某种形式的分布式架构。
大多数人表示，由于额外存储和处理能力的成本以及高延迟造成的处理延迟，他们目前的云战略阻碍了他们在应用程序中建立实时数据驱动决策的能力。
与边缘计算一样，分布式云架构允许开发人员从更靠近用户的位置提供数据，从而改善应用程序、云数据库、流媒体和其他工作负载的延迟和性能。
不同之处在于，这种形式的云计算虽然是分布式网络的一部分，但可以包含各种不同的数据位置，包括第三方数据中心、企业内部位置和私有云位置。
随着人工智能推理技术的发展，将会出现更多的应用和扩展机会，同时也需要更高效的数据处理方法。
应用程序用户将期待快速的结果和无缝的体验。通过投资分布式架构，开发人员可以满足现代应用程序中对实时数据处理和推理的需求，并确保公司在用户中的竞争优势。
分布式Cloud Computing 如何反映业务目标
我们发现，在保持集中管理和控制的同时，灵活地将计算资源部署到离最终用户更近的地方，解决了调查对象最关心的一些问题，其中包括：
- 55% 的人表示，这将消除对业务风险增加的担忧
- 54% 的人认为这将有助于防止成本失控
- 49% 的人表示，这将缩短实现价值的时间
分布式云架构优于边缘计算的地方在于，它能让人们更轻松地利用与核心云计算相同的技能组合、架构范式和云基元来部署和管理人工智能应用。
此外，分布式云还能在构建应用程序时减少延迟、提高可扩展性和可靠性，并加强对数据的整体控制。
转换宜早不宜迟？
从Akamai与Forrester的研究中可以看出，IT领导者和应用开发人员正在优先考虑围绕人工智能进行创新、实现数字体验现代化、个性化体验和改善数据管理等目标。因此，分布式云的优势与大多数开发人员所追求的目标直接相关。
根据有关人工智能推理的预测以及分布式云设置的上升趋势，转而采用分布式方法似乎是一个显而易见的选择。早做此举有助于您在市场和人工智能技术不断发展的过程中保持竞争力。
要从我们关于分布式云与边缘计算和核心云架构未来的报告中了解更多信息，请立即下载完整报告。
* 在Akamai委托Forrester咨询公司进行的这项研究中，来自零售、媒体和电信行业的163位北美云计算战略决策者被问及他们对云计算现状的看法。
注释