当一个新概念成为一个可行的商业工具时，很多企业都会积极采用这种技术以加入市场潮流。这其中包括人工智能（AI）和机器学习（ML）。从拥有上百年历史的高科技巨头到致力于创新的初创公司，各种规模的组织都在积极投入时间和资源，加速技术的发展，并将其用于业务发展。
但人工智能不仅仅是一种流行的时尚。分析机构Tractica公司预计，全球企业在人工智能方面的支出将从2016年的6．44亿美元增长到2025年的近390亿美元，并将成为高效销售平台和虚拟数字接待员、儿童玩具、自动驾驶汽车、产品或服务等各方面发展的驱动力。
人工智能（AI）和机器学习（ML）最终将为大部分企业提供驱动力。人工智能具有什么样的驱动力？那就是强大的数据和处理能力。
巨大的潜力，巨大的局限
人工智能对垂直行业和每个企业的潜在影响都不容小觑。随着无辅助机器学习、自然语言处理（NLP）以及深度学习能力的提高，每项技能的应用将继续增长并扩展到新的用例。
很多企业已经在研究如何将人工智能（AI）和机器学习（ML）技术用于对象识别和跟踪、本地化地理数据、防止欺诈、改善营销结果，以及许多其他应用程序。虽然这些领域的厂商希望采用这种技术来实现这一承诺，但其他公司已经将这些创新应用于自动驾驶汽车、呼叫中心、客户服务、网络安全的实际应用中。
已经采用人工智能技术的企业多年来一直在系统地和战略性地汇总数据。他们已经领先于刚刚开始关注数据收集和组织的组织。但他们也面临着人工智能（AI）和机器学习（ML）技术的最大限制：容量。
功率、容量、速度对智能技术至关重要
驱动人工智能（AI）和机器学习（ML）发展的人工神经网络（ANN）旨在并行地建模和处理输入和输出之间的关系。要做到这一点，他们需要存储大量的输入数据，并需要大规模计算来理解这些关系，并提供适当的输出。
考虑部署聊天机器人以提供客户自助服务，协助联络中心的客户服务代理团队。在理想情况下，机器人可以准确地回答问题，将客户引导到适当的资源，并且通常以自然的方式与客户交互。
为了实现这一目标，机器人的后端需要快速将查询与企业消费者群体使用的词典（即他们的母语）进行比较，以“理解”交互的背景，并根据这些输入“做出决定”，希望能够做出正确的反应，并像人类那样可以立即执行。
但是，这些进程所需的处理器和内存资源（DRAM）消耗的大量带宽超出了大多数内部部署数据中心网络设计所能处理的带宽。由于涉及的CPU或GPU数量远远超出大多数组织准备的数量，它们还会增加相当大的功耗开销。并且尝试在单个数据中心内完成所有操作将会引入延迟问题，这可能会破坏产品或阻碍应用程序尝试完成的任何事情。那么企业应该做些什么？
通过直接云连接最大化人工智能的性能
使用过程密集型人工智能应用程序的企业越来越多地转向混合部署就绪的边缘数据中心，以解决带宽和计算难题，降低运营成本，并消除延迟问题。
混合部署就绪的数据中心需要做的事情是：
为设施内的云计算提供商提供简单的入口，以显著降低延迟和数据传输成本。与全球互联网相比，直接云互连产品可以降低延迟，并降低数据传输成本，同时无需人工为每个提供商提供私有WAN连接。
与云计算提供商的核心计算节点非常接近，以进一步减少专用环境与选择的云计算提供商之间的延迟。
尽可能靠近尽可能多的最终用户和设备，使处理信息更贴近用户或设备，从而显著提高性能和可靠性。这尤其有利于支持对自动驾驶车辆或网络安全运营等对延迟敏感的人工智能应用，同时还可以最大限度地提高工作负载灵活性和成本管理。
具有可扩展和可配置的中央基础设施，以促进可持续增长。
人工智能和机器学习技术在人们的日常生活的应用不断成熟，并变得越来越普遍。正如他们所做的那样，提供这些产品和服务的企业需要从战略角度思考如何最好地平衡各种业务需求，释放其技术的全部潜力，以保持竞争优势。
