生成式 AI 可以改变世界，但仅当数据基础设施跟上时

尽管围绕着 生成式 AI 的热潮，行业专家大多数还没有解决一个重要的问题：是否有一个基础设施平台可以长期支持这一技术，如果有，它是否足够可持续以支持生成式 AI 所承诺的激进创新?

生成式 AI 工具已经建立了良好的声誉，凭借其能够在按钮点击时快速生成合成文本的能力——这些任务可能需要手动完成数小时、数天、数周或数月。

这很好，但如果没有适当的基础设施，这些工具根本不具备可扩展性，无法真正改变世界。据预测，到 2028 年，超过 76 亿美元 的运营成本是这一事实的证明，但还有其他因素在起作用。

企业需要专注于创建和连接合适的工具，以可持续的方式利用它们，并且必须投资于集中式数据基础设施，使所有相关数据能够无缝地访问其 LLM，而无需专用管道。通过战略性地实施适当的工具，他们将能够在当前数据中心容量限制的情况下交付他们寻求的业务价值——只有到那时，AI 革命才会真正推进。

熟悉的模式

根据 Capgemini 研究院的一份新报告，74% 的高管认为，生成式 AI 的益处大于其顾虑。这种共识已经促使企业采用率迅速提高——约 70% 的亚太地区组织已经表达了投资这些技术的意愿，或者已经开始探索实际用例。

但世界已经走过这条路。以互联网为例，它逐渐吸引了更多关注，通过众多令人惊叹的应用程序超出了预期。但尽管它具有令人印象深刻的能力，它真正起飞是在其应用程序开始向企业提供 有形价值 时。

超越 ChatGPT

AI 正在陷入类似的循环。企业已经迅速接受了这一技术，约 93% 的企业已经参与了多个 AI/ML 用例研究。但尽管采用率很高，许多企业仍然难以部署——这是数据基础设施不兼容的明显迹象。

有了适当的基础设施，公司可以超越生成式 AI 表面层的诱人能力，利用其真正的潜力来改变其业务格局。

的确，生成式 AI 可以帮助快速高效地编写简报，但其潜力远远超出了这一点。从潜在的药物发现到医疗治疗再到供应链优化，这些突破都无法实现，如果支持和驱动 AI 应用的数据中心不够强大以处理其工作量的话。

克服可扩展性障碍

生成式 AI 尚未真正为企业带来显著价值，因为它缺乏可扩展性。这是因为数据中心具有容量限制——其基础设施最初并不是为了支持大型语言模型（LLM）所需的巨大探索、编排和模型调优而设计的，以便高效地运行多个训练周期。

因此，从生成式 AI 中获取价值取决于企业如何利用其自身的数据，这可以通过开发强大的数据架构来实现。这可以通过连接结构化和非结构化数据源到 LLM 或增加现有硬件的吞吐量来实现。

对于希望在组织数据上训练其 LLM 的公司来说，首先必须以统一的方式整合该数据。否则，数据可能会在 LLM 的学习能力中产生偏差，因为数据被存储在孤立的结构中。

支持系统

生成式 AI 并非凭空出现——它已经在开发中有一段时间了，其使用和潜力将在未来几十年中不断增长。但就目前而言，其商业应用正在遇到一个不可扩展的障碍。

现实是，这些工具的强大程度取决于支持它们的数据处理基础设施。因此，企业领导者必须利用能够处理这些工具所需的数百万字节数据的平台，以便他们能够切实地实现所承诺的重大价值——只有到那时，AI 革命才会真正推进。