當前，人工智能 (AI) 及其子集機器學習 (ML) 是發展最快的技術之一；同時，其因圍繞深度造假、欺騙、偏見和其他道德問題的世界末日場景而備受關注。今年 5 月，美國白宮科學技術政策辦公室 (OSTP) 發布了一份關于人工智能國家優先事項的信息請求，指出雖然該技術可以改善生活并解決嚴峻的全球挑戰，但它“對民主、國家安全、公民權利和整個社會經濟構成了嚴重風險”。

盡管存在風險，但人工智能技術已經存在，并且在科技巨頭和各個市場（從金融、醫療保健、制造到運輸、零售和娛樂）中的使用量猛增。據 IBM 稱，全球 35% 的企業已采用人工智能。

安全和監控技術提供商i-PRO Americas的 A&E 項目經理 Glenn Adair 表示，ICT 專業人員對人工智能及其對數據中心設計和部署的影響有良好的基本了解至關重要。局域網——即使它們本身不使用該技術。為此，Adair 將于 9 月 12 日在拉斯維加斯舉行的 BICSI 秋季會議暨展覽會上展示“揭秘人工智能和機器學習”。實際上，到時大家可以在會議上聽到大量有關人工智能在數據數據中心應用的資料。

關于算法的一切

目前，大多數消息來源將人工智能和機器學習技術稱為能夠模擬人類智能和思維過程的系統。雖然這個定義助長了機器人統治世界的概念，但這項技術已經使用了幾十年——早在 1997 年 IBM 超級計算機“深藍”擊敗世界象棋冠軍加里·卡斯帕羅夫之前。

根據 Adair 的說法，第一個人工智能算法更具確定性，類似于流程圖中使用的決策樹，主要用于數據分類。“早期的算法很像玩 20 個問題，如果我們沒有得到正確的答案，我們就會調整行為，提出正確的四到五個問題，直到找到正確的答案，”他說。

Adair 表示，看待 AI 子集 ML 的一種方法是向后編寫算法。例如，機器學習不是告訴算法將 A 乘以 B 得到 C，而是要求機器根據 A 和 B 實現 C，但不告訴它如何去做。“在機器學習中，機器會嘗試各種可能性，直到得出正確的答案，數據越多，它就越能得出答案，” Adair解釋道。“因為我們不明白機器是如何得出這個答案的，所以它是不透明的，我們永遠不知道我們是否總是能得到正確的答案。這就是該技術的局限性。”

人工智能算法通常分為監督學習和無監督學習。監督學習依賴于明確標記的數據進行分類或回歸分析。回歸分析本質上是對兩個或多個變量之間關系的數學確定，其中一個變量通常是因變量。示例包括估計值（例如，ROI）、預測概率（例如，醫療診斷、市場增長等）或識別邊界（例如，可接受的誤差量）。我們大多數人都熟悉的一種回歸分析（即使我們沒有意識到）是貝葉斯建模，它尋找相似性來確定概率。“這就是Netflix推薦模型的工作原理，” Adair說。

無監督學習發現未標記或原始數據中的模式和關系。研究相似性的貝葉斯建模也可以是無監督的，例如分析原始數據點并將其組織成有意義的組的聚類算法。營銷中的垃圾郵件過濾和定位是聚類的兩個示例。具有諷刺意味的是，聚類甚至被用來檢查內容并識別深度造假。

最復雜的人工智能類型通常結合了無監督和監督學習來密切模仿人腦，這是神經網絡算法——想想自動駕駛汽車、Siri、面部識別、疾病診斷和生成人工智能（如 ChatGPT）。這些算法被認為是深度學習，并且依賴于廣泛的數據集。“神經網絡確實非常復雜，我們非常有興趣在我們的安全解決方案中使用該技術來實現感知功能，例如行為識別和物體識別，”Adair 說。“我們可以利用這項技術來檢測任何事物，但我們仍然告訴它我們正在尋找什么。”

Adair認為，神經網絡算法的工作必須存在一定程度的不確定性。“我知道這聽起來有悖常理，但如果算法總是達到100%，那么當出現異常時它們就不知道該怎么辦，”他說。“我們希望允許有一點錯誤。畢竟，人類也會犯錯誤。我們的目標是將錯誤降低到低于人為錯誤的程度，但又不能太低，以免在遇到以前從未見過的情況時導致災難性故障。”

潛在的行業用例

人工智能為信息通信技術和建筑行業提供了巨大的潛力。它已經通過識別系統使用模式中的異常來識別潛在的惡意活動和數據泄露，從而使網絡安全系統更具彈性。微軟的網絡信號計劃使用人工智能來檢測惡意活動和軟件相關的弱點，并報告稱他們已成功阻止了超過 357 億次網絡釣魚攻擊和 256 億次身份盜竊企圖。人工智能還有潛力實現許多常見 IT 流程的自動化，例如合規性和審計、服務請求以及設備配置和軟件升級等資產管理功能。

在智能建筑行業，西門子、霍尼韋爾和江森自控等供應商正在將人工智能算法集成到其建筑管理系統 (BMS) 平臺中，以做出降低成本并實現能源、環境和居住體驗目標的決策。例如，它可以通過分析模式來檢測和診斷 HVAC 或其他設備內的異常情況，或根據分析歷史占用數據來優化空間，從而幫助防止系統故障。

人工智能還可以幫助設計師更好地規劃。英國新的 HS2 高鐵線路利用人工智能來分析旅客情緒以確定他們何時何地感到困惑，從而優化標牌放置。“我相信我們將看到人工智能越來越多地應用于檢查和規劃的預測模型中，” Adair說。“它甚至可以用于網絡基礎設施設計，以用最少的材料發現最有效的電纜路線。”

Chatsworth Products 戰略聯盟和電子產品管理總監Ashish Moondra預計人工智能甚至將進入數據中心基礎設施管理平臺。“智能 PDU、UPS、環境傳感器和其他設備收集的數據的數據中心設計，”他說。

更多數據和計算帶來更多機會

作為布線基礎設施專業人士，我們可能想知道人工智能和所需的數據將如何影響日常處理的數據中心和 LAN 的設計和部署。Adair 表示，ICT 專業人士應該感到興奮而不是擔憂。“這將意味著巨大的機遇，因為這一切都與數據的質量和數量有關，這將推動數據中心的重大發展，”他說。

隨著越來越多的建筑系統利用人工智能，他們將需要更多的數據，需要更多位置的連接端點和傳感器。這可以推動無線技術和單對以太網在 LAN 中的部署增加。由于需要分析大量數據，運行人工智能算法的數據中心設備也需要比傳統計算功能多出近三倍的功率，每個機架需要高達 30kW 或更多，而超大規模和云級別的高性能計算的機架密度為50kW以上。這些更高的機架功率密度將顯著影響數據中心的設計，并推動對更先進的熱管理和冷卻技術（例如液體冷卻）的需求。

盡管有機會， Adair指出人工智能仍然是通過人類輸入驅動的。“人工智能中的‘A’應該是顯而易見的。機器沒有欲望或需求，我們有責任根據我們提供給它們的數據來驅動我們希望它們做的事情。如果算法不知道要尋找什么，那么它就不是很有用，”他說。“與此同時，我們需要一套標準來確保算法不會在無人監督的情況下運行，并不會產生對人類不透明的安全漏洞。”