当前，人工智能 (AI) 及其子集机器学习 (ML) 是发展最快的技术之一；同时，其因围绕深度造假、欺骗、偏见和其他道德问题的世界末日场景而备受关注。今年 5 月，美国白宫科学技术政策办公室 (OSTP) 发布了一份关于人工智能国家优先事项的信息请求，指出虽然该技术可以改善生活并解决严峻的全球挑战，但它“对民主、国家安全、公民权利和整个社会经济构成了严重风险”。
尽管存在风险，但人工智能技术已经存在，并且在科技巨头和各个市场（从金融、医疗保健、制造到运输、零售和娱乐）中的使用量猛增。据 IBM 称，全球 35% 的企业已采用人工智能。
安全和监控技术提供商i-PRO Americas的 A&E 项目经理 Glenn Adair 表示，ICT 专业人员对人工智能及其对数据中心设计和部署的影响有良好的基本了解至关重要。局域网——即使它们本身不使用该技术。为此，Adair 将于 9 月 12 日在拉斯维加斯举行的 BICSI 秋季会议暨展览会上展示“揭秘人工智能和机器学习”。实际上，到时大家可以在会议上听到大量有关人工智能在数据数据中心应用的资料。
关于算法的一切
目前，大多数消息来源将人工智能和机器学习技术称为能够模拟人类智能和思维过程的系统。虽然这个定义助长了机器人统治世界的概念，但这项技术已经使用了几十年——早在 1997 年 IBM 超级计算机“深蓝”击败世界象棋冠军加里·卡斯帕罗夫之前。
根据 Adair 的说法，第一个人工智能算法更具确定性，类似于流程图中使用的决策树，主要用于数据分类。“早期的算法很像玩 20 个问题，如果我们没有得到正确的答案，我们就会调整行为，提出正确的四到五个问题，直到找到正确的答案，”他说。
Adair 表示，看待 AI 子集 ML 的一种方法是向后编写算法。例如，机器学习不是告诉算法将 A 乘以 B 得到 C，而是要求机器根据 A 和 B 实现 C，但不告诉它如何去做。“在机器学习中，机器会尝试各种可能性，直到得出正确的答案，数据越多，它就越能得出答案，” Adair解释道。“因为我们不明白机器是如何得出这个答案的，所以它是不透明的，我们永远不知道我们是否总是能得到正确的答案。这就是该技术的局限性。”
人工智能算法通常分为监督学习和无监督学习。监督学习依赖于明确标记的数据进行分类或回归分析。回归分析本质上是对两个或多个变量之间关系的数学确定，其中一个变量通常是因变量。示例包括估计值（例如，ROI）、预测概率（例如，医疗诊断、市场增长等）或识别边界（例如，可接受的误差量）。我们大多数人都熟悉的一种回归分析（即使我们没有意识到）是贝叶斯建模，它寻找相似性来确定概率。“这就是Netflix推荐模型的工作原理，” Adair说。
无监督学习发现未标记或原始数据中的模式和关系。研究相似性的贝叶斯建模也可以是无监督的，例如分析原始数据点并将其组织成有意义的组的聚类算法。营销中的垃圾邮件过滤和定位是聚类的两个示例。具有讽刺意味的是，聚类甚至被用来检查内容并识别深度造假。
最复杂的人工智能类型通常结合了无监督和监督学习来密切模仿人脑，这是神经网络算法——想想自动驾驶汽车、Siri、面部识别、疾病诊断和生成人工智能（如 ChatGPT）。这些算法被认为是深度学习，并且依赖于广泛的数据集。“神经网络确实非常复杂，我们非常有兴趣在我们的安全解决方案中使用该技术来实现感知功能，例如行为识别和物体识别，”Adair 说。“我们可以利用这项技术来检测任何事物，但我们仍然告诉它我们正在寻找什么。”
Adair认为，神经网络算法的工作必须存在一定程度的不确定性。“我知道这听起来有悖常理，但如果算法总是达到100%，那么当出现异常时它们就不知道该怎么办，”他说。“我们希望允许有一点错误。毕竟，人类也会犯错误。我们的目标是将错误降低到低于人为错误的程度，但又不能太低，以免在遇到以前从未见过的情况时导致灾难性故障。”
潜在的行业用例
人工智能为信息通信技术和建筑行业提供了巨大的潜力。它已经通过识别系统使用模式中的异常来识别潜在的恶意活动和数据泄露，从而使网络安全系统更具弹性。微软的网络信号计划使用人工智能来检测恶意活动和软件相关的弱点，并报告称他们已成功阻止了超过 357 亿次网络钓鱼攻击和 256 亿次身份盗窃企图。人工智能还有潜力实现许多常见 IT 流程的自动化，例如合规性和审计、服务请求以及设备配置和软件升级等资产管理功能。
在智能建筑行业，西门子、霍尼韦尔和江森自控等供应商正在将人工智能算法集成到其建筑管理系统 (BMS) 平台中，以做出降低成本并实现能源、环境和居住体验目标的决策。例如，它可以通过分析模式来检测和诊断 HVAC 或其他设备内的异常情况，或根据分析历史占用数据来优化空间，从而帮助防止系统故障。
人工智能还可以帮助设计师更好地规划。英国新的 HS2 高铁线路利用人工智能来分析旅客情绪以确定他们何时何地感到困惑，从而优化标牌放置。“我相信我们将看到人工智能越来越多地应用于检查和规划的预测模型中，” Adair说。“它甚至可以用于网络基础设施设计，以用最少的材料发现最有效的电缆路线。”
Chatsworth Products 战略联盟和电子产品管理总监Ashish Moondra预计人工智能甚至将进入数据中心基础设施管理平台。“智能 PDU、UPS、环境传感器和其他设备收集的数据的数据中心设计，”他说。
更多数据和计算带来更多机会
作为布线基础设施专业人士，我们可能想知道人工智能和所需的数据将如何影响日常处理的数据中心和 LAN 的设计和部署。Adair 表示，ICT 专业人士应该感到兴奋而不是担忧。“这将意味着巨大的机遇，因为这一切都与数据的质量和数量有关，这将推动数据中心的重大发展，”他说。
随着越来越多的建筑系统利用人工智能，他们将需要更多的数据，需要更多位置的连接端点和传感器。这可以推动无线技术和单对以太网在 LAN 中的部署增加。由于需要分析大量数据，运行人工智能算法的数据中心设备也需要比传统计算功能多出近三倍的功率，每个机架需要高达 30kW 或更多，而超大规模和云级别的高性能计算的机架密度为50kW以上。这些更高的机架功率密度将显着影响数据中心的设计，并推动对更先进的热管理和冷却技术（例如液体冷却）的需求。
尽管有机会， Adair指出人工智能仍然是通过人类输入驱动的。“人工智能中的‘A’应该是显而易见的。机器没有欲望或需求，我们有责任根据我们提供给它们的数据来驱动我们希望它们做的事情。如果算法不知道要寻找什么，那么它就不是很有用，”他说。“与此同时，我们需要一套标准来确保算法不会在无人监督的情况下运行，并不会产生对人类不透明的安全漏洞。”
