NTT全球数据中心全球产品管理高级副总裁Bruno Berti向RCRTech表示，人工智能(AI)不仅改变了数据中心基础设施的规模，还改变了运营商进行相关投资的时机与方式。
　　
　　要点总结
　　
　　前期投入增加——AI推动了对高容量网络架构(fabric)、光互连和系统韧性的前期投入，因为网络容量无法在后期简单地进行增补。
　　
　　电力部署速度至关重要——对于AI部署而言，电力供应能力和交付时间表已成为比光纤更主要的物理制约因素。
　　
　　系统融合——高密度AI环境日益要求将互连、电力和冷却系统进行协同设计，而非各自独立规划。
　　
　　NTT全球数据中心全球产品管理高级副总裁BrunoBerti指出，AI不仅改变了数据中心基础设施的规模，还改变了运营商进行相关投资的时机与方式。
　　
　　Berti表示，过去网络资本支出通常随流量增长呈线性变化。而AI工作负载正在改变这一模式，因为它要求在构建高容量网络架构、光互连和系统韧性方面进行更多前期投入。Berti说道：“一旦大型AI集群开始运行，你就无法再通过增量方式‘后续添加网络’了。”
　　
　　其原因在于AI工作负载对延迟、丢包和抖动高度敏感。Berti指出，采用更高速度的光学器件、扁平化架构和高密度设计，能让运营商在相同的物理空间内传输更多数据;尽管总支出增加，但每比特数据的成本效益却得到了提升。
　　
　　“在许多情况下，增加前期投入实际上能降低整个部署生命周期内的总拥有成本，”他说道。
　　
　　Berti还描述了向系统级优化的转变趋势，即计算、网络、电力和冷却系统的规划日益紧密结合。他表示，这些投资不再是各自独立的，而是经过协调以实现相互促进，从而避免后续环节出现效率低下的问题。
　　
　　AI基础设施面临的物理制约因素也强化了这一做法。Berti指出，当今最大的物理制约因素并非光纤，而是电力，紧随其后的是部署时间表。
　　
　　Berti指出，在成熟的数据中心市场，光纤容量通常处于可控范围内。高速光通信技术和高密度光纤部署能够满足连接容量需求，而更大的挑战则在于电力供应与输送能力。
　　
　　Berti表示，AI工作负载所需的功率密度远高于传统计算任务，然而许多地区的电网互联、变电站建设、变压器配置及审批流程的推进速度往往难以跟上这一需求。
　　
　　即便土地和资金已落实到位，电网升级、电气设备采购及各类审批所需的漫长周期仍可能进一步拖延项目进度。“正因如此，‘电力获取速度’已变得与‘产品上市速度’同等重要，”Berti说道。
　　
　　Berti提到，业界正通过尽早与公用事业部门沟通、采用现场发电、应用模块化设计以及进行战略性市场选择等方式来应对这些挑战。他认为，问题的核心不在于技术局限，而在于大规模基础设施的协调与整合。
　　
　　在数据中心内部，高密度GPU集群也在改变物理设计布局。AI训练环境要求GPU之间保持持续的“东西向”通信，这不仅增加了机房大厅和园区内的光纤密度，还推动了扁平化网络架构的采用，并促使人们更加关注信号完整性与路由规划。
　　
　　配电方式也在发生变化。Berti指出，高密度GPU机架的功耗是传统计算设备的数倍，这要求重新设计电气架构，采用更大容量的母线槽，并缩短电力传输路径以降低损耗。“电力规划不再是循序渐进的过程——系统必须从一开始就按照AI峰值负载的需求进行设计，”他说。
　　
　　AI还在改变不同数据中心设施之间的互联需求。Berti表示，AI推动了对更高持续带宽、更严格延迟容忍度以及更高一致性和低抖动性能的需求，尤其是在AI训练、推理和数据处理流程分布于多个设施的情况下。
　　
　　他总结了三大需求：更高的带宽预期，对延迟和可预测性的高度重视，以及系统的可扩展性与灵活性。
　　
　　编辑：Harris