Предприятия, внедряющие искусственный интеллект, сталкиваются с проблемами, отличными от проблем гипермасштабных пользователей в планировании мощностей и возможностей центров обработки данных.
Стратегии планирования корпоративных центров обработки данных часто остаются без внимания в заголовках новостей о масштабном строительном буме, поддерживающем внедрение искусственного интеллекта. В отчете McKinsey за 2025 год прогнозируются расходы на ИТ-инфраструктуру, необходимую для ИИ, в размере почти 7 триллионов долларов до 2030 года, включая 3 триллиона долларов на центры обработки данных и 4 триллиона долларов на вычислительное и телекоммуникационное оборудование, что примерно удвоит мировые мощности центров обработки данных к 2030 году.
Крупные предприятия выполняют множество ИТ-функций, выходящих за рамки искусственного интеллекта, и большинство предприятий внедряют ИИ иначе, чем такие крупные игроки, как Google, Microsoft, Amazon, Oracle, TikTok, Apple, xAI и OpenAI, что напрямую влияет на планирование корпоративных центров обработки данных.
Предприятия полагаются на центры обработки данных для искусственного интеллекта и традиционных вычислений
Искусственный интеллект — лишь один из компонентов планирования мощностей и возможностей корпоративных центров обработки данных. Предприятиям необходимо внедрять новые инициативы в области ИИ наряду с традиционными вычислительными системами, которые поддерживают множество жизненно важных корпоративных функций, включая производство, дистрибуцию, исследования и разработки, бухгалтерский учет, финансы, управление персоналом и маркетинг.
Согласно глобальному опросу Uptime Institute о центрах обработки данных за 2025 год, 93% респондентов обеспокоены прогнозированием будущих потребностей в мощностях центров обработки данных.
Руководители ИТ-отделов крупных предприятий – отчасти из-за FOMO, или «страха упустить возможность», – отдают приоритет инвестициям в ИИ.
В отчете Boston Consulting Group «AI Radar 2026» указывается, что предприятия планируют примерно удвоить свои инвестиции в ИИ к 2026 году по сравнению с прошлым годом, и 59% директоров по информационным технологиям и технических директоров этих организаций уверены, что ИИ окупится.
Обучение ИИ отличается от вывода результатов ИИ
Для грамотного планирования потребностей центров обработки данных предприятиям необходимо различать обучение и вывод моделей ИИ. При обучении ИИ приоритет отдается обеспечению высокой доступности мощностей, а не надежности или резервированию телекоммуникаций, поскольку модели могут быть перезапущены в случае прерывания.
Обучение ИИ лучше всего работает в крупных центрах обработки данных, где размещены тысячи энергоемких серверов, расположенных очень близко друг к другу, а большинство учебных шкафов для ИИ потребляют 80-160 кВт, что требует жидкостного охлаждения. Некоторые крупные учебные центры для ИИ расположены в отдаленных районах, например, в сельской местности Северной Дакоты, где разнообразие телекоммуникационных сетей ниже, а задержка до пользовательских кластеров выше, чем на развитых рынках центров обработки данных, таких как Северная Вирджиния, Даллас и Чикаго.
Крупные образовательные компании строят и арендуют мега-кампусы для обучения своих моделей ИИ, но крупные предприятия чаще передают обучение моделей на аутсорсинг специализированным разработчикам ИИ или обучают модели ИИ внутри компании в сравнительно небольших масштабах.
Предприятия внедряют вывод данных с помощью ИИ
Предприятия внедряют приложения искусственного интеллекта для получения выгоды за счет увеличения доходов, сокращения расходов и улучшения внутренних процессов, таких как обслуживание клиентов. Компании, масштабно использующие искусственный интеллект, отдают приоритет низкой задержке в телекоммуникациях, высокой надежности (часто описываемой как «время безотказной работы») и безопасности данных, а не вычислительной мощности.
Для оптимальной обработки данных в рамках искусственного интеллекта требуется непрерывный доступ с низкой задержкой к корпоративным данным, включая транзакции клиентов и входные данные из внутренних операций, для быстрого получения ответов в режиме реального времени, что побуждает размещать вычислительные мощности для обработки данных вблизи других корпоративных вычислительных узлов. Некоторые предприятия ориентируются на развертывание периферийных центров обработки данных, чтобы минимизировать задержку в приложениях ИИ.
Для выполнения задач искусственного интеллекта требуется менее плотная кластеризация процессоров, чем для обучения моделей, что позволяет проводить их в центрах обработки данных средней плотности, способных охлаждать 25-70 кВт на каждый шкаф. Поскольку при выполнении задач искусственного интеллекта используются ценные корпоративные данные и интеллектуальная собственность, многие крупные предприятия, уделяющие особое внимание безопасности, предпочитают выполнять вычисления для вывода данных внутри компании, чтобы снизить риск кражи данных, даже если первоначальное обучение моделей ИИ передается на аутсорсинг.
Гибридный режим использования помещений: подход в условиях частичной облачности
Ключевой задачей планирования является оценка потенциальных путей развертывания центров обработки данных, и многие предприятия обнаруживают, что гибридная облачная модель (облако плюс размещение оборудования в дата-центре или локальное размещение) обеспечивает максимальную гибкость, надежность и доступность для сочетания других корпоративных вычислительных задач и потребностей в области искусственного интеллекта.
Публичные облачные сервисы предлагают быстрое развертывание, гибкие контракты и низкие первоначальные капитальные затраты по всему миру. В отчете Flexera «Состояние облачных технологий в 2025 году» отмечается, что внедрение публичных облачных сервисов продолжает ускоряться, и 70% респондентов используют гибридную облачную модель.
В то же время, в исследовании AFCOM « Состояние центров обработки данных в 2026 году» отмечается, что 67% респондентов возвращают часть функций из публичного облака. Перерасход средств на облачные вычисления часто не заложен в бюджет, а широко освещаемые в СМИ сбои заставили некоторые предприятия пересмотреть размещение критически важных вычислительных ресурсов в облачной топологии.
Предприятия, использующие размещение оборудования в дата-центре, могут сохранять контроль над оборудованием в пределах конкретного физического помещения, что обеспечивает преимущества в области безопасности, управления, аудита и соответствия нормативным требованиям по сравнению с публичным облаком. Размещение оборудования в дата-центре позволяет оптимально размещать частные облака, обеспечивая при этом экономию за счет масштаба при строительстве и эксплуатации, недоступную в большинстве локальных дата-центров.
Традиционные локальные центры обработки данных могут экономично справляться с предсказуемыми традиционными рабочими нагрузками, но большинство из них не могут охлаждать кластеры высокопроизводительных вычислений для ИИ, а модернизация инфраструктуры часто обходится дорого и занимает много времени. Согласно индексу готовности к ИИ от Cisco на 2025 год, только 34% респондентов считают, что их ИТ-инфраструктура полностью адаптируема и масштабируема для проектов в области ИИ.
В настоящее время большинство предприятий используют лишь небольшой процент шкафов, потребляющих более 35 кВт, но стремятся обеспечить перспективность своих центров обработки данных для размещения высокопроизводительного оборудования искусственного интеллекта в будущем. Многие предприятия, стремящиеся к гибкости проектирования, выбирают объекты, в которых размещаются шкафы с воздушным охлаждением, потребляющие до 35 кВт. В таких объектах также предусмотрены трубопроводы для жидкого хладагента (для теплообменников задней двери и системы «жидкость-чип»), что позволяет в будущем увеличить плотность размещения шкафов до 70-160 кВт без нарушения текущих критически важных операций.
Планирование готовности к внедрению ИИ
Предприятия могут реализовывать конкретные стратегии для создания гибких, надежных и доступных планов развития центров обработки данных, готовых к внедрению ИИ:
Сформируйте междисциплинарную команду, включающую специалистов по ИТ, сетям, эксплуатации критически важных объектов, управлению рисками, аудиту/соблюдению нормативных требований и финансам, для разработки плана по наращиванию мощности и развитию возможностей центра обработки данных.
Привлеките опытных сторонних консультантов (включая экспертов по интеграции ИИ, инженеров-проектировщиков и консультантов/брокеров по закупкам), чтобы уточнить цели, ускорить сроки и снизить затраты.
Определите конкретные задачи по определению масштаба проекта, отбору поставщиков и закупкам с указанием дат начала и окончания, ответственных лиц и контрольных точек, чтобы информировать высшее руководство о ходе проекта.
Проведите оценку существующих и планируемых программных приложений, чтобы определить, какие из них еще не готовы к эффективной работе в публичном облаке, а также проверьте наличие пробелов в аудите, соответствии требованиям и сертификации публичного облака, которые могут не отвечать корпоративным требованиям.
Необходимо учитывать влияние надежности телекоммуникационных сетей и задержек между потенциальными новыми публичными облачными центрами и центрами размещения оборудования, поскольку для выполнения задач искусственного интеллекта требуется непрерывная передача данных между всеми корпоративными вычислительными ресурсами.
Сравните капитальные затраты на развертывание ИТ-решений, а также текущие расходы на аренду и вычислительные ресурсы как в облачной среде, так и в среде размещения оборудования/локальных серверах.
Различайте «обязательные» — те требования к центру обработки данных, которые необходимы для достижения важнейших корпоративных ИТ-целей, — от желательных, но не обязательных функций.
Проанализируйте текущие показатели использования и вероятные тенденции роста, чтобы оценить объемы необходимых вычислительных мощностей (по всем направлениям предоставления услуг) в рамках каждого из сценариев: низкого, высокого и наиболее вероятного базового.
