盡管圍繞生成式人工智能的討論很熱烈，但大多數行業專家尚未解決一個重要問題：是否有一個基礎設施平臺可以長期支持這項技術，如果有的話，它是否具有足夠的可持續性來支持生成式人工智能所承諾的激進創新？

生成式人工智能工具已經享有盛譽，只需點擊一下按鈕即可編寫合成良好的文本——否則這些任務可能需要數小時、數天、數周或數月才能手動完成。

這一切都很好，但如果沒有適當的基礎設施，這些工具根本不具備真正改變世界的可擴展性。生成人工智能的天文數字運營成本很快就會超過760 億美元，這已經證明了這一事實，但還有其他因素在起作用。

企業需要專注于創建和連接正確的工具以可持續地利用它，并且必須投資于集中式數據基礎設施，使所有相關數據能夠無縫地訪問其法學碩士，而無需專用管道。通過戰略性地實施適當的工具，盡管數據中心目前存在容量限制，他們將能夠提供他們所尋求的業務價值——只有這樣，人工智能革命才能真正推進。

熟悉的模式

凱捷研究院的一份新報告顯示，74%的高管認為生成式人工智能的好處超過了其擔憂。這樣的共識已經促進了企業的高采用率——大約70%的亞太組織要么表達了投資這些技術的意圖，要么已經開始探索實際用例。

但世界以前就已經走過這條路了。以互聯網為例，它逐漸受到越來越多的關注，然后通過無數出色的應用超出了人們的預期。盡管其功能令人印象深刻，但只有當其應用程序開始為企業大規模提供有形價值時，它才真正起飛。

超越 ChatGPT

人工智能也陷入了類似的循環。企業已經迅速接受了這項技術，估計 93%的企業已經參與了多項 AI/ML 用例研究。但盡管采用率很高，許多企業仍然在部署方面遇到困難——這是數據基礎設施不兼容的明顯跡象。

有了適當的基礎設施，公司就可以超越生成人工智能誘人功能的表面水平，并利用其真正的潛力來改變他們的業務格局。

事實上，生成式人工智能可以幫助快速撰寫摘要，并且在大多數情況下非常有效，但它的潛力遠遠不止于此。從潛在的藥物發現到醫療保健治療再到供應鏈優化，如果支持和驅動人工智能應用程序的數據中心不夠強大，無法管理其工作負載，那么這些突破都是不可能實現的。

克服可擴展性障礙

由于缺乏可擴展性，生成式人工智能尚未真正為企業帶來重大價值。這是因為數據中心存在容量限制——它們的基礎設施最初并不是為了支持大型語言模型 (LLM) 高效運行多個訓練周期所需的大規模探索、編排和模型調整而設計的。

因此，從生成式人工智能中獲得價值取決于企業如何利用自己的數據，而這可以通過開發強大的數據架構來改進。這可以通過將結構化和非結構化數據源連接到法學碩士或通過增加現有硬件的吞吐量來實現。

對于希望在組織數據上培訓法學碩士的公司來說，首先必須以統一的方式整合這些數據，這一點至關重要。否則，孤立結構中的數據可能會對法學碩士的學習能力產生偏差。

支持系統

生成式人工智能并不是憑空出現的——它已經醞釀了相當長一段時間了，而且它的使用和潛力只會在未來幾十年內不斷增長。但目前，其業務應用程序遇到了不可擴展的障礙。

現實情況是，這些不同的工具的強大程度取決于支持它們的數據處理基礎設施。因此，企業領導者必須利用能夠處理 PB 級數據的平臺，這些工具需要切實地兌現其承諾的重大價值。