在互聯網上通常有這樣的一句話：“知識告訴你說應該把雞蛋放進籃子，智慧則是叫你不要把所有雞蛋都放進一個籃子” 。機器學習（ML）會引導我們認識雞蛋并放進籃子，但是人工智能（AI）建議我們不要將其放入一個籃子。
撇開笑話而言，從語言翻譯到對復雜疾病的診斷，AI 和 ML 的應用非常廣泛，遠遠不止于視覺領域。 為了讓您了解 AI 和 ML 需要多少計算能力，百度在 2017 年展示了一種中文語音識別模型，在整個訓練周期內，不僅需要 4TB 的培訓數據，而且還需要 2000 億億次的運算。
我們需要把握一個平衡點，那就是既要滿足 AI 和 ML 需求，還需要以最低的成本提供最高的服務質量。那么如何提供最高的服務質量呢？通過減少數據在終端設備和處理器之間傳輸的物理距離，以改善延遲對傳輸的影響。我們可以把邊緣數據中心建設在更靠近創建和使用數據的地方，這樣可以優化傳輸成本和服務質量。其次是尋求最低的成本。傳輸成本會隨著傳輸的數據量、距離或“跳數”的增加而增加。 而 AI 和 ML 大大增加了傳輸的數據量，從而導致更高的傳輸成本。邊緣數據中心靠近數據創建的地方，因此日益成為重要的解決方案，而一大部分邊緣計算都部署在 MTDC 中。MTDC 可以提供最低的本地數據中心部署風險，而且可以最快實現收益。
什么是 AI、ML、MTDC？
在討論 AI，ML，邊緣數據中心和 MTDC 之前，有必要仔細研究一下它們的概念，以確保每個人都在同一個理解層面上。
人工智能是計算機系統理論的延伸發展，它能夠執行通常需要人類執行的智能任務，例如視覺感知，語音識別，決策和語言之間的翻譯。如果利用玩具套娃來描述這些關系，那么 AI 是最大的那個套娃，機器學習位于其中，而深度學習則位于機器學習套娃中。機器學習是 AI 的一種應用，它使系統能夠自動學習并從經驗中進行改進，而無需進行編程。
邊緣數據中心是通過從核心數據中心分散一些對延遲較敏感的應用程序，使數據中心的計算和處理能力更接近創建數據的地方。
多租戶數據中心（MTDC）也稱為托管數據中心，用戶可以通過租用空間來托管其設施。 MTDC 提供了空間和網絡設備，以最小的成本將用戶連接到服務提供商。 用戶可以租用空間、服務器機架或完整的專用模塊，來滿足其各種需求。
AI 有那么厲害？
AI 和 ML 是自電力出現以來我們所見過的最具革命性的技術。 它比互聯網和移動革命的總和還要強大。 AI 技術之所以如此強大和如此具有影響力，是因為它們可以快速、有效地理解大量數據。 我們生活在一個數據不斷生成并且由數據驅動的世界中（市場分析師預測，如今存在的數據中有 80％以上是在最近兩年內創建的），如果沒有能夠理解這些數據的工具，我們將會淹沒在這些數據中。
舉個簡單的例子，今年全世界將創造大約 40 兆字節的信息。 那就是 40 萬億 GB 的信息。 人類無法理解所有這些信息，即使每個人晝夜不停地工作，從理論上講也是不可能的。
那么我們如何理解所有這些數據呢？ 答案是使用 AI 和 ML。 這些技術偏愛數據，數據就像是它們的氧氣。 通過使用功能強大且經過適當培訓的 AI / ML 模型，我們可以準確地處理大量信息，從而揭示非常有價值的數據來指導我們的行動。
核磁共振（MRI）的 ML 模型就是一個很好的例子。 他們針對已知的癌癥或非癌癥結果進行了測試（陽性和陰性結果）， 這個過程被稱為訓練。之后將一組新的 MRI 加載到經過訓練的模型中并進行分析。這些新的 MRI 被稱為驗證數據集。 該數據通過已經訓練有素的模型運行，計算并顯示結果，然后再根據為該模型選擇的性能指標評估結果。 如果結果可接受，則對模型進行培訓，并準備進行更多測試和驗證。 如果驗證數據不符合指標，則我們回過頭來，要么重新設計模型，要么為它提供更多數據，以便為下一次驗證測試提供更好的培訓。 此階段稱為驗證階段。
人工智能的好處有時會帶來額外的驚喜。 例如，Citadel Analytics 處理過的大多數業務都是客戶期望通過 AI 技術提高效率來實現銷售增長或降低成本。但他們很快發現，通過 AI 可以大大提高員工的工作效率和愉悅性，最大的受益者居然是員工。一家懂得利用 AI / ML 的公司，其員工往往也對工作更加滿意，這一點比不使用 AI 的公司高得多。
這很有意義，因為 AI / ML 就是要使“無聊”的東西自動化，并讓您的員工在不降低效率的情況下做他們擅長和充滿熱情的事情。 使用 AI 技術帶來的巨大好處是，使員工擁有更多快樂，并減少員工的流失。但是這一點許多企業一開始并不重視。
如何部署 AI / ML 并為其提供合理的布線方案
AI 需要巨大的處理能力，這一直是一個問題。值得慶幸的是，像 NVIDIA，Intel，AMD 等公司正在縮小處理能力的差距。 這使 BMW，沃爾瑪，Target 等公司以及更多公司都可以部署邊緣 AI 功能。 這需要以安裝功能強大的硬件為前提，這些硬件將使用預先訓練的模型來處理本地數據。 這大大減少了等待時間和對實時帶寬的需求。
但問題在于，沒有人能真正做到邊緣的 AI / ML 部署，因為雖然硬件的預訓練模型可以處理數據，但它的能力不足以更新此模型，并使其功能更強大。
因此，混合方案便應用而生。
在混合方案設計中，邊緣服務器將使用經過訓練的模型來處理所有本地數據。 而這些“最適合的服務器”則可能位于不同的 MTDC，從而實現網絡和應用程序選擇的靈活性。MTDC 的光網絡基礎架構通常采用單模光纖來部署，目的是滿足最終用戶對未來擴展的需求。 對于部署 AI / ML 的公司，重要的是需要同時考慮現在和未來網絡中的帶寬需求。 Citadel Analytics 通常有一個經驗法則，即取期望帶寬的平均值并乘以 4 倍，就是應該在其系統內部署的帶寬。 在當前的 AI / ML 部署中，帶寬尤其重要，是首要考量的因素。
帶寬的增加也凸顯了 MTDC 和最終用戶對高密度解決方案的需求。 高密度方案可以使 MTDC 空間實現最大化收益，而最終用戶可以更有效地利用他們投資的空間。由于基礎架構會隨著不同用戶的需求而變化，因此尋找具有產品寬度（單?；蚨嗄?，LC 或 MTP 等）和擴展靈活性的產品供應商顯得尤為重要。對于最終用戶，降低成本的一種方法是增加密度并降低功耗。這可以通過并行光學器件和端口分離來實現，即通過使用分支線纜來實現將一個高速帶寬端口分解為多個低帶寬端口。比如使用一個 40g 并行收發器端口分解為 4 個單獨的 10g 收發器端口，以實現高密度的線纜轉換。
通過減小 10 公里以內的傳輸距離，通?？梢詫⒀舆t減少 45％。 這意味著什么？這將推動更多的和更小的區域性數據中心部署，使其更靠近產生數據的地方。 MTDC 將成為這些較小數據中心的主要承載工具。 邊緣數據中心將托管在這些互連密集型 MTDC 中，兩者相互配合，為客戶提供更全面的服務。 擁有互聯的基礎設施、生態系統和豐富的客戶組合的 MTDC，將能把握邊緣計算發展的商業機遇。
期望
AI 和 ML 技術將持續為采用者創收和提高生產率。未來我們將看到更多公司將應用程序運行在邊緣 MTDC。 對于這些公司而言，MTDC 提供了較低的風險和較快的收益增長。 這將導致會出現更多的邊緣區域數據中心，而不是像我們以前看到的那樣集中的大型數據中心，同時也將帶來更多的互聯設施和更高密度的解決方案。