无论愿意与否，AI的采用已经在进行中。但企业的故事并不是关于高调的创新项目，而是关于将AI能力添加到公司已经在使用的系统中。
大多数企业并不是从零开始构建这些AI工具。相反，它们转向现有供应商，这些供应商正在将AI嵌入到已建立的平台中。例如：
简而言之，AI是通过对熟悉软件和服务的升级进入企业的——而不是全新的系统。
然而，随着这些能力的普及，它们对企业基础设施提出了新的要求。虽然单个AI能力可能很容易上线，但企业范围的采用可能很快变得复杂。一些AI功能需要低延迟以获得快速响应时间。其他功能必须优先考虑可靠性，以确保不丢失数据。企业必须将网络性能与每个AI功能的特定要求对齐。
企业AI已经无处不在
在解决网络需求之前，确定企业如何以及在哪里投资AI技术是有用的。为此，Omdia独立并与HPE Juniper Networking合作，对全球733名大型企业决策者进行了调查，并进行了十多次企业高管和服务提供商访谈，以了解企业AI采用如何改变网络需求。
如前所述，大多数企业并不是自己开发基础AI模型。它们依赖软件供应商将AI集成到运行其业务的平台中。
企业IT主管知道，他们必须证明AI的价值才能获得CIO的支持。因此，他们的初始项目是务实的。IT部门密切关注性能指标：效率提升百分比、减少在任务上花费的工作时间、欧元或美元节省或收入增长。Omdia的研究显示，IT和运营、财务以及客户服务是企业投资AI的三个初始落脚点。
如图1所示，近80%的大企业今天都是活跃的AI采用者，这意味着它们已经购买或订阅，并经常训练和定制AI平台和服务。即使是不认为自己是活跃AI采用者的企业也在某种程度上使用AI工具。实际上，无法避免嵌入在SaaS站点、协作环境、零售商务和搜索查询中的AI功能。
网络必须跟上——以机器和人类的速度
大多数AI流量是由传统应用程序升级产生的，而不是革命性的新用途，企业AI网络流量影响的大部分都在水面之下。积极部署AI的企业记录其网络流量平均只有个位数的变化。但他们预计AI流量将激增，在未来三年内平均比其总网络流量扩展快4.5-5倍。
当AI成为实时或关键任务的一部分时，网络性能至关重要。AIOps通常对时间敏感：安全、网络和IT控制需要实时分析和响应。AIOps使用小型、高度集中的模型进行快速决策。AI分析和智能体AI需要可用性和交付保证，以确保信息和指令不会丢失。
然而，当AI与人互动时，它需要以人类的节奏移动。例如，在协作设置中，会议记录和摘要没有时间限制。但智能过滤器、字幕或翻译必须在实时会话期间近乎实时地运行。
在人机交互中，对语音/视频对话的期望是宽松的——1-2秒的延迟。另一方面，超过50-100毫秒的延迟会破坏交互应用程序的体验。
与AI处理延迟相比，网络通常只是时间预算的一小部分。但网络可用性、交付和延迟是可以管理的。它永远不应该成为交易失败或用户体验不佳的原因。
网络需要适应广泛的训练和定制
除了基于网络性能要求使用AI技术定制外，企业还需要针对其行业的AI定制。例如，航空航天组件、汽车零部件和收藏品玩具制造商各自使用完全不同的机器、制造工艺和供应链。每个都会有关于其要求和目标的不同术语。每个都可能从相同的生成式AI模型开始，但需要一层薄薄的定制。
在预先存在的AI模型基础上构建——通常由知名供应商提供——比从头开始更容易。AI提供商提供不同级别的隐私选项来隔离客户的专有信息。定制的AI模型需要上传和摄取额外的训练数据。训练AI的企业估计平均需要几百GB的上传数据。
对于在全球运营、跨多个网络的企业来说，AI模型的定制变得更加复杂。跨国企业不能仅用一个AI实例覆盖全世界——即使治理和合规不起作用，将网络流量回传到世界各地也会严重影响性能。企业在各国和地区加载其定制训练的AI模型实例。然后他们需要保持这些AI模型同步。他们可以通过分布式推理来做到这一点——在通用数据集上教育AI实例。使用分布式推理的企业估计这代表每年上传数百GB的数据。
还有更多：企业需要保证其AI模型保持在正轨上。这需要定期的训练复习。企业平均每年重新训练其模型两次。这平均每年可能产生数百GB的上传数据。
企业AI训练和推理产生的总网络流量仍然很小。但它即将爆炸性增长，预计在可预见的未来每年增长一倍多（140%复合年增长率）。企业正在实施更多定制的AI模型，他们正在增加每个模型的功能和复杂性，并且他们正在增加运行的实例数量。这些因素共同倍增了流量负载，企业增加互连容量以实现更快、更可靠的AI训练、重训练和分布式推理。到2030年，Omdia预测AI运营和管理流量将增长50倍以上，在2035年的五年中再增长20倍，从一个微小的基数跃升到全球总流量的可测量数量，随着AI变得更加互联。
再次，视频改变了一切
我们当前务实的AI在虚拟空间中运行。然而，沉浸式技术和物理AI有一个令人兴奋的长期未来，网络需要发展以支持这种AI转型。目前，摄像头连接虚拟空间和物理AI。今天，根据Omdia的2025-26数字决策者调查，大约一半（47%）的大企业使用带有视觉处理和认知分析的专用摄像头和成像设备。典型的大企业实施有数百个摄像头。它们便宜且无处不在，易于设置，在监控和分析方面用途广泛。
AI视觉处理使对象识别变得容易。添加基本的服务逻辑和控制器，机器眼睛可以为智能任务进行无限的训练机会：保护建筑入口、跟踪商店货架、盘点设备室、监督装配线和车间、监控高速公路安全，以及保护会议中心和交通枢纽。
老式计算机视觉在现场运行。设备和现场的预处理仍然有意义，但云中AI处理更好的原因有：
摄像头AI对网络流量产生巨大影响。单个中等分辨率（500 kB）图像的文件大小相当于超过75,000个单词。这超过750个平均聊天查询。如果一个高容量工业摄像头每秒拍摄一张图像一年，这转换为每年近16 TB的生成图像数据。
与其他AI功能一样，一些摄像头驱动的功能将对时间不敏感（例如，仓库库存盘点）；一些需要以令人满意的人类体验的速度运行（例如，物理监控、生物识别）；一些需要实时响应（例如，制造车间的警报）。
对于新兴的XR应用程序，沉浸感要求难以察觉（低于50ms）的延迟来提供令人满意的体验。在这里，本地设备/服务器预处理也需要与云中的处理混合。Omdia预测，在未来两年内，摄像头AI的采用和XR头戴设备的使用将增加约两倍。
结论：这对企业意味着什么？
对于企业来说，在其组织内扩展AI的使用——无论是在虚拟空间还是物理空间——都会很快变得复杂。平均大型企业AI采用者已经有七个以上的活跃AI功能且在增长。
前端流量（站点到AI）和后端互连流量（AI实例之间）的管理需要仔细规划，以确保关键响应实时发生、用户体验令人满意，以及交易可靠完成。
高知名度的AI垃圾是一种干扰。期待安静优雅的AI用途增长，视频输入成为方程的一部分。在未来几年中，更多AI摄取的媒体、功能和智能体AI交互将使管理网络和基础设施性能变得更加混乱。但从好的方面来说，也将有AI，就是为了管理未来需求的目的。
Q&A
Q1：企业AI流量增长有多快？
A：企业AI网络流量预计将爆炸性增长，未来三年内平均比总网络流量扩展快4.5-5倍。到2030年，AI运营和管理流量将增长50倍以上，在2035年的五年中再增长20倍。
Q2：摄像头AI对网络有什么影响？
A：摄像头AI对网络流量产生巨大影响。单个中等分辨率图像相当于超过75,000个单词或750个平均聊天查询。一个高容量工业摄像头每年可产生近16TB的图像数据。
Q3：企业AI定制需要多少数据？
A：企业训练AI估计平均需要几百GB的上传数据。使用分布式推理的企业每年需要上传数百GB数据保持模型同步，企业平均每年重新训练模型两次，每次可能产生数百GB数据。
宏泰配资提示：文章来自网络，不代表本站观点。
