AI Infrastructure:什么是数智时代的“水电煤”

新闻

作者：微信文章
当你用DeepSeek写周报，或请Midjourney设计海报时，可能不会在意人工智能的底层架构是如何运作的。然而，正如现代工业社会依赖于我们习以为常的“水电煤”等基础设施那样，人工智能基础设施及其架构则成为了推动智能世界发展的关键要素。

人工智能基础设施究竟是什么？包含了哪些要素？如何运作的？其实，各个国家和业界机构所实际采用的基本理念、基础架构和技术路线都是有差异的。本文尝试做一些简单的梳理讨论。



1. 政策指引与导向

我国多部门相关的政策文件中，强调人工智能基础设施是新基建的一部分，涵盖信息基础设施、融合基础设施和创新基础设施中的相关内容，范围较广，包括了通信网络基础设施、新技术基础设施、算力基础设施以及支撑传统基础设施转型升级的融合基础设施和具有公益属性的创新基础设施等。人工智能基础设施建设，其应用导向是服务于国家战略，促进数字转型、智能升级、融合创新等，涵盖了经济社会的各个领域，旨在通过人工智能基础设施的建设和发展，为各行业的智能化转型提供支撑，推动经济高质量发展。

美国政府2025年1月发布《Advancing United States Leadership in Artificial Infrastructure》的行政令，指出AI 基础设施包括数据中心及其相关的能源供应和冷却设施等。该文件中提出发展AI 基础设施应遵循五大原则，包括推进美国国家安全和 AI 领导地位、促进经济竞争力、重振能源基础设施、保护环境和促进社区发展、确保 AI 基础设施的公平性和可及性。

德国人工智能行动计划2024 提到，德国政府对人工智能基础设施的理解包括算力基础设施、数据基础设施和网络基础设施等。计划通过资助 “AI 基础设施和Transfer” 前瞻性活动，建设中央高性能计算能力、量子计算能力以及相关的存储、网络等基础设施，以支持 AI 研发和应用；同时，还强调构建联邦 AI 数据空间，扩展网络联邦，以更好地利用数据资源。通过构建完善的人工智能基础设施，推动 AI 技术在德国各行业的广泛应用，提升德国的产业竞争力和创新能力，促进经济发展和社会进步，同时注重数据的共享和利用，以实现智能化的社会服务和管理。



2.业界的实践做法

IBM ：人工智能基础设施包含硬件和软件，分为数据存储和处理、计算资源、ML 框架和 MLOps 平台四个部分，涵盖了从底层硬件到上层软件工具的全栈式内容。IBM 旨在为开发者提供构建和部署AI 驱动的应用程序和解决方案的能力，满足不同行业、不同规模的企业在各自业务场景中对AI 应用的需求，如金融、医疗、制造、零售等，帮助企业和开发者实现 AI 驱动的业务创新和增长。

OpenAI ：从其计划和行动来看，将人工智能基础设施的范围扩展到了数据中心、能源设施、半导体制造能力等，同时还注重与不同国家合作建设具有特色的 AI 基础设施，范围涉及硬件设施及国际间的合作与协同。OpenAI 的“智能成本公式” 强调了算力、能源、数据、算法等要素的相互关联和相互影响，认为这些要素共同决定了 AI 系统的性能和效率，不能单独强调某一个要素，而是要关注它们之间的融合与优化。

百度：百度通过百度智能云提供AI 基础设施服务，其核心架构包括芯片、操作系统、数据湖、通用人工智能和应用等五个方面，构建了适合大模型训练和推理的芯片和操作系统，如百度自研的昆仑芯片和深度学习框架飞桨，以及文心大模型，通过技术开源和方案开放，支持多种场景的 AI 应用开发。

阿里巴巴 ：阿里云的 AI“摩诃” 底座作为一站式 AI 基础设施，强调大模型统一开发、部署和运营的能力，主要围绕大模型的开发和应用，整合了多种资源和服务，以满足企业和开发者的 AI 开发需求。阿里强调算力、数据、算法、云服务等要素的整合与协同，紧密结合自身业务生态和市场需求，为电商、金融、物流、云计算等领域的业务提供智能化支持。

腾讯 ：腾讯云的大模型知识引擎方案聚焦于知识服务应用开发，其 AI 基础设施侧重于为企业提供在特定场景下快速构建知识服务应用的平台，范围相对更聚焦于知识服务这一细分领域。腾讯侧重于客服营销、企业知识社区、智慧政务村务、企业决策等场景，旨在通过AI 基础设施为各行业提供高效的知识服务支持，提升企业的运营效率和决策质量，推动政务服务的智能化升级。



3.共识与确定性趋势

综合以上各国政策和企业的观点，我们可以认为人工智能基础设施是一个复杂而综合的体系，它涵盖了硬件和软件资源、数据要素、网络连接以及相关的配套设施和服务，旨在为人工智能技术的研发、部署和应用提供全方位、多层次的支撑。

具体来说，其硬件基础包括数据中心、服务器、存储设备、网络设备等算力设施，以及能源供应和冷却系统等保障设施；软件层面则涉及操作系统、虚拟化软件、容器技术、人工智能框架和算法等；数据要素是人工智能模型训练和应用的关键，需要有相应的数据采集、存储、管理和标注服务；网络基础设施确保数据的高效传输和设备之间的互联互通。

不同类型的人工智能基础设施可以根据特定的需求和应用场景进行优化和定制，如针对大模型训练的基础设施需要具备强大的算力和大规模数据处理能力，而面向知识服务的基础设施则更注重知识图谱构建和高效的知识检索功能。

同时，我们还能看到，人工智能未来发展的三个确定性趋势：

绿色革命：过去4年，全球AI算力需求暴涨15万倍，相当于每天吞噬一座小型城市全年用电量。能源效率成为AI基础设施发展的头号挑战，也是业界所追求的共同目标。




智能普惠：当新一代AI基础设施的边际成本持续下降，边际效益持续增长，智能技术将不再是科技巨头的专属利器，应用门槛持续降低，将惠及每一个人。




深化融合：从软硬件协同深化，到算力、数据和应用场景的融合，人工智能基础设施不是孤立的，而是需要多要素、多环节之间的协同融合。

人工智能基础设施是一个持续演进的概念，随着技术的发展和应用的拓展，其内涵和外延也将不断丰富和完善，需要构建一个开放、共享、高效的人工智能基础设施生态，以实现人工智能技术的最大价值。正如德国于利希研究中心外墙镌刻的爱因斯坦箴言：“想象力比知识更重要”。而今天全球AI发展的启示或许是：当基础设施足够坚实，想象力将拥有无限可能。