在自動化和生成式人工智能(GenAI)時代，是時候重新思考“數據中心”的真正含義了。

在自動化和生成式人工智能(GenAI)時代，是時候重新思考“數據中心”的真正含義了。對于那些已經在公共云上投入了大量資金的人來說，當談到自動化和GenAI時，數據中心可能就不是首先想到的地方，但這些技術正在迅速改變所有環境中的可能性。

(資料圖片僅供參考)

10年或15年前，當企業開始通過刷信用卡繞過IT，并讓開發人員自由地使用云資源時，公共云絕對是正確的舉措。在大多數大型組織中，內部客戶經常被忽視，或者需求沒有得到充分滿足。他們需要靈活性，渴望可擴展性，并且需要較低的前期成本來讓孵化項目蓬勃發展。

如果時間停滯不前，或許那些關于數據中心終結的可怕預言是正確的。那么為什么這個終結事件沒有發生呢?因為數據中心已經適應了。現在可以在本地使用“aaS”和訂閱模型，但真正的穩定力量是自動化。

這給我們帶來了現今的故事：GenAI以及其如何增強數據中心的自動化，使其體驗幾乎與公共云相當。在此之前，我們需要了解自動化和腳本在數據中心中扮演的角色。首先，先來了解一些要點，然后再解釋為什么自動化和GenAI已經改變了內部部署的可能性。

云運營模型和基礎設施作為代碼

從基礎開始：云的基礎是基礎架構即代碼和將IT作為服務使用的理念。開發人員無需與存儲管理員、IT運營人員或網絡團隊交談即可快速啟動環境并開始工作。這應該是2023年的籌碼，好消息是完全有可能為自己建造它。采用這種運營模式意味著IT正在利用策略和流程以及自動化來消除環境中的摩擦。

實現云操作模型自動化后的最終體驗的可視化表示

自動化工具集和遙測數據

如今，有許多自動化、管理和遙測/AIOps產品可以為數據中心提供無與倫比的控制和洞察。數據是人工智能和有效管理數據中心的基礎。現在數據中心的控制和可見性通常是公共云中可以實現的一個超集——盡管超大規模企業在這方面也做得很好。考慮到云的多租戶特性，云提供商必須模糊一些運營知識，以確保每個客戶的安全。這導致架構決策限制了某些監控系統的部署方式以及可以收集的數據。一個重要的焦點是確保自己正在大量集成這些解決方案，將自動化和基礎架構作為代碼，測量/監視所有內容，并為所有角色使用一個內聚的工作流。

通用自動化/管理堆棧的可視化表示

GenAI掀起下一波IT自動化浪潮

這將我們帶入了包含GenAI的數據中心的下一個演進。分享一個關于過去角色的有趣故事：客戶讓營銷顧問為物理和虛擬基礎設施構建一個HCI部署實踐實驗室，然后沒有提供任何主題專家提供幫助。那個營銷顧問就是我，這可能是我從事過的最具挑戰性的項目之一。我使用代碼片段和YouTube教程來了解如何完成這類任務的基礎。又花了數周的時間組裝拼圖，弄清楚每個拼圖如何組合在一起。盡管我對編碼不太了解，但奇跡般地成功了。總之，這是Wonderwall……意思是GenAI正在做這件事。

GenAI是正在尋找的搜索引擎和代碼組裝機

現在請注意，在我的動手實驗室中，我所做的不僅僅是安裝WindowsServer，但毫無疑問，如果我要求它提供其余的過程，也是可以的。重要的是，在基礎設施即代碼的思想下，在開發人員可能不熟悉這些類型的調用或運行手冊的新環境中，GenAI是一個真正可以提供幫助的新盟友。許多人沒有意識到訪問公共基礎設施腳本是普遍存在的，而且通常是由技術企業自己編寫的。硬件和軟件供應商都有大型運行手冊存儲庫，有時只需找到它們即可：進入GenAI。另一個重要的考慮因素是基礎設施本身是智能且安全的。可以將這些命令推送到數千臺服務器以進行遠程管理。

GenAI和流程構建

我們聽到了很多關于容器的討論，但當我向一位客戶提出這個話題時，其表示：“我甚至無法讓我的VMware管理員工作18個月，你憑什么認為我可以做容器?”這可能是技術面臨的最大挑戰：如果沒有技能，如何使用它?進入GenAI的下一個令人難以置信的減阻工具：編寫或查找文檔。

只需兩次提示，就能擁有了一個常規且非常有價值的過程文檔，并且可以隨時使用。

長期以來，我們可以接觸到大量的信息，但之前我們沒有能力解析所有的信息。GenAI改變了這一切。現在，無需在代碼存儲庫中進行搜索和篩選，只需簡單的自然語言查詢或提示即可準確生成所需的文檔。無需花費數小時尋找答案，只需幾分鐘即可獲得大量文檔。這完全消除了擁抱技術的任何障礙。

數以千計的可能性，但人工智能運營是下一個

這項技術可以通過多種方式運行數據中心。下一個具有重要價值的可能是人工智能運營。豐富的遙測數據可以告訴我們很多，但也往往存在信噪比問題。我們只是在生成太多數據，供人類分析和理解。通過將這些數據推送到GenAI并使用自然語言作為界面，我們將向更廣泛的受眾擴展洞察力，并讓我們能夠提出我們在查看圖表和原始數據時可能從未想到的問題。當我們使用這種數據時，解決問題的平均時間會直線下降。但是有一個巨大的缺點，這也就引出了最后一點。

GenAI和自動化改變了一切，但必須謹慎使用

GenAI的兩個主要挑戰必須得到解決。即知識產權(IP)泄露及其“產生幻覺”或編造內容的能力。下面逐一分析，并確定如何在實施過程中不受阻礙地使用這項技術。

首先，來討論一下IP泄露。在將數據發送到作為服務交付的GenAI模型的任何情況下，我們都有泄露IP的風險。就像早期的公共云和開放式S3存儲桶一樣，早期實驗者的誤用或誤解中給其企業帶來了風險。解決這一問題的最佳方法是制定集中式IT策略，將其插入到通用工作流程或開發管道中，最后優先考慮在本地構建自己的GenAI，以處理無法傳輸到AIaaS的高度敏感數據。

將大型語言模型(LLM)引入內部的另一個好處是，可以使其更加精確并為其設置防護欄。這使得其生成的響應更加準確，并且符合自己的業務。護欄還可以阻止一些“幻覺”，即當GenAI被迫回答但提供不準確或編造的信息來滿足請求時。這是GenAI的常見問題。事實上，這些工具都還處于起步階段。正如大多數人會在其發布管道中進行測試一樣，這也是在投入生產之前應該更加嚴格的領域。我非常支持人類參與其中，或人類輔助機器學習，作為減少人工智能錯誤的一種方式。

未來是自動化的

數據中心將繼續存在，但可以通過GenAI和自動化進行徹底改造。這些工具可以增強工作流程，并幫助IT運營人員和開發人員實現超人的能力，但并不能直接替代人類。當推出人工智能和自動化策略時，重要的是要考慮自己想要實現的目標，以及組織適合的自動化級別。未來是光明的，任何地方的創新能力現已成為現實。

關鍵詞：