AI时代决胜：韧性数字基建与数字架构成核心战略支点

过去两年，人工智能的讨论重心大多集中在模型、应用及使用场景。企业关注应选择何种大型语言模型，自动化哪些工作流程，或部署哪种聊天机器人。这些问题固然重要，但已不足以应对当前挑战。

人工智能正日益从单纯的软件叙事，转变为对基础设施提出严峻考验。从试点项目走向生产环境，将对数据中心、云架构、芯片、冷却系统、网络安全、网络延迟、能源供应及合规性等多个层面构成巨大压力。概念验证或许可以借用现有资源，但关键任务型AI系统则绝无可能。

因此，企业在人工智能方面的准备，已超越了计算能力本身。它涵盖了工作负载运行的云环境、连接AI与现有系统的集成层、数据访问与使用的治理机制，以及确保数字服务持续运行所需的运营韧性。

随着生成式AI逐步演变为更具代理（Agentic）能力的系统，这一趋势的重要性愈发凸显。这些系统不再仅仅生成答案，它们能够主动执行操作、触发工作流程，并与企业现有系统深度交互。高德纳（Gartner）预测，到2028年，三分之一的生成式AI服务交互将利用行动模型和自主代理来完成任务。当AI深度嵌入支付、贷款、物流、公共服务或企业运营等核心环节时，任何停机、延迟或安全漏洞，都将不再是孤立的技术问题，而会直接升级为重大的业务风险。

AI相关基础设施需求的规模已清晰可见。国际能源署（International Energy Agency）预测，到2030年，全球数据中心用电量将翻倍至约945太瓦时（TWh），届时将占全球总用电量的近3%。该机构预计，从2024年至2030年，数据中心用电量将以每年约15%的速度增长。

这并非仅限于超大规模云服务商面临的挑战。银行、保险、电信、医疗、制造、零售和物流等行业的企业，正纷纷将AI融入其核心业务流程。国际数据公司（IDC）预测，随着亚太地区的企业从实验阶段迈向企业级部署，到2028年，该区域在AI和生成式AI领域的投资将达到1750亿美元。

东南亚地区则面临着更为复杂的多重挑战。一份行业报告（此报告原由Google、淡马锡和贝恩公司联合发布）预测，到2025年，该区域的数字经济商品交易总额将超过3000亿美元。报告同时指出，东南亚地区规划新增的数据中心容量将超过4600兆瓦（MW）。

随着数字交易、金融服务、移动出行以及云原生业务的蓬勃发展，AI将越来越多地在那些已被要求高速、大规模运行的系统上发挥作用。这使得云、边缘基础设施、数据中心和网络设计成为AI战略的核心。企业亟需明确哪些工作负载应部署在中心化云环境，哪些适合区域数据中心，以及哪些需要更贴近用户和交易发生点。

东南亚并非一个同质化市场。各国在地理、法规、连接性、能源系统和企业成熟度方面均存在差异。例如，新加坡通过其“绿色数据中心路线图”明确表示，目标是在近期内提供至少300兆瓦的额外数据中心容量，同时推动更高的能源效率和更清洁的电力供应。

印度尼西亚则面临着自身独特的规模、连接性与企业需求组合。位于雅加达中央商务区的一个AI就绪数据中心SMX01，其设计与运营由当地领先的数字基础设施服务商负责。根据项目官方资料显示，该设施旨在支持高达130千瓦（kW）的高密度机架，配备先进的液冷技术，具备较低的电源使用效率（PUE），并提供多运营商光纤路径。该项目计划于2026年第四季度投入运营。

更宏观的问题在于，AI的采纳不仅取决于企业的雄心壮志，更受制于计算能力的可及性、供电与冷却的效率，以及连接的可靠性。当企业将AI与客户、交易及运营系统深度结合时，这些限制因素的重要性将进一步凸显。

银行、保险公司、电信运营商、医疗机构及公共部门，必须将AI与核心平台、客户和交易数据、网络安全控制以及合规流程进行集成。例如，一家银行若利用AI进行欺诈检测，则需要安全的数据访问机制、身份与访问管理、可审计的决策路径，以及明确的数据处理和存储规则。

鉴于企业在公有云、私有云、混合云环境及本地基础设施中均有运营，它们还需要针对工作负载部署、数据驻留、安全性、成本管理、供应商依赖性及灾难恢复制定深思熟虑的规则。因此，这项任务的广度已超越了单纯部署孤立的AI用例。企业必须通过云迁移、系统集成、API管理、数据治理、网络安全和业务连续性规划，全面实现其周边基础架构的现代化。

AI基础设施是资本密集型的，但可持续性和运营韧性同样关键。高密度工作负载会产生更多热量，需要更先进的冷却方案，从而催生了液冷、改进的热管理、更高能效的芯片以及更高效的数据中心设计。电力供应、冗余性、数据中心选址、冷却技术和工作负载管理，正日益需要进行整体协同考量。

在与企业客户的交流中，我们发现，许多企业在推进AI用例时，虽有清晰的业务目标，但对其底层基础设施（包括数据平台、集成层、治理控制和计算需求）的依赖性却往往理解不足。这些潜在的缺失，可能在后期演变为数据架构碎片化、云成本不可控、安全控制薄弱，甚至基础设施无法满足生产级要求的困境。

代理（Agentic）型AI进一步提升了安全门槛。连接到企业系统的AI代理，可能访问客户数据、支付工作流程、文档、API及运营工具。若缺乏适当的治理，这可能制造新的攻击面，或导致决策难以追溯审计。

因此，治理绝不能是部署之后才附加的政策文件。它必须通过身份与访问管理、审计跟踪、数据分类、模型监控、人工干预升级机制、事件响应和合规性报告等方式，深度嵌入到系统架构之中。

在扩大AI部署规模之前，企业应全面评估其数据是否可访问且受治理、工作负载应在何处运行、遗留系统能否安全集成，以及AI能否在不产生新风险的前提下连接至客户平台和运营系统。同时，企业还需要对云成本、访问权限、数据驻留、审计跟踪、延迟、网络安全、灾难恢复和业务连续性进行有效治理。

模型将持续改进，应用构建也将日趋简便。然而，以可靠、安全和可持续的方式大规模运行AI，仍将是一项艰巨挑战。尤其在东南亚地区，那些取得成功的企业，很可能将创新与基础设施的严谨性紧密结合。企业级AI的成败，将不仅仅取决于模型或用例，更在于其底层的全栈支撑：韧性数据中心、高效云架构、安全网络、健全治理、可靠电力、可持续冷却，以及能够支持真实世界业务连续性的强大基础设施。