Предприятия, внедряющие искусственный интеллект, сталкиваются с проблемами, отличными от проблем пользователей гиперскейлеров, в планировании мощностей и возможностей своих центров обработки данных, пишет на портале Data Center Knowledge Кирк Киллиан, президент Partners National Mission Critical Facilities.

Стратегии планирования корпоративных дата-центров часто остаются без внимания в заголовках новостей о масштабном строительном буме, связанном с необходимостью поддержки ИИ. McKinsey прогнозирует рост расходов на ИТ-инфраструктуру, необходимую для ИИ, до почти 7 трлн. долл. к 2030 г., включая 3 трлн. долл. на дата-центры и 4 трлн. долл. на вычислительное и телекоммуникационное оборудование, что позволит примерно удвоить мировые мощности дата-центров.

Крупные предприятия выполняют множество ИТ-функций помимо ИИ, и большинство предприятий внедряют ИИ иначе, чем гиперскейлеры, что напрямую влияет на планирование корпоративных дата-центров.

Предприятия полагаются на дата-центры для ИИ и традиционных вычислений

ИИ — лишь один из аспектов планирования мощностей и возможностей корпоративных дата-центров. Предприятиям необходимо внедрять новые ИИ-инициативы наряду с традиционными вычислениями, которые поддерживают множество важных корпоративных функций, включая производство, дистрибуцию, исследования и разработки, бухгалтерский учет, финансы, управление персоналом и маркетинг.

Опрос Uptime Institute «2025 Global Data Center Survey» показал, что 93% респондентов испытывают сложности с прогнозированием будущих потребностей в мощностях дата-центров.

CIO крупных предприятий — отчасти из-за FOMO, или «страха упустить возможность» — отдают приоритет инвестициям в ИИ. Отчет Boston Consulting Group «AI Radar 2026» указывает на то, что предприятия планируют в 2026 г. примерно удвоить свои инвестиции в ИИ по сравнению с прошлым годом, и 59% CIO и СТО этих организаций уверены, что ИИ окупится.

Обучение ИИ отличается от ИИ-инференса

Предприятиям необходимо различать обучение и инференс моделей ИИ, чтобы разумно планировать потребности в дата-центрах. Обучение ИИ отдает приоритет огромной доступности мощности, а не надежности или резервированию телекоммуникаций, поскольку модели могут быть перезапущены в случае прерывания. Оно лучше всего работает в крупных дата-центрах, где размещены тысячи энергоемких серверов, расположенных очень близко друг к другу, а большинство шкафов для обучения ИИ потребляют 80-160 кВт, что требует жидкостного охлаждения. Некоторые крупные кампусы для обучения ИИ расположены в отдаленных сельских районах, где доступность телекоммуникационных сетей ниже, а задержка до кластеров пользователей выше, чем на развитых рынках дата-центров.

Гиперскейлеры строят и арендуют мега-кампусы для обучения своих моделей ИИ, тогда как предприятия чаще передают обучение моделей на аутсорсинг специалистам-разработчикам ИИ или обучают модели ИИ внутри компании в сравнительно небольших масштабах.

Предприятия внедряют ИИ-инференс

Предприятия развертывают приложения для ИИ-инференса, чтобы получать выгоду за счет увеличения доходов, сокращения расходов и улучшения внутренних процессов, таких как обслуживание клиентов. Компании, внедряющие ИИ-инференс в масштабе, отдают приоритет низкой задержке в телекоммуникациях, высокой надежности (часто описываемой в терминах «времени безотказной работы») и безопасности данных, а не вычислительной мощности.

Для оптимальной обработки ИИ-инференса требуется непрерывный доступ с низкой задержкой к корпоративным данным, включая транзакции клиентов и входные данные из внутренних операций, для быстрого получения ответов в режиме реального времени, что побуждает размещать вычислительные ресурсы для инференса рядом с другими корпоративными вычислительными узлами. Некоторые предприятия ориентируются на развертывание периферийных дата-центров, чтобы минимизировать задержку в приложениях ИИ.

ИИ-инференс требует менее плотной кластеризации процессоров, чем обучение моделей, что позволяет выполнять его в дата-центрах средней плотности, обеспечивающих охлаждение 25-70 кВт на шкаф. Поскольку ИИ-инференс использует ценные корпоративные данные и интеллектуальную собственность, многие крупные предприятия с высокими требованиями к безопасности предпочитают выполнять вычисления для инференса внутри компании, чтобы снизить риск кражи данных, даже если первоначальное обучение моделей ИИ передается на аутсорсинг.

Гибридное размещение: подход «частично облачного» размещения

Ключевой задачей планирования является оценка потенциальных путей развертывания дата-центров, и многие предприятия обнаруживают, что гибридная облачная модель (облако плюс колокация или онпремис) обеспечивает максимальную гибкость, надежность и доступность для сочетания потребностей в области ИИ и иных корпоративных вычислительных задач.

Публичное облако по всему миру предлагает быстрое развертывание, гибкие контракты и низкие первоначальные капитальные затраты. В отчете Flexera «2025 State of the Cloud» отмечается, что внедрение публичных облаков продолжает ускоряться, и 70% респондентов используют гибридную облачную модель.

В то же время, в исследовании AFCOM «2026 State of the Data Center» отмечается, что 67% респондентов возвращают некоторые функции из публичного облака. Перерасход средств на облачные вычисления часто не заложен в бюджет, а широко освещаемые в СМИ сбои заставили некоторые предприятия пересмотреть размещение критически важных вычислительных ресурсов в топологии, полностью основанной на облаке.

Предприятия, использующие колокацию, могут сохранять контроль над оборудованием в пределах конкретного физического помещения, обеспечивая преимущества в области безопасности, управления, аудита и соответствия нормативным требованиям по сравнению с публичным облаком. Колокация позволяет оптимально развертывать частные облака, обеспечивая при этом экономию за счет масштаба в строительстве и эксплуатации, недоступную для большинства онпремисных решений.

Унаследованные онпремисные дата-центры могут экономично справляться с предсказуемыми традиционными рабочими нагрузками, но большинство из них не могут обеспечивать охлаждение вычислительных ИИ-кластеров высокой плотности, а модернизация таких объектов часто обходится дорого и занимает много времени. Согласно Cisco «2025 AI Readiness Index», только 34% респондентов считают, что их ИТ-инфраструктура полностью адаптируема и масштабируема для ИИ-проектов.

В настоящее время большинство предприятий используют лишь небольшой процент шкафов, потребляющих более 35 кВт, но хотят обеспечить перспективность своих дата-центров в плане размещения высокоплотного оборудования для ИИ в будущем. Многие предприятия, стремящиеся к гибкости дизайна, теперь выбирают объекты, в которых размещаются шкафы с воздушным охлаждением, потребляющие до 35 кВт. Эти объекты также оснащены трубопроводами для жидкого хладагента (для теплообменников на задней двери и жидкостного охлаждения чипов), что позволит увеличить плотность размещения оборудования в будущих шкафах до 70-160 кВт без нарушения текущих критически важных операций.

Планирование готовности к ИИ

Предприятия могут реализовать конкретные стратегии для создания гибких, надежных и доступных дорожных карт развития дата-центров, готовых к ИИ:

  • Сформировать многопрофильную команду, включающую специалистов по ИТ, сетям, эксплуатации критически важных объектов, управлению рисками, аудиту/соответствию нормативным требованиям и финансам, для планирования мощности и возможностей дата-центров.
  • Привлечь опытных сторонних консультантов (включая экспертов по интеграции ИИ, инженеров-проектировщиков и консультантов/брокеров по закупкам), чтобы помочь уточнить цели, ускорить сроки и снизить затраты.
  • Определить конкретные задачи по определению объема работ, выбору и закупкам с указанием дат начала и окончания, ответственных лиц и этапов, чтобы информировать высшее руководство о ходе проекта.
  • Оценить существующие и планируемые программные приложения, чтобы определить, какие из них еще не готовы к эффективной работе в публичном облаке, и проверить наличие пробелов в аудите, соответствии нормативным требованиям и сертификации публичного облака, которые могут не отвечать корпоративным требованиям.
  • Учесть влияние надежности телекоммуникационных сетей и задержек между потенциальными новыми кампусами публичного облака и колокации, поскольку ИИ-инференс требует непрерывной передачи данных между всеми корпоративными вычислительными ресурсами.
  • Сравнить капитальные затраты на развертывание ИТ-решений, а также текущие расходы на аренду и вычислительные ресурсы как в облачной среде, так и в среде колокации/онпремис.
  • Разграничить обязательные требования к дата-центрам, необходимые для достижения критически важных корпоративных ИТ-целей, от желательных, но не обязательных функций.
  • Проанализировать текущие метрики использования и вероятные тенденции роста, чтобы оценить объемы необходимых вычислительных мощностей (по всем направлениям) в каждом из сценариев с низким, высоким и наиболее вероятным базовым уровнем роста.