اگر مدیر زیرساخت هستید، باید بدانید که دوران کوچک شدن مراکز داده به پایان رسیده است. بار پردازشی مدل‌های هوش مصنوعی، تمام پیش‌فرض‌های دهه گذشته دربارهٔ جایگزینی سخت‌افزار با ابر را با خاک یکسان کرده است.
طبق تحلیل جولای ۲۰۲۶ از Indeed Hiring Lab، در حالی که آگهی‌های شغلی کلی در دو سال گذشته ۱۲٪ کاهش یافته، تقاضا برای متخصصان مرکز داده در آمریکا بیش از دو برابر شده است. به گزارش این منبع، سهم این مشاغل از ۲ در هر ۱۰۰۰ آگهی در می ۲۰۲۳، به ۶ در هر ۱۰۰۰ مورد رسیده است. این جهش نشان‌دهنده یک چرخش شدید در برابر دوران پیشین «تثبیت ابری» (Cloud Consolidation) است؛ چرا که بارهای کاری هوش مصنوعی شرکت‌ها را مجبور می‌کند تا زیرساخت‌های فیزیکی خود را از نو بسازند.
سال‌ها تصور می‌شد که مجازی‌سازی و خدمات ابری باعث کوچک شدن فضای فیزیکی مراکز داده می‌شود. این روند القا می‌کرد که نقش متخصصانی که این سایت‌ها را مدیریت می‌کنند، کاهش خواهد یافت. اما عمار مراقه (Ammar Maraqa)، معاون ارشد و مدیر استراتژی سیسکو (Cisco)، در گفتگو با ZDNET تأکید کرد که استنتاج (Inference) — لحظه‌ای که مدل واقعاً جواب تولید می‌کند، شبیه خودِ آشپزی و نه دوره‌ی آموزش آشپز — و آموزش مدل‌ها، تمام این تصورات را تغییر داده و «پیش‌فرض‌های مربوط به مراکز داده کوچک‌تر را به کلی از بین برده است».
تصور کنید شرکتی بخواهد یک مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — را روی سخت‌افزاری اجرا کند که برای میزبانی سادهٔ وب طراحی شده است؛ این کار عملاً غیرممکن است. هوش مصنوعی به واحد پردازش گرافیکی (GPU) نیاز دارد و نه فقط CPU. مقیاس عظیم این قطعات، بازگشت به مدیریت تخصصی و درون‌سازمانی را ضروری می‌کند.
چرخش به سمت زیرساخت‌های درون‌سازمانی
این تقاضا تنها توسط غول‌های ابری (Hyperscalers) ایجاد نشده است. سازمان‌ها و شرکت‌های تجاری در حال گسترش مراکز داده در داخل دیوارهای خود هستند. مراقه اشاره می‌کند که زیرساخت‌های درون‌سازمانی (On-premises) علاوه بر افزایش خلاقیت، امکان مدیریت مستقیم داده‌ها توسط خود شرکت‌ها را فراهم می‌کنند. این تغییر رویکرد در حالی رخ می‌دهد که سرمایه‌گذاری‌های تریلیون دلاری غول‌های ابری اکنون نیازمند جهشی چشمگیر در بهره‌وری برای توجیه هزینه‌هاست.
سازمان‌ها به چندین دلیل استراتژیک در حال فاصله گرفتن از وابستگی کامل به ابر هستند:
- حاکمیت داده‌ها: داده‌های اختصاصی اکنون به دارایی‌های معنوی (Intellectual Property) جدید تبدیل شده‌اند و شرکت‌ها برای حاکمیت و نظارت بهتر، آن‌ها را در محیط‌های داخلی خود نگه می‌دارند.
- کنترل هزینه: مدیریت هزینه‌های توکن (Token) — تکه‌های کوچکی از متن، شبیه برش‌های یک کیک طولانی که مدل می‌خورد — و هزینه‌های سربار زیرساختی در محیط‌های داخلی اغلب پیش‌بینی‌پذیرتر است. این بهینه‌سازی در هزینه‌های عملیاتی را می‌توان در کاهش چشمگیر هزینه هر تسک مشاهده کرد که بهره‌وری زیرساختی را به سطح جدیدی رسانده است.
- امنیت: زیرساخت داخلی اجازه می‌دهد کنترل سخت‌گیرانه‌تری روی امنیت IT و دسترسی به داده‌ها اعمال شود.
نقش حاکمیت داده‌ها
موضوع حاکمیت و مدیریت داده‌ها اکنون در مرکز روند بازگشت به زیرساخت‌های داخلی قرار دارد. شرکت‌ها به‌طور فزاینده‌ای نگران این هستند که چگونه دسترسی به داده‌ها را در محدوده سازمان حفظ کنند و در عین حال، این داده‌ها را به شکلی درست و بدون به خطر انداختن امنیت، در اختیار مدل‌های هوش مصنوعی قرار دهند.
شکاف استعدادها در «تکنولوژی عمیق»
این گسترش فیزیکی منجر به نیاز مبرم به متخصصانی شده است که «تکنولوژی عمیق» (Deep-Tech) پشته‌های سخت‌افزاری را درک می‌کنند. مراقه هشدار می‌دهد که اگرچه Vibe Coding (برنامه‌نویسی بر اساس حس و حال) ساخت اپلیکیشن‌های AI را ساده کرده، اما این برنامه‌ها در خلاء اجرا نمی‌شوند. برای پایداری آن‌ها به زیرساخت، پشتیبانی و امنیت واقعی نیاز است.
سیسکو کمبود شدید متخصصان در زمینه‌های مهندسی سخت‌افزار، شبکه و امنیت سایبری را شناسایی کرده است. این متخصصان برای رصد و مدیریت عملکرد سیستم ضروری هستند تا به سؤالات حیاتی پاسخ دهند: «آیا GPUها بیش از حد داغ شده‌اند؟» یا «آیا سیستم ذخیره‌سازی در حال شکست است؟»
تکامل مهارت‌های شبکه‌سازی
شبکه‌سازی در این دوران حیاتی‌تر شده است چون بارهای کاری AI باعث جهش‌های عظیم و ناگهانی در ترافیک می‌شوند. مراقه توضیح می‌دهد که متخصصان اکنون باید کل پشته، شامل مدل‌ها، رابط‌های مدل (Model Interfaces) و پرامپت‌ها را بشناسند. به دلیل ابعاد بسیار بزرگ رک‌ها و GPUها، مهارت‌های تخصصی برای اتصال بهینه آن‌ها، هم در داخل یک مرکز داده و هم بین مراکز داده مختلف، ضروری است.
در حال حاضر کمبود شدیدی از افرادی وجود دارد که بدانند چگونه این سیستم‌های پیچیده و مقیاس‌بزرگ را بهینه کنند. مراقه معتقد است که صنعت احتمالاً در برابر تقاضای رو به رشد، تخصص کافی در اختیار نخواهد داشت.
گلوگاه زیرساختی
مدرن‌سازی این زیرساخت‌ها دیگر یک انتخاب نیست، بلکه یک ضرورت است. پژوهش‌های سیسکو فاش می‌کند که یک عامل (Agent) هوش مصنوعی به ۴.۵ برابر بیشتر از یک انسان که همان کار را انجام می‌دهد، به بار شبکه نیاز دارد. دلیل این امر آن است که یک عامل به‌طور مداوم فعال است و اساساً در حال ارسال سیگنال (Ping) مستمر به شبکه است.
بسیاری از مشتریان بخش دولتی و شرکتی از زیرساخت‌هایی استفاده می‌کنند که چنان قدیمی هستند که حتی امکان به‌روزرسانی (Patch) آن‌ها وجود ندارد. این موضوع ریسک‌های امنیتی عظیمی ایجاد می‌کند، به‌ویژه هنگام استقرار عامل‌های AI که برای جلوگیری از رفتارهای غیرقابل پیش‌بینی، به حفاظ‌های (Guardrails) سخت‌گیرانه و قابلیت مشاهده (Observability) نیاز دارند.
اولویت‌های جدید امنیتی
اجرای مدل‌های هوش مصنوعی نیازمند مجموعه‌ای کاملاً جدید از ابزارهای امنیتی و نظارتی است. بدون حل این مشکلات، شرکت‌ها نمی‌توانند از تمام مزایای AI بهره‌مند شوند. این امر شامل نظارت بر رفتار عامل‌ها در محیط عملیاتی و تست این رفتارها در برابر نرده‌های ایمنی تعیین‌شده است.
انتخاب استراتژیک مدل
هر وظیفه هوش مصنوعی به یک مدل غول‌پیکر (Frontier Model) نیاز ندارد. استفاده از مدل‌های داخلی از «بیش‌پردازش» (Overkill) ناشی از به‌کارگیری بزرگ‌ترین مدل‌ها جلوگیری می‌کند. برخی وظایف تنها به مدل‌های زبانی کوچک (SLM) ارزان‌تر نیاز دارند.
به عنوان مثال، سیسکو از یک مدل داخلی تخصصی در زمینه شبکه‌سازی عمیق استفاده می‌کند که به‌طور خاص برای عیب‌یابی مشکلات شبکه برای مدیران و مشتریانش آموزش دیده است. این مدل زبانی محلی روی زیرساخت درون‌سازمانی اجرا می‌شود، زیرا به جای هوش عمومی، به تخصص تخصصی در شبکه و امنیت نیاز دارد.
یک گذار بنیادین
این تغییر نشان‌دهنده یک تحول اساسی در پذیرش فناوری است. مراقه که گذارهای تجارت الکترونیک، ابر و موبایل را تجربه کرده، این دوران را «بنیاداً متفاوت» توصیف می‌کند. در حالی که تغییرات قبلی نیز عظیم بودند، گذار به هوش مصنوعی با تقاضای همزمان و نامحدود، در کنار محدودیت‌های شدید فیزیکی در سخت‌افزار و تخصص انسانی تعریف می‌شود.
گام بعدی شما
- اگر در حال برنامه‌ریزی برای استقرار AI هستید، ابتدا ظرفیت پهنای باند شبکه و سیستم خنک‌کننده سخت‌افزار خود را ارزیابی کنید.
- برای کاهش هزینه‌ها، به جای مدل‌های Frontier، روی استقرار مدل‌های زبانی کوچک (SLM) برای وظایف تخصصی تمرکز کنید.
- مهارت‌های مدیریت سخت‌افزار و شبکه را به عنوان مکمل مهندسی پرامپت در تیم خود تقویت کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو