سرمایه‌گذاری در مراکز دادهٔ هوش مصنوعی تا سال ۲۰۳۰ به ۷ تریلیون دلار می‌رسد

اگر امروز یک مهندس شبکه هستید، باید بدانید که مهارت‌های سنتی شما دیگر برای بقا در بازار کار کافی نیستند. طبق گزارش مک‌کینزی (McKinsey)، هزینه‌های جهانی برای مراکز داده‌ای که بارهای کاری هوش مصنوعی زاینده (Generative AI) را پشتیبانی می‌کنند، تا سال ۲۰۳۰ به رقم خیره‌کننده ۷ تریلیون دلار خواهد رسید. این جهش مالی عظیم، یک تغییر بنیادین در نحوه ساخت مراکز داده و نوع نیروی انسانی مورد نیاز برای مدیریت آن‌ها ایجاد کرده است. برای پاسخ به این تقاضای شدید، شرکت‌ها اکنون مجبورند سرمایه‌گذاری‌های بسیار سنگین‌تری روی تأمین انرژی کنند و زیرساخت‌هایی بسازند که چرخه‌های استقرار (Deployment Cycles) را به طور قابل توجهی سریع‌تر کنند.

برای سال‌ها، برنامه‌ریزی مراکز داده بر پهنای باند و اتصال‌های پایه متمرکز بود. اما امروز، محور گفتگوها به سمت تراکم واحد پردازش گرافیکی (GPU)، ظرفیت خنک‌کنندگی و حجم عظیم داده‌هایی که بین سرورهای هوش مصنوعی جابه‌جا می‌شوند، تغییر کرده است. این گذار در حال ایجاد یک شکاف مهارتی بحرانی است که مهندسان شبکه سنتی برای حفظ رقابت‌پذیری خود باید آن را پر کنند. اصطلاحات و مفاهیم فعلی با رویکردهای سنتی متفاوت است، زیرا ادغام فناوری‌های نسل جدید، تقاضا برای مهارت‌های زیرساختی مخصوص هوش مصنوعی در مراکز داده را به شدت افزایش داده است.

تصور کنید یک مهندس شبکه در جلسه برنامه‌ریزی مرکز داده حضور دارد. او انتظار دارد گفتگوها حول محور پهنای باند و اتصال‌ها بچرخد. اما در عوض، رهبران جلسه شروع به بحث درباره ظرفیت GPU، الزامات خنک‌کنندگی و مقدار داده‌های در حال حرکت بین سرورهای AI می‌کنند. این تغییر نشان می‌دهد چرا متخصصانی که ترکیبی از دانش هوش مصنوعی و تجربه زیرساختی را دارند، می‌توانند مهارت‌های خود را ارتقا داده و حقوق‌های بسیار بالاتری را مطالبه کنند.

یک اتاق سرور سنتی را تصور کنید که برای میزبانی وب (Web Hosting) طراحی شده است. حالا تمام آن سرورها را با خوشه‌هایی از GPUهای پرقدرت جایگزین کنید که گرمای شدیدی تولید می‌کنند و به شبکه‌های تخصصی با تأخیر (Latency) — یعنی همان فاصله زمانی بین ارسال و دریافت داده، شبیه تأخیر در یک تماس تلفنی — بسیار کم نیاز دارند. این همان محیطی است که شرکت‌ها برای ساختش در رقابت شدید هستند. استخدامی‌ها اکنون به دنبال متخصصانی هستند که بتوانند شبکه، محاسبات (Compute)، ذخیره‌سازی و بارهای کاری هوش مصنوعی را در قالب یک سیستم واحد و یکپارچه به هم متصل کنند.

مقیاس رشد زیرساخت‌ها

سازمان‌ها به طور واضح یک چرخش به سمت مراکز داده تخصصی هوش مصنوعی را مشاهده می‌کنند. این روند باعث ایجاد موجی از تقاضا برای متخصصانی شده است که بتوانند چالش‌های محاسباتی، شبکه‌ای، ذخیره‌سازی و برق را مدیریت و عیب‌یابی کنند. چندین نهاد مالی و پژوهشی بر گسترش تهاجمی این بخش تأکید کرده‌اند:

• Synergy Research Group: گزارش‌های این گروه اعلام می‌کند که ظرفیت کل مراکز داده در ایالات متحده طی سه سال آینده دو برابر خواهد شد. این افزایش ۲ برابری در ظرفیت عملیاتی، عمدتاً توسط اپراتورهای مقیاس‌بزرگ (Hyperscalers) هدایت می‌شود.
• J.P. Morgan: این بانک تخمین می‌زند که هزینه‌های سرمایه‌ای (Capital Spending) اپراتورهای مقیاس‌بزرگ تنها در سال ۲۰۲۶ به ۶۹۷ میلیارد دلار برسد.
• اداره آمار کار ایالات متحده: داده‌های سال ۲۰۲۵ بیان می‌کند که تعداد مشاغل زیرساخت هوش مصنوعی در ایالات متحده به ۴۸۲,۷۱۶ مورد رسیده است.

با این حال، علی‌رغم سرمایه‌های کلان، این گسترش بدون چالش نیست. سازمان‌ها با موانع بزرگی روبرو هستند، از جمله محدودیت در منابع تأمین برق و فرآیندهای طولانی و پیچیده اخذ مجوزها که باعث تأخیر در زمان‌بندی پروژه‌ها می‌شود. از آنجایی که سرمایه‌گذاری در زیرساخت‌های AI آسان نیست، شرکت‌ها به متخصصانی نیاز دارند که بتوانند این محیط‌های پیچیده را به گونه‌ای طراحی و مدیریت کنند که در برابر تغییرات آینده مقاوم (Future-proof) باشند.

مسیرهای شغلی تخصصی جدید

شرکت‌ها دیگر به دنبال نیروهای عمومی (Generalists) نیستند؛ آن‌ها به دنبال نقش‌های خاصی هستند تا گلوگاه‌های مربوط به هوش مصنوعی را برطرف کنند. در حالی که برخی بر ساخت زیرساخت تمرکز دارند، برخی دیگر به سمت مانیتورینگ و عیب‌یابی می‌روند تا تداوم جریان کاری را تضمین کنند. نقش‌های زیر در حال حاضر در بازار کار زیرساخت AI بسیار رایج هستند:

• مهندسان زیرساخت هوش مصنوعی (AI Infrastructure Engineers): این متخصصان بر طراحی، استقرار و مدیریت زیرساخت‌های بارهای کاری AI تمرکز دارند. کار اصلی آن‌ها شامل ساخت سیستم‌های GPU، شبکه‌های با کارایی بالا و راهکارهای ذخیره‌سازی است.
• مهندسان مرکز داده (Data Center Engineers): مسئول مدیریت جنبه‌های فیزیکی و فنی زیرساخت هستند. آن‌ها اطمینان حاصل می‌کنند که مراکز داده به طور روان اجرا شوند و با افزایش نیازهای شرکت، تقاضاهای در حال تکامل محیط بارهای کاری AI را مدیریت کنند.
• مهندسان شبکه متمرکز بر AI (Network Engineers - AI-focused): آن‌ها شبکه‌های پرسرعت و با تأخیر کم را برای انتقال حجم عظیمی از داده‌ها بین GPUها، سرورها و سیستم‌های ذخیره‌سازی مدیریت می‌کنند. تسلط بر RoCE (RDMA over Converged Ethernet) و QoS (Quality of Service) در این نقش حیاتی است.
• مهندسان زیرساخت AI/ML: این مهندسان سیستم‌هایی را می‌سازند تا مدل‌های جدید به طور بهینه توسعه یافته، آموزش ببینند و مستقر شوند. آن‌ها GPUها، خوشه‌های محاسباتی، خط لوله‌های داده (Data Pipelines)، کانتینرها و ارکستراسیون را به گونه‌ای ترکیب می‌کنند که در Unity کار کنند.
• معماران مرکز داده (Data Center Architects): آن‌ها مسئولیت گسترده‌تری دارند و بر نحوه همکاری محاسبات، شبکه، ذخیره‌سازی، برق، خنک‌کنندگی، مقیاس‌پذیری و تاب‌آوری تمرکز می‌کنند. هدف آن‌ها ایجاد زیرساختی است که هم بارهای کاری فعلی و هم آینده را پشتیبانی کند.
• مهندسان زیرساخت ابری (Cloud Infrastructure Engineers): مسئول ساخت و مدیریت محیط ابری، شامل شبکه، منابع محاسباتی، ایجاد راهکارهای ذخیره‌سازی و بهبود امنیت هستند.

مجموعه‌ مهارت‌های ضروری برای عصر AI

کارفرمایان اکنون به پشته‌های فنی (Technical Stack) گسترده‌تری نسبت به پنج سال پیش اولویت می‌دهند. آن‌ها لزوماً به دنبال کسی نیستند که در تک‌تک فناوری‌های AI تخصص داشته باشد، بلکه به دنبال متخصصانی هستند که بتوانند با مانیتورینگ زیرساخت برای عملکرد بهینه، شکاف مهارتی را پر کنند. مهارت‌های کلیدی عبارتند از:

• زیرساخت GPU: درک نحوه عملکرد مؤثر GPUها با بارهای کاری AI و چگونگی پیکربندی و مدیریت عملکرد منابع کامپیوتری.
• شبکه‌های با کارایی بالا (High-Performance Networking): یادگیری کار با شبکه‌های پرسرعت و با تأخیر کم برای جابه‌جایی داده‌ها بین GPUها، سرورها و ذخیره‌سازها بدون ایجاد گلوگاه.
• ذخیره‌سازی (Storage): درک اینکه سرعت، در دسترس بودن داده‌ها، ظرفیت ذخیره‌سازی و نحوه جابه‌جایی اطلاعات به طور خاص چگونه بر بارهای کاری AI تأثیر می‌گذارند.
• برق و خنک‌کنندگی: تحلیل اینکه تراکم بالای GPUهای پرمصرف چگونه بر مصرف کلی برق مرکز داده و الزامات سیستم‌های سرمایشی اثر می‌گذارد.
• استقرار بارهای کاری AI: یادگیری نحوه استقرار بارهای کاری در سراسر شبکه، محاسبات، ذخیره‌سازی، کانتینرها و سایر اجزای زیرساختی.
• مانیتورینگ و عیب‌یابی: توانایی شناسایی گلوگاه‌های عملکردی و حل مشکلات در سراسر زیرساخت AI مرکز داده.

پذیرش در سطح صنعت

این تقاضا بسیار فراتر از غول‌های فناوری (Big Tech) است. اکثر صنایع در حال ادغام هوش مصنوعی در جریان‌های کاری خود هستند و روی محیط‌های آماده AI سرمایه‌گذاری می‌کنند که فرصت‌هایی را برای متخصصان در بخش‌های مختلف ایجاد می‌کند:

• تکنولوژی و ابری: شرکت‌های فناوری و ارائه‌دهندگان سرورهای ابری برای پشتیبانی از مدل‌ها و خدمات جدید AI به سرعت در حال گسترش هستند.
• خدمات مالی: بانک‌ها و شرکت‌های مالی برای شناسایی تقلب، تحلیل ریسک، خدمات مشتری و اتوماسیون روی AI سرمایه‌گذاری می‌کنند و به زیرساختی نیاز دارند که این بارهای کاری را پشتیبانی کند.
• بهداشت و درمان: بیمارستان‌ها از AI برای تصویربرداری پزشکی، پژوهش، کشف دارو و سایر برنامه‌های داده‌محور استفاده می‌کنند که نیازمند زیرساخت‌های محاسباتی قابل اعتماد است.
• مخابرات: شرکت‌های تلکام برای بهینه‌سازی شبکه، اتوماسیون و برنامه‌های کاربردی مشتریان از AI استفاده می‌کنند و همزمان زیرساخت‌های پیچیده‌تری را مدیریت می‌کنند.
• خودروسازی و تولید: این شرکت‌ها از اتوماسیون مبتنی بر AI، رباتیک، شبیه‌سازی و سیستم‌های خودران برای افزایش قابلیت‌های محاسباتی و پردازش داده‌ها بهره می‌برند.
• دولت و پژوهش: سازمان‌های بخش عمومی و مؤسسات تحقیقاتی در حال ساخت محیط‌های محاسباتی با کارایی بالا (HPC) برای AI و سایر بارهای کاری متمرکز بر داده هستند.

رشد حرفه‌ای و گواهینامه‌ها

از آنجایی که هوش مصنوعی در حال ایجاد پروفایل‌های شغلی جدیدی است که پنج سال پیش وجود نداشتند، متخصصان این مسیرها درآمد بسیار خوبی دارند و اکثر آن‌ها در بازه حقوقی شش‌رقمی (دلاری) قرار می‌گیرند. برای رسمی کردن این مهارت‌ها، بسیاری به گواهینامه Cisco DCAI (600-340) روی آورده‌اند.

این گواهینامه به ارزیابی مهارت‌های زیرساختی فعال‌شده با AI کمک می‌کند و به‌ویژه برای کسانی که تجربه قبلی در شبکه یا مرکز داده دارند، مفید است. سرفصل‌های این دوره شامل موارد زیر است:

• مبانی زیرساخت AI: دانش مفاهیم بارهای کاری AI و اجزای زیرساختی که از آن‌ها پشتیبانی می‌کنند.
• طراحی زیرساخت: بررسی اینکه الزامات محاسباتی، شبکه‌ای، ذخیره‌سازی، برق و خنک‌کنندگی چگونه بر تصمیمات شرکت تأثیر می‌گذارند.
• شبکه‌های آماده AI: مفاهیم کارایی بالا مانند RoCE، QoS و مدیریت احتقان (Congestion Management).
• استقرار و عملیات: پیکربندی، استقرار، مانیتورینگ و نگهداری زیرساخت AI.
• عیب‌یابی: شناسایی و حل مشکلات در سراسر اجزای زیرساخت AI.

برای آمادگی جهت آزمون DCAI 300-640، متخصصان می‌توانند از منابع آموزشی متعددی استفاده کنند. درس‌های ویدئویی آنلاین با مدرس، موضوعات پیچیده را به زبان ساده باز می‌کنند. مستندات رسمی از طریق Learning Network سیسکو به کاربران کمک می‌کند تا موضوعات آزمون و انتظارات را درک کنند. علاوه بر این، شرکت در آزمون‌های تمرینی کامل (Practice Tests) به ارزیابی آمادگی و بهبود مهارت‌های مدیریت زمان قبل از آزمون واقعی کمک می‌کند. دوره‌هایی مانند Whizlabs Cisco Certified Specialist - Data Center AI Infrastructure می‌توانند اعتماد به نفس متخصصان را بیشتر افزایش دهند.

این تغییر به این معناست که هوش مصنوعی فقط شغل‌های نرم‌افزاری ایجاد نمی‌کند، بلکه در حال بازنویسی نقشه فیزیکی اینترنت است. متخصصانی که بتوانند تلاقی برق، خنک‌کنندگی و سیلیکون را مدیریت کنند و گواهینامه‌های معتبر را با تجربه عملی ترکیب نمایند، احتمالاً بالاترین دستمزدها را در بازار زیرساخت دریافت خواهند کرد.

گام بعدی شما

• اگر مهندس شبکه هستید، مفاهیم RoCE و مدیریت ترافیک GPU را در اولویت یادگیری قرار دهید.
• بررسی کنید که آیا سخت‌افزارهای فعلی شما توان پشتیبانی از تراکم بالای GPU را دارند یا نیاز به ارتقای سیستم خنک‌کننده است.
• برای رسمی کردن مهارت‌های زیرساختی خود، سرفصل‌های گواهینامه Cisco DCAI را مطالعه کنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.