调查显示，许多公司已经在使用人工智能来协助其大型机的现代化工作，许多公司也计划在大型机上运行人工智能。
来源：Shutterstock
如果有人怀疑大型机在未来的人工智能领域是否占有一席之地，那么许多运行大型机硬件的组织已经在为此做规划了。
虽然已有 60 年历史的大型机平台并非为运行 AI 工作负载而创建的，但Kyndryl 调查的86% 的企业和 IT 领导者表示，他们正在或计划在大型机上部署 AI 工具或应用程序。此外，71% 的人表示，在短期内，他们已经在使用 AI 驱动的洞察力来协助他们的大型机现代化工作。
全球托管 IT 服务公司 Kyndryl 的核心企业和 zCloud 全球实践负责人 Petra Goude 表示，在大型机上运行人工智能作为一种趋势仍处于起步阶段，但调查显示，即使人工智能创造了新的计算需求，许多公司也不打算放弃他们的大型机。
她表示，许多 Kyndryl 客户似乎正在考虑如何将大型机上的关键任务数据与 AI 工具合并。除了将 AI 用于现代化工作之外，近一半的受访者还计划使用生成 AI 来解锁关键的大型机数据并将其转化为可操作的见解。
“你要么将数据移至目前通常在云端运行的 [AI] 模型，要么将模型移至运行数据的机器，”她补充道。“我相信你会看到两者。”
【睿观：数据移至云端AI模型和将模型移至数据所在机器这两种策略各有优缺点，具体分析并介绍全球企业在实践中采用的最佳案例。
优点：
规模经济： 云端AI模型通常具有强大的计算能力和存储空间，可以高效处理大量数据。
易于扩展： 随着数据量的增长，可以轻松扩展云端资源。
先进技术： 云服务提供商不断更新AI技术和工具，用户可以快速获得最新功能。
全球访问： 云端服务可以从世界各地访问，方便协同工作。
缺点：
数据隐私和安全： 数据传输和存储在云端可能涉及隐私和安全风险。
网络延迟： 如果数据量较大或网络连接不稳定，可能会导致延迟。
成本： 云服务费用可能较高，尤其是对于大规模的数据处理。
最佳实践案例：
谷歌云： 谷歌云提供了一系列AI工具和平台，帮助企业将数据迁移到云端并构建AI应用。
例如，Google Cloud AutoML可以帮助企业构建自定义机器学习模型，而TensorFlow Extended则提供了一个端到端的机器学习平台。
亚马逊云服务（AWS）： AWS提供了丰富的AI服务，包括Amazon SageMaker、Amazon Rekognition等。许多企业使用AWS构建大规模的AI应用，例如推荐系统、图像识别等。
微软Azure： Azure机器学习服务提供了拖拽式的界面，使企业可以轻松构建和部署机器学习模型。
此外，Azure还提供了一系列认知服务，如文本分析、语音识别等。
优点：
数据隐私和安全： 数据无需离开本地环境，提高了数据安全性。
低延迟： 模型直接在数据所在机器上运行，减少了网络延迟。
定制化： 可以根据具体需求对模型进行定制和优化。
缺点：
成本： 需要购买和维护硬件设备。
管理复杂性： 需要管理硬件、软件和模型的部署。
扩展性有限： 扩展计算能力和存储空间的成本较高。
最佳实践案例：
边缘计算： 将AI模型部署到边缘设备（如传感器、IoT设备）上，实现实时数据处理和分析。
例如，工业物联网中使用边缘计算来实时监测设备状态。
混合云： 将部分数据和模型部署在本地，部分部署在云端，结合两者的优势。
选择哪种策略取决于企业的具体需求和资源。如果企业对数据隐私和安全性要求较高，并且数据量较大，可以考虑将模型移至运行数据的机器。 如果企业需要强大的计算能力、灵活扩展性和最新的AI技术，可以考虑将数据移至云端AI模型。】
与此同时，人工智能还可以帮助企业实现大型机战略的现代化，无论是协助将工作负载转移到云端，转换旧的大型机代码，还是对员工进行大型机相关技术的培训，Goude 说。
Goude 表示，对于大多数用户来说，大型机现代化意味着将一些关键任务工作负载保留在本地，同时将其他工作负载转移到云端。绝大多数受访者计划将一些工作负载从大型机上移出，但几乎同样多的人表示，他们认为大型机对他们的业务战略很重要。
Goude 发现，现在有更多的企业和 IT 领导者采用混合 IT 环境，而过去几年许多组织都采取了全有或全无的做法。
“这项调查进一步证实了 IT 世界是混合的，”她说。“关键在于在正确的平台上处理正确的工作负载。无论你拥有什么应用程序，你如何做出正确的选择？”
一、人工智能辅助编码
Kyndryl 的调查结果让 Ensono（一家与大型机合作的 MSP）产品高级副总裁 Lisa Dyer 深有感触。Dyer 发现客户对使用 AI 帮助大型机现代化工作有着浓厚的兴趣。
她说，Ensono 本身使用人工智能来帮助客户实现现代化。她说，人工智能对于翻译或更新客户大型机上的代码尤其有用。例如，人工智能可以编写新代码片段或将旧的 COBOL 翻译成 Java 等现代编程语言。
“人工智能可以成为辅助技术，”戴尔说。“我认为它有助于优化代码、使代码现代化、更新代码，并协助开发人员维护代码。”
数字营销技术公司 Display Now 的首席执行官 Chris Dukich 曾与多家公司合作，利用人工智能来解决大型机现代化的复杂性，他补充说，大型机用户利用人工智能来帮助实现平台现代化是有意义的。
“许多机构愿意借助人工智能来改进过时的系统，尤其是大型机，”他说。“人工智能减轻了多个工作阶段的负担，例如代码重写或数据库替换，从而简化了整个升级阶段。”
二、将人工智能转移到大型计算机
与 Kyndryl 的 Goude 一样，Dyer 和 Dukich 都看到了在大型机上运行 AI 工作负载的早期努力。Dyer 表示，今年有数十家公司似乎处于试点或概念验证阶段，下一代大型机将带来更多发展势头。
Dyer 表示，许多组织的关键任务数据都存储在大型机上，因此在数据所在位置运行 AI 模型可能更有意义。她补充道，在某些情况下，这可能是比将关键任务数据转移到其他硬件更好的选择，因为其他硬件可能不那么安全或有弹性。
“你既有客户数据，也有我所说的主机上的运营数据，”她说。“我可以看到能够直接在那里开发和运行模型的价值，因为你不必移动数据，延迟非常低，吞吐量高，所有这些都是某些类型的人工智能应用程序所需要的。”
Dukich 补充说，许多拥有大型数据集的大型机用户都希望保留它们，而在它们上运行 AI 是下一个发展领域。
他说：“大型机的相对可靠性、安全性和可扩展性使其能够抵御竞争云计算的攻击，并使其在由人工智能推动的分析和决策工作中非常有用。”
【睿观：将人工智能转移到大型计算机的优势与挑战
数据就地处理： 大型机上存储了大量关键任务数据，将 AI 模型部署到大型机上可以减少数据传输，降低延迟，提高处理效率。
安全性与可靠性： 大型机以其高可靠性、安全性著称，适合处理敏感数据和关键业务应用。将 AI 部署到大型机上可以进一步增强系统的安全性。
高吞吐量： 大型机具备强大的处理能力，可以高效处理大规模数据，满足 AI 模型对计算资源的高需求。
保留数据主权： 将数据留在大型机上，可以更好地控制数据访问和使用，保护数据安全。
技术兼容性： 大型机与现代 AI 框架和工具的集成可能存在兼容性问题，需要进行适配和开发。
成本： 大型机的硬件和软件维护成本较高，可能增加 AI 部署的总体成本。
人才需求： 大型机的运维和开发需要具备相关专业知识的人才，可能存在人才短缺的问题。
灵活性： 相比云计算，大型机的灵活性较差，可能难以快速适应不断变化的 AI 技术和业务需求。
混合云架构： 将大型机与云计算结合，可以充分发挥两者的优势，实现灵活性和可靠性的平衡。
开源 AI 框架适配： 将开源 AI 框架适配到大型机环境，降低开发成本，扩大生态。
AI 加速硬件： 在大型机上集成 AI 加速硬件，进一步提升 AI 计算性能。
金融行业： 风险管理、欺诈检测、个性化推荐
政府机构： 数据分析、预测建模、安全监控
制造业： 质量控制、预测性维护、供应链优化
将人工智能转移到大型计算机是一种有前景的探索方向，尤其适用于对数据安全性、可靠性和高性能有较高要求的场景。然而，企业在实施过程中需要综合考虑技术、成本、人才等因素，并选择适合自身业务特点的解决方案。】
