人工智能已迅速从创新实验室走入核心业务运营。

银行正在利用人工智能加强欺诈检测。交易机构正在部署人工智能以实时分析市场活动。保险机构正在加速承保、理赔处理和风险评估。在整个金融服务领域，各机构正积极投资于人工智能，以提高效率、提供更优质的客户体验并发掘竞争优势。

然而，随着许多组织超越试点阶段并开始将人工智能规模化投入生产，一个根本性问题正在浮现：

人工智能究竟应该在哪里运行？

这一答案对性能、安全性、监管合规、运营成本和长期业务敏捷性都具有重大影响。

多年来，云一直被视为高级分析和新兴技术的合理归宿。然而，人工智能正在改变这一格局。大规模人工智能工作负载带来了新的电力、冷却、网络和治理需求，迫使组织重新评估传统基础设施战略。与此同时，金融机构面临着越来越大的压力，需要在控制敏感数据、履行监管义务和支持关键任务运营的同时不引入额外风险。

许多金融服务组织正逐渐认识到，基础设施决策已成为业务决策。

对于欺诈检测、交易监控、算法交易和客户交互等应用而言，毫秒之差至关重要。人工智能系统通常需要在数据生成地附近处理信息，以提供实时洞察和响应。将所有内容迁移到集中式环境可能会在延迟、成本和运营控制方面带来挑战。

数据主权又增加了一层复杂性。

金融机构管理着世界上一些最敏感的信息。围绕数据隐私、治理和可审计性的监管期望持续演变。随着人工智能更深入地嵌入金融运营，组织必须评估部署模式如何影响安全性、合规性以及对业务关键数据的控制。

结果，许多组织正在转向更加审慎的基础设施战略。

领先机构不再纠结于人工智能应该在云端还是本地运行，而是在评估更广泛的选择，包括云服务、托管服务提供商、现代化数据中心和混合部署模式。每种方式根据业务优先级、工作负载需求和风险承受能力各有不同的优势。根据施耐德电气的调研，在确定人工智能工作负载应部署于何处之前，应综合考虑数据主权、延迟、上市时间、可扩展性、人员专业能力、现金流偏好和总拥有成本等因素。

对许多组织而言，人工智能的成功不仅取决于算法或模型，还取决于基础设施能否在支撑人工智能日益增长的需求的同时，保持韧性、安全性和运营控制。

成功的组织将是那些将基础设施决策与业务成果相协调的组织，从而营造一个既能高效扩展人工智能，又不损害治理、性能或客户信任的环境。

数据中心中的人工智能工作负载部署：改造、外包还是新建？

探索一套用于确定高密度人工智能工作负载基础设施部署地点和方式的战略框架。比较改造现有设施、新建数据中心或外包容量的权衡取舍，同时考虑总拥有成本、上市时间、可扩展性、数据主权和运营能力。获取实用指导，评估现有站点能否支持人工智能基础设施，并做出更明智、面向人工智能就绪的容量决策。

下载高管报告.