По мере того, как искусственный интеллект переходит из обучающих кластеров в фабрики, склады и автономные системы, операторы сталкиваются с растущим давлением на периферийную инфраструктуру, конвейеры обработки данных и непрерывные циклы переобучения.
Новое партнёрство между Agile Robots и Google DeepMind свидетельствует о сдвиге в развитии задач искусственного интеллекта — от централизованного обучения моделей к реальным системам, которые непрерывно обучаются в гипермасштабных центрах обработки данных и на периферии промышленных предприятий.
Компании планируют интегрировать базовые модели Gemini Robotics от DeepMind с промышленной аппаратной платформой Agile Robots для создания адаптивных систем логического мышления для производства и других высокодоходных отраслей. Но это не просто история о робототехнике — это предвкушение того, что ждёт инфраструктуру искусственного интеллекта в будущем.
«Это исследовательское партнёрство — важный шаг на пути к внедрению возможностей искусственного интеллекта в реальный мир», — заявила Каролина Парада, старший директор и руководитель направления робототехники в Google DeepMind, в своём заявлении.
Реальные внедрения уже подтверждают этот сдвиг. От автоматизации производства и складских комплексов до беспилотных автомобилей и больничных систем — физические приложения ИИ генерируют непрерывные потоки оперативных данных, требуя при этом обработки данных с низкой задержкой на периферии. Эти среды стали постоянными источниками нагрузки на системы ИИ, обеспечивая централизованное обучение и расширяя возможности распределенных вычислений.
Прогнозы отражают сложившуюся траекторию. По прогнозам S&S Insider , рынок физического ИИ вырастет с 5,23 млрд долларов в 2025 году до 49,73 млрд долларов к 2033 году, что соответствует среднегодовому темпу роста в 32,5%.
От обучающих кластеров к реальным циклам обратной связи
Робототехника вносит новую динамику в инфраструктуру. Системы теперь постоянно генерируют данные с датчиков, системы машинного зрения и оперативные данные, которые необходимо обрабатывать в режиме реального времени, часто непосредственно в точке развёртывания, где задержка и надежность являются обязательными. Затем соответствующие данные поступают обратно в централизованные среды для переобучения, создавая непрерывный обмен между периферией и ядром системы.
«Мы наблюдаем фундаментальный поворот: следующая волна ИИ происходит не на экране смартфона, а на заводском конвейере», — заявил вице-президент IDC по облачным и периферийным инфраструктурным сервисам Дэйв Маккарти в интервью Data Center Knowledge . «Промышленные условия — это настоящее испытание для периферийного ИИ, поскольку они требуют уровня надежности и физического мышления, которые просто не востребованы в потребительских приложениях».
Для центров обработки данных это означает изменение операционной модели. Вместо выполнения больших дискретных задач обучения операторы должны поддерживать непрерывные циклы переобучения, более частый приём данных и более изменчивые модели рабочей нагрузки. Это создает постоянное давление на системы хранения данных, сетевой трафик и загрузку графических процессоров, поскольку инфраструктура обрабатывает как стационарные процессы, так и пиковые нагрузки, обусловленные реальными входными данными.
Edge становится первоклассной средой для искусственного интеллекта.
Последствия затрагивают не только центры обработки данных.
По имеющимся данным, в мире развернуто более 20 000 роботизированных систем, и выставка Agile Robots подчеркивает стремительный переход к использованию искусственного интеллекта в промышленных условиях. Заводы и логистические центры становятся активными площадками для выполнения задач ИИ, где локализованные вычисления поддерживают принятие решений в режиме реального времени.
«Партнерство между Agile Robots и Google DeepMind подчеркивает новое перераспределение технологической базы в сфере искусственного интеллекта», — сказал Маккарти. «Периферия обрабатывает выводы в реальном времени и принимает решения, критически важные для безопасности, в то время как облако обеспечивает вычислительные мощности для долговременного обучения и совершенствования моделей».
Речь идёт не о переносе рабочих нагрузок из центра обработки данных, а о их распределении по более широкой сети. В результате операторам необходимо координировать вычислительные ресурсы на периферии и в ядре сети, уделяя больше внимания обеспечению низкой задержки связи, эффективной синхронизации данных и распределённой оркестрации.
Расширение стека инфраструктуры искусственного интеллекта
Затем наступает следующий уровень сложности.
По мере внедрения ИИ в приложения физического мира инфраструктура должна поддерживать непрерывное взаимодействие, адаптацию и надежность, а не только масштабируемость.
«Огромный объём данных, генерируемых целым парком интеллектуальных роботов, создает масштабный сдвиг в сторону периферии», — добавил Маккарти. «Отрасль отходит от сброса необработанных данных в централизованное хранилище данных и переходит к парадигме, в которой в облако для переобучения отправляется только обобщенная информация и события».
Эта эволюция меняет подход к использованию центров обработки данных. Вместо того чтобы выступать в основном в качестве централизованных хранилищ, центры становятся координационными узлами – агрегируют аналитические данные, переобучают модели и распространяют обновления. В архитектурах все чаще отдается предпочтение высокопроизводительным конвейерам обработки данных, эффективным иерархиям хранения и быстрой итерации моделей по сравнению с традиционной пакетной обработкой.
Если отбросить концептуальные рамки, связанные с робототехникой, то становится ясно истинное положение вещей: по мере того, как системы искусственного интеллекта внедряются в физическую среду, они создают устойчивый цикл между развёртыванием и обучением, что расширяет как масштабы, так и интенсивность требований к инфраструктуре.
Для операторов это означает более динамичное сочетание рабочих нагрузок, где непрерывный сбор данных, итеративное переобучение и распределенный вывод конкурируют за ресурсы. Инфраструктура должна обеспечивать не только масштабируемость, но и устойчиво высокую степень использования хранилищ, сетей и ускоренных вычислений — зачастую в менее предсказуемых условиях.
Именно здесь нарастает напряжение.
Физический ИИ не заменяет существующие рабочие нагрузки; он накладывается поверх них, расширяя инфраструктуру от периферии до ядра, и одновременно заставляя центры обработки данных работать более эффективно, непрерывно и гибко, чем раньше.
И тем самым это может изменить то, где и как будет создаваться инфраструктура искусственного интеллекта.
Бессменный главный редактор, в незапамятные времена работал в издании РБК
