大型机上 AI 的未来：大型机驱动的 AI 创新的四条路径

当大多数人听到“大型机”一词时，他们可能并未意识到它对企业业务创新的重要贡献。在围绕生成式 AI 的热烈讨论中，人们很容易认为，像大型机这样的传统 IT 基础设施并未被纳入这场技术盛宴。

然而，事实是，大型机正准备通过将下一代人工智能加速技术与优化的生态系统相结合，来增强业务和技术能力，从而在推动创新方面发挥关键作用。

回顾过去，我们就会发现大型机实际上已经推动了 60 多年的持续创新。根据 IBM 商业价值研究院最近的一份报告，全球 50 大银行中的 43 家和十大支付公司中的 8 家都利用大型机作为其核心平台。

对于处理海量数据的行业（例如金融、医疗保健和政府），大型机在人工智能 (AI) 战略中的重要性日益凸显。事实上，同一份 IBV 报告显示，79% 的 IT 高管认为大型机对于实现 AI 驱动的创新和价值创造至关重要。

与此同时，这些企业领导者也希望将 AI 集成到现有的大型机平台中，以挖掘有价值的洞察分析、自动化任务并提高效率，同时保留其战略性的基础设施。这种方法通过 AI 驱动的分析和自动化技术，在引入新功能的同时，也最大化地发挥了旧版系统的价值。

如今，许多 AI 的部署都要求组织将其数据迁移到云端。然而，对于那些依赖高速数据处理来处理高度敏感数据的行业来说，将 AI 能力更靠近数据存储的位置，能带来显著的业务优势。

IBM Z 和 LinuxONE 上 AI 的首席解决方案架构师兼 IBM 杰出技术专家 Khadija Souissi 表示：“这是为了将 AI 带到需要发挥作用的场合，这主要存在于两个领域。”

“我们正在将 AI 融入事务工作负载，以获得对业务应用的实时洞察分析从而加快决策速度，同时让客户能够可持续地创建采用生成式 AI 解决方案的智能应用程序，同时保护敏感数据。此外，我们正在构建智能基础设施，使用 AI 用于大型机操作系统和子系统。这有助于预测即将到来的工作量，以主动准备所需的资源，并检测系统运营异常，从而有助于预测中断，并提取与系统性能相关的可操作见解。”

大型机处理着全球近 70% 的生产级 IT 工作负载，并因其稳定性、高安全性和可扩展性而备受信赖。如今，芯片上的 AI 加速器能够以极低的延迟率，每秒扩展并处理数以百万计的推理请求。这一能力使组织能够利用数据和事务的“引力效应”，通过策略性地将大型数据集、AI 和关键业务应用程序进行同地部署。未来，随着组织需求的增长，下一代加速器将开辟新的机遇，以扩展 AI 的能力和应用场景。

传统 AI 和生成式 AI 模型正在帮助定义和塑造现代企业。任务关键型和交易用例需要机器学习、深度学习和生成式 AI 能力，有时在合作架构中协同工作，以实现更好的业务成果。

在大型机上，多模型架构利用了各不同模型的优势，从而实现更稳健、更精确、更灵活的决策。

首先，我们来看传统的 AI。这些模型通常应用预定义的规则来分析数据，并根据特定模式做出决策。例如，根据客户的历史数据进行库存管理的需求预测或信用决策。

AI 的演化以大型语言模型 (LLM) 等新概念为标志，先进的 AI 模型经过大量数据训练，可以理解自然语言、生成类似人类的文本、翻译语言、回答问题、编写代码甚至进行对话。

生成内容的 LLM 通常称为解码器模型，用于生成式 AI。这种能力体现在聊天机器人上，它可以根据用户查询和上下文提供个性化的客户服务回复。

编码器模型是另一种类型的 LLM，擅长理解自然语言和处理非结构化文本，并专注于提取关键信息。解码器模型分享此能力，但也擅长生成新内容。

多模型架构是一种混合概念，它集成了不同的 AI 技术，例如传统 AI 和 LLM 编码器模型，以提供比任何单一模型可单独实现的更快、更准确的结果，利用大型机的强大处理和数据存储能力。

例如，在保险索赔处理中，传统的 AI 可以对结构化数据进行初步分析，而编码器 LLM 可以处理更复杂的非结构化数据，以获得更详细的洞察分析并相应地处理索赔。

接受汽车事故索赔。传统 AI 提供结构化数据（例如，警方报告、司机驾照和登记信息）的自动处理。生成式 AI 更进一步，从非结构化数据（例如与伤害和车辆损坏相关的文本和图像）中提取见解，以帮助确定优先顺序并满足这些索赔的紧迫性要求。

最近，IBM 宣布了即将推出的 IBM® Telum II Processor 处理器和 IBM® Spyre Accelerator。这些技术旨在帮助企业扩展 IBM® Z 系统的处理能力，并加速使用传统 AI 模型、大型语言 AI 模型和多模型架构。

Spyre Accelerator 卡将使 IBM Z 和 LinuxOne 系统能够以前所未有的规模，为 LLM 和生成式 AI 执行人工智能推理。

以下是四个用例示例，展示了组织如何利用这些 AI 技术来推动业务创新、改进运营并加速生成式 AI 的工作负载：

欺诈性信用卡交易造成的财务损失会给金融机构带来财务和声誉上的双重损害。根据尼尔森报告，预计到 2026 年，全球信用卡损失将达到 430 亿美元。¹

IBM 的一项内部案例研究显示，一家大型北美银行开发了一种人工智能驱动的信用评分模型，并将其部署在本地云平台上，以帮助打击欺诈。但是，只有 20% 的信用卡交易可以实时评分。银行决定将复杂的欺诈检测工具转移到大型机上。

在实施大型机系统后，该银行开始对 100% 的信用卡交易进行实时评分，每秒处理 15,000 笔交易，显著提升了欺诈检测能力。

此外，每笔交易过去需要 80 毫秒才能完成评分。由于大型机提供更低的延迟，响应时间现在为 2 毫秒或更短。这一向大型机的转移还为该银行节省了每年超过 2000 万美元的防欺诈支出，且没有影响服务水平协议。

大型机在信用卡交易中至关重要，处理着全球 90% 的交易。²现在，金融组织可以继续依靠大型机，同时整合 AI 在交易结束前检测欺诈行为，依靠已经存储在大型机内的大量交易数据，而不需要将其移动到云环境。

据《福布斯》报道，对于大型组织而言，IT 系统停机时间的平均成本可能高达每分钟 9,000 美元，而对于风险更高的企业，每小时的损失可能超过 500 万美元。³

幸运的是，组织现在可以利用 AI 来主动预防，甚至预测由设备故障导致的停机。通过应用 AI 机制，组织可以在交易、应用程序子系统和系统层面检测异常。例如，传感器可以分析来自大型机组件的数据，以预测潜在的硬件故障，并实现预防性维护。

将大型机与云和分布式系统等新技术相结合，会给 IT 基础设施和应用团队带来复杂性。组织越来越多地转向用于 IT 运营的人工智能 (AIOps)，即应用 AI 功能来自动化、简化和优化 IT 基础设施和运营工作流程。AIOps 使 IT 运营团队能够快速响应速度减慢和中断情况，提供更好的可见性和背景信息。

对于处理敏感数据的组织来说，数据隐私至关重要。这是医疗保健等行业继续依赖大型机强大的安全特性的主要原因，包括工作负载隔离、高级数据加密和安全通信协议。

在大型机上处理文档有助于在高度安全的环境中简化流程并实现准确的数据提取。组织可以利用生成式 AI 来总结财务文件和业务报告，提取关键数据点（例如，财务指标和绩效指标），并识别合规流程（例如，财务审计）所需的关键信息。

另一个例子是，政府可以使用生成式 AI 通过复杂的图像处理技术和分析与每批货物相关的文本描述，来改进海关对可疑货物的筛查。

在大型机领域，最大的挑战之一是将用 COBOL 编写的旧版应用程序迁移到更现代的编程语言中。这是为什么？这主要是由于技术劳动力队伍的代际转变。新一代开发人员在其教育过程中掌握了 Java 和 Python 等语言的技能，而许多经验丰富的专业人员仍然精通较旧的技术。

然而，COBOL 并不会很快消失——它仍然为银行和政府等行业的许多关键业务系统提供支持。据 Reuters 报道，43% 的银行系统都是基于 COBOL 构建的，而且今天仍有 2200 亿行 COBOL 代码在使用中。⁴

大型机上的虚拟助理正在帮助弥合开发人员的技能差距。IBM® watsonx Code Assistant for Z 等工具使用生成式 AI 来分析、理解和现代化现有的 COBOL 应用程序。此能力使开发人员能够将 COBOL 代码翻译成 Java 等语言。它还加速了应用程序的现代化，同时保留了旧版 COBOL 系统的功能。

watsonx Code Assistant for Z 的功能包括代码解释、自动化重构和代码优化建议，这使得开发人员更容易维护和更新旧的 COBOL 应用程序。

几十年来，大型机一直在不断发展，并且它继续与时俱进，以迎接下一代 AI 所带来的机遇。Telum II 处理器和 Spyre 加速器卡的推出，为组织提供了一个释放业务价值并创造新竞争优势的机会。

Khadija Souissi 表示：“如今，大型机不仅是一个事务处理平台，更是一个不断演进的 AI 平台，它将在企业踏上人工智能之旅的过程中提供有意义的价值。”