什么是数据中心现代化？

对大多数组织而言，数据中心现代化并非一次性项目，而是一个持续的过程。其核心在于从依赖硬件的系统转向软件定义的基础设施，该基础设施涵盖本地部署、私有云和公有云基础设施和边缘设置，全部作为一个环境进行管理。

组织需要从人工智能（AI）、分布式应用程序以及边缘端实时处理技术中挖掘价值，这一需求已经改变了组织对数据中心的诉求。据高盛研究预测，数据中心电力需求将在 2027 年增长 50%，到 2030 年将达到 2023 年水平的 165%，主要驱动力来自 AI 训练与推理工作量。¹而大多数传统数据中心在设计之初，并未考虑承载此类需求。

数据中心服务于一个截然不同的计算时代，彼时传统基础设施围绕基于 CPU 的计算、可预测的工作量和集中式存储构建。

与在大型集中式设施中运行的模型训练不同，AI 推理正越来越多地部署于边缘环境，例如工厂、零售门店及偏远站点。现代化如今已不再局限于核心数据中心，而是扩展到了分布式数据中心。

数据主权 也在影响工作量的运行位置。许多行业和地区要求特定数据保留在指定的司法管辖区内，这意味着在选择工作量部署位置时，必须考虑数据的存放位置和法规的适用地点。

传统数据中心采用集中式架构。物理服务器运行独立应用程序，团队将存储系统挂载至特定主机，网络配置需要手动操作。当工作量运行企业资源规划（ERP）与数据库这类企业级应用时，该架构运行状态良好。

现代数据中心的转型始于服务器虚拟化，该技术将工作量与物理硬件解耦，允许多个应用程序在单台服务器上共享资源。软件定义基础设施将该模式拓展至存储与网络领域。

容器与 Kubernetes 的引入提升了可移植性，使应用程序可在本地服务器、私有云与公有云平台上稳定运行。这种依靠软件管理整个数据中心的方式被称作软件定义数据中心（SDDC）。

如今，现代数据中心不再是固定物理地点。它覆盖核心设施、云平台与边缘站点，工作量依据性能、成本、延迟与合规要求调度，而非依据硬件物理距离。该分布式混合云架构让组织拥有灵活度，可在最优环境运行工作量，同时依靠软件与自动化完成资源分配和管理。

AI 数据中心更进一步，专为 AI 训练与推理工作量的规模及性能需求搭建，传统数据中心的设计无法承载此类负载。

多数设施仍在虚拟化本地基础设施中运行传统企业工作量。与之相反，云原生应用程序被设计为可同时在本地与公有云系统运行，而非绑定单一环境。

当前，AI 驱动的工作量对基础设施的需求最高，需要高密度图形处理器（GPU）算力、高速存储与低延迟网络。高性能计算（HPC）工作量具备大量同类需求。

除核心数据中心外，随着机器学习（ML）与 AI 部署至靠近数据源头的分布式节点，边缘工作量规模持续增长，运行于远端服务器与物联网（IoT）设备。

现代数据中心基础设施包含提供算力、存储与数据保护的各类系统。以下为上述组件包含的内容：

• 计算与适配 AI 的硬件：计算现代化意味着不再仅使用中央处理器服务器，以支持面向 AI 与高性能计算（HPC）的图形处理器加速工作量。神经网络处理单元（NPU）在边缘端处理推理任务，在此场景下能效与原始性能同等重要。企业硬件（例如，IBM Z）将 AI 加速器与金融、医疗等受监管行业所需的安全能力相结合。

• 高性能存储： NVMe SSD 和 全闪存阵列 缩短延迟并提升吞吐量，同时 软件定义存储（SDS） 将管理与物理硬件解耦。上述能力支持本地和 云计算 环境下的统一运行。此外，Object Storage可承载 AI 训练和边缘工作量生成的海量非结构化数据。

• 软件定义网络 (SDN) 和 SDDC：软件定义网络 (SDN)对网络、存储与计算采用软件驱动管理，替代整个数据中心内的手动硬件配置操作。

• 虚拟化和 HCI：服务器虚拟化仍然是大多数现代化数据中心的基础，允许多类工作量共享物理硬件。超融合基础架构 (HCI) 更进一步，将计算、存储和网络整合至单一软件管理平台。

• 容器和 Kubernetes：容器将应用程序打包为可移植单元，可在各种设置中稳定运行。Kubernetes 从单一平台管控混合环境下的应用部署与扩容操作。

• 自动化和 AIOps：随着数据中心变得更加分散，手动运营变得越来越难以规模化管理。自动化 和 AIOp基于实时数据完成监控、事件响应与容量规划工作。

• 供电与液冷：高密度 AI 机架的电力需求远高于传统配置，多数数据中心设施需要升级自身供电系统。液冷可处理风冷无法规模化承载的热量。

• 安全性与零信任架构： 随着工作量分布至更多环境与边缘计算节点，需要防护的接入点数量同步增加。网络安全现代化意味着从基于边界的模型转向零信任框架；在该框架下，任何用户、设备或工作量均无默认访问权限，与其所处网络位置无关。无法访问。

数据中心现代化能够带来诸多优势，满足当下企业的各类业务需求：

• 支持 AI 和现代工作量： 数据中心现代化为组织提供了执行 AI训练、推理或实时分析所需的基础设施，消除了旧版系统带来的瓶颈。

• 提升灵活性：软件定义的基础设施与自动化缩短了资源调配、应用部署及响应动态工作量需求的时间。组织可在不同工作量间分配资源，而无需更改物理硬件。

• 降低运营成本：数据中心现代化可优化 IT 基础设施，提升运行效率。将工作量迁移至最具成本效益的环境（本地、云端或边缘），有助于减少维护未充分利用的基础设施所产生的开销。

• 增强弹性： 现代数据中心和分布式架构降低了对单一设施或连接的依赖。工作量可跨环境持续运行，边缘站点在中心连接中断时仍可独立工作。

• 增强安全性：数据中心现代化支持在分布式设置中实施一致的策略，而现代加密技术可降低数据中心、云平台和边缘站点的风险。

• 简化合规性：组织可将敏感工作量引导至指定设施或区域，并通过软件定义的管理机制执行合规策略，取代手动配置。

• 可持续发展： 现代基础设施比旧版系统更具能效优势。液体冷却和节能硬件有助于减少数据中心运营的环境足迹。

• 应用程序现代化：容器、Kubernetes 和混合多云平台为开发团队提供了从单体应用程序向微服务架构迁移的工具。这种方法提升了部署速度、可用性和正常运行时间，从而 改善用户体验。
  
  

数据中心现代化项目具备复杂性，且通常是范围更广的数字化转型战略的核心组成部分。制定清晰战略与可随技术、业务需求变化调整的路线图，其重要程度超出多数组织的预期。

众多企业组织引入商业技术供应商（例如，IBM，HPE）提供的咨询服务，用于评估现有基础设施，并统筹架构、安全、运维全维度的迁移工作。

在做出基础设施相关决策前，组织需要明确自身运行的工作量类型，以及对应的性能、安全、合规要求。该步骤可梳理旧版系统依赖关系，并确定各类工作量的部署位置。

一份德勤（Deloitte）研究报告显示，超过 60% 的信息技术预算仍用于维护旧版系统，这也是现代化改造项目最先遇到的限制因素。²

设定具体目标，例如降低基础设施成本、支持特定 AI 用例或满足数据驻留要求。

明确的目标能够帮助团队衡量进展，并在推进过程中做出有效决策。

并非所有工作量都适合在云上运行，也并非所有工作量都适合在本地部署。云解决方案具备可扩展性，能够更快接入全新服务；本地基础设施则让组织对性能与合规拥有更强管控能力。

对于自有设施无法承载高密度 AI 基础设施的组织而言，在做相关规划决策时，托管机房服务是值得考量的方案。

分阶段实施模式优先迁移价值最高的工作量，在项目推进过程中降低停机风险与核心业务中断风险。

安全管控、合规监控、成本管理需要从项目初期就纳入现代化改造架构。该模式配套备份、灾难恢复以及业务连续性规划，保障系统故障或迁移出错时业务可持续运行。

数据中心现代化改造工作不会在部署完成后终止。基础设施需要持续监控、补丁更新、版本升级与全生命周期管理。

项目通常需要掌握云服务平台、Kubernetes、AI 基础设施相关专业能力的人员；随着数据中心服务与新技术迭代，信息技术团队需要持续接受培训。