人工智能正在以智能體AI的形式邁入全新階段。所謂智能體AI，是指無(wú)需人類持續(xù)監(jiān)督、能夠自主感知、決策、行動(dòng)并持續(xù)學(xué)習(xí)的系統(tǒng)，可在分布式環(huán)境中獨(dú)立運(yùn)行，并與其他智能體實(shí)時(shí)協(xié)作。

這一從集中式AI模型向分布式自主智能體的轉(zhuǎn)變，要求我們從根本上重新審視廣域網(wǎng)（WAN）基礎(chǔ)架構(gòu)的設(shè)計(jì)理念。此前的AI模式——集中式訓(xùn)練集群、基于云端的推理以及中心輻射型數(shù)據(jù)流——已無(wú)法滿足必須在網(wǎng)絡(luò)邊緣以高速、自主和彈性方式運(yùn)行的智能體系統(tǒng)需求。

在這類環(huán)境中，WAN不再僅僅是將分支站點(diǎn)連接到核心數(shù)據(jù)中心的通道，而是成為邊緣智能體同步數(shù)據(jù)、共享洞察、協(xié)調(diào)行動(dòng)的核心基礎(chǔ)設(shè)施。WAN的性能、可用性與適應(yīng)能力，直接決定了智能體AI的實(shí)際效果。

以邊緣為核心的智能架構(gòu)

以自動(dòng)駕駛導(dǎo)航系統(tǒng)、智能制造車間，或AI智能體同時(shí)管理庫(kù)存、定價(jià)與客戶體驗(yàn)的零售場(chǎng)景為例——這些都是邊緣智能的典型應(yīng)用場(chǎng)景。

盡管WAN連接使各地智能體能夠相互同步，但邊緣環(huán)境往往面臨網(wǎng)絡(luò)連接不穩(wěn)定的挑戰(zhàn)。在這種情況下，智能體可以在WAN性能下降時(shí)自動(dòng)執(zhí)行補(bǔ)救措施，為銷售終端、庫(kù)存同步和物聯(lián)網(wǎng)設(shè)備等關(guān)鍵系統(tǒng)實(shí)時(shí)選擇最優(yōu)路徑。這些都是需要在毫秒級(jí)時(shí)間內(nèi)基于本地條件做出的重要決策，而此時(shí)與集中式系統(tǒng)的連接往往是斷斷續(xù)續(xù)或受到限制的。

與在受控環(huán)境中處理數(shù)據(jù)的傳統(tǒng)AI模型不同，智能體系統(tǒng)存在于物理世界之中——延遲以毫秒計(jì)算，每一個(gè)決策都會(huì)產(chǎn)生即時(shí)后果。將數(shù)據(jù)發(fā)送到數(shù)百英里之外的云端數(shù)據(jù)中心進(jìn)行處理根本不現(xiàn)實(shí)，智能體必須在動(dòng)作發(fā)生的現(xiàn)場(chǎng)就地完成信息處理、方案評(píng)估和行動(dòng)執(zhí)行。

此外，智能體AI系統(tǒng)通常在多個(gè)智能體跨分布式地點(diǎn)協(xié)調(diào)運(yùn)作的環(huán)境中運(yùn)行。智慧城市的部署方案可能涉及數(shù)千個(gè)智能體同時(shí)管理交通流量、能源分配和公共安全。這些智能體即便在網(wǎng)絡(luò)連接降級(jí)的情況下，也需要持續(xù)共享數(shù)據(jù)。

與數(shù)據(jù)源協(xié)同部署的算力

要真正發(fā)揮功能，智能體AI需要將算力與數(shù)據(jù)源及決策節(jié)點(diǎn)部署在同一位置。這意味著必須在零售、制造、醫(yī)療、交通等行業(yè)的數(shù)千個(gè)分布式地點(diǎn)部署高性能算力。

這些邊緣計(jì)算資源必須能夠處理多樣化的工作負(fù)載：智能體對(duì)流式數(shù)據(jù)進(jìn)行快速推理、根據(jù)環(huán)境反饋進(jìn)行本地模型微調(diào)，以及與對(duì)等智能體協(xié)調(diào)配合。在零售場(chǎng)景中，這意味著要在每個(gè)門店直接支持智能貨架、計(jì)算機(jī)視覺庫(kù)存系統(tǒng)、數(shù)字標(biāo)牌、防損分析和客流優(yōu)化等功能。

然而，僅憑強(qiáng)大的邊緣計(jì)算能力并不足以充分發(fā)揮智能體AI的潛力。如果沒有同樣完善的網(wǎng)絡(luò)支撐，自主智能體將陷入孤立狀態(tài)，無(wú)法與對(duì)等智能體協(xié)調(diào)，也無(wú)法在分布式環(huán)境中同步洞察、維持集體智能。

將高性能網(wǎng)絡(luò)直接集成到邊緣計(jì)算基礎(chǔ)設(shè)施中，可以實(shí)現(xiàn)智能體之間低延遲、高帶寬的直接通信，而無(wú)需將每次交互都路由至遠(yuǎn)端的匯聚節(jié)點(diǎn)。這種將網(wǎng)絡(luò)與計(jì)算統(tǒng)一設(shè)計(jì)的架構(gòu)理念，是實(shí)現(xiàn)實(shí)時(shí)協(xié)調(diào)的關(guān)鍵所在。

安全性同樣不可或缺。這些系統(tǒng)要求為每個(gè)智能體提供加密身份標(biāo)識(shí)、加密通信、基于硬件的信任根，并從底層開始將零信任架構(gòu)融入兩個(gè)層面的設(shè)計(jì)中，從而確保自主決策的完整性——尤其是那些影響醫(yī)療和交通等關(guān)鍵基礎(chǔ)設(shè)施中物理系統(tǒng)與人身安全的決策。

邊緣側(cè)的架構(gòu)融合

企業(yè)不能簡(jiǎn)單地將云架構(gòu)延伸至邊緣位置，就期望智能體系統(tǒng)能夠順暢運(yùn)行。這類系統(tǒng)自主、分布式、實(shí)時(shí)的本質(zhì)特性，要求基礎(chǔ)設(shè)施必須被統(tǒng)一設(shè)計(jì)，以支持在數(shù)千個(gè)多樣化地點(diǎn)實(shí)現(xiàn)本地智能、智能體協(xié)調(diào)和安全運(yùn)營(yíng)。

同樣關(guān)鍵的是延伸至邊緣的端到端可見性。隨著企業(yè)在廣泛的異構(gòu)環(huán)境中部署分布式AI智能體，對(duì)每個(gè)邊緣位置的WAN性能、網(wǎng)絡(luò)健康狀況和應(yīng)用性能進(jìn)行持續(xù)監(jiān)測(cè)變得不可或缺。這使運(yùn)營(yíng)團(tuán)隊(duì)能夠主動(dòng)發(fā)現(xiàn)問題、優(yōu)化運(yùn)營(yíng)并確?？煽康姆?wù)交付。盲區(qū)的存在會(huì)從根本上削弱智能體AI所需的自主性與彈性。

企業(yè)今天在基礎(chǔ)設(shè)施方面的選擇，將決定其是引領(lǐng)這場(chǎng)變革，還是耗費(fèi)數(shù)年時(shí)間進(jìn)行艱難的技術(shù)改造。這需要同步重新思考邊緣部署策略和WAN演進(jìn)路徑，以支持大規(guī)模分布式智能。計(jì)算與網(wǎng)絡(luò)在邊緣側(cè)的深度融合，正是下一代自主智能系統(tǒng)的核心基礎(chǔ)。

本文作者Lee Peterson為思科系統(tǒng)公司廣域網(wǎng)安全產(chǎn)品管理副總裁。

Q&A

Q1：智能體AI對(duì)廣域網(wǎng)架構(gòu)提出了哪些新要求？

A：智能體AI要求廣域網(wǎng)不再只是連接分支與數(shù)據(jù)中心的通道，而要成為支持邊緣智能體實(shí)時(shí)同步、協(xié)調(diào)和決策的核心基礎(chǔ)設(shè)施。具體來(lái)說，需要低延遲、高帶寬的智能體間通信能力，支持在WAN性能下降時(shí)自動(dòng)切換路徑，并具備端到端的網(wǎng)絡(luò)可見性，以保障智能體系統(tǒng)的自主性與彈性。

Q2：為什么智能體AI不能直接把數(shù)據(jù)傳到云端處理？

A：因?yàn)橹悄荏wAI運(yùn)行在物理世界中，決策延遲以毫秒計(jì)算，任何決策都會(huì)產(chǎn)生即時(shí)的現(xiàn)實(shí)后果。將數(shù)據(jù)發(fā)送至數(shù)百英里外的云端數(shù)據(jù)中心再返回處理結(jié)果，在時(shí)間上根本無(wú)法滿足需求。智能體必須在數(shù)據(jù)產(chǎn)生的現(xiàn)場(chǎng)完成信息處理和行動(dòng)執(zhí)行，因此邊緣本地算力是不可或缺的。

Q3：邊緣部署的智能體AI系統(tǒng)如何保障安全性？

A：安全性需要從系統(tǒng)底層統(tǒng)一設(shè)計(jì)，主要措施包括：為每個(gè)智能體分配加密身份標(biāo)識(shí)、采用加密通信協(xié)議、引入基于硬件的信任根，以及從架構(gòu)層面落實(shí)零信任原則。這些措施旨在確保自主決策的完整性，尤其是在醫(yī)療、交通等涉及人身安全的關(guān)鍵基礎(chǔ)設(shè)施中。