近年来，AI训练一直主导着全球人工智能基础设施的讨论。大规模GPU集群、数据中心建设以及耗电量巨大的模型已经成为AI时代规模的代名词。但AI训练仅仅是热身阶段，真正考验当今AI基础设施的AI推理一直在等待时机，现在正登上舞台中央。

随着AI变得更加多模态，并更深入地嵌入到各种数字平台中，推理正成为未来网络需求的主要驱动力。它也从根本上改变了全球数据中心的运营方式。为了应对激增的推理工作负载，行业必须解决网络中一个关键但经常被忽视的瓶颈——将整个网络结构连接在一起的光学连接。

不断增长的AI推理工作负载

AI推理是AI模型生命周期的"执行"阶段。这时，训练好的模型可以处理未见过的数据来提供答案、生成图像或执行任务。与高度本地化的训练过程不同，推理无处不在——遍布应用程序、企业和消费设备。

随着AI采用率激增，推理工作负载正在成倍增长。虽然以往的技术或数字平台被采用到日常生活中需要数十年时间，但ChatGPT仅用两个月就获得了1亿月活跃用户。现在，我们也见证了AI大规模集成到工作场所和消费者生活中使用的现有数字平台，从搜索到电子邮件、社交媒体等。关键是，将AI嵌入这些工具和应用程序不会导致渐进式采用，而是创造出即时的爆炸性规模。

多模态AI加剧网络需求

当推理工作负载从简单文本转向能够同时处理和生成文本、图像、音频和视频的多模态交互时，这种压力测试变得更加激烈。为了说明问题，来自智能手机的单个高清视频流需要每秒数兆比特的持续带宽。当乘以数百万用户时，在网络中移动的数据量变得惊人。

此外，模型变得更加复杂；推理模型经常将任务分解为多个内部步骤，用户查询会触发数十次后台检索。即使用户的请求看起来简短而简单，网络可能在后台移动兆字节的数据来响应。这一切都增加了应用程序、数据源和AI模型之间的上游和下游流量。

AI优先云的出现和分布

Ciena的一项调查发现，未来几年超过40%的新数据中心建设预计将主要专用于AI，向推理的转变进一步加速了这一转型。激增的推理需求正在推动推理中心和AI优先云区域的激增，这些中心交换大量数据以减少延迟、提高弹性并满足主权要求。随着AI嵌入到日常数字体验中，推理能力必须更接近用户，同时仍能访问集中式数据和模型。

这创造了两种不同但相互依赖的网络能力，现在必须并行扩展。第一种是企业多云访问，企业和应用程序可以轻松访问跨多个云和数据中心的AI服务。第二种是数据中心互连（DCI），在AI数据中心和云区域之间移动数据和推理流量的低延迟连接。随着推理工作负载在全球范围内扩展，这些能力必须协同工作，形成AI优先云的连接结构。

光学连接支撑推理

分布式推理的增长也改变了网络容量的规划方式。DCI和企业多云访问都依赖于能够承载支持AI应用程序的大容量、延迟敏感流量的弹性、可扩展光学基础。

光学连接提供了AI演进下一阶段所需的容量、覆盖范围和效率。先进的光传输技术最大化光纤吞吐量，同时最小化每比特的成本、空间和功耗。同时，自动化网络控制系统通过动态分配带宽、优化流量并在AI工作负载实时转移时维护服务保证，变得至关重要。

从数据中心内连接到DCI光纤路由，光网络提供了支持分布式推理的可扩展主干。没有这种可靠、自适应的结构，AI服务无法在全球范围内一致地交付。

AI革命不仅仅关乎计算，更关乎连接。随着AI推理从简单的文本查询转向丰富的多模态和推理驱动的交互，它将从根本上改变网络中和数据中心内的数据流量模式。展望2026年及以后，AI基础设施的重点必须转向连接组织——网络，这将为AI时代奠定基础。

Q&A

Q1：AI推理和AI训练有什么区别？

A：AI推理是AI模型生命周期的"执行"阶段，是训练好的模型处理未见过的数据来提供答案、生成图像或执行任务的过程。与高度本地化的训练过程不同，推理无处不在——遍布应用程序、企业和消费设备。

Q2：为什么多模态AI会加剧网络需求？

A：多模态AI能同时处理和生成文本、图像、音频和视频，数据量巨大。单个高清视频流就需要每秒数兆比特的持续带宽，当乘以数百万用户时，网络中移动的数据量变得惊人，大大增加了网络负载。

Q3：光学连接在AI推理中起什么作用？

A：光学连接提供AI推理所需的容量、覆盖范围和效率。先进的光传输技术最大化光纤吞吐量，同时最小化每比特的成本、空间和功耗。从数据中心内连接到数据中心互连光纤路由，光网络提供支持分布式推理的可扩展主干。