构建企业网络需要对应用的运行位置、流量的走向以及所需容量做出假设。传统上，企业预测需求、订购基础设施，并按计划的升级周期增加容量。这个模式之所以有效，是因为其假设足够准确且稳定，网络可以围绕它们进行规划。
然而AI让这些假设变得高度动态化。一个在云端启动的训练模型可能因成本或安全原因需要迁移到私有数据中心；一个推理应用可能需要更靠近数据生成点来满足延迟要求。每一次此类转变都会改变流量路径以及网络需要支撑的内容。
AI同时也加速了需求变化的节奏。当网络连接或容量就位以支撑一个新工作负载时，其需求可能已经再次转变，从而拖延部署并推高成本。
这种错位制造了一个敏捷性问题：AI工作负载的变化速度可以超过支撑它们的网络的适应速度。
AI架构对网络的真实要求
对于一个AI项目，可能对网络提出多种不同的需求。以一家使用AI检测设备问题的制造商为例：
-
训练阶段： 需要将大量现有运营数据传输到一个统一环境中，产生对大容量带宽的临时性需求。 -
推理阶段： 模型上线后，网络需求发生变化。生产线上的推理应用需要稳定、低延迟的连接来分析传感器数据并即时响应。 -
扩展阶段： 工程师需要安全访问这些结果；如果应用扩展到其他地点，公司需要连接并安全管理每个新站点。
AI工作负载的不同阶段可以对网络提出截然不同的需求。仅增加带宽无法解决所有问题。工作负载位置、延迟、开通速度、安全性、可见性和弹性，共同决定了AI应用能否规模化运行。
这意味着企业不能只考虑需要多少网络容量，还需要考虑：
-
在哪里需要这些容量 -
什么时候需要 -
当AI应用从开发走向生产时，这些需求将如何变化
随着推理变得更加分布式，网络可能还需要连接更多应用、数据源和地点，同时维持性能和安全。
企业连接需要新的运营模式
企业网络是为更可预测的时代设计的，但现在需要能够适应不可预测、持续变化的连接能力。
网络即服务（NaaS） 是企业迈向这种新灵活运营模式的一种途径。不过，NaaS应当被视为运营模式的转变，而不仅仅是软件：
-
可编程性可以更便捷地开通连接、调整容量和管理服务。 -
但软件无法在物理覆盖、可用容量或弹性光纤路径不存在的地方凭空创造它们。
一个可信的NaaS模式依赖于两个层面的协同：软件赋能的控制层，加上能够支撑不断变化的业务需求的物理网络基础设施。
这种新模式让企业的网络能够跟上云、分布式业务和AI的可变性节奏，帮助团队：
-
在工作负载迁移时调整连接 -
响应变化的带宽需求 -
改善跨环境可见性 -
降低通过缓慢工单流程管理网络的运营摩擦
对AI而言，这种灵活性尤为重要——因为工作负载正从集中式训练转向更分布式的推理环境。网络必须在需求变化时，无需企业重新设计连接架构，即可跨多个地点连接应用、数据、云和用户。
为变化做规划，意味着构建一个能够适应的网络
以上所有内容并不是要消除网络规划和预测。物理基础设施需要时间建设，企业仍然需要对需求增长预期、容量需求以及哪些应用对性能和安全要求最高做出知情决策。
变化的是：这些预测能够提供的确定性程度。 规划确立了基础，但再也无法覆盖企业网络现在需要应对的每一次变化。企业需要在为预期需求做规划的同时，考虑当这些预期发生变化时，网络的调整有多便捷。
当下技术以如此规模和速度演进。没有任何规划团队能够提前数年预测每一个工作负载、流量模式或容量需求。甚至提前几个月做到这一点也将越来越困难。
这使得适应性成为规划过程中至关重要的一环。我们仍然需要做长期基础设施决策，但同时也需要为短期变化而设计。目标不是完美预测一切，而是避免让每一个意外需求都成为网络瓶颈。
我们可能还不知道哪些AI应用会崛起、它们将在哪里运行、或者它们会对网络施加怎样的需求。但我们知道，企业能够控制的是：他们的网络是否被构建为能够随需求变化而调整。
