幾十年來，一直被認為是網絡的連接點。對于企業、電信運營商、有線電視運營商以及谷歌公司和Facebook公司等服務提供商來說，數據中心是IT行業的心臟和肌肉。此外，云計算的出現強調了現代數據中心的重要性。

數據中心的角色在不斷演變。隨著網絡加大對5G和物聯網的支持力度，IT經理將注意力集中在邊緣，并且將更多的容量和處理能力轉移到更接近最終用戶的地方。與此同時，他們也在重新評估數據中心的作用。

調研機構Gartner公司在2018年預測，到2025年，75%的企業生成的數據將在邊緣創建和處理，而2018年這一比例只有10%。與此同時，數據量將會進一步提高。例如，一輛自動駕駛汽車每小時平均能輸出4000 GB的數據。

網絡服務提供商需要確定如何在不影響現有數據中心投資的情況下，更好地支持基于邊緣的流量的巨大增長以及對數字延遲性能的需求。答案之一就是對東西向流量網絡鏈路和對等冗余節點的大量投資，以及在創建數據時增強處理能力的問題。但是數據中心將扮演什么角色？

人工智能/ 機器學習反饋回路

超大規模和云計算規模的數據中心的未來業務案例在于其龐大的處理和存儲能力。隨著邊緣活動逐漸升溫，將需要數據中心的力量來創建使數據能夠被處理的算法。在擁有物聯網的世界中，人工智能(AI)和機器學習(ML)的重要性不可低估。數據中心在實現它方面所扮演的角色也不盡相同。

產生驅動人工智能(AI)和機器學習(ML)所需的算法需要大量的數據處理。核心數據中心已開始部署與張量處理單元(TPU)或其他專用硬件結合在一起的功能更強大的CPU。此外，人工智能(AI)和機器學習(ML)應用程序通常需要更加快速、更大容量的網絡，而先進的交換層則為所有正在解決同一問題的服務器提供電源。人工智能(AI)和機器學習(ML)模型就是這種努力的產物。

在流程的另一端，需要將人工智能(AI)和機器學習(ML)模型放置在對業務影響最大的位置。例如，對于諸如面部識別之類的企業人工智能(AI)應用程序，超低延遲要求它們在本地部署，而不是在核心部署。但模型也必須定期調整，因此在邊緣收集的數據隨后會反饋到數據中心以更新和改進算法。

更加分散的協作環境

人工智能(AI)/機器學習(ML)反饋回路是數據中心將需要如何支持更加廣泛和多樣化的網絡生態系統的一個示例。對于超大規模數據中心領域的參與者來說，這意味著要適應更加分散的協作環境。他們希望使客戶能夠在其平臺的邊緣上部署人工智能(AI)或機器學習(ML)，但不一定要部署在他們自己的數據中心設施中。

像AWS、微軟和谷歌公司這樣的云計算提供商現在正在將他們的云計算硬件部署到更靠近客戶的位置，包括中心辦公室和企業內部部署數據中心。這使客戶能夠使用超大規模數據中心和多種邊緣設施在構建和運行基于云計算的應用程序。由于這些平臺也嵌入到了許多運營商的系統中，因此客戶也可以在運營商存在的任何位置運行其應用程序。該模型仍處于起步階段，但為客戶提供了更大的靈活性，同時使云計算提供商可以更好地支持邊緣。

另一種由Vapor IO公司實現的生態系統方法提供了一種商業模式，其特點是具有標準化計算、存儲和網絡資源的托管數據中心。規模較小的客戶(例如游戲公司)可以在客戶附近找到虛擬機，并使用Vapor IO公司的生態系統運行其應用程序。像這樣的服務可能在收入共享模式下運行，對于試圖開發邊緣服務生態系統的小企業來說，這可能是一個有吸引力的范例。

面臨的挑戰

隨著下一代網絡的愿景逐漸成為現實，業界組織必須應對實施方面的挑戰。在數據中心中，服務器連接將從每條通道的50Gb增長到100Gb，交換帶寬將增加到256Tb，而采用100Gb技術將使用戶擁有800Gb的可插拔模塊。

現在還不清楚的是數據中心行業如何設計從核心到邊緣的基礎設施，特別是如何執行數據中心互聯(DCI)架構以及城域和長途鏈路并支持高冗余對等邊緣節點。另一個挑戰是開發管理和路由大量流量所需的編排和自動化功能。隨著各種行業朝著支持5G/物聯網的網絡發展，這些問題成為當務之急。

人們需要知道的是，建設和實施下一代網絡的工作將涉及協調一致的努力。能夠提供低成本、高容量計算和存儲的數據中心無疑將扮演重要角色。但是，隨著更多位于邊緣的分布式設備承擔更多的負載，數據中心的角色將進一步演變為更大的分布式生態系統的一部分。

企業生成的約10%的數據是在傳統的集中式數據中心或云平臺之外創建和處理的。Gartner公司預測，到2025年，這個數字將達到75%。

將它們結合在一起將需要采用更快、更可靠的光纖網絡，從核心開始，延伸到網絡最遠的邊緣。這將是一個由PAM4和相關處理技術提供動力的布線和連接平臺，采用共封裝和數字相干光學器件，并封裝在緊湊的布線中，將在整個過程中提供連續的、一致的性能。

無論是大型數據中心運營商、專注于邊緣的企業，還是基礎設施提供商，在下一代網絡中，都將有足夠的發展空間。