上周，Ars Technica 主编 Ken Fisher 和我一路向西，来到阳光明媚的加利福尼亚州圣何塞，参加一场名为“超越喧嚣：GenAI 的基础设施未来以及接下来会发生什么”的活动，该活动由 IBM 联合举办。能够站在台上，向满屋子感兴趣的 Ars 读者发表演讲，真是太棒了，感谢所有到场的读者！（对于所有无法到场的读者，没关系——我们下个月将在华盛顿特区举办另一场活动。我将在本文末尾提供更多相关信息。）
圣何塞的活动在计算机历史博物馆举行，作为活动场地，这个场地绝对符合品牌定位，而且恰如其分——Ars 想向 CHM 的人们表示感谢，感谢他们如此友善，热情地接待了我们这些极客的聚会。输入您的电子邮件地址以获取 Ars Technica 新闻通讯
费舍尔在开幕致辞中指出：“我们今天的演讲嘉宾和主题反映了我们所处的技术领域的复杂性和快速发展。我们不仅将讨论生成式人工智能的前景，还将讨论它在基础设施需求、安全漏洞和环境影响方面带来的挑战。”
面板
就 Ken 的观点而言，我们的第一个小组讨论的是不断扩张的数据中心（以及通常与之相伴的 AI 服务）对环境的影响。我们采访了斯坦福大学 Steyer-Taylor 能源政策与金融中心驻校学者Jeff Ball 、IBM AI 与存储解决方案架构师Joanna Wong以及 Ars 自己的高级科学编辑John Timmer 博士。
Ars 视频
《卡利斯托协议》团队如何设计恐怖的沉浸式音频
小组讨论中一个我之前没有完全理解但经过解释后完全明白的要点是 Ball 的论点，即“并非所有能源都是平等的”——也就是说，当将云资源视为将环境成本转嫁给第三方的一种方式时，这些云资源的实际物理位置会对碳足迹产生巨大影响。使用冰岛数据中心和中国数据中心的成本可能大致相同，但中国数据中心很有可能使用煤电，而冰岛数据中心则可能使用地热。
IBM 的 Joanna Wong 还指出，基础设施经常受到未知故障点的困扰，即问题不够严重，不足以导致故障，但仍然会消耗额外的计算（从而消耗能源）。Wong 说，我们应该时刻警惕这些故障点。虽然我们可以担心新技术的能源成本，但我们必须注意，由于不了解我们的故障点甚至瓶颈，我们可能已经在浪费资源并损害性能。
然后，我们转向不断发展的安全漏洞和 AI 生成（或至少 AI 审计）代码领域。这一次，我与Box 的全球平台安全架构师Stephen Goldschmidt、国防部国防创新部门网络与电信组合主管Patrick Gould和IBM 数据与弹性执行总监Ram Parasuraman一起进行了讨论。
这之前一直是一个有争议的话题，就在我们 2023 年的 Ars Frontiers 虚拟会议上，安全专家对人工智能生成代码的想法表示不安，因为大多数法学硕士都有随口胡言乱语的习惯。但根据我们的小组成员的说法，生成式人工智能在编码中最合适的作用可能是增强人类编码，而不是取代它——人工智能帮助发现代码中导致漏洞的拼写错误，把隐喻中的扫帚推到人类编码员身后，清理错误。我们距离在生产中完全信任人工智能生成的代码还有很长的路要走（除非你疯了或粗心大意），但人工智能审查的代码呢？那个未来已经到来。Parasuraman 说得最好：“如何信任人工智能输出的问题永远不会消失。改变的是我们验证和监控输出的方式。”
最后，我们的闭幕小组讨论的主题是“长期打好基础设施建设”——即规划基础设施以应对意外问题。与我一起讨论的有Freshworks 首席信息官Ashwin Ballal、Roblox 产品 AI 总监Karun Channa和 IBM 全球产品主管Pete Bray。很难回答“如何应对意外问题”这个问题，但由于小组成员涉及从云原生到混合的各种领域，并且有大量本地数据中心，他们尝试了这种方法。
答案可能并不令人意外，那就是智能需求收集、弹性和灵活性的结合。牢牢把握需求是不可避免的第一步；如果您的需求规划进展顺利，那么构建弹性基础设施就是从此开始。如果您的基础设施具有弹性——最重要的是，如果您储备了一些应急运营资金——那么您应该能够灵活地应对意外的需求高峰（或者至少能够暂时投入一些资金来应对负载，直到问题消失）。这不是火箭科学——而且，即使在那些真正从事火箭科学的公司，良好的需求规划也总能取得胜利。
原创文章，作者：点点，如若转载，请注明出处：https://www.dian8dian.com/ji-chu-she-shi-ke-chi-xu-xing-ren-gong-zhi-neng-ji-wei-jiu
