主要内容
许多组织正努力更新其基础设施，以提高效率并应对不断上升的成本。但道路并非一帆风顺，混合设置、遗留系统以及企业中人工智能的新需求，常常给 IT 团队带来权衡。微软和几家存储与数据平台供应商的近期举措，凸显了企业如何应对这些问题，以及其他公司在规划自身企业人工智能战略时可以从中汲取哪些经验。
成本上升时，现代化进程往往停滞不前。许多企业希望拥有云计算的灵活性，但仍依赖基于虚拟机和多年内部流程构建的系统。一个常见问题是，旧应用程序从未为云而构建，重写它们需要时间并带来新风险。然而，简单的“迁移和升级”举措往往会导致更高的账单，尤其是当团队不改变工作负载的运行方式时。一些供应商正试图通过提供无需重大更改即可将虚拟机迁移到 Azure 的方法来解决这一问题。早期用户表示，吸引力在于在第一天无需重新编写应用程序即可测试云迁移的机会。对于一些企业来说，这种早期测试与准备稍后支持企业人工智能工作负载的系统相关。他们还指出，通过 Azure 自身的工具进行管理时，存储成本更低，这有助于使迁移更可预测。其他公司的主要教训是寻找与现有运营相匹配的迁移路径，而不是从一开始就强制进行全面重建。
在混合环境中，数据保护和控制仍然是首要关注的问题。数据丢失或长时间中断的风险仍让许多领导者对大型现代化计划持谨慎态度。一些组织现在正在本地、边缘和云位置构建更强大的恢复系统。标准规划现在包括诸如不可变快照、复制和更好地了解受损数据等功能。微软 Azure 与几个存储系统之间的近期集成，旨在为企业提供一种在本地硬件和 Azure 服务中管理数据的方法。对于需要本地数据驻留或严格合规规则的组织，兴趣有所增长。这些设置使他们能够在保留敏感数据的同时使用 Azure 工具，随着企业人工智能应用程序依赖可靠且管理良好的数据，这一点变得越来越重要。对于面临类似压力的企业，主要启示是，当控制层统一时，混合模型可以支持合规需求。
为人工智能做准备通常需要更强大的数据基础，而不是全面重建。许多公司希望支持人工智能项目，但不想彻底 overhaul 其整个基础设施。微软的 SQL Server 2025 添加了向量数据库功能，使团队能够在不切换平台的情况下构建人工智能驱动的应用程序。一些企业已将 SQL Server 与高性能存储阵列配对，以提高吞吐量并减少人工智能相关数据集的大小。这些改进正成为更广泛的企业人工智能规划的一部分。使用这些设置的团队表示，吸引力在于在不承诺使用新堆栈的情况下运行早期人工智能工作负载的机会。他们还报告说，更可预测的性能有助于在团队开始训练或测试新模型时进行扩展。更大的教训是，人工智能就绪通常始于改善已经保存业务数据的系统，而不是采用单独的平台。
在旧系统旁边管理 Kubernetes 会带来新的复杂性。许多企业现在同时运行容器和虚拟机。保持两者同步可能会给团队带来压力，尤其是当工作负载在多个云中运行时。一些公司正在转向统一的数据管理工具，允许 Kubernetes 环境与遗留应用程序并存。一个例子是 Portworx 与 Azure Kubernetes Service 和 Azure Red Hat OpenShift 的使用日益增加。一些团队使用它通过 KubeVirt 将虚拟机迁移到 Kubernetes，同时保留熟悉的工作流程。