آیا هوش مصنوعی لبهای (Edge AI) اهمیت دیتاسنترهای هوش مصنوعی را کاهش خواهد داد؟
با وجود رشد سریع سرمایهگذاری در حوزه Edge AI، ملاحظات عملی مانند صرفهجویی ناشی از مقیاس (Economies of Scale)، امنیت فیزیکی و بهرهوری عملیاتی باعث میشوند دیتاسنترهای هوش مصنوعی همچنان بهعنوان زیرساختی حیاتی باقی بمانند.
نویسنده: Christopher Tozzi، تحلیلگر فناوری
تاریخ انتشار: ۱۱ آگوست ۲۰۲۶
زمان مطالعه: ۴ دقیقه
زیرنویس تصویر: نودهای توزیعشده Edge با کاهش تأخیر، عملکرد هوش مصنوعی را در سطح مناطق شهری بهبود میدهند.
اگر فهرستی از روندهای نوظهور در حوزه هوش مصنوعی تهیه کنید، احتمالاً Edge AI یا «هوش مصنوعی لبهای» یکی از موارد این فهرست خواهد بود. Edge AI به اجرای بارهای کاری هوش مصنوعی در محل یا نزدیک به محل تولید داده، بهجای اجرای آنها در دیتاسنترهای متمرکز، اشاره دارد.
در شرایطی که سازمانها درباره ارسال دادههای حساس به اشخاص ثالث و همچنین تأخیر سرویسهای راه دور نگرانی دارند، انتقال مدلهای هوش مصنوعی به محل نزدیکتر به کاربران میتواند مزایای قابلتوجهی از نظر کنترل، امنیت و عملکرد ایجاد کند.
اما همین تحولات پرسشهایی را برای صنعت دیتاسنتر ایجاد کرده است. بخش قابلتوجهی از رشد انفجاری زیرساخت دیتاسنتر طی سالهای اخیر بر این فرض استوار بوده که سازمانها مدلهای هوش مصنوعی خود را بهصورت متمرکز در دیتاسنترها میزبانی خواهند کرد، نه در لبه شبکه.
بنابراین این سؤال مطرح میشود:
اگر Edge AI با سرعت بیشتری توسعه پیدا کند، آیا دیتاسنترهای تخصصی هوش مصنوعی اهمیت خود را از دست خواهند داد؟
Edge AI چیست؟
Edge AI به اجرای مدلها یا برنامههای کاربردی هوش مصنوعی روی زیرساختهای لبه شبکه، مانند سرورهای محلی یا تجهیزات Endpoint، بهجای دیتاسنترهای راه دور Hyperscale یا مراکز Colocation گفته میشود.
این رویکرد تاکنون روش غالب ارائه بسیاری از پلتفرمهای بزرگ هوش مصنوعی نبوده است. مدلهای مورد استفاده سرویسهای عمومی مانند ChatGPT و Gemini در دیتاسنترهای Hyperscale اجرا میشوند و کاربران از طریق اینترنت به آنها دسترسی پیدا میکنند.
حتی بسیاری از مدلهایی که سازمانها بهصورت خصوصی ایجاد یا میزبانی میکنند نیز معمولاً در دیتاسنترها قرار دارند و نه روی Endpointهای محلی یا سرورهای On-Premises .
Edge AI مسیر متفاوتی برای استقرار هوش مصنوعی ارائه میکند:
- مدلها و دادهها در نزدیکی محل تولید و مصرف داده قرار میگیرند.
- سازمان میتواند سختافزار مورد استفاده را تحت کنترل مستقیم خود داشته باشد.
- ارتباط با مدلها میتواند از طریق شبکههای محلی یا خصوصی انجام شود.
- وابستگی به دیتاسنترهای راه دور و اینترنت کاهش پیدا میکند.
چرا هوش مصنوعی را در Edge اجرا کنیم؟ امنیت و تأخیر
Edge AI در دو حوزه اصلی مزیت قابلتوجهی ایجاد میکند:
- امنیت (Security)
- عملکرد و تأخیر (Performance & Latency)
امنیت
نگهداشتن مدلها و دادهها در زیرساخت محلی باعث میشود سازمانها مجبور نباشند اطلاعات حساس خود را به Cloud یا دیتاسنترهای متعلق به شرکتهای ثالث ارسال کنند.
در این شرایط سازمان کنترل مستقیمتری بر موارد زیر خواهد داشت:
- محل نگهداری دادهها (Data Residency)
- نحوه دسترسی به دادهها
- سیاستهای امنیتی
- مدلهای هوش مصنوعی
- زیرساخت پردازشی
Edge AI همچنین میتواند سطح مواجهه با حملات مبتنی بر شبکه را کاهش دهد.
برای مثال، اگر Endpointهای مدل هوش مصنوعی پشت Firewallهای داخلی قرار گرفته و مستقیماً در معرض اینترنت عمومی نباشند، شناسایی و سوءاستفاده از آنها توسط مهاجمان راه دور دشوارتر خواهد بود.
حملاتی مانند Prompt Injection نیز معمولاً در برابر رابطهایی که بهصورت عمومی در اینترنت در دسترس هستند، آسانتر اجرا میشوند؛ درحالیکه سرویسهای On-Premises که اتصال مستقیم به اینترنت ندارند، میتوانند سطح حمله محدودتری داشته باشند.
کاهش Latency با Edge AI
از نظر عملکرد نیز Edge AI میتواند تأخیر را کاهش دهد.
در معماری متمرکز، داده باید مسیر زیر را طی کند:
دستگاه کاربر → شبکه → دیتاسنتر راه دور → پردازش AI → شبکه → دستگاه کاربر
این رفتوبرگشت (Round Trip) بسته به شرایط شبکه ممکن است از چند دهم ثانیه تا چند ثانیه طول بکشد.
در مقابل، شبکههای محلی معمولاً زمان پاسخ سریعتر و پایدارتری فراهم میکنند.
این موضوع بهخصوص برای کاربردهایی اهمیت دارد که Low Latency یک الزام عملیاتی محسوب میشود؛ مانند:
- سیستمهای خودران
- اتوماسیون صنعتی
- کنترل تجهیزات
- پردازش ویدئو
- سیستمهای امنیتی
- برخی کاربردهای پزشکی
- تجهیزات هوشمند و IoT
وضعیت Edge AI در سال ۲۰۲۶؛ مدلهای محلی، سختافزار و سرمایهگذاری
مزایای فوق توضیح میدهند که چرا علاقه به Edge AI در حال افزایش است.
یکی از نشانههای این روند، افزایش محبوبیت Local LLMها یا مدلهای زبانی بزرگی است که برای اجرا روی دستگاههای کاربر طراحی شدهاند، نه صرفاً در Cloud.
در گذشته تصور میشد محدودیت منابع پردازشی Endpointها باعث میشود اجرای LLMهای محلی چندان عملی نباشد. اما با توسعه معماریهای بهینهتر، مدلهای کمحجمتر و ابزارهای نرمافزاری جدید، عملکرد مدلهای هوش مصنوعی روی دستگاهها بهبود یافته است.
نشانه دیگر، افزایش سرمایهگذاری در زیرساختها و سرویسهای Edge AI است.
بر اساس Worldwide Edge Spending Guide شرکت IDC در فوریه ۲۰۲۶، هزینهکرد مربوط به Edge AI طی بازه ۲۰۲۴ تا ۲۰۲۹ میتواند با نرخ رشد مرکب سالانه (CAGR) حدود ۲۴.۴ درصد افزایش یابد.
این رقم نشاندهنده علاقه قابلتوجه و شتابگرفته سازمانها به زیرساختهای هوش مصنوعی در لبه شبکه است.
آیا Edge AI تهدیدی برای سرمایهگذاری در دیتاسنترهاست؟
برای کاربران و سازمانها، Edge AI مزایای روشنی دارد؛ اما برای اپراتورهای دیتاسنتر، این روند میتواند نوعی عدمقطعیت ایجاد کند.
هرچه بخش بیشتری از پردازشهای هوش مصنوعی به Edge منتقل شود، فشار کمتری برای میزبانی مدلها در دیتاسنترهای بزرگ و متمرکز وجود خواهد داشت.
این موضوع میتواند برای شرکتهایی که سرمایه قابلتوجهی را صرف ساخت دیتاسنترهای AI-Optimized کردهاند، خبر چندان خوبی نباشد؛ بهخصوص در شرایطی که بسیاری از این پروژهها هنوز در حال ساخت یا توسعه هستند.
اگر سهم قابلتوجهی از بارهای کاری AI به سمت Edge منتقل شود، برخی از این دیتاسنترها ممکن است با کاهش نرخ بهرهبرداری (Utilization) مواجه شوند.
چرا Edge AI احتمالاً دیتاسنترها را از بین نخواهد برد؟
با این حال، رشد Edge AI الزاماً به معنای کاهش استفاده از هوش مصنوعی در دیتاسنترهای سنتی نیست.
در بسیاری از سناریوها، سازمانها احتمالاً از هر دو معماری بهصورت همزمان استفاده خواهند کرد.
برای مثال:
| نوع بار کاری | محل مناسب اجرا |
| دادههای بسیار حساس | Edge / On-Premises |
| نیاز به Ultra-Low Latency | Edge |
| پردازشهای بلادرنگ | Edge |
| مدلهای بزرگ و سنگین | دیتاسنتر مرکزی |
| Training مدلهای AI | دیتاسنتر / AI Data Center |
| پردازشهای حجیم و Batch | دیتاسنتر مرکزی |
| مدلهای عمومی و مشترک | Cloud / Hyperscale |
| پردازشهای تخصصی سازمانی | ترکیبی از Edge و Data Center |
در چنین معماریای، سازمان بارهای کاری دارای دادههای حساس یا نیازمند Ultra-Low Latency را در Edge قرار میدهد و سایر مدلها و پردازشها همچنان در محیطهای متمرکز اجرا میشوند.
نقش Economies of Scale در دیتاسنترهای AI
یکی از مهمترین دلایلی که دیتاسنترها همچنان اهمیت خواهند داشت، صرفهجویی ناشی از مقیاس (Economies of Scale) است.
استقرار سختافزارهای تخصصی هوش مصنوعی در مقیاس بزرگ نیازمند تجهیزات و زیرساختهایی مانند موارد زیر است:
- سرورهای مجهز به GPU
- شبکههای High-Bandwidth
- پردازندهها و شتابدهندههای AI
- سیستمهای ذخیرهسازی پرسرعت
- سیستمهای خنککننده پیشرفته
- زیرساخت برق با ظرفیت بالا
- سیستمهای مانیتورینگ و مدیریت
- زیرساختهای امنیتی
- سیستمهای Backup و Disaster Recovery
تأمین چنین زیرساختی در مقیاس بزرگ معمولاً در دیتاسنترهای متمرکز اقتصادیتر و عملیتر است.
دیتاسنترهای بزرگ میتوانند هزینههای مربوط به برق، خنکسازی، نگهداری و عملیات را میان تعداد زیادی از سرورها و تجهیزات تقسیم کنند.
در مقابل، توزیع تعداد زیادی GPU و سرور AI در صدها یا هزاران سایت Edge میتواند هزینههای عملیاتی و مدیریتی قابلتوجهی ایجاد کند.
امنیت فیزیکی؛ مزیت دیگر دیتاسنترهای مرکزی
امنیت فیزیکی نیز عامل مهم دیگری است.
سایتهای Edge معمولاً از نظر حفاظت فیزیکی در سطح دیتاسنترهای استاندارد و Tiered قرار ندارند.
در نتیجه، سازمانها ممکن است نسبت به قرار دادن تجهیزات گرانقیمتی مانند:
- GPU
- AI Accelerator
- سرورهای پردازشی
- تجهیزات ذخیرهسازی
- تجهیزات شبکه
در تعداد زیادی سایت پراکنده، احتیاط بیشتری به خرج دهند.
در یک دیتاسنتر حرفهای، کنترل دسترسی فیزیکی، سیستمهای نظارتی، کنترل محیطی، برق پشتیبان، سیستمهای اطفای حریق و سایر تجهیزات حفاظتی میتوانند بهصورت متمرکز مدیریت شوند.
این موضوع برای زیرساختهایی که هر رک ممکن است شامل دهها یا صدها هزار دلار تجهیزات پردازشی باشد، اهمیت بسیار زیادی دارد.
آینده؛ معماری Hybrid AI
در نهایت، رشد Edge AI را نباید بهعنوان جایگزینی کامل برای دیتاسنترهای AI در نظر گرفت.
احتمالاً معماری غالب آینده، یک Hybrid AI Architecture خواهد بود که در آن پردازش میان Edge، دیتاسنترهای سازمانی، Cloud و Hyperscale Data Center تقسیم میشود.
در چنین معماریای:
Edge برای سرعت، حریم خصوصی و پردازش بلادرنگ مورد استفاده قرار میگیرد.
دیتاسنتر مرکزی برای پردازشهای سنگین، Training مدلها، ذخیرهسازی دادههای حجیم و اجرای مدلهای بزرگ استفاده میشود.
Cloud و Hyperscalerها نیز ظرفیت پردازشی انعطافپذیر و مقیاسپذیر را در اختیار سازمانها قرار میدهند.
جمعبندی
اگرچه Edge AI در سالهای آینده به یکی از روشهای مهم اجرای بارهای کاری هوش مصنوعی تبدیل خواهد شد، اما بعید است بتواند دیتاسنترهای سنتی و بهویژه AI Data Centerها را بهطور کامل کنار بزند.
Edge AI برای سناریوهایی که امنیت داده، کنترل مستقیم و تأخیر بسیار پایین اهمیت دارند، گزینهای بسیار مناسب است. در مقابل، دیتاسنترهای مرکزی همچنان در زمینههایی مانند پردازشهای سنگین، آموزش مدلهای بزرگ، مقیاسپذیری، بهرهوری عملیاتی، خنکسازی و مدیریت متمرکز زیرساخت مزیت قابلتوجهی دارند.
بنابراین آینده احتمالاً نه در انتخاب میان Edge یا Data Center، بلکه در ترکیب هوشمندانه هر دو خواهد بود.
ممکن است برخی از سرمایهگذاریهای اخیر در دیتاسنترهای هوش مصنوعی به نرخ بهرهبرداری مورد انتظار نرسند؛ اما اگر چنین اتفاقی رخ دهد، بعید است Edge AI بهتنهایی عامل اصلی آن باشد.
تیم تخصصی شرکت کوشا فناوران مبتکر، آمادگی خود را برای ارائه هرگونه مشاوره و همکاری در پروژه های شبکه و امنیت فضای سایبری اعلام می دارد.
کوشا فناوران مبتکر را در مطالب آموزشی و مجله مبتکر با جدیدترین اخبار فناوری اطلاعات و مقالات علمی دنبال کنید.