Definisi ringkas: krisis infrastruktur dalam gelombang AI terkini
Keterbatasan infrastruktur AI merujuk kepada keadaan apabila seni bina data, storan, rangkaian dan kuasa pengkomputeran sedia ada tidak lagi mampu menyokong keperluan model AI moden yang intensif, menyebabkan projek tertunda, kos melonjak dan keperluan mendesak untuk re-architecting sistem AI demi memastikan keselamatan, tadbir urus dan skala yang boleh dipercayai. Berdasarkan tinjauan global yang melibatkan 1,500 arkitek perusahaan dan pemimpin infrastruktur, syarikat yang sedang giat guna AI kini berdepan tembok lama: seni bina data legasi yang tidak dibina untuk dunia model besar, beban kerja intensif GPU dan keperluan tadbir urus yang ketat.
Isunya bukan lagi sama ada organisasi perlu AI, tetapi sama ada asas infrastruktur mereka cukup matang. 77% organisasi dilapor sudah aktif guna AI, tetapi hampir semua, iaitu 95%, terpaksa menangguh atau membatalkan inisiatif AI dalam tempoh 12 bulan disebabkan cabaran tadbir urus data, pematuhan dan peraturan. Kenyataan ini keras tetapi jelas: strategi AI yang canggih tidak berguna jika ia dibina di atas gudang data yang berserabut, peraturan yang tidak jelas dan infrastruktur yang tidak mampu menyokong skala pengeluaran.
Penundaan besar-besaran: bila AI tergelincir kerana infrastruktur
Penundaan projek AI kini bukan pengecualian; ia hampir menjadi norma. Laporan terkini menunjukkan bahawa 95% organisasi telah menangguh atau membatalkan inisiatif AI mereka akibat isu tadbir urus, pematuhan dan peraturan. Lebih membimbangkan, lebih separuh responden mengaku menangguh atau membatalkan lebih enam projek AI dalam tempoh setahun yang sama. Fakta ini menampar realiti: kebanyakan strategi AI perusahaan tersangkut bukan pada model, tetapi pada infrastruktur dan peraturan.
Pada masa yang sama, 84% organisasi melaporkan peningkatan kos infrastruktur akibat beban kerja AI. Keterbatasan infrastruktur AI memaksa syarikat memilih antara prestasi dan kos, dan selalunya kedua-duanya gagal seimbang. Tadbir urus pula menjadi lebih rumit; 73% responden menyatakan AI menjadikan tadbir urus data lebih kompleks, sementara 75% mengaku proses tadbir urus legasi mereka kini didedahkan kelemahannya oleh AI. Realitinya, banyak organisasi cuba memacu kereta perlumbaan AI di atas jalan raya yang dibina untuk bas sekolah.
The Great AI Re-Architecture: daripada legasi ke hibrid
Apabila hampir tiga suku organisasi (72%) mengaku seni bina data mereka perlu dirombak besar-besaran untuk memenuhi keperluan AI masa depan, mesejnya mudah: kita berada di tengah “The Great AI Re-Architecture”. Ini bukan kosmetik; ini pembedahan besar pada jantung IT perusahaan. Menurut laporan tersebut, peralihan besar sedang berlaku daripada seni bina data legasi kepada persekitaran hibrid yang membolehkan AI dipercayai dijalankan berhampiran data yang dipercayai, tidak kira di mana ia berada.
Perubahan ini didorong oleh hakikat bahawa era AI hari ini memaksa organisasi menilai semula asas infrastruktur teknologi mereka. AI tidak lagi terhad kepada projek perintis; ia sudah tertanam dalam operasi harian perusahaan dan menekan storan data, rangkaian serta sistem tadbir urus lama. Tindak balasnya jelas: organisasi mula melabur serentak dalam awan, on-premise, edge dan persekitaran hibrid, bukan lagi bergantung pada satu model sahaja. 25% menyatakan mereka akan mengutamakan seni bina “hybrid-first” dalam tempoh dua tahun, satu pengakuan bahawa masa depan implementasi AI perusahaan akan ditentukan oleh fleksibiliti, bukan dogma satu platform.
AI bergerak ke dunia fizikal: pelajaran daripada Hitachi dan NVIDIA
Gelombang kedua AI tidak lagi hanya melalui skrin; ia memasuki dunia fizikal—kilang, sistem rel, gudang, sub-stesen dan robot. Di sinilah keterbatasan infrastruktur AI menjadi lebih tajam: beban data tinggi, keperluan masa nyata dan standard keselamatan yang ketat. Hitachi melihat peralihan ini sebagai peluang untuk mengubah bentuk pasaran AI, lalu memperdalam kerjasama dengan NVIDIA sejak 2024 untuk menggabungkan pengkomputeran dipercepat dengan jejak industri mereka.
Hubungan itu berkembang merentasi infrastruktur AI, edge computing, simulasi, kejuruteraan digital dan apa yang mereka panggil sebagai “Physical AI”. Hitachi membina persekitaran kilang AI berasaskan NVIDIA untuk melatih, menjalankan inferens, mensimulasikan dan mengendalikan beban kerja industri pada skala besar. GPU sangat berkuasa, tetapi penempatan dan penggunaan beban kerja menjadi kritikal; tidak semua beban sesuai dijalankan pada infrastruktur paling canggih sepanjang masa. Pendekatan bijak di sini ialah memadankan kecerdasan model dengan pemahaman konteks fizikal—contohnya, sistem rel yang berfungsi sebagai platform sensor bergerak atau garis pemasangan kilang yang dipertingkat dengan visi komputer dan robotik.
Pelaburan infrastruktur industri: daripada kilang ke platform perkhidmatan
Transformasi digital dalam sektor industri dan pembuatan datang dengan cabaran kejuruteraan yang berat. Pergerakan berkelajuan tinggi, seperti dalam sistem rel, menghasilkan jumlah data yang sangat besar, dan banyak daripadanya perlu ditafsir serta ditindak segera di sisi aset, bukan dihantar kembali ke pusat data jauh. Ini memerlukan pelaburan signifikan dalam edge intelligence, infrastruktur hibrid dan simulasi industri. Hitachi mengubah pengalaman dalaman mereka kepada portfolio perkhidmatan yang meliputi reka bentuk kilang AI, pemodenan beban kerja, infrastruktur AI hibrid, MLOps, simulasi industri, data sintetik dan kecerdasan di peringkat edge.
Visinya lebih daripada sekadar menjual aset fizikal. Dengan program seperti HMAX, matlamatnya ialah menjadikan aset—contohnya tren, transformer atau sub-stesen—sebahagian daripada platform digital yang menjana kecerdasan tentang keadaan sendiri dan rangkaian sekeliling. Ini mengubah hubungan perniagaan: daripada jualan sekali kepada perkhidmatan berterusan yang bergantung pada data. Namun, semua ini berdiri di atas asas yang sama: infrastruktur AI yang stabil, boleh diskala dan diarkitek semula dengan betul. Jika organisasi industri terus menunda pelaburan infrastruktur, mereka bukan sahaja melambatkan implementasi AI perusahaan, tetapi juga melepaskan peluang untuk menukar model pendapatan mereka sendiri.
