人工智能在探索提升效率新高度的同时，也产生了对带宽需求的巨幅增加。
电影制作人如何能够将那些在当时看来与现实相去甚远的概念引入我们的日常生活中，这一点一直让人感到惊奇。1990年，阿诺德施瓦辛格(Arnold Schwarzenegger)的电影《Total recall》向我们展示了“Johnny Cab”，这是一种无人驾驶汽车，可以载着我们去任何想去的地方。现在，许多大型汽车公司都在投资数百万美元将这项技术推广到普罗大众。多亏了《回到未来2》(Back to the Future II)，马蒂·麦克弗莱(Marty McFly)在磁浮滑板上躲避暴徒，这让我们的孩子可以站在类似于1989年我们看到的东西上撞向家具。
回到1968年（我们有些人还能记得），我们用HAL 9000（电影《2001太空漫游》中发现号宇宙飞船上的一台有感知的计算机）接触到了人工智能（AI）。HAL能够说话和面部识别，自然语言处理，唇读，艺术欣赏，解释情感行为，自动推理，甚至可以下棋。
快进到过去几年，您可以非常快速的确定AI已经成为我们日常生活中不可或缺的一部分。 您可以向智能手机询问下一个旅行目的地的天气情况，虚拟助理可以播放您喜欢的音乐，您的社交媒体账户将根据您的个人喜好更新新闻和广告。 没有冒犯科技公司的意思，这就是AI 101。
但是在这个背景下发生的事情太多了，我们看不到这有助于改善，甚至拯救生活。语言翻译、新闻推送、面部识别、复杂疾病的更准确诊断以及药物研发速度的加快，只是企业开发和部署人工智能的部分应用。据Gartner预测，人工智能带来的商业价值到2022年将达到3.9万亿美元。
那么人工智能是如何影响数据中心的呢?
早在2014年，Google就在他们的一个数据中心部署了Deepmind AI(使用人工智能的一种应用——机器学习)。结果呢?他们能够持续地减少40%用于冷却的能量，这相当于在考虑到电气损耗和其他非冷却效率之后，总PUE开销减少15%。这产生了该数据中心见过的最低PUE。基于这些显著的节省，Google希望在他们的其他数据中心里部署这项技术，并建议其他公司也这样做。
Facebook的使命是“赋予人们建立社区的力量，让世界更紧密地联系在一起”，他们在白皮书《Facebook应用机器学习:数据中心基础设施的视角》(Applied Machine Learning at Facebook: A Datacenter Infrastructure Perspective)中概述了这一点。它描述了在全球范围内支持机器学习的硬件和软件基础架构。
为了让你对AI和ML需要多少计算能力有个基本概念，百度硅谷实验室的首席科学家Andrew Ng表示，训练一个百度的中文语音识别模型不仅需要4 terabytes的训练数据，还需要20个计算机的exaflops计算量，也就是整个培训周期内需要200亿亿次数学运算。
但是我们的数据中心基础设施呢?人工智能是如何影响不同规模和类型基础设施的设计和部署的，我们正在建造、租用或升级数据中心基础设施，以适应这种创新的、节省成本的和更为高效的技术。
ML可以在一台机器上运行，但由于难以置信的数据吞吐量通常会在多台机器上运行。所有机器都互相连接，在训练和数据处理阶段，所有设备都相互连接，以确保持续的通信和低延迟，绝对不会中断在我们指尖、屏幕或音频设备上的服务。作为人类，我们对于海量数据的渴望正在推动带宽指数的增长，以满足我们最简单的想法。
这种带宽需要在设备内部以及跨多个设备进行分布，使用更复杂的架构设计(spine-and-leaf)。我们说的super-spine和super-leaf它们为所有复杂的算法提供了一条高速公路，以便数据在不同的设备之间传输，最终回到我们的接收器。 
