Akamai：当AI 转向生产，成本、延迟与安全成核心考验

AI的发展太快了，快到很多企业还没想清楚怎么用，就已经被推着走了。最近，Akamai亚太区高级销售副总裁兼区域总经理李昇在与亚太区的客户交流时，明显感觉到这种推力——以前大家问我们该不该投AI，现在问的是怎么让AI安全地跑起来，还得赚钱。

Akamai亚太区高级销售副总裁兼区域总经理李昇

这个问题背后，是整个行业的重心在转移。当预算不再流向概念验证，而是直接砸向生产环境；讨论不再围着模型参数打转，而是聚焦延迟、成本、合规这些枯燥却要命的工程指标。AI正在从一场技术秀变成一门需要算清楚账的生意。

事实上，亚太地区在AI应用上的分化，已经不再以发达市场和新兴市场为界，真正的分水岭，在于企业有没有完成从试验到运营的校准。有的公司还在小范围试点，有的公司已经让AI进入生产环境跑业务。这种分化不是地域性的，而是认知阶段性的。

预算流向的变化最能说明问题：过去预算集中在概念验证项目上，现在则直接投向生产环境。业务负责人不再满足于“我们用了大模型”，而是要求AI投资带来可衡量的业务成果，有明确的投资回报。

这种压力传导到业务层面，催生了一批真正赚钱的AI场景。李昇举了两个例子：游戏公司用AI创建个性化虚拟伙伴，这些角色有独特的行为和外观，能陪伴玩家整个游戏过程，结果玩家停留时间变长，商业变现能力提升；电商客户让消费者上传自拍照，AI根据真实场景生成穿搭方案，用户在平台上的停留时间和购买转化都改善了。

这些都不是传统意义上“提高生产力”的叙事，而是AI直接参与收入创造。当AI开始影响营收，基础设施就不再是IT部门能单独拍板的事。 “基础设施已经成为董事会层面的战略决策。”李昇透露，董事会关注的是，企业所选择的基础设施能否在整个AI生命周期内，提供所需的安全性、可靠性和长期可持续性。选错架构不只是技术债，还可能拖累公司长期的AI竞争力。

商业侧的压力很快传导到了技术架构上。Akamai云计算首席技术官Jay Jenkins给出了一个判断：今天的云基础设施是为一个完全不同的时代构建的，它天然不适合AI推理的大规模部署。传统云高度集中，计算资源和数据扎堆，形成所谓的“数据引力”。但AI推理，尤其是多智能体系统，对实时性的要求完全不同。

Akamai云计算首席技术官Jay Jenkins

例如：单次AI请求延迟40到100毫秒也许可以接受，但多智能体系统不是一次请求，而是可能数百次请求。延迟会累积，40毫秒变成4秒，甚至40秒。“这会造成巨大的延迟，并带来非常糟糕的客户体验。”Jay Jenkins解释说，实时AI依赖邻近性。用户、数据、应用程序、决策，四个环节都需要靠近。数据在哪里产生，推理就应该在哪里进行，而不是等数据传到遥远的中心节点再处理。当数据敏感或受监管时，本地推理几乎是必选项。

这种思路在亚太地区尤其重要。Jenkins分析，亚太市场高度碎片化，不同国家在基础设施成熟度、网络连接、数据中心容量、电力限制和数据主权要求上差异巨大。有的国家有多个数据中心，有的国家更倾向于本地部署。一个统一的集中式架构根本行不通，企业需要的是能够根据延迟、合规、成本等因素灵活调度工作负载的能力。

GoVeda的案例很能说明问题。这家专利检索服务商最初使用GPU，但Akamai评估后认为，在业务起步阶段，CPU完全可以胜任同样的工作。结果性能提升了30%，成本下降了20%。未来业务规模扩大后再引入GPU。这背后不是简单的成本优化，而是根据业务阶段选择合适的计算资源，避免在早期被昂贵的硬件绑架。 “我们并不是说所有东西都必须转移到边缘。我们的目标，是让客户能够灵活选择在哪里运行AI。”Jay Jenkins说。

这种灵活性背后，是Akamai与NVIDIA的合作。去年NVIDIA发布AI Grid框架，Akamai成为第一家实际部署的企业。这个框架的目标是智能协调全球分布式基础设施，把工作负载移动到最适合运行的位置。Jenkins强调，这不只是新建数据中心，而是利用全球既有基础设施建立一个AI网格。对于Akamai来说，过去20多年在CDN、安全和云服务中积累的分布式能力，正好可以复用到AI推理上。

但即便算力和延迟的问题解决了，AI还有更棘手的一面。当AI开始“动手”，安全模型也必须重写。Akamai亚太地区及日本安全技术与战略总监Reuben Koh认为，“人们不再只是使用AI获取答案，而是开始使用AI执行行动。”这句话是理解智能体AI风险的关键。一个投资者问AI该买什么股票，和让AI直接代替自己交易，完全是两码事。后者一旦出错，损失可能无法挽回，而且没有人工干预的机会。