AI transformation across the infrastructure lifecycle: From supply chain to fleet operations

AI基础设施是一个系统，该系统的每个部分都相互关联。在硅芯片和系统设计中做出的决策，会影响基础设施在整个舰队中的采购、部署和运营方式。而一旦硬件开始运行，我们从中获得的经验将指导下一步的建设方向。

这种反馈机制至关重要，因为系统永远不会静止不动。需求会发生变化，组件限制会浮现，新的容量会上线，硬件需求也会随着舰队规模的变化而演变。保持基础设施的可靠性意味着在需求变化时持续学习和调整。

在微软，Azure硬件系统与基础设施团队贯穿整个生命周期，从系统架构设计、供应链管理，到部署和覆盖Azure全球80多个区域、500多个数据中心园区的舰队运营。这种端到端的视角使我们有机会在整个硬件生命周期中连接洞察，使系统某一部分学到的经验能够改善其他部分的决策。

AI可以加速这一学习过程。在我们自身的AI转型过程中，我们正在应用智能代理和AI工具帮助团队连接信息、理解变化并更早采取行动，同时始终将人类判断置于核心位置。这带来的机遇不仅是让单个任务更快，而是构建一个能够从基础设施设计、采购和运营中学习，并将这些经验应用于未来发展的系统。这种做法是我们更广泛的AI转型旅程的一部分。

从工作本身出发，而非AI技术

这一过程强化了一个关键教训：当我们扩大在云基础设施中应用AI作为增强力量的规模时，AI转型应从工作本身出发，而非技术本身。速度固然重要，但更大的机遇在于重新设计决策方式：在需要决策时有哪些信息可用，团队能多快理解发生了什么变化，以及人类判断最关键的位置在哪里。

我们的云供应链是这一原则的典型实践案例。每个月，需求规划团队都要预测微软Azure基础设施未来数年的需求，考虑客户需求变化、区域需求、已安装容量和退役活动等因素。当计划发生变化时，确定原因可能需要在多个系统中核对信息，使单一调查演变为漫长的过程。面对这种情况，我们曾诱惑于寻找可以引入智能代理的环节。

对于任何公司而言，将人工智能叠加在碎片化流程之上，只会让碎片化以更快的速度蔓延。在应用人工智能之前，我们的团队首先对工作流程进行了映射和简化，建立了具有质量保障、治理机制和访问控制的共享数据基础，并明确了需要人类保持责任的决策点。我们将这一方法称为“先精益，后AI”。

从端到端流程出发并采用人工智能驱动的方法，为团队提供了全新的工作方式，使团队能够并行执行任务而非顺序交接，从而实现集成化、协作化的流程。

从数日研究到分钟级决策

在这一基础之上，我们以全新的方式开展需求规划。多智能体工作流可以分析诸如已安装设备变化、区域需求和设备退役调整等信号，帮助规划人员理解发生了什么变化、发生在何处以及驱动变化的因素。过去需要五到七个工作日才能完成的工作，现在可以在数小时内完成，有时甚至不到20分钟。在五个以上的月度规划周期中，我们的完整需求规划团队手动工作量减少了约50%，部分流程的周期时间缩短了多达75%。

这一模式正在规划、产品数据、采购、履约、物流和运营流程中同步显现。专业智能体正在帮助团队减少查找和核对信息的时间，从而腾出更多时间用于发挥专业判断。

在履约环节，理解货架交付为何无法满足客户需求可能需要团队从多个来源手动提取信息。现在，智能助手能够整合有关阻碍因素以及兼容或不兼容供应的信息，将调查时间缩短多达55%。在物流领域，人工智能驱动的物流代理能够整合空运、陆运和海运选项的数据，帮助团队评估速度、成本以及碳排放权衡，并预测排放情况。

构建学习闭环

这些单独的应用具有重要意义，但更大的机会在于将它们连接起来。我们的云供应链团队正朝着物料清单生成、产能交付、备件管理、产能对接以及销售与运营执行的端到端多智能体工作流方向发展。这项工作反映了我们业务更广泛的转变：从孤立的实验转向更快、更具韧性且智能的操作系统，将人类判断置于核心位置。

重要的结果不仅仅是速度的提升。规划人员可以不再耗费数日来拼凑证据，而是从连接的证据出发，从而拥有更多时间审视解释、添加业务背景并判断对后续决策的影响。

这是我们要实现的学习闭环。AI帮助人们更快获取证据，人们则结合上下文和判断力，根据所学采取行动，并生成能优化下一次决策的新信息。

跨舰队学习

硬件生命周期不会因服务器抵达数据中心而结束。基础设施部署后，挑战在于如何持续稳定地为客户运行。在我们数以百万计的节点中，持续监控生成的信号帮助团队调查问题、确定根本原因并决定应对措施。

在Azure中，我们正在将云可靠性向供应链上游延伸——将舰队管理从被动灭火转变为闭环系统，该系统能够预防缺陷、预测故障，并自动将硬件恢复至服务状态。随着向自愈舰队演进，我们同样应用这些原则：跨生命周期连接数据、持续评估、重新设计适用于人机协同的工作流程，并始终让工程师掌控生产决策。最终，这也将开启下一轮学习循环：系统收集并分析舰队信息，故障模式成为供应商设计下一代硬件的证据。

Azure故障预测与检测利用AI分析舰队遥测数据，使团队能够更早识别硬件故障模式，并在潜在问题影响客户前采取行动。工程师仍保留对生产决策的监督权。这一措施已使与磁盘相关的虚拟机（VM）中断减少92%，离线节点的维修时间缩短53%。对于机架管理员而言，预测可提供多达三天的预警，使主动恢复措施将离线维修减少40%。

我们还会定期主动筛查舰队，识别可能在客户工作负载部署前发生静默数据损坏的硬件，从而增强平台可靠性。

我们还开发了在硬件经历调查和恢复流程时保留上下文的工作流程。对于故障资源，这些工作流程会跟踪分配、操作、结果和下一步行动，并在舰队操作周围设置策略和审批控制。历史记录和结果随后可以为未来决策提供参考。

这就是更广泛的系统故事的汇聚之处。需求规划决策会影响采购，物流则影响容量何时抵达数据中心。一旦硬件开始运行，舰队遥测数据和运营结果会创造另一个学习来源。组件性能信息可以帮助团队在客户遇到问题前主动解决潜在问题。这些洞察还可以向前传递至下一代芯片、系统和机架设计，同时为供应商提供改进未来组件的信息。

AI可以加速这一循环，但真正价值在于帮助整个系统协同运作得更好。

当系统失效时我们学到的经验

我们一些最有价值的教训来自于那些未能奏效的方法。

我们认识到，将AI应用于碎片化流程的某一部分虽然能加速该任务，却可能在其他环节制造更多工作。一个代理可能更快完成输出，但如果下游团队必须手动解释、重新格式化或协调这些输出，整体工作流程并未真正改进。

这改变了我们衡量成功的标准。团队不再只关注代理执行的任务，而是必须审视完整的工作流程：移除了哪些工作、产生了哪些新工作、决策的质量以及最终结果。

可靠、易访问且治理良好的数据是前提条件，而非事后考虑。AI无法弥补定义冲突、权限模糊或系统间信息孤立的问题。

我们还学会了不要过度依赖特定架构或代理。模型、框架和业务需求持续变化。今天有效的解决方案，可能在六个月后需要重新设计，甚至可能因原始业务需求不再适用而被淘汰。

由此形成的节奏是务实的：从一个关键决策入手，简化其周边工作，连接正确的受控数据，与熟悉该工作的人员协同构建，评估完整结果，并随着业务和技术的发展持续改进。

我们下一步的衡量标准

企业AI的下一阶段需要我们衡量的不仅是采用率：有多少人使用代理、部署了多少代理，或节省了多少时间。这些指标很重要，但无法告诉我们工作本身是否真正改进。规划者能否在几分钟内理解过去需要数天解释的变化？履约经理能否在不手动协调跨系统信息的情况下解决产能瓶颈？工程师能否在硬件问题影响客户之前识别潜在问题？团队能否运用专业知识，使下一个决策比上一个更好？

我们正在探索的方向：一种随着技术和业务变化持续学习的工作方式。我们不是为了构建最大规模的代理集合，或仅仅因为有能力就自动化决策。我们致力于从现有系统中的基础设施、信息和专业知识中产出更有价值的结果。

如果AI要改变世界能构建的内容，我们必须持续改进其背后的基础设施构建方式。通过将芯片、系统、供应链和舰队运营的洞察相互连接，每个阶段都能帮助下一阶段改进。最终成果是客户需要时随时可用的可靠基础设施，以及一个随着每次迭代不断学习如何更高效交付的系统。