IDC 发布的《边缘进化：从核心到边缘驱动成功》（简称《报告》）研究报告中指出，79% 的受访企业认为，生成式 AI 已经或将在未来 18 个月内对其业务产生颠覆性影响，这一比例高于亚太平均水平 12 个百分点；此外，37% 的受访企业已将生成式 AI 应用部署到生产环境，另有 61% 的企业正处于技术测试与概念验证阶段，这意味着，在 AI 落地过程中，企业已从 "PPT 阶段 " 进入 " 实战阶段 "。

回顾生成式 AI 的发展历程，2023~2024 年的核心关键词是 " 大模型参数竞赛 "，彼时企业追求 " 千亿级参数 "，以及 " 多模态能力 "；而当时间来到 2025 年，关键词已转向 " 场景落地 "，如何让 AI 真正解决业务问题，成为企业的核心诉求。

在此过程中，亚太地区（APAC）的企业正意识到，仅靠集中式云架构无法满足日益增长的规模、速度和合规性需求。企业必须重新思考和加强基础设施策略，将边缘服务纳入其中，以保持竞争力、满足合规要求，并为实际的人工智能部署做好准备。

" 未来企业亟需构建现代化数字基座，该基座整合了‘云 - 核心 - 边缘计算’的基础设施，将智能服务部署在更靠近用户与应用的位置。" 在 AI 技术快速发展的背景下，这是 Akamai 亚太区与全球云架构师团队总监李文涛对于下一代数字基础设施的演进方向的定义。 

AI 重构数字底座

" 企业的数字化基础决定了 AI 落地速度，但现有架构正在遭遇瓶颈。" 李文涛指出。《报告》数据显示，中国企业已形成 " 公有云依赖 " 特征——多业务环节采用公有云承载生产应用，而 GenAI 的崛起正让这一模式的短板暴露无遗。

在此背景下，企业首先面对的就是时延的挑战。据了解，37% 已部署 GenAI 的企业中，超 60% 反馈 " 实时交互类应用响应延迟超预期 "。以电商虚拟试衣间为例，用户上传图像后需等待核心云完成 AI 推理，单次交互延迟常达 2-3 秒，转化率较预期下降 40%；

除了时延的挑战是大多数企业在落地企业级 AI 过程中的痛点之外，成本也是让很多企业面对 AI 应用 " 望而却步 " 的关键因素。AI 推理产生的海量数据回传至核心云，导致带宽成本激增。

除此之外，在出海跨境开展业务的过程中，72% 的出海企业因 " 数据出境 " 合规要求被迫放弃核心云集中处理模式，GenAI 涉及的用户隐私数据更成为监管焦点。而这点也成为 AI 应用过程中的一大挑战。

" 公有云不是‘不够好’，而是‘不够近’，" 李文涛总结，" 生成式 AI 需要‘核心云训练 + 边缘推理’的协同模式。核心云负责大规模模型训练，边缘负责实时推理与用户交互，这是未来的必然架构。"

边缘计算兴起

基于此，传统的仅仅依赖公有云的模式，显然已经不能满足所有企业拥抱 AI 的需求。在企业级 AI 落地的过程中，企业的数字底座也急需重构。对此，李文涛表示，为充分释放生成式 AI ( GenAI ) 的潜能，企业亟需构建现代化的 " 数字基座 " ——整合边缘计算，将智能服务部署在更靠近用户和应用场景的位置。

在用户对于新一代数字基座的需求下，边缘计算又一次站在了技术舞台的中间，成为了企业构建新一代数字基座的核心技术之一。边缘计算正崛起为下一代数字创新的前沿领域，推动 " 边缘演进 " 趋势，并迫切需要采用变革性方法构建高韧性、面向未来的数字生态系统。" 边缘计算能够以特定方式实现基础设施的分布式部署，不仅降低实时应用的延迟，缓解网络不稳定带来的问题，还能让企业能够更快应对瞬息万变的商业环境。" 李文涛如是说。

而李文涛的观点已经有不少数据支持，智研咨询发布的《2025-2031 年中国边缘云行业市场现状分析及投资机会研判报告》中显示，2024 年全球市场规模达 1851 亿元，中国占比约 70%。预计 2029 年市场规模将达 370 亿元，复合年增长率 22.9%。 ‌

此外，《边缘进化：从核心到边缘驱动成功》中预测，2025 年，边缘 IT 预计成为大多数中国企业 IT 支出增长最显著的领域。另一方面，IDC 预测，到 2027 年，80% 亚太地区的 CIO 将依赖边缘服务支撑 AI 工作负载。

以 AI 推理为例：核心云处理一次电商 AI 推荐的平均时延约为 200~300ms，而边缘节点处理的时延可降至 20~50ms；在带宽成本上，数据在边缘源头处理可减少 70% 的核心云传输量，某制造企业测算显示，这一调整每年可为其节省近百万的带宽费用。

对此，李文涛表示，" 中国企业的数字化基础与 AI 创新能力已处于全球第一梯队，而边缘计算将成为其把技术优势转化为商业胜势的关键。而到 2027 年，80% 的 CIO 将用边缘服务替代传统云的部分功能，这不是选择，而是必然。"

当前，企业正加速采用边缘计算来支撑其数字化运营，确保在与核心或云端资源断开连接时的业务连续性。在李文涛看来，这一现象凸显出在多样化的运营环境中，为了实现无缝功能交付与业务韧性，企业对边缘基础设施的依赖性日益增强。

《报告》中显示，未来 18 个月内，边缘 IT 投资回向四个方向倾斜，分别是：支持数字化运营，如 AI、物联网及智能监控体系；在与核心或云端资源断开连接时的保障措施；支持偏远地区的业务运营；降低连接成本。

数据来源：IDC

另一方面，多个边缘应用场景正推动生成式 AI 加速计算资源 ( 如 GPU ) 的部署，用以支持高性能应用，并确保可扩展性。生成式 AI 与边缘计算的融合，弥合了集中式云资源与分布式边缘环境之间的鸿沟，同时保障了可扩展性和性能表现。

建设 AI 就绪型基础设施的 " 六大支柱 "

《报告》中提出的 " 面向未来数字基础设施六大核心支柱 "，被业内视为生成式 AI 时代的基础设施建设指南。这六大支柱并非孤立存在，而是形成 " 战略 - 技术 - 运营 " 的完整闭环，其核心逻辑是 " 从核心延伸至边缘 " 的全域协同。

支柱一：AI 就绪——效率与体验的双重提升

AI 就绪的核心是 " 让基础设施适配 AI"，而非反之。针对此，企业需从两方面突破：一是硬件层的推理优化，通过边缘节点部署轻量级 GPU 模块，使 AI 推理效率提升 3-5 倍；

二是应用层的个性化支撑，例如零售企业通过边缘 AI 实时分析用户行为，推送定制化商品推荐，转化率较传统模式提高 58%。

"AI 就绪不是技术堆砌，而是业务场景的深度匹配。" 李文涛强调。

支柱二：GenAI 部署——从 " 大模型竞赛 " 到 " 边缘适配 "

《报告》中指出，GenAI 部署正从 " 追求参数规模 " 转向 " 边缘轻量化适配 "。61% 处于测试阶段的企业已意识到，千亿参数级大模型无法直接落地边缘场景，需通过模型压缩、量化等技术适配边缘算力。

硬件投资成为关键突破口。针对此，李文涛建议企业重点布局三类资源：一是边缘级 GPU，满足轻量级推理需求；二是异构计算芯片，适配多模态 AI 任务；三是分布式存储节点，支撑边缘数据的实时处理。

支柱三：现代化边缘 IT ——数据源头的价值挖掘

" 数据在产生的瞬间就已过时 " ——这一工业互联网领域的名言，在 GenAI 时代愈发凸显。现代化边缘 IT 的核心是 " 在数据源头完成价值提取 "，其关键技术路径包括：

边缘推理优先：将 90% 的实时 AI 任务在边缘完成，仅将结果数据回传核心云；

边缘存储分层：热数据本地化存储，冷数据加密上传，降低存储成本；

边缘计算协同：相邻边缘节点形成 " 微集群 "，应对突发算力需求。

比如，某汽车厂商通过车载边缘设备实时处理路况视频数据，仅将异常事件（如事故、拥堵）分析结果上传云端，数据传输量减少 92%，同时实现自动驾驶系统的毫秒级响应。

支柱四：边缘优化架构——分布式场景的 " 协同中枢 "

边缘优化架构要解决的核心问题是 " 分布式资源的统一调度 "。报告指出，企业常陷入 " 边缘孤岛 " 困境——不同区域的边缘节点各自为战，无法形成全局算力网络。对此，IDC 提出了三层架构解决方案：在接入层，支持 5G、Wi-Fi6 等多网络接入，实现终端设备无缝连接；在算力层，构建 " 边缘节点 - 区域中心 - 核心云 " 三级算力池，动态分配资源；在管理层，通过统一平台实现边缘设备、算力、数据的可视化管控。

支柱五：云端到边缘——公有云投资的 " 价值延伸 "

" 企业已在公有云投入巨额资源，边缘部署不应是‘另起炉灶’。" 李文涛强调，云端到边缘的核心是 " 投资复用与能力延伸 "。《报告》数据显示，83% 的企业希望将现有公有云服务扩展至边缘，而实现这一目标的关键是 " 互联互通 "。

技术层面，需突破两大瓶颈：一是 API 标准化，实现多云平台与边缘节点的接口统一；二是数据一致性，通过边缘缓存、增量同步等技术确保核心云与边缘数据同步。

基于此，Akamai 与 AWS、Azure 等主流云厂商的深度合作印证了这一路径——企业可将核心云的模型、数据无缝同步至 Akamai 边缘节点，无需重构现有 IT 架构。

支柱六：自主运营—— AI 驱动的 " 自动化运维 "

当边缘节点规模达到数千甚至数万个，传统人工运维模式已难以为继。自主运营的核心是 " 用 AI 管理 AI 基础设施 "，其关键能力主要包括：智能监控，通过边缘 AI 实时监测节点算力、带宽、温度等指标，异常预警准确率达 95%；自动调度，根据业务负载动态调整边缘与核心云的资源分配，资源利用率提升 30%；自愈修复，边缘节点故障时自动切换至备用节点，业务中断时间控制在秒级。（文｜Leo 张 ToB 杂谈，作者｜张申宇，编辑丨盖虹达）