機器學習有望為先進的數據中心管理開創新的紀元，但數據中心的許多基礎設施的管理仍然還有很長的路要走，這些基礎設施管理有必要從過去那種晦澀難懂基于電子表格管理管理逐漸發展演化到以自動化管理為主的方向上來。

數據中心基礎設施管理（DCIM）軟件的終極目標是最終實現自我管理或完全自動化的數據中心。

業界當前寄希望于人工智能驅動的管理軟件（可能是基于云計算的）將會監控和控制IT和設施基礎設施，以及應用程序。人工智能將實現無縫整體性地——可能是跨越多個站點——實施其監控管理。冷卻散熱、電源、計算、工作負載、存儲和網絡將動態化，以實現最高效率，生產力和可用性。

通過將基于云的分析應用于從數千個地點采集的傳感器數據，設施設備和IT也將在一定程度上得到自我修復，從而有助于企業數據中心得以運用其來指導和制定有針對性的預測性和預防性維護計劃。備用零件將可能是經由靈巧的機器人進行訂購、測試和安裝，以便在需要時精確匹配，以避免發生故障失效，同時避免不必要的維護和測試。

這種以人工智能驅動的管理模式在數據中心業界可能已經有十年甚至更長的歷史了，但是，整個數據中心行業目前也僅僅只是在部分的領域取得了一些進展。例如，谷歌公司在2014年透露，該公司一直在使用通過其收購英國AI專家DeepMind公司所獲得的技術來改善其部分數據中心站點的基礎設施管理。

正如谷歌在當時所指出的那樣：鑒于數據中心內部有太多的電力和冷卻設備相互作用，故而使得其基礎設施的管理無疑是太過復雜而人類員工是無法勝任的。該公司當時曾表示：想象一處簡化的數據中心場景：一處數據中心只有10款設備，其中每款設備有10個設置，可能將會有10到100億款可能的電源配置，以及相關可能的其它配置，這就已經遠遠超出任何人工測試的真實能力的范疇了——但即使這樣，directadmin漢化 虛擬主機，其也遠遠低于一處實際的數據中心可能的配置。

AI驅動的效率谷歌公司使用來自其數據中心內部的成千上萬個傳感器所收集的歷史數據信息來訓練一款“深度人工神經網絡集合體”。谷歌表示，將所得到的算法應用于其基礎設施的管理過程，使得其實現了冷卻能耗降低了40%，進而使得數據中心的整體能源消耗降低了15%.目前，該公司還在繼續開發和完善機器學習的使用——人工智能應用的一個子集范疇——無疑還將進一步取得更杰出的成果。

但事實上，并非僅僅只有谷歌這樣的高級云服務供應商們在進行著機器學習領域的試驗項目。DCIM軟件供應商Vigilent公司表示，該公司已經將機器學習整合融入其動態的冷卻管理系統多年了：每一分鐘，來自數百或數千個環境傳感器的數據均經由無線網狀網絡被收集，并進入中央人工智能（AI）引擎……借助復雜的動態控制算法，然后將指令實時發送到數據中心站點的冷卻系統，制定旨在優化性能績效的決策。

在不久的將來，我們可以期待更多的DCIM供應商、托管服務和云服務提供商擁有自主研發的工具，進而將機器學習和其他形式的AI人工智能整合到管理系統中。從孤立的企業本地部署DCIM軟件轉移到基于云的數據中心管理即服務（DMaaS）工具（來自多個站點的數據將匯總在云中）也應該有助于加速這一過程。

從電子表格到AI的漫長過程但是，盡管人們會很容易陷入又人工智能所帶來的令人興奮且具有顛覆破壞性的潛力，但數據中心業界當前最為重要的則是亟待反思大多數數據中心將如何繼續設計、構建和運行的這一嚴峻的現實問題。

事實上，數據中心的許多管理過程——特別是在基礎設施管理方面——仍然嚴重的依賴于傳統的設備和人工手動操作。例如，正如我們以前所強調的那樣，盡管DCIM工具已經存在了將近十年了，但大量的數據中心運營商們仍然對該技術持懷疑的態度。多達50%的數據中心站點（可能是那些較小型的終端站點）仍然依靠可信但不太智能的建筑管理工具以及電子表格，書面文檔和其他手動流程來運行其基礎設施。

打造數字化盡管整個數據中心業界已經看到了相關軟件工具——包括一些DCIM軟件以及專業計算機維護管理系統（CMMS）——獲得了長足的發展，可以用以幫助管理和自動化數據中心的重要管理程序的應用程序。但事實上，所謂的操作和維護（或者說O&M），其實踐方案在紙質文檔中或者說在設備工作人員的負責人看來，仍然是常規性的。