如今，相比大模型能寫什麼、回答什麼，企業開始更多關注AI能否進入具體的業務流程，獨立完成一項工作。
這一變化正在推動智能體(Agent)應用加速落地。
過去幾年，AI在企業中的應用主要集中於問答、總結、內容生成和知識檢索；如今，越來越多AI應用接入企業軟體，調用工具、讀取數據，並在權限範圍內完成連續任務。
麥肯錫2025年的一項全球調研顯示，39%的受訪企業正在試驗智能體應用，23%已經在規模化部署智能體。對於企業IT 部門而言，這意味著AI帶來的壓力正在從模型和算力，進一步傳導至網路、系統和數據基礎設施。
以採購場景為例，一個業務智能體接收到需求後，需要查詢庫存、比對供應商報價、評估交付周期、生成物流方案，並最終形成採購訂單。儘管前台看到的只是一條指令，但在系統背後，模型推理、API調用，以及多個業務系統之間的數據交換正在頻繁的運行。
而隨著智能體進入企業核心業務流程，網路基礎設施面對的挑戰也隨之升級。不同於過去由員工操作驅動的流量模式，智能體可以持續在線，並同時觸發多個任務鏈路，使數據請求更加高頻、複雜且不可預測。所以，企業網路需要應對的不只是流量增長，更是交互方式、訪問路徑和峰值分布的全面變化。
換句話說，企業正被智能體代入一個新的階段：AI已經具備執行任務的能力，承載AI的網路，也需要具備更強的感知、分析和自動調整能力。
於是，在算力之外，網路正在成為企業擴大AI應用規模時繞不開的一環。
也正是在這一節點上，完成對Juniper Networks收購一年的HPE Networking提出了「自動駕駛的網路」（Self-Driving Networks）戰略。其核心方向，正是應對智能體時代企業網路的新需求。
當業務系統開始持續、自動地運行，網路也需要從被動連接基礎設施，轉向能夠主動感知、優化和調整的智能系統。
正如HPE Networking中國區總經理竺宏所說，如果企業未來越來越多地採用智能體，那麼從基礎設施層面開始，也必須同步向智能化和自動化演進，才能真正支撐AI時代應用的發展。
HPE Networking中國區總經理 竺宏
01 從響應到自治，網路運維自己的「L5級自動駕駛」
其實，IT 運維長期遵循一種高度「被動」的邏輯。
就比如，員工發現網路無法連接、應用訪問出現卡頓，通常會先提交工單（Ticket）。隨後，IT工程師需要登錄網管系統，在海量告警資訊中篩選線索，再結合抓包、日誌分析等手段逐步排查，最終定位問題。
這種以「發現故障—提交工單—人工定位—修復問題」為核心的Break-Fix（故障後修復）模式，依賴的是工程師長期積累的經驗。但是，隨著智能體進入企業的業務工作流，網路面臨的需求變成了，大量任務將由智能體自主發起和執行。但是，智能體不會感知到網路異常後主動反饋，而是直接依賴網路環境完成調用、協同和決策。
這意味著，網路運維不能再只是等待故障發生後的被動響應，而需要具備更強的實時感知、自動判斷和主動優化能力。
面對企業網路複雜度持續上升，HPE Networking給出的核心解法是推動網路從傳統人工運維模式走向具備感知、分析和執行能力的「AI原生網路」。
這一戰略的技術底座，來自收購Juniper後進一步融合的Mist AI平台，以及其核心能力：Marvis虛擬網路助手。
不同於簡單疊加通用大模型能力的智能助手，Marvis長期圍繞網路場景進行訓練和優化，本質上更接近面向網路運維的AI專家系統。其融合了自然語言處理（NLP）、自然語言理解（NLU），以及多智能體框架（Multi-智能體 framework），能夠理解網路狀態、分析異常原因，並根據預設權限執行相應操作。
正是在這一技術框架下，網路運維開始向真正的「自動駕駛」演進。HPE Networking 中國區企業網路技術總監俞世丹將網路運維的成熟度劃分為五個階段：第一階段是數據採集，第二階段是形成洞察，第三階段是提供建議，第四階段是輔助運維，第五階段則是完全自動駕駛。
HPE Networking 中國區企業網路技術總監 俞世丹
目前，依託Mist AI 與 Marvis 的持續進化，HPE Networking正邁向第五階段，致力於從「故障發生後的授權主動修復（第四階段）」向「全棧智能、提前預防與解決潛在問題（第五階段）」跨越。
向更高階段邁進的自愈與防護能力，正在嚴苛的業務環境中轉化為實實在在的生產力。例如，在傳統運維場景中，若網路交換機埠陷入假死（Stuck）狀態，工程師往往需要經歷「告警觸發—日誌分析—人工排查—手動重啟」的漫長鏈路；而在客戶授權的框架內，Marvis 能夠自主完成異常診斷並直接執行修復，將原本動輒數小時的故障恢復周期壓縮至分鐘級。
在對網路可靠性與實時性有著極致要求的梅賽德斯-奔馳 F1 車隊中，這種「自動的駕駛」理念得到了進一步的驗證。
梅賽德斯-AMG Petronasy F1車隊在英國總部及賽道隨隊基礎設施中採用了HPE Networking全棧方案，包括CX系列骨幹交換機、Wi-Fi 7無線網路、ClearPass准入控制和EdgeConnect SD-WAN。該體系用於支撐賽道數據回傳、終端接入、身份認證及總部與賽場之間的廣域網連接，也為「自我優化、自我保護和自我修復」的網路運維理念提供了實際應用場景
從演進視角來看，為了徹底打通底層壁壘，HPE Networking正在通過「Mistification」的策略，加速推動內部網路管理體系的融合。
在收購 Juniper之前，HPE Networking本就擁有主打園區和分支網路管理的Central平台，而Juniper的Mist平台則憑藉AI原生聞名行業。於是，HPE Networking依託微服務與雲原生架構，加快融合兩大平台。Mist中的Marvis能力正在進入Aruba Central，Central積累的終端識別和網路能力也在向Mist遷移。硬體層面，AP-723H成為HPE第一款同時支持Mist與Aruba Central的無線接入點，CX交換產品組合也開始與Mist平台深度集成。
不過，現階段，Central和Mist仍會並行服務原有客戶，雙方的功能和使用體驗將逐漸接近。
02 「液冷交換機+意圖網路」破局算力集群「木桶效應」
在AI數據中心網路（DCN）的具體應用中，企業則面對的是另一場更底層的挑戰：如何讓成千上萬顆 GPU 持續保持滿負載運行。
過去幾年，大模型訓練和大規模推理的計算量需求不斷擴大。從數百張GPU，到數千乃至數萬張GPU的集群，算力密度正在逼近傳統數據中心網路的承載邊界。
在這樣的智算集群中，GPU本身已經不再是唯一瓶頸。由於訓練任務需要大量節點之間持續交換數據，任何一次網路擁塞、鏈路抖動甚至微小丟包，都將導致GPU進入空閒（GPU Idle）狀態。而對於每小時消耗大量算力資源的AI任務而言，網路效率最終會直接影響任務完成時間（JCT）和整體算力利用率。
當網路開始直接影響GPU利用率，AI數據中心採用何種互聯架構，就成為了核心問題。
長期以來，GPU集群內部同時存在兩類網路需求。機櫃內部的Scale-up互聯強調GPU之間的極低延遲和高頻寬，NVLink長期占據重要位置；跨伺服器、跨機櫃的Scale-out網路則主要由InfiniBand和以太網承擔。
HPE Networking當前的布局覆蓋了兩個層級：QFX5250用於大規模AI集群的Scale-out連接，QFX5252面向AMD Helios提供開放以太網Scale-up能力。
HPE Networking的QFX5250是在2026年一季度上市的。
這款2RU交換機面向下一代GPU集群設計，可提供 64個1.6T 埠，整機吞吐量達到 102.4Tbps。
但相比單純提升交換速率，更值得關注的是QFX5250對散熱架構的重新設計。
作為業界首批採用晶片直液冷（Direct-to-chip liquid cooling）的100Tbps 級AI交換機之一，QFX5250將伺服器領域成熟的液冷技術引入網路設備，通過直接為核心晶片散熱，降低高密度交換環境下的熱壓力。據介紹，該設計可降低整體功耗約10%～15%，同時減少傳統風冷架構對於冷熱通道布局的限制，為更高密度的AI算力機櫃部署提供條件。
而針對邊緣AI推理場景，HPE Networking也同步推出了QFX5140，在1RU空間內提供24個400G和8個800G 埠，以滿足邊緣節點對於高頻寬、小體積，以及低能耗的綜合需求。
不過，對於AI數據中心而言，單純提升網路頻寬並不能解決所有問題。
隨著GPU集群規模持續擴大，網路本身也正在從簡單的數據通道，演變為需要被持續調度和管理的複雜系統。如果仍依靠人工完成設備配置、鏈路檢查和故障排查，部署周期會被持續拉長，同時也容易因為人為錯誤影響整個訓練任務。
因此，AI 網路的下一階段競爭，是自動化能力的競爭。
對此，俞世丹的觀點是，AI 數據中心需要通過意圖驅動網路（Intent-based Networking）降低運維複雜度。
具體的實現路徑是，HPE Networking將其Apstra Data Center Director平台與AI能力結合，讓系統根據整體網路目標自動完成架構設計，生成設備和埠配置，並實現自動下發。同時，通過對鏈路狀態和光模組數據的持續採集和分析，讓Apstra平台能夠提前發現潛在故障風險。
在效率上，過去需要數周完成的AI網路部署，如今可以壓縮到設備上電後一天內完成。此外，依託負載均衡等技術，該系統還能實現「大象流」（Elephant Flow）傳輸路徑的優化，減少網路擁塞，提高訓練任務執行效率。
從產業落地的角度看，AI網路的建設也正在超越單一產品能力，轉向技術、生態與交付能力的綜合較量。
在竺宏看來，AI 網路建設最終考驗的是技術、生態和交付能力的綜合實力。
當前，HPE正與AMD等產業夥伴推進一體化AI機櫃方案，同時藉助全球化服務網路，為算力企業跨區域部署提供從建設到運維的長期保障。
03 守護內生安全：為智能體越權「踩下剎車」
當網路變得更快、更智能之後，另一個更加關鍵的問題也隨之出現，那就是安全。
在傳統IT架構中，網路和安全往往是兩個相對獨立的體系。網路負責連接設備、保障通信，安全則通過防火牆等邊界設備建立防護屏障。但在智能體時代，這種依賴固定邊界的安全模式正在失去作用。
原因在於，AI同時改變了攻擊和業務運行的方式。
一方面，大模型降低了攻擊門檻，加速網路攻擊過程。過去，攻擊者往往需要長時間偵察和人工分析，才能發現企業內部漏洞並完成滲透。而如今，AI工具能夠自動化完成漏洞掃描、攻擊路徑分析等任務，使企業內網面臨更加快速和持續的威脅。一旦某個終端被攻破，攻擊者便可能以此為入口，在內部網路中進行橫向移動（East-West Traffic），進一步擴散攻擊範圍。
另一方面，企業內部的安全主體，變成了智能體。智能體會根據任務需求自主調用服務、訪問數據，並跨越伺服器、資料庫以及物聯網（IoT）設備完成工作。如果缺少有效的權限控制，智能體就可能訪問超出職責範圍的數據。例如，負責設備維護的智能體，如果錯誤調用了財務資料庫接口，就可能造成嚴重的數據風險。
因此，在智能體AI時代，安全的核心挑戰就是「持續識別每一次連接，並動態控制每一次訪問」。
基於這一判斷，HPE Networking提出了「內生安全架構
（Integral Security）」。其核心思路是，將安全能力融入網路基礎設施本身，而不是作為網路之外的附加組件存在。
這一架構是，HPE Networking通過整合ClearPass網路准入控制、EdgeConnect SD-WAN 以及SSE（安全訪問服務邊緣）能力，構建覆蓋身份認證、訪問控制、流量隔離，以及雲端安全的一體化防護體系，並進一步向統一SASE架構演進。
這種安全理念在廣域網場景中尤為重要。以某國內大型智能化港口為例，港口龍門吊遠程控制依賴私有化5G網路，但由於無線信號存在天然波動，影片傳輸一旦出現卡頓，就可能影響遠程操作安全。HPE Networking在網路底座中部署EdgeConnect SD-WAN，通過智能選路和鏈路優化能力，對不穩定鏈路進行動態調節，保障影片流穩定傳輸，降低網路波動對關鍵業務的影響。
而隨著智能體開始進入企業工作流，網路安全也正在面臨新的變量。
竺宏強調，HPE Networking正進一步探索AI時代的安全能力融合：未來，安全策略不僅需要識別設備和用戶行為，也需要理解AI交互過程中的數據風險。
04 併購之後，「1+1+1>3」的商業版圖
梳理完 HPE Networking 的技術與產品布局後，回到產業視角來看，Juniper Networks的加入，正是理解HPE整體戰略的關鍵一環。
在併購Juniper之前，HPE已經具備覆蓋計算和儲存的基礎設施能力。在計算領域，ProLiant伺服器以及Cray 超級計算業務，為企業提供從通用計算到高性能計算的支撐；在儲存領域，Alletra 等產品構建了面向企業數據管理的儲存體系。
網路方面的HPE Networking主要聚焦原先Aruba在企業園區網路領域的優勢，而面對 AI 算力中心快速增長的數據中心網路（DCN）、核心交換以及路由市場，仍需要進一步增強技術覆蓋。
Juniper的加入，補齊了這一關鍵環節。通過整合Mist AI、Apstra數據中心自動化平台，以及QFX系列交換機和MX/PTX系列核心路由器等能力，HPE獲得了從園區網路到數據中心，再到核心網路的完整技術鏈條。
對於這場併購的戰略價值，竺宏給出了這樣的判斷：「判斷HPE對Juniper的併購能否成功，一個非常重要的判斷標準就是HPE的伺服器、儲存和網路業務能否實現更深層次的協同，從而形成『1+1+1大於 3』的系統級效果。過去網路、計算和儲存可能是相對獨立的，但現在，我們正以單一廠商的方式，為客戶提供完整的整合方案。」
這種整合價值，也體現在網路業務本身的商業屬性上。從全球來看，網路業務相對於伺服器和儲存具有更高的增值空間。從HPE的財報中也不難發現，網路業務貢獻了超過一半的利潤。
事實上，在AI基礎設施建設進入規模化階段後，企業客戶面臨的挑戰更多的是在於如何快速搭建一套經過驗證、穩定運行的完整系統。相比過去由多個廠商分別提供計算、儲存和網路設備，如今越來越多客戶傾向於採用經過預集成驗證的「交鑰匙（Turnkey）」方案，以降低部署複雜度和運維壓力。
而HPE正在推動產品能力的深度融合，除了業務模型上在進行整合，也在產品技術底層進行深度打通。就比如，Mist AI 平台不僅在接管網路設備，同時也在與HPE 的計算、儲存運維平台進行整合。
「儘可能為客戶創造一個最簡單、最智能的環境，用一個統一的『大腦』去管理網路、計算和儲存，甚至包括第三方設備資源，這是我們的終極目標。」俞世丹如是說。
從單點產品向系統平台的轉變，或許也正是HPE在AI基礎設施競爭中建立的新優勢。
05 寫在最後：重塑企業級智能體的「神經中樞」
回顧IT產業的發展歷程，基礎設施的每一次演進，往往都伴隨著上層應用範式的變化。PC時代，局域網路成為企業連接計算資源的基礎；移動網際網路時代，雲計算和新一代通信網路支撐了業務的大規模在線化。
如今，面對更加動態、複雜且實時的AI 工作負載，傳統以人工配置和被動運維為主的網路模式，正在面臨新的挑戰，網路的感知能力、自動化能力，以及自我優化能力，成為AI 應用運行的重要基礎。
HPE Networking的布局正是沿著這一方向展開，通過融合Aruba與Juniper的技術優勢，推動網路從傳統連接基礎設施，向具備自動感知、智能決策和持續優化能力的「自動駕駛網路」演進。無論是光模組故障預測、GPU集群高性能互聯，還是零信任安全與微隔離，這些能力最終都指向同一個目標：讓網路能夠更好地適應AI時代基礎設施的複雜度。
在面向下一階段AI基礎設施的發展，算力決定了模型和業務運行的上限，而一張具備高可靠互聯、智能運維和內生安全能力的網路，則決定這些算力能否被真正釋放。
事實上，當AI逐漸成為企業基礎設施的核心，網路也正在從幕後的支撐角色，變為智能化時代的關鍵底座。
