在企业计算早期，IT 决策者往往倾向于采用“一刀切”的标准化模型，以牺牲部分灵活性和选择权为代价，换取操作环境的同质性、可用性及可管理性。然而，随着多云架构、专用硬件、业务需求演变以及人工智能竞争的加剧，这种单一模式已逐渐被摒弃。现代企业环境呈现出天然的异质性与复杂性，混合运行着系统软件、硬件设备、云服务及遗留应用程序。
人工智能技术的进步引入了标准 CPU、专用 GPU、高速网络结构、分布式数据管道，以及跨越私有云、公共云、边缘云的多种部署模式。尽管技术栈日益多样化，但现有的应用程序和数据并未消失。AI 快速部署带来的一个显著现象是“VM-容器分裂”：关键业务应用继续运行在虚拟机（VM）上，而云原生服务则优先采用容器和 Kubernetes。这导致企业面临新挑战——如何在无需复杂迁移或创建基础设施孤岛的情况下，将 AI 投入运营。
这种技术分裂给 IT 管理带来了严峻考验。许多新的 AI 部署直接基于容器，而 AI 需要访问的数据和应用却仍驻留在虚拟机中。独立管理 VM 和容器堆栈会导致容量规划重复、支持合同分散以及治理碎片化。此外，资源利用效率低下也是常见问题：虚拟机集群常处于低利用率状态，而 Kubernetes 容器池往往过度配置，且缺乏无需人工干预即可共享资源的简单机制。
基础设施的碎片化还可能阻碍代理式 AI（Agentic AI）的发展。当 AI 代理无法在统一环境中自主通信时，其功能将从自主问题解决者退化为简单的本地化宏命令，使得部署、整合、治理和扩展变得复杂。
Nutanix 最新的企业云指数调查显示，85% 的 IT 高管认为 AI 正在有意义地加速组织对容器的采用，其中 29% 的受访者表示这是“极大程度上”的加速。Nutanix 产品和解决方案营销高级主任 Harsha Kotikela 指出：“AI 正在加速向容器转型，因为机器学习模型需要严格的依赖打包，而关键应用程序和数据仍分布在虚拟化和容器化环境中。”
Kotikela 解释说，代理式 AI 本质上是多层次的：推理通常由 GPU 密集型工作负载驱动并基于容器，而代理本身多为 CPU 密集型且基于容器；与此同时，大量现有企业应用和数据仍位于虚拟机环境中。核心挑战在于将这些层级汇聚在一起，使 AI 代理能够与企业应用和数据协同工作，而不强制进行迁移或产生额外的基础设施孤岛。
当前，组织同时运行传统企业应用（VM）、容器化应用、分布式 AI 应用和智能代理，这些工作负载分布在私有云、公共云和边缘。每个环境拥有各自的管理工具、操作流程和安全规则。Kotikela 认为，增加更多控制台或为每个技术栈建立单独的操作团队并不能解决复杂性，反而可能加剧这一问题。真正的目标不应是绕过异质性，而是让异质环境与有意义的政策保持一致运作。
针对这一困境，Nutanix 推出了双原生架构，旨在通过一致的操作模型，支持企业在基于容器的推理和代理工作负载，以及现有的基于 VM 的应用和数据上运行代理式 AI。Kotikela 强调，VM 到容器的迁移趋势实际上较为缓慢，很少有企业从零开始全面使用容器。大多数企业正在构建基于容器的应用以延长其在传统架构上的投资，而非完全取代 VM 上的应用。
Nutanix 云平台（NCP）提供了这种双原生架构的管理能力，允许在单一一致的基础设施上同时运行传统 VM 和基于容器/Kubernetes 的 AI 工作负载。NCP 的统一混合云基础架构整合了内部资源、公共云和边缘资源的计算、存储、虚拟化及管理。它与 Nutanix 企业人工智能（NAI）协同工作，提供 AI 工作负载的部署、管理和扩展功能。
在技术合作方面，Nutanix 与 NVIDIA 建立了伙伴关系，为企业 AI 提供集成平台。该平台结合了 Nutanix 的混合云基础设施和软件与 NVIDIA 的加速计算及 AI 软件。Nutanix 企业人工智能简化了 AI 模型的部署、管理和安全操作，并与 NVIDIA NIM 和 NeMo 微服务集成，以支持企业 AI 推理和代理式 AI 工作流程。此外，Nutanix Kubernetes 平台负责管理 Kubernetes 环境，而 Nutanix 统一存储则为 AI 工作负载提供高性能数据访问，帮助企业保持对基础设施、模型和数据的控制。
Kotikela 指出，虽然理想状态下 IT 不希望管理两个不同的操作堆栈，但现实世界很少如此。统一 VM 和容器的平台通过消除基础设施孤岛并提供单一控制平面，改善了开发者的时间价值。NAI 提供了一个统一且安全的平台，用于部署、管理和扩展 AI 工作量，为企业提供对代理和模型的治理、代币使用的全面可见性，并通过与现有基础设施集成的接口简化 AI 开发。
关于代理式 AI 的未来，Kotikela 认为下一阶段将以管理、可见性和控制能力来衡量。Nutanix 计划通过 Nutanix 代理网关和 Nutanix 私人推理提供新的控制和治理功能。这意味着组织可以在 VM 和容器中运行 AI，结合公共云 LLM 与私人自主托管模型，并在数据所在地部署 AI。客户希望在前沿模型和开源模型之间根据性能和成本自由选择，同时在云端实验和在本地满足数据主权要求之间灵活切换。
Kotikela 总结道，未来最大的挑战在于汇集运行智能 AI 所需的所有组件，包括 GPU、基础设施、Kubernetes、AI 模型、推理引擎和网关，并确保它们在云、本地和边缘环境中无缝协作。整合多层架构耗费大量精力，往往导致资源偏离业务成果交付。Nutanix 的价值在于完成了组合运行代理式 AI 所需基础设施和软件组件的工作，提供混合环境中统一的操作模型，使 IT 团队能减少对底层堆栈整合的关注，转而专注于运营 AI 以提供业务价值。
