如今，相比大模型能写什么、回答什么，企业开始更多关注AI能否进入具体的业务流程，独立完成一项工作。
这一变化正在推动智能体(Agent)应用加速落地。
过去几年，AI在企业中的应用主要集中于问答、总结、内容生成和知识检索；如今，越来越多AI应用接入企业软件，调用工具、读取数据，并在权限范围内完成连续任务。
麦肯锡2025年的一项全球调研显示，39%的受访企业正在试验智能体应用，23%已经在规模化部署智能体。对于企业IT 部门而言，这意味着AI带来的压力正在从模型和算力，进一步传导至网络、系统和数据基础设施。
以采购场景为例，一个业务智能体接收到需求后，需要查询库存、比对供应商报价、评估交付周期、生成物流方案，并最终形成采购订单。尽管前台看到的只是一条指令，但在系统背后，模型推理、API调用，以及多个业务系统之间的数据交换正在频繁的运行。
而随着智能体进入企业核心业务流程，网络基础设施面对的挑战也随之升级。不同于过去由员工操作驱动的流量模式，智能体可以持续在线，并同时触发多个任务链路，使数据请求更加高频、复杂且不可预测。所以，企业网络需要应对的不只是流量增长，更是交互方式、访问路径和峰值分布的全面变化。
换句话说，企业正被智能体代入一个新的阶段：AI已经具备执行任务的能力，承载AI的网络，也需要具备更强的感知、分析和自动调整能力。
于是，在算力之外，网络正在成为企业扩大AI应用规模时绕不开的一环。
也正是在这一节点上，完成对Juniper Networks收购一年的HPE Networking提出了“自动驾驶的网络”（Self-Driving Networks）战略。其核心方向，正是应对智能体时代企业网络的新需求。
当业务系统开始持续、自动地运行，网络也需要从被动连接基础设施，转向能够主动感知、优化和调整的智能系统。
正如HPE Networking中国区总经理竺宏所说，如果企业未来越来越多地采用智能体，那么从基础设施层面开始，也必须同步向智能化和自动化演进，才能真正支撑AI时代应用的发展。
HPE Networking中国区总经理 竺宏
01 从响应到自治，网络运维自己的“L5级自动驾驶”
其实，IT 运维长期遵循一种高度“被动”的逻辑。
就比如，员工发现网络无法连接、应用访问出现卡顿，通常会先提交工单（Ticket）。随后，IT工程师需要登录网管系统，在海量告警信息中筛选线索，再结合抓包、日志分析等手段逐步排查，最终定位问题。
这种以“发现故障—提交工单—人工定位—修复问题”为核心的Break-Fix（故障后修复）模式，依赖的是工程师长期积累的经验。但是，随着智能体进入企业的业务工作流，网络面临的需求变成了，大量任务将由智能体自主发起和执行。但是，智能体不会感知到网络异常后主动反馈，而是直接依赖网络环境完成调用、协同和决策。
这意味着，网络运维不能再只是等待故障发生后的被动响应，而需要具备更强的实时感知、自动判断和主动优化能力。
面对企业网络复杂度持续上升，HPE Networking给出的核心解法是推动网络从传统人工运维模式走向具备感知、分析和执行能力的“AI原生网络”。
这一战略的技术底座，来自收购Juniper后进一步融合的Mist AI平台，以及其核心能力：Marvis虚拟网络助手。
不同于简单叠加通用大模型能力的智能助手，Marvis长期围绕网络场景进行训练和优化，本质上更接近面向网络运维的AI专家系统。其融合了自然语言处理（NLP）、自然语言理解（NLU），以及多智能体框架（Multi-智能体 framework），能够理解网络状态、分析异常原因，并根据预设权限执行相应操作。
正是在这一技术框架下，网络运维开始向真正的“自动驾驶”演进。HPE Networking 中国区企业网络技术总监俞世丹将网络运维的成熟度划分为五个阶段：第一阶段是数据采集，第二阶段是形成洞察，第三阶段是提供建议，第四阶段是辅助运维，第五阶段则是完全自动驾驶。
HPE Networking 中国区企业网络技术总监 俞世丹
目前，依托Mist AI 与 Marvis 的持续进化，HPE Networking正迈向第五阶段，致力于从“故障发生后的授权主动修复（第四阶段）”向“全栈智能、提前预防与解决潜在问题（第五阶段）”跨越。
向更高阶段迈进的自愈与防护能力，正在严苛的业务环境中转化为实实在在的生产力。例如，在传统运维场景中，若网络交换机端口陷入假死（Stuck）状态，工程师往往需要经历“告警触发—日志分析—人工排查—手动重启”的漫长链路；而在客户授权的框架内，Marvis 能够自主完成异常诊断并直接执行修复，将原本动辄数小时的故障恢复周期压缩至分钟级。
在对网络可靠性与实时性有着极致要求的梅赛德斯-奔驰 F1 车队中，这种“自动的驾驶”理念得到了进一步的验证。
梅赛德斯-AMG Petronasy F1车队在英国总部及赛道随队基础设施中采用了HPE Networking全栈方案，包括CX系列骨干交换机、Wi-Fi 7无线网络、ClearPass准入控制和EdgeConnect SD-WAN。该体系用于支撑赛道数据回传、终端接入、身份认证及总部与赛场之间的广域网连接，也为“自我优化、自我保护和自我修复”的网络运维理念提供了实际应用场景
从演进视角来看，为了彻底打通底层壁垒，HPE Networking正在通过“Mistification”的策略，加速推动内部网络管理体系的融合。
在收购 Juniper之前，HPE Networking本就拥有主打园区和分支网络管理的Central平台，而Juniper的Mist平台则凭借AI原生闻名行业。于是，HPE Networking依托微服务与云原生架构，加快融合两大平台。Mist中的Marvis能力正在进入Aruba Central，Central积累的终端识别和网络能力也在向Mist迁移。硬件层面，AP-723H成为HPE第一款同时支持Mist与Aruba Central的无线接入点，CX交换产品组合也开始与Mist平台深度集成。
不过，现阶段，Central和Mist仍会并行服务原有客户，双方的功能和使用体验将逐渐接近。
02 “液冷交换机+意图网络”破局算力集群“木桶效应”
在AI数据中心网络（DCN）的具体应用中，企业则面对的是另一场更底层的挑战：如何让成千上万颗 GPU 持续保持满负载运行。
过去几年，大模型训练和大规模推理的计算量需求不断扩大。从数百张GPU，到数千乃至数万张GPU的集群，算力密度正在逼近传统数据中心网络的承载边界。
在这样的智算集群中，GPU本身已经不再是唯一瓶颈。由于训练任务需要大量节点之间持续交换数据，任何一次网络拥塞、链路抖动甚至微小丢包，都将导致GPU进入空闲（GPU Idle）状态。而对于每小时消耗大量算力资源的AI任务而言，网络效率最终会直接影响任务完成时间（JCT）和整体算力利用率。
当网络开始直接影响GPU利用率，AI数据中心采用何种互联架构，就成为了核心问题。
长期以来，GPU集群内部同时存在两类网络需求。机柜内部的Scale-up互联强调GPU之间的极低延迟和高带宽，NVLink长期占据重要位置；跨服务器、跨机柜的Scale-out网络则主要由InfiniBand和以太网承担。
HPE Networking当前的布局覆盖了两个层级：QFX5250用于大规模AI集群的Scale-out连接，QFX5252面向AMD Helios提供开放以太网Scale-up能力。
HPE Networking的QFX5250是在2026年一季度上市的。
这款2RU交换机面向下一代GPU集群设计，可提供 64个1.6T 端口，整机吞吐量达到 102.4Tbps。
但相比单纯提升交换速率，更值得关注的是QFX5250对散热架构的重新设计。
作为业界首批采用芯片直液冷（Direct-to-chip liquid cooling）的100Tbps 级AI交换机之一，QFX5250将服务器领域成熟的液冷技术引入网络设备，通过直接为核心芯片散热，降低高密度交换环境下的热压力。据介绍，该设计可降低整体功耗约10%～15%，同时减少传统风冷架构对于冷热通道布局的限制，为更高密度的AI算力机柜部署提供条件。
而针对边缘AI推理场景，HPE Networking也同步推出了QFX5140，在1RU空间内提供24个400G和8个800G 端口，以满足边缘节点对于高带宽、小体积，以及低能耗的综合需求。
不过，对于AI数据中心而言，单纯提升网络带宽并不能解决所有问题。
随着GPU集群规模持续扩大，网络本身也正在从简单的数据通道，演变为需要被持续调度和管理的复杂系统。如果仍依靠人工完成设备配置、链路检查和故障排查，部署周期会被持续拉长，同时也容易因为人为错误影响整个训练任务。
因此，AI 网络的下一阶段竞争，是自动化能力的竞争。
对此，俞世丹的观点是，AI 数据中心需要通过意图驱动网络（Intent-based Networking）降低运维复杂度。
具体的实现路径是，HPE Networking将其Apstra Data Center Director平台与AI能力结合，让系统根据整体网络目标自动完成架构设计，生成设备和端口配置，并实现自动下发。同时，通过对链路状态和光模块数据的持续采集和分析，让Apstra平台能够提前发现潜在故障风险。
在效率上，过去需要数周完成的AI网络部署，如今可以压缩到设备上电后一天内完成。此外，依托负载均衡等技术，该系统还能实现“大象流”（Elephant Flow）传输路径的优化，减少网络拥塞，提高训练任务执行效率。
从产业落地的角度看，AI网络的建设也正在超越单一产品能力，转向技术、生态与交付能力的综合较量。
在竺宏看来，AI 网络建设最终考验的是技术、生态和交付能力的综合实力。
当前，HPE正与AMD等产业伙伴推进一体化AI机柜方案，同时借助全球化服务网络，为算力企业跨区域部署提供从建设到运维的长期保障。
03 守护内生安全：为智能体越权“踩下刹车”
当网络变得更快、更智能之后，另一个更加关键的问题也随之出现，那就是安全。
在传统IT架构中，网络和安全往往是两个相对独立的体系。网络负责连接设备、保障通信，安全则通过防火墙等边界设备建立防护屏障。但在智能体时代，这种依赖固定边界的安全模式正在失去作用。
原因在于，AI同时改变了攻击和业务运行的方式。
一方面，大模型降低了攻击门槛，加速网络攻击过程。过去，攻击者往往需要长时间侦察和人工分析，才能发现企业内部漏洞并完成渗透。而如今，AI工具能够自动化完成漏洞扫描、攻击路径分析等任务，使企业内网面临更加快速和持续的威胁。一旦某个终端被攻破，攻击者便可能以此为入口，在内部网络中进行横向移动（East-West Traffic），进一步扩散攻击范围。
另一方面，企业内部的安全主体，变成了智能体。智能体会根据任务需求自主调用服务、访问数据，并跨越服务器、数据库以及物联网（IoT）设备完成工作。如果缺少有效的权限控制，智能体就可能访问超出职责范围的数据。例如，负责设备维护的智能体，如果错误调用了财务数据库接口，就可能造成严重的数据风险。
因此，在智能体AI时代，安全的核心挑战就是“持续识别每一次连接，并动态控制每一次访问”。
基于这一判断，HPE Networking提出了“内生安全架构（Integral Security）”。其核心思路是，将安全能力融入网络基础设施本身，而不是作为网络之外的附加组件存在。
这一架构是，HPE Networking通过整合ClearPass网络准入控制、EdgeConnect SD-WAN 以及SSE（安全访问服务边缘）能力，构建覆盖身份认证、访问控制、流量隔离，以及云端安全的一体化防护体系，并进一步向统一SASE架构演进。
这种安全理念在广域网场景中尤为重要。以某国内大型智能化港口为例，港口龙门吊远程控制依赖私有化5G网络，但由于无线信号存在天然波动，视频传输一旦出现卡顿，就可能影响远程操作安全。HPE Networking在网络底座中部署EdgeConnect SD-WAN，通过智能选路和链路优化能力，对不稳定链路进行动态调节，保障视频流稳定传输，降低网络波动对关键业务的影响。
而随着智能体开始进入企业工作流，网络安全也正在面临新的变量。
竺宏强调，HPE Networking正进一步探索AI时代的安全能力融合：未来，安全策略不仅需要识别设备和用户行为，也需要理解AI交互过程中的数据风险。
04 并购之后，“1+1+1>3”的商业版图
梳理完 HPE Networking 的技术与产品布局后，回到产业视角来看，Juniper Networks的加入，正是理解HPE整体战略的关键一环。
在并购Juniper之前，HPE已经具备覆盖计算和存储的基础设施能力。在计算领域，ProLiant服务器以及Cray 超级计算业务，为企业提供从通用计算到高性能计算的支撑；在存储领域，Alletra 等产品构建了面向企业数据管理的存储体系。
网络方面的HPE Networking主要聚焦原先Aruba在企业园区网络领域的优势，而面对 AI 算力中心快速增长的数据中心网络（DCN）、核心交换以及路由市场，仍需要进一步增强技术覆盖。
Juniper的加入，补齐了这一关键环节。通过整合Mist AI、Apstra数据中心自动化平台，以及QFX系列交换机和MX/PTX系列核心路由器等能力，HPE获得了从园区网络到数据中心，再到核心网络的完整技术链条。
对于这场并购的战略价值，竺宏给出了这样的判断：“判断HPE对Juniper的并购能否成功，一个非常重要的判断标准就是HPE的服务器、存储和网络业务能否实现更深层次的协同，从而形成‘1+1+1大于 3’的系统级效果。过去网络、计算和存储可能是相对独立的，但现在，我们正以单一厂商的方式，为客户提供完整的整合方案。”
这种整合价值，也体现在网络业务本身的商业属性上。从全球来看，网络业务相对于服务器和存储具有更高的增值空间。从HPE的财报中也不难发现，网络业务贡献了超过一半的利润。
事实上，在AI基础设施建设进入规模化阶段后，企业客户面临的挑战更多的是在于如何快速搭建一套经过验证、稳定运行的完整系统。相比过去由多个厂商分别提供计算、存储和网络设备，如今越来越多客户倾向于采用经过预集成验证的“交钥匙（Turnkey）”方案，以降低部署复杂度和运维压力。
而HPE正在推动产品能力的深度融合，除了业务模型上在进行整合，也在产品技术底层进行深度打通。就比如，Mist AI 平台不仅在接管网络设备，同时也在与HPE 的计算、存储运维平台进行整合。
“尽可能为客户创造一个最简单、最智能的环境，用一个统一的‘大脑’去管理网络、计算和存储，甚至包括第三方设备资源，这是我们的终极目标。”俞世丹如是说。
从单点产品向系统平台的转变，或许也正是HPE在AI基础设施竞争中建立的新优势。
05 写在最后：重塑企业级智能体的“神经中枢”
回顾IT产业的发展历程，基础设施的每一次演进，往往都伴随着上层应用范式的变化。PC时代，局域网络成为企业连接计算资源的基础；移动互联网时代，云计算和新一代通信网络支撑了业务的大规模在线化。
如今，面对更加动态、复杂且实时的AI 工作负载，传统以人工配置和被动运维为主的网络模式，正在面临新的挑战，网络的感知能力、自动化能力，以及自我优化能力，成为AI 应用运行的重要基础。
HPE Networking的布局正是沿着这一方向展开，通过融合Aruba与Juniper的技术优势，推动网络从传统连接基础设施，向具备自动感知、智能决策和持续优化能力的“自动驾驶网络”演进。无论是光模块故障预测、GPU集群高性能互联，还是零信任安全与微隔离，这些能力最终都指向同一个目标：让网络能够更好地适应AI时代基础设施的复杂度。
在面向下一阶段AI基础设施的发展，算力决定了模型和业务运行的上限，而一张具备高可靠互联、智能运维和内生安全能力的网络，则决定这些算力能否被真正释放。
事实上，当AI逐渐成为企业基础设施的核心，网络也正在从幕后的支撑角色，变为智能化时代的关键底座。