- 云优先（Cloud-first）战略曾主导了十多年，但AI的爆发正迫使企业重新评估云端和本地部署（on-premises）的角色。
- 根据德勤（Deloitte）的分析，随着模型、智能体（agents）和推理量的激增，为云优先构建的基础设施已不再适合“AI经济”。
- 云成本的不断攀升是最大的问题：尽管AI代币（token）成本在两年内下降了280倍，但许多企业每月的云账单仍高达数千万美元。
- 德勤指出了一个“引爆点”，即当云成本超过同等本地系统总成本的60-70%时，资本投资（CAPEX）变得比运营成本（OPEX）更具吸引力。
- 延迟是一个严重的障碍：需要低于10毫秒响应时间的AI应用很难接受完全在云端处理。
- 持久性和抗中断能力使得本地部署在关键AI任务中备受推崇，这些任务在云连接丢失时不能停止运行。
- 数据主权促使许多企业将基础设施“回流”，以避免完全依赖司法管辖区以外的供应商。
- 德勤提出了三层模型：云用于灵活性，本地部署用于成本和稳定性能，边缘计算（edge）用于实时决策。
- 系统架构师认为，混合模式允许利用云进行测试，同时将敏感数据和低延迟工作负载保留在本地。
📌 AI正在逆转曾经被视为默认的云优先思维。随着成本上升、低延迟要求、数据主权和系统耐用性等问题的出现，混合模式作为一种平衡的解决方案正在兴起。云对于测试和扩展仍然很重要，但本地部署和边缘计算正在重新成为大规模生产级AI的中心。企业若想优化投资回报率，AI迫使其设计灵活的基础设施，而不是依赖单一的选择。
