云计算不再被视为试验场所。对许多企业而言，它已成为运行支持日常工作的AI系统的默认环境。这种转变，而非任何具体的支出数字，更能解释云计算支出持续攀升的原因。
人工智能工作负载不再局限于短期试验或孤立的试点项目，而是与预测、规划和客户运营等核心功能紧密结合。一旦这些系统投入常规使用，就需要稳定的计算能力、存储空间和网络资源。即使企业在技术支出方面更加谨慎，这种需求也依然保持着对云基础设施的强劲需求。
市场数据也印证了这一趋势。Synergy Research Group 的研究显示，到 2025 年底，全球云基础设施服务支出将突破每季度 1000 亿美元大关，同比增长主要由人工智能相关需求驱动。最大的几家供应商继续占据大部分市场份额，这反映出在工作负载增长不均衡且速度加快的情况下，规模的重要性不言而喻。
企业改变的不仅是支出金额，还有他们对云计算用途的理解。早期的云计算浪潮主要集中在将现有系统从数据中心迁移出去。而如今，企业选择云基础设施往往是因为它可以支持在其他地方难以运行的工作负载。训练模型、运行推理以及存储大型数据集都会对系统提出更高的要求，而本地部署的系统如果不频繁升级，可能难以满足这些要求。
这有助于解释为何在预算压力下，云使用量依然保持稳定。人工智能工作负载的运行方式与传统企业软件不同。它们可以根据需要进行扩展或缩减，资源消耗呈突发性，并且通常由团队共享。云环境能够更轻松地应对这种变化，即使成本更难预测。
现在，许多 IT 团队不再纠结于是否要使用云服务，而是专注于如何高效地运行云服务。
将人工智能融入日常运营
如今企业领导者提出的问题与几年前截然不同。迁移时间表的重要性远不及稳定性、性能和成本控制。支持实时服务的AI系统无法像以往的测试环境那样容忍长时间的停机。
Gartner 的预测也反映了这一转变，该公司预计到 2026 年，全球公共云服务支出将超过 7000 亿美元，增长将遍及基础设施、平台和人工智能相关服务。这一增长表明，云的使用并非由一次性举措驱动，而是由持续的运营需求所驱动。
人工智能也改变了容量规划的方式。模型训练会在短时间内大幅提升资源使用量，而推理工作负载则可能持续运行。这种混合模式使得平均需求的规划更加困难，因此，一些企业会将人工智能工作负载与其他应用程序分开，以便更密切地跟踪使用情况并避免意外情况的发生。
这些选择往往并非关乎优化，而是关乎控制。当人工智能系统处理敏感数据或影响决策时，团队希望明确规定谁可以访问哪些资源以及如何使用这些资源。
技能和不均衡的进步
支出模式也反映了组织内部的不足。在生产环境中运行人工智能系统需要许多团队仍在培养的技能。工程师、安全人员和应用程序所有者需要更紧密地合作，而当这种协调缺失时，云服务可以弥补部分不足，即使这会增加成本。
不同行业的进展各不相同。金融和医疗保健等受监管行业往往进展缓慢，需要在云技术应用与法律法规和数据存储位置限制之间寻求平衡。而制造业和零售业则通常行动更快，利用基于云的人工智能来改进规划和供应链。
数据增长带来了另一重压力。人工智能系统依赖于庞大且不断增长的数据集，许多企业的数据保存时间也比以往更长。在企业内部管理如此庞大的数据量既成本高昂又繁琐。
云存储提供了一种无需不断更换硬件即可扩展容量的方法，但它也带来了自身的成本权衡。
当可靠性和成本优先考虑时
随着人工智能融入日常工作，人们对故障的容忍度也随之降低。过去仅影响测试系统的故障如今可能会扰乱运营。这提高了人们对系统可靠性的期望，并迫使云服务提供商和客户设计能够应对故障的系统。
成本控制仍然是一个悬而未决的问题。人工智能工作负载可能会以超出预期的速度推高支出，而且定价模型并非总是易于预测。一些企业通过设定更严格的限制或将稳定的工作负载转移回内部来应对这一问题。另一些企业则依赖混合架构，在高峰期使用云服务，同时在其他渠道保持稳定的需求。
这些趋势共同表明，云计算市场已经发展成熟。支出持续增长，但其原因比以往更加务实。云计算不再是最终目的地，而是工作方式的一部分。
随着人工智能与日常运营的融合日益加深，云基础设施很可能继续成为企业IT规划的核心。下一个挑战不在于是否投资，而在于如何确保这项投资能够长期有效。
