2023年底，云计算“水逆”(2)

他指出，当底层的IT硬件出现问题时，通常可以通过增加冗余系统或快速更换硬件来解决。但问题若发生在云平台层面，其影响会显著扩散，不仅影响单个应用，而且可能涉及多个应用。另一方面，如果应用可以打开但无法正常使用，则通常指向应用软件层面的问题。

据此可以判断，近期的App宕机潮与云平台和应用软件层面的问题密切相关。这一系列事件再次挑战了云服务长期以来的可靠性口碑。

阿里系产品近期的集体故障显然与其云服务的使用密切相关。其影响之广，不仅是技术层面的问题，也与阿里采用的云服务特性有很大关系。

Flexera的《2022年云状态报告》指出，89%的受访企业在IT架构上采用了多云战略。多云策略的优势在于它可以帮助企业保持议价能力，不受单一资源的限制，并避免技术架构与单一云服务商深度绑定。

这就对国内的阿里系产品提出了挑战。因为其大多使用的云服务实际上是自家业务的一部分。未来他们需要考虑是否将一部分业务转移至其他云服务提供商，或是创建一个独立的私有云，以此来分散和降低风险。

滴滴App的事故也源自云计算，外界普遍认为是与滴滴弹性云基于K8S的升级有关。

官方的内部侦查初步确定，事故起因是底层系统软件发生故障，而非遭受攻击；并承诺将深入进行技术风险隐患排查和升级工作，确保服务稳定，努力避免类似事故再次发生。

另外，密集的突发事件还被解读为是各大互联网公司“降本增效”的裁员行为，影响到了技术、运维团队的正常运作，导致技术服务和系统稳定性受损。

尽管只是毫无根据地猜想，却也映射出公众对云服务故障的深切关注。未来用户对于云服务故障事件的容忍度，可能会逐渐降低。

总之，云服务的一个关键风险——可靠性问题，正在暴露出来，尤其是在缺乏充分备份和故障转移计划的原因下。

谁来拯救云计算？

飞速发展的大趋势下，问题往往被暂时隐藏在繁荣的表象之下。现在，探索云计算怎样能够重拾增长的脚步，并进一步优化客户体验？这一切的关键，恰恰在于生成式人工智能的广泛应用。

目前，大模型正在改变云计算的游戏规则，并逐渐成为行业共识。

一方面，庞大的语言模型在训练和推理阶段需要巨大的计算力。这一需求促使云服务商提供更加强大且高效的计算资源以支持模型训练。

另一方面，大模型的流行也带动了对云计算资源的额外需求，推动云计算的技术架构和产品布局发生变化。

IDC的研究主任Ewa Zborowska对此进行了深入阐述。当时来说，在生成式AI的快速发展和可扩展性方面，云计算扮演了催化剂的角色。

当下，即便没有巨额的前期投资，高性能的计算资源如GPU和TPU也变得触手可及。这让组织可以集中精力在最重要的事情上：开发创新的生成式AI解决方案，而不必担心任何基础设施问题。

此外，云平台为生成式AI提供的一个主要优势是管理对预训练模型和API的访问。预训练模型集成了生成式AI专家的知识和技能，节约了大量的时间和计算资源。通过利用这些模型，开发者可以推进他们的项目，专注于微调和定制，而不是花费无数小时在模型训练上。

企业当然也可以选择自己构建和托管基础模型，但这是一个非常昂贵、复杂且耗时的过程。而云服务商提供的API简化了模型架构的复杂性，使得将生成式AI能力整合到现有和新建应用程序中变得更加简单。

可以说，生成式AI的兴起，加固了云计算不可或缺的基石地位。根据Gartner的预测，到2024年，主要需求将来自部署生成式AI能力的组织，他们的云基础设施消耗预计将比2023年增长近27%。

尽管形势一片大好，云服务商们也不能沉浸于现状的自满之中。在这条充满不一定性的商业征途上，真正的驱动力是实际的经济效益。供应商们必须认识到，唯有持续创新和适应市场的不断变化，才能保持领先。

比如，云服务商需要投资于硬件和芯片的研发，增强针对生成式AI任务的硬件和芯片能力，甚至开发新型芯片来加速生成式AI的计算。只有不断站稳硬件层面的前沿，才可以提供更高的性能和成本效益。

另外，云服务商还需要开发行业特定或用例特定的AI框架，通过针对不同领域的独特需求，实现差异化。只有通过这些专门的AI框架，才能使企业有效利用生成式AI，并推动特定行业的创新。

以上早已是今年上半年北美和中国云计算巨头正在积极推进的策略。而眼下，云计算行业才正式迈入了决定其命运的下半场征程。

参考资料：

北京商报-今年App崩溃至少已有14起

IDC-Why Generative AI and Cloud Platforms Are a PerfectMatch