在上个月底结束的2026云栖大会上，我们见证了全球科技巨头在AI基础设施领域的又一次狂飙突进：AWS宣布将在2027至2028年间新增200万块NVIDIA GPU，部署总量将达到300万块，其2026年资本支出预计达2200亿美元。与此同时，中国科技巨头的投入同样惊人：字节跳动将AI基础设施资本开支从1600亿元上调至2000亿元，阿里巴巴三年3800亿元的云与AI投入仍在加码。
无论是阿里云的持续加码，还是AWS宣布新增200万个NVIDIA GPU，都向市场释放了一个强烈的信号：算力军备竞赛仍在升级。然而，一个令人不安的现实正在浮出水面：约75%至95%的AI算力投资未能转化为可衡量的财务回报，仅有16%至25%的公司真正实现了规模化正ROI。IDC最新调研亦显示，全球仅有28%的AI项目实现了可量化的投资回报率。问题的根源往往不在于硬件不够，而在于架构不对——缺乏智能调度导致GPU闲置、跨区域数据回传产生隐性网络成本。而这，也使得行业焦点正从“抢算力”转向“算得值不值”。
Akamai大中华区副总裁张珂就曾提出，AI算力布局正在从单纯追求规模，转向更加关注不同场景下的成本和效率。“训练靠集中，推理靠分布。”张珂表示，多云不是选择题，而是必答题。
企业AI算力投资困境：ROI的隐形黑洞
过去两年，AI算力投资几乎是一场没有上限的军备竞赛。然而当资本开支开始以数千亿美元为单位计量时，账本问题成为企业CIO和CTO们不可回避的重要挑战。
据摩根士丹利的研究报告指出，中国云厂商AI算力投资ROIC约为13%至20%，现金回收期约3年——这一水平虽可覆盖融资成本，但企业自建算力基础设施的实际回报因利用率不足而大幅缩水。IDC的研究则揭示了更广泛的问题：约四分之一的IT负责人表示，其超过31%的云支出被“低效使用或浪费”。AI基础设施投入的快速攀升，与回报兑现之间的时间差，正在成为企业决策者最头疼的难题。
对于众多全球化企业的CIO和CTO而言，他们最关心的核心问题已经不再是如何抢到更多的算力，而是算力算得值不值。在ROI（投资回报率）和TCO（总体拥有成本）成为企业决策第一准则的当下，单纯依靠堆砌硬件已无法解决复杂的业务需求。全球化企业正面临着前所未有的算力平衡挑战：如何在追求极致模型能力的同时，兼顾全球业务的成本与效率？答案，正隐藏在“多云经济学”的底层逻辑之中。
从“选项”到“标准”： 多云成为AI时代的必答题
在数字时代的今天，上云已经成为大部分企业的选择。然后，面对全球化业务的复杂性，单一云厂商模式已逐渐显露出其局限性。它难以同时满足“全球算力密度”与“本地毫秒级响应”这两大核心诉求。在这一背景下，多云战略不再是企业为了规避供应商锁定风险的权宜之计，而是实现算力最优配置的必然选择。
IDC最新研究显示，61%的中国企业已经构建了多云或混合云环境，84%的企业将在未来2至3年内持续扩大多云部署。超过75%的组织已采用混合云或多云模式部署应用。多云战略转型的核心变化在于：云从“获取资源”的基础设施，转向“创造业务价值”的战略平台。
在多云架构的实践中，企业最容易陷入的误区便是“一刀切”的成本陷阱。并非所有的AI推理任务都需要昂贵的GPU支持。以GoVeda的业务实践为例，在业务发展早期，其仅依靠CPU便足以满足基础的推理需求；而当业务规模化后，通过智能调度迁移至GPU，不仅实现了30%的性能提升，反而将整体成本降低了20%。这一案例充分说明，算力选型必须与业务阶段和场景特征相匹配。
此外，不同类型的AI应用对底层资源的需求也截然不同。例如，合同摘要等输入密集型任务，其瓶颈往往在于内存带宽与数据吞吐；而交互式代码生成等生成密集型任务，则对算力和延迟有着极高的要求。如果企业不加区分地统一采用高配GPU，必然会导致严重的资源浪费。真正的“计算理性”，是建立在对业务场景深刻理解基础上的精细化算力运营，让每一分算力投资都花在刀刃上。
对此，张珂对此给出了极为精辟的论断：“训练靠集中，推理靠分布。”这一观点精准地概括了AI工作负载的物理属性。模型训练与预训练阶段，需求高度集中且算力密集，适合部署在超大规模云厂商的集中式GPU集群中，以发挥规模效应；而在推理及训练后阶段，业务要求全天候、低延迟且高度分布式，此时应优先将算力下沉至边缘节点。
从张珂的论断我们不难发现，企业需要根据AI生命周期的不同阶段，将工作负载精准地分配到最合适的算力底座上。这种“集中+分布”的混合架构，正是打破单一云局限、实现全球算力动态平衡的关键钥匙。
多云架构的解题思路：智能调度与生态互补
要破解上述困境，企业需要借助成熟的多云与混合云解决方案。
以Akamai的实践为例，其构建的全球分布式架构为全球化企业提供了极具参考价值的解题思路。依托全球1200多个运营商网络、超过440万个边缘节点以及26个核心云节点，Akamai打造了多层算力产品线，涵盖CPU、GPU及专用VPU，能够精准匹配不同场景的算力需求。
更为关键的是，Akamai与NVIDIA深度集成的AI Grid系统，实现了工作负载的智能调度。该算法能够根据实时业务需求、网络状况和成本策略，自动将任务调度至全局最优的算力位置。这种全球分布式架构，天然支持与超大规模云厂商的互补共存。企业可以将核心训练任务留在大型公有云，而将海量推理任务分发至Akamai的边缘网络，从而在保障用户体验的同时，大幅优化TCO。
这种"集中训练、分布推理"的架构理念，正在成为越来越多全球化企业的共识。在实际落地过程中，企业往往需要在公有云的弹性算力与私有云的数据可控性之间找到平衡点。Akamai的方案提供了一种折中路径：核心模型的训练和微调可以在大型公有云上完成，借助其规模化的GPU集群获得最佳的训练效率；而训练完成后的推理服务，则通过全球边缘网络就近分发，确保终端用户获得毫秒级的响应体验。这种"训练在云端、推理在边缘"的模式，既保留了公有云的算力优势，又规避了单一云厂商的锁定风险。
对于正在积极拓展海外市场的中国出海企业及AI公司而言，多云经济学提供了重要的战略启示。首先，出海企业应摒弃“一套架构打全球”的惯性思维，充分尊重不同国家和地区在数据合规、网络基础设施及用户习惯上的差异，构建“核心集中、边缘分布”的弹性架构。
其次，AI公司需要将“算力运营”提升至与“算法研发”同等重要的战略高度。在模型能力趋同的今天，底层算力架构的效率往往决定了产品的商业竞争力。企业应建立精细化的算力成本核算体系，定期评估不同场景下的ROI，敢于在业务演进中动态调整算力组合。最后，积极拥抱开放的多云生态，避免被单一技术栈绑定，通过异构算力的灵活组合，构建更具韧性和成本优势的全球化AI基础设施。
值得注意的是，多云架构的落地并非一蹴而就，它需要企业在技术选型、团队能力和组织流程上进行系统性升级。为此，张珂给出了三点建议：首先，企业需要建立统一的算力管理平台，实现对异构算力的可视化和自动化调度；其次，运维团队需要从传统的"单云运维"思维转向"多云协同"思维，掌握跨云平台的故障排查和性能调优能力；最后，在财务层面，企业应建立细粒度的算力成本分摊机制，将每一笔算力支出与对应的业务收益进行关联分析，确保算力投资始终服务于商业目标。
写在最后：迈向精细化的算力新纪元
2026年的AI产业，正在经历一场从粗放扩张向精细化运营的深刻转型。多云经济学不仅是一种技术架构的选择，更是一种商业思维的升维。它要求企业在面对算力投资时，保持清醒的计算理性，在集中与分布、性能与成本之间寻找动态的最优解。
正如张珂所言，训练靠集中，推理靠分布。在这场全球算力平衡的博弈中，唯有深刻理解业务本质、善用多云架构、实现智能调度的企业，才能真正跨越ROI的隐形陷阱，将AI算力转化为实实在在的商业价值。