返回首页 您当前位置:首页 > 走进国云 > 新闻中心

云回迁潮起:企业为何重新审视“上云”战略?

三分之二的IT领导者正在将部分公有云工作负载迁回本地,其中也包括AI工作负载,然而,云部署决策依然错综复杂。随着能够全天候持续运行的AI智能体即将普及,CIO将有更充分的理由重新审视工作负载究竟应该部署在哪里。
企业向云端迁移的速度达到近年来的新高,根据Foundry发布的《2026年云计算研究报告》,近四分之三(74%)的IT决策者表示,其所在企业在过去12个月加快了云迁移步伐。
然而,与此同时,越来越多的企业也开始将部分工作负载迁回本地。约三分之二(66%)的受访者表示,其所在企业已经将部分工作负载迁出公有云,或者计划这样做。
研究与咨询机构Everest Group副总裁Mukesh Ranjan表示:“云工作负载回迁只是企业重新审视工作负载应该部署在哪里这一更广泛趋势的一部分。”
AI工作负载也是企业进行云部署决策时需要考虑的重要因素,与存储和数据库工作负载一样,AI工作负载迁出公有云的情况也相当普遍。根据Foundry的研究,只有13%的IT决策者计划将AI工作负载主要部署在公有云上。
对于CIO而言,这意味着必须逐一评估每种工作负载,确定其最适合的部署位置,而AI的兴起又带来了新的考量因素,包括GPU成本、模型的运行位置,以及提示词的处理位置等。
有选择地迁回本地
不过,Foundry的数据并不意味着企业正在大规模撤离公有云。平均而言,企业已经将22%的工作负载从公有云迁回本地,并计划在未来12个月内再迁回24%。目前,三分之一的企业已经将至少四分之一的工作负载迁回本地部署环境,而2024年这一比例为37%。
Ranjan表示,许多将工作负载迁出公有云的企业,可能只迁回了两三个工作负载,他们显然并不是要彻底放弃公有云。
全球咨询公司Protiviti董事总经理Randy Armknecht表示,对于Protiviti的客户而言,“云优先”仍然是默认策略,他说:“云工作负载回迁仍然属于例外情况,通常是在全面评估业务价值和技术能力之后才会作出的决定。”
AI在其中扮演什么角色
根据Foundry的调查,企业将工作负载迁出公有云的首要原因是安全顾虑,占比达60%;其次是成本和性能问题,分别占42%;数据主权问题则占40%。
Protiviti的Armknecht表示:“除制造业之外,AI更多是伴随成本和安全因素驱动的云回迁趋势而出现的,并不是直接推动这一趋势的主要力量。”
Everest Group的Ranjan则认为,AI确实推动了部分企业将工作负载迁回本地,但并非大多数回迁行为的主要原因。
即便如此,AI工作负载仍然是企业最常迁回本地的工作负载类型之一。Foundry发现,34%的企业已经将AI或机器学习工作负载迁出公有云,另有38%的企业计划这样做。
其中许多工作负载实际上是集成了AI功能的业务系统,Armknecht表示:“根据我的观察,大约一半的系统都包含某种AI功能,而真正纯粹的AI系统则非常少。”
制造业是一个例外,Armknecht表示,Protiviti的许多工业领域客户已经积极采用边缘AI,以提高运营效率并降低错误率,其中一些客户先在云端测试模型,然后再将模型迁移到本地硬件上运行。
过去一年,尤其是在欧洲,数据主权问题日益受到重视。
德国企业通信服务提供商Retarus的CTO Uwe Geuss表示:“一年前,人们讨论数据主权时,关注点往往还停留在数据存储位置或合规性检查上。如今,尤其是在德国和欧盟,客户提出的问题已经广泛得多:谁在运营这项服务?相关依赖关系位于哪里?适用哪国法律?如果某项重要服务出现中断,关键业务流程能否继续运行?”
AI又为这些问题增加了一个新的维度,Geuss表示:“AI让数据主权问题变得更加重要,因为它引入了另一层依赖关系。企业不仅要考虑数据存储在哪里,还要考虑模型在哪里运行、谁负责运营推理环境、提示词和文档在哪里处理,以及敏感数据是否会被发送到外部AI平台。”
视觉特效与创意制作公司Framestore的CTO Lincoln Wallen表示,该公司首先考虑的是数据控制权,其次才是成本。
Framestore自行构建模型,并对开放权重模型进行微调,在自有基础设施或通过基础设施即服务提供商提供的基础设施上运行这些模型,同时利用大型云服务商提供额外算力,这样一来,公司就能采用新模型,而不必每次都重新构建现有系统。
核算成本
Everest Group的Ranjan表示,拥有自己的基础设施是否比租用云资源更便宜,很大程度上取决于工作负载的运行是否稳定。对于调用量大、使用率高的推理任务,私有基础设施可能更具成本优势;而对于间歇性需求,公有云往往更加划算。
Protiviti的Armknecht表示:“只有使用需求足够稳定,本地硬件投资才能真正发挥价值,此外,对支出可预测性的要求,也是企业选择本地AI基础设施而非云端AI服务的另一个驱动因素。”
不过,本地部署中的决策失误也可能带来更高成本,他补充道:“在云端,如果资源配置不当,最多损失一个月的费用;但在本地部署环境中,一旦配置错误,你可能要在整个资产折旧周期内承受这一后果。”
Framestore的Wallen补充说,如果每次交互都向外部AI服务付费,其成本也可能高于在内部运行模型。
但他同时指出:“公有云仍然发挥着重要作用,尤其是在企业需要额外算力或获取专业化能力的时候。”
另一个值得关注的问题是,企业原本预期的云成本节省并未真正实现。Retarus的Geuss表示,闲置资源、难以准确计算的退出费用,以及那些只是简单迁移到云端、却没有针对云原生能力进行适配的应用程序,都可能侵蚀企业预期的成本节省。
Everest Group的Ranjan表示:“对早期云部署决策进行有选择的纠正,也是推动云工作负载回迁的重要因素之一。”
哪些领域最有动力迁回本地
Ranjan认为,当敏感数据、可预测的工作负载需求和足够大的业务规模同时存在时,云工作负载回迁最具合理性,他指出,银行、医疗保健、政府以及部分工业领域的工作负载,都可能成为优先考虑回迁的对象。
他补充说,大型企业更容易承担专用基础设施的建设和运营成本,而规模较小的企业也可以通过托管式私有云实现类似效果。
不同行业推动工作负载迁移的原因也各不相同,Armknecht表示,在Protiviti的客户中,国防承包商最关注的是确保数据始终保存在自己能够控制的硬件上,制造企业则希望减少故障点,这意味着需要削减与第三方系统的连接。
模型选择问题
目前,许多能力最强的AI模型只能通过云服务使用,因为模型开发商并不开放这些模型供用户在其他环境中运行。
Protiviti的Armknecht认为,真正让AI工作负载回迁成为现实的,是那些性能正在逐渐接近前沿模型的开放权重模型。以Framestore为例,该公司已经开始在自己的基础设施上对开放权重模型进行微调。
然而,模型能力的快速提升也可能削弱企业自建AI技术栈的必要性。
软件测试公司Tricentis将其生成式AI工作负载部署在大型云平台上,只在自有硬件上运行少量分类模型,例如视觉模型。
Tricentis负责AI和机器学习的副总裁David Colwell表示:“只有对于那些能够承担特定任务的小型大语言模型,在生产环境中自行维护这类基础设施才有意义。”
他指出,GPU资源稀缺且价格昂贵。按照目前AI技术的发展速度,AI服务提供商下一代通用模型的性能很可能很快就会超过Tricentis自行定制的任何模型。
不过,该公司会持续更新自己的数据集,以便在基础模型的性能提升速度趋于平缓时,重新评估这一选择。
选择AI服务提供商时,信任也是Tricentis考虑的重要因素。
该公司选择通过大型云服务商获取AI服务,而不是直接与AI实验室合作,因为这些云服务商在保护Tricentis数据方面已经积累了长期的良好记录。
Colwell表示:“前沿AI实验室仍在努力建立这样的信誉。”
未来趋势
不要指望企业会大规模蜂拥离开公有云。
Protiviti的Armknecht预计,云工作负载回迁将继续以审慎、注重业务价值的方式推进,而不会演变成一场仓促的迁移行动或短期热门潮流。
Everest Group的Ranjan认为,企业在公有云、私有云、主权云和边缘计算环境之间进行工作负载部署决策时,将变得更加审慎。一部分AI工作负载可能迁回本地,另一些则可能从一开始就选择公有云之外的部署环境。
他说:“对于CIO而言,真正的挑战在于,如何在整个IT基础设施体系中保持统一的治理标准和经济效益。”
Framestore的Wallen表示,CIO应该为这样一天做好准备:AI将成为几乎所有业务流程的一部分,他们需要认真评估,持续向外部服务提供商购买AI服务究竟需要付出多大成本。
他指出:“如今,许多AI服务在展示技术可能性方面表现出色,但随着AI应用范围不断扩大,如果每项任务都依赖这些服务,其成本可能会变得难以长期承受。”

本文转载自 https://www.51cto.com/article/861575.html