人工智能（AI）的快速发展已经在改变企业运营模式。AI不仅能自动化业务流程，还能执行复杂的数据查询。这种变革自然也影响了企业如何选择和使用云基础设施。

人工智能的崛起正重塑企业云战略

过去几年，迁移到云端是一项重点战略。但如今，这股趋势已逐渐趋于平稳。相反，越来越多的企业正在进行“云回迁”（Cloud Repatriation）——也就是将数据、资产和工作负载从公有云迁出，重新部署到本地数据中心，或者更常见的是，转移至私有云或混合云环境。背后驱动力包括不断上升的云计算成本以及对云安全性持续存在的担忧。

“我亲身经历过”

当初迁移上云的重要原因之一，是期望云基础设施能比传统数据中心更省钱。然而，随着应用的复杂度增加，以及对算力和资源的依赖加重，企业发现自己在云中的资源消耗越来越大。

Aviatrix首席技术官兼工程高级副总裁 Anirban Sengupta 表示，企业已经意识到，小规模上云或许还能控制成本，但规模一旦扩大，支出就变得不可预测。许多云服务商按照每秒传输的千兆字节计费，这种计费方式让客户很难控制成本。

他说：“我自己也经历过。有人发起了一次性能测试，结果忘记关掉就休假去了。一周后我们收到账单，吓了一跳。”

不过，云回迁并不意味着要彻底放弃云带来的优势。

“客户已经意识到，只用一家云厂商是不现实的，现在更务实的做法是混合云或私有云。事实上，大多数企业都采用了多云环境。”Sengupta补充说。

Palo Alto Networks Cortex Cloud 产品管理副总裁 Elad Koren 表示，如今企业正以更加审慎的方式分析每个应用的部署环境，评估其最合适的运行场所。

“对很多企业来说，这种评估结果往往是采用混合云模型：将公有云用于其擅长的任务，而将其他工作负载迁回本地。”他说。

预算分配也在反映这种变化。根据 IT 服务管理公司 GTT 的数据显示，美国预算在1000万美元以下的企业，其私有云支出增长速度是公有云的两倍。

“云支出模式的转变，以及推动云回迁的背后力量，正在重塑企业 IT 的需求。”GTT 在一份云环境演进报告中指出，“如今的云环境更复杂，管理层则希望在生成式 AI 等新兴高算力场景上获得更高的投资回报。”

应对AI带来的数据分布挑战

AI和大型语言模型（LLM）推动了应用架构的高度分布化，进一步加剧了数据位置的复杂性。Sengupta指出，很多AI或LLM项目的数据源可能分布在本地、边缘设备或S3对象存储桶中。

虽然AI应用在云端持续增长，但由于这一领域对许多企业来说仍较为新颖，其伴随的风险也不容忽视。

因此，企业在寻求能同时打通云、数据库、本地数据中心和边缘计算的混合云架构。Sengupta指出，最大挑战是如何在保障合规和治理的前提下，实现统一的连接和管理。

“绝大多数客户在这个问题上都面临很大的困难。”他提醒说。

但另一方面，云环境依旧是AI和大数据创新的摇篮，尤其在规模化应用方面不可替代。

Koren补充说：“对绝大多数AI和机器学习任务来说，云不仅是选项，而是必需。如果把这些工作负载迁出云环境，那就等于放弃了现代AI的基础能力。”

数据泛滥下的安全焦虑

AI的迅速普及，也带来了数据爆炸式增长，这从安全角度看令人担忧。无论是使用 Gemini、ChatGPT 还是 Claude，企业的数据可能无处不在。而数据泄露和攻击事件也持续上升。

Sengupta指出，以前的网络流量可能只是“一进一出”，而现在却是成千上万的服务提供商、客户端和代理程序同时运行，分布在不同位置。

“可信边界已经模糊不清了。”他说，“攻击面变得无限广阔，应用数量几乎无法计数。我们的安全模型必须无处不在，否则就可能酿成严重的数据安全事故。”

面对这样的格局，他建议企业采取混合架构，加强安全投入，并尽可能拥抱AI技术——因为威胁不仅来自个体攻击者，更来自国家级黑客组织。

数据显示：安全问题推动云回迁

Enterprise Strategy Group 首席分析师 Jim Frey 最近完成的一项研究表明，安全和合规是企业计划将生成式AI工作负载迁出公有云的五大主要原因之一。虽然各项指标接近，但安全合规依然占据第一位（64%），其次是性能优化（59%）、成本控制（48%）和资源使用可预测性（45%）。

他补充道，对于非AI场景的云回迁来说，排序可能不同，但驱动因素本质上是相似的。研究还发现，各组织对主机代管设施的遣返兴趣几乎与对自身数据中心的兴趣相同。

Frey指出：“主要原因在于部署更快，而且这些数据中心通常已具备AI基础设施所需的大功率供电和高效冷却能力。”