Google 2025年研究报告:人工智能基础设施现状

Google Cloud 2025年研究报告：人工智能基础设施现状

执行摘要

尽管人工智能（AI）引发的兴趣爆炸式增长，推动了广泛的实验，但当前的重点已转向实际应用。技术领导者们正优先考虑“如何做”而非“是否做”——即如何集成、保护和扩展生成式AI（Gen AI），以交付可持续的价值。这一转型阶段要求采取战略性方法来管理平台并实现高性价比的部署。

然而，这种转型远非一帆风顺。各组织面临着重大挑战，包括遗留系统集成、复杂的迁移，以及需要根据其独特的业务背景定制AI解决方案。

我们认识到对数据驱动洞察力的关键需求，因此对500多位全球商业领袖进行了调查。我们的研究结果揭示了一个正在经历剧变的云市场，其中积极投资于AI驱动型云基础设施的公司正在引领AI时代的发展。

本报告穿透了炒作的迷雾，清晰地展示了实践中的障碍和战略机遇。我们提供了领导者所需的研究和数据，以就关键的基础设施投资建立共识，赋能他们打造真正由AI驱动、云原生的组织，并自信地驾驭这一转型时期。

核心发现

优化的基础设施对生成式AI的成功至关重要

任何生成式AI计划的成功都取决于其底层基础设施。这不仅仅是增加另一个工作负载，而是要构建一个能够支持AI独特且快速演变需求的基础——无论您的目标是提高客户满意度还是降低运营成本。

这个基础需要承担重任。它必须是安全的，以保护知识产权和客户数据。它必须是分布式的——在公有云中提供托管服务，并能延伸至您的数据中心或网络边缘，以满足延迟和数据主权的要求。

它需要具备可扩展性、高性能和可靠性，以处理大型训练数据集的并行处理，以及推理和推理过程中扩大的上下文窗口和多步骤处理。当然，它还必须具有成本效益。

听起来像是一项不可能完成的任务？只要您有计划，就并非如此。生成式AI正在重新定义各组织的IT战略，而且这一趋势不会放缓。本研究揭示了各行各业领先企业在其旅程中所处的位置。当您重新审视您的云基础设施战略时，请考虑哪些提供商有能力不仅服务于AI专家，还能服务于您的开发者和业务部门。

发现01：生成式AI的采用在各行业中几乎已成普遍现象

如今，生成式AI在工作场所的重要性怎么强调都不为过。

• 98% 的组织正在积极实验、开发或在生产中使用生成式AI。
• 79% 的技术领导者认为生成式AI对其组织当前和未来的业务运营至少“非常重要”。

您的组织在生成式AI采用方面处于哪个阶段？

• 积极开发：39%
• 在生产中使用：39%
• 目前正在实验开发：20%
• 计划在未来一年内进行：2%

生成式AI对您组织当前和未来业务运营的重要性如何？

• 极其重要：40%
• 非常重要：39%
• 重要：19%
• 有些重要：2%

跨行业观察

这些发现在各行业中是一致的——各行业的技术领导者都已在其组织中大规模采用生成式AI，并一致认为这对他们的业务至关重要。让我们深入了解一下数据。

在各个行业中，大多数组织要么正在积极开发生成式AI，要么已在生产中部署，这表明公司已经在生成式AI上进行了大量投资，并计划继续投资。不出所料，科技相关行业的组织在将生成式AI试点项目推向生产方面速度更快，整体采用率也更高。

然而，生成式AI的迫切需求已推动几乎所有公司，无论其所属行业，都投入到生成式AI中。即使是生产环境中采用率较低的行业，如金融服务和制造业，其实验和开发率也很高。

按行业划分，您的组织在生成式AI采用方面处于哪个阶段？

各行业的技术领导者都认同生成式AI对其组织的成功至关重要。 总体而言，高达79%的领导者认为生成式AI对其业务“非常重要”或“极其重要”，而在IT咨询（91%）和计算机硬件/软件（88%）等科技相关行业中，这一比例甚至更高。

按行业划分，生成式AI对您组织当前和未来业务运营的重要性如何？（“极其重要”/“非常重要”）

• IT咨询：91%
• 硬件/软件：88%
• 医疗保健：75%
• 制造业：75%
• 零售：72%
• 金融服务：51%

对您的意义AI不再是一个未来的概念——它已成为核心业务驱动力，也是组织工作方式的根本性转变。IT领导者已经超越了对潜在价值的空谈，转而构建能够支持日益增长的AI工作负载需求的基础设施。

由于大多数组织要么正在积极开发，要么已在生产中使用生成式AI，它正帮助组织寻找效率并探索通往成功的新途径。您今天所做的基础设施决策将决定您的组织在未来AI驱动的竞争格局中的能力——无论您身处哪个行业或地区。

发现02：生成式AI的投资回报依赖于内部和外部用例

生成式AI在众多用例中都能产生成果。虽然直觉上您可能会认为“越多越好”，但我们的研究表明，您的生成式AI工作重点放在何处才是关键。

组织正在利用生成式AI改善客户互动、个性化体验并创造新的价值主张。我们的研究表明，许多技术领导者（64%）在提升客户体验和改善内部运营之间取得了平衡。

将生成式AI应用于面向外部的用例，其区别在于能够向客户提供个性化的、准确的回复，而不是千篇一律的回复。例如，将生成式AI与您组织的运营数据集成，可以使客服人员或聊天机器人提供客户所看重的相关、实时的回复。

同时，将生成式AI应用于内部流程，可以使组织简化流程、提高生产力并优化运营成本。

您如何主要归类贵组织当前或计划使用的生成式AI？

• 内部和外部兼顾：64%
• 主要面向内部：25%
• 主要面向外部：11%

三大关键用例正在推动生成式AI的采用：

1. 数据分析：不仅仅是生成报告，更是从海量数据集中提取可操作的洞察，识别模式，并以规模化和高速度实现数据驱动的决策。
2. 客户服务自动化：自动化重复性任务和简化工作流，将人力资本解放出来从事更高价值的活动。
3. 内部流程自动化：超越基础聊天机器人。今天的自动化是关于创建智能系统，能够理解细微的询问，提供准确和个性化的回复，并高效地解决问题。

数据分析是生成式AI实施的首要任务，客户服务和内部流程自动化紧随其后。

• 数据分析：50%
• 客户服务自动化：40%
• 内部流程自动化：40%
• 代码生成：25%
• 内容创作：20%
• 设计与创意：19%

跨行业观察

生成式AI实施的优先级在不同行业中存在显著差异。

• IT咨询和硬件/软件行业将数据分析（分别为60%和69%）和代码生成（分别为47%和51%）作为最高优先级。
• 金融服务和零售行业将客户服务自动化作为最高优先级（分别为68%和67%）。
• 制造业和金融服务行业将内部流程自动化作为最高优先级（分别为55%和54%）。

按行业划分，贵组织认为以下哪项生成式AI用例是实施的最高优先级？

对您的意义为了充分利用生成式AI，组织需要采取战略性方法，将AI集成到内部工作流和面向客户的应用程序中。这需要一个灵活且可扩展的基础设施，以支持多样化的AI工作负载。

此外，虽然了解您所在行业的主导用例很有价值，但跨行业的学习可以激发创新并释放新价值。通过探索其他行业如何利用生成式AI，组织可以识别新颖的应用，扩展其产品/服务，并获得竞争优势。

案例：Regnology在金融服务行业，Regnology利用Google Cloud服务开发了一款监管报告聊天机器人。该聊天机器人旨在加速内部和外部用户获取监管查询的准确答案。面对快速增长的监管需求和不断增加的数据量，Regnology帮助客户简化运营并遵守不断演变的法规。作为全球监管报告领域的领导者，其内部基础设施的灵活性不足曾是一大难题。如今，基于Google Cloud服务构建的新聊天机器人，加速了获取监管查询准确答案的过程。

发现03：安全与数据是关键挑战

保护敏感信息仍然是重中之重。各组织想知道如何在使用第三方AI模型时保护专有数据，并确保遵守不断演变的数据保护法规。

以下哪些是贵组织在采用生成式AI方面面临的最大挑战？

• 安全风险：39%
• 数据隐私问题：36%
• 监管问题：29%
• 成本：26%
• 技术集成困难：26%
• 变革管理：22%
• 缺乏专业知识：21%
• 数据准备就绪度：20%
• 伦理问题（偏见、公平性等）：18%
• 现有基础设施限制：17%
• 缺乏可行的用例：13%

我们的研究强调了技术领导者所面临的关键安全和隐私问题。

• 62% 的人将安全风险和/或数据隐私列为他们最大的挑战。

生成式AI采用的最大担忧是：

1. **安全风险 (39%)**：保护专有数据和知识产权是不可妥协的。生成式AI固有的特性（涉及大语言模型和海量数据集）带来了新的安全挑战，必须主动应对。
2. **数据隐私问题 (36%)**：组织需要确保其生成式AI实施能够保护敏感数据，并遵守《通用数据保护条例》（GDPR）、《加州消费者隐私法案》（CCPA）等法规。
3. **监管问题 (29%)**：围绕生成式AI的法规正在增加——《欧盟AI法案》只是其中之一——企业保持合规至关重要。受到监管审查加剧的主题包括AI的可解释性、知识产权保护以及防范虚假信息。

70% 采用生成式AI的组织在数据方面遇到了困难。这包括数据治理、将数据集成到AI模型中以及训练数据不足，这与《高管指南：从数据和AI中交付价值》中的关键发现一致。

总体而言，各组织都渴望拥抱生成式AI，但在从试点项目扩展到全面生产部署时却面临挑战。关键瓶颈是什么？是数据。我们的研究发现，数据的可用性和质量，以及存储这些数据的平台，是生成式AI实施中最重要的因素。

进一步加剧这一挑战的是对数据谱系（Data Lineage）能力的关键需求。数据谱系提供了一个关于数据集来源、转换和使用权的全面、可审计的记录，使组织能够以法律、伦理和政策为基础，明确地证明其有权将特定数据用于给定的AI应用。如果没有可验证的数据谱系，组织将面临重大风险，包括潜在的法律责任、监管不合规和声誉损害——这实际上阻碍了在来源不明的数据上训练的AI模型的部署。

组织关心如何让其客户和专有数据保持私密、安全和合规。我们已经知道，为了确保高质量的数据治理，组织需要统一其数据——但这可能是一项繁重的基础设施工程。因此，数据质量、强大的平台和高效的可扩展性成为技术领导者在考虑生成式AI实施时最关心的因素也就不足为奇了。数据及其支撑基础设施仍然占据主导地位。

在选择生成式AI技术时，您最重要的5个因素是什么？

• 强大的AI平台：45%
• 数据可用性和质量：45%
• 高效的可扩展性：45%
• 技术可行性：44%

跨区域观察

安全和数据隐私是生成式AI采用的最大挑战，这一发现在各地区是一致的。对于跨国运营的公司而言，全球各地区的监管环境各不相同，尤其值得关注。

• 北美：州级法律正变得越来越全面，例如CCPA，旨在保障消费者访问、查看和删除数据的权利。
• 欧洲：GDPR对数据的存储、收集和删除保持着严格的要求。对于使用云资源的企业来说，在国家境内的云中心对于保持合规性很重要。违规罚款最高可达2000万欧元或全球年营业额的4%。
• 亚太：情况各异，一些国家要求将数据保留在其境内，而其他国家则采取更为分散的方法。

对您的意义构建安全合规的AI基础设施是不可妥协的。IT领导者必须在其AI战略中优先考虑数据安全和隐私，以降低风险并维持信任。

无论您身处哪个行业，数据通常都分散在不同的平台和格式中，这使得实施统一的安全和治理策略变得极具挑战性。为了充分利用AI，当务之急是通过一个统一的平台（包括开放格式）创建一个涵盖所有形式数据的单一事实来源。

此外，高度可扩展的架构至关重要，它可以在不影响性能的情况下，统一事务型和分析型系统。即使在高要求的事务型工作负载下，这也允许这些系统之间的数据访问。

随着越来越多的数据和应用程序从本地数据中心迁出，并远离传统的安全机制和基础设施，数据安全方法也必须适应云环境。

案例：Moii.aiMoii.ai在全球超过10亿台CCTV摄像头上部署视觉AI代理，以提高安全性。Moii.ai利用AI自动化审查和分析过程，将传统摄像系统转变为自主代理，以创造更安全、更有生产力的工作场所。 “因为BigQuery直观的UI，即使是没有什么云经验的工程师也能在入职第一周就进入工具并开始数据项目。如果使用其他解决方案，我们需要两倍规模的团队来维护我们已经构建的基础设施。” —— Lakshman Balasubramanian, Moii.ai AI负责人兼联合创始人

发现04：成本效益是关键考量

AI需要大量的计算资源，实施和维护AI的总成本会因规模、模型复杂性、数据需求、基础设施维护和现有人才等因素而有很大差异。尽管生成式AI的潜力可能是无限的，但预算是有限的。

• 83% 的技术领导者表示，成本是评估解决方案的关键因素。

驾驭这项强大的新技术可能会陷入意外支出的雷区。合适的云服务商可以为AI工作负载的训练、微调和推理提供高性价比的解决方案——包括抢占式实例、预留实例和按需付费等选项。

正如我们在发现03中看到的，生成式AI解决方案的成本也是采用生成式AI的一个重大挑战，在所有挑战中排名第4。

成本效益在您为生成式AI基础设施解决方案做决策过程中的重要性如何？

• 极其重要：30%
• 非常重要：53%
• 重要：12%
• 有些重要：4%

尽管与生成式AI解决方案相关的成本是首要考虑因素，但生成式AI的好处也对组织的利润产生了积极影响。

您期望从生成式AI中获得最大的投资回报（ROI）来自哪里？

• 提高员工生产力：22%
• 改善客户满意度和参与度：21%
• 简化工作流和流程：20%
• 提高竞争力并获得市场份额：18%
• 加速收入增长：14%
• 增加销售额和收入：13%
• 降低运营成本：13%

对您的意义生成式AI通过简化流程和自动化任务来创造效率，帮助组织降低成本。然而，尽管有这些唾手可得的效率，量化生成式AI的商业价值却可能具有挑战性。这是因为除了全组织范围的成本节约外，生成式AI还会带来不断增加的技术支出，包括计算成本、模型开发与管理以及数据管理。这就是为什么成本优化是一个至关重要的考量。

如何提高您的AI成本效益

有效管理生成式AI的成本需要一种超越简单选择最低价服务的战略方法。以下是实现AI基础设施最佳成本效益的三个关键领域：

1. 通过精细化控制合理配置资源：通过利用能对计算资源进行精细化控制的云平台来避免过度配置。寻找自动扩缩容等功能，它可以根据实时工作负载需求动态调整资源，并支持异构计算实例（例如CPU、GPU、TPU）以匹配特定的模型需求。这可以最大限度地减少资源浪费，并确保您只为实际使用的资源付费。
2. 利用AI优化的硬件和软件堆栈：选择在优化AI性能方面有良好记录的基础设施提供商。这包括使用专用硬件加速器（如为AI设计的TPU或GPU）和利用高度优化的软件框架（例如JAX、TensorFlow、PyTorch），以最大化硬件利用率。这些优化可以显著缩短训练和推理时间，从而大幅节省成本。
3. 实施智能资源管理和调度：探索能自动化分配和调度AI工作负载的高级资源管理工具。动态工作负载调度、抢占式实例（适用于容错工作负载）和智能缓存机制等功能可以显著减少空闲资源时间并优化整体基础设施利用率，从而降低运营成本。

生成式AI驱动的FinOps如何帮助您实现技术投资的成本效益回报FinOps通过将技术、财务和业务团队与一个专注于推动技术投资成本效益回报的总体运营框架结合起来，为云带来了纪律性，使组织能够将其云支出减少多达30%。请使用《生成式AI的云FinOps框架》评估您的生成式AI采用准备情况。

案例：NuroNuro是一家自动驾驶技术公司，正在使用Google Cloud开发其尖端的自动驾驶系统Nuro Driver，同时大幅提高了训练的成本效益。通过使用Google Cloud TPU，Nuro现在可以处理PB级的真实驾驶数据，并以两倍的速度训练AI模型，用于生成城市级地图和检测道路上的障碍物，而无需增加额外成本。

发现05：强大的AI平台是评估基础设施的首要标准

受访者希望拥有一切——性能、规模、效率——并且希望这一切都在一个能够训练、部署和管理其AI的平台中实现。

• 45% 的受访者希望拥有一个强大的AI平台。

鉴于生成式AI在模型、应用和架构方面令人眼花缭乱的变化速度，各组织优先考虑能够跟上步伐的平台也就不足为奇了（参见发现03的调查结果）。

重要的基础设施因素很少有组织在训练大规模基础模型。但无论是在北美、欧洲还是亚太地区，规模和性能都是首要因素，无论您是为数千名内部最终用户还是数百万客户快速提供模型。随着AI平台必须处理快速的代理间通信和更高数量级的推理请求，对性能和可扩展性的要求变得更加严苛。一个强大的平台必须能够支持这些类型的工作负载，无论其架构是否容器化，并在计算、存储和网络的扩展、资源共享、访问和路由方面不断创新。

在评估生成式AI基础设施系统时，最重要的因素是什么？

对您的意义一个强大的AI平台可以支持从开发者到科学家再到IT运维人员的多样化用户。它可以扩展并优化不断演进的架构和框架。并且它可以处理AI的整个生命周期，从开发到部署再到管理。

• 创新的基础设施：AI普及了GPU。然而，您的核心基础设施还应具有灵活性，能为每个用例提供最佳的性价比，包括CPU和定制芯片。数据对AI至关重要，平台必须提供多种存储机制来摄取、存储和交付数据。例如，并行文件系统适用于某些AI训练，但当训练数据是静态时，对象存储和块存储的效率要高得多。必须为每个主机、集群内的主机之间以及跨云、多云和私有网络考虑网络。
• 动态且集成的软件：随着生成式AI实施的演进，AI平台的软件也必须随之演进。例如，可变长度的上下文窗口需要更智能的网络负载均衡来正确路由请求。多步推理可能需要多个计算主机来动态处理。大型AI作业的巨大基础设施成本要求软件通过广泛的可观测性、更复杂的检查点（checkpointing），甚至让AI集群在降级模式下运行，来最大限度地减少不可避免的中断。
• 服务于多种角色：一些组织希望完全访问AI基础设施，因为他们想实施新技术、框架和模型以最大化硬件资源。另一些组织则更愿意采用现有模型并针对其特定用例进行优化——基础设施控制是次要的。还有一些企业只想通过API访问预配置的AI模型，以集成到应用程序中。当所有这些不同的模式都运行在同一个可扩展、高性能且可靠的基础设施上时，所有这些组织都能从中受益。

案例：Moloco在拥挤的数字环境中，Moloco提供由AI驱动的广告解决方案，利用第一方数据帮助公司根据实时消费者行为定位和获取高价值用户——最终实现更高的转化率和投资回报。Moloco利用十多个深度神经网络的预测，其平台每天摄入10PB的数据，峰值速率高达每秒1050万次查询。他们依靠Google Kubernetes Engine来处理如此庞大的数据负载，并在保持成本效益的同时优化服务效率。

发现06：边缘计算正在拓展AI的应用范围

生成式AI被越来越多地应用于各种场景，其中许多场景发生在传统的集中式数据中心之外。

边缘计算包括物联网（IoT）设备（如智能冰箱）、自动驾驶汽车和移动设备。它将处理能力分散化，降低了延迟，并需要高效的计算资源。这种计算能力的分散还可以通过在本地处理数据并最大限度地减少敏感信息的传输，来改善网络性能并加强对数据隐私法规（例如GDPR、CCPA）的遵守。

如今，几乎所有行业都依赖某种程度的物联网或移动设备来支持实时应用并保持运营。在医疗保健、制造和零售业，边缘计算利用并处理传感器信息，为分析提供动力、维持质量控制，甚至自主操作机器。

• 医疗保健：
• 在边缘部署计算机视觉模型，对医疗设备的患者生命体征进行本地处理，以便立即检测异常并向医护人员发出通知；
• 实时验证医护人员个人防护装备（PPE）的合规性。

• 制造业：基于传感器数据分析对工业设备进行预测性维护。
• 零售业：使用基于边缘的视频分析进行实时库存管理。

在边缘（例如，在物联网设备、移动设备上）部署生成式AI模型对贵组织的重要性如何？

• 极其重要：33%

• 非常重要：40%

• 重要：20%

• 有些重要：6%

• 73% 的组织表示，边缘计算“非常重要”或“极其重要”。

跨行业和地区观察

正如您所料，在边缘部署生成式AI对制造业（70%）和医疗保健（74%）等行业很重要，但对于计算机硬件或软件行业的公司（81%）尤其是计算机/IT咨询公司（85%）来说更为重要。

按行业划分，在边缘（例如，在物联网设备、移动设备上）部署生成式AI模型对贵组织的重要性如何？

对您的意义尽管其重要性日益增长，但在边缘进行现代化和利用AI、保持对关键任务数据的控制以及管理多个边缘部署的复杂性，都带来了重大挑战。

因此，市场对能够支持在边缘部署生成式AI模型以用于实时应用的云解决方案的需求不断增长也就不足为奇了。随着客户对实时交互的期望不断提高，边缘计算以及使其能够可靠地进行快速生成式AI处理的基础设施的必要性也将随之增加。

多个边缘部署面临的挑战：

• 资源和连接限制：边缘设备的计算能力有限，并且经常面临间歇性连接，这使得有效部署和管理复杂的AI模型变得困难。这需要专门的优化和强大的离线能力。
• 数据安全与治理：在边缘保护敏感数据、确保数据质量和合规性，并在分布式位置维护数据主权控制，带来了重大的安全和治理障碍。
• 部署和管理复杂性：将AI部署扩展到众多地理位置分散的边缘设备，以及对其进行监控、维护、版本控制和编排，引入了巨大的复杂性，需要自动化和复杂的管理工具。

案例：麦当劳全球零售商麦当劳计划部署Google Distributed Cloud，向数千家餐厅提供AI，启用新的客户平台，并将信息存储和高性能计算引入单个餐厅。通过这些边缘计算能力和分布式AI，麦当劳将获得关于设备性能的新洞察，制定减少业务中断的解决方案，并简化运营，让餐厅团队能够专注于提供卓越的客户体验。

发现07：混合云为生成式AI部署提供灵活性

混合方法涉及将本地基础设施与公有云资源相结合。

我们的研究清楚地表明，人们对混合云方法有着强烈的偏好（74% ）。这种方法比单独使用本地或单一公有云方法更受青睐。

其理由显而易见：

• 增加灵活性：混合方法允许组织为每个工作负载选择最佳环境，在性能、成本和安全考虑之间取得平衡。
• 改善数据驻留和合规性：对于某些工作负载，监管要求可能需要将数据保留在本地。混合方法允许这样做，同时仍能利用公有云的优势。

贵组织主要使用哪种云基础设施方法来处理生成式AI工作负载？

• 混合：本地 + 多云：41%
• 混合：本地 + 单一公有云：33%
• 多云：19%
• 本地：4%
• 单一公有云：3%

对您的意义对混合云的压倒性偏好意味着技术领导者必须了解如何设计、实施和管理这样的环境。忽视这一趋势会使您落后于那些已经在利用混合云所提供的灵活性和控制力的竞争对手。他们需要评估其现有基础设施和云合作伙伴关系，看它们是否能支持混合方法。

为每个工作负载选择合适环境的灵活性是关键。这需要战略性地思考工作负载的放置，根据每个应用程序的具体情况考虑性能、成本和安全要求。

案例：丰田丰田利用Google Cloud的AI Hypercomputer构建了混合云架构，为其创新的AI平台提供动力，赋能工厂工人开发和部署跨关键用例的AI模型。丰田实现了学习模型创建时间减少20%，改善了用户体验并提高了采用率。随着更多工厂一线员工能够创建AI模型，丰田已经自动化了更多手动和劳动密集型任务，通过制造效率和流程优化每年节省超过10,000小时。

发现08：大多数组织依赖云服务商提供的生成式AI解决方案

构建和运行AI工作负载很复杂。组织需要托管服务来简化运营并充分利用云的优势。

在构建生成式AI解决方案时，最常见的方法是利用Gemini、Claude和AI21等专有模型，优先考虑速度、易用性、成本效益和可扩展性。构建内部自定义模型是最不常见的方法，因为它需要更多的时间和资源，这表明对于许多组织来说，专有模型的性能已经足够满足其需求。

贵组织在管理生成式AI基础设施方面更倾向于哪种方法？

• 主要使用托管服务，辅以一些自我管理：57%
• 完全托管服务：39%
• 混合（同等混合）：21%
• 主要自我管理，辅以一些托管服务：17%
• 完全自我管理：2%
• 其他：4%

贵组织目前利用生成式AI的方法最符合以下哪一项？

• 使用专有模型构建解决方案：98%
• 使用现成的解决方案：17%
• 微调开源模型：22%
• 使用混合方法：10%
• 在内部开发自定义模型：12%

云服务商在生成式AI实施中扮演着关键角色。为长期成功而设计需要一种微妙的平衡——利用新的生成式AI功能提高生产力，优化面向客户的核心应用程序，并对现有基础设施进行现代化改造以跟上步伐。我们正迅速接近一个拐点，传统的云计算和基础设施将无法再满足当前的容量和性能需求。

鉴于构建和管理AI就绪基础设施的复杂性和资源密集性，各组织越来越多地转向云服务提供商（48% ），并在较小程度上转向独立软件供应商（ISVs）（36% ）。这种转变很大程度上是为了建立战略合作伙伴关系，以利用专业的知识和资源。

这正在推动企业基础设施市场规模的显著增长。正如《2025年Google Cloud AI商业趋势报告》所述，到2026年，企业基础设施的采用率预计将增长超过30% 。这种快速的采用率在全球范围内创造了对能够处理AI工作负载所需的高计算能力和功率密度的数据中心空间的需求。到2030年，对AI就绪数据中心容量的需求预计将以年均33% 的速度增长，而数据中心的支出预计在未来五年内将翻一番。

贵组织主要通过哪些渠道获取和实施生成式AI解决方案？

• 直接从云服务商：48%
• 独立软件供应商（ISVs）：36%
• 上述组合：30%
• 全球系统集成商（GSIs）：27%
• 内部开发：26%
• 制造商：8%

对您的意义构建坚实的AI基础设施是成功的基础。因此，未来的成功将取决于一个组织是否拥有能够提供规模、可靠性、计算性能、效率、安全性、易用性和成本效益的基础设施，以支持大规模AI工作负载、企业应用程序组合和新应用程序开发的结合。

许多企业和政府缺乏独立开发这些技术和工具的技能、时间和资源。因此，他们依赖托管服务提供商来管理、扩展和保护其基础设施也就不足为奇了。为您的业务找到最佳的AI解决方案有助于您保持领先地位。

Google Cloud的全球合作伙伴生态系统经过专门培训和认证，可提供解决特定行业需求的云解决方案。

云服务商是AI时代的战略合作伙伴

向云服务商的这种转变不仅仅是一种趋势。对于那些在预算限制和竞争压力下，努力应对AI开发、部署和管理复杂性的领导者来说，这是一种战略必然。研究证实，生成式AI对许多组织来说已是当今的现实。越来越多的企业正在寻求现成的解决方案，这些解决方案将AI和数据技术结合起来，以在运营、扩展、优化和保护基础设施时简化决策。

随着生成式AI用例的激增，组织将需要各种各样的模型来满足这些不同的需求。在不被复杂性淹没的情况下，为您的用例采用最佳模型可能让人望而生畏。

领先的组织正在利用云服务商的专业知识来制定全面的解决方案。解决以下关键考虑因素：

• 安全性：实施强大的安全措施，以保护敏感数据并确保合规性。
• 可扩展性：设计一个能够扩展以满足AI工作负载不断增长需求的基础设施。
• 数据质量：确保能够访问高质量的数据来训练和部署有效的AI模型。
• 成本：控制与大量计算资源和维护相关的支出。
• 灵活性：根据每个工作负载的类型，在每个应用程序的基础上选择合适的环境。

通过仔细选择合适的合作伙伴、工具和框架，组织可以在AI时代取得成功。

Google Cloud提供了一个全面的平台，助力生成式AI取得成功

技术领导者的任务很明确：构建一个AI就绪的基础设施，既能满足您的业务需求，又能支持这项变革性技术的独特要求。

我们的研究表明，成功不在于零散的解决方案，而在于部署一个强大且集成的AI平台。将AI集成到您的业务中应该是您的关注焦点。Google Cloud可以为您承担基础设施的重担，提供性能、规模和效率，这些能力已经在为世界上最先进的AI产品提供动力。我们紧跟市场步伐，已经在运行前沿的推理模型，在边缘提供AI，并帮助客户在其自己的数据中心安全地部署AI。从使用Vertex AI的企业数据科学家，到使用Cloud Run和Gemini端点集成AI的开发者，再到在AI Hypercomputer上构建基础模型的AI公司，我们的全栈技术已为今天和快速演变的未来做好了准备。Google Cloud不仅仅是一家云服务商，更是您AI转型的战略合作伙伴。我们对开源原则的承诺、由Google DeepMind驱动的持续创新以及每天为数十亿用户提供AI技术服务的经验，加上我们对企业级安全和治理的关注，使我们成为那些希望在生成式AI时代取得领先地位的

技术领导者的任务很明确：构建一个AI就绪的基础设施，既能满足您的业务需求，又能支持这项变革性技术的独特要求。

我们的研究表明，成功不在于零散的解决方案，而在于部署一个强大且集成的AI平台。将AI集成到您的业务中应该是您的关注焦点。Google Cloud可以为您承担基础设施的重担，提供性能、规模和效率，这些能力已经在为世界上最先进的AI产品提供动力。我们紧跟市场步伐，已经在运行前沿的推理模型，在边缘提供AI，并帮助客户在其自己的数据中心安全地部署AI。从使用Vertex AI的企业数据科学家，到使用Cloud Run和Gemini端点集成AI的开发者，再到在AI Hypercomputer上构建基础模型的AI公司，我们的全栈技术已为今天和快速演变的未来做好了准备。

Google Cloud不仅仅是一家云服务商，更是您AI转型的战略合作伙伴。 我们对开源原则的承诺、由Google DeepMind驱动的持续创新以及每天为数十亿用户提供AI技术服务的经验，加上我们对企业级安全和治理的关注，使我们成为那些希望在生成式AI时代取得领先地位的组织的理想选择。

方法论

本研究由Google Cloud委托，由独立研究公司Coleman Parkes Research执行。调查于2024年10月进行，共采访了全球500多名技术决策者（总监级别及以上）。受访者来自六个行业（IT咨询、计算机硬件/软件、金融服务、零售、医疗保健、制造业）和三个地区（北美、欧洲、亚太）。所有受访者均来自员工人数超过1,000人的组织。

关于Google Cloud

Google Cloud是Google的云计算服务部门，为企业提供一系列基础设施、平台和应用服务。Google Cloud利用Google在AI、数据分析、安全性和可扩展性方面的深厚专业知识，帮助组织实现数字化转型、推动创新并加速业务增长。

© 2025 Google LLC 1600 Amphitheatre Parkway, Mountain View, CA 94043

Google and the Google logo are registered trademarks of Google LLC. All other company and product names may be trademarks of the respective companies with which they are associated.