Balinder Walia
云与本地人工智能：哪种基础设施适合您？
随着人工智能工作负载规模和战略重要性的增长，基础设施决策成为技术组织可以做出的最重要的选择之一。在云中运行人工智能训练和推理可提供灵活性和速度，但成本可能会迅速上升。本地硬件需要大量的前期投资，但可以提供更低的长期成本和更好的控制。正确答案取决于您的具体情况。
在本文中，我们对成本、数据主权、延迟、可扩展性和混合策略进行了全面比较，包括 3 年总拥有成本 (TCO) 分析和可应用于您自己的组织的决策框架。
成本比较：云 GPU 实例与自有硬件
AWS、Google Cloud 和 Azure 等云提供商按需提供 GPU 实例。这很有吸引力，因为没有前期资本支出——您只需为使用的内容付费。然而，GPU 云定价很高，持续的工作负载可能会变得极其昂贵。
考虑运行单个 NVIDIA H100 GPU 的成本：
- 云（AWS p5实例）： 8xH100 实例每小时大约 30-40 美元，或者每 GPU 小时大约 3.75-5.00 美元。连续运行一台 GPU 一个月的费用约为 2,700-3,600 美元。
- 内部部署（购买 H100）： 一台 H100 SXM 的成本约为 30,000 美元。加上服务器机箱、网络、冷却和机架空间，单个 GPU 节点完全部署的成本约为 50,000-60,000 美元。
按照云费率，在大约 15-18 个月的连续使用中，您将花费相当于本地硬件的成本。此后，每个月的运行都代表本地部署的纯粹节省。
3 年 TCO 分析
| 成本类别 | 云 (8xH100) | 本地 (8xH100) |
|---|---|---|
| 硬件（0 年） | $0 | $350,000 |
| 计算（第一年） | $260,000 | $36,000（电源+冷却） |
| 计算（第二年） | $260,000 | $36,000 |
| 计算（三年级） | $260,000 | $36,000 |
| 员工/维护 | 30,000 美元（DevOps 时间） | $120,000（系统管理员 + 支持） |
| 3 年总计 | $810,000 | $578,000 |
在这种情况下，本地选项在三年内可节省大约 28%。然而，这假设 GPU 的利用率接近连续。如果您的工作负载是突发性的（几周的大量训练，然后是空闲期），云经济性会显着改善，因为您只需为活跃使用付费。
数据主权和合规性
对于医疗保健、金融或政府等受监管行业的组织来说，数据主权通常是决定因素。本地基础设施使您可以完全控制数据所在的位置以及谁可以访问它。
- 本地化优势： 完全控制物理安全，没有数据离开您的网络，更轻松地遵守 GDPR、HIPAA 等法规或行业特定要求。
- 云优势： 主要提供商提供合规性认证、数据驻留选项以及静态和传输中的加密。但是，您仍然信任第三方处理您的数据。
如果您的培训数据包含敏感的个人信息、专有商业秘密或机密材料，则本地基础设施可以消除整个类别的风险。
延迟和性能
对于训练工作负载，GPU 集群的延迟很少是瓶颈——训练作业运行数小时或数天，启动作业的网络往返时间可以忽略不计。然而，对于 推理工作负载，延迟非常重要。
位于您自己的数据中心或边缘的本地推理服务器可以提供低于 10 毫秒的响应时间。基于云的推理会增加网络延迟（通常为 20-100 毫秒，具体取决于区域），这对于自动驾驶汽车、交易系统或交互式人工智能助手等实时应用程序来说是不可接受的。
可扩展性
这就是云基础设施的闪光点。需要 100 个 GPU 进行为期两周的训练？云提供商可以在几分钟内完成配置。本地扩展需要以周或月为单位的采购周期，并且当爆发结束时，您会留下闲置的硬件。
- 云： 规模几乎无限，按使用付费，无硬件采购延迟。
- 内部部署： 容量固定，需要容量规划，存在过度配置或配置不足的风险。
混合方法
许多组织发现混合策略可以两全其美。一个常见的模式是：
- 基准工作负载的本地部署： 在一致使用的自有硬件上运行稳态训练和推理。
- 云突发容量： 使用云 GPU 实例进行大型训练运行、实验或处理需求高峰。
- 延迟敏感推理的边缘： 在靠近最终用户的边缘硬件上部署优化的模型。
具有多集群管理功能的 Kubernetes、用于分布式计算的 Ray 和用于实验跟踪的 MLflow 等工具使混合部署变得切实可行。您可以定义工作负载策略，在可用时自动将作业路由到本地硬件，并在本地容量耗尽时自动将作业路由到云。
决策框架
使用以下问题来指导您的基础架构决策：
- GPU 利用率： 您的 GPU 的使用率会超过 60% 吗？如果是，则内部部署可能更具成本效益。如果利用率低于 40%，云可能会更便宜。
- 数据敏感性： 您的数据是否存在导致云托管存在风险的监管或安全要求？如果是，则倾向于本地部署。
- 尺度变异性： 您的计算需求每周是否有很大变化？如果是，云或混合可为您提供所需的灵活性。
- 团队专长： 您是否有可以管理物理基础设施、网络和 GPU 驱动程序的员工？如果没有，云可以消除操作复杂性。
- 时间范围： 您是进行 1 年期投资还是 5 年期投资？较长的时间范围有利于内部经济。
- 延迟要求： 您需要低于 20 毫秒的推理响应时间吗？如果是，则需要进行本地或边缘部署。
结论
对于人工智能基础设施的云与本地争论，没有通用的答案。云提供速度、灵活性和低进入门槛。本地部署可提供较低的长期成本、数据控制和性能可预测性。混合方法可让您在所有维度上进行优化，但会增加操作复杂性。首先诚实地评估您的使用模式、数据要求和团队能力。最能满足您的人工智能雄心的基础设施是符合您的运营实际的基础设施，而不是供应商幻灯片上看起来最好的基础设施。