云计算割韭菜时代结束大模型举起了镰刀

  从00年代AWS首举云服务大旗、挑战传统IT，到10年代阿里云那句“为了没办法计算的价值”，在过去十几年里，云计算可谓影响了每一位IT从业者。

  初入行时，我们连“IaaS”如何正确发音都搞不明白，而如今任何新奇的云技术名词，都无法再吸引大家的眼球，甚至连“云宕机”的新闻都冲不上热搜、拿不到10W+阅读……

  它就是大模型，也可以被称作AIGC时代的核心驱动力。从通用大模型，到各行各业的专用模型，行业正在迎来新一轮的大洗牌。

  大模型会如何改变云计算行业的既有格局？它究竟将如何“割韭菜”？以下，让我们深入剖析这一波新的技术浪潮。

  云计算早期和中前期，在资本推波助澜和大量补贴之下，各路云厂商在市场上大打价格战：先是争相降低虚拟机和存储费用，继而围绕数据库、CDN等展开竞争。

  对用户来说，上云的初始成本相对降低，以极低甚至免费的试用价格，就可以薅到大量的云资源、云羊毛。

  然而，当用户业务在云上稳定运行后，随企业规模增长，资源需求激增，云平台的使用费也开始“水涨船高”。

  再加上部分厂商在核心功能或数据出口上捆绑高额费用，导致一些企业的云成本飙升。

  有些公司一旦依赖某家云厂商的特定服务，再要转移到其他平台或自建IDC就代价高昂，“绑定效应”明显。

  别看当年薅得欢，现在也得拉清单！从“薅羊毛”到“割韭菜”，可谓冰火两重天。

  新的增量用户减少，云厂商为争夺市场占有率依然在拼价格，但这样必然挤压利润空间，加上技术本身不再有太多革命性突破，出现“内卷”之势。

  一些云厂商开始寻找新的增长点——比如AI服务、低代码/无代码平台、云电脑、行业解决方案，以及出海去卷…

  但总体而言，早先的云计算模式已经接近稳定期，难以像之前那般大规模“收割”新用户。

  特大号曾经发过一篇文章：万字长文：AWS如何跨越“鸿沟”，说的就是当第一波流量见顶之后，云服务商如何寻求新的增长点。

  随着云计算普及，慢慢的变多企业对云账单的“消化不良”开始引起重视，云成本优化（FinOps）成为新风潮。

  客户一旦学会精细化运维、提高资源使用率，云厂商想要凭借基础资源的高溢价来获取超额利润就变得更困难了。

  用户也开始比价、横向迁移、多云部署等方式来降低对单一厂商的依赖。毫无疑问，这些趋势都在敲响云计算“暴利时代”结束的警钟。

  虽然我认为盲目上云和盲目下云都是错误的，但毋庸置疑，对于超大规模的用云企业来讲，最终转为自建和部分自建，是必然的趋势。

  纵观整个云发展史，无非是早期店客皆欢，中期店大欺客，后期客大欺店的因果循环。

  韭菜终有觉醒的一天，镰刀也总有疲软的一天。割韭菜时代的结束，也代表着云计算toVC时代的结束。

  不过，这也并不是坏事，任何以toVC为第一使命的产品，都不能在当期创造业务价值。云计算走下神坛，泡沫退散，才是真正普惠和创造价值的开始。

  在云计算“收割”力度有限、回报率趋于平稳之际，大模型的横空出世堪称“救市”与“革命”并存。

  它一方面为云厂商及AI公司能够带来新的盈利契机，另一方面也促成了新一轮对用户的“收割”。

  大模型的研发和训练过程需要海量的数据与算力支撑——动辄数千块甚至上万块GPU/TPU集群，训练时间可能持续数周甚至数月。

  其投入之高，让很多中小企业望而却步；为降低AI研发成本，依赖云上GPU/TPU算力成为主流。

  而传统云计算提供的是通用算力，大模型时代，对高端AI加速芯片、弹性GPU集群的需求大幅度增长，云厂商则能在此领域主打“高价值服务”，重新获得定价权。

  不仅训练过程昂贵，后期的推理（Inference）同样消耗大量算力。大模型部署在线上服务时，每一次调用都会消耗GPU资源，且服务的品质期望高、并发量大。

  云厂商可以基于这种需求推出“AI推理平台”“专用大模型托管方案”以及“端到端大模型研发平台”等，进一步提升价格和利润率。

  对客户来说，面对日益复杂的AI应用和底层设施需求，他们往往难以自行搭建，当下购买云厂商的一整套服务，肯定是最优解。

  此情此景，恰似十几年前，云计算方兴未艾，正好match企业的流量爆发需求。

  在大模型大行其道的今天，众多企业选择直接调用大模型API来实现自然语言处理、图像生成等功能，而不是自行训练模型。

  以OpenAI为例，其提供的API服务可以让开发者快速接入GPT系列模型，但背后需支付按调用次数、调用时长或数据量计费的费用。

  而国内厂商通义、文心、豆包、混元们，也在API调用上，卷起了价格战。比如去年年底，豆包刚刚宣布降价，通义千问立刻跟进——

  我相信，在2025年，大模型API的价格战还会愈演愈烈，惨烈程度，比当年的云计算价格战有过之而无不及。

  而一旦企业的业务逻辑深度依赖这些模型，就会出现新一轮的“供应链捆绑”，而云厂商或大模型提供商将处于生态链上游。

  大模型的迭代与运维远比传统软件复杂，要进行频繁的模型更新、版本管理、性能监控等工作，大量人力物力投入其中。

  MLOps就是在这个背景下产生的。从数据标注、训练、评估到上线，任何一个环节都有几率存在技术壁垒和服务需求。

  云厂商和AI初创企业因此提供各种一站式平台化服务：数据管道、模型训练流水线、自动化部署、监控管理等。

  一旦客户选择了某个平台生态，后续的迁移成本就更高，这为提供商带来了“重复收费”或持续收费的机会，也就形成了新的盈利“镰刀”。

  这个领域，我个人觉得很适合广大ISV、云集成商转型，就像当年一大票传统集成商转型MSP、云咨询服务一样，现在上车转型大模型集成商，正当时！

  确实，大模型的兴起与云计算设施并非割裂关系，反而是在原有云计算架构基础上进化出来的一种更深层次的服务形式。

  关键点在于：云计算的基础层市场格局已定，而大模型则是应用层的新战场。两者融合之后，会呈现出新的商业形态和竞争态势。

  随着大模型爆发式增长，各大云厂商都在投资建设、改进面向AI的专用算力中心。

  过去，云厂商投入的重点是通用CPU服务器，或者自研ARM、DPU，而现在则是大量引进GPU/TPU/FPGA等异构计算资源，提供更高水平的网络带宽和存储方案。

  这个过程需要大量资本开支，也给厂商带来再一次“抢滩登陆”的机会：谁能先建立AI基础设施优势，就能占领更多市场占有率，为后续持续“收费”打下基础。

  大模型的爆发并不只在训练和推理层面，而是在于可复用的中间件以及平台化服务的兴起。

  各家云厂商都在推崇“端到端AI解决方案”，涵盖数据处理、模型开发、模型管理、实时推理、数据可视化等环节。

  开发者在这一些平台上，不仅能直接用大模型，还能借助自动化工具来降低门槛，实现快速原型验证。

  这也逐步扩大了厂商在应用层乃至业务流程上的影响力，让整个生态更紧密，商机更充足。

  这方面，你们可以看看AWS最新改版的SageMaker，能够说是把这套大模型流水线整合到了极致。

  事实上，阿里云的PAI和腾讯云的TI也在大模型火爆后，进行了重新整合，将传统机器学习和GenAI融为一体。只不过这两个全家桶里的食材没有SageMaker更全。

  大模型时代，应用场景范围已经不仅仅停留在图文生成、视频搞笑、聊天陪伴，而是进一步延伸到客户服务、医疗健康、金融风控、物流预测、芯片设计等高价值行业。

  云厂商或者AI企业与行业龙头合作，针对行业特点进行模型微调或训练出专用模型，实现更精确的生产力提升。

  由于这类定制化方案更具有商业经济价值和行业壁垒，定价也灵活性更好甚至高昂，既能使用户得到满足对智能化升级的迫切需求，又能保障企业自身的盈利空间。

  只是，落地行业这件事，知易行难，云计算鼎盛时代他们都没做到，凭什么相信他们现在换一把镰刀就能做到？

  从高水平自然语言理解、图像识别，到学术研究、文档生成、编程辅助等，都有显著效率提升，整个社会的数字化、智能化水平被进一步拉升。

  对用户来说，这的确是一次难得的技术红利，只要能合理运用，就能获得可观的竞争优势。

  的确，如今很多基础性工作，可以让大模型牛马先上了，AI可能会让人失业，但掌握AI的人会得到更优秀的工作岗位。

  首先，大模型浪潮再度激化了AI人才争夺战：算法工程师、数据科学家、NLP工程师、MLOps工程师，甚至提示词工程师……都成为抢手资源。

  同时，有行业KnowHow的技术专家、业务专家也会成为大模型行业落地的好帮手，这种跨界人才同样会被疯抢。

  第二，对于广大IT从业者来讲，我们是最容易接触的AI、也最容易掌握AI的一批人。

  作为终身学习者，我们肯定可以这场激变中站稳脚跟，并成为最终“与模共舞”的赢家。

  所以，不要麻木，别害怕，不要忽视这些新鲜事物，直面它、尝试它、驾驭它…