许多成熟企业将部署生成式 AI 应用视为一场争分夺秒的竞赛：谁能率先推出更优的客户服务聊天机器人、提升应用交付效率的代码助手，或准确洞察新趋势和商机的智能引擎，谁就能赢得先机。抢在竞争对手之前利用生成式 AI 优势赢得市场，是许多企业眼中的“胜利”条件。
然而，现实并非如此简单。初创企业可以从一开始就以 AI 为核心，而大型成熟企业在调整业务以适应 AI 时却不那么轻松。过去的技术革命，例如向云计算的过渡以及 Kubernetes 的兴起，已经揭示了大企业在新技术规模化部署过程中面临的诸多问题。如果缺乏战略远见，一味冲刺的企业可能会在规模化时遇挫。而那些预见到“马拉松”性质的企业，能够建立稳定的长期实践，从而获得持久的优势。
高度成功地扩展生成式 AI 的企业通常具备以下核心能力：人才、效率、基础设施和协作力。以下是实现这些能力的四个不可或缺的要素：
1. 人才
企业中 AI 开发人员、数据工程师和数据科学家的能力，决定了其完成成功且可扩展 AI 项目的速度。鉴于生成式 AI 领域相对较新，熟悉最佳实践并有能力完成 AI 项目的专家在市场上供不应求（即使在不稳定的科技就业市场中也如此）。
吸引和留住这些人才是一大挑战，而当企业需要更多人员来实现扩展时，这一问题会更加严峻。能够赢得人才争夺战的企业，往往为他们提供更优的工具，并专注于简化工作，使其能够专注于开发出色的 AI 产品。
例如，如果一家企业要求 AI/ML 团队和数据团队将大量时间用于维护 AI 模型和应用的云基础设施，而另一家企业将这类繁琐工作剔除，人才显然会选择后者。为 AI 人才打造最具吸引力的工作环境，企业就能在吸引与留住人才方面占据优势，并因此获得更卓越的 AI 结果。
2. 效率
企业在 AI 方面面临高昂的成本投入，但未来潜在回报可能使得这些投入物有所值。根据 IDC 2024 年 3 月的企业韧性与支出调查，大多数企业无论经济状况如何，仍然致力于 AI 投资，因为技术的长期竞争优势至关重要。
然而，庞大的 AI 支出可能会减缓生成式 AI 项目在短期内实现正向投资回报的潜力。如果这些项目短期内亏损严重，企业可能会逐渐失去继续投资 AI 的动力。
那些通过云成本控制（例如自动资源调配、优化实例规格和实时成本监控）将 AI 相关支出保持在合理范围内的企业，能够在 CFO 和其他负责监督支出的高管面前证明项目的经济性，更快看到正面效果。此外，配备 FinOps（云财务管理）专家的企业，可以更高效地利用资源与预算，提升整体效益。
3. 基础设施
适当的云和数据基础设施，是企业能否随时扩展 AI 工作负载的关键。随着 AI 模型的规模扩大，对 GPU、内存和计算资源的需求也随之增长。企业需要评估本地部署、混合云、公有云或这些模式的组合是否适合自己的需求。
与效率相关，专业的基础设施管理能力（或缺乏这种能力）直接决定了 AI 工作负载的资源是否充足，以及企业能否在扩展时控制成本。例如，如果 DevOps 和运维团队试图仅依靠手动流程支持 AI/ML 和大数据项目，可能会导致基础设施潜力未能充分发挥，成本也难以控制。那些通过自动化优化云基础设施并进一步采用 MLOps（机器学习运维）方法的企业，将更有能力在扩展 AI 项目时避免困难。
4. 协作力
成功启动 AI 项目通常需要新流程和新视角，简单来说，就是变革。当 AI 团队与相关部门（如 DevOps 和运维团队、产品经理、财务、FinOps 等）协作紧密、方向一致时，这种变革会变得更加顺畅。
实现这种协作需要明确的领导力、文化转型以及打破部门壁垒的意愿，同时确保每个团队能够高效发挥作用。保持内部团队协作一致，并制定易于扩展的实践，企业才能在 AI 项目扩展过程中游刃有余。
基于云与人才的最佳实践为 AI 可扩展性奠定基础
启动一个面向大众的 AI 项目，就像养育一只小河马：您希望它蓬勃成长，但您是否准备好迎接它的未来？您是否预见到将来的巨大变化，并为团队和流程做好了相应准备？
在技术层面，企业需要关注强大的云基础设施和高效运维，以支持日益扩展的 AI 工作负载。在人力层面，构建一个能吸引 AI 人才的环境，并在团队内部培育协作文化，能够将 AI 目标变为现实。那些能够满足上述所有条件的企业，将在持续发展的 AI 技术革命中成为领跑者。
