云是托管AI开发和生产的最经济方式吗？Moor Insights＆Strategy高级分析师Karl Freund认为，最好的方案取决于你在AI旅程中的位置、你将如何密集地建立你的AI能力，以及期望实现的成果。

许多模型甚至可以用用户自己的数据进行定制，如特定的词汇或图像。谷歌也有一连串相当惊人的工具。比如它的AutoML可以自动构建深度学习神经网络，在某些情况下可以节省大量时间。

所有这些工具都有几个共同点。首先，它们使构建AI应用看起来非常容易。由于大多数公司都在努力为AI项目配备员工，因此这一点非常有吸引力。

其次，它们提供易用性，承诺在一个充满相对晦涩难懂的技术的领域中点击即可使用。但是，所有这些服务都有一个陷阱——他们要求你在他们的云中开发应用程序，并在他们的云中运行。

因此，这些服务具有极大的“绑定”特性。如果你使用微软的预训练的DNN进行图像处理，你不能轻易在自己的服务器上运行所产生的应用程序。你可能永远不会在非谷歌的数据中心看到谷歌的TPU，也无法使用谷歌的AutoML工具。

“绑定”本身并不一定是件坏事。但这里有一个问题：很多AI开发，特别是训练深度学习神经网络，最终需要大量的计算。此外，你不会停止训练一个（有用的）网络，你需要用新的数据和功能来不断保持它的“新鲜度”。

我所看到的公开研究表明，这种水平的计算在云中可能变得相当昂贵，成本是建立自己的私有云来训练和运行神经网络的2-3倍。

启动一个AI项目可能需要大量的时间、精力和费用。云AI服务可以大大减少开始时的痛苦，不过一些硬件供应商也在提供硬件和软件的捆绑，力求AI的部署变得简单。

*例如，戴尔科技针对深度和机器学习推出了 "AI就绪型解决方案"，其配备的完整GPU和集成软件栈，专为降低部署AI门槛而设计。

一些行业受到严格的监管，需要内部的基础设施。如金融行业，则认为将敏感信息放入云中风险太大。

这是对一些企业最重要的因素。简单说，如果你的重要数据在云中，你应该建立你的AI，并把你的应用程序也放在那里。但如果你的重要数据放在企业内部，数据传输的麻烦和成本可能是繁重的，特别是考虑到神经网络训练数据集的巨大规模。因此，在内部建立你的人工智能也是有意义的。

在哪里训练和运行AI是一个深思熟虑的决定。这里的问题是，通常在你的开发道路上走得很远，才能确定所需基础设施的大小（服务器的数量、GPU的数量、存储的类型等）。

一个常见的选择是在公有云中开始你的模型实验和早期开发，并制定一个带有预定义的退出计划，告诉你是否以及何时应该把工作搬回家。这包括了解CSP的机器学习服务的好处，以及如果你决定把所有东西都搬到自己的硬件上，你将如何取代它们。

凭借丰富的IT硬件组合，以及广泛的合作伙伴生态系统，戴尔科技正协助客户简化并积极推动数据科学及AI项目，无论是机器学习项目还是深度学习项目，涵盖的部署范围包括IoT网关、工作站、服务器、存储、AI就绪解决方案和HPC等。