حجم کاری هوش مصنوعی که از ابر عمومی خارج می شود، چهار چیز مشترک دارد

یافته های کلیدی

• تصمیم گیرندگان فناوری اطلاعات سازمانی، حجم کاری هوش مصنوعی را از ابر عمومی بیرون می کشند تا الزامات انطباق دقیق را برآورده کنند و از قیمت گذاری مبتنی بر مصرف اجتناب کنند.
• بارهای کاری چهار ویژگی مشترک دارند: استفاده از حالت ثابت، ترافیک داده های سنگین، حساسیت تاخیر، و محدودیت های نظارتی یا حاکمیتی.
• سازمان‌ها به جای کنار گذاشتن کامل ابر، مدل‌های ترکیبی را اتخاذ می‌کنند که به آن‌ها اجازه می‌دهد تا حجم کاری را با مناسب‌ترین محیط مطابقت دهند.

روند واضح است: سازمان‌ها حجم کاری هوش مصنوعی را از فضای ابری خارج می‌کنند. همانطور که مشخص است، برخی از این بارهای کاری هرگز برای مدل ابری مناسب نبودند. 



این یک جنبش طاقچه نیست. بر اساس مطالعه‌ای که توسط کلودیان انجام شد، 93 درصد از شرکت‌هایی که برنامه‌های هوش مصنوعی در حال تولید دارند، قبلاً برنامه‌های هوش مصنوعی را از فضای ابری بازگردانده‌اند، در حال برنامه‌ریزی برای مهاجرت هستند یا به طور فعال در حال بررسی آن هستند.¹ این سازمان ها به طور کامل از فضای ابری دست نمی کشند. آنها به سمت یک زیرساخت ترکیبی حرکت می کنند، جایی که برخی از بارهای کاری بر روی سخت افزار اختصاصی خارج از ابر اجرا می شود.

از آنجایی که تعداد فزاینده‌ای از کسب‌وکارها در مورد بازگشت به وطن تحقیق می‌کنند، مهم است که بفهمیم چه زمانی منطقی است و چه زمانی مفید نیست. به هر حال، ابر می‌تواند به ارائه انعطاف‌پذیری و مقیاس‌پذیری برای بارهای کاری که به ظرفیت بسته نیاز دارند، ادامه دهد، حتی اگر بارهای کاری دیگر بهتر در جای دیگری میزبانی شوند.

مشکل قیمت گذاری ابری

مدل صورتحساب مصرف ابری یک چالش واقعی را حل کرد. قبل از معرفی این رویکرد، تیم‌ها باید منابع کافی برای مدیریت بارهای پیک پیش‌بینی‌شده خود را خریداری می‌کردند – و سپس حتی زمانی که تقاضا کم بود به پرداخت ادامه می‌دادند. با مدل قیمت‌گذاری اندازه‌گیری شده، این تیم‌ها دیگر برای منابع بی‌کار پرداخت نمی‌کنند.



مشکل این است که مدل فرض می‌کند دوره‌هایی با تقاضای کم وجود خواهد داشت. اما در واقع، برخی از بارهای کاری – از جمله برخی از بارهای کاری هوش مصنوعی تولیدی – هرگز این افت را تجربه نمی کنند. برخی از بارهای کاری هوش مصنوعی به طور مداوم از منابع محاسباتی، حافظه، ذخیره سازی و شبکه استفاده می کنند. هیچ چیز روز به روز تغییر نمی کند. در نتیجه، پرداخت تعرفه های مصرفی که برای انفجارهای گاه به گاه طراحی شده اند، مقرون به صرفه نیست. 



همین منطق در مورد خدمات هوش مصنوعی با ارزش توکن نیز صدق می کند. بسیاری از تیم‌ها از طریق سرویس‌های هوش مصنوعی ابری مدیریت‌شده به مدل‌های زبان بزرگ دسترسی پیدا می‌کنند که برای هر توکن پردازش شده، چه در ورودی و چه در خروجی، هزینه دریافت می‌کنند. برای یک خلبان، این مدل اندازه گیری شده منطقی است. برای یک برنامه تولیدی که میلیون ها درخواست در روز را پردازش می کند، هزینه های توکن به سرعت افزایش می یابد و پیش بینی آن دشوار است. اجرای مدل های باز بر روی سرورهای اختصاصی GPU این هزینه های متغیر را با هزینه های قابل پیش بینی و ثابت زیرساخت جایگزین می کند. بارهای کاری که هنوز مدل های لبه را برای وظایف خاص فراخوانی می کنند، همچنان مستلزم برخی هزینه های توکن هستند، اما مسیریابی درخواست های معمول به مدل های میزبان خود می تواند این هزینه ها را به میزان قابل توجهی کاهش دهد.


سازمان‌ها برای بسیاری از حجم‌های کاری، نه فقط بارهای کاری هوش مصنوعی، هزینه بیشتری برای منابع ابری پرداخت می‌کنند. طبق گزارش Flexera State of the Cloud 2026، سازمان ها تخمین می زنند که 29 درصد از هزینه های ابری آنها هدر می رود.² با توجه به اینکه اکثر شرکت های بزرگ در حال حاضر بیش از پنج میلیون دلار در ماه برای خدمات ابری خرج می کنند، این ضرر قابل توجه است.³

از دست دادن کنترل بر حجم کاری ابری

مطمئناً هزینه می تواند دلیل اصلی بازگشت به کشور باشد. با این حال، حاکمیت داده ها اغلب عامل تعیین کننده است. سازمان‌ها بیش از آنچه که ابرهای عمومی می‌توانند ارائه دهند، می‌خواهند روی داده‌های خود کنترل داشته باشند. آنها باید امنیت را بهبود بخشند و از قوانین سختگیرانه حفظ حریم خصوصی داده ها پیروی کنند. کلودین دریافت که 91 درصد از سازمان‌هایی که برنامه‌های هوش مصنوعی را به کار می‌گیرند که داده‌های حساس شرکت را لمس می‌کنند، زیرساخت‌های ابری داخلی، خصوصی یا ترکیبی را به محیط‌های ابری عمومی انتخاب می‌کنند.⁴

کدام حجم کاری در حال حرکت است

بارهای کاری هوش مصنوعی بازگردانده شده معمولاً چهار ویژگی مشترک دارند. ارزیابی هر بار کاری در برابر این ویژگی‌ها می‌تواند به تیم‌ها کمک کند تا تصمیمات مربوط به بازگشت به کشور را محکم کنند.

استفاده در حالت ثابت

قیمت‌گذاری ابر عمومی حجم کاری را هدف قرار می‌دهد که گاهی اوقات می‌پاشد. اما برای مثال حجم کاری هوش مصنوعی معمولاً اینطور نیست. این بارهای کاری به طور مداوم و با استفاده زیاد اجرا می شوند. تقاضا به طور ناگهانی افزایش پیدا نکرد. همه این بارهای کاری حالت پایدار – چه شامل هوش مصنوعی باشند یا نه – برای سخت افزار اختصاصی بهتر از محیط های ابری مناسب هستند. هنگامی که این بارهای کاری استنتاج به یک سرویس مدل مدیریت شده متکی است، همیشه در صورت تقاضا نیز به معنای جریان ثابت هزینه های توکن است.

جابجایی حجم زیاد داده

بارهای کاری هوش مصنوعی به داده فشرده است. داده‌هایی که بخشی از مجموعه‌های آموزشی، مخازن ویژگی‌ها، جاسازی‌ها، نقاط بازرسی مدل و گزارش‌های استنتاج هستند اغلب جابه‌جا می‌شوند و ارائه‌دهندگان ابر برای آن حرکت هزینه می‌گیرند. بازگرداندن حجم‌های کاری هوش مصنوعی که داده‌های زیادی را جابه‌جا می‌کنند، می‌تواند هزینه‌های خروج داده را کاهش یا حذف کند.

حساسیت به تاخیر

بسیاری از برنامه های کاربردی هوش مصنوعی به پاسخ های زمان واقعی به ورودی بستگی دارند. هنگامی که سازمان‌ها از بار کاری در مراکز داده ابری متمرکز پشتیبانی می‌کنند، ممکن است نیاز باشد که داده‌ها مسافت‌های بیشتری را به کاربران و از کاربران طی کنند و تأخیر غیرقابل قبولی ایجاد کند. و زمانی که این حجم‌های کاری باید برای منابع ابری با سایر مستاجرین در زیرساخت مشترک رقابت کنند، تأخیر می‌تواند افزایش یابد. استنتاج بلادرنگ، ارزیابی تقلب، کنترل صنعتی و برنامه های کاربردی هوش مصنوعی تعاملی از زیرساخت های اختصاصی نزدیک به کاربران بهره مند خواهند شد.

حاکمیت و حساسیت

برای برخی از سازمان‌ها، قوانین حاکمیت داده و محل اقامت تعیین می‌کنند که حجم کار و داده‌های هوش مصنوعی باید در کجا قرار گیرند. زمانی که این حجم کاری در فضای ابری اجرا می شود، رعایت قوانین ملی و منطقه ای می تواند دشوار باشد. به طور مشابه، قوانین سختگیرانه امنیت داده ها و حفظ حریم خصوصی ممکن است باعث شود برخی سازمان ها در محیط های ابری تجدید نظر کنند. نگه داشتن بار کاری در محیط هایی که مستقیماً کنترل می کنند، می تواند تضمین امنیتی بیشتری و مسیر روشن تری برای انطباق ایجاد کند.

استفاده از مدل هیبریدی

اگرچه بسیاری از سازمان‌ها بارهای کاری هوش مصنوعی را از محیط‌های ابری عمومی به عقب برمی‌گردانند، اما به طور کامل ابر را رها نمی‌کنند. تیم‌ها متوجه شده‌اند که برخی از حجم‌های کاری هوش مصنوعی در واقع شکسته می‌شوند – و بنابراین از منابع انعطاف‌پذیر و قیمت‌گذاری انعطاف‌پذیر مبتنی بر مصرف ارائه‌شده توسط ارائه‌دهندگان ابری سود می‌برند. به عنوان مثال، اگر آب و هوای بد باعث آبشاری از تاخیر در پرواز شود، چت ربات خدمات مشتری مبتنی بر هوش مصنوعی یک شرکت هواپیمایی ممکن است نیاز داشته باشد فوراً فعال شود.

برای تطبیق بارهای کاری ثابت و “سریع”، سازمان ها به راحتی مدل های ترکیبی را اتخاذ می کنند. در واقع، گارتنر پیش‌بینی می‌کند که بیش از 40 درصد از شرکت‌های پیشرو تا سال 2028 معماری‌های ترکیبی را اتخاذ خواهند کرد.⁵ به جای کنار گذاشتن ابر عمومی، سازمان‌ها به سادگی در مورد مکان‌هایی که بارهای کاری خاص را اجرا می‌کنند استراتژیک‌تر می‌شوند.

بارها کجا می روند؟

شکی وجود ندارد که سازمان‌ها در حال انتقال برخی از حجم‌های کاری هوش مصنوعی از فضای ابری هستند. اما این بارها کجا می روند؟ همه به مراکز داده داخلی منتقل نمی‌شوند، که سازمان‌های آنها ممکن است نیاز به گسترش برای تطبیق برنامه‌های بازگشت به کشور داشته باشند. برخی ممکن است به یک مرکز کولوکیشن هدایت شوند، به عنوان مثال، جایی که یک سازمان می‌تواند از سخت‌افزار اختصاصی در مرکز داده شخصی در یک قرارداد ماهانه استفاده کند.

تصمیم برای انتقال حجم کار به یک مکان یا مکان دیگر بسیار مهم است – و می تواند تعیین کند که آیا پروژه بازگشت به کشور موفق است یا خیر. قسمت دوم این پست وبلاگ به این تصمیم مهم بازگشت می پردازد.

سوالات متداول

س: بازگشت ابری چیست؟
A: بازگرداندن ابری شامل انتقال بار کاری از یک محیط ابری عمومی به زیرساخت هایی است که سازمان مستقیماً آن را کنترل می کند. این محیط غیر ابری می‌تواند در محل، در یک مرکز هم‌مکانی یا امکانات دیگری باشد که سخت‌افزار اختصاصی را میزبانی می‌کند. سازمان‌ها اغلب بارهای کاری را برای برآوردن الزامات انطباق یا اجتناب از مدل‌های قیمت‌گذاری ابری به کشور بازمی‌گردانند.

س: آیا شرکت ها کلا ابر را کنار می گذارند؟
الف: خیر. بسیاری از آنها ارزیابی‌های حجم کاری را بر روی هر حجم کاری انجام می‌دهند و تنها آن دسته از حجم‌های کاری را که برای سخت‌افزار خاص مناسب‌تر هستند، به کشور بازمی‌گردانند. با یک مدل ترکیبی، آن‌ها می‌توانند از انعطاف‌پذیری ابر برای برخی از حجم‌های کاری و از سخت‌افزار خالی برای برخی دیگر بهره ببرند.

س: کدام حجم کاری بهترین کاندیدا برای بازگشت به کشور است؟
الف: بارهای کاری با استفاده پایدار، ترافیک داده بالا، محدودیت های تأخیر یا الزامات اقامت داده اغلب بهترین انتخاب برای بازگشت هستند. بارهای کاری استنتاج هوش مصنوعی اغلب هر چهار معیار را برآورده می کند.

س: آیا بازگشت به کشور فقط برای شرکت های بزرگ قابل اجرا است؟
پاسخ: خیر. برای مثال، هر سازمانی با حجم کاری ثابت و جابجایی داده های قابل توجه می تواند از انتقال آن حجم کاری از فضای ابری بهره مند شود. این حجم های کاری برای مدل قیمت گذاری ابری مبتنی بر مصرف مناسب نیستند.

س: آیا انتقال بارهای کاری هوش مصنوعی به یک دستگاه فلزی خالی هزینه های توکن را حذف می کند؟
الف: می تواند. وقتی مدل‌های باز را روی سرورهای GPU خود اجرا می‌کنید، برای زیرساخت‌ها هزینه می‌کنید، نه برای هر توکن پردازش شده. اگر برنامه شما همچنان برخی از درخواست‌ها را از طریق API ارائه‌دهنده به مدل‌های لبه ارسال می‌کند، این تماس‌ها هزینه‌های رمزی را به همراه خواهند داشت، اما روال استنتاج خود میزبانی می‌تواند کل را به میزان قابل توجهی کاهش دهد.

نقل قول ها
¹Clodian، Enterprise Survey، 93 درصد از بارهای کاری هوش مصنوعی را به کشور بازگرداند یا در نظر دارد از ابر عمومی دور شود، مارس 2026
²Flexera، گزارش وضعیت ابر 2026، مارس 2026
³دوباره اونجا
⁴کلودیان، بررسی سازمانی، مارس 2026
⁵گارتنر، گارتنر روندهای برتر فناوری استراتژیک برای سال 2026 را شناسایی می کند، اکتبر 2025