云迁移背后的基本理念是降低运营成本,并消除对专用本地服务的需求。
然而事实证明,这一趋势在2025年正在发生某种程度的逆转。虽然公有云采用在过去十年中主导了企业IT战略,但新数据表明,钟摆可能正在摆向更加细致入微、针对特定工作负载的基础设施规划方法。
Liquid Web最近对1000多名IT专业人士进行的一项调查显示,云营销承诺与运营现实之间存在显著差距。数据表明,许多组织正在基于实际生产经验而非理论收益来重新评估其基础设施战略。
**关键调查发现**
Liquid Web调查揭示了以下趋势:
86%的IT专业人士目前在其基础设施堆栈中使用专用服务器。
55%的人认为完全控制/定制化是选择专用服务器而非云的主要驱动因素。
53%的人认为专用服务器对其当前运营至关重要。
45%的人预计专用服务器的重要性到2030年将会增长。
"最大的惊喜是42%的IT专业人士表示他们正在将工作负载从公有云迁移回专用服务器,"Liquid Web首席技术官Ryan MacDonald表示。"这种大规模逆转清楚表明,云并不总是基础设施的终极目标。"
**为什么IT团队正在放弃云**
这种逆向迁移背后的动机很能说明问题。
当被问及选择专用基础设施而非云的主要原因时,55%的IT专业人士将完全控制和定制化列为首要因素。性能、合规要求和可预测定价构成了主要驱动因素。
研究为推动组织回归专用环境的因素提供了一些明确线索。
"我们发现合规性、性能变化和控制权丧失是云回迁的主要驱动因素,"MacDonald说。"处理敏感数据的公司,无论是AI、医疗保健还是金融系统,都意识到共享云环境无法满足其正常运行时间、安全性或审计需求。"
这与研究关于意外成本的发现一致。近一半的IT专业人士(47%)报告面临与基础设施相关的意外费用,大多数费用在5,000到25,000美元范围内。此外,32%的人认为他们的组织在未使用功能或过剩容量上浪费了云支出,而专用服务器的可预测定价模式不存在这个问题。
**沟通挑战**
研究最令人担忧的发现之一涉及组织协调。70%的IT专业人士认为执行领导层低估了专用服务器在现代技术堆栈中发挥的作用,而31%的人对向非技术领导层解释基础设施选择缺乏信心。
推动逆向迁移的专用服务器已不再是过去那些笨重、不灵活的系统。
"今天的专用服务器已不同于以往,"MacDonald说。"得益于裸金属自动化、混合编排和可组合基础设施等创新,专用环境现在提供类似云的敏捷性和企业级控制。"
这种现代化解决了研究关于改进优先级的关键发现之一。当被问及最希望在专用服务器方面改进什么时,25%的受访者指出了更容易的扩展,这历来是云平台的主要优势。
**智能经济学:专用服务器何时在财务上更合理**
云与专用基础设施之间的成本方程比许多组织意识到的更加复杂。
"最有效的方法之一是了解工作负载适配性,"MacDonald说。"专用服务器提供可预测的定价,没有超量费用或未充分利用的容量,因此对于稳定或合规驱动的工作负载来说,它们是更好的长期投资。"
研究支持这一观点,32%的受访者同意他们的云基础设施预算浪费在未充分使用的功能和过剩容量上。
专用服务器远非过时技术,似乎正朝着增长方向发展。超过一半的IT专业人士(53%)仍然认为专用服务器至关重要,45%的人认为到2030年其重要性将会增加。只有13%的人将其视为正在消亡的技术。
Q&A
Q1:为什么IT团队开始从云迁移回专用服务器?
A:调查显示42%的IT专业人士正在将工作负载从公有云迁移回专用服务器。主要原因包括:55%的人需要完全控制和定制化,同时合规性要求、性能变化和控制权丧失是主要驱动因素。特别是处理敏感数据的公司发现共享云环境无法满足其安全性和审计需求。
Q2:专用服务器相比云服务有什么成本优势?
A:专用服务器提供可预测的定价模式,没有超量费用或未充分利用的容量问题。调查显示47%的IT专业人士面临与基础设施相关的意外费用,大多在5,000到25,000美元范围内。32%的人认为组织在云的未使用功能或过剩容量上存在浪费,而专用服务器可以避免这些问题。
Q3:现代专用服务器与传统专用服务器有什么不同?
A:现代专用服务器已经不是过去那些笨重、不灵活的系统。通过裸金属自动化、混合编排和可组合基础设施等创新技术,现代专用环境能够提供类似云的敏捷性,同时保持企业级控制能力,解决了传统专用服务器扩展困难的问题。
好文章,需要你的鼓励
谷歌发布新的AI学术搜索工具Scholar Labs,旨在回答详细研究问题。该工具使用AI识别查询中的主要话题和关系,目前仅对部分登录用户开放。与传统学术搜索不同,Scholar Labs不依赖引用次数或期刊影响因子等传统指标来筛选研究质量,而是通过分析文档全文、发表位置、作者信息及引用频次来排序。科学界对这种忽略传统质量评估方式的新方法持谨慎态度,认为研究者仍需保持对文献质量的最终判断权。
武汉大学研究团队提出DITING网络小说翻译评估框架,首次系统评估大型语言模型在网络小说翻译方面的表现。该研究构建了六维评估体系和AgentEval多智能体评估方法,发现中国训练的模型在文化理解方面具有优势,DeepSeek-V3表现最佳。研究揭示了AI翻译在文化适应和创意表达方面的挑战,为未来发展指明方向。
Meta发布第三代SAM(分割一切模型)系列AI模型,专注于视觉智能而非语言处理。该模型擅长物体检测,能够精确识别图像和视频中的特定对象。SAM 3在海量图像视频数据集上训练,可通过点击或文本描述准确标识目标物体。Meta将其应用于Instagram编辑工具和Facebook市场功能改进。在野生动物保护方面,SAM 3与保护组织合作分析超万台摄像头捕获的动物视频,成功识别百余种物种,为生态研究提供重要技术支持。
参数实验室等机构联合发布的Dr.LLM技术,通过为大型语言模型配备智能路由器,让AI能根据问题复杂度动态选择计算路径。该系统仅用4000个训练样本和极少参数,就实现了准确率提升3.4%同时节省计算资源的突破,在多个任务上表现出色且具有强泛化能力,为AI效率优化开辟新方向。