> For the complete documentation index, see [llms.txt](https://yeasy.gitbook.io/ai_beginner_guide/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://yeasy.gitbook.io/ai_beginner_guide/di-yi-bu-fen-ai-ji-chu-ru-men/03_ai_ecosystem/3.2_platforms.md).

# 3.2 选云厂商就像选厨房

> AWS、Azure 与 Google 的三国杀

大模型时代，云厂商不仅卖服务器，还卖模型与工具链。一句话：大厂拼生态，小厂拼特色。

## 3.2.1 租厨房还是点外卖？

以前的云计算（IaaS），就像是 **“租厨房”**。

AWS 给你提供锅碗瓢盆（服务器、算力），你自己买菜（数据），自己雇厨子（开发人员），自己做饭（训练模型）。

这很灵活，但太累了。

现在的 AI 云（MaaS - Model as a Service），就像是 **“点外卖”**。

你不必自己训练大模型，而是直接调用云上的托管模型、向量数据库、内容审核、监控等服务。

这种模式把 AI 的门槛从“自己造引擎”降到了“按需组合能力”。

## 3.2.2 三大平台：策略差异在哪里？

在 AI 云这场竞争中，三个玩家的策略很不一样：

1. **微软 (Microsoft Azure)**：**企业集成与治理导向**。
   * 强项在企业身份体系（Microsoft 365、Entra、Defender）与 AI 服务整合，适合“要治理、要审计、要统一采购”的大组织。
2. **谷歌 (Google Cloud)**：**模型与数据产品一体化**。
   * 自研芯片（TPU）+ Gemini + 数据分析产品协同较强，适合与 Google 生态深度结合的团队。
3. **亚马逊 (AWS)**：**多模型与基础设施深耕**。
   * Bedrock 支持多家模型，配合 AWS 原有基础设施和 DevOps 体系，适合“多云/多模型并行评测”的工程团队。

## 3.2.3 我们该怎么选？

不要按“哪家最强”来选，要按 **约束条件** 来选：

* **合规优先**：先看数据驻留、审计能力、权限体系和法务要求。
* **技术优先**：先跑同一套基准任务，比较延迟、成本、质量和稳定性。
* **组织优先**：看团队既有技术栈（IAM、监控、CI/CD、采购流程）能否平滑接入。
* **个人学习者优先**：对于零基础学习者或独立开发者，建议先跳过多云架构，直接使用第三方 API 聚合平台（如硅基流动、OpenRouter 等）或即插即用的 SaaS 工具，低成本快速验证想法。

很多企业会采用 **“主云 + 备云 + 多模型网关”** 的折中方案，降低单点依赖和供应商锁定风险。

## 3.2.4 思考题

除了这三家国际巨头，国内云厂商（阿里云、百度云、腾讯云、火山引擎等）也在快速推进 AI 平台化。

如果你是一家中国企业，你会如何在 **模型效果、数据合规、网络延迟、供应商绑定成本** 之间做取舍？