越來越多的AI應用發生在雲端，尤其是對於智慧技術需求高的行業而言，他們甚至可以說是被AI逼上公有云，而那些原本使用私有云的企業使用者，也由私有云躍遷到了公有云。

資料和算力是維持AI的兩大要素，而傳統的計算環境是難以滿足二者的指數級增長的。

如果在雲端藉助Hadoop叢集和Spark這樣的通用計算引擎，或者是Storm等計算框架，就可以將資料分解為多個部分，對每一部分的資料進行分析，之後將效果彙總經過多輪計算篩選出結果。這一切，在資料中心的強大算力下才能完成。

當人工智慧走向雲端，開發者既是第一批受益者，又成為了雲服務商手中的核心資源。就像微軟不惜重金收購GitHub、谷歌開源TensorFlow一樣，核心的開發者群體或社群貢獻著數以萬計的應用資源，而背後的這些資料資源如果悉數執行在Azure或谷歌雲平臺上，對於微軟和谷歌的雲業務發展勢必是不錯的助力。

落地到行業，對雲上智慧先知先覺的傳統企業深有感觸。以物流為例，物流企業比拼的已不止是車隊數量和倉儲空間，而是學會藉助大資料、物聯網和AI技術，深入到每一個環節打造智慧的物流平臺。這一過程中，雲端計算扮演著至關重要的角色。過去，寫一套完整的物流系統需要調動研發、運維、安全、網路等多個部門的人。如今一個顯著的現象是，管理數千輛車規模車隊的運營負責人已經可以是學演算法專業的年輕人。為什麼會有這種變化？原因是這些人會利用演算法處理大資料，通過優化運輸環節從而提升物流運轉的效率。

當然，並不是任何一家傳統企業都會先嚐試公有云，但他們也會為獲得全棧的AI能力去嘗試部分上雲。工業網際網路時代產生的資料量比傳統資訊化要多數千倍甚至數萬倍，並且是實時採集、高頻度、高密度的，動態資料模型隨時可變，甚至良品率的細微變化都會帶來資料模型重建。這樣一來，如果做不到工業資料實時更新，智慧製造就無從談起。

版權宣告：本文素材來源於企業網D1net，轉載此文出於傳遞更多資訊之目的，如有侵權，請聯絡小編刪除。