最后，我们总结本次分享的主要观点。目前公有云的内网带宽仍然是制约 AI 业务上云的一个主要问题。我们针对不同的场景有不同的方法可以缓解它，也有包括裸金属在内的 RDMA 方案可供选择。相信在未来随着公有云网络带宽的逐步提升，这将不再成为问题。
其次，工业界目前仍然缺乏 AI 基础设施的事实标准。目前有非常多的开源 AI 基础设施项目，其中 Kubeflow 是落地最多的，凭借着与 Kubernetes 的深度集成，与公司内部现有的基础设施能够更好地协同工作，有一定的优势。不过整体而言，目前这一领域仍然缺乏事实标准。各个系统之间的差异非常大。这也是目前这一领域最大的问题之一，各个公司的 AI 基础设施都各有特色，难以像集群调度领域 Kubernetes 一样，在社区形成合力，共同推动行业进步。
最后，全弹性的架构是我们认为的下一步演进方向。目前在 AI 业务中还不能很好地利用弹性能力，而这是云计算带给我们最大的红利。只有依托真正的弹性架构，应用才能生于云上，长在云上，服务于企业降本增效的终极目标。
【腾讯云原生】云说新品、云研新术、云游新活、云赏资讯，扫码关注同名公众号，及时获取更多干货！！