麥肯錫公司合伙人Bhargs Srivathsan近日在新加坡召開的會議上表示，只要運用得當，生成式AI技術有望將云遷移工作量減少30%到50%。

Srivathsan認為，“目前的進度只能說才剛剛邁出第一步。隨著大語言模型（LLM）的發展成熟，將工作負載遷移至公有云的時間表將不斷縮短、遷移過程效率也能隨之提升。”

她建議組織先使用大語言模型對系統內的基礎設施進行摸底，解析其中的短板與優勢，再在工作負載轉移完成后繼續應用AI工具查看遷移是否切實有效。

另外，還可以利用大語言模型完成更多相關工作，例如編寫架構審查委員會指南等說明材料。

這位合伙人表示，盡管不少企業才剛剛開始考慮采用AI技術，但麥肯錫所投資的企業中已經有40%在更新其IT投入。

Srivathsan認為，生成式AI與云之間屬于“共生”關系。

 “必須承認，如果沒有公有云的普及、就不可能把生成式AI真正帶入生活。而與之對應，生成式AI也能切實加快公有云遷移、并幫助用戶從原有公有云中解鎖脫離。”

在Srivathsan看來，生成式AI的四大核心用例分別是內容生成、客戶參與、創建合成數據、以及編寫代碼。當然，這里的編寫代碼并非從零開始完成軟件開發。生成式AI的編碼能力主要體現在接手員工離職后無人熟悉的遺留代碼，或者是將原有代碼轉換為新的語言形式。

她還強調，之所以說公有云比嘗試內部自建模型更加靠譜，是因為企業用戶往往不具備充足的GPU儲備。而且市面上現成商用模型的成本也比自行訓練更加低廉。

Srivathsan指出，對于身處受監管行業、掌握大量專有數據或者擔心知識產權遭到侵犯的用戶，還可以設置相應的護欄。

在她看來，大語言模型在未來五、六年時間內將主要運行在超大規模基礎設施環境當中，直到模型發展成熟。而且跟很多人想象中不同，其實生成式AI的實現并不一定壓根那么夸張的算力儲備，畢竟很少有用例會對延遲提出如此嚴苛的要求。

也就是說，除非是特斯拉上運行的自動駕駛功能、或者負責指揮制造車間實時運行的軟件，否則確實沒必要把硬件堆得太滿。

另外，多數情況下也沒必要使用定制或大規模模型。

這位麥肯錫合伙人評論稱，“很多企業都以為自己需要買輛超級跑車來送披薩。當然用不著嘍，真正符合需求的模型往往沒那么復雜、也沒那么大。舉例來說，生成客服支持腳本肯定沒必要動用650億參數的大體量模型。”

但她同時給出建議，如果開發人員正在訪問自己本不該接觸到的非專有模型或數據，則務必要在組織內外之間添加API網關來建立起“實時警報”機制。