云计算

云计算是通过互联网（“云”）按需交付计算服务，包括服务器、存储、数据库、网络、软件、分析和智能。组织无需拥有和维护自己的计算基础设施，而是可以从 Amazon Web Services (AWS)、Google Cloud 或 Microsoft Azure 等云提供商处访问这些服务。这种模式可以实现更快的创新、灵活的资源和规模经济，使其成为现代 人工智能 (AI) 和 机器学习 (ML) 的重要基础。正如美国国家标准与技术研究院 (NIST) 所定义的核心思想是，为可配置计算资源的共享池提供无处不在、方便的按需网络访问。

云计算如何工作

云提供商维护着一个由大量硬件组成的数据中心全球网络。他们通过不同的模型提供服务，最常见的模型是：

• 基础设施即服务 (IaaS)： 提供基本的计算资源，如虚拟机、存储和网络。 这为用户提供了最大的控制权，是自定义深度学习环境的理想选择。
• 平台即服务 (PaaS)： 提供一个平台，允许客户开发、运行和管理应用程序，而无需构建和维护基础设施的复杂性。这包括托管数据库和 Kubernetes 服务。
• 软件即服务 (SaaS)： 通过互联网以订阅方式交付软件应用程序。Ultralytics HUB是 SaaS 平台的一个示例，该平台提供用于训练和管理计算机视觉模型的工具。

这种结构实现了关键优势，如成本节约、全球可扩展性、高性能和增强的数据安全性，这些优势与云安全联盟 (CSA)等组织合作管理。

在 AI 和机器学习中的重要性

云是当今 AI 开发的主要引擎。训练高级模型（如 Ultralytics YOLO）需要大量的计算能力和数据，这通常不适合在本地托管。

主要用途包括：

• 训练强大的模型： 云提供了对高性能硬件（如GPU和TPU）的访问，这些硬件是大型数据集上分布式训练所必需的。像 Ultralytics HUB Cloud Training 这样的平台利用这一点来加速模型开发。
• 管理大型数据集： AI 模型是在大量训练数据上训练的。云存储解决方案为这些数据集提供了可扩展且可访问的存储库，从ImageNet到用于特定任务（如目标检测）的自定义集合。
• 可扩展的模型部署： 模型经过训练后，可以将其部署到云端进行实时推理。云的弹性特性允许应用程序自动扩展以处理波动的需求，这是 MLOps 的核心原则。您可以在我们的文档中了解有关不同模型部署选项的更多信息。

实际应用

1. 汽车行业中的人工智能： 开发自动驾驶汽车的公司会收集 PB 级的驾驶数据。他们使用基于云的 GPU 集群来训练和验证可以识别行人、车辆和道路标志的感知模型，我们的汽车行业人工智能解决方案页面中详细介绍了这一过程。
2. 医疗保健中的人工智能： 一家研究医院可能会使用安全的、符合 HIPAA 标准 的云环境来训练用于 医学图像分析 的诊断模型。通过汇集匿名数据，他们可以使用像 PyTorch 这样的框架构建一个强大的模型，以检测 X 射线或 MRI 中的异常情况，从而实现更快、更准确的诊断，进而改善医疗保健领域的人工智能应用。

云计算与相关概念

• 无服务器计算： 无服务器计算是云计算内部的一种执行模型，而不是它的替代方案。虽然更广泛的云计算可能涉及管理虚拟服务器 (IaaS)，但无服务器计算抽象掉了所有服务器管理。您只需提供代码（作为函数），云提供商会自动配置资源来运行它，根据需要从零扩展到海量。
• 边缘计算： 边缘计算 涉及在网络“边缘”的设备上本地处理数据，靠近数据源。这与云计算的集中式模型相反。但是，它们通常以混合方式一起使用。例如，像 NVIDIA Jetson 这样的 边缘 AI 设备可能会执行初始对象检测，然后仅将相关的元数据发送到云端以进行长期存储、聚合或更密集的分析。这种方法结合了边缘的低延迟和云的强大功能。您可以在我们的博客上找到更多关于在边缘设备上部署应用程序的见解。