从AI计算，追溯应用架构30载演进历程

全文概览

信息技术的发展，犹如一部波澜壮阔的史诗，其核心始终围绕着“抽象”与“分布式”两大主线展开。从早期个人电脑的单机智能，到移动互联网时代的云端协同，再到如今由大规模人工智能驱动的智能计算，我们见证了计算边界的不断拓展，复杂度的层层封装，以及核心能力向更广泛节点的持续分发。

然而，我们是否真正理解了每一次技术跃迁背后的深层逻辑？主流技术架构的出现，真的是凭空创造，还是对前一时代在扩展性、经济效益及累积“技术债”等核心制约因素的直接回应？例如，当Wintel联盟主导的PC时代走向瓶颈，LAMP架构又如何以开源之姿，开启了Web 1.0的序章？当单体应用在移动互联网的洪流中举步维艰，微服务与云原生又是如何通过“大解耦”重塑了软件开发范式？

如今，我们正身处由AI定义的新计算时代，一个由Kubernetes、Ray、PyTorch和vLLM构成的分层体系正清晰呈现。这个看似全新的架构，实则是数十年技术演进的必然产物。它继承了云计算的资源编排能力，并在此之上构建了专为分布式智能而生的全新抽象层。面对技术栈迭代速度以月为单位的今天，我们又该如何预判和布局，才能在加速更迭的计算前沿保持领先？本文将回溯这些关键的演进节点，揭示其内在逻辑，并为技术从业者提供前瞻性的战略启示。

阅读收获

1. 掌握识别下一层抽象的能力：理解技术演进的核心在于不断识别并封装新的复杂性，从而能够预判未来技术趋势，并构建具备演进能力的灵活架构。
2. 理解架构与商业模式的共生关系：认识技术栈与商业模式（如Wintel的许可证、AWS的消费制、OpenAI的Token制）之间深刻的共生关系，确保技术决策与所要支撑的商业模式和经济模型保持一致。
3. 学会主动管理演进中的技术债：了解技术债的形态如何随着架构的演进而变化（从代码债到架构债，再到AI时代的数据质量债），并能建立有效机制来识别、度量并有策略地“偿还”这些债务。
4. 认识到人才与流程的重要性：意识技术转型不仅是纯粹的技术挑战，更是组织结构和人才能力的挑战，从而能够投资于新的技能组合并调整开发流程以适应AI开发的实验性、数据驱动本质。

01

计算范式的演进轨迹

信息技术的发展史，本质上是一部关于渐进式抽象与分布式的宏大叙事。每一个计算时代，其主流技术架构的出现并非凭空创造，而是对前一时代在扩展性、经济效益及累积“技术债”等核心制约因素的直接回应。从个人计算机（PC）的单机智能，到移动互联网的云端协同，再到如今由大规模人工智能（AI）驱动的智能计算，我们观察到一条清晰的主线：计算的边界不断被打破，复杂度被层层封装，核心能力被持续“分发”到更广泛的节点。

参考Anyscale公司对现代AI计算开源技术栈的剖析，一个由Kubernetes、Ray、PyTorch和vLLM构成的分层体系清晰地呈现在我们面前 1。这个看似全新的架构，实则是数十年技术演进逻辑的必然产物。它继承了云计算时代的资源编排能力，并在此之上构建了专为分布式智能而生的全新抽象层。

本文旨在回溯PC时代与移动互联网时代的主流技术栈，将其与当前的AI计算时代串联起来，揭示其内在的演进逻辑。

我们将分析每种架构范式下的核心技术、典型工作负载、组织结构及商业模式的协同演化。技术架构的演进周期正在显著缩短：Wintel联盟主导的PC时代持续了十余年 2，LAMP架构引领的Web 1.0时代接近十年 4，而云原生与微服务架构的更迭仅用了数年 6。如今，AI技术栈的迭代速度更是以月为单位。这种创新周期的压缩，要求技术领导者必须具备更强的战略前瞻性与架构适应性，因为任何“一劳永逸”的架构都已不复存在。

02

单体时代

PC与早期Web的集中式计算

在计算的早期阶段，应用、数据及其运行环境被紧密耦合在单一物理设备或简单的双层服务器架构中。这一时期的架构设计核心目标是在有限的、集中的计算资源内，最大化应用的功能与性能。

01

Wintel技术栈：驯服单机

PC时代无可争议的霸主是Wintel联盟（Windows + Intel）。以Windows NT架构为蓝本，其分层设计——用户模式（User Mode）、内核模式（Kernel Mode）以及作为关键枢纽的硬件抽象层（Hardware Abstraction Layer, HAL）——共同为独立的桌面应用提供了一个稳定、可移植的多任务环境 2。HAL的存在，使得Windows操作系统能够屏蔽底层硬件的差异，开发者只需面向Windows API编程，即可让程序运行在所有兼容的x86硬件上。

这一时期的“杀手级应用”是微软的Excel。它不仅是一个电子表格工具，更通过集成VBA（Visual Basic for Applications），演变成一个事实上的、面向非专业程序员的商业应用开发平台 11。Excel的成功，完美诠释了单体架构的价值主张：在单台机器上提供极致的生产力。

02

LAMP技术栈：双层世界的单体应用

随着互联网的兴起，LAMP（Linux, Apache, MySQL, PHP/Python/Perl）技术栈成为构建动态网站的基石 4。尽管它引入了客户端-服务器（C-S 架构）的分布式模型，但其服务器端的应用逻辑（例如一个典型的WordPress网站）在本质上仍然是单体的。所有业务逻辑、数据访问和页面渲染都集中在一个代码库中。

一个典型的Web请求处理流程如下：用户的浏览器向Apache服务器发送HTTP请求；Apache将请求转交给PHP解释器执行相应的脚本；PHP脚本向MySQL数据库查询所需数据，然后动态生成HTML页面，最终通过Apache返回给用户浏览器 13。

03

单体范式分析

对单体时代的深入分析揭示了技术架构与商业战略之间深刻的共生关系。Wintel的HAL不仅是技术创新，更是一项高明的商业策略。通过抽象硬件，微软为开发者创造了“一次编写，处处运行（在x86上）”的开发范式，催生了庞大的软件生态系统。同时，它将PC硬件层商品化，防止任何单一硬件制造商获得过大的市场权力，从而确保了微软高利润的操作系统和应用软件许可证业务的持续繁荣 8。架构直接成就并捍卫了其商业模式。

然而，这种模式也埋下了隐患。Excel与VBA的结合，虽然创造了强大的用户粘性，但也让企业内部滋生了大量不可见、无管理的“代码资产”，形成了巨大的技术债 17。这些由业务人员编写、缺乏软件工程规范的“影子IT”系统，在关键时刻可能导致灾难性后果，例如JP摩根的“伦敦鲸”事件中因Excel公式错误导致的60亿美元巨亏，以及英国疫情期间因Excel行数限制导致近16,000个病例数据丢失的严重事故 18。这种应用级的、深藏于单体工具中的技术债，成为日后企业数字化转型的沉重负担。

与Wintel的商业闭环形成鲜明对比，LAMP技术栈的革命性主要体现在其经济模式上。它完全由开源软件构成，直接挑战了Wintel及Oracle、Sun等厂商主导的高价许可证模式 4。这种对开发工具的“民主化”，极大地降低了互联网创业的门槛，催生了第一波Web 2.0浪潮，证明了零软件采购成本同样可以构建出可扩展的、成功的商业应用。

表1：基础单体技术栈对比分析

03

大解耦

移动、云与微服务的革命

随着智能手机的普及和互联网用户规模的爆炸式增长，单体架构的弊端日益凸显。

开发速度下降、局部问题导致全局故障、无法对高负载模块进行独立扩展等问题，迫使行业寻求一种全新的架构范式。这场革命的核心是“解耦”——将应用功能彼此分离，并将应用与底层基础设施彻底分离。

01

云成为新的计算机：基础设施的抽象

云计算的崛起是这场革命的基石。通过IaaS（基础设施即服务）、PaaS（平台即服务）和SaaS（软件即服务）等服务模型，计算资源从一种需要预先规划和采购的固定资产（资本支出, CapEx），转变为一种可以按需取用、按量付费的运营成本（运营支出, OpEx） 6。

以Amazon Web Services (AWS)为代表的云服务商所开创的“即用即付”（Pay-as-you-go）定价模式，其颠覆性不亚于技术本身 22。企业不再需要进行复杂的容量规划和承担巨大的前期硬件投入，而是可以根据业务的实际需求，弹性地获取几乎无限的计算、存储和网络资源。这种经济模式的转变，为后续的架构演进提供了至关重要的土壤。

02

打破单体：微服务的兴起

Netflix从单体架构向微服务迁移的案例，是这一转变的经典注脚 7。面对快速增长的用户和日益复杂的业务，Netflix的单体应用遇到了瓶颈：开发效率低下、扩展困难、一次微小的部署失误就可能导致整个网站瘫痪 27。

微服务架构通过将庞大的单体应用拆分为一组小型的、独立的服务来解决这些问题。

每个服务都围绕一项具体的业务能力构建（如用户服务、订单服务），拥有自己的代码库和数据存储，并可以被独立开发、部署和扩展 28。服务之间通过定义良好的轻量级API（如REST）进行通信，实现了“智能端点与哑管道”（Smart Endpoints and Dumb Pipes）的理念。API网关（API Gateway）在此架构中扮演了至关重要的角色，它作为所有外部请求的统一入口，负责请求路由、服务聚合、认证授权等横切关注点，从而简化了客户端的交互逻辑 28。

03

核心赋能技术：容器与编排

微服务架构的普及离不开两项关键技术：容器化和容器编排。

• Docker：通过提供标准化的、轻量级的容器格式，Docker解决了微服务带来的“地狱矩阵”问题——即不同服务可能使用不同的编程语言、框架和依赖库。容器将服务及其所有依赖打包在一起，确保了在开发、测试和生产环境之间的一致性和可移植性，极大地简化了部署 31。
• Kubernetes：当微服务数量达到一定规模时，手动管理容器集群变得异常复杂。源于谷歌内部Borg系统的Kubernetes，提供了一个强大的容器编排平台，实现了对容器化应用的自动化部署、弹性伸缩和运维管理 33。它成为了事实上的“云操作系统”，使得大规模微服务架构在主流企业中的应用成为可能。

04

解耦范式分析

这一时期的架构演进揭示了更深层次的驱动力。首先，微服务转型是“康威定律”的一次主动应用。Netflix等公司意识到，要想扩展组织，就需要一个能够反映其理想团队结构的架构：即由小型的、自治的、松耦合的团队负责端到端的服务生命周期 36。架构不再仅仅是被动地反映组织结构，而是被用作一种主动塑造和推行敏捷、可扩展组织设计的工具。

其次，技术的演进呈现出一个“问题-解决方案”的螺旋上升链条。单体架构存在扩展性问题，微服务解决了这个问题，但引入了新的部署和管理复杂性问题 32。容器（Docker）解决了部署问题，但又带来了大规模集群的编排问题。Kubernetes解决了编排问题，但其自身的复杂性又催生了新的服务网格（Service Mesh）等技术。这表明，每一个强大的架构解决方案，其本身都内含着下一代复杂问题的种子，需要通过更高层次的抽象和工具来解决。

最后，技术债的形态也发生了演变。PC时代的“代码债”（如混乱的VBA代码）转变为云时代的“架构债”。服务边界的划分、服务间的通信模式、数据一致性保障策略等架构层面的决策，成为了新的、更持久的“欠债”来源 17。一个设计糟糕的微服务系统，其维护成本和复杂性可能远超一个结构良好的单体应用。

表2：架构范式演进对比（单体 vs. 微服务）

04

智能时代

专用的分布式AI计算技术栈

当前，我们正进入一个由全新工作负载——大规模人工智能——定义的计算时代。这种工作负载本身就是一个庞大的分布式系统，其对计算、数据和协同的需求，催生了一套在云原生基础之上、但又与之截然不同的专用技术栈。

01

为新负载设计的新技术栈

Anyscale的文章清晰地描绘了现代AI计算栈的三层结构 1：

1. 资源编排层（底层）：Kubernetes依然是管理底层容器化资源（CPU、GPU、内存）的基石，负责提供一个统一的硬件资源池。
2. 分布式计算层（中层）：这是全新的、至关重要的抽象层。以Ray为代表的框架，为AI领域的通用语言Python提供了一个简单、统一的API，以屏蔽分布式并行编程的复杂性。它负责将Python函数或类等计算任务高效地分发到Kubernetes管理的集群资源上执行。
3. AI框架层（顶层）：PyTorch、TensorFlow等深度学习框架，以及vLLM等推理优化库，运行在分布式计算层之上，执行具体的模型训练和推理任务。

传统的云原生技术栈（以Kubernetes为核心）虽然擅长管理长时间运行的、无状态或有状态的服务（如微服务），但对于AI训练这类由大量细粒度的、相互依赖的、生命周期短暂的计算任务组成的工作负载，则显得力不从心。Kubernetes能够启动和管理容器，但无法理解容器内部成千上万个计算任务之间的复杂依赖关系和数据流。这就为Ray这样的新抽象层创造了生存空间。

02

数据与加速硬件的首要地位

AI时代的架构，其核心驱动力是数据和算力。

• 数据洪流：现代大型语言模型（LLM）的训练数据量已达到PB级别，包含数万亿（Trillion）的Token 39。这与早期Web时代以GB或TB为单位的数据库相比，是数个数量级的增长 43。
• 算力需求：由“缩放定律”（Scaling Laws）的发现所驱动，即模型性能随着模型参数量和训练数据量的增加而提升，AI训练的算力需求已达到天文数字，通常以PetaFLOP/s-day（每秒千万亿次计算运行一天）为单位来衡量 45。这种巨大的算力需求，推动了计算硬件从通用CPU向专用加速器（GPU和TPU）的根本性转变 47。AI技术栈在本质上就是一个高效调度和利用这些昂贵加速器的系统。

03

智能经济学：从按小时到按Token计费

消费型商业模式也随之进化。如果说AWS开创了按小时/按请求计费的时代 22，那么以OpenAI为代表的AI API服务商则将这一模式推向了极致的颗粒度：按Token计费 50。Token是语言模型处理文本的基本单元，将计费单位与AI的核心价值单元直接挂钩，这代表了计费模式从底层基础设施向应用价值本身的终极抽象。

04

AI原生范式分析

AI原生架构的出现，标志着计算范式的一次深刻跃迁。首先，被管理和调度的基本计算单元发生了根本性变化。其演进路径为：进程（PC时代） → 虚拟机/容器（云时代） → 分布式任务（AI时代）。Ray在Kubernetes之上运行，最清晰地证明了这一点 1。Kubernetes管理容器的生命周期，而Ray管理容器内部Python函数和类的分布式执行。抽象层已经从基础设施层面，上升到了应用运行时的内部。

其次，硬件与软件的协同设计（Co-design）成为创新的核心引擎。AI时代由一个紧密的反馈循环驱动：AI模型（软件）的 Scaling Laws 创造了对大规模并行计算的巨大需求，这反过来推动了专用硬件（GPU/TPU）和高速互联网络（如NVIDIA NVLink, Google Jupiter网络）的发展 45。而这些专用基础设施的出现，又使得研究人员能够设计出更大、更强的模型，从而进一步拉动对下一代硬件的需求 53。这种软硬件协同演进的模式，与Wintel时代和云时代硬件被逐渐商品化的趋势形成了鲜明对比。

最后，技术栈呈现出“再聚合”（Re-aggregation）的趋势。移动/云时代的主题是解耦和采用“同类最佳”（best-of-breed）的组件。然而，AI时代的巨大成本和对极致优化的追求，正驱使主要玩家（如Google、Microsoft）走向垂直整合 48。他们正在构建从自研芯片（如Google TPU），到中间件（如Vertex AI, Azure AI Foundry），再到顶层模型API（如Gemini, Azure OpenAI）的全栈式解决方案。未来的竞争，很可能是在少数几个高度优化的、垂直整合的AI生态系统之间展开。

表3：现代计算前沿对比（云原生 vs. AI原生）

Dave's point

AI原生架构，从当前市场格局来看：Nvidia 占据领先地位，尽管有众多竞争者涌现，但其生态系统优势明显，与上世纪80-90年代 Wintel 联盟相比较，似乎当下正在重复早期硬件领跑的态势，差异之处在于：上层的软件生态更为开放和多样化。

05

结论

计算前沿的战略启示

回顾从PC到AI的计算技术栈演进史，一条“伟大的抽象”之路清晰可见：从操作系统对硬件的抽象，到云平台对基础设施的抽象，再到分布式计算框架对并行编程的抽象。这条主线不仅解释了技术发展的脉络，更为身处当前变革浪潮中的技术领导者提供了深刻的战略启示。

Insights

1. 预见下一层抽象：历史趋势明确指出，技术演进的核心是不断识别并封装新的复杂性。领导者不应仅仅追问“今天最好的技术栈是什么？”，而应思考“下一个需要被抽象掉的复杂性源头在哪里？”。战略的重点应是构建具备演进能力的灵活架构，而非针对某个静态技术栈进行过度优化。
2. 对齐架构、商业与经济模型：文章揭示了技术栈与商业模式的共生关系——Wintel的许可证、LAMP的开源、AWS的消费制、OpenAI的Token制。任何重大的架构决策，都必须与其所要支撑的商业模式和经济模型对齐。如果在僵化的单体架构上试图构建颗粒化的消费型服务，这种错配几乎注定会失败。
3. 主动管理演进中的技术债：技术债的形态随着架构的演进而变化，从VBA代码债，到微服务边界划分的架构债，再到AI时代的模型依赖和数据质量债。组织必须建立相应的机制来识别、度量并有策略地“偿还”当前形态的架构债。否则，创新速度将不可避免地陷入停滞，重蹈那些被单体应用拖垮的企业的覆覆。
4. 投资于人与流程，而非纯粹的技术：从单体到微服务的转型，既是技术挑战，更是组织结构的挑战。AI时代的转型同样如此。成功构建AI原生能力，不仅需要引入新的技术栈，更需要投资于新的技能组合（如MLOps、分布式系统工程、数据科学），并调整开发流程以适应AI开发的实验性、数据驱动的本质。缺乏正确的组织结构和文化土壤，最先进的技术栈也无法生根发芽。

最终，理解技术栈的演进历史，是为了在当下的技术选型和战略规划中，能够基于对未来的合理预判，做出更具韧性和前瞻性的决策。在计算范式加速更迭的今天，这比以往任何时候都更为重要。

参考资料

1. Components of an Open Source AI Compute Tech Stack - Anyscale, accessed on August 8, 2025, https://www.anyscale.com/blog/ai-compute-open-source-stack-kubernetes-ray-pytorch-vllm
2. Architecture of Windows NT - Wikipedia, accessed on August 8, 2025, https://en.wikipedia.org/wiki/Architecture_of_Windows_NT
3. The history of Microsoft Excel - Full Stack Modeller, accessed on August 8, 2025, https://www.fullstackmodeller.com/blog/history-of-excel
4. LAMP stack | Google Cloud, accessed on August 8, 2025, https://cloud.google.com/mysql/lamp
5. LAMP (software bundle) - Wikipedia, accessed on August 8, 2025, https://en.wikipedia.org/wiki/LAMP_(software_bundle)
6. A Journey Through the Clouds: The History of Cloud Computing | Dlytica Inc., accessed on August 8, 2025, https://dlytica.com/insights/a-journey-through-the-clouds-the-history-of-cloud-computing
7. A 10-Step Guide to Migrating From Monolith to Microservices Architecture - Maruti Techlabs, accessed on August 8, 2025, https://marutitech.medium.com/monolith-to-microservices-migration-bf55216c498c
8. Windows NT Architectural Modules - Techs Helps, accessed on August 8, 2025, https://techshelps.github.io/MSDN/DNWINNT/HTML/D1E/S8301.HTM
9. Windows Architecture Explained by Stacksol | PPTX - SlideShare, accessed on August 8, 2025, https://www.slideshare.net/Stacksol/windows-architecture-explained-by-stacksol
10. Windows Architecture & WinAPI - Hard Wired, accessed on August 8, 2025, https://www.hardwired.dev/2024/04/23/windows-architecture-winapi/
11. History of Microsoft Excel - With Timeline - Spreadsheet Planet, accessed on August 8, 2025, https://spreadsheetplanet.com/excel/history/
12. The History of Microsoft Excel, accessed on August 8, 2025, https://www.excelhelp.com/the-history-of-microsoft-excel/
13. What is a LAMP Stack? - AWS, accessed on August 8, 2025, https://aws.amazon.com/what-is/lamp-stack/
14. What Is LAMP stack? | IBM, accessed on August 8, 2025, https://www.ibm.com/think/topics/lamp-stack
15. Business Description - Microsoft, accessed on August 8, 2025, https://www.microsoft.com/investor/reports/ar12/financial-review/business-description/index.html
16. The business model of Microsoft., accessed on August 8, 2025, https://www.businessmodelsinc.com/en/inspiration/blogs/the-business-model-of-microsoft
17. Technical Debt: What Is It? Definition, Examples & Types - vFunction, accessed on August 8, 2025, https://vfunction.com/blog/what-is-technical-debt/
18. Microsoft Excel's bloopers reel: nearly 40 years of spreadsheet errors - The Guardian, accessed on August 8, 2025, https://www.theguardian.com/technology/2024/oct/28/microsoft-excels-bloopers-reel-40-years-of-spreadsheet-errors
19. What Is LAMP? Components, Benefits and Challenges - phoenixNAP, accessed on August 8, 2025, https://phoenixnap.com/kb/what-is-a-lamp-stack
20. PaaS vs IaaS vs SaaS: What's the difference? - Google Cloud, accessed on August 8, 2025, https://cloud.google.com/learn/paas-vs-iaas-vs-saas
21. Iaas, Paas, Saas: What's the difference? - IBM, accessed on August 8, 2025, https://www.ibm.com/think/topics/iaas-paas-saas
22. AWS Product and Service Pricing, accessed on August 8, 2025, https://aws.amazon.com/pricing/
23. Best AWS Pricing Model: A Look At AWS Pricing (With Examples) - CloudZero, accessed on August 8, 2025, https://www.cloudzero.com/blog/aws-pricing-model/
24. Consumption-based Pricing Model Guide | SBI Growth, accessed on August 8, 2025, https://sbigrowth.com/insights/usage-based-pricing
25. Understanding Netflix's Microservices Architecture: A Cloud Architect's Perspective, accessed on August 8, 2025, https://roshancloudarchitect.me/understanding-netflixs-microservices-architecture-a-cloud-architect-s-perspective-5c345f0a70af
26. Micro-services vs Monolithic Architecture: A Case Study | by Tamrakar Shreyaa | Medium, accessed on August 8, 2025, https://tamrakar-shreyaa.medium.com/micro-services-vs-monolithic-architecture-a-case-study-e003af61b615
27. Monolithic vs Microservices - Difference Between Software Development Architectures, accessed on August 8, 2025, https://aws.amazon.com/compare/the-difference-between-monolithic-and-microservices-architecture/
28. Microservices Architecture Style - Azure Architecture Center ..., accessed on August 8, 2025, https://learn.microsoft.com/en-us/azure/architecture/guide/architecture-styles/microservices
29. An In-Depth Guide to Microservices Design Patterns - OpenLegacy, accessed on August 8, 2025, https://www.openlegacy.com/blog/microservices-architecture-patterns/
30. 7 Essential Microservices Design Patterns | Atlassian, accessed on August 8, 2025, https://www.atlassian.com/microservices/cloud-computing/microservices-design-patterns
31. Using Docker for Microservices: Streamlining Development, Deployment, and Scaling, accessed on August 8, 2025, https://dev.to/abhay_yt_52a8e72b213be229/using-docker-for-microservices-streamlining-development-deployment-and-scaling-53nk
32. Microservices Architecture with Docker: Challenges & Opportunities | by @rnab - Medium, accessed on August 8, 2025, https://arnab-k.medium.com/microservices-architecture-with-docker-challenges-opportunities-d96fa5987a44
33. A Brief History of Containers | D2iQ, accessed on August 8, 2025, https://d2iq.com/blog/brief-history-containers
34. The History of Kubernetes | IBM, accessed on August 8, 2025, https://www.ibm.com/think/topics/kubernetes-history
35. Kubernetes - Wikipedia, accessed on August 8, 2025, https://en.wikipedia.org/wiki/Kubernetes
36. Adopting Microservices at Netflix: Lessons for Architectural Design - F5, accessed on August 8, 2025, https://www.f5.com/company/blog/nginx/microservices-at-netflix-architectural-best-practices
37. Modernize with the Strangler Application Pattern and Microservices - CM First Group, accessed on August 8, 2025, https://cmfirstgroup.com/modernize-with-the-strangler-application-pattern-and-microservices/
38. Monolith versus Microservice Architectures – Handbook of Software Engineering Methods, accessed on August 8, 2025, https://open.oregonstate.education/setextbook/chapter/monolith-versus/
39. Very large AI model training uses object storage - Blocks and Files, accessed on August 8, 2025, https://blocksandfiles.com/2025/02/04/very-large-ai-model-training-uses-object-storage/
40. Open-Sourced Training Datasets for Large Language Models (LLMs) - Kili Technology, accessed on August 8, 2025, https://kili-technology.com/large-language-models-llms/9-open-sourced-datasets-for-training-large-language-models
41. Llama 3 Guide: Everything You Need to Know About Meta's New Model and Its Data, accessed on August 8, 2025, https://kili-technology.com/large-language-models-llms/llama-3-guide-everything-you-need-to-know-about-meta-s-new-model-and-its-data
42. An Overview of Llama 2: Open Foundation and Fine-Tuned Chat Models | by Pradeep Goel, accessed on August 8, 2025, https://medium.com/@pradeepgoel/an-overview-of-llama-2-open-foundation-and-fine-tuned-chat-models-955677da69a6
43. Evolution of the Web from 2000 to 2007 - average web object size quintuples since 2000, accessed on August 8, 2025, https://www.websiteoptimization.com/speed/tweak/evolution-web/
44. SQL Server 2000 Max database size? - Tek-Tips, accessed on August 8, 2025, https://www.tek-tips.com/index.php?threads/sql-server-2000-max-database-size.1010421/
45. Training Compute-Optimal Large Language Models, accessed on August 8, 2025, https://proceedings.neurips.cc/paper_files/paper/2022/file/c1e2faff6f588870935f114ebe04a3e5-Paper-Conference.pdf
46. Llama (language model) - Wikipedia, accessed on August 8, 2025, https://en.wikipedia.org/wiki/Llama_(language_model)
47. AI Infrastructure ML and DL Model Training | Google Cloud, accessed on August 8, 2025, https://cloud.google.com/ai-infrastructure
48. Why Google Has the Strongest Vertical Stack in AI - Spearhead, accessed on August 8, 2025, https://www.spearhead.so/blogs/why-google-has-the-strongest-vertical-stack-in-ai
49. Google Cloud Next '25 Recap: Embracing Platform-centric AI, Scalable Infrastructure, And Open Innovation | Blog - Everest Group, accessed on August 8, 2025, https://www.everestgrp.com/blog/google-cloud-next-25-recap-embracing-platform-centric-ai-scalable-infrastructure-and-open-innovation-blog.html
50. OpenAI pricing: Features and plans explained - Orb, accessed on August 8, 2025, https://www.withorb.com/blog/openai-pricing
51. API Platform - OpenAI, accessed on August 8, 2025, https://openai.com/api/
52. Pricing - ChatGPT - OpenAI, accessed on August 8, 2025, https://openai.com/chatgpt/pricing/
53. How Many AI Models Will Exceed Compute Thresholds? - Epoch AI, accessed on August 8, 2025, https://epoch.ai/blog/model-counts-compute-thresholds
54. Google's cloud play: integrated AI from infrastructure to apps - SiliconANGLE, accessed on August 8, 2025, https://siliconangle.com/2025/04/12/googles-cloud-play-integrated-ai-infrastructure-apps/
55. Azure AI Architecture | Scoreprise, accessed on August 8, 2025, https://www.scoreprise.com/en/azureaiarchitecture
56. Azure AI Foundry | Microsoft Learn, accessed on August 8, 2025, https://learn.microsoft.com/en-us/azure/ai-foundry/what-is-azure-ai-foundry
57. Azure AI Platform—Cloud AI Platform | Microsoft Azure, accessed on August 8, 2025, https://azure.microsoft.com/en-us/solutions/ai

Notice：Human's prompt, Datasets by Gemini-2.5-Pro-DeepResearch

---【本文完】---

👇阅读原文，查看历史文章，推荐PC端打开 💻（更新到 7.31）。