本文来自51CTO技术栈，作者/David Linthicum。
现如今，没有人怀疑AI的威力，但企业必须意识到，它也会导致部署过多的应用程序、扩展问题和成本超支。
我了解生成式AI的好处；我的背景是人工智能开发以及与企业和云架构的集成。然而，我也知道，有很多好处的地方，也有必须同时考虑的缺点。生成式AI也不例外，它的发展速度使得决定如何有效管理它并减少任何负面影响变得至关重要。
我提出了云计算专业人士需要理解和管理的生成式AI的三大缺点。
过多的云应用程序部署
这是我看到的最大问题。现在，我们可以让生成的人工智能驱动的开发工具使用无代码或低代码机制快速构建应用程序。部署的应用程序数量（都需要管理）很容易失控。
当然，加快应用程序部署以满足业务需求的速度是好的。90年代和21世纪初的应用程序积压限制了业务，任何改进的方法都有利于业务，对吧？
但是，我看到了一种几乎不计后果的应用程序开发方法。构建和部署这些系统所需的工作只需要几天，有时甚至几个小时。公司没有对应用程序的整体角色进行太多的预先考虑，许多应用程序是为战术需求而专门构建的，而且往往是多余的。CloudOps团队正试图管理三到五倍于他们应该管理的应用程序和连接数据库的数量。整个混乱局面不会扩大规模，成本也太高。
扩展问题
生成式AI系统需要大量的计算和存储资源，比目前提供的资源还要多。如何利用这些资源来推动更大的规模并不像打开更多的存储和计算服务那么容易。
因此，必须进行一些思考和规划，以寻找和部署更多资源，支持生成式人工智能系统的快速扩展使用。这通常取决于运营团队以正确的方式部署正确数量的资源，而不会扼杀这些系统的价值或限制其能力。这里的权衡几乎无休无止。
花钱如流水的超支
当我们忙于建立金融操作系统来监控和管理云成本时，我们可能会看到生成AI系统的资金开销激增。你该怎么办？
其实，这是一个商业问题，而非技术问题。公司需要了解云支出是如何发生的以及为什么发生的，以及回报了哪些商业利益。然后可以将成本包括在预定义的预算中。
对于那些对云支出有限制的企业来说，这是一个热点。业务线上的开发人员，通常出于正当的商业原因，希望利用生成式AI系统。然而，正如前面所解释的，它们的成本很高，公司需要找到资金和商业理由，或者两者兼而有之。
在许多情况下，生成式AI是当下“酷孩子们”使用的东西，但它的成本往往不合理。生成式AI有时被用于简单的战术任务，而这些任务与更传统的开发方法相比是可以的。自人工智能诞生以来，人工智能的过度应用一直是一个持续的问题；现实情况是，这项技术只适用于某些业务问题。但它很受欢迎，被炒作，因此被过度使用。
这些问题表明，随着这项技术的成熟，需要更多的经验。然而，这可能会对云运维产生负面影响，就像云刚开始兴起时那样。
