OVHcloud押注前沿AI，欧洲寻求美国模型替代方案

法国云计算巨头OVHcloud正在将业务从云基础设施向前沿AI模型开发延伸，这一转变或将检验欧洲能否打造出另一个足以抗衡美国和中国AI系统的竞争力量。

作为欧洲领先的本土云服务提供商之一，OVHcloud计划从零开始训练一系列模型，并在达到性能目标后将其开源。CEO Octave Klaba在接受路透社采访时表示了这一计划。

此举将使OVHcloud与Mistral AI展开更直接的比较。Mistral AI是总部位于巴黎的模型开发商，目前已成为欧洲挑战美国AI实验室最具代表性的力量。

Klaba表示，构建先进AI模型的成本结构已发生根本性变化，芯片性能提升、训练方法优化以及合成数据的发展，使原本可能需要约11.5亿美元（10亿欧元）的项目成本降至不足2.3亿美元（2亿欧元）。

据路透社报道，OVHcloud表示其中一个模型已在欧洲最快超级计算机、欧洲首个百亿亿次级系统——位于德国的EuroHPC超算Jupiter上完成预训练，但该公司尚未披露详细的性能基准数据。

与此同时，欧洲各国政府和企业正越来越多地从数据治理和访问连续性角度审视AI基础设施，而不仅仅关注性能本身。本月早些时候，Anthropic宣布因美国政府出口管制指令，须暂停境内外外国国籍用户访问其Fable 5和Mythos 5模型，这进一步加剧了上述担忧。

Counterpoint Research研究副总裁兼合伙人Neil Shah指出，OVHcloud给出的低成本估算并未涵盖成为前沿AI模型提供商的全部费用。他表示，2.3亿美元主要对应初始训练阶段的投入。模型训练完成后，仍需持续投资——如果无法以新数据持续迭代，模型将成为不断贬值的资产。

此外，OVHcloud还需在微调、后训练、主权基础设施、存储、安全、分发和企业支持等方面持续投入，并需要达到足够的规模，才能在面对谷歌、Anthropic等成熟AI提供商时，使模型服务具备经济可行性。

Shah表示："如果模型不能持续训练、以新数据保持活跃，就会成为贬值资产。"

Forrester首席分析师Charlie Dai认为，较低的训练成本仍可为OVHcloud提供一个有力的起点。随着效率提升降低入门门槛，这一预算区间足以训练出具有竞争力的前沿模型。但企业层面的竞争力将取决于训练之外的持续能力，包括推理效率、数据管道、评估框架和生态系统覆盖范围。

Greyhound Research首席分析师Sanchit Vir Gogia指出，由于缺乏已公布的基准测试数据及其他细节，OVHcloud的计划目前仍停留在意向表达层面，尚未转化为已验证的实际能力。

"2亿美元现在能支撑一次认真的训练运行，"Gogia说，"但还不足以支撑一个成熟的企业AI业务。"

Gogia还指出，主权问题同样延伸至模型训练所用的基础设施层面——预训练是在Jupiter超算上完成的，而非OVHcloud自有或控制的基础设施。Jupiter是一台部署于德国、运行在美国芯片上的欧洲公有超算，这恰恰说明欧洲AI主权目前仍不完整。

对于CIO而言，他们需要切实证据，证明这些模型能够稳定支撑生产环境运行、得到有效治理、在需要时经得起审计，并能在不造成重大中断的前提下实现供应商切换。

Gogia表示，欧洲自主模型或许能在一定程度上降低对美国和中国提供商的依赖，但无法从根本上消除司法管辖风险。"主权并不能取消'断电开关'，"他说，"它只是改变了掌控这个开关的人。"

Gogia还指出，OVHcloud进军模型开发领域，也将改变企业在评估供应商锁定风险时所面临的格局。客户或许能够在事后迁移云基础设施，但一旦应用和流程深度绑定某家提供商的模型与治理工具，迁移AI工作负载的难度将大幅上升。

Q&A

Q1：OVHcloud开发前沿AI模型的成本为何大幅下降？

A：根据OVHcloud CEO Octave Klaba的说法，芯片性能提升、训练方法优化以及合成数据的广泛应用，共同推动了训练成本的显著下降。原本需要约11.5亿美元的项目，如今成本已降至不足2.3亿美元。不过分析师指出，这一数字主要对应初始训练阶段，后续还需在微调、安全、分发、企业支持等方面持续投入，实际总成本远不止于此。

Q2：OVHcloud的AI模型能否真正实现欧洲数字主权？

A：分析师对此持谨慎态度。Greyhound Research的Sanchit Vir Gogia指出，OVHcloud的预训练是在德国EuroHPC超算Jupiter上完成的，该超算运行的是美国芯片，并非OVHcloud自有基础设施，这说明欧洲AI主权目前仍不完整。他强调，欧洲自主模型可以降低对美中提供商的依赖，但无法完全消除司法管辖风险。

Q3：企业CIO在评估OVHcloud AI模型时应关注哪些问题？

A：分析师认为，CIO需要关注以下几点：模型是否具备已验证的性能基准；能否稳定支撑生产环境运行；是否具备有效的治理与审计机制；以及在需要切换供应商时，能否实现平稳迁移而不造成重大业务中断。此外，一旦应用和流程深度绑定某家提供商的模型与治理工具，后续迁移AI工作负载的难度将显著上升。