Salesforce 这周公开了一组数字：他们用 AWS 新工具把 AI 推理（让大模型跑起来算答案）的 GPU 成本压到原来的 1/8。值得关心的是，省钱不是故事的全部 — 真正难的是省钱之后的事。

这是什么

Salesforce 主推的 Agentforce 是他们的 AI Agent 平台，底层跑在 AWS 上。原本一个 GPU 跑一个模型，他们改成多个模型共享同一批 GPU，成本直接降到 12.5%。问题是 AWS 的默认调度逻辑只管省钱，不保证「多可用区容灾」 — 也就是同一个模型的副本能否均匀分布到不同机房，一旦某个机房出故障，整个模型就不可用。企业级 AI 接受不了这种风险。

AWS 为此新加了一个参数 SchedulingConfig，让企业自己指定「每个可用区放几份、按什么策略摆放」。本质上是把「省钱」和「可靠」拆开，让企业按合规要求自己配。

行业怎么看

支持者认为这是云厂商成熟的标志 — 不再只卖算力，开始卖「可配置的工程能力」。八倍降本的具体数字也说明 AI 基础设施的优化空间比想象的大。

但我们注意到另一面：这个方案本身就是 AWS 现有调度机制的补丁。Salesforce 能自己写代码解决，是因为他们有顶级工程团队；多数企业没有。换个说法，AI 基础设施的「企业级」标准目前还在被大客户逼着长，远未到开箱即用。被忽略的成本还有：每多一层调度配置，就多一层运维负担 — 省下的 GPU 钱，可能被工程师工资吃掉。

对普通人的影响

对企业 IT：「AI 项目预算」不该只算 GPU 钱，更要算合规和容灾的隐性成本。董事会上讲八倍降本之前，先确认 SLA（服务等级承诺，即对客户承诺的可用性数字，比如 99.99%）能签到几个 9。

对个人职场：AI Agent 上线后，「系统怎么又挂了」会变成更常见的工作内容。可靠性问题正从互联网公司 IT 部门，扩散到所有用 AI 的业务部门。

对消费市场：当 AI 嵌入客服、银行、政务等场景后，一次机房故障的影响会被放大。我们对「AI 宕机」的容忍度，会比传统软件低得多。