云计算产业全景

Cloud Computing — 全球与中国的产品体系、产业链分工与价值份额 | 更新于 2026-08

1. 概述与定义

云计算（Cloud Computing）是 ISO 定义的"一种通过网络访问可伸缩、弹性的共享物理或虚拟资源池，实现按需自助供给与管理的范式"。它将算力、存储、网络、平台与软件从"一次性购买部署"转变为"按需租用"的公共服务，是数字经济时代最核心的基础设施形态。

ISO/IEC 22123-1 定义：云计算是一种使网络能够按需访问可伸缩和弹性的共享物理或虚拟资源池的范式，资源包括服务器、操作系统、网络、软件、应用和存储设备等，消费者可按需自助供给。

美国国家标准与技术研究院（NIST）定义了云计算的 五大基本特征：

特征	含义	对应英文术语
按需自助服务	用户无需人工交互即可自助开通/释放资源	On-demand self-service
广泛网络接入	通过标准网络协议在任何终端访问	Broad network access
资源池化	多租户共享物理资源，动态分配与再分配	Resource pooling
快速弹性	可自动伸缩以匹配负载，对用户近乎无限	Rapid elasticity
可计量服务	按用量自动计量、监控、控制与报告	Measured service

$1,434亿

全球云基础设施季收入（2026 Q2）

+43%

全球季度同比增速

¥1.07万亿

2025 年中国云计算市场

+29%

中国市场规模增速

专有名词解释

IaaS（Infrastructure as a Service，基础设施即服务）：提供虚拟化后的计算、存储、网络资源，用户自己管理操作系统与上层应用。
PaaS（Platform as a Service，平台即服务）：提供开发、运行、编排平台（数据库、容器、中间件、AI 平台），用户专注应用开发。
SaaS（Software as a Service，软件即服务）：直接提供可用的应用软件，用户仅需配置与使用。
公有云（Public Cloud）：面向社会公众开放的云服务，多租户共享基础设施。
私有云（Private Cloud）：为单一组织独享的云环境，安全可控性更高。
混合云（Hybrid Cloud）：公有云与私有云（或本地）协同，兼具弹性与安全。
多云（Multi-Cloud）：同时使用多个云厂商服务，避免单点绑定、分散风险。

2. 服务模型与部署模型

2.1 三种服务模型：从"租机器"到"租应用"

云计算的三种服务模型 IaaS / PaaS / SaaS 沿着"用户自己管理多少、云厂商代管多少"的轴线划分，用户控制权递减、便利性递增：

维度	IaaS	PaaS	SaaS
用户获得	虚拟计算/存储/网络	运行平台与中间件	现成应用
用户管理	OS + 应用 + 数据	应用 + 数据	仅配置与使用
厂商管理	物理硬件 + 虚拟化	OS + 运行时 + 中间件	全栈
典型产品	EC2、ECS、云硬盘、VPC	容器 K8s、云数据库、函数计算	Office 365、WPS、Salesforce
代表性厂商	AWS、阿里云、华为云	AWS、阿里云、Azure	微软、Google、Salesforce

共享责任模型（Shared Responsibility Model）：云安全由云厂商与用户共同负责——厂商负责"云的安全"（物理设施、虚拟化、平台补丁），用户负责"云中的安全"（身份权限、数据加密、应用配置）。模型层级越低，用户承担的安全责任越重。

2.2 四种部署模型

部署方式	资源归属	适用场景	典型形态
公有云 Public	云厂商所有	互联网应用、弹性负载、初创企业	AWS、阿里云
私有云 Private	组织独享	金融、政务、涉密、大型集团	OpenStack、VMware、华为云Stack
混合云 Hybrid	公有 + 私有协同	核心数据本地、弹性上公有云	AWS Outposts、阿里云专有云
社区云 Community	多个组织共享	同行业、同监管域	政务云、行业云

3. 产品组成与工作原理

云计算的本质，是把物理世界中离散的"一台台服务器"通过 虚拟化、池化、调度 三大技术改造成一台"逻辑上的巨型计算机"。其工作原理可类比发电厂与电网：物理电厂（数据中心）→ 变电站（虚拟化/调度层）→ 用户随用随取，按表计量。

3.1 物理层：数据中心（Data Center）

一切云端资源最终落在物理设施上：IT 设备（服务器、存储阵列、交换机）、供配电系统（UPS、柴发）、制冷系统（水冷/风冷）、机房基础设施。2026 年全球数据中心系统支出预计达 8,220 亿美元（+62.5%），是 AI 时代增长最猛烈的环节。

3.2 虚拟化层（Virtualization）：算力被"切分"

虚拟化（Virtualization）是用软件（Hypervisor，如 KVM/VMware）把一台物理服务器的 CPU、内存、磁盘切成多个互相隔离的虚拟机（Virtual Machine, VM）；容器（Docker/K8s）则在 OS 层进一步细分，实现秒级启动与更高密度。

3.3 池化与调度层（Pooling & Orchestration）

成千上万台机器通过分布式系统统一为资源池：分布式存储（对象存储/块存储）、软件定义网络（SDN）、编排调度器（如 Kubernetes）负责把应用自动放到合适的节点运行、故障转移与弹性伸缩。

3.4 管理层：计费、监控、安全与运维

云的"可计量服务"依赖一套完整的运营支撑系统：计量计费（按 vCPU/小时、按流量/请求数）、监控告警、多租户隔离、身份认证（IAM）、密钥管理、合规审计。这是云与传统 IDC 托管最本质的差别——一切皆服务、一切皆可计量。

一句话总结原理：云计算 = 数据中心（物理能量） + 虚拟化（切分能力） + 分布式（池化能力） + 调度（编排能力） + 计量运营（商业化能力）。用户从"买服务器"变为"买算力"，从重资产变轻资产。

4. 行为建模：云服务如何被使用

4.1 用例图（Use Case Diagram）— 云服务的整体行为

以下用例图展示云计算平台面向四类角色的整体功能边界：

图 1｜用例图：云计算系统的整体行为（谁来用、能做什么）

4.2 时序图（Sequence Diagram）— 用户开通云资源到业务上线主流程

围绕最核心的主流程——"用户申请资源 → 认证计费 → 调度创建 → 部署应用 → 按量计费"——细化各系统间的交互顺序：

图 2｜时序图：从提交申请到业务上线的端到端主流程

5. 结构建模：云平台由什么组成

5.1 部署图（Deployment Diagram）— 云平台的物理与逻辑部署架构

从宏观架构看，云平台在全球部署"区域（Region）—可用区（AZ）—机房—机柜"四级物理拓扑，并通过骨干网互联：

图 3｜部署图：区域/可用区/机房的物理部署与容灾关系

5.2 组件图（Component Diagram）— 云服务的技术分层

从内部结构看，云平台按"基础设施 → IaaS → PaaS → SaaS"四层组织，上层依赖下层的能力：

图 4｜组件图：云计算分层技术栈及各层典型组件

6. 云服务产品目录与核心产品原理

本章聚焦云厂商实际在售的云服务产品：先给出产品全景目录，再深入七个核心产品的组成部分与工作机理，并附 AWS / 阿里云 / 华为云三家对照，帮助理解"同样一件事，各家如何做成产品"。

6.1 产品全景目录

云服务产品按抽象层级从低到高分为 IaaS → PaaS → FaaS → MaaS → SaaS。下图以组件图梳理完整产品目录，并标注三家头部厂商的代表产品：

图 7｜组件图：云服务产品全景目录（按层级与厂商映射）

三家厂商产品映射表

能力	AWS	阿里云	华为云
云服务器（IaaS）	EC2	ECS	ECS
对象存储	S3	OSS	OBS
块存储	EBS	云盘	EVS
虚拟私有网络	VPC	VPC	VPC
负载均衡	ELB	SLB	ELB
关系型数据库	RDS / Aurora	RDS / PolarDB	RDS / GaussDB
NoSQL 数据库	DynamoDB	表格存储 / Lindorm	GaussDB NoSQL
托管 Kubernetes	EKS	ACK	CCE
函数计算（FaaS）	Lambda	函数计算 FC	FunctionGraph
CDN	CloudFront	CDN	CDN
消息队列	SQS / SNS	RocketMQ / MNS	DMS
大数据平台	EMR / Redshift	MaxCompute	FusionInsight
AI 大模型平台（MaaS）	Bedrock	百炼	ModelArts Studio
身份与访问管理	IAM	RAM	IAM

6.2 核心产品一：云服务器（EC2 / ECS）

组成部分：

组成	说明	英文术语
实例	云上的虚拟服务器，基本计费与运行单元	Instance
镜像	预配置模板，打包 OS + 应用 + 启动配置	AMI / Machine Image
实例规格族	CPU/内存/网络/存储的不同配比	Instance Family / Type
块存储	持久化虚拟磁盘，随实例挂载	EBS (Elastic Block Store)
密钥对 / 安全组	登录凭证 / 虚拟防火墙	Key Pair / Security Group
伸缩组	按指标自动增减实例	Auto Scaling Group (ASG)

工作机理：一台物理主机的 CPU 经 Hypervisor（虚拟机监控器）切分为多个互相隔离的虚拟 CPU 分片，分给各实例；AWS 用专用硬件卡 Nitro Cards 把虚拟化开销从软件卸荷到硬件，使性能接近裸金属。伸缩组监控 CPU/负载指标，通过启动模板（Launch Template）自动"多买多卖"实例，并跨多个可用区（AZ）分布保证高可用。

为什么云服务器有那么多规格族？

不同业务的资源消耗比例差异极大——有的吃 CPU（视频转码、科学计算），有的吃内存（缓存、大数据分析、数据库），有的吃存储 IO（OLTP 数据库），有的吃 GPU（AI 训练推理）。规格族 = 物理资源的不同"配比套餐"：同一档价格下，计算型多给 CPU、内存型多给内存，让用户只为真正用得上的资源付费。选错规格族会导致要么性能不足、要么为闲置资源多付钱。

规格族	特点（配比倾向）	典型场景	AWS 示例	阿里云示例
通用型 General	CPU:内存平衡（约 1:4）	Web 应用、中小型业务，比例不确定时首选	m6i	g7
计算型 Compute	CPU 核多、内存相对少（约 1:2）	视频转码、批处理、科学计算、高并发无状态服务	c6i	c7
内存型 Memory	内存大、CPU 相对少（约 1:8 或更高）	Redis/Elasticsearch 缓存、内存数据库、大数据分析	r6i / x2idn	r7
存储型 / 高 IO	超高磁盘 IO、本地 NVMe 盘	OLTP 数据库、日志、大数据实时读写	i4i / d3	i7 / d7
GPU / 异构计算	挂载 GPU（NVIDIA/昇腾等）	AI 训练推理、图形渲染、视频渲染	g4dn / p4d	gn7 / p4
高主频	单核主频极高	游戏、高频交易、单线程性能敏感的延迟型业务	z1d	hfc
突发型 Burstable	长期低负载、允许短时爆发（CPU 积分制）	开发测试、轻量 Web、偶尔峰值的小成本业务	t3 / t4g	t6
裸金属 Bare Metal	无虚拟化，独占物理机	性能要求极致、或有特殊驱动/合规要求的业务	m5.metal	ebm

选型直觉：拿不准就选通用型起步；跑并发计算选计算型；跑数据库/缓存选内存型；做 AI/渲染选 GPU 型；开发环境省钱用突发型。规格族内再按"几核几 G"细化，就有了几十上百种型号。

使用场景与替代方案

何时上云更优（买云服务器）	不买的替代方案
负载波动大 / 短期峰值（促销、秒杀、上线新业务），需几分钟弹性扩缩容	自有或托管物理服务器——扩容要采购、上架、调试，周期以周计，只能按峰值一次性买断
不想做硬件运维（机柜、供电、散热、硬件故障更换），希望按用量付费	传统 IDC 托管（整机租用）——仍需自备硬件、签长约、一次性资本开支
需要多种规格灵活搭配（CPU/内存/GPU），或按实例/小时精确计费	物理机规格固定，规格升级只能整机更换，成本不可精细拆分
团队小、上线快，想专注应用而不管底层机房	自建机房——需专职基础设施运维团队，适合大型合规企业或超大规模自用

6.3 核心产品二：对象存储（S3 / OSS / OBS）

组成部分：对象存储由 Bucket（存储桶）、Object（对象）= 数据 Data + 键 Key + 元数据 Metadata、Storage Class（存储级别）与 Endpoint（接入域名）组成。命名空间扁平，无目录层级。

工作机理：对象在底层按块切分并在同区域跨多台服务器、多可用区冗余复制，承诺 99.9999999999%（12 个 9）持久性；对单 key 的写入提供强读后写一致性（Strong Read-After-Write），单 key 更新原子。访问走 RESTful API，用 AccessKey/SigV4 签名鉴权。存储级别可分层（Standard → 低频 → 归档）以降低成本。

图 8｜结构图：对象存储的组成、多副本冗余与读写访问路径

对象存储 + CDN：经典搭档

对象存储与 CDN 通常成对出现——对象存储天然是 CDN 最理想的源站（Origin）：静态文件（图片、音视频、JS/CSS、安装包）上传到 S3/OSS 后，通过 CDN 分发到全球边缘节点，实现"一次存储、就近分发"。对象存储提供持久性与低单价，CDN 提供低延迟与高吞吐，两者互补：未命中时 CDN 回源对象存储拉取并缓存，命中则直接由边缘返回，源站带宽压力大幅下降。下图展示这套组合的完整架构：

图 9｜结构图：对象存储作为源站与 CDN 组合分发静态内容

判断准则：不是所有场景都需要 CDN。对象存储本质是单地域（Region）内跨多 AZ 冗余——数据只存在一个地理区域集群，对外仅一个访问端点；CDN 才是把副本分发到全国/全球 N 个边缘节点的手段。若只服务国内用户且访问量不大，直连就近区域的对象存储端点延迟已足够，CDN 属可选优化而非必需；以下信号出现时再上 CDN：跨地域/全球分发、大文件与热点内容高并发、源站带宽成本高、需边缘缓存扛流量峰值。CDN 边缘出流量按量计费，小流量场景反而不划算。

使用场景与替代方案

何时上云更优（买对象存储）	不买的替代方案
海量非结构化数据（图片、视频、日志、备份、安装包），以 TB-PB 计且增长快	自建 NAS / 文件服务器——容量上限低、扩容要加盘，海量对象时性能和运维都吃力
要求 12 个 9 持久性、跨多可用区冗余，自己搭建极难达到	自建分布式存储（Ceph / MinIO）——高可用冗余要自己设计、自己保证，故障处理靠运维团队
需要简单 REST API 访问、程序化上传下载、与 CDN/计算服务无缝集成	物理硬盘冷备份 / 磁带归档——不能在线按需访问，检索慢、需人工干预
数据量小、访问少但需长期归档，按存储量便宜地存着	自己的服务器硬盘——长期占用计算资源成本，且无生命周期分层策略

6.4 核心产品三：云数据库（RDS / Aurora / PolarDB）

组成部分：云数据库由 DB Instance（数据库实例）、DB Engine（引擎：MySQL/PostgreSQL 等）、Primary（主节点）+ Standby / Read Replica（备节点 / 只读副本）、共享 Cluster Volume（集群卷）组成。

工作机理：RDS 多可用区（Multi-AZ）用同步复制把主库写入同步到备库，故障时自动 Failover（故障切换）；同区域只读副本用异步复制扩展读能力。Aurora/PolarDB 采用计算与存储分离架构——所有实例连接同一跨 3 AZ 的共享虚拟卷，主库写入、存储层多副本落盘后再返回成功，因此新增只读实例秒级完成；自动快照 + 事务日志支持 PITR（按时间点恢复）。

使用场景与替代方案

何时上云更优（买云数据库）	不买的替代方案
需要开箱即用的主从高可用、自动故障切换、自动备份，不愿自建 DBA 运维体系	自建 MySQL/PostgreSQL 集群——主从复制、PITR 备份、故障切换全要自己搭、自己盯
读多写少、需要只读副本扩展读能力，或需要分钟级加只读实例	自建读写分离——需自己维护多个副本的数据同步与流量路由
想让存储按需弹性扩容、按实际用量计费（Aurora/PolarDB 场景）	本地自建数据库——存储规格固定，扩容要换盘/加机器，停机窗口不可避免
业务并发高、需要数据库内核深度优化与托管打补丁	使用云服务器自装数据库——内核优化、安全补丁、监控告警全靠自己

6.5 核心产品四：容器与编排（托管 Kubernetes：EKS / ACK / CCE）

组成部分：Kubernetes 集群分为控制平面（Control Plane）与节点（Node）两部分。控制平面含 kube-apiserver（API 入口）、etcd（集群状态存储）、kube-scheduler（调度器）、kube-controller-manager（控制器）；节点含 kubelet（维持 Pod 运行）、kube-proxy（服务网络规则）。工作负载对象为 Pod（最小调度单元）、Deployment（副本管理）、Service / Ingress（网络访问入口）。

工作机理：调度器对未绑定 Pod 先过滤（predicates）再打分（priorities）选出合适节点；控制器通过控制循环（Reconcile Loop）不断把实际状态收敛到期望状态，实现滚动更新与回滚；Service 由 kube-proxy 维护 iptables 规则做负载均衡。容器隔离依赖 Linux Namespace（视图隔离）+ Cgroup（资源配额）。云上托管版把控制平面变成高可用的托管服务，用户只管工作负载。

使用场景与替代方案

何时上云更优（买托管 Kubernetes）	不买的替代方案
微服务 / 云原生应用，需要自动化部署、滚动更新、弹性伸缩、声明式管理	自建 K8s 集群（Kubeadm 等）——etcd、apiserver、调度器、证书、升级全要自己运维，出问题无人兜底
不愿维护控制平面的高可用与版本升级，希望只关注业务工作负载	在云服务器上手工搭建 Docker/K8s——控制平面单点、升级易踩坑、监控告警缺失
需要与云厂商负载均衡、存储、日志、监控深度集成	传统虚拟机 + 脚本/Ansible 编排——无声明式自愈，滚动发布靠人工，运维成本随规模上升
集群规模可弹性扩缩，按实际节点付费	自购服务器跑 K8s——节点规模固定，扩容周期长，闲置成本高

6.6 核心产品五：Serverless 函数计算（Lambda / FC / FunctionGraph）

组成部分：由 Function（函数）（handler 代码 + 运行时 + 内存/超时配置）、Trigger（触发器 / 事件源）（API Gateway、对象存储事件、消息队列、定时器等）、Execution Environment（执行环境）（隔离沙箱）组成，按"请求次数 + GB-秒（执行时长 × 内存）"计费。

工作机理：首次调用需冷启动（Cold Start）——下载代码 → 启动执行环境 → 运行初始化（Init 阶段）→ 才进入 Invoke；调用结束后环境被冻结保留一段时间，后续请求复用（热启动 Warm Start），明显更快。生命周期为 Init → Invoke → Shutdown。为降冷启动可用 Provisioned Concurrency（预置并发）或 SnapStart（内存快照秒级恢复）。底层用 Firecracker 微虚拟机做租户隔离，每个执行环境同时只处理一个请求。

图 10｜时序图：函数冷启动 vs 热启动的生命周期差异

实战示例：图片上传自动生成缩略图

以一个最常见的 Serverless 场景演示完整用法：用户把图片上传到对象存储 Bucket，触发器自动唤起函数，生成缩略图存入另一个 Bucket，全程无需任何常驻服务器。以下代码同时兼容 AWS Lambda 与阿里云函数计算（仅 SDK 导入路径不同）。

函数代码：thumb.py（事件源 = 对象存储上传事件）

import io
from PIL import Image
import boto3  # 阿里云 FC 用 oss2 亦可，逻辑相同

def handler(event, context):
    # 1. 从事件中取出上传对象的位置（bucket + key）
    obj = event["Records"][0]["s3"]["object"]
    bucket = event["Records"]["0"]["s3"]["bucket"]["name"]
    key = obj["key"]
    if key.startswith("thumbs/"):
        return  # 防止缩略图再次触发

    s3 = boto3.client("s3")

    # 2. 从源 Bucket 读取原图
    data = s3.get_object(Bucket=bucket, Key=key)["Body"].read()
    img = Image.open(io.BytesIO(data))
    img.thumbnail((256, 256))

    # 3. 生成缩略图字节流
    buf = io.BytesIO()
    img.save(buf, format="JPEG", quality=85)

    # 4. 写入目标 Bucket（thumbs/ 前缀）
    s3.put_object(
        Bucket=bucket,
        Key=f"thumbs/{key}",
        Body=buf.getvalue(),
        ContentType="image/jpeg",
    )
    return {"status": "ok", "thumb": f"thumbs/{key}"}

测试触发（AWS CLI 模拟对象上传事件）

# 1. 上传原图到源 Bucket（触发函数）
aws s3 cp photo.jpg s3://my-images/photo.jpg

# 2. 函数被事件自动调用，稍后查看缩略图是否生成
aws s3 ls s3://my-images/thumbs/

# 3. 也可用 SDK 手动同步调用函数做调试
aws lambda invoke --function-name make-thumbnail \
  --payload '{"Records":[]}' out.json

这个例子说明的要点：(1) 无服务器——没有一台需要维护的机器；(2) 事件驱动——上传动作即触发源，函数"睡醒即跑、跑完即睡"；(3) 按用量计费——只有处理图片的几百毫秒 × 内存才收费，空闲为零成本；(4) 冷启动——首次调用稍慢，代码内勿在 handler 外做重量初始化（应放全局作用域以复用热环境）。

使用场景与替代方案

何时上云更优（买函数计算）	不买的替代方案
事件驱动任务：对象存储上传触发、定时任务、Webhook、消息队列消费——闲时不花钱	自备一台常驻服务器跑脚本——7×24 开机，空闲时段也在烧钱，还要维护进程守护
流量波动极大甚至长期接近 0，希望按请求数 + GB-秒精确计费	固定实例/固定服务器——按峰值配置，闲时浪费，峰值又要提前扩容
只想写一小段业务逻辑（胶水代码、轻 API），不想管理任何基础设施	用一台最小云服务器跑 Web 服务——需管理 OS、运行时、证书、监控，秒级自动伸缩要额外搭
低频、突发型计算（文件处理、图片转码、报表生成）	自建队列 + Worker 集群——冷启动虽可控，但集群运维、横向扩容、计费精细化全要自己解决

6.7 核心产品六：CDN 内容分发网络（CloudFront / 阿里云 CDN）

组成部分：由 Origin（源站）（内容权威来源，如对象存储或 HTTP 服务器）、Edge Location / POP（边缘节点）（全球分布的缓存站点）、Distribution（分发配置）（回源地址、缓存时长、域名绑定）组成。

工作机理：用户请求经 DNS/路由就近到达延迟最低的边缘节点；边缘命中则直接返回缓存，未命中则回源（Origin Fetch）拉取并缓存，缓存时长由源站响应头 Cache-Control / TTL 控制（默认 24h）。内容在多个边缘节点留副本实现高可用。私有内容用 Signed URL / Signed Cookie 控制访问。

使用场景与替代方案

何时上云更优（买 CDN）	不买的替代方案
用户分布全国/全球，需就近低延迟加载静态内容（图片、视频、JS/CSS、安装包）	直连源站（对象存储或自建服务器）——跨地域访问走公网长链路，延迟高、易丢包
大文件 / 热点内容高并发，需边缘缓存扛流量峰值、降低源站带宽压力	自建边缘节点——全国部署成本极高，小团队不现实；源站带宽会被打爆且账单昂贵
源站带宽成本高，希望把流量"缓存到边缘"摊薄费用	自建 Nginx 缓存 + 多机房——缓存命中率、就近调度、容灾全靠自己调优
需要抗 DDoS、限速、鉴权（Signed URL）等增值安全能力	自建抗 DDoS 方案——防护能力有限，大流量攻击难以自扛

6.8 核心产品七：AI 大模型云服务（MaaS：Bedrock / 百炼 / ModelArts Studio）

组成部分：由 Foundation Models（基础模型）（Claude、DeepSeek、千问 Qwen 等 100+ 个）、统一 API 层、Knowledge Base / RAG（知识库 / 检索增强）、向量数据库（Vector Store）、微调（Fine-tuning：SFT/DPO）与 Agent/工作流编排组成。

工作机理：核心是推理即服务——用户按 API 调用共享模型集群，按 Token 用量计费（输入/输出分别计价）。RAG（检索增强生成）流程：文档切块（chunk）→ Embedding 向量化 → 存入向量数据库 → 查询时相似度检索 top-k → 重排序（rerank）→ 拼进 Prompt → 模型基于检索结果生成带引用回答，减少幻觉。微调用标注数据更新权重，产出定制模型后部署为专属推理实例。

图 11｜活动图：RAG 检索增强生成的端到端工作流

使用场景与替代方案

何时上云更优（买 MaaS）	不买的替代方案
需要接入大模型能力（对话、摘要、翻译、代码）但不想投入 GPU 集群与模型训练团队	自建开源大模型（Llama / Qwen 开源版）——需采购 GPU 服务器、搭推理集群、训练/微调与调优，前期投入巨大
调用量波动大，按 Token 计费灵活，无固定容量闲置成本	自部署模型——算力按峰值买断，低峰期闲置烧钱，GPU 采购周期长
需要把私有知识接入模型（RAG 知识库 + 向量检索），开箱即用	自建 RAG——需自管向量数据库、Embedding 模型、检索/重排序管道、增量更新，全栈自己搭
需要快速验证 AI 功能、多模型对比、随时换模型（Bedrock 100+ 模型）	自训专属模型——周期长、成本高，仅在数据极度敏感或深度定制时才有必要

7. 全球市场规模与格局

7.1 市场总量

机构	口径	数值	时间点	备注
Synergy Research	云基础设施服务（IaaS+PaaS+托管私有云）	$1,434亿/季	2026 Q2	同比 +43%，八年最高，连续 11 季加速
Synergy Research	同上（TTM 年化）	$5,000亿	2026 Q2	年化收入突破 5000 亿美元
Gartner	公有云 IaaS	$2,870亿	2026 预测	同比 +29.3%（2025 年为 +25.3%）
信通院	全球云计算整体（含私有云）	$5,864亿	2023 实际	同比 +19.4%，预计 2027 年破 $1 万亿

7.2 全球云基础设施市场份额（IaaS+PaaS）

头部高度集中，前三家合计约占三分之二；生成式 AI 正在改写格局——谷歌份额两年连续攀升，Oracle 首次跻身前四，Neocloud 新势力（CoreWeave、OpenAI、Crusoe 等）增速最快：

厂商	Q2 2026	Q1 2026	Q1 2025	趋势
AWS 亚马逊云	28%	28%	29%	稳居第一，份额微降
Microsoft Azure 微软	20%	21%	22%	第二位，受 AI 拉动
Google Cloud 谷歌云	15%	14%	12%	两年 +3pct，增速最快
Oracle	—	4%	3%	首次升至第 4
Alibaba 阿里云	—	4%	4%	全球第 5 左右，稳定
Salesforce / 华为云 / 腾讯云	—	各约 2%	各约 2%	第二梯队

AI 是核心驱动：生成式 AI 专属云服务同比增长 165%；IaaS（GPU/高性能算力）增速远超 SaaS，全球云市场在 AI 算力建设下两年翻倍。Gartner 将本轮 AI 算力建设称为"人类有史以来最大的基础设施工程"。

8. 全球产业链分工与价值份额

8.1 产业链图谱

图 5｜组件图：全球云计算产业链上中下游分工与价值份额

8.2 分工说明

⬆ 上游：硬件与基础软件（价值 ~30%）

AI/CPU 芯片：NVIDIA、Intel、AMD、高通
服务器与存储：Dell、惠普、浪潮、超微
IDC 与光模块：Equinix、中际旭创、新易盛
基础软件：Linux、Kubernetes、虚拟化
网络设备：思科、Arista、华为

⬤ 中游：云服务商（价值 ~50%）

AWS 28% / Azure 20% / Google 15%
Oracle 4% / 阿里云 4% / 华为云 2%
Neocloud：CoreWeave、OpenAI、Crusoe
运营商云：中国移动/电信/联通天翼
聚合增值：云安全、云运维、FinOps

⬇ 下游：行业应用与 SaaS（价值 ~20%）

企业数字化与产业互联网
政务云、金融云、医疗云
SaaS 厂商：Salesforce、Adobe、金山
AI 原生应用与大模型公司

价值份额解读：中游云服务商是产业链价值枢纽——它们向上游采购硬件、向下游输出服务，凭借"算力租金 + 平台增值"双重收益占据约一半价值；上游硬件是"成本重心"，下游 SaaS 是"利润高地"（利润率最高）。

9. 中国市场规模与厂商格局

9.1 市场总量（信通院口径）

口径	2023	2025	预测
整体市场规模	6,165 亿元（+35.5%）	10,692 亿元（+29%）	2029 年突破 2.5 万亿
公有云	4,562 亿元（+40.1%）	—	—
私有云	1,563 亿元（+20.8%）	—	—

IDC 2025 上半年数据：中国公有云 IaaS 规模 1,206.69 亿元，同比增速接近 20%（疫情以来新高）；智算资源池 +122.4%，GenAI IaaS +219.3%，AI 已成为中国公有云增长的核心引擎。

9.2 中国公有云厂商份额（IDC，IaaS 口径）

厂商	2025 H1	2024 H1	趋势
阿里云	26.4%	25.8%	连续 5 季回升，稳居第一
华为云	12.9%	13.4%	第二梯队
天翼云（中国电信）	12.3%	13.2%	运营商云
移动云（中国移动）	9.4%	9.1%	运营商云，跃居第四
腾讯云	7.9%	8.5%	第五位

格局特征：中国市场呈"一超多强 + 运营商双极"格局——阿里云独占约 1/4；华为云与运营商云（天翼/移动/联通）构成第二极；火山引擎在智算/AI 拉动下"跳跃式"进入第一阵营。2024 年中国云支出约 400 亿美元（+13%），阿里云+华为云+腾讯云合计占 71%。

10. 中国产业链分工与价值份额

10.1 产业链图谱

图 6｜组件图：中国云计算产业链上中下游分工（含主要行业云规模）

10.2 分工说明

⬆ 上游：国产算力与基建

AI 芯片：昇腾、海光、寒武纪、昆仑芯
服务器：浪潮、超聚变、新华三、宁畅
IDC/光模块：万国数据、世纪互联、中际旭创
基础软件：openEuler、openGauss、麒麟
"东数西算"全国算力网

⬤ 中游：云厂商阵营

互联网云：阿里云、华为云、腾讯云、火山引擎
运营商云：天翼云、移动云、联通云
信创云：基于国产化栈的全栈自主
智算中心：GPU 资源池规模化扩张

⬇ 下游：行业云

政务云：2024 年 939.4 亿元（+18.4%）
金融云：2024 年 692 亿元（+11%）
互联网/电商/社交
制造、能源、医疗、交通
AI 大模型公司（推理算力）

关键卡点：中国产业链上游高端环节仍受制于美国——先进 AI 训练芯片（NVIDIA H100/A100 对华禁运）、高端半导体制造（EUV）构成瓶颈；国产替代（昇腾、寒武纪、海光）正在快速追赶，信创/国产化政策驱动"全栈自主"成为中游云厂商的核心叙事。

11. 核心企业地图

环节	中国代表企业	全球对标
云基础设施	阿里云、华为云、腾讯云、天翼云、移动云、火山引擎	AWS、Azure、Google Cloud、Oracle
AI 算力芯片	昇腾（华为）、海光、寒武纪、昆仑芯、燧原	NVIDIA、AMD、Google TPU
服务器	浪潮信息、超聚变、新华三、宁畅	Dell、惠普企业、超微
IDC/数据中心	万国数据、世纪互联、秦淮数据、润泽科技	Equinix、Digital Realty
光模块	中际旭创、新易盛、光迅科技	Coherent、Lumentum
数据库/中间件	OceanBase、TiDB、GaussDB、达梦	Oracle、MongoDB、Snowflake
SaaS	金山 WPS、用友、金蝶、钉钉、企业微信	Salesforce、Adobe、Microsoft
云安全	奇安信、深信服、青藤、绿盟	Palo Alto、CrowdStrike、Zscaler

12. 核心技术栈

层级	核心技术	国内生态	国际生态
物理设施	数据中心、液冷、光电互联	万国数据、秦淮、曙光液冷	Equinix、NVIDIA NVL72
芯片	CPU / GPU / NPU / DPU	鲲鹏、昇腾、海光、寒武纪	Intel、AMD、NVIDIA、AWS Graviton
虚拟化	Hypervisor / 容器 / 微服务	openEuler、KubeSphere、灵雀云	KVM、VMware、Docker、K8s
分布式存储	对象 / 块 / 文件存储	阿里云 OSS、华为 OceanStor	AWS S3、Ceph、NetApp
网络	SDN、VPC、CDN、边缘计算	阿里云、华为 CloudEngine	AWS VPC、思科、Juniper
平台	容器编排、Serverless、数据库	ACK、函数计算、OceanBase	EKS、Lambda、Aurora
AI	大模型训练/推理、MaaS	通义千问、盘古、混元、DeepSeek	OpenAI、Anthropic、Gemini
安全	零信任、SASE、密钥管理	奇安信、深信服、阿里云安全	Palo Alto、Cloudflare、AWS KMS

13. 趋势与展望

AI 重塑云的核心 — 生成式 AI 专属云服务同比增长 165%，AI 算力（GPU/NPU）成为云市场最强增长引擎，智算中心建设爆发。
从 IaaS 到 PaaS/SaaS 上移 — AI 正推动价值重心从"裸算力"向平台与模型服务（MaaS）转移，PaaS 增速持续领跑。
Neocloud 新势力崛起 — CoreWeave、OpenAI、Crusoe 等以 GPU 专云切入市场，改写传统"三巨头"格局。
国产化与信创 — 昇腾/海光/寒武纪等国产算力 + 全栈自研操作系统/数据库，驱动党政、金融、央企全栈替代。
全国一体化算力网 — "东数西算"推进，算力作为新基建核心资源，国家层面统筹布局。
多云与 FinOps — 企业从"迁移上云"转向"平台化 + 多云治理 + 成本优化"，FinOps 成为标配。
云边端协同 — 边缘计算、云手机、IoT 与中心云协同，低延迟应用规模化落地。
安全与合规刚性化 — 数据安全法、等保 2.0、关键信息基础设施保护，云安全市场持续高增长。