第二章：云计算基础概念（IaaS/PaaS/SaaS）

说实话，刚开始接触云服务的时候，我也被那一堆缩写搞得头大。IaaS、PaaS、SaaS，听着像三个兄弟，但到底谁干谁的活？

你想想看，做AI靶点发现，数据量动不动就几百GB，模型训练要几十块GPU。自己买服务器？成本高得吓人。这时候云服务就成了唯一的选择。但问题来了——该怎么选？

我个人的习惯是：先搞清楚自己要管什么，不想管什么。想通了，选云服务就像点外卖一样简单。

2.1 云计算的三种服务模式

云计算不是凭空冒出来的。它把IT资源拆成了三块：基础设施、平台、软件。每一块对应一种服务模式。说白了就是——

• IaaS（基础设施即服务）：你管系统，云管硬件
• PaaS（平台即服务）：只管代码，别的不操心
• SaaS（软件即服务）：只管用，啥也不用管

我遇到过不少新手，上来就怼着PaaS一顿操作，结果发现环境不兼容。嗯，选之前一定要想清楚自己要管到哪一层。

2.2 IaaS：最灵活的“毛坯房”

IaaS给你的是虚拟机、存储、网络。就像毛坯房——墙是你的，地是你的，但装修得自己来。你可以装任何系统，跑任何软件，不受限制。

我记得有一次做蛋白质折叠的分子动力学模拟。项目对GPU驱动版本、CUDA库、还有Python环境都有特定要求。

用IaaS就简单了：开一台带GPU的虚拟机，ssh上去，从零开始搭环境。想装什么装什么，没人拦你。云商提供的API也能自动搞扩展——训练量大就加机器，闲着就缩回去。

一个典型的Terraform脚本长这样：

resource "aws_instance" "gpu_node" {
  ami           = "ami-0c55b159cbfafe1f0"
  instance_type = "p3.2xlarge"
  key_name      = "my-key"

  tags = {
    Name = "target-discovery-gpu"
  }
}

2.3 PaaS：“拎包入住”的公寓

PaaS呢？是拎包入住的公寓。家具、水电、网线都配好了。你带上代码就能跑。

云商帮你搞定操作系统、运行时、中间件。你只管把应用部署上去。比如用Google Cloud的Vertex AI，上传你的模型训练代码，剩下的自动调度资源。

为什么PaaS在AI圈火？因为它完全屏蔽了运维细节。我见过很多生物信息学的团队，就两三个人，全栈都懂的不多。用PaaS，省心省力。

举个例子，部署一个PyTorch模型推理到Google Cloud Run：

gcloud run deploy target-inference \
  --image gcr.io/my-project/target-model:latest \
  --platform managed \
  --memory 4Gi \
  --cpu 2

就这一行命令，自动负载均衡、自动扩展、自动监控。不用管Docker在哪里跑，不用管Kubernetes怎么配。

2.4 SaaS：“酒店式”服务

SaaS是最省事的选择。你连软件都不用装，打开浏览器直接用。比如Google Colab，比如各种云上的RNA-Seq分析平台。

说白了，SaaS就是酒店。你只管住，客房服务、洗衣、早餐，全有人伺候。你不关心后面是什么服务器、什么操作系统。

对于AI靶点发现，有些场景特别适合SaaS——如果你只需要做一次性的结构比对、序列分析，或者快速验证一个想法。开一个Notebook，调几个API，结果就出来了。

API调用示例：

import requests

response = requests.post(
    "https://api.alphafold.example.com/predict",
    json={"sequence": "MKFLILFN...", "model": "v2.3"}
)
print(response.json()["pdb"])

但注意了，SaaS的定制化能力有限。你不能改底层的算法，也不能优化底层的计算流程。

2.5 三种模式的选型框架

怎么选？我给一个我常用的判断逻辑：

• 要完全控制环境 → IaaS（比如自己搭CUDA驱动、装AlphaFold）
• 只管算法和模型 → PaaS（比如用SageMaker训练、Vertex AI推理）
• 只做快速验证或小规模分析 → SaaS（比如用Colab跑Notebook）

还有一种常见组合：用IaaS做数据存储和预处理，用PaaS做模型训练，用SaaS做用户界面展示。这样灵活度最高。

下图展示了三种服务模式在AI靶点发现工作流中的适用位置：

回到AI靶点发现这个场景，我个人最常用的组合是：数据存储和预处理用IaaS（比如S3+EC2 GPU实例），模型训练用PaaS（SageMaker或者Vertex AI），最终的结果展示和轻量分析用SaaS（比如Notebook或者公开API）。

好了，这一节的核心就这些。记住一条：别纠结于哪个"更好"，要想清楚你团队在哪个层次上最有优势。下节课我们聊聊存储选型，那又是另一个坑了——嗯，等会儿再说吧。