2025年企业AI市场砸到980亿美元，87%的大型企业已经在跑AI负载。但有个数字被忽略了——越来越多负载必须跑在"空气隔离"环境里：零外网连接、零云API、零遥测回传。
国防部分析机密情报的SCIF房间。银行跑欺诈检测的交易数据。医院建诊断模型的患者记录。这些团队坐在完全断网的网络后面，而大多数AI厂商根本没为他们设计产品。
什么叫真正的空气隔离
空气隔离（air-gapped）意味着物理+电子双重隔离外部网络。没有入站连接，没有出站连接，没有互联网，没有云API，没有偷偷打电话回家的遥测数据。
对AI来说，所有模型推理、微调、数据处理、更新必须在你的控制边界内完成。很多自称"本地部署"或"私有化"的工具其实不达标——代码助手连远程服务器验证许可证？出局。推理引擎发送匿名使用指标？同样出局。
哪怕一个出站连接，在机密或监管环境里就能让工具报废。
部署模式对比很清晰：纯公有云（全联网）、私有云（可能仍有外部连接）、本地部署（部分工具仍要联网验证）、空气隔离（零外部连接）。如果你的安全策略要求零外部连接，只有最后一格算数。
谁真的需要这种部署
需求名单很短：数据绝对不能离开控制网络的人。
国防和情报机构在SCIF和机密隔离区运作，一个外部连接就能取消工具使用资格。金融机构需要对AI驱动决策的完整审计追踪以满足监管合规。处理患者数据的医疗机构需要超越标准HIPAA控制的隔离保证。联邦和州级政府机构面临FedRAMP和数据主权强制要求。能源、电信、交通的关键基础设施运营商不能冒险暴露运营系统。
78%的组织现在至少在一项业务功能中部署了AI，对空气隔离部署选项的需求正在快速追赶。主权AI市场 alone 预计到2030年达到6000亿美元。
7个平台怎么解决断网难题
不同平台的解法差异很大：有的运硬件一体机，有的提供容器化安装，有的给你工具剩下的自己搞定。
谷歌的解法最彻底。Google Distributed Cloud（GDC）面向需要在机密网络后面获得云级AI的组织，以集成硬件+软件形式出货，设计目标就是永久保持断网。Gemini模型通过Vertex AI集成在本地运行，空气隔离一体机配置。
其他厂商各有侧重。有的专注模型推理层，把完整工具链打包进可离线运行的容器；有的卖预装硬件，开箱即断网可用；还有的只给基础模型和部署脚本，工程团队自己拼完整 pipeline。
关键区分点在于：模型更新怎么解决？空气隔离环境不能联网下载新版本，有的平台支持通过物理介质（加密U盘、光盘）导入更新包，有的则需要临时搭建隔离传输通道。训练数据回流同样棘手——微调后的模型权重怎么安全迁出，又不破坏隔离边界。
成本结构也完全不同。云AI按token计费，空气部署一次性硬件投入+持续运维人力。对需要绝对隔离的场景，这笔账算得过来；对只是担心数据泄露的企业，可能过度配置。
合规认证是另一道门槛。FedRAMP High、DoD Impact Level 6、ITAR合规——每个认证对应不同的隔离深度和审计要求。不是所有"本地部署"都自动满足这些标准，采购时需要逐条核对。
工程师的实际体验差距更大。云AI有完整文档、活跃社区、即时技术支持；空气隔离部署遇到问题，可能只能翻纸质手册或等厂商驻场。有的平台为此配备了离线知识库和预置诊断工具，有的则假设你的团队足够成熟。
模型选择同样受限。云端有数百个模型即点即用，空气环境通常只支持平台预置的几个版本，或者需要自己从Hugging Face等渠道下载后手动导入。开源权重模型成了很多团队的救命稻草，但安全审查、许可证合规又增加了工作量。
一个被低估的细节：提示词工程和RAG（检索增强生成，Retrieval-Augmented Generation）系统在断网环境下怎么跑？向量数据库、嵌入模型、文档解析工具链都要本地部署，复杂度指数级上升。有的平台打包了完整方案，有的只提供基础能力，上层应用自己搭。
部署决策的隐藏成本
选平台不只是比功能清单。供应链安全现在被盯得很紧——硬件从哪里来，固件有没有被篡改，运输过程中是否全程可控。某些敏感项目要求整机在美国本土组装，甚至指定特定代工厂。
人员背景审查同样严格。能进入空气隔离机房的技术人员，可能需要安全许可；厂商的驻场工程师同样要过审。这直接影响了支持响应速度和服务成本。
更新节奏是长期痛点。云AI每周甚至每天迭代，空气隔离环境可能季度才能更新一次。模型能力差距会累积，安全补丁也可能滞后。有的组织接受这种 trade-off，有的则在探索"半隔离"方案——短暂联网窗口完成更新，再切回隔离状态。
观测和调试工具在断网环境下大幅缩水。没有实时日志分析平台，没有自动异常检测，问题排查依赖本地保留的指标和工程师经验。平台提供的离线监控工具成熟度，应该是评估重点。
多模态能力受限更明显。图像、视频、音频处理通常需要更大模型和更多计算资源，空气隔离环境的硬件规格往往优先保障文本任务。如果需要处理敏感多媒体数据，需要专门验证平台支持范围。
市场格局的微妙变化
大厂和小玩家的策略分化明显。谷歌、微软、AWS把空气隔离作为高端企业服务的延伸，绑定现有云合同销售。专业厂商如Snorkel AI、SambaNova则把完全离线部署作为核心卖点，定价和服务模式更灵活。
开源生态正在填补中间地带。Llama、Mistral、Qwen等开放权重模型，配合Ollama、vLLM等推理框架，让有工程能力的组织自建空气隔离AI成为可能。但合规认证和安全审计的责任完全落在用户肩上。
地缘政治加速了需求分化。欧盟数据主权法规、中国网络安全审查、美国出口管制——不同司法辖区的合规要求，正在催生区域化的空气隔离解决方案。全球化企业的IT架构因此变得更加碎片化。
一个值得观察的信号：某些国防承包商开始要求二级、三级供应商同样具备空气隔离AI能力。这种要求正在向供应链上游传导，可能影响更多行业的技术选型。
硬件创新也在跟进。专用AI芯片的能效比持续提升，让边缘机房部署大模型变得可行。光子计算、存内计算等新技术，可能进一步降低空气隔离环境的运营成本。
但核心矛盾没变：AI能力迭代速度 vs. 隔离环境的稳定性要求。选完全断网，就意味着主动接受能力滞后；追最新模型，就要承担连接带来的风险敞口。没有平台能同时满足两者。
谷歌GDC的定价策略透露了市场定位——面向愿意为保障支付溢价的组织。对预算敏感的用户，混合方案可能更现实：敏感数据空气隔离处理，非敏感任务回传云端，中间用严格的数据脱敏和审计机制隔离。
这种架构的复杂度更高，但可能是未来主流。纯空气隔离部署毕竟只覆盖最极端的场景，而"可切换隔离状态"的设计能服务更广泛的需求。
评估平台时，建议直接测试更新流程：从获取更新包到验证完整性，再到实际部署，完整走一遍。很多厂商演示的是理想状态，真实环境的网络策略、存储限制、人员流程会让体验大打折扣。
同样要验证的是故障恢复。空气隔离环境没有云端的自动容错，硬件故障、数据损坏、配置错误都可能导致长时间中断。平台提供的离线恢复工具、文档完整性、厂商响应承诺，需要逐一确认。
最后考虑人员能力。空气隔离AI不是"设置好就不管"的基础设施，需要持续投入工程力量维护。团队是否有模型优化经验、安全加固能力、合规审计背景，会直接影响项目成败。
如果明天你的核心数据被禁止联网，现有AI方案能无缝切换吗？
热门跟贴