Google 测试多模态原生：大厂有封号风险，我就必须用多云部署来对冲。今天下午拿到测试权限，第一件事就是把之前用 GPT-4V 构建的复杂工作流，原封不动地往 Gemini 最新版 API 上怼。结果不是惊喜，是惊吓。它处理我那个混合了 PDF 表格提取、流程图重绘和代码片段 OCR 的测试包时，返回速度比 OpenAI 快了近 40%，而且对模糊截图的逻辑推理准确率，高得有点不讲道理。我捏着那支 Pilot G2 碳素笔，手指不自觉地用力，直到“咔”一声轻响，笔尖断了，墨水溅在测试日志上。这不是技术进步，这是生态位屠杀。大厂一旦把多模态原生能力像水电煤一样铺开，我们这些靠 API 拼接吃饭的中间层，随时可能因为一次“异常流量”或“政策调整”就被掐断脖子。
去年我还觉得，把 OpenAI 的 API 密钥分环境配置、做好请求队列和退避策略，就算高枕无忧了。现在看，天真了。当 Google、微软、亚马逊甚至国内的巨头都把多模态作为基础设施来打，他们的风控策略会越来越像 App Store 的审核——没有明确规则，但生杀予夺就在一瞬间。你根本不知道触发红线的是因为你用多线程并发爬取图片进行分析，还是因为你生成的中间结果暂时存在了他们的服务器上。封号邮件可能只会冷冰冰地写一句“违反服务条款”，后面是无穷无尽的工单扯皮。对于我这种已经把 AI 自动化流程嵌入到客户日常运营里的实战派来说，一次断供就是业务停摆，客户可不会听你解释技术风险。
所以对冲，必须做物理隔离级别的对冲。我的思路不再是简单的“备用 API 密钥”，而是“多云异构部署”。具体来说，就是把一个完整的 AI 处理链，拆解成可以独立替换的模块，然后部署到完全不同的云服务商和 AI 服务上。比如，图片预处理和 OCR 用 Azure Cognitive Services，核心的多模态推理用 Gemini，后处理的逻辑校验和格式化用 Claude，最后的交付和通知走 AWS Lambda 配 SMTP。整个流程用 n8n 自托管版来编排，但关键节点要设计成“可降级”模式——当检测到某个服务返回连续错误或超时，能自动切换备用供应商，甚至回退到纯文本处理模式，并立刻给我发警报。
这听起来工程浩大，但核心痛点就两个：状态管理和成本控制。状态不能依赖任何一家厂商的临时存储，必须在自己控制的数据库里流转。成本更不能被单一厂商的定价变动绑架，每个模块都要有清晰的用量监控和预算熔断。我今晚就在折腾这个，用 PostgreSQL 存中间状态，每个 AI 调用都附带请求哈希和厂商标签，这样不仅能做故障切换，还能后期分析哪家的性价比最高。累吗？真他妈累。但比起 2020 年那种团队崩盘、业务一夜归零的恐惧，这种技术上的累，至少睡得着觉。大厂在狂奔，留给个体户的缝隙，就是用狡兔三窟的冗余，去换那一点可怜的安全感。
