Vertex AI

Vertex AI 是 Google Cloud 的企业级机器学习和生成式 AI 平台，由 Google LLC 构建和维护。该平台最初于 2021 年推出，旨在整合公司零散的 AI Cloud 服务，它为数据科学和 MLOps 团队提供了一个统一的平台，用于训练自定义模型、通过 API 访问基础模型、构建检索增强（RAG）应用程序以及大规模部署 AI 智能体。2026 年 4 月，Google 在 Google Cloud Next 大会上将该产品更名为 Gemini Enterprise Agent Platform，但文档、工具和定价页面仍广泛使用 Vertex AI 这一名称。该平台在企业级生成式 AI 工作负载方面与 AWS Bedrock 和 Azure AI Foundry 展开直接竞争。

该平台的 Model Garden 通过统一的接口为团队提供 200 多种基础模型的访问权限：完整的 Gemini 3 和 Gemini 2.5 系列（Google 的第一方模型）、通过 Anthropic 合作提供的 Claude 3.5 和 Claude 3.7 Sonnet、Meta 的 Llama 系列、Gemma，以及数十种第三方和开源模型。除了模型访问之外，Vertex 还包括用于提示词原型设计的 Vertex AI Studio、用于通过无代码和 API 选项构建和部署多步 AI 智能体的 Agent Builder、用于在无需自定义代码的情况下训练视觉和文本分类器的 AutoML、用于构建企业级 RAG 应用程序的 Vertex AI Search、用于在数十亿项目中进行相似性检索的 Vector Search，以及用于编排完整 ML 工作流的 Pipeline 工具。所有计算、模型使用和存储成本都整合在一个 GCP 计费账户下，这有助于企业采购团队进行管理，但如果闲置资源未被关闭，也会带来成本失控的真实风险。

2026 年 4 月的 Vertex AI 实际功能

继 Google Cloud Next 2026 之后，Vertex AI 现在将自身定位为全栈智能体操作系统，而不仅仅是模型访问层。Agent Studio 为团队提供了一个可视化的低代码环境，用于构建多步智能体工作流。Agent Engine 负责已部署智能体的运行时执行、会话状态和内存管理，其计费与模型 Token 独立。Agent Gateway 提供跨已部署智能体的流量管理、路由和可观测性。这些组件协同工作，但它们需要不同的配置，并采用不同的计费标准。

对于大多数团队来说，Model Garden 是最直接有用的切入点。通过 Vertex 而不是直接调用 API 来访问 Gemini 2.5 Pro 或 Claude 3.7 Sonnet，可以增加企业治理方面的优势：数据永远不会离开客户的 VPC，使用数据不会被反馈到模型训练中，并且所有请求都通过 GCP 的 IAM 和 VPC Service Controls 进行流转。这对于 HIPAA、SOC 2 和金融监管合规用例至关重要。对于没有这些要求的团队，通过 Google AI Studio 直接使用 Gemini API 会更简单，且每 Token 的成本相同。

定价同时基于几个独立的计费标准。模型使用按 Token 收费：Gemini 2.5 Flash Lite 的成本为每百万输入 Token $0.10，每百万输出 Token $0.40；Gemini 2.5 Pro 的成本为每百万输入 Token $1.25，每百万输出 Token $10.00。Agent Engine 基础设施的收费标准为每 vCPU 小时 $0.0864 和每 GB 小时 $0.0090，会话内存存储为每 1,000 个事件 $0.25。自定义训练任务单独收取 GPU/CPU 计算费用。Google Search Grounding（将响应与实时网络搜索结果进行事实核查）在每日免费额度之外，每 1,000 个接地提示词（grounded prompts）额外收取 $35。如果没有仔细的成本管理，一个包含自定义训练、始终在线的 Agent Engine 端点、定期 Grounding 和高 Token 量的生产部署，每月成本可能会达到数千美元。

"我是 Google Cloud 的相对较新的用户，最近收到了一份 2026 年 3 月的意外账单，金额约为 £925。其中大部分成本（约 £440）来自 Vertex AI。我没有意识到某些 Vertex AI 服务（例如端点、作业或后台进程）在没有主动使用的情况下也会继续产生费用。" -- Rav_Khangurra，Google AI Developers Forum，2026 年 4 月 2 日

Vertex AI 与 AWS Bedrock 和 Azure OpenAI 的定位对比

这三个平台都提供精选的模型目录、智能体编排工具和企业级安全控制。它们之间的差异是架构和生态系统驱动的，而非表面上的。

AWS Bedrock 使用单一统一的 boto3 API 模式来访问来自 Anthropic、Meta、AI21、Cohere、Stability AI 和 Amazon Titan 的 100 多种模型。一个 API 调用涵盖所有模型供应商；您只需更改参数即可切换模型，而无需更改集成。Bedrock 的 Guardrails 服务作为一个独立的、可独立配置的安全层存在。在标准使用情况下，Bedrock 不会为 Agent 基础设施单独收费；计算成本与推理定价捆绑在一起。Vertex 对 Agent Engine 运行时单独收费，这增加了计费的复杂性，但也提供了更细粒度的控制。对于数据、身份和计费已经存在于 AWS（S3、Lambda、CloudWatch、IAM）中的团队，Bedrock 需要的迁移开销更少。Bedrock 不提供 Google 的 Gemini 系列；需要 Gemini 模型的团队必须使用 Vertex。

Azure AI Foundry (Azure OpenAI) 让企业能够在 OpenAI 的旗舰模型（包括 GPT-5 和未来版本）出现在任何其他托管云上之前，率先获得访问权限。这是 Vertex 无法匹敌的结构性差异化优势：Vertex 拥有 Claude 和 Gemini，但完全没有 OpenAI 模型。Azure AI Foundry 目录包含 1,700 多种模型，包括 OpenAI 的完整阵容、Meta Llama、Mistral 等。于 2025 年 12 月达到 GA（通用可用）状态的 Microsoft Agent Framework 使用带有 MCP 服务器支持的开源 SDK。Azure 与 Microsoft 365、Azure Active Directory 以及使用企业级 Microsoft 许可的组织集成最为自然。Vertex 与 BigQuery、Google Workspace 和 GKE 的集成最为自然。Azure 上带有预留的预配吞吐量单位（Provisioned Throughput Units）可以为稳定的工作负载降低高达 70% 的成本，这类似于 Vertex 的 Batch API 50% 折扣，但预留机制不同。

真实的竞争格局是：这三个平台都解决了相同的企业 AI 部署问题，但正确的选择几乎完全取决于您的数据和计算资源目前所在的位置。如果您已经在使用 GCP 和 BigQuery，Vertex 是赢家。如果您已经在使用 AWS，Bedrock 是赢家。如果您已经在使用 Microsoft 基础设施或特别需要 OpenAI 模型，Azure 则是赢家。

智能体和工作流的实际情况

在 2026 年 4 月使用 Vertex Agent Builder 进行构建需要浏览几个重叠的产品。Agent Studio 提供了一个可视化的拖拽环境，用于连接工具、Grounding 数据源和多智能体交接。底层的 Agent Development Kit (ADK) 是为需要更多控制权的开发者提供的编程层。这两条路径是分开记录的，文档本身也分散在 Google Cloud 文档、Generative AI on Vertex AI 文档以及 Vertex AI Agent Builder 发行说明中，这些都是独立的页面。

身份验证是一个反复出现的摩擦点。使用 Vertex 需要设置 GCP 项目、启用 Vertex AI API、配置服务账号和 IAM 角色，在某些情况下还需要处理特定模型的区域限制。多名开发者报告在完成看似成功的设置后出现“权限被拒绝（permission denied）”错误。Google 在 2025 年中推出了“Vertex express mode”，以简化来自 Gemini API 的开发者的 API 密钥生成过程，这直接承认了身份验证问题。

"必须费很大劲才能弄清楚 Vertex AI、AI Studio、Gemini 和 Firebase Gen AI 之间的区别。" -- ashu1461，Hacker News，2025 年中

与 BigQuery 的集成是该平台最强大的工作流差异化优势。进行分析优先 ML 的团队可以将数据从 BigQuery 直接移动到 AutoML 训练作业、Feature Store 或 Vertex Search 索引中，而无需中间数据导出。对于原生使用 BigQuery 的组织来说，这条管道确实比 Bedrock 或 Azure 上的同等工作流更快、更便宜。用于高吞吐量训练的 TPU 访问权限也是一个有意义的硬件优势：Google 的定制芯片在竞争对手的云平台上是不可用的。

2026 年 3 月披露的一个安全问题为智能体部署增加了一项新的运营要求。Palo Alto Networks Unit 42 发现，Vertex AI Agent Engine 通过每项目、每产品服务代理（P4SA）为部署的智能体分配了过多的默认权限。研究人员证明，受损的智能体可以访问项目中的所有 GCS 存储桶，并从 Google 内部的 Artifact Registry 下载私有容器镜像。Google 的补救措施要求显式配置自带服务账号（BYOSA）以强制执行最小权限 IAM，这是企业安全团队现在必须构建到其部署流程中的一个额外配置步骤。

Vertex AI 专为谁打造

GCP 上的企业数据科学团队：核心且最强大的用例。如果您的数据位于 BigQuery 中，您的计算运行在 GKE 上，并且您拥有现有的 GCP 计费账户，Vertex 提供了一个统一的 MLOps 环境，可显著减少基础设施开销。Feature Store、Pipelines 和 Model Monitoring 直接与 Google 原生工具集成。

需要托管 Kubeflow 的 MLOps 工程师：Vertex Pipelines 是一个托管的 Kubeflow 环境。需要管道编排而无需在 GKE 上运行自己的 Kubeflow 集群的团队，可以从 Vertex 的托管服务中受益。限制在于元数据：Vertex Pipelines 每个项目的工件上限为 1000 万个。

对合规性敏感的企业：需要数据保留在 VPC 边界内且不允许使用数据到达模型提供商的 HIPAA、SOC 2 和 FedRAMP 工作负载，可以从 Vertex 获得该保证。2024 年 6 月在 Vertex 上 GA 的 Claude（具有完整的 Anthropic 企业合规条款）就是专门为这类买家设计的。

构建多供应商生成式 AI 应用程序的团队：Model Garden 允许单个团队在一个治理框架下试验 Gemini、Claude、Llama 和自定义微调模型，而无需与每个模型提供商单独协商企业协议。

Vertex AI 不是什么

对于没有 GCP 基础设施的独立开发者或小型团队来说，Vertex 不是一个好的起点。aistudio.google.com 上的 Google AI Studio 允许通过简单的 API 密钥访问 Gemini 模型，而无需进行 IAM 配置。对于只想调用 Gemini 的开发者来说，除非需要合规性控制，否则 Vertex 只会增加复杂性而没有任何好处。

它不是通往 OpenAI 模型的路径。GPT-4 Turbo 和 GPT-5 仅在 Azure AI Foundry 上为托管云客户提供。Vertex 拥有 Claude 和 Gemini，它们是强大的替代方案，但它们与 OpenAI 的 API 不兼容。迁移假设使用 OpenAI API 签名的工作负载的团队，无论选择哪种云，都需要重新设计集成。

它不适合需要可预测的统一费率定价的团队。多维度的计费模型（Token、计算、存储、QPM、Grounding、会话事件）使得在没有专用 FinOps 工具的情况下很难进行成本预测。曾经因云账单意外而吃亏的团队，在部署任何始终在线的端点或 Agent Engine 工作负载之前，应设置严格的预算警报。