基础设施现代化最容易卡在决策阶段：服务器清单散落在不同团队，账单数据格式不统一，成本模型依赖手工表格，最终很难快速回答“迁移到云上要花多少钱”和“投资回报是否成立”。Google Cloud 在 Migration Center 中引入 AI-powered Quick Assessments，尝试把原本需要数周甚至数月的发现、映射和财务建模，缩短为几分钟内可交互完成的评估流程。
从人工发现转向 AI 辅助建模
传统迁移评估通常需要经历一条较长的链路：收集 VMware 或其他本地基础设施清单，清洗 CPU、内存和存储数据，再将工作负载映射到云服务，最后结合本地机房成本、许可证、运维投入和区域价格计算 TCO。每一步都可能依赖人工判断，任何一个输入字段缺失，都可能让项目重新回到 Excel 表格阶段。
Quick Assessments 的核心变化，是让团队直接摄取原始基础设施数据或云账单报告，然后自动生成一组可供讨论的结果，包括：
- Compute Engine 目标成本和推荐配置。
- 目标架构的物料清单，也就是推荐 BOM。
- 工作负载到云服务的自动映射结果及覆盖范围。
- 本地部署与云端部署之间的 TCO 对比。
- 预计节省金额、ROI 和相关财务假设。
这里的“快速”并不意味着可以跳过数据治理。评估结果仍然取决于输入数据的完整性、价格区域、折扣政策、许可证模型以及本地成本基线。更合理的使用方式，是把 AI 生成的模型作为决策起点，再由基础设施、财务和安全团队共同校准关键参数。
面向本地工作负载的 Quick Assessment
针对企业客户和合作伙伴，AI-assisted Quick Assessment 可以处理本地基础设施评估。以 VMware 环境为例，团队可以导入 RVTools 导出文件，或者提供聚合后的基础设施输入，让 Migration Center 估算迁移到 Compute Engine 后的目标成本。
评估能力覆盖的不只是基础实例规格。摘要中提到，新的架构建模支持新一代 Gen4 计算实例以及高性能 Hyperdisk 存储池。这意味着评估模型可以更贴近现代云架构，而不是简单地把本地虚拟机规格“一比一”搬到云端。
财务控制也可以按组织实际情况调整。例如，企业可以修改本地部署的成本基线，将硬件折旧、机房、电力、运维人员、许可证和支持合同纳入内部会计口径。这样得到的 TCO 对比，才更适合拿给财务负责人或管理层审阅。
可以这样组织一次评估输入。下面的 YAML 是一个便于团队改造的示例配置，不代表 Migration Center 的固定导入格式；实际字段应以控制台或具体评估接口要求为准：
assessment:
name: "vmware-production-q2"
region: "us-central1"
source: "rvtools-export.csv"
target:
platform: "Compute Engine"
storage: "Hyperdisk"
financial_assumptions:
currency: "USD"
on_prem_monthly_cost:
hardware_depreciation: 18000
data_center: 6500
operations: 12000
licenses: 9000
cloud_discount_percent: 20
analysis_months: 36
constraints:
require_data_residency: true
max_downtime_minutes: 30
运行前需要替换区域、账单币种、本地成本项目和合规约束。实际工作中，建议把这份配置纳入评估项目的版本控制，并在每次模型更新时记录输入数据版本和价格假设。
Agentic Assistant 让成本模型可以被追问
单纯生成一张成本表还不够。迁移决策者通常会继续追问：为什么推荐这种实例？如果必须留在某个区域，节省比例会发生什么变化？Hyperdisk 是否适合当前 I/O 模式？某个应用因为合规要求不能使用特定服务时，目标架构应该如何调整？
Migration Center 的 agentic assistant 面向这类上下文问题，能够基于当前评估结果解释财务假设，并推荐与业务约束相符的技术优化。例如，它可以围绕以下因素给出分析：
- 工作负载所在区域及数据驻留要求。
- 计算、内存和存储的实际利用率。
- 高可用、灾备和性能目标。
- 许可证和运维模式。
- 企业内部的成本基线与折扣假设。
这种交互方式的价值，在于把“推荐结果”变成“可审阅的推理过程”。不过，AI 的解释不应替代架构评审。对于生产迁移，仍需验证性能基准、依赖关系、网络带宽、备份恢复和安全控制。
例如，可以用下面的提示词要求评估助手以可审计的形式回答问题：
基于当前 Quick Assessment 结果，请比较以下两种方案：
1. 使用推荐的 Compute Engine 实例和 Hyperdisk 配置；
2. 保持数据驻留在指定区域，并将计算资源降低一个规格档位。
请输出：
- 两种方案的月度 TCO 和 36 个月 TCO；
- 使用的价格、折扣和本地成本假设；
- 对性能、可用性和合规性的影响；
- 推荐结论，以及需要人工验证的风险。
所有无法从输入数据确认的内容，请明确标注为假设。
这类提示的关键不是让模型“给出一个数字”，而是强制它把数字背后的假设、约束和待验证事项一起呈现出来。
从评估结果直接形成业务案例
AI-powered Migration Center 还把结果输出延伸到管理沟通环节。自动生成的 Business Case 可以汇总推荐 BOM、TCO 对比和 ROI 分析，并导出为可分享的报告；Google Sheets 导出则方便财务、架构和项目团队继续补充数据或进行敏感性分析。
建议在报告中至少保留以下内容：
- 输入清单的来源和采集时间。
- 本地部署成本基线及其计算口径。
- 云端目标配置、区域和折扣假设。
- 一次性迁移成本是否计入模型。
- 预计节省和 ROI 的计算周期。
- 尚未完成服务映射或依赖确认的工作负载。
- 需要人工确认的安全、性能和合规事项。
这样做可以避免把“自动生成”误解成“自动正确”。一份可信的业务案例，不只展示节省金额，也要让审阅者知道这个金额在什么条件下成立。
落地时的检查清单
Migration Center 的 Quick Assessments 适合用来加速早期评估和方案比较，但落地时仍应保留工程判断。可以从以下顺序开始：
- 统一服务器、存储、网络和账单数据的输入格式。
- 先建立本地成本基线，再讨论云端节省比例。
- 让平台团队校验实例、磁盘和区域选择。
- 让安全与合规团队确认数据驻留、访问控制和灾备要求。
- 对高价值或高风险工作负载执行性能与依赖关系验证。
- 将最终的 BOM、假设和审批记录导出并纳入迁移项目文档。
AI 辅助评估真正解决的是发现和建模的速度问题，而不是替团队承担所有迁移决策。对数据准备充分、需要快速形成多个迁移方案的组织，它可以显著减少早期手工分析；对输入数据质量较差或架构约束复杂的环境，则应把结果视为待验证的候选模型。用这种方式引入 Quick Assessments，既能加快现代化项目启动，也能让成本和 ROI 讨论更接近真实工程条件。