AWS vs Azure vs GCP AI 认证：逐级对比

如果您想要获得一个 AI 认证，但不知道选择哪个云平台，简短的答案是：AWS 适合广度，Azure 适合企业级和 Microsoft 技术栈公司，GCP 适合专业的 ML 工程。更详细的答案如下——按级别、涵盖的服务以及每个认证实际面向的人群进行分类。

各云平台的认证体系并非完全对称。AWS 目前拥有最清晰的三级路径（基础级 → 助理级 → 专业级）。Azure 拥有强大的基础级 + 助理级认证，但没有专家级的纯 AI 认证。GCP 则拥有基础级 + 专业级，但跳过了助理级。这种不对称本身就是故事的一部分。

以下是并排对比，然后是深入分析。

一览图

级别	AWS	Azure / Microsoft	GCP
基础级	AIF-C01 (AI 从业者)	AI-900 (Azure AI 基础)	Generative AI Leader (生成式AI领导者)
助理级	MLA-C01 (ML 工程师助理)	AI-102 (Azure AI 工程师助理); DP-100 (数据科学家)	— (空缺)
专业级 / 专家级	AIP-C01 (生成式AI开发者专业版)	— (空缺)	PMLE (专业ML工程师)

需要注意的几点：

• 助理级是 Azure 覆盖范围更广的地方 — 两个不同的认证（AI-102 针对 AI 工程，DP-100 针对数据科学 / ML）。
• GCP 没有助理级 AI 认证。 如果您想要一个介于基础级 Generative AI Leader 和专业级 ML Engineer 之间的证书，目前没有。
• 截至 2026 年，AWS 拥有唯一一个“生成式 AI 开发者专业”认证。 AIP-C01 以一种其他认证无法比拟的方式专注于生成式 AI。

基础级 — AIF-C01 vs AI-900 vs Generative AI Leader

这三个认证都是入门级、概念性的，“我理解云 AI 但不写代码”的凭证。这三者难度大致相当（都比较容易），费用都在 99-100 美元左右，并且都面向相同的受众：PM、BA、销售工程师、技术决策者以及首次接触云 AI 的工程师。

AWS AI Practitioner (AIF-C01)

于 2024 年 10 月推出。100 美元，65 道题，90 分钟。

涵盖服务：

• Amazon Bedrock (基础模型、代理、知识库、防护栏)
• Amazon SageMaker (基础知识 — Studio、JumpStart、模型注册表)
• Amazon Q (开发者 + 业务)
• Amazon Comprehend (NLP / 情感分析 / 实体提取)
• Amazon Transcribe (语音转文本)
• Amazon Translate
• Amazon Polly (文本转语音)
• Amazon Rekognition (视觉)
• Amazon Textract (文档提取)
• Amazon Kendra (企业搜索)
• Amazon Lex (聊天机器人)

考试重点在于将服务与用例进行匹配。“一家零售公司希望自动化客户支持邮件路由——应使用哪个 AWS 服务？”这类问题。大约 30% 的考试内容涉及负责任 AI / 治理 / 可解释性 / 偏见缓解，这让那些期望纯技术问题的考生感到惊讶。

Azure AI Fundamentals (AI-900)

99 美元，约 40 道题，60 分钟。永不失效。

涵盖服务：

• Azure AI 服务 (原名认知服务，现在的总称)
• Azure OpenAI Service (GPT-4, GPT-4o, DALL·E, Whisper)
• Azure Machine Learning Studio (低代码机器学习)
• Form Recognizer / 文档智能
• Azure AI Speech (识别、合成、翻译)
• Azure AI Vision (图像分析、OCR、自定义视觉)
• Azure AI Language (情感分析、关键短语、NER、对话语言理解)
• Azure AI Search (原名认知搜索)
• Azure Bot Service / Bot Framework

AI-900 考试比 AWS 的 AIF-C01 更倾向于 Azure 的 ML 平台。它更具实践性——例如关于在 Azure ML 设计器中训练模型、评估准确率/精确率/召回率指标的问题。在负责任 AI 方面所花的时间少于 AIF-C01，而在经典 ML 概念方面所花的时间更多。

“永不失效”的状态是真实且有意义的。微软的其他基础级认证 (AZ-900, DP-900, SC-900) 也是终身有效——对于基础级认证来说，这是一种标准。

GCP Generative AI Leader

99 美元。三者中最晚推出（2024 年引入）。明确为非技术性——定位为领导力 / 战略认证。

涵盖服务：

• Vertex AI 生成式 AI (Gemini 系列、Imagen、Codey、MedLM)
• Gemini in Workspace
• Vertex AI Search and Conversation
• Vertex AI Model Garden (第三方模型 — Anthropic Claude、Meta Llama 等)
• Vertex AI Agent Builder
• Document AI (与 AWS Textract 类似)
• Translation API
• Speech-to-Text / Text-to-Speech
• Vision AI

GAIL 是这三者中最具战略性的认证。预计会有关于 AI 项目治理、RAG 模式概念、提示工程基础、模型选择标准和谷歌负责任 AI 原则的问题。平台机制方面的考查少于 AIF-C01 或 AI-900。

如果您是一名评估云 AI 提供商的领导者 / PM，这可以说是最适合该受众的认证，因为它正好定位在该高度。

如何选择基础级认证？

如果您已经选择了某个云服务商：请考取该云服务商的基础级认证。可转移的知识大致相同，但命名服务不同，这将省去您许多“AWS 的认知服务对应的是什么？”之类的脑力劳动。

如果您还没有选择：AIF-C01 涵盖的服务范围最广，并且在负责任 AI 方面分量最重，这正是企业越来越关注的话题。AI-900 是三者中最容易的，并且永不失效。GAIL 是唯一专门面向非工程领导层的认证。

助理级 — MLA-C01 vs AI-102 vs DP-100 (无 GCP 对应认证)

现在我们进入了真正不同的领域。助理级认证假定您拥有实践经验，并测试更深层次的服务知识。

AWS ML Engineer Associate (MLA-C01)

于 2024 年 8 月推出。150 美元，65 道题，170 分钟。取代了旧的 ML Specialty (MLS-C01)。

涵盖服务：

• Amazon SageMaker (深入 — Studio、Pipelines、Feature Store、Model Registry、Model Monitor、Clarify、Data Wrangler、Ground Truth、JumpStart、Canvas)
• Amazon Bedrock 用于微调 + 预置吞吐量
• AWS Glue (数据准备)
• Amazon S3 + S3 Tables + Lake Formation (数据湖模式)
• Amazon Athena, Redshift (用于 ML 的分析)
• Amazon Kinesis Data Streams / Firehose (流式传输功能)
• Step Functions (编排)
• CloudWatch Container Insights 用于 ML 监控

该认证是关于操作性 ML，而非纯粹的模型构建。预计会有关于监控漂移、再训练触发器、A/B 测试模型版本、推理成本优化、MLOps 模式的问题。如果您期望的是“从头开始构建一个 CNN”，您会感到失望（并且准备不足）。

Azure AI Engineer Associate (AI-102)

165 美元，约 50-60 道题，100 分钟。在 2025 年初进行了有意义的更新，增加了代理解决方案内容。

涵盖服务：

• Azure OpenAI Service (深入 — 包括微调、补全、嵌入、函数调用、助手 API、Azure AI Foundry)
• Azure AI 服务 (原名认知服务 — 全套)
• Azure AI Search (深入 — 向量搜索、混合检索、语义排名、RAG 模式)
• Azure AI 文档智能 (原名 Form Recognizer)
• Azure AI Speech (自定义语音、自定义声音、实时翻译)
• Azure AI Language (自定义 NER、分类、对话语言理解)
• Azure AI Vision (自定义视觉、人脸识别、视频索引器)
• Azure AI 内容安全
• 用于部署 AI 模型的容器应用
• Azure AI Agent Service (2025 年更新中新增的代理内容)

AI-102 是范围上与 MLA-C01 最直接可比的认证——两者都期望您能将 AI 工作负载投入生产并进行操作。不同之处在于服务重点：AI-102 侧重于 Azure OpenAI + RAG + AI Search，MLA-C01 则侧重于 SageMaker + Bedrock 的大规模应用。

Azure Data Scientist Associate (DP-100)

165 美元。与 AI-102 不同——DP-100 侧重于数据科学 / 经典 ML，AI-102 侧重于生成式 AI / 认知服务。

涵盖服务：

• Azure Machine Learning 工作区 (深入 — 计算集群、环境、实验、作业、端点、MLflow 集成)
• Azure ML SDK / CLI
• AutoML
• ML Pipelines
• 模型注册和部署
• 负责任 AI 仪表板 (可解释性、公平性、错误分析)
• Azure Synapse Analytics 用于数据准备
• Azure Databricks 集成
• 计算优化 (CPU vs GPU, 竞价型实例, 低优先级)

如果您是构建自定义模型的数据科学家，DP-100 就是您的认证。如果您是部署 Azure OpenAI 应用程序的 AI 工程师，AI-102 就是您的认证。它们大约有 20% 的重叠，主要在部署 / 监控主题上。

GCP — 没有助理级 AI 认证

截至 2026 年，这是 GCP 产品目录中的一个真实空白。谷歌拥有 Cloud Digital Leader (基础级)、Generative AI Leader (基础级) 和 Professional ML Engineer (真正达到专业级)。从 GAIL 到 PMLE 的路径很陡峭——没有中间级别的认证。

如果您想要一个 GCP 特有的中间信号：Associate Cloud Engineer (ACE) 认证虽然不专注于 AI，但涵盖了 Vertex AI 部署的基础知识。一些工程师将其定位为“我可以在 GCP 上运行 AI 工作负载，而无需成为 AI 专家”。这是一种变通方案，并非完美的答案。

如何选择助理级认证？

• 构建自定义模型 / 经典 ML：DP-100 (Azure) 最为专注。
• 将 Azure OpenAI 应用投入生产：AI-102 (Azure)。
• 在 AWS 上大规模操作 SageMaker + Bedrock：MLA-C01 (AWS)。
• 仅限 GCP：直接跳到 PMLE；没有中间选项。

最接近的跨云并行是 MLA-C01 ≈ AI-102 — 两者都测试“将 AI 投入生产并进行操作”。服务表面不同，但工程高度相似。

专业级 / 专家级 — AIP-C01 vs PMLE (无 Azure 对应认证)

AWS Generative AI Developer Professional (AIP-C01)

300 美元，75 道题，180 分钟。于 2025 年推出，是 AWS 首个生成式 AI 专业认证。

涵盖服务：

• 深入 Amazon Bedrock (通过持续预训练的自定义模型、模型评估、多步推理代理、带混合搜索的知识库、防护栏配置)
• Amazon Bedrock Studio + Bedrock IDE
• SageMaker JumpStart 用于基础模型微调
• SageMaker 用于托管自定义模型
• AWS App Runner / ECS Fargate 用于推理服务
• Amazon OpenSearch 作为向量存储
• Amazon Q 用于代码生成用例
• IAM 角色用于跨服务生成式 AI 访问
• AWS Step Functions 用于编排复杂的代理工作流

AIP-C01 是唯一专门针对生成式 AI 开发的主要云认证——它不涉及经典 ML，也不宽泛地涉及“AI 服务”。预计会有关于检索增强生成架构、模型评估策略 (HHEM, ROUGE, 自定义评估)、token 成本优化、幻觉缓解以及多代理编排的深入问题。

这是一个全新的认证。薪资数据尚不足以自信地引用——请参阅 AIF-C01 薪资文章 以获取相关角色背景信息。

Google Cloud Professional ML Engineer (PMLE)

200 美元。根据 levels.fyi 的数据，这是薪资最高的单一云认证之一，部分原因是候选人池很小。

涵盖服务：

• Vertex AI Workbench (托管笔记本)
• Vertex AI Pipelines (托管基础设施上的 Kubeflow Pipelines)
• Vertex AI Training (自定义容器、超参数调优)
• Vertex AI Prediction (在线 + 批量端点、自定义服务容器)
• Vertex AI 模型注册表 + 模型监控
• Vertex AI Feature Store
• Vertex AI 生成式 AI (Gemini、Model Garden、代理)
• Vertex AI Search and Conversation
• BigQuery ML (数据库内机器学习)
• TensorFlow Extended (TFX) 集成
• GKE 上的 Kubeflow 用于自管理 ML
• Dataflow 用于 ML 数据管道
• Cloud Composer (Airflow) 用于编排
• AutoML 表格 / 视觉 / NLP

PMLE 比 AIP-C01 更广泛。它涵盖了经典 ML、MLOps 和生成式 AI——所有这些都在 Vertex AI 相对统一的界面上。考试场景题量大，这是 GCP 专业级考试的特点：冗长的案例研究，围绕架构权衡展开（“在这些约束条件下，哪种解决方案能最好地平衡成本、延迟和准确性？”）。

Microsoft — 没有专家级纯 AI 认证

截至 2026 年，微软没有专家级 AI 认证。AI-102 是 AI 认证体系的最高级别。最接近 AI 的专家级凭证是 Azure Solutions Architect Expert (AZ-305)，它在更广泛的架构背景下散布着 AI 相关问题，或者 Microsoft Cybersecurity Architect (SC-100)，它间接地涉及 AI 安全。

如果微软在 2026 或 2027 年增加一个“AI Architect Expert”认证，预计它会将 AI-102 + DP-100 的专业知识整合到一个更具战略性的考试中。目前：它还不存在。

如何选择专业级认证？

• 仅专注于 AWS 上的生成式 AI：AIP-C01 是目前在该范围内最深入的认证。
• GCP 上的端到端 ML 工程，包括生成式 AI：PMLE 范围更广，但仍限于 GCP。
• Microsoft 技术栈高级 AI 角色：没有专门的考试——可以结合 AI-102 和 AZ-305 或 DP-100。

专业级是跨云对比最难进行的地方。每个云服务商对“专业 AI 工程师”的含义都有不同的看法。

关于认证续期的说明

对于 AI 认证而言，这一点比其他类别更重要，因为 AI 技术变化迅速。

• AWS AI 认证：有效期 3 年。通过重新考试当前版本来续期。
• Azure AI 认证：基于角色的认证（AI-102, DP-100）有效期 1 年，但在到期前 6 个月开始，可以通过 Microsoft Learn 上的免费无监考在线评估进行续期。基础级认证 (AI-900) 永不失效。
• GCP AI 认证：基础级/助理级有效期 3 年，专业级有效期 2 年。通过重新考试来续期。

微软的续期模式比其他公司友好得多。特别是对于 AI 来说，底层服务（Azure OpenAI、Bedrock、Vertex AI）每隔几个月就会刷新，续期成本会累积。如果您要在两个大致相当的认证之间进行选择，这一点值得考虑。

我的建议，按角色分类

• AI / ML 产品经理：GAIL (GCP) 或 AIF-C01 (AWS) — 战略级认证。可以都考。或者先考一个，以后再考另一个。
• 为产品添加 AI 的后端工程师：如果您的技术栈偏向 Microsoft，选择 AI-102 (Azure)；如果偏向云原生，选择 MLA-C01 + AIF-C01 (AWS)。
• 数据科学家：对于经典 ML，选择 DP-100 (Azure)；对于更广泛的范围，选择 PMLE (GCP)。
• 高级 ML 工程师 / MLOps 负责人：如果您的技术栈接近 Vertex AI，选择 PMLE (GCP)；否则选择 MLA-C01 (AWS)。如果您的团队大量使用生成式 AI，再增加 AIP-C01 (AWS)。
• AI 安全 / 负责任 AI 工作：在基础级，AIF-C01 (AWS) 涵盖得最好。目前没有更高层次的认证深入探讨负责任 AI 作为独立主题。

本周行动建议

如果您已经在准备其中一个认证：请多加练习题目。浏览 AIF-C01 题库、MLA-C01 题库、AI-102 题库、PMLE 题库 或 CertLabPro 上的其他题库。

如果您正在选择您的第一个 AI 认证：确定您的雇主（或目标雇主）使用哪个云服务，然后考取该云平台的基础级认证。从那里开始，向助理级、专业级进阶会比在错误的云平台上开始并稍后转向要快得多。

如果您正在试图找出哪个云服务商的 AI 认证体系“最佳”：没有赢家。每个云服务商的产品目录都反映了对 AI 工程含义的不同看法。选择那些与您的工作相匹配的看法。