當(dāng)大家都去挖金礦時(shí)，賣(mài)鏟子的最賺錢(qián)。
在 19 世紀(jì)的美國(guó)加州，無(wú)數(shù)懷揣財(cái)富夢(mèng)想的人涌入金礦，卻鮮有人意識(shí)到，真正賺得盆滿缽滿的并非礦工，而是那些販賣(mài)鏟子、牛仔褲的商人。如今，大模型掀起的 " 淘金熱 " 席卷全球，在這場(chǎng)技術(shù)與商業(yè)的狂歡中，AI 基礎(chǔ)設(shè)施（AI Infra）正扮演著類似 " 賣(mài)鏟人 " 的關(guān)鍵角色。
從 GPT-3 到 PaLM，從文心一言到通義千問(wèn)，大模型的參數(shù)規(guī)模以指數(shù)級(jí)增長(zhǎng)，訓(xùn)練成本動(dòng)輒數(shù)千萬(wàn)美元，推理所需的算力更是呈幾何倍數(shù)攀升。在這場(chǎng)競(jìng)賽中，英偉達(dá)的 GPU 供不應(yīng)求，華為昇騰芯片異軍突起，云計(jì)算巨頭紛紛加碼算力基建。
當(dāng)市場(chǎng)聚焦于大模型本身的技術(shù)突破時(shí)，AI Infra 這個(gè)包括芯片、服務(wù)器、云計(jì)算、算法框架、數(shù)據(jù)中心等在內(nèi)的底層支撐體系正成為決定勝負(fù)的關(guān)鍵戰(zhàn)場(chǎng)。中金預(yù)測(cè)，當(dāng)前 AI Infra 產(chǎn)業(yè)正處于高速增長(zhǎng)的發(fā)展初期，在未來(lái) 3-5 年內(nèi)，其各細(xì)分賽道的市場(chǎng)空間有望保持 30% 的高速增長(zhǎng)率，正成為大模型應(yīng)用爆發(fā)背后 " 掘金賣(mài)鏟 " 的絕佳商業(yè)選擇。
釋放 AI 生產(chǎn)力的新鑰匙
回顧 ICT 產(chǎn)業(yè)的發(fā)展歷程，以基礎(chǔ)設(shè)施、平臺(tái)、應(yīng)用為代表的三層架構(gòu)似乎成為了其演進(jìn)的必然趨勢(shì)。
在傳統(tǒng)的本地部署階段，操作系統(tǒng)、數(shù)據(jù)庫(kù)、中間件等基礎(chǔ)軟件發(fā)揮著不可或缺的作用，它們通過(guò)控制硬件交互、管理數(shù)據(jù)存儲(chǔ)、調(diào)度網(wǎng)絡(luò)通信等功能，有效解決了底層硬件系統(tǒng)的復(fù)雜性難題，讓上層應(yīng)用開(kāi)發(fā)者得以專注于業(yè)務(wù)邏輯的創(chuàng)新。
在 " 云定義一切 " 的時(shí)代，經(jīng)典的基礎(chǔ)設(shè)施即服務(wù)（IaaS）、平臺(tái)即服務(wù)（PaaS）、軟件即服務(wù)（SaaS）協(xié)同進(jìn)化架構(gòu)應(yīng)運(yùn)而生。其中，PaaS 層提供的應(yīng)用開(kāi)發(fā)環(huán)境和數(shù)據(jù)分析管理等服務(wù)，為云計(jì)算的廣泛滲透奠定了堅(jiān)實(shí)基礎(chǔ)。
在歷經(jīng)漫長(zhǎng)的蟄伏期后，AIGC 如同按下了 AI 通用化進(jìn)程的快進(jìn)鍵，整個(gè)產(chǎn)業(yè)在一片蓬勃發(fā)展的氛圍中加速重構(gòu)。算力與應(yīng)用無(wú)疑成為了最受矚目的焦點(diǎn)，但二者之間卻存在著巨大的鴻溝，這使得大模型面臨著 " 懸浮 " 無(wú)法落地或 " 踏空 " 錯(cuò)失機(jī)會(huì)的風(fēng)險(xiǎn)。
如果將 AI 與云計(jì)算進(jìn)行對(duì)照，算力、算法、數(shù)據(jù)可以被視作 IaaS 層級(jí)，而各類開(kāi)源和閉源模型則是 SaaS 在大模型時(shí)代的全新演變形態(tài)，也就是 " 模型即服務(wù)（MaaS）"。
AI Infra 作為連接算力與應(yīng)用的中間層基礎(chǔ)設(shè)施，聚焦企業(yè)級(jí) AI 應(yīng)用的私有化部署場(chǎng)景，涵蓋了硬件、軟件、工具鏈以及優(yōu)化方法等多個(gè)方面，通過(guò)構(gòu)建新型軟件棧及綜合服務(wù)，致力于為大模型應(yīng)用開(kāi)發(fā)、部署、運(yùn)行和管理，打造一站式模型算力部署和基礎(chǔ)工具平臺(tái)，成為連接算力與應(yīng)用的核心力量。
AI Infra 涵蓋了與開(kāi)發(fā)部署相關(guān)的所有工具和流程。隨著云計(jì)算的持續(xù)發(fā)展，DataOps、ModelOps、DevOps、MLOps、LLMOps 等一系列以 "XOps" 為代表的概念不斷涌現(xiàn)。
從宏觀層面分析，所有 XOps 的本質(zhì)都是為了提高開(kāi)發(fā)部署生命周期的效率。例如，DataOps 旨在提升 IaaS 層的存儲(chǔ)和 PaaS 層的數(shù)據(jù)處理效率；DevOps、MLOps 則專注于提高 PaaS 層的開(kāi)發(fā)部署效率；LLMOps 主要為 MaaS 層提供效率支持。
傳統(tǒng)的算力資源在使用過(guò)程中存在著利用率低、能耗高的問(wèn)題。AI Infra 通過(guò)智能調(diào)度算法和異構(gòu)計(jì)算技術(shù)，實(shí)現(xiàn)了算力資源的動(dòng)態(tài)分配和高效利用。智能調(diào)度算法可以根據(jù)模型訓(xùn)練任務(wù)的優(yōu)先級(jí)、數(shù)據(jù)規(guī)模和計(jì)算需求，自動(dòng)分配 GPU 集群資源，將算力利用率從傳統(tǒng)的 40% 左右提升至 75% 以上。
異構(gòu)計(jì)算技術(shù)則整合了 CPU、GPU、NPU 等多種芯片的優(yōu)勢(shì)，針對(duì)不同類型的計(jì)算任務(wù)進(jìn)行優(yōu)化，在保證計(jì)算性能的同時(shí)，降低了 30% 以上的能耗成本。例如，在圖像識(shí)別任務(wù)中，NPU 可以發(fā)揮其強(qiáng)大的并行計(jì)算能力，快速處理大量的圖像數(shù)據(jù)；而在數(shù)據(jù)預(yù)處理階段，CPU 則可以高效地完成數(shù)據(jù)讀取、清洗等任務(wù)。
AI Infra 提供了一套完整的算法工具鏈，涵蓋了數(shù)據(jù)預(yù)處理、模型訓(xùn)練、推理優(yōu)化等大模型開(kāi)發(fā)的全流程。其中，AutoML（自動(dòng)化機(jī)器學(xué)習(xí)）工具可以自動(dòng)選擇最優(yōu)的模型架構(gòu)和超參數(shù)，無(wú)需開(kāi)發(fā)者具備深厚的機(jī)器學(xué)習(xí)知識(shí)，即可快速搭建模型，將開(kāi)發(fā)周期從數(shù)月縮短至數(shù)周。
模型壓縮技術(shù)通過(guò)剪枝、量化等手段，能夠?qū)⒛Ｐ腕w積縮小 90% 以上，大大降低了模型的存儲(chǔ)和計(jì)算需求，同時(shí)不影響模型的性能，使得模型在移動(dòng)端和邊緣設(shè)備上的部署更加高效。這些工具的出現(xiàn)，讓中小開(kāi)發(fā)者和企業(yè)也能夠輕松地利用大模型進(jìn)行應(yīng)用開(kāi)發(fā)，加速了大模型技術(shù)的普及和應(yīng)用。
大模型的訓(xùn)練和應(yīng)用離不開(kāi)高質(zhì)量的數(shù)據(jù)。然而，數(shù)據(jù)的采集、清洗、標(biāo)注過(guò)程往往耗時(shí)耗力，且容易出現(xiàn)數(shù)據(jù)質(zhì)量不高、數(shù)據(jù)安全隱患等問(wèn)題。AI Infra 的數(shù)據(jù)管理平臺(tái)通過(guò)自動(dòng)化標(biāo)注工具、數(shù)據(jù)增強(qiáng)算法和隱私計(jì)算技術(shù)，構(gòu)建了一個(gè)高效的數(shù)據(jù)閉環(huán)。
自動(dòng)化標(biāo)注工具利用機(jī)器學(xué)習(xí)算法對(duì)數(shù)據(jù)進(jìn)行自動(dòng)標(biāo)注，準(zhǔn)確率可達(dá) 95% 以上，提高了標(biāo)注效率；數(shù)據(jù)增強(qiáng)算法可以通過(guò)對(duì)原始數(shù)據(jù)進(jìn)行變換、擴(kuò)充等操作，生成更多的訓(xùn)練數(shù)據(jù)，從而提高模型的泛化能力；隱私計(jì)算技術(shù)則可以在保障數(shù)據(jù)安全和隱私的前提下，實(shí)現(xiàn)數(shù)據(jù)的共享和協(xié)同利用，打破了數(shù)據(jù)孤島，釋放了數(shù)據(jù)的潛在價(jià)值。
在 AIGC 熱潮興起之前，關(guān)于 AI 中臺(tái)的理論研究與實(shí)踐探索就已開(kāi)展得如火如荼。然而，彼時(shí)的 AI 中臺(tái)更像是 " 救火隊(duì)員 "，功能繁雜多樣，承擔(dān)了許多基礎(chǔ)且瑣碎的工作，卻難以獲得上下游的廣泛認(rèn)可。
大模型的出現(xiàn)為 AI 平臺(tái)化搭建了更為廣闊的舞臺(tái)，也讓 AI Infra" 掘金賣(mài)鏟 " 的商業(yè)模式更具確定性，進(jìn)而贏得了可觀的發(fā)展空間。
就如同 " 三明治 " 兩片面包之間可以有無(wú)數(shù)種夾層組合一樣，處于算力與應(yīng)用之間的 AI Infra 同樣具有豐富的可能性。從廣義上講，AI Infra 涵蓋了人工智能基礎(chǔ)框架技術(shù)，涉及大模型訓(xùn)練、部署領(lǐng)域的各類底層設(shè)施；狹義而言，基礎(chǔ)軟件棧是 AI Infra 的核心組成部分，其主要目標(biāo)在于優(yōu)化算力算法、推動(dòng)應(yīng)用落地。
對(duì)于企業(yè)級(jí)用戶來(lái)說(shuō)，AI Infra 具備四大核心價(jià)值，在推動(dòng)企業(yè)數(shù)字化轉(zhuǎn)型和智能化升級(jí)中起到關(guān)鍵作用。
第一，聚焦 AI 應(yīng)用全生命周期管理。AI Infra 平臺(tái)不僅為企業(yè)提供了技術(shù)支持，還通過(guò)多樣化的工具幫助企業(yè)快速發(fā)現(xiàn)和開(kāi)發(fā)符合業(yè)務(wù)需求的 AI 應(yīng)用場(chǎng)景：簡(jiǎn)化模型管理，無(wú)論是在本地、邊緣還是云端；快速部署與推理，無(wú)論是在虛擬機(jī)還是容器環(huán)境中；豐富的模型支持，可預(yù)置系統(tǒng)模型也可自定義模型；以及模型精調(diào)與優(yōu)化、模型評(píng)估和性能測(cè)試等能力。
第二，加速企業(yè)級(jí) AI 應(yīng)用的落地。AI Infra 平臺(tái)不僅為企業(yè)提供了技術(shù)支持，還通過(guò)多樣化的工具幫助企業(yè)快速發(fā)現(xiàn)和開(kāi)發(fā)符合業(yè)務(wù)需求的 AI 應(yīng)用場(chǎng)景。這包括數(shù)據(jù)驅(qū)動(dòng)的場(chǎng)景挖掘，支持 AI 應(yīng)用構(gòu)建，包括 Prompt 工程、向量檢索、知識(shí)庫(kù)管理，可靈活接入本地或線上模型；智能場(chǎng)景精準(zhǔn)推薦，不僅支持通用的 AI 應(yīng)用，還集成多樣化的 AI 解決方案；快速原型設(shè)計(jì)與驗(yàn)證，快速構(gòu)建和測(cè)試 AI 原型；行業(yè)模板與經(jīng)驗(yàn)支持，預(yù)構(gòu)建的 AI 場(chǎng)景模板，無(wú)需從零開(kāi)始，降低技術(shù)門(mén)檻。
第三，助力企業(yè)構(gòu)建新型數(shù)字基礎(chǔ)設(shè)施。AI Infra 平臺(tái)不僅是一個(gè) AI 應(yīng)用開(kāi)發(fā)和管理的平臺(tái)，更是企業(yè)構(gòu)建新型數(shù)字基礎(chǔ)設(shè)施的關(guān)鍵工具。包括彈性計(jì)算與資源調(diào)度，支持異構(gòu) GPU 硬件加速，提供裸金屬、虛擬機(jī)和容器計(jì)算資源的彈性擴(kuò)展；通過(guò)支持跨云和混合云架構(gòu)和跨地域的部署，提供靈活的云資源調(diào)度能力；統(tǒng)一管理與自動(dòng)化運(yùn)維，集成智能運(yùn)維工具，提供統(tǒng)一管理界面；具備邊緣計(jì)算能力，減少云端傳輸延遲和帶寬壓力，適合高實(shí)時(shí)性業(yè)務(wù)場(chǎng)景；增強(qiáng)數(shù)據(jù)治理與合規(guī)性，幫助企業(yè)遵循行業(yè)標(biāo)準(zhǔn)與法規(guī)要求，保護(hù)數(shù)據(jù)隱私與安全。
第四，推動(dòng)企業(yè)數(shù)智化戰(zhàn)略升級(jí)。AI Infra 平臺(tái)通過(guò)數(shù)字化與智能化的雙重支持，推動(dòng)企業(yè)在提升業(yè)務(wù)效率的同時(shí)，實(shí)現(xiàn) AI 決策和自動(dòng)化運(yùn)營(yíng)，進(jìn)而實(shí)現(xiàn)數(shù)智化戰(zhàn)略升級(jí)，將 AI 深度融入到業(yè)務(wù)各個(gè)環(huán)節(jié)，通過(guò)加速 AI 推理應(yīng)用，推動(dòng)全方位的業(yè)務(wù)創(chuàng)新。
AI Infra 會(huì)是下一個(gè)必爭(zhēng)之地嗎？
相較于對(duì)模型價(jià)值的追求，投身 AI 應(yīng)用領(lǐng)域已成為行業(yè)的普遍共識(shí)，在基礎(chǔ)模型之上將會(huì)誕生數(shù)以百萬(wàn)計(jì)的應(yīng)用，這些應(yīng)用對(duì)現(xiàn)有業(yè)態(tài)的改造作用，遠(yuǎn)大于從無(wú)到有的顛覆性創(chuàng)新。
如今，AI 應(yīng)用的供給正呈現(xiàn)出爆發(fā)式增長(zhǎng)。從 2024 年開(kāi)始，視頻生成類模型產(chǎn)品密集涌現(xiàn)，快手的可靈、字節(jié)跳動(dòng)的即夢(mèng)、商湯的 Vimi 紛紛亮相，此外，AI 搜索產(chǎn)品、AI 陪伴類產(chǎn)品等也不斷推陳出新。
大模型應(yīng)用的爆發(fā)趨勢(shì)已然明晰。根據(jù) InfoQ 研究中心的數(shù)據(jù)，到 2030 年，通用人工智能（AGI）應(yīng)用市場(chǎng)規(guī)模將達(dá)到 4543.6 億元。模型應(yīng)用層所蘊(yùn)含的巨大機(jī)遇，吸引了幾乎各行各業(yè)的積極參與。
當(dāng)前，AI Infra 市場(chǎng)仍處于混沌未開(kāi)的階段，國(guó)內(nèi)呈現(xiàn)出 " 巨頭主導(dǎo) " 的格局。華為、阿里、百度等科技巨頭憑借自身強(qiáng)大的技術(shù)實(shí)力和資源優(yōu)勢(shì)，紛紛構(gòu)建起相對(duì)封閉的 AI Infra 體系。
例如，華為的模型采用三層架構(gòu)，底層是具備超強(qiáng)魯棒性和泛化性的通識(shí)性大模型，猶如一座穩(wěn)固的基石，在此基礎(chǔ)上衍生出行業(yè)大模型以及針對(duì)具體場(chǎng)景和工作流程的部署模型。這種架構(gòu)的優(yōu)勢(shì)在于，當(dāng)訓(xùn)練好的大模型部署到垂直行業(yè)時(shí)，無(wú)需重復(fù)訓(xùn)練，成本僅為上一層的 5%-7%，大大提高了效率，降低了成本。
阿里則為 AI 打造了統(tǒng)一底座，無(wú)論是計(jì)算機(jī)視覺(jué)（CV）、自然語(yǔ)言處理（NLP）還是文生圖大模型，都可以在這個(gè)統(tǒng)一底座中進(jìn)行訓(xùn)練。百度和騰訊也分別進(jìn)行了相應(yīng)的戰(zhàn)略布局。
百度擁有覆蓋超 50 億實(shí)體的中文知識(shí)圖譜，為其 AI 發(fā)展提供了豐富的知識(shí)支持，就像一個(gè)巨大的知識(shí)庫(kù)，為模型的訓(xùn)練和應(yīng)用提供了充足的養(yǎng)分；騰訊的熱啟動(dòng)課程學(xué)習(xí)技術(shù)，則能將萬(wàn)億大模型的訓(xùn)練成本降低至冷啟動(dòng)的八分之一，有效提升了訓(xùn)練效率，降低了成本。
然而，這種封閉的生態(tài)也帶來(lái)了一些問(wèn)題，中小供應(yīng)商難以切入市場(chǎng)，導(dǎo)致市場(chǎng)缺乏專業(yè)化分工，創(chuàng)業(yè)公司面臨著 " 既難以依賴大廠，又難以獨(dú)立生存 " 的困境，整個(gè)生態(tài)系統(tǒng)的活力和創(chuàng)新能力受到一定的限制。
在國(guó)外，AI Infra 市場(chǎng)已經(jīng)形成了相對(duì)成熟的產(chǎn)業(yè)鏈和生態(tài)系統(tǒng)。有的專注于數(shù)據(jù)標(biāo)注，有的擅長(zhǎng)數(shù)據(jù)質(zhì)量提升，還有的在模型架構(gòu)方面獨(dú)具優(yōu)勢(shì)。這些企業(yè)憑借其專業(yè)性，在單一環(huán)節(jié)的效率、成本控制和質(zhì)量保障上，往往比大廠親自操刀做得更出色。
以美國(guó)為例，出現(xiàn)了一批專注于 AI Infra 細(xì)分領(lǐng)域的企業(yè)。比如 Anomalo 專注于數(shù)據(jù)質(zhì)量檢測(cè)，為 Google Cloud 和 Notion 等企業(yè)提供專業(yè)的數(shù)據(jù)質(zhì)量評(píng)估和優(yōu)化服務(wù)；Scale AI 則通過(guò)自動(dòng)化標(biāo)注工具，幫助企業(yè)降低數(shù)據(jù)處理成本，提高數(shù)據(jù)標(biāo)注效率。
這些企業(yè)在各自的領(lǐng)域深耕細(xì)作，如同汽車(chē)行業(yè)的一級(jí)供應(yīng)商（Tier 1），通過(guò)專業(yè)化分工，為大模型企業(yè)提供標(biāo)準(zhǔn)化、高質(zhì)量的解決方案，形成了 " 大廠專注核心模型研發(fā)，供應(yīng)商提供基礎(chǔ)設(shè)施支持 " 的良性生態(tài)。
然而，國(guó)內(nèi)在這方面的發(fā)展尚不成熟。一方面，國(guó)內(nèi)大模型領(lǐng)域的主要參與者多為大廠，它們都有自己成熟的訓(xùn)練體系，外部供應(yīng)商很難打入其內(nèi)部。大廠就像一個(gè)個(gè)封閉的王國(guó)，擁有自己的一套完整體系，外部力量難以滲透。
另一方面，國(guó)內(nèi)缺乏足夠龐大的創(chuàng)業(yè)生態(tài)和中小企業(yè)群體，這使得 AI 供應(yīng)商在大廠之外難以找到生存和發(fā)展的空間。
以谷歌為例，谷歌愿意與數(shù)據(jù)質(zhì)量供應(yīng)商分享自己的訓(xùn)練數(shù)據(jù)成果，助力供應(yīng)商提升數(shù)據(jù)處理能力，而供應(yīng)商能力提升后，又能為谷歌提供更多高質(zhì)量數(shù)據(jù)，從而形成一種良性循環(huán)。
國(guó)內(nèi) AI Infra 生態(tài)的不完善，直接導(dǎo)致大模型創(chuàng)業(yè)門(mén)檻升高。如果將在中國(guó)開(kāi)展大模型業(yè)務(wù)比作吃上一頓熱飯，那么創(chuàng)業(yè)者必須從開(kāi)墾土地、種植作物等最基礎(chǔ)的工作做起，面臨著巨大的挑戰(zhàn)和困難。
目前，在 AI 2.0 的熱潮中，一個(gè)顯著特點(diǎn)是 " 兩極化 "：最熱門(mén)的領(lǐng)域集中在大模型層和應(yīng)用層，而類似 AI Infra 的中間層卻存在較大的發(fā)展空白，這也可能蘊(yùn)藏著下一個(gè)重大機(jī)遇。就像一座尚未被開(kāi)發(fā)的寶藏，等待著探索者去發(fā)現(xiàn)和挖掘。
賣(mài)鏟不易，掘金更難
盡管在大模型應(yīng)用爆發(fā)的當(dāng)下，AI Infra 層潛藏著巨大的商業(yè)潛力，但對(duì)于從事 AI Infra 的公司而言，即便它們?cè)趯I(yè)領(lǐng)域?qū)嵙?qiáng)勁，面對(duì)市場(chǎng)的風(fēng)云變幻，依然顯得較為脆弱。
英偉達(dá)的 CUDA 生態(tài)歷經(jīng) 20 年的發(fā)展，在 AI 領(lǐng)域，最前沿的模型和應(yīng)用通常都會(huì)率先在 CUDA 平臺(tái)上運(yùn)行。
由于不同硬件之間存在各異的接口，CUDA 統(tǒng)一了這些接口的語(yǔ)言，讓使用者能夠運(yùn)用一套標(biāo)準(zhǔn)語(yǔ)言來(lái)操作不同硬件。在模型開(kāi)發(fā)過(guò)程中，開(kāi)發(fā)者往往傾向于在同一語(yǔ)言體系下完成開(kāi)發(fā)工作，這實(shí)際上構(gòu)建了英偉達(dá) CUDA 生態(tài)的深厚底蘊(yùn)。
目前，CUDA 生態(tài)在 AI 算力市場(chǎng)占據(jù)了 90% 以上的份額。不過(guò)，隨著 AI 模型的標(biāo)準(zhǔn)化進(jìn)程推進(jìn)，模型之間的結(jié)構(gòu)差異逐漸縮小，不再需要頻繁調(diào)度多種大小模型，英偉達(dá) CUDA 生態(tài)的優(yōu)勢(shì)在一定程度上有所削弱。即便如此，英偉達(dá)在算力市場(chǎng)的統(tǒng)治地位依然難以撼動(dòng)。據(jù)業(yè)內(nèi)人士預(yù)測(cè)，在未來(lái) 3-5 年，英偉達(dá)仍將是整個(gè) AI 硬件提供商中的絕對(duì)領(lǐng)導(dǎo)者，市場(chǎng)占有率預(yù)計(jì)不會(huì)低于 80%。
對(duì)于 AI Infra 層的供應(yīng)商來(lái)說(shuō)，外部有英偉達(dá)這樣的 " 守礦人 "，如同在金礦門(mén)口售賣(mài)門(mén)票和鏟子，好不容易找到進(jìn)入金礦的途徑，卻發(fā)現(xiàn)里面的 " 挖礦人 " 早已習(xí)慣 " 徒手 " 挖礦，對(duì)新的工具并不接受。
從商業(yè)模式看，部分 AI Infra 廠商采用訂閱制的商業(yè)模式，根據(jù)企業(yè)的算力使用量、模型調(diào)用次數(shù)或功能模塊使用情況進(jìn)行收費(fèi)。這種模式類似于 SaaS，企業(yè)無(wú)需一次性投入大量資金購(gòu)買(mǎi)硬件和軟件，只需按照實(shí)際使用情況支付費(fèi)用，大大降低了企業(yè)使用 AI Infra 的門(mén)檻。
例如，有些平臺(tái)推出了 " 基礎(chǔ)算力包 + 高級(jí)算法工具 " 的組合套餐，中小企業(yè)每月僅需支付數(shù)千元，就可以使用百萬(wàn)級(jí)的算力資源和先進(jìn)的算法工具，進(jìn)行大模型的開(kāi)發(fā)和應(yīng)用。
對(duì)于大型企業(yè)和特定行業(yè)用戶來(lái)說(shuō)，他們往往有著復(fù)雜的業(yè)務(wù)需求和特殊的技術(shù)要求，通用的 AI Infra 產(chǎn)品難以滿足他們的需求。因此，一些廠商提供定制化的 AI Infra 解決方案，從算力集群搭建、模型優(yōu)化到應(yīng)用部署，為企業(yè)提供全流程的服務(wù)。
為了促進(jìn)技術(shù)的發(fā)展和應(yīng)用的推廣，一些 AI Infra 廠商通過(guò)開(kāi)源技術(shù)、開(kāi)放 API 等方式，吸引開(kāi)發(fā)者和企業(yè)共建生態(tài)。開(kāi)源框架 PyTorch 和 TensorFlow 就是成功的案例，它們通過(guò)社區(qū)協(xié)作不斷優(yōu)化性能，吸引了全球大量的開(kāi)發(fā)者參與貢獻(xiàn)代碼，形成了龐大的開(kāi)發(fā)者社群。
這種生態(tài)共建模式不僅加速了技術(shù)的迭代和創(chuàng)新，還通過(guò)生態(tài)影響力獲取商業(yè)價(jià)值。廠商可以通過(guò)提供技術(shù)支持、培訓(xùn)服務(wù)等方式實(shí)現(xiàn)盈利，同時(shí)也為開(kāi)發(fā)者和企業(yè)提供了一個(gè)交流和合作的平臺(tái)，促進(jìn)了整個(gè)行業(yè)的發(fā)展。
在國(guó)內(nèi)市場(chǎng)，企業(yè)對(duì)軟件和服務(wù)的付費(fèi)意愿相對(duì)較低，更傾向于一次性采購(gòu)硬件設(shè)備或自行研發(fā)解決方案。AI Infra 廠商需要通過(guò)實(shí)際案例和數(shù)據(jù)，向企業(yè)證明使用 AI Infra 產(chǎn)品和服務(wù)能夠帶來(lái)成本節(jié)約、效率提升等實(shí)際價(jià)值，從而增強(qiáng)企業(yè)的付費(fèi)意愿。
用戶在選擇 AI Infra 產(chǎn)品和服務(wù)時(shí)，也面臨著 " 選擇焦慮 "，不知道如何選擇適合自己的產(chǎn)品。因此，構(gòu)建一個(gè)開(kāi)放、共享、協(xié)同的 AI Infra 生態(tài)平臺(tái)勢(shì)在必行。政府、企業(yè)和行業(yè)組織可以共同努力，推動(dòng)大廠開(kāi)放部分技術(shù)能力，鼓勵(lì)中小企業(yè)專注細(xì)分領(lǐng)域創(chuàng)新，為用戶提供更加便捷、高效的一站式解決方案。
此外，還需要不斷探索多元化的盈利模式，除了訂閱制服務(wù)和定制化解決方案外，還可以考慮與硬件廠商合作捆綁銷(xiāo)售、提供增值服務(wù)等方式，拓寬商業(yè)化路徑。
當(dāng)所有人都在追逐風(fēng)口時(shí)，真正決定行業(yè)格局的往往是那些默默打磨工具的人。在這個(gè)充滿變革的時(shí)代，AI Infra 恰似一片待開(kāi)墾的沃土，它既是技術(shù)落地的 " 最后一公里 "，也是產(chǎn)業(yè)升級(jí)的 " 第一推動(dòng)力 "。
盡管面臨技術(shù)、市場(chǎng)與生態(tài)的多重挑戰(zhàn)，但隨著標(biāo)準(zhǔn)的完善、技術(shù)的成熟與生態(tài)的繁榮，AI Infra 終將成為驅(qū)動(dòng)智能時(shí)代的核心力量。
對(duì)于企業(yè)與開(kāi)發(fā)者而言，只有構(gòu)建起開(kāi)放共贏的生態(tài)系統(tǒng)，培育專業(yè)化分工的產(chǎn)業(yè)格局，才能真正實(shí)現(xiàn) " 讓?xiě)?yīng)用更簡(jiǎn)單，讓 AI 落地更便捷 " 的美好愿景。這場(chǎng)關(guān)乎未來(lái)的技術(shù)革命，不僅需要硬核的技術(shù)實(shí)力，更需要前瞻的戰(zhàn)略視野與生態(tài)共建的智慧。
淘金熱終會(huì)退潮，但修路的人永遠(yuǎn)不缺機(jī)會(huì)。
來(lái)源：極智 GeeTech
