过去几年里，我们为增长最快的 AI 原生公司提供算力并与它们合作，逐渐认识到它们需要另一种云：AI 原生云（AI Native Cloud）。本文将解释它是什么、为什么重要，以及它的决定性特征。
我们正身处那种罕见的平台级变革之中——只有事后回望才会显得显而易见。AI 不是一个功能，也不是一条产品线，而是一种新的基本要素。定义这个时代的公司，并不是把 AI 硬塞进老旧的技术栈，而是 AI 原生的。它们的产品就是模型，路线图与研究速度紧密相连，竞争优势在于能多快地实验、重新训练、发布，然后周而复始。
AI 原生产品每周迭代，有时甚至每天迭代。它们消耗 GPU 的方式，就像 2012 年的 Web 应用消耗 CPU 一样。一篇新论文发布时，它不只是学术成果，往往就是一份短期路线图。像 Cursor 和 Decagon 这样的创业公司不只是增长快，它们还把过去需要十年的历程压缩到了短短几年。这样的速度改变了一切。
为什么 AI 原生公司需要一种新的云
过去二十年的云计算是为 Web 应用优化的：流量平稳、以 CPU 为主的工作负载，以及简单的抽象。AI 时代则完全不同。AI 原生产品在几个月内就能从原型扩展到数百万用户，其核心资产是必须持续提升的智能。如今的创始人需要的不只是容量，而是一种能让他们始终站在 AI 研究前沿、并在模型质量、延迟、成本和可靠性上达到前沿水平的云。AI 原生云就是为解决 AI 特有的挑战而专门打造的。
的确，下一代脱颖而出的 AI 公司不会仅仅因为模型更好而获胜。它们会因为迭代更快、扩展更聪明、能实时吸收创新而获胜。在优势的半衰期以月来计算的时代，技术栈至关重要。
1. 贯穿 AI 生命周期的不断演变的需求
AI 原生公司的工作覆盖预训练、微调、评估和大规模推理，而且往往同时进行。团队一边训练大模型，一边同时为数百万用户提供服务。传统的 CPU 时代的云并不是为这种快速、由 GPU 驱动的演进而构建的。随着模型成熟，它们面对的问题会从“我们能训练出这个吗？”变成“我们能否以合适的速度和成本把它交付给全球用户”，以及“我们如何利用最新研究技术持续优化”。AI 原生公司需要的云，要把这一生命周期视为一个连续的流程，确保从训练、微调到推理再回到训练的路径无缝衔接。
2. 站在前沿
在 AI 领域，前沿推进得很快。新的模型、技术和硬件每隔几个月就会出现，不断拉大“最先进水平”与“去年的技术栈”之间的差距。AI 原生公司通过紧贴前沿研究来保持优势：以更快的推理获得更好的性能，以领域适配获得更高的质量，以更高效的服务获得更好的经济性。AI 原生云必须持续把这些研究创新整合进产品，让团队不必为了跟上节奏而自建研究基础设施。
3. 以逃逸速度交付质量
AI 产品不是线性增长的，而是指数级扩张的。流量和用户期望可能在几天内翻倍，延迟或模型质量的每一次改进都会直接转化为用户参与度和收入。支撑这一切，需要一种像 AI 工厂一样运作的基础设施：紧密集成的机架级 GPU 系统，以超低延迟互连相连，并配备大规模的供电和散热系统。为 CPU 时代的 Web 应用设计的数据中心，根本无法满足这样的性能和可靠性要求。
4. 开发者速度与现代 AI 工具链
开发者和研究人员是 AI 原生公司的引擎，云的职责就是消除摩擦、最大化他们的杠杆效应。他们需要这样的环境：训练和微调无需重写代码就能扩展到数千块 GPU，推理系统能够无缝管理 KV 缓存和路由，灵活的 API 支持对新架构或新硬件进行持续实验。当团队每周都能提出更大的问题，而云放大的是他们的能力而不是复杂度时，才算真正有了速度。
5. 能够支撑海量增长速度的生态
AI 原生公司所处的环境是需求跑在其扩展能力前面。它们在竞相服务更多用户、进入新市场并应对指数级增长。这就是它们需要一个真正的伙伴的原因：一个能在几天内开通大规模 GPU 集群、锁定吉瓦级电力、建设新的 AI 工厂、快速将新研究技术产品化，并共同设计定义下一个十年的架构的伙伴。它们不需要房东，而需要一个与自己同步前进的合作者。
AI 原生云的关键特征
要在这个拐点上服务 AI 原生公司，云必须在外观和体验上有根本的不同。以下是定义 AI 原生云的特征。
1. 全栈 AI——从硬件到软件
AI 原生云围绕 AI 做垂直整合，涵盖 GPU 和加速器、高速互连，以及其上的编排、训练和推理层。它不是暴露裸实例、把集成工作留给客户，而是提供一个为大规模 AI 开发优化、并随新研究成果持续优化的统一技术栈。数千块 GPU 通过 NVLink 和 RDMA 级别的网络结构连在一起，由为训练数据集和向量工作负载打造的存储作为支撑，并由让整个系统像一个可编程底座的软件来控制。其上是训练框架、微调工作流和服务平台，它们使用同一种“语言”，并随着新兴研究技术不断演进。
2. 从研究到生产的快速通路
AI 依然是由研究驱动的领域。未来十年在推理、多模态、安全和效率方面的突破，正在此刻诞生。以研究为先的云必须不断整合最新的架构、训练技术和优化，让客户能轻松地用前沿规模的训练和新兴模型类型做实验。安全、评估和对齐必须内置，而不是事后补上。将定义这个时代的公司，需要一个与其研究同步进化的平台。
3. 在海量规模下可靠
对 AI 工作负载而言，可靠意味着在极端、突发的需求下仍可预测。当 AI 产品服务数亿用户时，性能的每一次下滑都会被立即感知。AI 原生云通过以下方式提供一致性：把集群视为统一系统的机架级设计，在数千个加速器之间保持高带宽、低延迟连接的网络，以及在不牺牲简洁性的前提下支撑每秒数百万次查询的存储。爆发式增长不是异常，而是设计目标。
4. 以 AI 构建者为中心
这种云是围绕构建者的需求设计的。从自动扩缩容到工作负载调度再到模型部署，每一层都专注于让开发者和研究人员以更少的摩擦产生更大的影响。团队可以通过简单的 API 请求所需的确切 GPU 拓扑和配置，无需重写代码即可从笔记本上的实验扩展到大规模集群，并通过清晰的可观测性工具监控性能、成本和可靠性。做得好的时候，云会退到幕后，成为一个放大成果的隐形队友。
5. 与 AI 原生增长节奏同步的合作伙伴
最后，AI 原生云即使在支撑海量工作负载时，也必须以创业公司的速度运转。它必须在数周而不是数年内扩充新容量，在战略位置建设吉瓦级的 AI 工厂，快速采用新一代加速器，并与客户共同设计架构，让其下一次发布经得起未来的考验。在这里，创业公司的速度不是一种文化价值观，而是一种基础设施策略。
随着 AI 原生公司为世界上的每个人在各个领域带来新的体验，它们需要一个能够成为其开发与增长基础的 AI 原生云。在 Together AI，我们正在构建这样的 AI 原生云，专为 AI 原生公司打造，并与领先的 AI 原生公司深度合作。