大模型熱潮，讓多家企業沖在AI産業底座的路上。

從交換機到高端AI服務器，再到雲計算和數據中心都(dōu)進(jìn)入新增長(cháng)周期。從1到10掀起(qǐ)“千模大戰”的AI革命，將(jiāng)首先在軟件和應用領域展開(kāi)。

其中，算法作爲實現AI功能(néng)的關鍵，基礎軟件爲其提供運行的平台和工具。随著(zhe)算力性能(néng)逐漸同質化和标準化，數據的差異性和企業需求的個性化逐漸加大，“AI基礎軟件”作爲模型訓練效率和算力使用效率的決定性因素，地位更加凸顯。

在企業迫切尋求生成(chéng)式AI應用的加速工具和服務的需求下，一邊NVIDIA AI Enterprise軟件套件和Azure機器學(xué)習相結合，供開(kāi)發(fā)者構建、部署和管理大型語言模型的AI應用；另一邊在産業起(qǐ)跑發(fā)令槍尚未響起(qǐ)之時，有前瞻性的國(guó)内AI基礎軟件玩家也開(kāi)始蠢蠢欲動。

沿著(zhe)“把數據變成(chéng)模型，讓模型變簡單，讓模型真正用起(qǐ)來”的軸線發(fā)展，萌芽于矽谷車庫，由兩(liǎng)位前微軟工程師創辦于2013年的九章雲極DataCanvas，經(jīng)曆過(guò)去十年随著(zhe)AI技術的不斷普及和深入應用後(hòu)，在這(zhè)次大模型moment的爆燃之下，也欲發(fā)起(qǐ)新動作。

微軟工程師回國(guó)創業，入局數據科學(xué)平台

作爲AI賽道(dào)的早期入局者，九章雲極DataCanvas背後(hòu)站著(zhe)兩(liǎng)個男人：方磊和尚明棟。

兩(liǎng)人在美國(guó)待了10年，不僅是美國(guó)雪城大學(xué)攻讀計算機工程碩士時的同窗好(hǎo)友，後(hòu)又都(dōu)加入微軟工作。2008年，微軟從各個團隊中，抽取精明強將(jiāng)，組成(chéng)了類startup的團隊，晚亞馬遜2年沖入雲計算，方磊跟尚明棟便是其中之二。

彼時，身處内部，兩(liǎng)人從工程師角度看到了很多趨勢，比如早期微軟隻提供PaaS服務，後(hòu)被(bèi)市場教育，又變成(chéng)了提供SaaS和PaaS服務。在大廠率先試錯的過(guò)程中，2011年，雲上收入增長(cháng)迅速，多家企業規模量級發(fā)生變化。

尚明棟觀察到，一些傳統的大公司，開(kāi)始成(chéng)批量把算力往雲上去遷移，驗證了當初傑夫貝索斯對(duì)雲建設的初衷。

“一開(kāi)始有人嘲笑說雲建設就是弄一堆RDC的機房，但貝索斯的願景是以後(hòu)接管所有企業的IT，從底層計算存儲一直到上層數據能(néng)力建設等各種(zhǒng)基礎能(néng)力的建設。企業不需要再有一個IT團隊去維護，以非常低的成(chéng)本就形成(chéng)一套很複雜、高可用、高并發(fā)的架構。”

2013 年前後(hòu)，美國(guó)的數據科學(xué)平台創業迎來爆發(fā)期，加之，公有雲的技術環境形成(chéng)，促使新一代數據和人工智能(néng)（Data AI）的公司不斷孵化出來....Databricks、Snowflake 等一批後(hòu)來崛起(qǐ)爲頭部的公司大都(dōu)是從這(zhè)個時候起(qǐ)步。

方磊和尚明棟順勢而爲，決定回國(guó)在數據科學(xué)平台領域創業，九章雲極DataCanvas由此成(chéng)爲國(guó)内最早入局自動化數據科學(xué)平台的供應商。

2014 年，方磊給投資人的郵件中表示：容器技術自 2012 年出現後(hòu)，給分析行業帶來了很大的改變，容器化的方式統一了分析流程的運行基礎。而且，與容器結合後(hòu)，機器學(xué)習、深度學(xué)習等不再隻是在上層增光添彩的小工具，而成(chéng)爲了标準化的基礎設施。

同年，這(zhè)一創業設想便拿到了亞傑天使基金的天使輪投資。

聚焦“AI基礎軟件”擴大版圖，超20家資本競相押注

尚明棟也深知AI基礎軟件更清晰的定位以及上下遊的合作，往往更适用于一個相對(duì)來說比較成(chéng)熟的生态分工，絕非一蹴而就。

在花了兩(liǎng)年時間打磨DataCanvas 數據科學(xué)平台後(hòu)，尚明棟意識到要把産品變成(chéng)商品，需要對(duì)市場需求精準洞察，而技術創業的背景早期讓其在市場化上也走過(guò)一些彎路。想要在國(guó)内把數據和算法變成(chéng)生意，從有數據處理需求的大型企業入手成(chéng)爲了解法。

尚明棟坦言，模型作爲數據資産的一部分，從大趨勢上看，數據産生、能(néng)力構建是一個持續建設的過(guò)程，信息化能(néng)力建設最早的行業一定相對(duì)來說數據更剛需和密集。

彼時，金融行業的信息化程度遠高于其他行業，銀行是當時國(guó)内IT 預算最高的企業之一，亦成(chéng)爲了九章雲極DataCanvas瞄準金融行業的最先切入點。時至今日，中國(guó)前一百家銀行裡(lǐ)，九章雲極DataCanvas客戶占比超50 家，驗證了其AI創業以“business”的核心。

商業化驗證的同時，爲解決企業在進(jìn)行數據分析時面(miàn)臨的AI建模難度門檻過(guò)高、以及AI推理等問題，九章雲極DataCanvas也不斷完善産品版圖。

在“人工智能(néng)基礎軟件”的定位下，公司不僅通過(guò)AutoML自動機器學(xué)習、AutoDL自動深度學(xué)習和ModelOps提供模型運行的全生命周期，更通過(guò)其研發(fā)的HSAP數據庫DingoDB落地Data-Centric AI。

此外，九章雲極DataCanvas從DAT自動機器學(xué)習軟件、DingoDB實時交互式分析數據庫，到去年7月發(fā)布的YLearn因果學(xué)習軟件，不斷以開(kāi)源重器刷新了業界對(duì)開(kāi)源基礎軟件的期望。後(hòu)者作爲全球首款一站式處理因果學(xué)習完整流程的開(kāi)源算法工具包，填補了可信AI、可解釋AI高性能(néng)基礎軟件的市場空白，而這(zhè)也正是推動AI技術實現從“預測”到“決策”的規模化應用的重要工具。

尚明棟表示，AI基礎軟件不光是一個基礎軟件，還(hái)面(miàn)向(xiàng)國(guó)内toB的生态合作。随著(zhe)衆多廠商協作産生的分工細化，在toB生态下，面(miàn)對(duì)行業數據、結構的不同，企業更需要考慮在某一個能(néng)力層裡(lǐ)進(jìn)行長(cháng)期的可複用、标準化。

這(zhè)其中，越是偏底層的能(néng)力，他認爲越應該參與到開(kāi)源生态中，通過(guò)更多人适配變成(chéng)整個标準化生态分工裡(lǐ)的一環。

“從這(zhè)一點上來說，我們尊重且積極參與到開(kāi)放生态，會開(kāi)源一些比較底層的計算框架，而偏上面(miàn)的行業應用，甚至是交互式的應用工具鏈，會更支持企業化特性。”尚明棟表示，九章雲極DataCanvas會保持對(duì)開(kāi)源生态的兼容，處于中間層的位置，向(xiàng)上更靠近應用，向(xiàng)下更靠近底層。

據了解，九章雲極DataCanvas軟件産品收入占六成(chéng)以上，除在金融行業客戶滲透率不斷提高外，其在通信、工業制造、政府、交通等多行業均有标杆客戶落地。

10年間，九章雲極DataCanvas加速狂奔，資本的橄榄枝也接連不斷。

去年9月，九章雲極DataCanvas完成(chéng)龍門資本領投的C+輪融資，至此，已在9輪融資中獲得超20家機構押注，其中中關村發(fā)展前沿基金、領沨資本、紅點中國(guó)、賽富投資基金、襄禾資本等知名機構更是多輪加持。

以“大+小”方式，形成(chéng)模型訓練新範式

在技術快速發(fā)展和行業生态變遷下，如果說過(guò)去的産品矩陣是九章雲極DataCanvas針對(duì)企業現有能(néng)力來進(jìn)行伴生式的成(chéng)長(cháng)，那麼(me)大模型則是九章雲極DataCanvas的詩和遠方。

近兩(liǎng)年，在跟規模體量特别大的客戶溝通并構建大規模深度學(xué)習的分布式訓練框架時，尚明棟就感受到面(miàn)向(xiàng)未來的非結構化數據越來越多，隻不過(guò)業内尚無大規模需求湧現。

而這(zhè)些早期的個别需求讓他在訓練模型時，注意到随著(zhe)模型由小變大，大模型訓練成(chéng)本高甚至可能(néng)還(hái)會進(jìn)入到空轉狀态，形成(chéng)大量成(chéng)本浪費，故而需要一面(miàn)訓練，一面(miàn)監控，一面(miàn)動态調整訓練參數，讓其持續進(jìn)入到收斂态。

尚明棟坦言，自2019年起(qǐ)，團隊就開(kāi)始挑可能(néng)通過(guò)長(cháng)期投入來形成(chéng)核心壁壘的點，作爲大模型的投入重心。

在他看來，過(guò)去中小模型解決的是場景，現在大模型替代的是分工和角色。想讓企業更認可大模型的價值，一要用大模型的能(néng)力，給企業帶來更多收益，二要爲企業節省更多人力成(chéng)本。簡而言之就是實現客戶一些原先不能(néng)的，或者是原先效果不夠好(hǎo)的能(néng)力，在能(néng)力建設和業務結合時做好(hǎo)開(kāi)源節流。

基于這(zhè)樣(yàng)的邏輯，九章雲極DataCanvas將(jiāng)與行業生态結合得較緊密的需大量成(chéng)本消耗的環節，作爲可能(néng)被(bèi)大模型所替代和驅動的目标。

當下，大模型雖表現優異，但對(duì)于各行業使用者來說，實際應用于業務場景仍然存在較高的技術和成(chéng)本門檻。模型的參數标準并不統一，相對(duì)于參數級，模型的效果且是否能(néng)夠支持快速叠代對(duì)于企業客戶實際應用來說更爲重要。客戶能(néng)夠在一個白盒大模型基礎上快速地、低成(chéng)本地微調和叠代出客制化的小模型，才能(néng)高效地實現豐富場景的大模型應用。而這(zhè)正是AI基礎軟件工具鏈的重要性。

尚明棟表示，大模型未來可能(néng)和中小模型更趨同化，而大模型和小模型的融合使用，大模型的小型化，或者說以大模型爲底座的小型化微調，也是一種(zhǒng)趨勢，能(néng)夠以低廉的成(chéng)本解決大量的問題。AI基礎軟件通過(guò)大模型+小模型的方式，正形成(chéng)模型訓練新範式。

他指出，不管是大模型還(hái)是小模型，本質上都(dōu)是模型，實際就是數據的濃縮，包含價值、邏輯密度。數據不開(kāi)放，必然要搬運能(néng)力，而且是大模型所需的整個能(néng)力棧。

而通過(guò)過(guò)去啃下的技術“硬骨頭”，使得九章雲極DataCanvas在大模型的落地和應用裡(lǐ)，能(néng)快速找到能(néng)力組合的戰略要點，打造更标準化的大模型工具鏈：不僅會在支持現有框架下，把構建大模型的能(néng)力引入行業的邊界裡(lǐ)去，而且還(hái)會給行業提供能(néng)力閉環。

“作爲AI生态鏈中基礎軟件環節的能(néng)力提供者，過(guò)去10年我們一直在驗證從模型構建到模型推理生産化，甚至到後(hòu)期的模型管理，形成(chéng)一個基于以模型全生命周期作爲起(qǐ)點和終點來進(jìn)行的能(néng)力建設的閉環，來對(duì)行業産生價值，讓客戶爲能(néng)力買單。”

而這(zhè)樣(yàng)的閉環在大模型構建下，尚明棟預測會有新的能(néng)力建設随新的大閉環而産生。

在他看來，大模型很像新時代的制造業，大家在一個流水線上，下遊負責算力、更底層的一些計算框架，九章雲極DataCanvas負責好(hǎo)基礎軟件，模型的完整生命周期的構建和推理，并賦能(néng)于後(hòu)面(miàn)的應用，是一個更面(miàn)向(xiàng)産業的閉環。

而其中，相較于專業能(néng)力分工更細緻化，有前瞻性技術和能(néng)力構建的頭部客戶，真正進(jìn)行大規模變現和賦能(néng)的是更偏向(xiàng)于最終應用的腰部企業，需要九章雲極DataCanvas從基礎軟件往應用側提供一部分服務，去把最後(hòu)這(zhè)一公裡(lǐ)補齊。其透露，目前大模型方面(miàn)已經(jīng)開(kāi)始有付費客戶。

據IDC預測，到2026年，大規模基礎模型將(jiāng)成(chéng)爲大型供應商提供的标準行業實用程序。随著(zhe)各大廠商更加投入到底層基礎軟件的建設中，在時代推動和産業帶動下，以九章雲極DataCanvas爲代表的AI基礎軟件公司又將(jiāng)有哪些變與不變，讓我們拭目以待。