从卖算力到卖成果：工作流反向定义产品需求，Tirias预计行业拐点全面转向“系统编排”

　　智通财经APP注意到，过去几年里，人工智能(AI)行业一直专注于一个相对简单的问题：行业能否以足够快的速度构建足够的算力，以跟上需求?

　　大型语言模型(LLM)的兴起引发了一场史无前例的基建竞赛，而投资者正身处其中。英伟达处于AI生态系统的中心，而超大规模云服务商正以前所未有的速度扩张数据中心。此外，AI原生云服务商也应运而生，为那些无法通过传统渠道获得算力的组织提供服务。起重机仍在不断升起，购电协议也在不断签署。

　　行业的注意力自然地跟随了这些发展，围绕它们的讨论集中在加速器、网络架构、功耗、冷却系统和数据中心建设上。投资者追踪GPU出货量;企业竞争有限的可用算力;云服务商则争抢日益稀缺的基建设施。这种关注是可以理解的，因为AI需求的增长速度超过了行业满足这一需求的能力。而且，这种需求预计将持续加速。

　　Tirias Research的白皮书《预测代理式AI与交互模型的兴起》预计，到2030年，年度LLM推理量将从2024年的990万亿token增长到超过100京(1,008,410万亿)token，同时图像和视频生成也将出现显著增长。

　　然而，随着AI部署的成熟，行业开始遇到一种不同类型的瓶颈。随着AI的应用从聊天向智能体工作负载演进，挑战正从获取AI基础设施转向如何有效地利用这些基础设施。

　　这一挑战的核心在于：运行模型在很大程度上是一个计算问题，而运行智能体则是一个系统问题。智能体改变了基础设施的使用方式及其消耗量。

　　Tirias Research的预测将这一演进描述为从“第一波”向“第二波”的转变：在第一波中，AI主要被用作响应个体提示的对话式助手；而在第二波中，自主智能体能够进行推理、调用工具、维护上下文，并以极少的人工干预执行复杂的、多步骤的任务。这些智能体往往是持续运行的，而不是在一次响应后就结束。

　　因此，该预测估计，平均一个“第二波”用户消耗的token数量是传统“第一波”聊天用户的40倍，而作为异步智能体运行的技术用户消耗量更是高出几个数量级。随着工作负载变得更加长效、更加自主且互联程度日益提高，挑战已从单纯提供算力转向围绕算力来编排复杂的系统。

　　最近，英伟达CEO黄仁勋将行业描述为由智能体AI驱动的另一个“拐点”。拐点不仅仅是增长，它是轨迹发生变化的点，在这种情况下，它是加速的点。底层技术固然重要，但重心已经发生了转移。

　　智能体必须进行规划、访问工具、与外部系统交互、维护记忆，并协调跨多个服务的操作。基础设施仍然必不可少，但已不再足够。成功越来越取决于将模型、工具、数据和行动连接成可靠工作流的系统。

　　正如Tirias Research高级分析师凯文·海因所总结的那样：“问题不在于AI基础设施是否依然重要，而在于接下来什么变得重要?”

　　基础设施正成为起点

　　现代AI的第一阶段在于证明该技术能做什么。第二阶段在于建立大规模实现这一目标的能力。这意味着训练集群、推理容量、存储系统和高性能网络。AI原生云服务商的出现正是对这一需求的直接回应。

　　从这个角度来看，AI云正在演变为超越单纯为AI工作负载优化的基础设施。它正成为一个将计算、模型、数据、工具、编排和运营服务结合在一起的平台，为构建和运行AI系统提供环境。

　　但基础设施越来越像是一段旅程的开始，而非终点。如今的生产级AI部署通常涉及的不仅仅是一个模型和一个GPU。组织结合了检索系统、向量数据库、可观测性平台、评估框架、智能体架构、安全控制、编排层和第三方集成。由此产生的硬件和软件栈可以跨越多个供应商和多个云。

　　在“物理AI”(Physical AI)等领域，这一挑战更为显著。构建自主系统还需要模拟、合成数据生成、模型训练、验证、部署、遥测收集和持续再训练。围绕模型构建的系统规模很容易使模型本身相形见绌。

　　获取基础设施仍然是必要的，但知道如何围绕它组装一切，正成为更难的问题。

　　一个熟悉的演进过程

　　这并非科技行业第一次遇到这种转型。计算的历史可以被视为一部抽象化的历史。操作系统减少了对理解底层硬件的需求;虚拟化消除了管理物理服务器的负担;云计算消除了建立数据中心的需要；无服务器计算(Serverless)则完全将基础设施部署排除在外。每一步都让用户远离底层技术，而更接近他们所寻求的结果。

　　AI似乎正在遵循一条非常相似的道路。大多数组织仍然从底层向上构建AI。他们从选择模型、配置基础设施、设置框架、连接API并一步步组装工作流开始。在构建出任何有用的东西之前，需要做大量工作。然而，客户似乎越来越想要不同的东西。他们希望从试图解决的问题入手，由平台来处理剩下的事情。

　　以工作流为中心的AI云的出现

　　这正是当前这一代AI云服务商变得有趣的地方。大多数公司仍然称自己为基础设施公司。例如，Nebius明确将自己定位为AI云服务商。但审视其客户案例、产品公告和会议主题，会发现一些更微妙的东西。

　　反复出现的主题不是基础设施容量，而是改进围绕模型的系统。客户案例关注的是编排、检索、可观测性、评估和部署，而不是单纯的模型性能。重点始终在于降低构建可靠AI系统的复杂性，而不是仅仅提供额外的基础设施组件。

　　Nebius的产品开发仍然深深植根于其技术栈，但该公司正越来越多地围绕客户工作流来打包这些能力。这体现在它对开源模型、第三方工具、生态系统合作伙伴关系和更高级平台服务的支持上。这种模式表明，该公司不仅专注于提供基础设施，还专注于使这些基础设施更容易应用于现实世界的AI开发和部署挑战中。

　　历史上，技术供应商往往构建产品，并期望客户相应地调整工作流。而新兴的AI云模型正在扭转这种关系，从客户工作流出发，通过演进平台来支持它们。本质上，客户工作流正在成为产品需求。

　　当工作流成为产品

　　以工作流为导向的平台的出现，很好地阐释了这一趋势。过去，云平台暴露的是基础设施组件。客户选择虚拟机、数据库、存储系统、网络服务、队列和可观测性工具，然后将这些碎片组装成应用程序。平台提供的是构建模块，而客户提供架构。

　　现在，AI平台正日益提升到一个更高的层次。它们不再暴露单一的服务，而是开始暴露工作流。

　　Nebius最近推出的“智能体蓝图”(Agents Blueprint)再次提供了一个关于这种转变的实用案例。像Terraform这样的“基础设施即代码”(IaC)工具使得持续定义和部署基础设施成为可能，降低了运营复杂性并提高了可重复性。Nebius的“智能体蓝图”通过将完整的AI工作流(包括模型、检索系统、编排框架、可观测性工具和配套服务)打包成可重用的模式，将这一概念扩展到了基础设施之外。目标不再仅仅是部署资源，而是通过重用已建立的系统模板来加速工作AI系统的创建。

　　客户支持智能体、研究助手、搜索应用程序或自主系统，越来越被视为一种可重用的实现模式，而非一个独特的集成项目。蓝图捕捉了在早期部署中验证过的架构、工具和运营实践，允许组织从一个成熟的系统开始，而不是从零开始组装。每一次部署都建立在前一次的经验之上，从而在降低重复犯错风险的同时加速交付。

　　在云计算时代，基础设施成为了服务。在正在兴起的AI时代，工作流本身正在成为产品。这种观点也有助于解释为什么一些AI云服务商正在从基础设施扩展到更高级的平台能力。这些平台不再仅仅专注于配置基础设施资源，而是越来越多地帮助客户组装、部署和操作AI应用程序，同时屏蔽掉大部分底层基础设施的复杂性。

　　“这种转变反映了更广泛的行业趋势。如果客户工作流成为消费的主要单位，那么理解客户如何构建AI系统就变得具有战略意义，”海因提出，“产品路线图越来越多地源于对成功实现模式的观察，而不是简单地添加新的基础设施功能。”

　　平台通过帮助客户更有效地从意图过渡到执行而实现进化。这是目前AI行业中正在发生的最重大的转变之一。

　　从自助基础设施到自助成果

　　云计算改变了软件开发，因为它极大地降低了摩擦。开发者只需输入信用卡信息，配置资源，就可以立即开始构建。基础设施按需提供，消除了采购周期、硬件购买以及传统IT中大部分相关的运营开销。

　　AI云服务商正在扩展这一概念。第一代提供的是自助基础设施，而下一代正在提供自助成果。平台不再要求客户手动配置模型、推理端点、可观测性系统、安全控制和编排框架，而是越来越多地承担起组装这些组件的责任。

　　最近将智能体直接纳入云平台的努力，为这一未来提供了初步的窥见。平台不再需要用户在数百个API、云服务和部署决策中进行导航，而是拥有了一个智能层，可以理解客户的目标并相应地配置环境。

　　Nebius最近推出了Nebius Echo，这是一个直接内置在其云平台中的AI助手，允许客户使用自然语言与他们的基础设施进行交互。Echo不仅仅是一个聊天机器人，它开始将云运营从手动配置转向意图驱动的执行，平台可以在获得用户适当批准的情况下，解释服务、检查资源并执行基础设施操作。

　　客户描述想要的结果，然后平台管理执行。基础设施依然必不可少，但它更多地成为了客户专业知识发挥价值的基石，而不再是最终结果。

　　真正的拐点

　　普遍的假设是，AI基础设施提供商正在竞相构建最大的集群。在某种程度上，确实如此。对算力的需求持续增长，毫无疑问，GPU在未来几年内仍将是行业的基础。

　　但仅仅专注于基础设施，可能会错失正在发生的更大规模的转型。即使在Tirias Research前述白皮书的基准情景下，实际的基础设施部署到2028年左右也开始落后于预计需求，假设没有重大的地缘政治或供应链中断，到2030年仍将有大约72千兆token的年度推理需求无法得到满足。

　　这种缺口不仅仅是呼吁建立更多数据中心的理由。鉴于目前在房地产、电力和冷却方面的限制，即使有人想走这条路，这可能也不切实际。相反，它凸显出AI正在演变成一个系统问题。随着工作负载变得更加长效、更加自主且互联程度日益提高，价值正从原始算力容量转向那些能够高效编排模型、内存、工具、数据和工作流的平台。

　　AI云的第一阶段是关于获取算力。新兴的阶段则是关于抽象化，并专注于降低有效使用这些算力所需的专业知识门槛。智能体AI使这种转型变得紧迫。智能体不仅消耗算力，它们还消耗编排、判断和工作流。一个回答问题的单一模型相对容易部署。而一个能够自主规划、管理内存、调用外部工具并执行多步骤工作流的智能体，则暴露了技术栈中的每一个缺口。单纯的基础设施从来就不是为了填补这些缺口而设计的。

　　这就是真正的拐点。这不是对AI云的背离，而是它的成熟。正如Tirias Research的海因所言：“最成功的AI云平台将不会是那些暴露最多技术的平台，而是那些让客户最无需思考技术的平台。”

　　云计算时代教会了组织如何消费基础设施。AI云的下一阶段正在教会基础设施提供商如何消费客户意图。当这种情况发生时，AI云的决定性特征将不再是它运行的硬件，而是衡量它能多有效地将客户目标转化为可工作的AI系统——以及客户在中间过程中需要思考的事情有多少。