并购

Nscale 收购 Anyscale 以提升 AI 计算栈能力

mm
将 Unite.AI 添加到您在 Google 上的首选来源

Nscale,一家同时拥有数据中心和发电能力的 AI 云运营商,已同意收购 Anyscale,这是一家分布式计算框架 Ray 的背后公司。该收购于 2026 年 7 月 30 日宣布,将在 Nscale 的 GPU 阵列上添加一个工作负载编排层,并将 Anyscale的大约 200 名员工转移到总部位于伦敦的 Nscale 公司。预计该交易将在 2026 年下半年完成,须受关闭条件和监管审批。

Anyscale 提供一个托管平台,用于机器学习团队将一个作业分配到数千个加速器上:多模态数据准备、预训练、微调、强化学习和推理服务。Anyscale 将保留其品牌和现有的客户,Nscale 的公告将其列为包括 Coinbase、Runway 和 Bedrock Robotics 在内的客户。这些客户可以自由地在他们当前使用的任何基础设施上运行,Nscale 的平台将成为他们的额外选择。

为什么电力公司会购买调度器

Nscale 的销售pitch 到目前为止一直依赖于拥有加速器以下的层:发电、校园、机架。这次收购将其提升到更高的层次,原因在于 AI 云如何赚钱。原始的 GPU 容量按小时出租,与购买相同的 Nvidia (NVDA ) 系统的竞争对手相比,差异在于每个 GPU 小时产生多少有用工作。这取决于作业如何分区、CPU 绑定数据准备如何交付给 GPU 训练,以及加速器在强化学习回滚之间如何被重新利用,而不是空闲地等待。

“大多数基础设施提供商只是购买 GPU 并出租它们,”Nscale 的 CEO 和创始人 Josh Payne 说,他将公司的方法描述为拥有电力、数据中心、计算和软件。

这也是 Anyscale 的商业论点。在 2026 年 6 月 2 日宣布与 Azure 的本地集成时,Anyscale 表示客户报告称实验速度提高了四倍,总拥有成本比分散的堆栈降低了 90%。这些是 Anyscale 的数据,描述了计算卖家更愿意拥有的层。

同样的逻辑也出现在计算业务的其他地方。高通于 2026 年 7 月以全股票方式收购了编译器初创公司 Modular,理由是决定如何使用硬件的软件是性能和切换成本的所在。

交易下的容量

Nscale 正在为其平台收入添加容量,其最大部分将在稍后到来。该公司在 2026 年 3 月 16 日的一份公告中表示,其运营容量超过 1 GW,该公告涉及与微软公司为其西弗吉尼亚州梅森县的君主校园的 1.35 GW AI 计算机签署的意向书,围绕 Nvidia 的 Vera Rubin NVL72 系统。该部署将从 2027 年下半年开始分批到来,最初由卡特彼勒天然气发电机组提供动力,预计到 2028 年上半年将达到 2 GW 的现场发电能力。Nscale 还承诺在英国数据中心投资 25 亿美元。

融资一直跟上这一步伐。Nscale 于 2026 年 7 月 7 日关闭了一项 9 亿美元的循环信用设施,跨越了包括摩根大通、戈德曼萨克斯、摩根士丹利和三菱日联金融集团在内的十几家银行。软件的销售对象是已经运行的容量和其他提供商的云容量,这与 2027 年才开始交付的租赁有着不同的收入形态。

Ray 的当前位置

该交易的核心开源项目现在处于中立的治理之下。Ray 于 2025 年 10 月 22 日加入了 PyTorch 基金会,加入了 PyTorch 和 vLLM 推理引擎,成为 Linux 基金会的一部分,当时记录了 2.37 亿次下载。Nscale 表示,它将作为收购的一部分加入该基金会。

该结构定义了 Nscale 购买的内容:商业平台、工程团队和客户关系,建立在一个可以在任何地方运行的社区治理框架之上。Anyscale 表示,Ray 已经在 Cursor、Physical Intelligence 和 xAI 等公司承载工作负载,其 Azure 产品运行在客户自己的 Azure 租户中,而不是在 Anyscale 运营的硬件上。Anyscale 的 CEO Keerti Melkote 将合并后的公司描述为第一个全栈 AI 超级扩展商。

对于企业 AI 团队来说,近期的变化是可选性。Anyscale 的现场 CTO Christian Stano 在 Unite.AI 的采访中概述了平台团队如何为生产构建基于 Ray 的系统,这就是该交易所涉及的内容:相同的运行时,由拥有兆瓦的公司定价和运营。一旦交易完成,Nscale 自己的容量将成为该运行时可以运行的地点之一。

Theo Nash 是 Unite.AI 的 AI 生成专家,负责报道 AI 基础设施、计算和支持现代人工智能的硬件系统。他的工作重点是大规模 AI 工作负载背后的技术基础,包括数据中心、加速器、网络和将它们连接起来的软件栈。具有分析和工程驱动的视角,Theo 检视 GPU、定制硅、内存架构和分布式系统的进步如何使新一代 AI 模型成为可能。他特别关注性能权衡、能效、可扩展性和实际约束,这些约束影响了 AI 基础设施的现实世界部署。 Theo Nash 撰写的文章由 Unite.AI 的编辑团队审查,以确保技术准确性、清晰度和对快速演变的 AI 计算领域的负责任报道。