ScaleOps完成1.3亿美元C轮融资，推动自主基础设施进入AI运营核心

ScaleOps 已获得 1.3 亿美元 C 轮融资，估值超过 8 亿美元，与此同时，市场对无需持续人工干预即可管理日益复杂的云和 AI 工作负载的系统的需求正在加速增长。

本轮融资由 Insight Partners 领投，继续获得 Lightspeed Venture Partners、NFX、Glilot Capital Partners 和 Picture Capital 的支持。该公司目前已获得超过 2.1 亿美元的融资。

从 Kubernetes 优化到自治基础设施

ScaleOps 于 2022 年出现，最初专注于自动化现代基础设施中最顽固的挑战之一：Kubernetes 环境中的资源分配。

该平台不依赖静态配置，而是持续根据实时工作负载行为调整计算资源，如 CPU 和内存。

在其核心，系统作为一个闭环优化引擎。它观察工作负载需求，评估性能信号，并自动执行更改。包括动态调整工作负载大小，调整副本数量，并在集群中优化节点使用。

随着时间的推移，这已经扩展到传统云优化之外，进入与 AI 系统相关的 GPU 密集型环境中。该平台现在将类似的原则应用于 GPU 分配，在这种情况下，低效使用可能会迅速成为一个主要瓶颈。

为什么这一层变得至关重要

现代 AI 系统引入了一种传统基础设施工具无法处理的可变性。工作负载不可预测地激增，模型竞争有限的 GPU 容量，性能要求实时变化。

历史上，团队通过手动调整或基于规则的自动化来管理这一点。但这些方法难以应对大规模环境。Kubernetes 本身虽然设计用于编排，但仍然严重依赖于静态配置，工程师必须不断调整以避免不足或过度分配。

这就产生了结构性低效。工程团队花费大量时间应对性能问题，调整资源分配和解决 SLO 违规，而不是构建新系统。

ScaleOps 的方法用持续的、上下文感知的自动化取代了这种反应模型。系统不再预先定义阈值，而是根据在整个集群中观察到的行为实时调整。

向自优化系统转变

使这一类别值得注意的不仅是成本优化，还有基础设施行为的转变。

在传统环境中，基础设施是配置的。在新系统中，它被期望能够适应。

ScaleOps 反映了这一转变，通过将基础设施视为可以持续重新平衡的东西。该平台应用策略，监测结果，并在不需要工程师干预的情况下调整分配。在生产环境中，这可以扩展到对资源决策的几乎全部自动化。

这种模型已经在现实世界部署中展示了可衡量的影响。在一个案例中，自动调整大小允许工作负载根据流量波动动态调整，同时保持性能目标并减少集群浪费。

超越成本优化

早期的云优化工具主要专注于降低支出。ScaleOps 仍然强调成本效率，声称通过消除过度分配和空闲资源实现了显著的节省。

但更广泛的方向正在转向性能可靠性和系统弹性。

随着 AI 系统更加紧密地集成到生产环境中，基础设施决策直接影响模型性能、延迟和可用性。资源错配不再仅仅是一个成本问题，而是一个功能限制。

这对于 GPU 工作负载尤其相关，因为需求往往超过供应。基础设施层面的高效分配可以决定模型是否高效运行或等待资源而空闲。

AI 基础设施的新控制平面

长期影响是计算资源的新控制层的出现。

像 ScaleOps 这样的平台充当自治控制平面，持续协调资源供需，取代工程师手动配置基础设施或依赖分散工具的做法。

随着组织同时部署多个 AI 系统，每个系统都有不同的性能要求和使用模式，这变得越来越重要。

在这种情况下，基础设施管理开始更像交通控制，而不是静态配置。资源会持续被路由、重新平衡和优化，而非一次性分配后保持不变。

凭借这轮最新的融资，ScaleOps 预计将其平台扩展到计算和 GPU 之外的更广泛的基础设施管理领域，包括云计算和 AI 编排的其他层次。

这一发展趋势预示着，基础设施决策将逐渐不再由工程师直接处理，而是交给能够理解工作负载意图并自动调整资源的系统。

随着 AI 工作负载的持续扩展，这一转变可能不再仅仅是一种优化，而是一种要求。