作者 | 邓咏仪
编辑 | 苏建勋
36氪获悉，MLOps服务商「星鲸科技」获数千万人民币天使轮融资，投资方为南山资本及远镜创投。
「星鲸科技」是一家AI管理和协同的服务商，为此提供MLOps平台和工具，成立于2022年。创始人徐串曾任前百度云首席架构师，前旷视科技首席架构师。
MLOps（机器学习运维，Machine Learning Operations）是一个快速成长的新兴领域。目前，MLOps的市场规模22年达到11亿美元，有望实现高速增长，预计2027年将达到59亿美元。
就像云计算的兴起带动了软件研发和运维的改革，直接催生了DevOps赛道的兴起，MLOps的道理也类似——原来，工程师需要在本地完成的软件研发，并且完成一个步骤后才移交到下一步骤，如今通过DevOps工具，从规划到部署的整个生命周期都能“上云”，能够做到实时同步，并且统一了工作流，大大提升了软件开发效率。
MLOps即是AI生产环境的工作“流水线”。狭义上的MLOps，即是将AI模型的设计、部署、运维统一管理起来。通过构建一系列流程、方法和平台工具，MLOps能够让数据工程师、算法科学家、ML工程师、测试、 业务研发等多个团队在上面进行沟通、协作和整合。
随着AI大模型成为热点，企业对MLOps的需求也水涨船高。前几年，企业训练和应用的AI技术主要应用的是小模型，无论是开发还是部署都相对容易，但AI的开发几乎都没有实现内部流程自动化，部署上线时间长；模型训练过程手动记录，项目交接难。而如今的大模型在数据、计算量、运维层面难度更高，拥有一个统一的开发、训练、部署运维工具，就显得更有必要。
AI从设计、训练到部署运维是非常长的链条。而星鲸科技的定位，则是先围绕数据和模型两个环节，提供MLOps平台和服务。
徐串表示，之所以先围绕数据和模型，而不是做“大而全”的方案，是因为数据处理和模型是AI训练的核心环节，星鲸的路线，是先专注在这两个核心环节，再向外拓展更多能力。
“如果说过去企业私有化模型的开发部署还是需要专门的算法工程师，那么在大语言模型时代，这件事会变得更加标准化，企业更多精力会放在建立自己的数据集上，通过合适的Prompt（提示词）对模型进行微调以适合企业自身业务需求。这个过程中，对于数据和模型的标准化管理会显得更加重要。”徐串解释。
当前，星鲸科技已经初步搭建起了包括数据和模型两大功能板块的平台。
在数据管理方面，星鲸科技可以灵活匹配不同的数据格式，用户只需少量代码即可实现数据导入 ，并且对不同数据集版本为数据添加各类标签以便管理。星鲸还会提供可定制的可视化组件工具，支持客户自己进行开发。
在模型环节，星鲸定义了标准的模型交付包，支持将模型文件、配置、相关推理代码等进行统一管理。在适配性上，星鲸也支持包括GPU、CPU、车载芯片等设备。星鲸平台支持数据在线运行，快速显示模型评测结果。
“现在AI生产的链条非常长，这导致AI应用门槛居高不下。未来，AI普惠的趋势不会改变，如果我们将开发、部署等环境那些多余的能够去掉之后，用平台来做这种自动化对接，那意味着我们通过用MLOps，能够减少人力成本，将AI技术的应用成本降到最低。”徐串对36氪表示。
MLOps应用在生产环节后，实际效果会怎么样？徐串举例，如果是在工业场景，以前一个百万级AI项目的传统做法是，至少需要一个现场的实施人员，对接客户的各种需求；以及一位算法开发人员，需要针对客户做定制化开发；甚至连数据也需要专人进行采集，从数据收集、管理、模型设计到最终，人力和物力成本都会很高。但在应用了MLOps平台后，以上环节的时间都能大大减少。
在MLOps这一细分领域，如今已经有包括Kuberflow、Databricks mlflow等开源项目，应用覆盖很广；而AWS、百度等大厂也会自研MLOps平台，并且通常与AI服务一起打包对外；另外还有Weights&Biases、Tecton、OctoML等初创公司，也已经获得数亿美元的融资。
星鲸科技的优势在于何处？徐串表示，星鲸科技看好的是在大模型时代，开源生态将占据十分重要的地位。类似目前移动端市场的苹果和安卓两大生态，大模型也将分为闭源和开源两方。重视数据隐私的企业会更加倾向于私有化部署自己的模型，而不是把数据交给像OpenAI这样的第三方公司。星鲸采取开源的产品化路线，定位第三方开源软件，能够避免企业被底层的云厂商绑定，并且也能更灵活地针对客户场景提供服务，支持私有化部署。
目前的星鲸Starwhale开源版本既支持企业端部署，也支持个人开发使用。除此之外，星鲸科技还即将推出星鲸云，包含目前开源的各类大模型和数据集，支持模型微调、评估和部署，方便中小企业和个人使用。
在市场策略上，星鲸科技会从自动驾驶等AI计算需求快速增长领域开始，如今团队已经完成产品初步开发，已与数家自动驾驶初创公司、供应商等进行合作。今年，星鲸也将会加速商业化落地。
