对话 SkyPilot ：获 Jeff Dean 投资的伯克利明星公司，要解决算力碎片化难题

作者｜樊雅婷（微信FFF111f__）
编辑 ｜王兆洋（微信Geisterspiele）

伯克利又长出了一家明星公司。

过去十多年，UC Berkeley 的系统实验室形成了一条清晰的 “开源项目—创业公司” 链路：AMP Lab 做出了 Spark，诞生了 Databricks；RISE Lab 开发了 Ray，孵化出 Anyscale；到了 Sky Computing Lab，代表项目和公司都是 SkyPilot。

这家公司的创始团队几乎浓缩了 UC Berkeley AI 系统领域最核心的一批创业者。CEO Zongheng Yang、CTO Zhanghao Wu 和 CPO Romil Bhardwaj 都出自 Berkeley Sky Computing Lab，师从 Ion Stoica，也是开源项目 SkyPilot 的联合创始人。还有两位联合创始人则是 Berkeley 计算机科学领域的传奇教授：Ion Stoica 曾联合创办 Databricks、Anyscale，并推动 Spark、Ray、vLLM 等项目诞生；Scott Shenker 是软件定义网络（SDN）的奠基人之一，也是 Nicira 联合创始人。整个团队延续了 Berkeley 从 AMPLab、RISELab 到 Sky Computing Lab 的创业传统，把学术界最前沿的 AI 系统研究，持续转化为开源项目和基础设施公司，而 SkyPilot 正是这一谱系在 AI 算力基础设施方向的最新代表。

2026 年 7 月 21 日，SkyPilot 正式结束隐身，宣布完成 2000 万美元种子轮融资，由 Lux Capital 领投，Coatue、Amplify Partners、Foundation Capital 等参投，个人投资者包括 Databricks CEO Ali Ghodsi、Hugging Face CEO Clem Delangue ，以及刚刚离开Google引起广泛关注的Google 首席科学家 Jeff Dean 等。

SkyPilot 做的是一层面向多云和多集群的AI算力控制平面：把超大规模云厂商、AI新云、自建 Kubernetes 和 Slurm 集群接入同一个资源池，再帮助企业完成成本管理、资源选择、任务调度和故障恢复。

当前 GPU 供不应求，越来越多的 AI 公司需要同时向多家云厂商和算力供应商采购资源。真正的难点在于采购后的使用和管理。不同供应商的接口、调度系统、网络、存储、芯片环境各不相同，企业必须逐一接入、配置、维护，才能稳定运行任务。借助 SkyPilot，企业既可以明确指定任务跑在哪个云、哪个集群、什么区域或哪种 GPU，也可以交给 SkyPilot 从已接入的资源中智能选择。

目前，SkyPilot 开源版本累计下载量超过 1500 万次，拥有 280 多名代码贡献者，GitHub Stars 超过 10.4k ，已被数百家公司采用。商业版本 SkyPilot Platform 已在头部客户环境中统一调度超 1 万张 GPU，稳定支持 200 多位 AI 研究员的日常研发，核心性能较开源版本最高提升 20 倍。

SkyPilot 试图抓住的变化很直接：随着 AI 算力需求急剧膨胀，企业的算力来源日益多样，如何统一调用、灵活调度异构资源，正在成为“获得算力”之后的下一个难题。

算力来源越多、底层环境越复杂，企业对统一调度层的需求就越强，SkyPilot 的价值也就越突出。这让人忍不住追问：能做出这种产品的，为什么又一次是伯克利？

1

伯克利的学术传统

SkyPilot 与伯克利之间，并不是简单的高校技术成果转化。

伯克利计算机系统方向长期采用五年左右切换一次研究主题的“大实验室”模式。这一模式由伯克利元老级教授、图灵奖得主 David Patterson 设计，实验室把分布式系统、数据库、机器学习、安全和编程语言等不同方向的研究者聚在一起，围绕一类新的基础设施问题做研究、开发开源软件，并和工业界共同验证。

最初的 AMP Lab 聚焦大数据系统，RISE Lab 转向实时智能与机器学习，Sky Computing Lab 则试图解决云计算的下一个问题——当越来越多的云同时存在，应用能否摆脱具体云厂商的锁定。

SkyPilot 最初解决的是团队自己的问题。

CEO Zongheng Yang 和团队成员在伯克利就读时，想用 GPU 微调 Llama 等开源模型，却发现拿 GPU 极其困难。即使其他云上仍有资源，切换过去也意味着重新熟悉接口和运行环境。真正的瓶颈不仅是“没有 GPU”，还有不同云之间的割裂，让已有算力难以被顺畅调用。

团队因此着手做一个统一入口，让研究者不必学习每家云的操作方式，就能调用不同来源的算力。

这项工作随后沿着伯克利熟悉的路径继续推进。

2021 年，两位联创伯克利教授 Ion Stoica 和 Scott Shenker 在 HotOS 论文《From Cloud Computing to Sky Computing》中提出 Sky Computing 构想，希望云资源能像通信服务一样降低迁移和切换门槛。

2023 年，团队在系统顶会 NSDI 上发表《SkyPilot: An Intercloud Broker for Sky Computing》，给出了“跨云中介”的完整设计与实现。后续关于 Spot 实例调度的研究《Can’t Be Late》更获得了 NSDI 2024 杰出论文奖。

项目开源后，SkyPilot 开始被 Shopify、医疗 AI 公司、机器人团队和生物科技企业用于生产环境。团队发现，实验室里遇到的问题，在企业中被放得更大：它们不仅对接三四家云厂商，还可能同时管理多个 Kubernetes 和 Slurm 集群、不同型号的 GPU。

学术课题由此变成了产业刚需。

随着 GPU 供应日趋紧张，SkyPilot 面对的需求也愈发复杂。Zongheng Yang 提到，开发初期用户还能在云上获得按需实例和 Spot 实例；开源项目发布一年后，越来越多的客户只能与云厂商签订一年或三年的预留合同。SkyPilot 不仅要帮用户寻找临时可用的 GPU，还要管理那些已经预订但分散在不同环境中的长期算力。

算力到手后，一个更昂贵的问题就会立刻浮出水面——GPU 到位了，怎么从“能用”到“好用”。

1

异构算力的统一调度

一家 AI 公司的算力正变得前所未有地分散。

它可能从 AWS、Google Cloud、Azure 获得一部分 GPU，从 CoreWeave、Nebius 等 AI 云厂商采购另一部分，同时还保留自建的 Kubernetes 或 Slurm 集群。不同资源的合同周期、芯片型号、网络、存储和使用方式各不相同。

每多接入一家供应商，总算力增加了，管理负担和隐性成本也随之上升。

过去，研究员每提交一个训练任务，都需自行判断哪个集群有空闲、数据是否可访问、环境是否已安装、GPU 和网络配置对不对；任务中断后，还要逐一排查是代码、节点、网络还是云平台的问题。

Zongheng Yang 透露，一些客户融资后花大量资金购买 GPU，却发现这些资源无法被研发团队顺畅调用。于是企业要么招聘 5 到 10 个人维护多套环境，要么就寻求像 SkyPilot 这样统一的控制系统。

因此，客户最先愿意买单的原因往往不是“15% 的成本优化”，而是“把已经买到的算力真正用起来”。

SkyPilot 在操作上将这个过程拆成两层。

基础设施管理员先把不同集群接入系统，SkyPilot 检查 GPU、网络和存储配置，持续判断集群是否健康可用。

研究员则通过一份 YAML 文件声明任务所需资源，比如 16 个节点、某种 GPU 和运行命令。SkyPilot 会在全局资源池中寻找满足条件的容量，自动完成环境配置、代码同步、任务启动、监控和故障恢复。如果没有特殊指定，SkyPilot 会从已接入的集群中智能选择。假如一家公司有10个集群，其中只有3个集群拥有目标 GPU，研究员不必逐个查询，SkyPilot 会根据容量、价格和用户设置的约束作出选择。

它和 Kubernetes、Slurm 的区别也在这里。

Kubernetes 和 Slurm 主要管理具体集群内部的资源；SkyPilot 处理的是多个集群、多个云、不同底层系统之间的全局队列和任务迁移。

底层调度器继续决定集群内部如何运行，SkyPilot 决定任务优先进入哪个集群。

对企业而言，这带来了几项直接变化：研究人员可以通过同一个入口提交任务，不必逐一学习不同云和集群的操作；基础设施团队能用同一套策略管理各类算力；当节点、GPU 或抢占式实例失效时，托管任务可以自动寻找新的可用资源并重新启动。

据 Zongheng Yang 介绍，部分客户使用 SkyPilot 后，GPU 利用率提高了 15% 以上。医疗 AI 公司 Abridge 反馈，原来只能完成一次实验配置的时间，现在可以启动十次实验。

这些效果让 SkyPilot 迅速建立起口碑，却也把一个更现实的问题推到了台前。一个从一开始就选择开源的项目，如何真正变成一门能持续经营的生意？

1

开源与商业化正向循环

SkyPilot 采用 Apache 2.0 协议，任何企业都可以免费部署、修改甚至 fork 代码。这看起来与商业化天然矛盾，但团队认为是一件好事。

因为 SkyPilot 需要连接企业的云账号、GPU 集群和任务运行流程。大客户不仅关注功能，更在意这家初创能否持续经营、系统到底执行了哪些操作，以及一旦供应商出问题，自己能否接管。

开源把控制权留给了客户。客户可以检查源代码，把 SkyPilot 部署在自己的集群里，必要时自行修改和维护。一些云厂商也从集成方变成贡献者，例如 Nebius 既参与开源版本的开发，也推出了基于 SkyPilot 的托管服务。在 Zongheng Yang 看来，这说明云厂商同样认可多云管理的价值，一个兼容更多云的平台，也可能帮它们吸引原本使用其他云的客户。

信任只是第一步，开源带来的直接问题是代码免费，SkyPilot 的壁垒究竟在哪？

团队将壁垒建立在三项优势的组合上：BYOC（Bring Your Own Compute）模式带来的中立性，作为开源项目发起者和核心维护者积累的技术与社区优势，以及服务大规模生产环境的工程能力。

大数据市场已有类似路径。AWS、Microsoft Azure 和 Google Cloud 都有自己的数据分析产品，但 Databricks 和 Snowflake 仍以独立厂商身份在三大公有云上建立起了业务。这虽然不能保证 SkyPilot 一定成功，却说明即使云厂商拥有原生产品，不绑定具体云的中立平台依然存在市场空间。SkyPilot 的判断也是如此，客户继续掌握算力的采购与控制权，SkyPilot 通过 BYOC 模式接入其已有的云账号和集群，提供跨云跨集群的统一调度与管理。

这三项壁垒也直接划出了开源版与商业版的分界线。中立性和开源回答了“企业为什么愿意用”，而服务大规模生产环境的工程能力，则决定了“客户为什么需要为商业版付费”。

开源版已经能够支持个人和团队统一运行任务。随着集群、GPU 和研究人员规模不断增加，企业需要处理更复杂的高可用、权限治理和大规模调度问题。商业版 SkyPilot Platform 主要面向这类生产环境，在开源能力之上提供托管运维和更完整的企业级支持。

同时，开源与商业之间还形成了一条正向循环。据 Zongheng Yang 介绍，公司成立后，团队仍将至少 75% 的研发时间投入开源，更多用户部署甚至 fork SkyPilot，都会暴露新的使用场景和工程问题，其中只有大型组织才会遇到的部分，就能进一步转化为商业版能力。

大多数开源用户未必需要商业版，但对每年在 GPU 上投入数千万甚至数亿美元的企业来说，控制平面能否保持高可用、团队权限如何划分、任务失败后能否及时恢复、GPU 利用率能否再提升几个百分点，都会直接影响研发效率、算力成本和业务稳定性。这些改善带来的效率提升与风险降低，足以支撑企业为商业版付费。

商业化路径跑通之后，SkyPilot 的野心显然不止于此。统一管理不同云和集群中的算力，只是他们设想中的第一步。

1

未来要做 Compute + AI 平台

团队对未来的愿景是成为一家“Multicloud AI Compute”公司。现阶段，SkyPilot 主要解决多云多集群下的算力管理问题；长期看，团队想把产品进一步扩展到多云数据和模型部署，让企业在同一套平台中处理更多与 AI 计算有关的工作。

Zongheng Yang 用 Databricks 来解释这一路径。Databricks 从开源项目 Spark 起步，逐步扩展为覆盖数据处理、存储和 AI 开发的 Data + AI 平台。SkyPilot 也希望从多云算力控制平面出发，逐步增加数据层和部署能力，最终成为覆盖 AI 计算、数据与部署的平台。

这个愿景建立在一个判断之上：AI 对算力的需求会继续增长，企业使用的云、集群和硬件也会更加多样。当计算资源分散在不同供应商和基础设施中，一个不绑定具体云厂商的独立平台，有可能成为企业统一管理 AI 基础设施的入口。

在这些核心信息之外，我们也和 SkyPilot 联合创始人兼 CEO Zongheng Yang（下图左一）聊到了许多其他话题，包括为什么现在结束隐身、如果一个云就能提供全部算力会怎样、如何看待中美市场差异等。以下是采访节选，供进一步参考。

硅星人： 为什么选择现在才正式公开 SkyPilot 背后的公司？最近一年，客户需求、融资环境或者市场对多云 AI 基础设施的认知发生了什么变化？

SkyPilot： 我们其实成立公司已经有一段时间了，只是一直在隐身状态。因为我们花了很大精力做开源。GitHub 上超过 1 万 Stars，下载量超过 1500 万，所以一直没有公开讲公司的事。

具体契机有几个。今年国内大模型，比如 Kimi K3、智谱 GLM 5.2，在美国业界产生了很大影响，因为大家能看到开源模型真正做到了跟闭源模型基本上一样好，某些场景甚至更好。这在过去两三年都没有发生过。所以我们看到越来越多的公司说，我为什么不拿开源模型来微调一下，在自己公司的场景下去用？去设计属于自己的AI Stack。

我们最大的客户现在有超过一万张 GPU 卡，分布在好几个云、十几个集群里，用 SkyPilot 来管理、来跑训练任务。开源模型只会越来越好，越来越多的公司需要做这件事，而缺失的一环就是 SkyPilot 这样的 layer 去帮他们管理算力。所以现在是很好的时机。

硅星人：中国开源模型在硅谷引发了怎样的反应？

SkyPilot：我不能代表整个硅谷，但这件事确实引发了很多讨论。从相对中立的benchmark看，这些模型的表现非常好。Google、X AI 等美国实验室以及一些开源模型团队，也会继续加快研发和模型训练。⽐如说 Thinking Machines Lab 最近也发布了他们的模型 Inkling。

对 SkyPilot 来说，我们更关注开源模型会对哪些企业产生实际影响，以及提供服务帮助这些场景落地。例如，拉丁美洲的大型银行 Nubank 使用 SkyPilot 运行模型，把 AI 用于欺诈检测；还有客户把 AI 应用于医疗，也有机器人和 Physical AI 公司用 SkyPilot 训练控制机器人的基础模型。

硅星人： 很多 AI 公司采用多云，是因为暂时无法从一家供应商获得足够 GPU。如果未来有一家供应商可以提供足量 GPU ，多云不再是刚需，SkyPilot 怎么办？

SkyPilot： 这个很好的问题。 2021、2022 年我们在学术界讲 Sky Computing、跟 VC 讨论时，他们就在问这个问题。但现在四五年过去了，AI 算力只会越来越紧缺。关键在于我们是否相信 AI 还有很大的增长空间，我觉得目前 AI 在人类社会可能只有 1% 的使用率，接下来会有更多。所以回头来看，这个问题已经被市场验证了。

包括现在有超级多 GPU 云⼚商出现，这也是证明了这个需求越来越⼤。在 AI 之前的云时代，几大厂商像 AWS、Google、Azure、Oracle，那时主要用 CPU，CPU 是够的，按同样逻辑大家用一个云就行。但我们会发现最大的公司还是会有两个或三个云，甚至在同一个云里用多个 region。

原因有几个。第一，用户会希望跟云厂商有谈判杠杆，我的东西可以在你这跑，也可以在别处跑，你应该给我更好的价格；第二，primary 云可能会挂掉，用户需要 redundancy 来保证服务不中断。

所以，短期内一个云厂商提供足够算力是不现实的。即使长期达到供需均衡，大家还是需要谈判杠杆和备份计划。

硅星人： 假如现在研究员提交了一个任务，能不能从任务进入 SkyPilot 开始讲一下：SkyPilot 如何选择集群、云，又如何启动、监控任务？

SkyPilot： 第一步，客户把几个集群加到 SkyPilot 里。SkyPilot 首先保证每个集群的 GPU 配置正确，比如互联配置、存储配置，确保每个集群是 healthy 的。也保证不管是哪家云厂商的云，都能在 SkyPilot 里去使用。这一步通常不是 AI 研究员做的，而是公司里管 AI 集群的人，每个公司可能有一两个这样的人。

第二步，AI 研究员可以用一个简单的 YAML 格式的文件，声明自己需要什么资源，比如需要 16 个节点或 32 个节点、什么类型的 GPU、要跑什么程序。如果你一共有 10 个集群，其中有 3 个有这种 GPU，客户不需要自己去搞清楚哪个现在有足够容量，SkyPilot 会自动帮你 figure out。

可以想象，如果一个研究员要跑 100 个任务，没有 SkyPilot 会非常复杂。SkyPilot 负责调度、打包作业、自动恢复失败的任务。我们本质上成为了硬件和研究之间的一个 interface。

硅星人： 现实情况会不会有一些约束，比如说数据以及合规，会不会有场景做不到跨云？或者说做不到轻松跨云？

SkyPilot：会的。客户跨集群时，不仅有数据合规的问题，还有一个很有意思的场景：集群一是最好的 GPU，集群二是次好的 GPU。客户会告诉 SkyPilot，用最好的 GPU 跑最大的训练，次好的跑很多其他 job。并不是 SkyPilot 强迫你把数据从这转到那，而是用户自己完全有选择权。他说这几个集群是这些 GPU 类型、这些 dataset，那些集群有不同的用途。SkyPilot 提供统一的管理和调度，但具体哪个集群跑哪个 job，用户可以自己决定，也可以交给我们来定。

硅星人： 目前最理想的客户画像是什么？需要拥有多少 GPU、多少个集群或多少名 AI 研究人员，使用 SkyPilot 才会产生明显价值？单一云、单一 Kubernetes 集群的客户是否也是目标客户？

SkyPilot： 这一点很有意思。就像 Docker，最初是为了远程部署开发的，但现在即使只有一个笔记本，也会用它跑数据库或应用，因为它最简单。SkyPilot 也类似：我们出发点是多云多集群，但花了很多精力让单集群、单云也能用得很简单。我们发现不少用户和客户即使在单集群或单云情况下也愿意用 SkyPilot，因为确实比之前更简单。当然，如果你有多个集群和多个云，那就更理想了。

硅星人： 中国出现了不少“Token 工厂”类公司，通常把算力、芯片适配、模型部署和推理服务打包在一起；SkyPilot 则选择做兼容多个云服务厂商的算力控制平面。怎么看这两种不同路径？

SkyPilot： 美国这边也有很多 Token factory 在做类似的事，至少有十几二十家，但没有特殊亮点就很难脱颖而出。接下来两三年，市场会有很不一样的需求。今年 7 月 Kimi K3 和 GLM 的出现，整个硅谷都在讨论：我们到底能不能拥有自己的整套 AI Stack，而不是一直给 OpenAI 或 Anthropic 交越来越多的钱？

现有的 Token factory 主要是 serverless 模式——他们自己有 GPU，客户不需要自己找 GPU。但如果企业，特别是大客户，越来越多地拥有自己的 GPU，这时候我们的 BYOC 模式就有优势了。另外我们是开源的，很多 Token factory 的平台能力不是开源的。当然 SkyPilot 未来也可以有自己的算力，但现阶段先把 BYOC 和开源这两点做好。

点个“爱心”，再走 吧