北京
五个月前，这家公司刚宣布了 C 轮融资。当时团队的说法是需求正在加速。五个月后，用量翻了三倍，年同比增长超过 15 倍，年化收入运行率（annualized run rate）首次突破 10 亿美元。
这个数字背后是一批跑在其平台上的应用。TypeSafe AI 的 Jev 是其中增长最快的产品之一，上线头三天就消耗了 1 万亿 token。TypeSafe 团队没有把精力花在管理基础设施上，而是继续做产品。
DoorDash 的 AI 平台团队用这套基础设施把公司内部的应用从实验推进到生产环境。Cognition、Ramp、Linear、Hebbia 在构建各自领域的后台智能体。Runway 在全球各个区域生成逼真视频。Physical Intelligence、Generalist AI、1X 在训练机器人。Chai Discovery 和 Achira 在上面跑药物发现，通过 Claude Science 工作的科学家也在用。
每一次软件范式转移，都会重写基础设施
创始人从九十年代初就开始写软件。他经历过几次台阶式的变化：Web、云、大数据、移动，还有几次别的。每一次变化，改变的既是人们能构建什么，也是构建这些东西需要什么。
云刚起来的时候，开发者突然要面对分布式系统、分片、配置管理。原来的工具都不是为这些设计的，于是有了 Docker、Kubernetes、Terraform。
AI 带来的摩擦现在很清楚：GPU 稀缺，模型很大，加载很慢。大语言模型现在会写代码，而代码得有个地方跑，还得和其他东西隔离。在旧的技术栈上也能把这些都考虑进去，很多人已经这么做了，但最后会掉进 YAML 地狱和 GPU 采购炼狱。
这家公司的选择是往下走。团队扔掉了大部分现有技术栈，从零构建了自己的文件系统、容器运行时、调度器和网络，底层是一个横跨 20 多个云的容量池。
从函数到沙箱，再到多节点训练
软件的美妙之处在于可组合性。如果有合适的积木——通用的、经过实战检验的、可扩展的——能搭出来的东西是无限的。
函数（Functions）是第一块积木：你写代码，平台负责运行。这对生成式 AI 特别有用，扩散模型做图像生成、Suno 做音乐、vLLM 和 SGLang 做推理、模型训练，都跑在上面。
2023 年，团队注意到有人用大语言模型生成代码，于是推出了沙箱（Sandboxes）。三年后，沙箱单独成了一个年化收入 3 亿美元的产品。用例从后台智能体到强化学习，再到 vibecoding 平台。平台已经启动了接近 30 亿个沙箱，可以扩展到百万级并发。
最近的新动作包括：多节点训练，一个装饰器就能拿到一个完全 RDMA 连接的集群，不需要容量承诺；推理侧推出服务器产品，以及 LLM 服务相关的 Endpoint Candidates；沙箱方面，虚拟机现在正式可用。团队还在往技术栈上层走，会推出强化学习和后训练相关的产品。
7.5 亿美元 D 轮，估值 157.5 亿美元
为了继续构建这些东西，公司完成了 7.5 亿美元的 D 轮融资，投后估值 157.5 亿美元。本轮由 Accel 领投，Kleiner Perkins 加入，所有现有投资方都参与了，包括 Menlo Ventures、General Catalyst、Redpoint、Lux Capital 和 Bain Capital Ventures。
五年前公司刚起步时，创始人想象不到今天跑在上面的多数应用。两年后人们会造出什么软件，同样难以想象。但有一件事是确定的：那需要一套全新的积木，而这家公司希望其中很大一部分跑在自己身上。
团队目前有 200 多人，分布在纽约、旧金山和斯德哥尔摩。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
