文 | 硅谷 101

AI 行业突然开始了一场 " 造芯大战 "。

7 月 20 日，The Information 报道称，谷歌正在研发一款内部代号 "Frozen v2" 的服务器芯片，计划把 Gemini 模型的部分架构直接固化进硅片。

而在一个月前的 6 月 24 日，OpenAI 亮出了和博通联合研发的首款推理芯片 Jalape ñ o，从设计到流片只用了九个月。

此外，Anthropic、智谱、DeepSeek 也都相继传出正在进行相关布局。

但并不是每家公司都有资金、有能力去重造一块芯片。因此有一个市场正在引发资本和巨头的关注：AI infra。背后的逻辑是：已经部署好的数据中心和 GPU，本身还存在优化的空间。

AI 推理平台 Baseten 一年收入增长了 20 倍，估值从 21 亿美元暴涨至 130 亿。同赛道的 fireworks，七个月内估值翻了四倍达到 175 亿美元，年化营收突破 10 亿美元。

而最近，这个赛道还迎来了一股强劲势力。开源推理引擎 " 双子星 "vLLM 和 SGLang 前后脚宣布商业化，种子轮融资都超过 1 亿美元，背后几乎聚齐了 AI 产业里所有巨头和顶级风投的名字，拉开了强强对决的大幕。

所以，"GPU 的利用率 " 成为了硅谷的最新关键词，也带出了一个新的千亿级市场。

这篇文章，我们邀请到了由 SGLang 孵化的 RadixArk 的联合创始人和核心成员，以及数据中心专家，一起聊聊 AI Infra 的四层架构、行业如何把 " 硅 " 的潜力榨到极限，以及背后的关键技术。

大模型的重心从训练走向推理，这对算力会提出完全不同的要求。

训练成本极高，但训练完之后，任务就告一段落。但推理不同，无论是 Chatbot 还是 Agent，AI 应用越多，GPU 需要处理的请求就越多，而且这些请求完全不间断，推理需求也随之爆发性增长。

朱邦华

RadixArk 联合创始人

随着新的应用逐渐增多，推理的总量会比原来大很多。随着大家不断拓展应用、不断拓展模型的智能边界，推理的需求会越来越大。现在已经大到，市面上的卡基本都很难找到，每一家都缺卡。

现在的情况就是，市面上每一家都缺卡，而对于有钱的巨头们来说，最直接的方法当然还是继续建数据中心、采购更多 GPU。

Meta、Google、Microsoft 等科技巨头持续提高资本开支，今年合计预计超过 1 万亿美元。而黄仁勋预测，到 2030 年，全球 AI 基础设施年投资规模将达到 4 万亿美元。

但华尔街，是担心的。

Ethan Xu

前微软能源战略经理、突破能源科研总监

华尔街的担心不无道理，过去我们是有前车之鉴的。像互联网时代泡沫的破灭，当时大量资金投入到光纤建设、互联网公司，虽然长期来看实现了它们的价值，但短期出现了很大的问题。

所以，如果不能在短时期内大规模增加算力，还有什么办法能够满足 AI 快速发展的需求？答案是：提高 GPU 的利用率。这背后的这一层产业，叫做 AI Infra（人工智能基础设施层）。

首先，我们从 AI Infra 的整体架构角度，来科普 GPU 的一个误区：你以为 GPU 很忙，其实大多数时候，GPU 是很 " 闲 " 的。

GPU 只是整个 AI 系统中的一环。从一条用户请求进入系统开始，它需要经过网络传输、资源调度、模型加载、内存管理，再到最终完成推理、返回结果。整个过程中，只要任何一个环节出现瓶颈，GPU 就只能停下来等待。

卡内基梅隆大学（CMU）今年 4 月发布的一项研究，对一个大型学术 AI 集群里的 756 块 GPU 做了 31 天的细粒度遥测，覆盖 A6000、L40S、A100、H100 到最新 B200 等六种型号。结果发现，很多时候 GPU 都处于一种叫做 "execution-idle"（执行时空转）的状态。

这种 " 看似繁忙实则空转 " 到底有多严重？在他们观测的集群中，整体上有近 20% 的执行时间和约 11% 的能耗被浪费在了等待上。更值得关注的是推理场景，Azure Code 负载有高达 65% 的能耗消耗在这种空转上，OpenAI 的 Chat 类请求也达到 52%。

那么，为什么 GPU 会被跑不满呢？我们首先要了解一下 AI Infra 的四层架构，每一层其实都会影响 GPU 的利用率。

第一层：能源基础设施（Power Infrastructure），也就是电。这一层决定的是，GPU 能不能持续稳定地运行。

第二层：计算硬件（Hardware Infrastructure），也就是卡。除了 GPU，现在还包括高带宽存储（HBM）、高速互联（NVLink、InfiniBand）和 CPU 等。这一层决定的是理论上能够提供的计算上限。

第三层：系统软件（System Software），包括 CUDA、编译器（Compiler）、通信库、内存管理和底层算子（Kernel）库等，决定的是每一次计算能不能被执行到硬件的物理极限。

第四层：服务编排（Service Orchestration），这一层要负责协调 GPU 资源，决定哪些任务优先运行，以及不同业务间的动态调度。推理引擎、训练框架、请求调度和资源管理等都属于这一层，代表性项目有 vLLM、SGLang 等，也是近年来创新最密集的地方。

搞清楚了 AI Infra 的架构之后，回到我们的问题：为什么这么多 GPU 跑不满，主要卡在什么环节？

理论上来说，四个层级中的任何一层出现问题，都会影响 GPU 利用率：电力和散热不足，GPU 会被迫降频运行；硬件互联跟不上，会让 GPU 花大量时间在等数据而不是算数据；系统软件优化不够，会让每一次计算都无法触及硬件的物理极限；而请求调度不当，会让本来可以合并的计算被拆散、可以复用的结果被重算，造成浪费。

但这四层的问题，性质并不相同。能源基础设计层和计算硬件层是 " 硬 " 问题，电力、散热、芯片的改造周期以年为单位，而且优化空间正在快速见顶。系统软件层和服务编排层是 " 软 " 问题，本质上是工程问题和算法问题，优化之后能带来数倍的性能提升。

在这样的背景下，行业的注意力也在快速往这两层 " 软 " 问题上移。

陈震林（Richard）

RadixArk Member of Technical Staff

尽管成本主要发生在物理层，但大部分工作都要放在软件层和服务编排。因为你把人力投入到这一块当中，能够带来最大的优化可能性。

举一个具体的例子。一台 NVIDIA GB200 NVL72 机柜，采购成本大约在 400 万美元。但如果软件栈没有做好调度和优化，GPU 的实际利用率可能只有 50%，相当于只用到了 200 万，剩下的 200 万美元就以电费、折旧和机会成本的形式被白白烧掉了。反过来，如果能把利用率从 50% 推到 90% 以上，效果就相当于凭空多出了一台机柜。

软件层能做得最好，就会带来更好的服务和更好的 token 消耗。通过这一层的重写和优化，去帮助推理引擎和训练框架做更好的交互，也包括像 reinforcement learning（强化学习）这种现在特别火的 post-training（后训练）过程的调度，把 GPU 的利用率给提上来。

这就是为什么，当硬件成本高到这个量级时，软件层的每一次优化，都变成了直接的商业问题。

不久之前，有网友扒出 Anthropic 的员工中现在占比最大的就是 AI Infra 相关的工程师，背后也与这个逻辑息息相关。

陈震林（Richard）

Anthropic 现在推理的队伍大概已经有 200 多个人，在这三年期间，他们也是从 infra 极度不稳定，到现在极度趋于稳定，以及把成本和优化做得更强，这也直接影响了他们的营收能够在二季度就实现盈利。

OpenAI、Anthropic 和谷歌会把这样的 AI Infra 团队放在公司内部做，因为这成为了各大前沿实验室的竞争壁垒之一。但对于没有资金量做优化的稍小一些的模型团队或初创公司来说，两个开源框架成为了他们的支柱，分别是 SGLang 与 vLLM。

这就是为什么两年前会有像 SGLang 这样的开源社区出现。你需要有这样新的框架，去重新定义这一波新的硬件系统组合，才能跟它做更好的适配。

理解了四层架构以及需要被优化的两层 " 软 " 问题，那具体应该怎么做呢？

目前所有的优化工作，都可以归结为对四个问题的回答：哪些计算不用重新做？哪些等待可以消除？哪些算力没有吃满？哪些资源没有协同？

刚才我们提到的 SGLang 与 vLLM 都是在围绕着这几个问题展开，只是设计思路略有不同。vLLM 因提出 PagedAttention 而受到广泛关注，更强调常规、通用的推理部署场景。SGLang 则从推理执行流程出发，更强调计算复用和系统级优化。

我们来看看，SGLang 孵化出来的 RadixArk 团队，现在是如何思考 AI Infra 优化的这四个核心问题的。首先，我们先来解决一下计算的问题。

▍ K/V Cache 的极致复用

大模型推理里有一个 " 很傻 " 的事实：当同一段文字被反复喂给模型时，它每次都要从头计算一遍。

这在实际业务里简直就是硬伤，尤其是在 agent（智能体）工作流里，同样的工具描述可能被调用几十次，每次都从零开始。业界现在把它称为 " 推理税 "，这意思大概跟智商税也差不太多，反正都是白花的钱。

那这税能不能省呢？当然能。

Anthropic 之前就做过一版优化，直接把成本砍了 90%，同样的东西本来要花十块，优化完只花一块。而这背后最核心的思路，叫做 KV Cache 复用，简单来说就是把算过一遍的东西存下来、下次直接拿来用，不用从头算。

Transformer 在解码时，每一层 self-attention（自注意力机制）都会把历史 token 映射成 Key / Value 张量，简称 KV，Cache 就是缓存。有了 KV Cache 之后，在第一次请求的 prefill（预填充，指用户输入完 prompt 到生成首个 token 的过程）阶段，系统能把 prompt 中每个 token、每一层的 K/V 存下来。之后解码每个新 token 时，只计算新 token 的 KV 并追加到缓存里，历史 token 的 K/V 则直接复用。

但 KV Cache 有一个弊端。它虽然可以降低解码的计算量、降低首 token 延迟（TTFT），但代价是占 GPU 显存。当上下文很长、同时又有很多用户请求时，KV Cache 会占用大量显存。显存一旦不够，模型就很难继续提高并发和速度，所以它常常会变成推理服务的主要瓶颈。

而 SGLang 在这件事上的解决方案，是一项叫做RadixAttention 的核心技术。

它的核心思路是用一种叫做 " 基数树 "（Radix Tree）的数据结构，来组织海量请求的 KV Cache。你可以把它想象成一棵共享前缀的家族树，共享同样开头的请求会共用同一段枝干，只有当内容开始分叉时，才各自长出新的树枝。

现在的智能体世界里，很多时候会有很多共享的系统提示词，在共享的系统提示词之后会有不同的用户提示词，而在同一个用户提示词下面，大家会接着问问题，所以树状结构就会不断向下延伸。这也是 SGLang 论文比较有远见的地方，它在 2023 年的时候就已经大概预见到了这样的模式。随着智能体编程的用户越来越多，Radix Tree，也包括 SGLang 本身的 prefix cache（前缀缓存）这套系统，带来的增益就越来越大。

简单来说，SGLang 完成的核心优化之一，就是跨请求、跨机器地共享和复用 KV Cache。普通 KV Cache 只服务于一个请求，但 SGLang 把 KV Cache 变成了全局可复用的资源。

不过，这件事听起来简单，工程上却很复杂。比如说，缓存存在哪里、怎么快速匹配、多个请求怎么共享、显存不够时该淘汰谁，每一步都要精细设计。仅仅有一个好的缓存结构还不够，还需要 " 调度器 " 主动把可以共享前缀的请求安排在一起处理。否则缓存明明存着，调度器却把请求分到不同时间、不同 GPU 上，缓存就等于白存。对此，SGLang 也做了非常多的优化策略。

比如说 Cache-aware scheduling（缓存感知调度），就是把相似请求排在一起处理。你可以把大模型运作想成餐厅后厨，如果后厨现在连续处理的三单都是麻辣香锅，那很多调料和准备工作可以复用，效率很高，就算有区别，也只是小辣、中辣、大辣的区别。

但如果顺序变成麻辣香锅、寿司、牛排、麻辣香锅、寿司、披萨、麻辣香锅，中间切来切去，大厨还得洗锅，那复用机会就少了。所以 SGLang 会用 Cache-aware scheduling 让前缀相似的请求靠近处理，把顺序重新排成 3 份麻辣香锅、2 份寿司、牛排、披萨，这样缓存更容易命中，效率也就进一步提高。

还有一个叫 Eviction（淘汰机制），就是显存不够时，扔掉最不可能再用的缓存，跟你管理手机内存是一样的道理，10 年前的照片和文档，可能就没有最近几个月的数据那么有价值。所以常用的系统提示词、高频 RAG 文档，还有最近刚被用过的对话前缀更会被保留，而显存不够时，就淘汰很久没用过的、复用价值低的、不太可能再被访问的 KV Cache。

还有一个让 AI Infra 显得非常有智商的技术，叫做分布式 cache-aware load balancer（缓存感知负载均衡）。大规模服务通常有很多 GPU，如果某段长 prompt 的 KV Cache 在 GPU 1 上，但下一个相同前缀的请求被发到了 GPU 3，那 GPU 3 没有这份缓存，还是得重新算。所以 SGLang 还会尽量把请求发到 " 已经有笔记 " 的那个 GPU 上，这样一来，可以少算很多重复内容。

还有其他的小技术细节我们就暂时不展开了。总体而言，虽然 SGLang 把架构都搭好了，但具体每个团队怎么部署 infra，还是蛮有工程上的考量的。我们接下来看看优化工作的第二个大难题：等待。

▍等待：让 GPU 别闲着

现在这行情，内存价格一个季度能涨 90%，高端显存缺货缺到 2027 年，GPU 有钱都不一定抢得到。但最后，这些花了大价钱抢到的卡，一半时间却都在 " 干等 "。

第一是请求之间的等待。最早的推理引擎是 " 排队制 "，请求一个个来，一个算完再算下一个。后来演进到 " 批处理 "，凑够一批一起算，但凑批也要等，这不解决浪费的问题，而且一批里如果有的请求短、有的请求长，短的算完了要等长的算完才能一起下车，短请求的用户体验极差。

现在主流的做法叫 Continuous Batching（连续批处理），不再等一批人全部到齐再发车，而是像一辆随时可以上下客的公交车，新请求随时能上车，算完的请求随时能下车，GPU 始终保持满载。这一改造，能让 GPU 的实际吞吐量提升 2 到 4 倍。

除了请求等待之外，计算阶段也有等待。大模型的推理其实包含 " 读入 " 和 " 生成 " 两个阶段。读入阶段（Prefill）要快速处理一大段文字，对算力要求高。生成阶段（Decode）则是一个字一个字往外蹦，计算量不大，但每写一个字都要翻一遍完整记忆，对显存带宽极其敏感。过去这两个部分都被塞进同一张 GPU 里混合执行，结果就是 Prefill 在算的时候 Decode 在等，Decode 在算的时候 Prefill 在等，互相拖累。

现在的做法叫 Prefill/Decode 分离，把这两个阶段拆到不同的 GPU 上，各自用最适合的硬件配置，通过高速网络传递中间结果。比如 DeepSeek 就采用了这个方案，Prefill" 读题 " 时，32 张 GPU 组成一个最小计算单元，等真正开始 " 逐字作答 "，任务就交给另一批 GPU 接手，两拨卡各干各的，互不打扰。

如今，PD 分离已经成为推理引擎最重要的架构演进之一。在英伟达推出的分布式推理框架 Dynamo 中，PD 分离被放在了整个架构设计的核心位置，而 SGLang 也是业界最早支持大规模 PD 分离部署的推理引擎之一。

接下来我们说说第三个大问题：算力跑满的问题。

▍算力：" 多释放一倍 "

当年英伟达的 H100 发布后，Tensor Core 算力相比 A100 提升了数倍，整个行业都期待着 AI 推理能同步增长、性能飞跃，但现实却并不是这样。背后的主要原因是，GPU 大量时间花在了数据搬运上，又受限于串行解码，计算能力无法得到充分释放。

解决思路有两个主要方向。

一个是低精度计算。大模型在运行时，GPU 显存里主要装了三样东西：模型权重、中间激活值、以及 KV Cache，这三部分的精度可以独立设置。用更小的数据格式来存储或运算其中的任何一部分，都能减少显存占用，也能利用 GPU 上更快的低精度算力。在合适的场景下，甚至能多释放出一倍的算力空间。

另一个是投机采样（Speculative Decoding），意思是先用一个小模型（draft model，也叫草稿模型）" 猜 " 接下来几个字，再让大模型进行一次性验证，猜对了就等于一次计算生成多个字。

做个类比，大模型是个很厉害但很忙的老师，小模型是个速度很快的助教。之前，学生每写一个字都要问老师这个字行不行，老师确认后再写下一个字。但投机采样是助教先帮学生写一小段草稿，老师一次性看这一小段，如果前面都对就全部通过，如果中间错了，就从错的地方重新来。

这样的方式，最佳情况下能把生成速度提升 2 到 3 倍。而推理引擎在这里扮演着一个至关重要的角色，就是把这些新能力第一时间集成到系统里，把软件和硬件打通，优化协同起来。

SGLang 本身是一个整体的解决方案，它是一个 inference engine（推理引擎）。它需要保证，比如我们会做 kernel（计算内核）优化，会做 scheduler （调度器）优化，会做比如说 CUDA Graph（CUDA 图执行优化）、continuous batching（连续批处理），甚至再往上走，你会有 routing（请求路由），也包括 prefix cache ( 前缀缓存）怎么去被路由到对应的推理引擎实例。所以 SGLang 其实有非常非常多的技术组合在一起，把整个推理方案做到极致、做到最好。

我们的嘉宾还提到，像 SGLang 这样的推理引擎，现在跟芯片厂商之间已经是一种深度绑定的联合优化了。芯片厂在设计新硬件的时候，就已经在和 SGLang 团队一起做联合调优，等到硬件正式发布，SGLang 也几乎在同一时刻完成了 day-0 支持，双方一起把硅的性能压缩到极致。

不管是哪一个硬件厂，做出来新的 GPU、新的硬件，都要证明这个硬件是非常高性能的。基本上现在默认，很多人的选择都是通过跑 SGLang，甚至现在 SGLang 已经变成一个硬件评测的工具。比如你可以看到 AMD 最新的硬件、英伟达最新的硬件，现在都是 SGLang 的首发合作伙伴，甚至就在发布硬件的当天，他们就会说在 SGLang 上的性能表现达到了多少。我们现在会和所有这种硬件厂商合作，SGLang 本身和我们团队能够把他们硬件的性能压缩到极致，使得最后能交付更好的推理性能、训练性能等等。

这其实也解释了 RadixArk 从 SGLang 孵化出来进行融资的时候，机构投资人方面，英伟达、AMD、联发科、Databricks 等 AI 硬件与系统层的主要玩家几乎全部到齐，个人投资者的名单更是一个比一个重磅，包括英特尔 CEO 陈立武、博通 CEO 陈福阳、OpenAI 联合创始人 John Schulman、PyTorch 之父 Soumith Chintala 等等，可以说是非常豪华的阵容了。

因为对他们来说，投资 RadixArk 这样的推理引擎是一种战略下注。他们需要一个连接算力与应用的基础设施入口，把更多模型、企业应用和 Agent 都汇聚到自己的算力生态中。

最后，我们再来说说 SGLang 在强化学习上的一个重要优化：Miles。

▍资源协同：适配 RL 后训练的 Miles

强化学习成为了新一代模型的核心训练方式，这包括 OpenAI o1 和 DeepSeek R1 等等，这也让 AI 训练的形态发生了巨大变化。

传统的模型训练是一件 " 体质单一 " 的事：喂数据、更新参数、再喂数据、再更新参数，整个过程中 GPU 干的都是同一类活儿。这种情况下，硬件配置和调度策略只要针对 " 训练 " 这一件事优化到位就行了。但强化学习要把推理、评估、参数更新三种完全不同的计算揉在一起循环跑，三件事对硬件的需求天差地别。

准确来说，强化学习必须要做在线推理。它的负载是，我先让模型生成很多要回答的内容，然后根据这些内容打分，再把模型更新一下，再去回答一些新的问题，然后再给它打分。所以本身它就是一个交替做训练和推理的过程。

如果用传统的训练框架来跑强化学习，它们会在同一批 GPU 里争抢资源，生成的时候训练在等，训练的时候生成在等，大量算力被浪费在阶段切换和相互等待上。

所以资源协同，成了效率提升的命门。这也是为什么 RadixArk 在 SGLang 之外，还推出了训练框架 Miles。

如果单纯无视训练、只做推理，反而可能没有办法押注未来。因为最终可能还是会有很多人希望自己训练自己的模型，然后再去推理。所以如果我们想做整体的 AI 软件基础设施，我们认为两边都需要关注。

Miles 是一个面向大模型后训练的开源训练框架。所谓后训练，是指模型有了基础能力之后，再通过 SFT（监督微调）、强化学习等方式继续打磨，让它更会听指令，也更会思考。

和传统训练框架相比，Miles 最大的不同是：它把 " 训练 " 和 " 推理 " 放进了同一个系统里一起考虑。这点在强化学习里非常重要，就像我们前文提到的，在强化学习中推理和训练是一个交替进行的过程，如果配合不好，很多算力就会被浪费掉。

Miles 和 SGLang 配合在一起之后，SGLang 在推理端不断产出新样本，Miles 在训练端不断更新模型权重，更新后的模型又可以继续用于下一轮生成。这样的优化，能让推理和训练衔接得更顺，减少等待和切换的时间浪费，从而形成一个更高效的后训练闭环。

不匹配的情况在现在的工程领域当中还很容易经常发生，它会导致在推理和训练模型当中，你什么时候能够共用一些共享的模型权重、kernel，你才能保持对齐。很多人会用 SGLang，那这时候再用 Miles，本身会带来更强的训练能力，然后对推理任务、长程任务，还有智能体的任务，提高更多的稳定性。MoE（混合专家模型）现在是大家都在使用的架构，但 MoE 本身会有一些 routing（路由），这个过程当中会导致训练和推理当中并行的一些策略、还有最后的准确率都会不一样。所以这时候你就需要有更强的工程能力，能把这个事情给做成。所以 Miles 本身就带来了这一块的优化，以及把训练和推理去做更好的结合。

目前，Miles 在新硬件支持、MoE 训练以及训练与推理一致性（Training-Inference Alignment）等方面都进行了大量工程优化，使整个后训练流程能够更稳定、更高效地运行。自 2025 年 11 月项目启动以来，Miles 已经被不少前沿实验室采用。

我们说了这么多技术上的理论，是因为这一层对于 AI 大模型的发展真的非常重要。它希望把 " 硅 " 的极限榨出来，让整个 AI 系统的算力效率被系统性地释放出来。

而就如我们之前提到的，SGLang 和 vLLM 都是开源架构，背后主要依靠一群研究者和工程师在业余时间共同维护、为爱发电。但当全世界都面临算力紧缺、需要去 " 榨 " 硅的极限从而释放更多算力的时候，仅靠开源社区的协作已经难以满足庞大的需求了。于是，SGLang 和 vLLM 的主创团队都前后选择了正式出来创业，更快速、更投入地把技术往前推。

从 SGLang 正式孵化出来之后，RadixArk 有着更大的野心。他们认为，就像云计算改变了服务器一样，未来 AI Infra 也可能演变成整个 AI 行业能够共享的基础设施。

最近，黄仁勋牵头成立开源 AI 联盟，联盟里既有模型公司，也有芯片公司，还有像 SGLang 这样的 AI Infra 项目。

今天开源模型迭代的速度越来越快，从 DeepSeek V4、智谱 GLM-5.2 到 7 月 17 日刚刚发布的 Kimi K3，每隔几周就会出现新的 SOTA 模型。但开源模型开放的只是权重，权重并不会自动变成 Token。任何人下载了这些模型之后，仍然要解决部署、显存、吞吐和调度等一系列工程问题，而 SGLang 现在都能做到 day-0 支持。

这意味着，模型一发布，任何开发者都能借助 SGLang 这样的引擎立即部署，同一套推理框架也能够跑在英伟达、AMD 以及更多新兴 AI 芯片之上。推理框架正越来越像 AI 时代的 " 操作系统 "，成为连接模型与芯片的关键一层。

我们做 RadixArk 一个更大的目的，其实是希望以后就不要有 frontier lab（前沿实验室）这个词，因为人人都可以做前沿实验室。我觉得前沿本身也是一个非常动态的事情，两年前大家都会觉得 Anthropic 并不是前沿公司，甚至在这之前，大家可能觉得谷歌离 OpenAI 太远了，不可能追上。所以在这方面，我觉得现在 AI 变化太快了。

我们相信会有越来越多的挑战者，越来越多有自己想法的人，他们会做出更好的 AI 模型和 AI 产品。我们做 RadixArk，就是希望能够赋能这些更有想法的人，让他们更好地去做自己的事情，我们给他们提供的是 infra 上最强的支持。他们在想做的这一刻开始，就会有和现在的前沿实验室一战之力。那最终，可能这个世界上所有人其实都能自己训练出前沿级别的模型，然后能做最好的推理，所以我们其实更希望是这样一个支持者的角色。

所以，当 AI Infra 能力从少数前沿模型巨头的独家资源，变成任何一家创业公司都能直接调用的公共品，从事 AI 工作的门槛会被显著降低。而这，或许才是 " 榨出硅的极限 " 这件事最重要的意义。

我们也希望看到，在 infra 红利被全面释放之后，会有越来越多带着新想法、新架构、新应用场景的团队不再因为 infra 而被拖慢脚步，这也能让 AGI 距离我们更近一步。