从卖算力到卖成果：工作流反向定义产品需求，Tirias预计行业拐点全面转向“系统编排”

发布时间：2026-07-17 08:15:47 来源：安智兰德资讯网 作者：探索

智通财经APP观察到，系统编排过去几年人工智能（AI）行业的从卖成果核心命题相对单一：行业能否以足够的速度构建充足的算力，以满足激增的算力需求？

随着大型语言模型（LLM）的爆发，一场史无前例的到卖点全基础设施竞赛拉开帷幕，投资者深度卷入其中。工作英伟达稳居AI生态核心，流反超大规模云服务商以前所未有的向定速度扩张数据中心，AI原生云服务商也随之诞生，义产s预业拐为无法通过传统渠道获取算力的品需组织提供替代方案。起重机不断升起，计行购电协议持续签署，面转行业热度居高不下。系统编排

这种热度自然引导了公众讨论的从卖成果焦点，使其集中在加速器、算力网络架构、到卖点全功耗、冷却系统及数据中心建设上。投资者紧盯GPU出货量，企业争夺有限的算力资源，云服务商则竞相抢占日益稀缺的基础设施。这种关注合乎逻辑，因为AI需求的增长速度远超行业供给能力，且预计未来将持续加速。

Tirias Research发布的白皮书《预测代理式AI与交互模型的兴起》指出，到2030年，年度LLM推理量将从2024年的990万亿token激增至超过100京（1,008,410万亿）token，图像和视频生成领域也将呈现显著增长。

然而，随着AI部署的成熟，行业正面临一种新型瓶颈。当AI应用从简单的聊天交互向智能体（Agent）工作负载演进时，挑战重心已从“获取AI基础设施”转向“如何高效利用这些基础设施”。

这一挑战的本质在于：运行模型主要是一个计算问题，而运行智能体则是一个系统问题。智能体彻底改变了基础设施的使用模式及其消耗量。

Tirias Research将这一演进描述为从“第一波”向“第二波”的转变：
* 第一波：AI主要作为响应个体提示的对话式助手。
* 第二波：自主智能体具备推理能力，可调用工具、维护上下文，并以极少的人工干预执行复杂的多步骤任务。这些智能体往往是持续运行的，而非单次响应即止。

因此，预测显示，平均一个“第二波”用户消耗的token数量是传统“第一波”聊天用户的40倍，而作为异步智能体运行的技术用户消耗量更是高出几个数量级。随着工作负载变得更加长效、自主且互联，挑战已从单纯提供算力，转向围绕算力进行复杂系统的编排。

近期，英伟达CEO黄仁勋将行业定义为由智能体AI驱动的另一个“拐点”。拐点不仅意味着增长，更意味着轨迹的加速变化。底层技术固然重要，但重心已发生转移。

智能体必须能够规划、访问工具、与外部系统交互、维护记忆，并协调跨多个服务的操作。基础设施依然必不可少，但已不再足够。成功的关键越来越取决于将模型、工具、数据和行动连接成可靠工作流的能力。

正如Tirias Research高级分析师凯文·海因（Kevin Hein）所总结：“问题不在于AI基础设施是否依然重要，而在于接下来什么变得重要？”

基础设施正成为起点

现代AI的第一阶段旨在证明技术的可能性；第二阶段则致力于建立大规模实现这一目标的能力。这意味着构建训练集群、推理容量、存储系统和高性能网络。AI原生云服务商的出现正是对这一需求的直接回应。

在此视角下，AI云正在演变为超越单纯优化AI工作负载的基础设施。它正成为一个整合计算、模型、数据、工具、编排和运营服务的平台，为构建和运行AI系统提供环境。

但基础设施正逐渐从终点变为旅程的起点。如今的生产级AI部署通常涉及多个组件，而非单一模型和GPU。组织结合了检索系统、向量数据库、可观测性平台、评估框架、智能体架构、安全控制、编排层及第三方集成。由此形成的软硬件栈往往跨越多个供应商和云平台。

在“物理AI”（Physical AI）等领域，这一挑战尤为显著。构建自主系统还需要模拟、合成数据生成、模型训练、验证、部署、遥测收集和持续再训练。围绕模型构建的系统规模，往往使模型本身相形见绌。

获取基础设施仍是必要前提，但如何围绕其组装一切，正成为更难的问题。

一个熟悉的演进过程

这并非科技行业首次遭遇此类转型。计算历史本质上是一部抽象化历史：
* 操作系统减少了对底层硬件的理解需求；
* 虚拟化消除了管理物理服务器的负担；
* 云计算消除了建立数据中心的需要；
* 无服务器计算（Serverless）则将基础设施部署完全排除在外。

每一步都让用户远离底层技术，更接近其寻求的结果。AI似乎正遵循一条相似的道路。大多数组织目前仍采用自下而上的方式构建AI：从选择模型、配置基础设施、设置框架、连接API到逐步组装工作流。在产出任何有用成果前，需投入大量精力。然而，客户需求正在转变，他们希望从待解决的问题入手，由平台处理其余部分。

以工作流为中心的AI云的出现

这正是当前一代AI云服务商引人注目的原因。尽管大多数公司仍自称为基础设施公司（例如Nebius明确定位为AI云服务商），但审视其客户案例、产品公告和会议主题，会发现更微妙的趋势。

反复出现的主题并非基础设施容量，而是改进围绕模型的系统。客户案例聚焦于编排、检索、可观测性、评估和部署，而非单纯的模型性能。重点始终在于降低构建可靠AI系统的复杂性，而非仅提供额外的基础设施组件。

Nebius的产品开发虽植根于技术栈，但正越来越多地围绕客户工作流来打包这些能力。这体现在其对开源模型、第三方工具、生态系统合作伙伴关系及更高级平台服务的支持上。这种模式表明，该公司不仅关注提供基础设施，更致力于使这些基础设施更易应用于现实世界的AI开发和部署挑战。

历史上，技术供应商往往构建产品，期望客户调整工作流以适应。而新兴的AI云模型正在扭转这一关系：从客户工作流出发，通过演进平台来支持它们。本质上，客户工作流正在成为产品需求。

当工作流成为产品

以工作流为导向的平台出现，极好地阐释了这一趋势。过去，云平台暴露的是基础设施组件。客户需自行选择虚拟机、数据库、存储、网络、队列和可观测性工具，并将这些碎片组装成应用程序。平台提供构建模块，客户负责架构设计。

现在，AI平台正提升至更高层级。它们不再暴露单一服务，而是开始暴露工作流。

Nebius近期推出的“智能体蓝图”（Agents Blueprint）为此提供了实用案例。像Terraform这样的“基础设施即代码”（IaC）工具实现了基础设施的持续定义和部署，降低了运营复杂性并提高了可重复性。Nebius的“智能体蓝图”将这一概念扩展至基础设施之外，将完整的AI工作流（包括模型、检索系统、编排框架、可观测性工具和配套服务）打包成可重用的模式。

其目标不再仅仅是部署资源，而是通过重用已验证的系统模板，加速工作AI系统的创建。客户支持智能体、研究助手、搜索应用或自主系统，正被视为可重用的实现模式，而非独特的集成项目。蓝图捕捉了早期部署中验证过的架构、工具和运营实践，允许组织从成熟系统起步，而非从零组装。每一次部署都建立在前次经验之上，在降低重复犯错风险的同时加速交付。

在云计算时代，基础设施成为了服务。在正在兴起的AI时代，工作流本身正在成为产品。这也解释了为何部分AI云服务商正从基础设施向更高级的平台能力扩展。这些平台不再仅专注于配置基础设施资源，而是越来越多地帮助客户组装、部署和操作AI应用程序，屏蔽大部分底层基础设施的复杂性。

“这种转变反映了更广泛的行业趋势。如果客户工作流成为消费的主要单位，那么理解客户如何构建AI系统就变得具有战略意义，”海因指出，“产品路线图越来越多地源于对成功实现模式的观察，而不是简单地添加新的基础设施功能。”

平台通过帮助客户更有效地从意图过渡到执行而实现进化。这是目前AI行业中正在发生的最重大转变之一。

从自助基础设施到自助成果

云计算改变了软件开发，因为它极大地降低了摩擦。开发者只需输入信用卡信息、配置资源，即可立即开始构建。基础设施按需供应，消除了采购周期、硬件购买及传统IT中的大部分运营开销。

AI云服务商正在扩展这一概念。第一代提供的是“自助基础设施”，而下一代正在提供“自助成果”。平台不再要求客户手动配置模型、推理端点、可观测性系统、安全控制和编排框架，而是越来越多地承担起组装这些组件的责任。

近期将智能体直接纳入云平台的努力，为这一未来提供了初步窥见。平台不再需要用户在数百个API、云服务和部署决策中导航，而是拥有了一个智能层，能够理解客户目标并相应配置环境。

Nebius最近推出了Nebius Echo，这是一个直接内置在其云平台中的AI助手，允许客户使用自然语言与基础设施交互。Echo不仅仅是一个聊天机器人，它开始将云运营从手动配置转向意图驱动的执行。平台可在获得用户适当批准的情况下，解释服务、检查资源并执行基础设施操作。

客户描述想要的结果，平台管理执行。基础设施依然必不可少，但它更多地成为了客户专业知识发挥价值的基石，而不再是最终结果。

真正的拐点

普遍假设是，AI基础设施提供商正在竞相构建最大的集群。在某种程度上，确实如此。对算力的需求持续增长，GPU在未来几年内仍将是行业基石。

但仅专注于基础设施，可能会错失正在发生的更大规模转型。即使在Tirias Research前述白皮书的基准情景下，实际的基础设施部署到2028年左右也开始落后于预计需求。假设没有重大的地缘政治或供应链中断，到2030年仍将有约72千兆token的年度推理需求无法得到满足。

这种缺口不仅仅是呼吁建立更多数据中心的理由。鉴于目前在房地产、电力和冷却方面的限制，即使有人想走这条路，这可能也不切实际。相反，它凸显出AI正在演变成一个系统问题。随着工作负载变得更加长效、自主且互联，价值正从原始算力容量，转向那些能够高效编排模型、内存、工具、数据和工作流的平台。

AI云的第一阶段是关于获取算力。新兴阶段则是关于抽象化，并专注于降低有效使用这些算力所需的专业知识门槛。智能体AI使这种转型变得紧迫。智能体不仅消耗算力，还消耗编排、判断和工作流。

• 回答问题的单一模型相对容易部署。
• 能够自主规划、管理内存、调用外部工具并执行多步骤工作流的智能体，则暴露了技术栈中的每一个缺口。

单纯的基础设施从来就不是为了填补这些缺口而设计的。

这就是真正的拐点。这不是对AI云的背离，而是它的成熟。正如Tirias Research的海因所言：“最成功的AI云平台将不会是那些暴露最多技术的平台，而是那些让客户最无需思考技术的平台。”

云计算时代教会了组织如何消费基础设施。AI云的下一阶段正在教会基础设施提供商如何消费客户意图。当这种情况发生时，AI云的决定性特征将不再是它运行的硬件，而是衡量它能多有效地将客户目标转化为可工作的AI系统——以及客户在中间过程中需要思考的事情有多少。

相关文章