「TensorChord」完成数百万美元的种子轮融资，通过MLOps帮助企业提升AI落地效率｜36氪首发

36氪获悉，MLOps企业「TensorChord」于今日正式宣布完成数百万美元的种子轮融资。据介绍，本轮融资领投方为高瓴创投（GL Ventures)，云九资本跟投。公司联合创始人兼CEO高策表示，融资资金将主要用于产品研发和人员招聘等方面。

TensorChord成立于2022年6月，主打Machine Learning Ops领域（下文简称「MLOps」）。MLOps的主要作用是连接算法工程师团队和AI基础设施团队，建立起简单易用的模型开发、部署与运维流程，从而帮助企业提升AI落地的效率和效果。高策也进一步向36氪表示，MLOps的目标是帮助AI更好地落地，所以只有当企业的AI应用越来越多的时候，MLOps才有用武之地。过去几年里，AI技术应用的爆发，海外几家MLOps公司的发展，以及高策和团队对AI在公有云中落地程度的观察，都让他们更加确信MLOps的发展前景，TensorChord也就此成立。

在具象的市场需求方面，TensorChord团队发现AI领域在快速发展的同时，也存在人才、硬件浪费的问题。而公司的第一款产品「envd」则致力于提升算法工程师的人效和硬件资源的利用率。

在提升人效方面，据高策介绍，当前不少公司内部的算法工程师需要花费大量精力在构建和维护AI基础设施上，但在他看来，算法工程师的工作应该服务于公司的核心业务，为业务发展创造更多价值。

此外，今天的算法工程师在工作时，也常常需要AI基础设施团队帮忙进行资源配置工作。比如，当算法工程师基于容器架构进行调试时，需要AI基础设施团队帮忙构建容器镜像。而envd则提供了一种基于Python语言的镜像构建方式，让算法工程师也可以自行完成这一部分工作，从而提升团队整体效率。

而在提升硬件资源利用率方面，高策解释，GPU本身不⽀持硬件辅助的虚拟化等特性，使得其利用率有待提高。

具体表现为，算法工程师需要基于GPU进行算法的调试工作，而GPU等底层资源属于AI基础设施团队的管辖范畴，算法工程师需要申请使用，这使得不论是在本地使用GPU卡，还是采用集群或容器的方式，算法工程师都偏向长期占用GPU开展工作。这种情况下，AI基础设施团队无法及时对GPU进行回收，就会造成企业计算资源的浪费。“在公有云上，GPU 的利⽤率在 30-40% 就已经是⾮常不错的表现了。”针对这一痛点，高策介绍，envd可以精准洞察GPU资源的占用情况 ，帮助AI基础设施团队进行资源的及时回收。其具体实现逻辑是， envd在镜像构建的工具中引入支持SSH协议的守护进程。并且，这一功能支持本地和远程（类似云开发），保证用户在不同的硬件资源上能有一致的体验。

整体而言，高策表示，开发环境的构建是算法⼯程师⼯作流程的⼊⼝，也是⽬前基础设施仍未解决的问题之⼀。所以，TensorChord团队希望⾯向AI从业者打造更加符合他们使⽤习惯的环境构建和分发⼯具，让AI基础设施团队和算法团队各司其职，提升企业整体业务效率。

可以看出，envd能够解决AI基础设施团队和算法工程师团队两者的痛点，但据TensorChord团队表示，当前主动联系envd的用户仍以AI基础设施团队居多。未来，公司也会持续打磨产品并进行开源社区建设，以同时适应AI基础设施团队和算法工程师团队的需求。

创始团队方面，创始人兼CEO⾼策是MLOps 知名开源项⽬ Kubeflow 训练与⾃动机器学习⼯作组的Co-chair & Tech Lead，曾是该项目全球贡献前⼆的贡献者，维护的开源训练和⾃动机器学习组件在 Bloomberg、IBM，思科等公司有⼴泛落地。在创立TensorChord前，高策曾在腾讯、才云科技、字节跳动等公司负责容器、机器学习平台产品的开发⼯作。团队其他成员来自亚马逊、TikTok、Shoppe等公司。

在创始团队的愿景中，TensorChord从成立第一天起就面向全球市场，创始团队也计划于明年开展海外的团队建设和市场探索。

高瓴创投合伙人李强表示：在机器学习工程化实践中，如何将数据、算法、模型和实际场景相结合，推动更复杂和有效的解决方案落地，一直以来都是核心问题。MLOps作为机器学习工程化的重要内容，已连续两年进入Gartner数据科学技术成熟度曲线，是促进机器学习规模化落地的有力保障，我们非常看好它的未来。TensorChord团队在该领域拥有强大的技术优势、经验和持续学习能力。作为它的首轮投资人，我们相信TensorChord将成为MLOps方向上领先的创新公司，为企业们创造真实价值。