36氪獲悉，MLOps企業「TensorChord」於今日正式宣佈完成數百萬美元的種子輪融資。據介紹，本輪融資領投方為高瓴創投（GL Ventures），雲九資本跟投。公司聯合創始人兼CEO高策表示，融資資金將主要用於產品研發和人員招聘等方面。

TensorChord成立於2022年6月，主打Machine Learning Ops領域（下文簡稱「MLOps」）。MLOps的主要作用是連線演算法工程師團隊和AI基礎設施團隊，建立起簡單易用的模型開發、部署與運維流程，從而幫助企業提升AI落地的效率和效果。高策也進一步向36氪表示，MLOps的目標是幫助AI更好地落地，所以只有當企業的AI應用越來越多的時候，MLOps才有用武之地。過去幾年裡，AI技術應用的爆發，海外幾家MLOps公司的發展，以及高策和團隊對AI在公有云中落地程度的觀察，都讓他們更加確信MLOps的發展前景，TensorChord也就此成立。

在具象的市場需求方面，TensorChord團隊發現AI領域在快速發展的同時，也存在人才、硬體浪費的問題。而公司的第一款產品「envd」則致力於提升演算法工程師的人效和硬體資源的利用率。

在提升人效方面，據高策介紹，當前不少公司內部的演算法工程師需要花費大量精力在構建和維護AI基礎設施上，但在他看來，演算法工程師的工作應該服務於公司的核心業務，為業務發展創造更多價值。

此外，今天的演算法工程師在工作時，也常常需要AI基礎設施團隊幫忙進行資源配置工作。比如，當演算法工程師基於容器架構進行除錯時，需要AI基礎設施團隊幫忙構建容器映象。而envd則提供了一種基於Python語言的映象構建方式，讓演算法工程師也可以自行完成這一部分工作，從而提升團隊整體效率。

而在提升硬體資源利用率方面，高策解釋，GPU本身不⽀持硬體輔助的虛擬化等特性，使得其利用率有待提高。

具體表現為，演算法工程師需要基於GPU進行演算法的除錯工作，而GPU等底層資源屬於AI基礎設施團隊的管轄範疇，演算法工程師需要申請使用，這使得不論是在本地使用GPU卡，還是採用叢集或容器的方式，演算法工程師都偏向長期佔用GPU開展工作。這種情況下，AI基礎設施團隊無法及時對GPU進行回收，就會造成企業計算資源的浪費。“在公有云上，GPU 的利⽤率在 30-40% 就已經是⾮常不錯的表現了。”針對這一痛點，高策介紹，envd可以精準洞察GPU資源的佔用情況 ，幫助AI基礎設施團隊進行資源的及時回收。其具體實現邏輯是， envd在映象構建的工具中引入支援SSH協議的守護程序。並且，這一功能支援本地和遠端（類似雲開發），保證使用者在不同的硬體資源上能有一致的體驗。

整體而言，高策表示，開發環境的構建是演算法⼯程師⼯作流程的⼊⼝，也是⽬前基礎設施仍未解決的問題之⼀。所以，TensorChord團隊希望⾯向AI從業者打造更加符合他們使⽤習慣的環境構建和分發⼯具，讓AI基礎設施團隊和演算法團隊各司其職，提升企業整體業務效率。

可以看出，envd能夠解決AI基礎設施團隊和演算法工程師團隊兩者的痛點，但據TensorChord團隊表示，當前主動聯絡envd的使用者仍以AI基礎設施團隊居多。未來，公司也會持續打磨產品並進行開源社群建設，以同時適應AI基礎設施團隊和演算法工程師團隊的需求。

創始團隊方面，創始人兼CEO⾼策是MLOps 知名開源項⽬ Kubeflow 訓練與⾃動機器學習⼯作組的Co-chair & Tech Lead，曾是該專案全球貢獻前⼆的貢獻者，維護的開源訓練和⾃動機器學習元件在 Bloomberg、IBM，思科等公司有⼴泛落地。在創立TensorChord前，高策曾在騰訊、才雲科技、位元組跳動等公司負責容器、機器學習平臺產品的開發⼯作。團隊其他成員來自亞馬遜、TikTok、Shoppe等公司。

在創始團隊的願景中，TensorChord從成立第一天起就面向全球市場，創始團隊也計劃於明年開展海外的團隊建設和市場探索。

高瓴創投合夥人李強表示：在機器學習工程化實踐中，如何將資料、演算法、模型和實際場景相結合，推動更復雜和有效的解決方案落地，一直以來都是核心問題。MLOps作為機器學習工程化的重要內容，已連續兩年進入Gartner資料科學技術成熟度曲線，是促進機器學習規模化落地的有力保障，我們非常看好它的未來。TensorChord團隊在該領域擁有強大的技術優勢、經驗和持續學習能力。作為它的首輪投資人，我們相信TensorChord將成為MLOps方向上領先的創新公司，為企業們創造真實價值。