这家分布式数据存储初创公司想要挑战大型云服务提供商

AI公司的爆炸式增长已将计算能力需求推向新高度，CoreWeave、Together AI和Lambda Labs等公司抓住了这一需求，凭借其提供分布式计算容量的能力吸引了大量关注和资本。

但大多数公司仍将数据存储在三大云服务提供商（AWS、Google Cloud和Microsoft Azure）那里，这些存储系统被设计用来将数据靠近自己的计算资源，而不是分布在多个云或区域。

Tigris Data的联合创始人兼CEO Ovais Tariq告诉TechCrunch："现代AI工作负载和AI基础设施正在选择分布式计算而非大型云平台。我们希望为存储提供同样的选择，因为没有存储，计算就毫无意义。"

Tigris由开发Uber存储平台团队创立，正在构建一个本地化数据存储中心网络，声称能够满足现代AI工作负载的分布式计算需求。Tariq表示，这家初创公司的AI原生存储平台"与您的计算一起移动，[允许]数据自动复制到GPU所在的位置，支持数十亿个小文件，并为训练、推理和代理工作负载提供低延迟访问。"

为此，TechCrunch独家获悉，Tigris最近完成了2500万美元的A轮融资，由Spark Capital领投，现有投资者包括Andreessen Horowitz参与其中。这家初创公司正在挑战Tariq所称的"大型云"（Big Cloud）。

Tariq认为，这些现有提供商不仅提供更昂贵的数据存储服务，而且效率也更低。AWS、Google Cloud和Microsoft Azure历史上一直收取出口费用（行业内称为"云税"），如果客户想要迁移到另一个云服务提供商，或者下载和移动数据（例如，使用更便宜的GPU或同时在世界的不同地区训练模型）。这就像如果你想停止去健身房，就得额外付费。

据Tigris客户Fal.ai的工程主管Batuhan Taskaya称，这些成本曾经占Fal云支出的绝大部分。

除了出口费用，Tariq表示，大型云服务提供商仍然存在延迟问题。"出口费用只是一个更深层次问题的症状：集中式存储无法跟上去中心化、高速的AI生态系统，"他说。

Tigris 4,000多名客户中，大多数像Fal.ai一样：是构建图像、视频和语音模型生成式AI初创公司，这些公司通常拥有大型、对延迟敏感的数据集。

"想象一下与一个进行本地音频处理的AI代理对话，"Tariq说。"你希望延迟最低。你希望你的计算是本地的、靠近的，你也希望你的存储也是本地的。"

他补充说，大型云并未针对AI工作负载进行优化。"在多个区域流式传输大型数据集进行训练或运行实时推理可能会产生延迟瓶颈，减缓模型性能。但能够访问本地化存储意味着数据检索更快，这意味着开发人员可以使用去中心化云更可靠、更具成本效益地运行AI工作负载。"

"Tigris通过从所有这些地方访问相同的数据文件系统，让我们能够在任何云中扩展工作负载，而且不收取出口费用，"Fal的Taskaya说。

公司希望数据更接近其分布式云选项还有其他原因。例如，在金融和医疗等高度监管领域，采用AI工具的一个主要障碍是企业需要确保数据安全。

Tariq表示，另一个动机是公司越来越希望拥有自己的数据，他指出Salesforce今年早些时候阻止其AI竞争对手使用Slack数据。"公司越来越意识到数据的重要性，它如何推动LLMs，如何推动AI，"Tariq说。"他们希望有更多控制权。他们不希望别人控制它。"

有了新资金，Tigris计划继续建设其数据存储中心以支持不断增长的需求——Tariq表示，自2021年11月成立以来，这家初创公司每年增长8倍。Tigris已在弗吉尼亚州、芝加哥和圣何塞拥有三个数据中心，并计划继续在美国以及欧洲和亚洲扩展，具体地点包括伦敦、法兰克福和新加坡。