2023 年春天，Meta 开源了 Llama。加州大学伯克利分校（UC Berkeley）天空计算实验室（Sky Computing Lab）的研究团队想用它训练一款能对标 ChatGPT 的开源模型，但只靠一家云服务商，无法凑齐所需的全部 GPU
AI 算力的矛盾正在发生变化。过去是 GPU 不够，现在不仅不够，还分散在不同云厂商和不同集群里。
一家前沿模型公司可能要同时对接近十家云服务商。训练任务频繁迁移，故障排查动辄耗费数小时。算力越碎，管理成本越高，单纯增加机器已经解决不了问题。
从一次跨云训练开始
2023 年 Meta 开源 Llama 后，伯克利天空计算实验室希望训练一款对标 ChatGPT 的开源模型，却无法从一家云服务商获得足够的 GPU。
团队把训练任务分散到多家云厂商，再用自研工具统一调度，最终训练出 Vicuna。这个工具就是 SkyPilot。
SkyPilot 后来成为开源项目，累计下载量超过 1,400 万次，使用者包括 Meta FAIR、Shopify、Nubank 和 H Company。2026 年 7 月末，项目走出高校成立公司，并完成 2,000 万美元种子轮融资。
我认为，这条成长路径很典型：先解决研究团队自己的硬问题，再通过开源证明通用价值，最后把个人工具升级为组织基础设施。
真正昂贵的是组织摩擦
GPU 调度表面上是机器问题，规模扩大后，本质上却是组织问题。
几十人的团队可以靠发消息协调资源。到了几百名研究员共用万卡集群时，谁能使用多少 GPU、谁有权抢占任务、紧急项目怎样插队、故障如何恢复，都不能再依靠人工协商。
当一个 GPU 集群每天消耗超过 100 万美元，任何低效都会迅速转化为真金白银。文章给出的例子是：如果客户每年花费 1 亿美元采购 GPU 算力，利用率提高 10%，就相当于节省 1,000 万美元。
这还没有计算跨云比价、自动恢复和多云容灾带来的收益。
因此，SkyPilot 卖的并不只是调度算法。它试图把权限、优先级、资源整理和故障处理固化进平台，让组织不再靠人肉协调维持昂贵集群的运转。
开源与商业化的边界
SkyPilot 选择保留面向个人和小团队的开源能力。研究员仍可以免费把任务运行在不同云上。
商业产品则服务规模化组织，处理多租户隔离、权限调度、集群碎片整理，以及组织级最佳实践等问题。
这个边界是合理的。个人用户需要的是“把任务跑起来”，企业客户购买的是“让许多人长期、高效、有规则地共同使用算力”。两者看似使用同一套技术，真正解决的问题并不相同。
开源也为商业化提供了信任基础。SkyPilot 先进入真实工作负载，再进入企业采购，这比先销售一个抽象平台更有说服力。
中立是最重要的产品定位
AWS、微软 Azure 和谷歌云都有自己的编排平台，CoreWeave、Lambda Labs、Nebius 等 AI 原生云也在提供调度方案。它们的共同目标，是让客户继续使用自己的算力。
英伟达收购 GPU 编排公司 Run:ai，并承诺将其软件开源，也说明调度层正在成为产业竞争的关键位置。
SkyPilot 的不同之处，是不建设算力中心，也不代理转售算力。客户自带云资源，它只负责把分散的资源组织起来。
这使它有机会成为云厂商之间的中立层：不与任何一家争夺基础设施收入，而是帮助客户按照价格、可用性和性能选择算力。
但中立不能只是一句口号。一个掌握流量分配权的平台，天然存在偏向出价更高厂商的诱惑。SkyPilot 给出的约束是，不碰自营算力和转售生意，只优化客户已经拥有的资源。
我认为，这个自我限制很重要。中立性一旦被破坏，SkyPilot 最有价值的差异也会随之消失。
调度层最终要理解全部工作负载
跨云训练只是起点。更长远的问题，是如何用一个平台同时承载训练、强化学习、推理、评估和智能体任务。
这些任务面对的硬件不同，故障特征不同，性能曲线也不同。真正成熟的调度系统，应当理解每一种工作负载，并自动把它送到最合适的算力上。
如果这件事能够实现，算力平台就不再只是资源管理工具，而会成为企业构建专属模型的基础设施。
今天只有少数前沿公司有能力训练自己的模型。SkyPilot 的长期判断是，异构算力经过统一编排后，更多企业可以从调用通用模型，走向构建自己的“定制智能”。
我更看重的不是又出现了一家 GPU 管理公司，而是 AI 基础设施的价值正在向上移动：机器仍然重要，但把不同机器、任务和人组织成一个高效系统，可能比拥有其中任何一部分更重要。