Databricks 获 50 亿美元融资估值达 1900 亿美元 AI 基础设施需求激增

随着生成式 AI 的兴起，企业级软件的版图发生了剧变，这一点在 Databricks 最近的融资中表现得淋漓尽致。最初，该公司仅计划融资 10 亿美元以增强资产负债表，但由于投资者的需求异常火爆，最终决定接受 50 亿美元的注资。这一巨额融资将这家数据湖仓（Lakehouse）先驱的估值推到了惊人的 1900 亿美元，巩固了其作为 AI 基础设施领域巨头的地位。

Databricks 首席执行官 Ali Ghodsi 最近在接受 TechCrunch 采访时谈到了这一轮融资的动态。决定接受五倍于原计划的资金，不仅仅是为了充实银行账户，更是对 AI 革命极高资本密集度的战略回应。随着全球企业竞相将大语言模型（LLM）集成到工作流中，像 Databricks 这样的底层基础设施提供商正面临着前所未有的需求——以及前所未有的成本。

AI 淘金热背后的经济学

Ghodsi 坦言 “AI 非常昂贵”，这一观点在整个行业引起了共鸣。构建、训练和部署高性能模型的成本是天文数字。从锁定 NVIDIA H100 GPU 集群到聘请专门的机器学习工程师，准入门槛正在不断提高。对于旨在为全球最大公司提供 “数据智能平台” 的 Databricks 来说，保持领先意味着需要在研发和基础设施上投入数十亿美元。

正是在这种背景下，像 n1n.ai 这样的聚合器对于普通开发者来说变得至关重要。虽然 Databricks 构建了重型基础设施，但 n1n.ai 为开发者提供了一个精简的接入点，使他们能够利用这些强大的模型，而无需承担数十亿美元的间接成本。通过使用 n1n.ai，开发团队可以在高性能模型之间无缝切换，从而针对成本和延迟进行双重优化。

为什么投资者推高至 1900 亿美元估值？

据报道，在谈判过程中，投资者甚至愿意给出高达 2000 亿美元的估值。市场对私有 AI 资产的渴求达到了历史顶峰。由于 IPO 市场保持谨慎，后期私募融资成为机构投资者获取下一场工业革命 “大脑” 构建者股份的唯一途径。

Databricks 去年以 13 亿美元收购 MosaicML 是一个转折点。这标志着 Databricks 不再仅仅是一个存储数据的地方，而是一个构建智能的地方。MosaicAI 与 Databricks 生态系统的整合，允许客户利用其私有数据训练自定义 LLM，这一功能正成为企业安全和合规的 “刚需”。

技术深挖：数据智能平台（Data Intelligence Platform）

Databricks 价值主张的核心是 “湖仓一体”（Lakehouse）架构——这是一种结合了数据仓库和数据湖优点的混合架构。在 AI 背景下，这意味着提供一个统一的治理层（Unity Catalog），确保用于训练 LLM 的数据是干净、合规且可访问的。

大规模实现 AI：开发者的视角

对于开发者而言，挑战不仅在于选择平台，还在于管理操作的复杂性。当你处理的每个 token 都在消耗成本时，每一次优化都至关重要。以下是一个开发者如何与托管 LLM 服务交互的概念性示例，类似于使用聚合器来管理多个模型端点。

import requests

# 多模型路由的概念性实现
def get_ai_response(prompt, model_provider="databricks"):
    # 在生产环境中，你会使用像 n1n.ai 这样的服务
    # 来处理跨提供商的故障转移和负载均衡
    api_url = "https://api.n1n.ai/v1/chat/completions"
    headers = {
        "Authorization": "Bearer YOUR_API_KEY",
        "Content-Type": "application/json"
    }
    payload = {
        "model": "meta-llama-3-70b-instruct" if model_provider == "databricks" else "gpt-4o",
        "messages": [{"role": "user", "content": prompt}],
        "temperature": 0.7
    }

    response = requests.post(api_url, json=payload, headers=headers)
    return response.json()

# 使用示例
result = get_ai_response("请优化这段 Spark SQL 查询...")
print(result['choices'][0]['message']['content'])

专业建议：如何在 2025 年管理 AI 成本

1. 简单任务使用小模型：不要使用像 Llama-3-405B 这样由 1900 亿美元估值支撑的巨型模型来处理简单的实体提取。通过 n1n.ai 使用更小、更快的模型，最高可节省 90% 的成本。
2. RAG 优于微调：在花费数百万美元进行微调之前，先实施检索增强生成（RAG）。它能以极低的成本提供更好的事实准确性。
3. 监控 Token 使用情况：在 API 网关层面实施严格的速率限制和监控，防止代理工作流（Agentic Workflows）中出现 “跑飞” 的递归循环。

总结：通往 IPO 之路

通过现在筹集 50 亿美元，Databricks 实际上降低了其通往公开上市之路的风险。Ali Ghodsi 建立了一个足以让公司在支出上超过竞争对手并继续其激进收购战略的 “战争基金”。对于生态系统的其他成员来说，这一轮融资是一个信号：AI 不是泡沫，而是一场将重新定义全球经济的资本密集型基础设施变革。

Get a free API key at n1n.ai