當生成式 AI 将計算需求推向 “千億參數、萬億數據” 的新高度，CoreWeave、Lambda Labs 等分布式計算公司已憑借靈活算力服務搶占市場，但數據存儲領域仍被 AWS、谷歌雲、微軟 Azure 三大巨頭牢牢掌控 —— 這些中心化存儲系統為 “綁定自身算力” 而生，卻給 AI 企業套上了 “高出口費 + 高延遲” 的枷鎖。在此背景下，由 Uber 存儲平台原班人馬創立的 Tigris Data，正以 “分布式 AI 原生存儲” 為武器挑戰行業格局：近期完成 2500 萬美元 A 輪融資(Spark Capital 領投，Andreessen Horowitz 跟投)，其構建的本地化存儲網絡已服務 4000 餘家 AI 初創公司，試圖用 “數據随算力走” 的新模式，打破傳統雲巨頭的存儲壟斷。
一、痛點直擊：AI 企業被 “雲稅” 與延遲雙重綁架
傳統雲存儲的核心矛盾，在于 “為綁定算力設計，而非适配 AI 需求”。三大雲巨頭的存儲系統均圍繞自身數據中心布局，導緻 AI 企業面臨兩大核心痛點：
1. “雲稅” 重壓：數據遷移成本吞噬利潤行業内俗稱的 “雲稅”，即雲服務商對數據 “出域” 收取的高額費用 —— 若 AI 企業想将數據從 AWS 遷移至谷歌雲，或下載數據對接第三方 GPU 集群，需按流量支付每 GB 0.09-0.15 美元的出口費。Tigris 客戶 Fal.ai(生成式 AI 圖像公司)曾透露，此前 “雲稅” 占其月度雲支出的 45%，相當于每訓練一輪圖像模型，就要額外支付數萬美元 “數據搬運費”。這種 “鎖定式收費”，讓 AI 企業陷入 “想換算力卻不敢動數據” 的困境。
2. 延遲瓶頸：拖慢 AI 模型訓練與推理AI 工作負載對 “數據 - 算力” 的距離極為敏感：訓練一個千億參數大模型需實時調用 PB 級數據集，若數據存儲在千裡之外的中心化數據中心，網絡延遲會導緻 GPU 頻繁 “空等數據”，訓練效率下降 30% 以上;而實時語音交互、本地圖像處理等 AI 場景，更是要求數據訪問延遲控制在毫秒級。Tigris CEO Ovais Tariq 直言：“集中式存儲就像把水庫建在沙漠裡，算力再強，沒水(數據)也轉不起來 ——AI 需要的是‘數據跟着 GPU 走’，而非‘GPU 等着數據來’。”
二、Tigris 破局：AI 原生存儲的 “分布式革命”
作為 Uber 存儲平台(支撐 Uber 全球打車數據的核心系統)原團隊的創業項目，Tigris 的核心競争力在于 “懂 AI 需求，更懂分布式架構”，其推出的 AI 原生存儲平台，從三個維度破解傳統雲存儲困局：
1. 數據随算力動态遷移，實現 “低延遲訪問”Tigris 在弗吉尼亞、芝加哥、聖何塞已建成三大本地化存儲中心，後續計劃拓展至倫敦、法蘭克福、新加坡。當 AI 企業在某區域調用 GPU 集群時，系統會自動将所需數據集複制到該區域的存儲節點，實現 “數據與算力物理靠近”—— 實測顯示，其數據訪問延遲比跨區域調用 AWS S3 低 80%，可滿足實時推理、流式訓練等對延遲敏感的場景需求。
2. 打破 “雲牆”，零出口費實現跨雲數據共享與傳統雲存儲 “數據鎖在單一平台” 不同，Tigris 的存儲系統支持跨雲、跨區域的數據自由流動：AI 企業可将同一數據集同步至 AWS、谷歌雲及第三方 GPU 集群，且無需支付任何出口費用。Fal.ai 工程主管 Batuhan Taskaya 表示，接入 Tigris 後，公司 “雲稅” 支出降至原有的 5%，“現在我們可以自由選擇性價比最高的算力，不用再被存儲綁定”。
3. 适配 AI 數據特性，支持 “數十億小文件高效處理”AI 訓練數據多為圖像、語音等小文件(單個大小從 KB 到 MB 不等)，傳統雲存儲處理此類文件時易出現 “IO 瓶頸”。Tigris 針對這一特性優化了文件系統，可同時高效管理數十億個小文件，且支持按模型訓練進度動态調度數據，避免 “一次性加載海量數據導緻的系統卡頓”。
三、資本押注與行業博弈：初創公司能否改寫格局?
Tigris 此次 2500 萬美元 A 輪融資，折射出資本市場對 “分布式存儲替代傳統雲存儲” 的信心。從行業背景看，其面臨的既是機遇，也是挑戰：
1. 機遇：AI 需求爆發催生存儲新賽道生成式 AI 企業的數量仍在高速增長，據 Gartner 預測，2026 年全球 AI 相關數據存儲需求将突破 100ZB，其中 70% 來自對 “分布式、低延遲” 存儲的需求。Tigris 自 2021 年 11 月成立以來，客戶數量年均增長 8 倍，且 4000 餘家客戶均為 AI 初創公司(如圖像生成、語音交互領域)，精準踩中賽道紅利。
2. 挑戰：巨頭反擊與生态壁壘三大雲巨頭并非毫無動作：AWS 已推出 “Outposts” 本地存儲服務，試圖降低延遲;微軟 Azure 也在優化跨區域數據同步功能。此外，傳統雲存儲已深度融入企業 IT 架構(如與雲數據庫、雲安全服務綁定)，Tigris 若想吸引大型企業客戶，需突破 “生态适配” 的壁壘 —— 目前其客戶仍以中小型 AI 初創公司為主，尚未進入大型企業市場。
3. 差異化突圍：安全與控制權成新賣點除了成本與延遲，Tigris 還抓住了行業另一核心訴求：數據控制權。Tariq 指出，今年 Salesforce 阻止 AI 競争對手使用 Slack 數據的事件，讓更多企業意識到 “數據被雲巨頭掌控的風險”。而 Tigris 的分布式存儲模式，允許企業将數據存儲在自有節點或指定區域，尤其适配金融、醫療等強監管行業 —— 某醫療 AI 公司透露，選擇 Tigris 的核心原因是 “能滿足數據本地化存儲的合規要求，同時不影響跨區域算力調用”。
四、未來布局：從 “美國本土” 到 “全球節點”
對于新一輪融資的用途，Tigris 明确了兩大方向：
擴建存儲節點：2025 年内将在美國新增 2 個存儲中心，并啟動倫敦、法蘭克福、新加坡節點的建設，覆蓋歐美亞三大 AI 核心市場;
技術疊代：投入資金優化 “AI 數據智能調度算法”，計劃實現 “根據模型訓練需求自動預測數據調用趨勢，提前将數據遷移至目标區域”，進一步降低延遲。
結語
Tigris 的崛起，本質上是 “新需求倒逼新供給” 的行業必然 —— 當 AI 從 “實驗室走向産業化”，對存儲的需求已從 “安全存儲” 升級為 “随算力動态适配”，而傳統雲巨頭的中心化架構難以滿足這一變化。盡管初創公司在生态、規模上仍落後于巨頭，但 Tigris 憑借 “精準解決 AI 痛點” 的差異化優勢，已在細分賽道站穩腳跟。這場 “分布式存儲挑戰傳統雲存儲” 的博弈，不僅關乎一家公司的成敗，更可能改寫未來 AI 基礎設施的格局 —— 畢竟，誰掌握了 AI 數據的存儲權，誰就掌握了 AI 産業的 “水和電”。
免責聲明：本文僅代表作者個人觀點，與每日科技網無關。其原創性以及文中陳述文字和内容未經本站證實，對本文以及其中全部或者部分内容、文字的真實性、完整性、及時性本站不作任何保證或承諾，請讀者僅作參考，并請自行核實相關内容。
本網站有部分内容均轉載自其它媒體，轉載目的在于傳遞更多信息，并不代表本網贊同其觀點和對其真實性負責，若因作品内容、知識産權、版權和其他問題，請及時提供相關證明等材料并與我們聯系，本網站将在規定時間内給予删除等相關處理.
