分布式存储初创公司 Tigris 亮剑：剑指 AWS 等云巨头 “云税” 痛点，2500 万美元融资押注 AI 存储革命

当生成式 AI 将计算需求推向 “千亿参数、万亿数据” 的新高度，CoreWeave、Lambda Labs 等分布式计算公司已凭借灵活算力服务抢占市场，但数据存储领域仍被 AWS、谷歌云、微软 Azure 三大巨头牢牢掌控 —— 这些中心化存储系统为 “绑定自身算力” 而生，却给 AI 企业套上了 “高出口费 + 高延迟” 的枷锁。在此背景下，由 Uber 存储平台原班人马创立的 Tigris Data，正以 “分布式 AI 原生存储” 为武器挑战行业格局：近期完成 2500 万美元 A 轮融资(Spark Capital 领投，Andreessen Horowitz 跟投)，其构建的本地化存储网络已服务 4000 余家 AI 初创公司，试图用 “数据随算力走” 的新模式，打破传统云巨头的存储垄断。

一、痛点直击：AI 企业被 “云税” 与延迟双重绑架

传统云存储的核心矛盾，在于 “为绑定算力设计，而非适配 AI 需求”。三大云巨头的存储系统均围绕自身数据中心布局，导致 AI 企业面临两大核心痛点：

1. “云税” 重压：数据迁移成本吞噬利润行业内俗称的 “云税”，即云服务商对数据 “出域” 收取的高额费用 —— 若 AI 企业想将数据从 AWS 迁移至谷歌云，或下载数据对接第三方 GPU 集群，需按流量支付每 GB 0.09-0.15 美元的出口费。Tigris 客户 Fal.ai(生成式 AI 图像公司)曾透露，此前 “云税” 占其月度云支出的 45%，相当于每训练一轮图像模型，就要额外支付数万美元 “数据搬运费”。这种 “锁定式收费”，让 AI 企业陷入 “想换算力却不敢动数据” 的困境。

2. 延迟瓶颈：拖慢 AI 模型训练与推理AI 工作负载对 “数据 - 算力” 的距离极为敏感：训练一个千亿参数大模型需实时调用 PB 级数据集，若数据存储在千里之外的中心化数据中心，网络延迟会导致 GPU 频繁 “空等数据”，训练效率下降 30% 以上;而实时语音交互、本地图像处理等 AI 场景，更是要求数据访问延迟控制在毫秒级。Tigris CEO Ovais Tariq 直言：“集中式存储就像把水库建在沙漠里，算力再强，没水(数据)也转不起来 ——AI 需要的是‘数据跟着 GPU 走’，而非‘GPU 等着数据来’。”

二、Tigris 破局：AI 原生存储的 “分布式革命”

作为 Uber 存储平台(支撑 Uber 全球打车数据的核心系统)原团队的创业项目，Tigris 的核心竞争力在于 “懂 AI 需求，更懂分布式架构”，其推出的 AI 原生存储平台，从三个维度破解传统云存储困局：

1. 数据随算力动态迁移，实现 “低延迟访问”Tigris 在弗吉尼亚、芝加哥、圣何塞已建成三大本地化存储中心，后续计划拓展至伦敦、法兰克福、新加坡。当 AI 企业在某区域调用 GPU 集群时，系统会自动将所需数据集复制到该区域的存储节点，实现 “数据与算力物理靠近”—— 实测显示，其数据访问延迟比跨区域调用 AWS S3 低 80%，可满足实时推理、流式训练等对延迟敏感的场景需求。

2. 打破 “云墙”，零出口费实现跨云数据共享与传统云存储 “数据锁在单一平台” 不同，Tigris 的存储系统支持跨云、跨区域的数据自由流动：AI 企业可将同一数据集同步至 AWS、谷歌云及第三方 GPU 集群，且无需支付任何出口费用。Fal.ai 工程主管 Batuhan Taskaya 表示，接入 Tigris 后，公司 “云税” 支出降至原有的 5%，“现在我们可以自由选择性价比最高的算力，不用再被存储绑定”。

3. 适配 AI 数据特性，支持 “数十亿小文件高效处理”AI 训练数据多为图像、语音等小文件(单个大小从 KB 到 MB 不等)，传统云存储处理此类文件时易出现 “IO 瓶颈”。Tigris 针对这一特性优化了文件系统，可同时高效管理数十亿个小文件，且支持按模型训练进度动态调度数据，避免 “一次性加载海量数据导致的系统卡顿”。

三、资本押注与行业博弈：初创公司能否改写格局?

Tigris 此次 2500 万美元 A 轮融资，折射出资本市场对 “分布式存储替代传统云存储” 的信心。从行业背景看，其面临的既是机遇，也是挑战：

1. 机遇：AI 需求爆发催生存储新赛道生成式 AI 企业的数量仍在高速增长，据 Gartner 预测，2026 年全球 AI 相关数据存储需求将突破 100ZB，其中 70% 来自对 “分布式、低延迟” 存储的需求。Tigris 自 2021 年 11 月成立以来，客户数量年均增长 8 倍，且 4000 余家客户均为 AI 初创公司(如图像生成、语音交互领域)，精准踩中赛道红利。

2. 挑战：巨头反击与生态壁垒三大云巨头并非毫无动作：AWS 已推出 “Outposts” 本地存储服务，试图降低延迟;微软 Azure 也在优化跨区域数据同步功能。此外，传统云存储已深度融入企业 IT 架构(如与云数据库、云安全服务绑定)，Tigris 若想吸引大型企业客户，需突破 “生态适配” 的壁垒 —— 目前其客户仍以中小型 AI 初创公司为主，尚未进入大型企业市场。

3. 差异化突围：安全与控制权成新卖点除了成本与延迟，Tigris 还抓住了行业另一核心诉求：数据控制权。Tariq 指出，今年 Salesforce 阻止 AI 竞争对手使用 Slack 数据的事件，让更多企业意识到 “数据被云巨头掌控的风险”。而 Tigris 的分布式存储模式，允许企业将数据存储在自有节点或指定区域，尤其适配金融、医疗等强监管行业 —— 某医疗 AI 公司透露，选择 Tigris 的核心原因是 “能满足数据本地化存储的合规要求，同时不影响跨区域算力调用”。

四、未来布局：从 “美国本土” 到 “全球节点”

对于新一轮融资的用途，Tigris 明确了两大方向：

扩建存储节点：2025 年内将在美国新增 2 个存储中心，并启动伦敦、法兰克福、新加坡节点的建设，覆盖欧美亚三大 AI 核心市场;

技术迭代：投入资金优化 “AI 数据智能调度算法”，计划实现 “根据模型训练需求自动预测数据调用趋势，提前将数据迁移至目标区域”，进一步降低延迟。

结语

Tigris 的崛起，本质上是 “新需求倒逼新供给” 的行业必然 —— 当 AI 从 “实验室走向产业化”，对存储的需求已从 “安全存储” 升级为 “随算力动态适配”，而传统云巨头的中心化架构难以满足这一变化。尽管初创公司在生态、规模上仍落后于巨头，但 Tigris 凭借 “精准解决 AI 痛点” 的差异化优势，已在细分赛道站稳脚跟。这场 “分布式存储挑战传统云存储” 的博弈，不仅关乎一家公司的成败，更可能改写未来 AI 基础设施的格局 —— 毕竟，谁掌握了 AI 数据的存储权，谁就掌握了 AI 产业的 “水和电”。