在上海，有一家专注物理3D模型的创业公司。他们的目标听起来有些"硬核"——突破物理AI的通用能力。这意味着他们需要从零开始训练属于自己的模型，而支撑这场长期攻坚的算力底座，从公司创立之初就只有一个选择：阿里云。
"阿里云在这个方面，是我们非常重要的，也是唯一的合作伙伴。"比特无限联创兼CTO说。对于一家团队联创均出身大厂、习惯了AI原生工作方式的创业公司来说，这个选择背后有理性的评估，也有长期磨合出来的信任。
从零到一的训练管线：让初创团队轻装上阵
训练一个物理3D模型，首先要有一套完整的训练管线。对于初创团队来说，从零搭建这套基建的成本往往被低估——团队本可以把精力放在模型本身，却被迫投入大量人力在环境搭建、资源调度和运维保障上。
比特无限的做法是，直接基于阿里云PAI平台租用相关服务，快速把整个模型训练管线跑起来。PAI平台对初创团队最大的价值在于"快"和"省"：不需要在基建上消耗宝贵的研发资源，就能以相对低的成本获得一套成熟可用的训练环境。这让一支小而精的团队，能够把精力真正聚焦在物理3D模型的核心研发上。
从接触时间上看，双方的合作开始得非常早——公司创立没多久，阿里云就提供了专业且积极的服务支持。这种从第一天就建立的协作关系，为后续的深度合作埋下了伏笔。
90%利用率背后：与不稳定性的持久战
对垂域模型公司来说，AI Infra最关键的指标是什么？比特无限的答案是：算力的可用性和稳定性。
大规模模型训练的残酷之处在于，多卡并行时只要有一台机器不稳定，整个训练任务就得停下来。这不是危言耸听，而是每一个训练过大模型的人都会遇到的日常。
比特无限也经历过这样的阶段。训练初期，GPU利用率一度不到50%，大量算力在空转和等待中被浪费。团队没有独自死磕，而是拉着阿里云的工程师一起定位问题——毕竟一些底层日志的分析，需要云厂商的协助才能更快完成。排查的结论有些意外：瓶颈不在算力本身，而在数据的输入和存储环节。阿里云随即调配了高速存储资源，问题很快被解决。
类似的故事在算力扩张过程中再次发生。最近几个月，比特无限开始扩大算力规模，主力训练源头逐渐切换到阿里自研算力管线PPU。集群规模上来之后，跨机通信的瓶颈显现出来，训练效率一度受到影响。阿里云的工程师再次介入配合，及时定位并处理掉瓶颈，让集群快速回到理想的利用率水平。
这些共同攻坚积累出了非常直接、可观的结果：GPU利用率从不到50%提升到90%以上，单次算力迭代的周期从两至两个多礼拜，压缩到了一周以内。对比特无限而言，这意味着同样的时间内可以完成更多轮次的模型迭代，而迭代速度就是垂域模型公司的生命线。
PPU：从"可用"到"主力"的信任跃迁
在算力选型上，比特无限走了一条值得注意的路径：阿里自研算力管线PPU，已经从最初的备选，逐渐成为主力训练源头。
这个转变不是一次简单的切换，而是建立在长期使用验证之上的信任。稳定性过关了，性能跟上了，更重要的是，合作模式对味了——比特无限持续提出需求和诉求，阿里云持续反馈和优化，双方在同一个节奏上迭代。
对于未来，比特无限的态度也很明确：公司会持续长期在物理3D领域深耕，与阿里在PPU上的合作也是长期的。这不是一次性的采购决策，而是一段共同进化的旅程。
尾声：可靠、专业、同频
如果要总结与阿里云合作至今的感受，比特无限给出的三个关键词是：可靠、专业、同频。
可靠，是整个Infra能够支撑训练、数据和产品高稳定运行的底气；专业，是模型训练这个高度体系化的工程中，各个环节云服务能够真正配合起来、服务于模型能力升级的保障；而同频，则是双方在长期合作中逐渐形成的默契——你往深扎，我往前走，节奏一致。
从PAI平台快速起步，到利用率从50%提升到90%，再到PPU成为主力训练源头，比特无限的故事是一个典型的"初创公司如何借力成熟云与AI基础设施完成从0到1"的样本。物理3D的通用能力突破还很漫长，但至少在算力这件事上，他们可以把后背交给一个可靠、专业、同频的伙伴。
