当一家公司把 H100 集群的利用率做到 50%，它不会先问“哪里出了问题”，而是会先问“谁该为另一半闲置的 GPU 负责”。在大多数 AI 团队里，这个问题的答案是模糊的。平台工程师、机器学习工程师、基础设施负责人，甚至财务部门，都在用各自的逻辑解释同一件事：为什么昂贵的算力没有被用满。微软研究院的一份报告给出了一个具有代表性的数字——许多内部深度学习工作负载的 GPU 利用率约为 50%。行业估计则进一步指出，约 30% 的云支出因过度分配而损失。这不是某个特定云厂商或某类模型的局部问题，而是横跨超大规模数据中心与初创公司训练集群的系统性低效。
问题的起点往往比监控面板显示的更早。一个 AI 工作负载在提交时，工程师必须预先声明它需要多少 GPU、多少 CPU、多少内存、运行多长时间。这个声明本质上是一个“有根据的猜测”。猜少了，任务中途失败，重新排队；猜多了，资源在任务运行期间被锁定，其他任务无法使用。传统的监控和可观测性平台能告诉你任务结束之后发生了什么，但无法在资源提交之前阻止错误配置的发生。Expanse 这家总部位于旧金山和伦敦的 AI 基础设施软件公司，试图把干预的时间点提前到执行开始之前。2026 年 9 月 16 日，该公司宣布完成 530 万美元种子轮融资，由 Crane Venture Partners 领投，PXN Ventures 以及包括前 DeepMind 研究人员在内的天使投资人参与。
这笔融资的金额在当下的 AI 基础设施赛道里并不算大，但它指向的问题却足够具体：如果企业无法准确预测每个工作负载的真实资源需求，那么任何关于“算力短缺”的讨论都可能包含大量被浪费的既有容量。Expanse 的切入点不是帮助客户购买更多 GPU，而是帮助客户从已经拥有的 GPU 中挤出更多可用的工作小时。
| 字段 | 内容 |
|---|---|
| 公司 | Expanse |
| 轮次 | 种子轮 |
| 金额 | 530 万美元 |
| 投资方 | Crane Venture Partners（领投）、PXN Ventures、天使投资人（包括前 DeepMind 研究人员） |
| 总部 | 旧金山和伦敦 |
| 创始人 | Ismaeel Bashir（联合创始人兼 CEO）、Nikodem Bieniek、Yafet Melake、Eren Mendi |
| 官网 | https://expanse.com |
把“事后解释”换成“事前预测”，产品逻辑的差异在哪里
Expanse 的产品描述围绕一个核心动作展开：在 AI 工作负载运行之前，预测它所需的 GPU、CPU、内存和运行时配置，并推荐最优配置。据公司披露，其软件直接安装在客户的云或本地基础设施中，模型分析工作负载时，代码和遥测数据不离开客户环境。这一点与市场上常见的 SaaS 化可观测性工具形成对比——后者通常需要将指标、日志或追踪数据发送到集中式平台进行分析。
从技术路径上看，Expanse 试图解决的是一个时序问题。传统监控平台的工作方式是“记录—聚合—分析—告警”，其价值产生在工作负载完成之后。即便平台能够识别出某个任务被过度分配了资源，这个结论也只能指导下一次提交。而 Expanse 声称其预测发生在资源提交之前，这意味着它需要在工作负载尚未产生实际运行数据时，就对其资源需求做出判断。这要求模型能够从工作负载的静态特征、历史提交模式、代码结构或其他未公开的信号中推断出资源需求。公司并未披露其模型的具体架构、训练数据来源或预测准确率的量化指标，因此这一能力的实际边界尚无法从公开材料中独立验证。
数据主权是 Expanse 强调的另一个卖点。在金融、生命科学和部分研究机构中，代码和训练数据往往受到严格的合规约束，不能随意离开自有环境。Expanse 的本地部署模式意味着客户不需要将敏感工作负载信息上传到第三方云服务。但这一设计也带来一个常见的工程权衡：本地部署通常意味着更长的交付周期、更复杂的版本管理和更高的维护成本。对于一家种子轮公司而言，如何在保持数据主权优势的同时，避免被本地化部署拖慢产品迭代速度，是一个尚未被公开信息回答的问题。
一个月识别近 800 万美元闲置算力，这个数字意味着什么
Expanse 披露了一个具体的生产部署结果：在一次部署中，公司在一个月内识别出近 800 万美元的闲置算力容量。这个数字来自公司提供的新闻稿，目前没有独立第三方机构对其进行审计或验证。它也不等同于客户实际节省了 800 万美元——识别出闲置容量和真正回收这些容量之间存在差距。回收闲置算力需要客户调整工作负载配置、重新调度任务，甚至改变团队的工作流程。Expanse 并未披露在该部署中，客户最终实际回收了多少容量，也没有披露这个客户的身份、行业或基础设施规模。
不过，这个数字仍然提供了一个有用的分析锚点。如果以当前主流 GPU 云实例的按需价格粗略推算，800 万美元的闲置容量对应的是一批相当规模的 GPU 资源。但问题在于，闲置容量的识别标准是什么？是任务实际使用的 GPU 利用率低于某个阈值，还是任务声明的资源远超其峰值需求？不同的定义会导致完全不同的“闲置”金额。Expanse 没有公开其计算口径，因此这个数字更适合被理解为一个信号，而不是一个可比的基准。
从已披露的创始人背景看，Expanse 的四位联合创始人毕业于爱丁堡大学，此前在量化金融和国家超级计算设施中构建和运营大规模算力基础设施。这一背景与公司选择的技术路径之间存在逻辑关联：量化金融和超算环境对资源调度的精确性要求极高，且通常不允许将工作负载数据发送到外部平台。创始团队在这些场景中积累的经验，可能解释了为什么 Expanse 从一开始就强调本地部署和数据主权。但同样的背景也意味着，公司的早期产品设计可能更偏向于那些拥有复杂自有基础设施的机构，而非只需要在单一云平台上运行标准训练任务的团队。
种子轮资本结构：为什么是 Crane 和 PXN
本轮融资的领投方是 Crane Venture Partners，一家专注于企业软件和基础设施的欧洲风险投资机构。其联合创始人兼合伙人 Scott Sage 在新闻稿中表示：“从超大规模厂商到初创公司，每个人都在努力高效利用他们最宝贵的资源：GPU 小时。”他还称，Expanse 给组织提供了“他们今天没有的东西：确定性”。PXN Ventures 的代表则从 AI 普及带来的基础设施压力角度解释了投资逻辑，称优化和帮助企业更好地利用计算资源可以降低运行成本并提高可扩展性。
从资本结构看，这是一轮典型的早期企业软件融资：一家欧洲背景的机构领投，一家关注技术基础设施的机构跟投，再加上若干具有技术背景的个人天使。前 DeepMind 研究人员的参与值得注意，但新闻稿并未披露这些天使投资人的具体姓名、投资金额或是否担任顾问角色。因此，他们的参与更多是一种信号——表明 Expanse 的技术方向至少引起了一些来自前沿 AI 实验室人士的兴趣——但无法构成对产品有效性的背书。
值得关注的是，公开数据库中存在与 Expanse 相关的冲突信息。VCBacked 平台将 Expanse 列为 Pre-Seed 阶段，并显示其投资者包括 Y Combinator；Fundup AI 则记录了一笔 50 万美元的种子轮融资，时间为 2026 年；TrySignalBase 则报道了一家名为 Expanse 的公司获得 7000 万美元融资，但将其描述为 AI 生产力平台。这些冲突可能源于同名公司混淆，也可能反映了 Expanse 在不同阶段的融资历史未被统一记录。由于主要新闻稿未提及 Y Combinator 或 50 万美元的早期轮次，这些信息的真实性无法从现有来源中确认。对于试图理解 Expanse 资本路径的外部观察者而言，这构成了一个需要进一步核实的信息缺口。
竞争不在“监控”赛道，而在“调度”和“平台”之间
Expanse 没有在公开材料中列出直接竞争对手，但其产品定位使其处于几个相邻赛道的交叉地带。一侧是传统的 GPU 监控和可观测性平台，它们解决的是“发生了什么”的问题；另一侧是作业调度器和资源管理系统，如 Slurm、Kubernetes 调度器以及云厂商提供的批量计算服务，它们解决的是“资源怎么分配”的问题。Expanse 的预测式配置介于两者之间：它不替代调度器，而是试图在调度器做出分配决策之前，提供更准确的资源需求输入。
这个定位的微妙之处在于，它既不是纯粹的监控工具，也不是完整的调度系统。如果 Expanse 的预测足够准确，它实际上可以成为调度器的上游决策引擎；但如果预测不够准确，客户可能只会把它当作另一个需要维护的辅助工具。公司没有披露其预测准确率、误报率或与现有调度器的集成方式，因此无法判断其在实际生产环境中的可靠性。
另一个竞争维度来自云厂商本身。AWS、Google Cloud 和微软 Azure 都在其 AI 服务中加入了不同程度的资源优化功能，例如自动选择实例类型、动态调整批处理大小、推荐更便宜的 Spot 实例等。这些功能通常免费或包含在平台费用中，对于已经在单一云平台上标准化的客户而言，使用云厂商的原生工具可能比引入一家第三方种子轮公司的软件更简单。Expanse 的差异化在于其跨云和本地环境的部署能力，以及数据不离开客户环境的承诺。但对于那些不面临严格数据主权约束的客户来说，这一优势的吸引力可能有限。
资金用途与商业化路径：从工程团队到行业拓展
Expanse 表示将利用本轮融资扩大工程团队、加速产品开发，并将平台推广至 AI 基础设施、量化金融、生命科学、研究和高性能计算领域的更多组织。这个行业列表与创始团队背景高度吻合，也暗示了公司的商业化策略：优先切入那些对算力成本敏感、且对数据主权有严格要求的高价值场景。
但公司没有披露任何客户名单、收入数据或商业模式细节。Expanse 是按订阅收费、按节省的算力金额抽成，还是按部署规模收取许可费？这些信息均未公开。对于一个声称能识别数百万美元闲置算力的产品而言，其自身的商业化能力仍然是一个未经验证的假设。种子轮融资可以支撑团队扩张和产品迭代，但无法证明客户愿意为“预测”付费。
从已披露的信息看，Expanse 面临的核心验证路径是：第一，其预测模型能否在多样化的客户环境中保持足够的准确率；第二，客户是否愿意将预测结果整合到实际的工作流中，而不是仅仅将其作为参考；第三，本地部署模式能否在保持数据主权优势的同时，实现可规模化的交付。这三个问题中的任何一个没有解决，都可能限制公司从“有趣的技术”走向“可重复的收入”。
风险与待验证假设：预测式配置的边界在哪里
Expanse 的产品叙事建立在几个关键假设之上。第一个假设是，AI 工作负载的资源需求可以在执行前被准确预测。这个假设并非在所有场景中都成立。对于重复性高、模式稳定的训练任务，历史数据可能确实能提供较强的预测信号；但对于探索性的研究工作负载、频繁变化的模型架构或高度动态的数据管道，预测的难度会显著增加。公司没有披露其模型在不同类型工作负载上的表现差异。
第二个假设是，识别出闲置容量后，客户有能力将其转化为实际的成本节省或吞吐量提升。这需要客户在组织层面做出改变：调整资源申请流程、重新配置任务模板、甚至改变团队的绩效评估方式。技术工具本身无法自动完成这些组织变革。Expanse 的新闻稿强调其软件能“推荐最优配置”，但没有说明客户采纳这些推荐后实际发生了什么。
第三个假设是，数据主权和本地部署的需求足够强烈，足以让客户选择一家种子轮公司而非云厂商的原生工具。在金融和生命科学等受监管行业中，这个假设可能成立；但在更广泛的 AI 基础设施市场中，它可能只覆盖一小部分客户。Expanse 的行业拓展计划能否突破这个利基市场，取决于其产品能否在数据主权之外提供足够强的性能或成本优势。
从公开材料中无法核实的信息还包括：公司的成立年份、现有客户数量、团队规模、预测模型的训练数据来源、与现有调度器的集成方式，以及 800 万美元闲置算力识别结果的计算口径。这些信息缺口意味着，Expanse 目前仍处于“技术叙事清晰、商业验证有限”的阶段。530 万美元的种子轮融资为它提供了继续验证的时间窗口，但这个窗口的长度取决于它能否在接下来的 12 到 18 个月内，把“预测”从一次性的生产部署结果，转化为可重复的客户成功案例。
验证边界与可复核指标
本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。
- 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
- 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
- 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。
RecodeX 极客视：Expanse 的故事本质上是在挑战一个行业惯性——AI 团队习惯用超额分配来对冲不确定性，因为 GPU 小时太贵，而失败的任务更贵。预测式配置的真正对手不是某个竞品，而是工程师对“猜测”的路径依赖。如果 Expanse 能证明事前预测的准确率足以改变资源申请行为，它就有机会成为调度器上游的决策层；如果做不到，它可能只是另一个被集成进现有工作流的辅助插件。数据主权是它的护城河，但护城河的另一面是规模化交付的减速带。