Anyscale

1.1 主体定位、产品与当前企业状态

2019 年，Ray 创作者 Robert Nishihara、Philipp Moritz、Ion Stoica 联手 UC Berkeley 教授 Michael I. Jordan 创立 Anyscale，独立企业资料显示其总部位于旧金山。其商业定位与开源项目不同：Anyscale 销售基于 Ray 构建的托管平台，跨云与加速芯片承接数据准备、分布式训练、Embedding 生成、后训练及其他计算密集型 AI 工作负载。2026-07-30，Anyscale 宣布达成并入 Nscale 的最终协议。现有官方披露文件着重描述交割后规划，未确认交易已正式完成；因此尽管商业数据库已将其标记为已收购，本章仍将 Anyscale 视为待完成收购状态。据 TechCrunch 报道，交易完成后 Anyscale 将保留自身品牌并继续服务现有客户。[CO001, CO002, CO003, CO004, CO007]

1.2 管理层、公司治理与关键人物风险

创始团队凭借一手缔造 Ray 并直接承接 Berkeley 分布式系统学术法统，拥有极高技术声誉。Forge 整理的高管资料显示，Keerti Melkote 于 July 2024 出任首席执行官，Nishihara 则转向主抓产品与客户增长；后续竞品分析同样将 Melkote 列为 Anyscale CEO。Tracxn 披露的五人董事会包括 Ben Horowitz、Ion Stoica、Robert Nishihara、Peter Sonsini 及 Philipp Moritz，但现有证据无法证实该董事会是否会在交割后保留。这带来两层独立依赖：围绕 Ray 创始人的技术延续性，以及围绕这位履新不久 CEO 的商业延续性。据报 Nscale 计划接纳全体团队，虽可缓解眼下的离职风险，但这并非长期留任或决策权不变的实证。[CO001, CO006, CO013, CO015]

1.3 资本结构、投资方与经营规模

公开融资记录趋势清晰，但具体数字存在出入。公司曾宣布完成由 Andreessen Horowitz 领投的 $20.6M A 轮融资，NEA、Intel Capital、Ant Financial、Amplify Partners、11.2 Capital 与 The House Fund 参投。独立数据库均记录了 2020 年 B 轮及后续 C 轮，但在轮次日期、合并口径、估值与总募资额上存在分歧：Tracxn 记录四轮共 $281M，Multiples 记录四轮共 $259M，Forge 则显示总募资额达 $426.73M。在缺乏股权结构表及正式融资文件的情况下，不宜将这些数据强行合并为单一总额。经营层面的披露同样不完整：Anyscale 称交易宣布前最近一个季度营收环比增长超 70%，但该声明与现有材料均未披露绝对营收、ARR、客户数、毛利率或可用现金储备。[CO008, CO009, CO010, CO012, CO014]

1.4 里程碑与并入 Nscale 的战略影响

里程碑演进轨迹展现出一幅完整路线图：公司从开源商业化起步，历经风投扩张与管理层职业化，最终走向战略整合。据 TechCrunch 援引 Bloomberg 及匿名信源报道，本次收购对价为 $1.65B；双方公司在现有材料中未披露对价，因此该数字属于据报交易金额，而非经过核实的合同约定价格。从战略上看，Anyscale 表示此次整合将自身软件与 Nscale 的加速计算算力结合，同时保持多云可移植性。Ray 由 PyTorch Foundation 独立治理，限制了对框架本身的直接所有权；但竞品分析强调，开源代码并不代表托管控制平面具备可移植性。因此，核心尽调问题并非 Ray 是否保持开源，而是在算力供应商掌控商业化编排层之后，产品定价、路线图中立性、数据导出与云厂商选择权能否继续获得合同层面的保障。[CO004, CO005, CO008, CO011, CO016]

1.5 附件图表

2.1 市场边界、品类范畴与现有替代方案

商业化 AI 算力编排与分布式计算平台市场处于现代数据工程、基础模型开发及云基础设施管理的核心交汇点 [CM001]。其目标市场覆盖基础模型分布式训练、高吞吐多模态数据清洗处理、大规模批处理推理，以及强化学习等新兴后训练对齐框架 [CM002, CM008]。该范畴明确排除无差异化的裸基础设施供给，例如非托管虚拟机租赁、标准化裸金属硬件，以及无需分布式 Python 运行时编排的非分布式 ETL 管道 [CM003]。商业化编排方案面临的主要现有替代方案是自建开源框架管理，即工程团队直接在裸云算力或非托管 Kubernetes 集群上部署上游 Ray 或 Spark [CM004]。自建虽规避了软件平台溢价，却将巨额隐性成本转嫁至工程团队薪酬支出、运维排错及自研自动扩缩容基础设施 [CM005, CM014]。Anyscale 填补了这一空白：其将开源 Ray 打造成生产级托管平台，提供精细化加速芯片分配、算力成本最高降低 60% 的智能竞价实例管理，以及一体化开发者工具 [CM005, CM007]。近期行业进展（包括 April 2026 Anyscale Agent Skills 正式上线）进一步将业务边界拓展至 AI 辅助开发全生命周期，使编程 Agent 能够以 5 倍开发速度生成、优化并调试分布式 Ray 工作负载 [CM006]。

2.2 市场规模测算视角、增长驱动力与行业整合

评估分布式 AI 计算的总市场机会需要拆解多层独立支出结构，而非依赖单一自上而下的预估 [CM009]。测算视角细分为：广泛的企业云与 AI 基础设施市场、专业的分布式机器学习平台细分赛道，以及商业化 Ray 托管企业工作负载的可服务切入市场 [CM009, CM010]。基础模型规模呈指数级扩张、企业数据量激增，以及在异构云环境中最大化昂贵加速芯片利用率的刚需，共同驱动市场扩张 [CM002, CM011]。然而，由于非上市纯分布式计算厂商不公开经审计的年度经常性收入或工作负载分项明细，严谨的市场测算面临结构性透明度不足 [CM010, CM012]。外部估算差异巨大：LeadIQ 等第三方企业画像数据库预估 Anyscale 营收在 $250M 至 $500M 之间；Bloomberg 与 TechCrunch 的权威财经报道则披露，在季度营收环比增长 70% 之后，Anyscale 于 July 2026 同意由英国新锐云厂商 Nscale 以 $1.65B 收购，印证了强劲的商业势头与纵向算力整合趋势 [CM012, CM013]。这一纵向整合趋势表明，独立的分布式软件层正加速与新锐云电力、数据中心及硬件基础设施捆绑，以争夺更多企业级 AI 资本支出份额 [CM013]。

2.3 买方画像细分、预算归属与落地阻力

分布式 AI 计算平台的企业采购由两类角色共同推动：一线技术人员发起采用，集中采购部门和云工程领导层掌握决策权 [CM014, CM015]。机器学习工程师、基础模型构建者及数据科学负责人是核心用户与内部推手，诉求在于无缝的 Python API、Notebook 集成与免底层集群运维的多节点训练能力 [CM007, CM014]。相反，基础设施副总裁、首席信息官（CIO）及 FinOps 委员会掌握正式预算审批权，评估维度涵盖总体拥有成本、智能竞价实例节省效果、SOC2 合规性，以及支持自带云资源（BYOC）的 VPC 部署，以确保企业敏感数据不离开企业防火墙边界 [CM005, CM015]。实际落地阻力依然显著：用户反馈表明，将传统 Python 代码改写为分布式 Ray Actor 和 Task 存在中等学习门槛，Studio 环境偶发配置摩擦，且高阶多节点搭建文档尚存空白 [CM016]。此外，企业承诺折扣定价不透明，加之基于使用量的 GPU 机时突增难以预测，加大了采购团队预算预测难度，成为阻碍全公司规模化推广的实质性壁垒 [CM015, CM016]。

2.4 附件图表

3.1 竞争格局与结构性动态

分布式 AI 算力编排市场已分化为清晰的结构层级：超大规模云厂商一体化托管平台、原生支持 Kubernetes 的裸金属 GPU 新锐云、自主管理的开源编排体系，以及专用 Serverless AI 执行运行时。Anyscale 的战略立足点源于其作为 Ray 缔造者的行业权威——该开源分布式 Python 框架下载量已突破 5 亿次，GitHub Star 超过 41,000。然而，Anyscale 的商业化产品以往作为软件控制平面，寄生于 AWS、GCP 及 Azure 等第三方公有云厂商之上。这一控制平面架构面对传统云巨头暴露出结构性脆弱：AWS 占据 AI 基础设施市场 19.1% 的份额（营收 $7,186.7M），Google Cloud 占 14.5%（营收 $5,439.8M），Microsoft Azure 占 13.7%（营收 $5,161.6M），三大超大规模云厂商合计份额近 47%。超大规模云厂商借助 Amazon EKS 和 Google Cloud GKE 上的 KubeRay 等托管 Kubernetes Operator 提供原生 Ray 支持，不加收第三方平台编排溢价。为摆脱对美国超大规模云厂商的依赖并截留基础设施利润，Anyscale 于 July 2026 签署最终协议，同意由英国主权 AI 新锐云 Nscale 以 $1.65B 收购，将 Ray 软件编排能力与欧洲主权数据中心深度融合。[CP001, CP002, CP003, CP004, CP005, CP006]

3.2 竞品画像、定价策略与技术架构

面对四大核心竞品阵营——公有云巨头、裸金属 GPU 专业厂商、容器平台及自建开源技术栈，企业买方面临严苛的经济效益与运维权衡。定价端，Anyscale 在底层云算力成本之上加收编排平台费，通常相比裸金属 GPU 费率溢价 50% 至 100%。针对 8x NVIDIA H100 SXM5 集群，Spheron 等裸金属厂商按分钟计费，价格为每小时 $21.20（折合每卡每小时 $2.65），而 AWS p5.48xlarge 按需实例约为每小时 $32.00。叠加上 Anyscale 平台费后，实际综合费率升至每小时 $40.00 至 $64.00（折合每卡每小时 $5.00 至 $8.00）；按每月集群运行 200 小时计算，月度支出约 $9,600，远高于裸金属云的不足 $4,500。Spheron 与 Northflank 的独立对比表明，尽管 Anyscale 在开箱即用的 Ray 集群全生命周期管理、竞价实例自动扩缩容（间歇性负载经证实可节省 60% 算力成本）以及后训练 RLHF 环境上优势突出，但其运行时与 Ray 强绑定。对于部署 FastAPI 服务、前端微服务或自定义非 Ray 容器的混合全栈应用团队，相比 Northflank 等容器原生平台，Anyscale 运行时约束较多；而 Modal 等 Serverless 方案则提供了无集群运维负担的更轻量 Python 并行能力。[CP007, CP008, CP009, CP010, CP011, CP012]

3.3 迁移成本、平台锁定与主权护城河

Ray 本身的开源属性限制了 Anyscale 护城河的持久性——该框架在 PyTorch Foundation 生态体系内始终遵循 Apache 2.0 协议开源。由于 Ray 代码可在任何运行 KubeRay 或原生 Python Head 节点的基础设施上无缝迁移，技术成熟的工程团队从 Anyscale 切换至 EKS、GKE 或裸金属云上的自建 KubeRay，软件层面的迁移成本并不高。然而，Anyscale 凭借专有控制平面的特色能力保留了可观的运维黏性：针对 RLHF 后训练精选的 Docker 环境（例如 OpenRLHF 与 GRPO）、开箱即用的 Ray Serve 自动扩缩容，以及近期推出的 Anyscale Agent Skills（可在 Day 0 构建、Day 1 部署与 Day 2 运维各阶段自动完成值班排障修复）。更为关键的是，2026 年与 Nscale 的合并将重塑合并后实体的战略定位，聚焦主权 AI 基础设施，直接瞄准要求私有或主权云环境的 40.1% 企业 AI 决策者，以及视数据隐私合规为主要生产瓶颈的 52.6% 客户群体。合并实体将 Anyscale 编排能力嵌入欧洲主权 GPU 数据中心，构筑起对抗美国超大规模云厂商的合规防线；但收购后能否持续维系开源开发者群体的认可，仍是一场长期的运营考验。[CP002, CP003, CP013, CP014, CP015, CP016]

3.4 附件图表

4.1 营收模式与变现机制

Anyscale 推进开源 Ray 计算框架的商业化变现，在公有云及本地部署环境中提供托管企业控制平面、托管 Ray 集群编排及专属工作负载管理。底层开源 Ray 框架已于 October 2025 捐赠给 PyTorch Foundation 并保持免费和社区治理，而 Anyscale 采用订阅制营收模式，向客户收取平台访问及托管运行时算力管理费用。企业级合同涵盖软件许可协议与服务承诺，自助托管集群则相较底层裸金属 GPU 费率收取预估 1.5 倍至 2 倍的运维溢价。在宣布由 Nscale 收购前最近一期季度披露中，Anyscale 称其季度营收环比增长超 70%，但确切的年度经常性收入（ARR）、确认收入及净金额留存率（NRR）仍属未公开披露的私有指标。[CI001, CI002, CI003, CI004, CI005, CI006]

4.2 融资历程与收购流动性

在达成收购协议前，Anyscale 历经四轮股权融资，累计获得约 $281M 风险投资，包括 Andreessen Horowitz 领投的 $20.6M A 轮、NEA 领投的 $40M B 轮，以及合计 $199M 的多期 C 轮（2021 年底融资 $100M，随后于 August 2022 追加 $99M 扩展轮）。C 轮融资确立了 $1.0B 至 $1.38B 的投后非上市估值。2026-07-30，英国 AI 基础设施新锐云 Nscale 宣布达成最终协议，以约 $1.65B 收购 Anyscale，该并购交易预计于 2026 年下半年完成交割。此项收购为机构投资方（包括 Andreessen Horowitz、NEA、Addition、Foundation Capital 与 Intel Capital）及员工股东带来了退出流动性，Anyscale 约 200 人的团队也将全员并入 Nscale 的全栈 AI 云基础设施。[CI007, CI008, CI009, CI010, CI011, CI012, CI013]

4.3 单客经济模型、成本结构与尽调估值结论

从承销尽调角度审视，Anyscale 存在严重的财务可见度缺失，无法开展传统的现金流折现（DCF）或市销率倍数测算。在待完成 Nscale 收购前，Anyscale 始终保持非上市状态，毛利率、基础设施托管主营业务成本（COGS）、获客成本（CAC）回收期、客户数及资金消耗率等关键财务指标均未曾对外公开。UpMarket、EquityZen 等二级市场平台指出，无论是两家独立机构报道的定增轮次还是未证实估值倍数，均无法以经审计财务报表加以核验。此外，其运维成本结构面临持续挤压风险：租用裸金属 GPU 搭配开源 KubeRay 构成了规避 Anyscale 托管溢价的替代方案；而 Ray 捐赠予 PyTorch Foundation，导致 Anyscale 的定价权仅能局限于专有托管控制平面，无法延伸至底层执行引擎。[CI014, CI015, CI016]

4.4 附件图表

5.1 分布式计算架构与托管 Ray 运行时

Anyscale 基于开源 Ray 框架研发商业分布式计算平台，专为在异构集群上横向扩展 Python 原生 AI 与机器学习工作负载而设计。从底层逻辑看，平台将开发者体验与底层分布式基础设施运维解耦，工程团队无需重写底层应用逻辑，即可将工作负载从单节点原型扩展至数千个节点的分布式集群。架构在职责上分为两层：集中式控制平面（负责管理集群生命周期、多租户调度、用户认证及资源配额）与优化数据平面（执行分布式任务、管理 Actor 状态及节点间高吞吐通信）。 核心计算引擎借助 Ray 分布式内存对象存储与 RDMA（远程直接内存访问）传输协议，提供超大规模模型训练与高吞吐批量推理所需的高带宽、低延迟进程间通信。为适配异构硬件环境，运行时支持细粒度硬件调度，允许单独的 Python 函数和类分别指定具体的 CPU、GPU 及加速器资源需求。平台可跨 AWS、Azure、Google Cloud Platform 以及 Nebius、CoreWeave 等新兴 GPU 算力厂商，支持基于虚拟机和基于 Kubernetes 的两类集群拓扑编排。这种多云抽象层既规避了各家云厂商的专有 API 绑定，又最大化提升了 GPU 算力资源的获取效率。 [CE001, CE002, CE003, CE004, CE008, CE009]

5.2 产品功能模块、开发者交互界面与生命周期工具

Anyscale 平台将其商业化能力划分为四大核心产品形态：Anyscale Platform（包含交互式协作工作区 Workspaces 与托管集群运维）、Anyscale Services（模型服务与生产端点管理）、Anyscale Endpoints（Serverless 及专享模型推理 API）以及开源 Ray 代码库。Anyscale Workspaces 作为主要开发者入口，提供统一的集成环境，供技术人员配置运行时依赖项、管理容器镜像、提交批处理计算任务并调试分布式 Actor 执行。平台提供覆盖交互式 CLI 工具、Python SDK、REST API 以及模型上下文协议（Model Context Protocol, MCP）接口的标准交互能力，使得自动化编程 Agent 与工程师均能以编程方式调配并监控分布式计算任务。 文档与技术规范构成了 Anyscale 的核心运营抓手，涵盖开源 Ray 文档（基于 Sphinx 构建）与商业产品文档（基于 Docusaurus 构建）。其文档工程流水线整合了 CLI/SDK 动态参考生成、OpenAPI 校验以及代码示例自动化持续集成，确保快速迭代的分布式 API 文档准确无误。在模型后训练与推理环节，Anyscale 原生集成 PyTorch、vLLM、SGLang 等专用机器学习库，以及 SkyRL、veRL 等新兴后训练框架，全面覆盖生成式 AI 开发全生命周期。 [CE001, CE002, CE005, CE006, CE007, CE011]

5.3 软硬件协同设计、生态集成与运维潜在风险

Anyscale 与软硬件生态建立了战略伙伴关系以提升运行时效率，其中最具代表性的是与 NVIDIA 合作集成 NVIDIA AI Enterprise 软件套件及 NVIDIA NIM 推理微服务。该集成使用户能够在生产环境中直接调用优化后的生成式 AI 推理容器，利用自动化集群扩缩容、GPU 可观测性及企业级容器化支持。July 2026，英国 AI 新锐云 Nscale 达成最终协议以 $1.65B 收购 Anyscale，贯彻其纵向一体化战略，将 Nscale 的电力与数据中心算力资产同 Anyscale 的分布式工作负载编排层结合。尽管 Anyscale 坚称其软件将继续保留独立品牌并支持第三方云平台，该交易仍凸显出分布式编排软件必须与底层物理算力基础设施深度协同设计的结构性必然。 尽管技术实力雄厚，Anyscale 仍面临关键的架构与商业依赖。平台高度依赖公有云基础设施服务商（AWS、Azure、GCP）与容器编排器（Kubernetes），使得控制平面极易受上游云配置变更、配额限制及 API 调整冲击。此外，跨云可移植性要求持续维护适配各类云后端的专用网络方案、安全集成（SSO、SAML、SCIM 及审计日志）以及加速芯片驱动程序。随着超大规模云厂商陆续推出托管 Ray 方案与专有 AI 编排服务，Anyscale 的技术防线取决于能否持续保持执行速度领先、集群高利用率以及对前沿开源 AI 框架的原生整合。 [CE001, CE004, CE008, CE009, CE010, CE012, CE013]

5.4 附件图表

6.1 客户画像细分与买方角色

Anyscale 将其商业客户群细分为三大核心需求梯队：大规模运行生产级机器学习的消费级与企业级数字化平台（例如 Canva、Uber、Spotify、Instacart）；搭建分布式训练与推理管线的基础模型及生成式 AI 开发者（例如 OpenAI、Runway、Bedrock Robotics）；以及无需直接管理裸 Kubernetes 集群、寻求托管 Ray 治理能力的企业 IT 基础设施团队。在这些细分客群中，预算决策者通常是 AI 基础设施副总裁、机器学习平台负责人或 CTO，而主要最终用户则是机器学习工程师与分布式 Python 开发者。工作负载通常借助产品驱动增长（PLG）试用、对开源 Ray 项目的熟悉度，或 AWS、Google Cloud 和 Microsoft Azure 云市场采购进入 Anyscale 体系。在企业级与自带云资源（BYOC）部署模式下，平台直接运行在客户云账号及其专有虚拟云（VPC）内，既沿用企业现有的安全边界，又能抵扣既有的云厂商折扣用量承诺 [CU001, CU002, CU003, CU004, CU005]。[CU001, CU002, CU003, CU004, CU005]

6.2 生产级落地案例与量化成果

已公开验证的客户案例显示，迁移至 Anyscale 托管 Ray 平台后，企业运维大幅提速、算力成本明显下降。在一个标杆落地案例中，视觉沟通平台 Canva 将旗下 100 多个机器学习模型的分布式训练整体迁移至 Anyscale，创新迭代速度提升高达 12 倍——单 Epoch 图像分类训练耗时从 90 分钟骤降至 6 分钟，且在峰值负载下完全打满 GPU 算力 [CU006, CU007]。除 Canva 外，Coinbase 等企业级科技巨头采用 Anyscale 支撑生产级 ML 基础设施，Runway 靠其支撑视频 AI 生成管线，Bedrock Robotics 则借助该平台运行物理仿真计算 [CU002, CU008]。AWS 架构技术简报同样证实，企业将 Anyscale 与 Ray Serve 及 AWS 机器学习加速芯片配合部署，既压低了训练与推理延迟，又消除了自主维护 KubeRay 集群的平台工程负担 [CU003, CU009]。[CU002, CU003, CU006, CU007, CU008, CU009]

6.3 推广演进路径、客户留存韧性与尽调阻碍

Anyscale 的商业扩张遵循典型的“先拿立足点再扩张”（Land-and-Expand）路径：以个人开发者采用 Ray 开源计算引擎（累计超 5 亿次下载与 41,000 GitHub Star）为起点，逐步渗透至付费团队 Workspaces、自助用量计费及企业级大额合约 [CU001, CU004, CU010]。为支撑这种多渠道扩张，Anyscale 引入 Metronome 整合计费体系，打通自助积分购买、按量计费以及 AWS、Azure 与 Google Cloud 云市场分发渠道 [CU005, CU011]。在 July 2026 与英国 AI 新锐云 Nscale 达成 $1.65B 收购协议前，Anyscale 披露季度营收环比增长 70%，且核心大客的企业留存率达 90%+ [CU002, CU012]。然而，衡量客户韧性的核心指标（包括付费客户数、净金额留存率 NRR、毛金额留存率 GRR 以及头部锚定客户的营收集中度）仍属未公开的内部数据。此外，自建 Ray 及超大规模云厂商的替代托管服务造成长期采购阻力，且托管测试云上的审计日志限制也阻碍了受监管企业合规准入 [CU013, CU014, CU015, CU016]。[CU001, CU002, CU004, CU005, CU010, CU011, CU012, CU013, CU014, CU015, CU016]

6.4 附件图表

7.1 并购整合、股权重组与基金会治理

Anyscale 于 July 2026 签署最终协议，同意由英国新锐云厂商 Nscale 以据报 $1.65B 收购，企业估值相较 2022 年 C 轮 $1.38B 上浮。该交易将 Anyscale 全体 200 名员工吸纳并入一家纵向一体化基础设施厂商（其刚于 March 2026 斩获 $2B 的 C 轮融资），改变了交易对手方的治理架构。然而尽调显示，Anyscale 的商业资产与其底层开源生态之间存在明确的结构性边界：Ray 的代码库、商标及技术路线图已于 October 2025 捐赠给中立的 PyTorch Foundation。因此，Nscale 仅收购了专有商业控制平面、托管编排 API 及商业客户合同；此举虽杜绝了代码垄断，却为在 Nscale 欧洲数据中心网络之外运行工作负载的客户带来了多云中立性摩擦。[CR001, CR002, CR003, CR004, CR005]

7.2 运维复杂度、定价不可预测性与安全开销

客户反馈与独立 MLOps 评测指出，Anyscale 的部署模式存在显著的运维摩擦。尽管用户评价肯定了借助竞价实例编排可大幅节省高达 60% 成本，但企业买方反映，从标准 Python 管道转向 Ray 的分布式执行范式面临中等乃至陡峭的学习曲线。此外，Anyscale 的商业模式依赖基于使用量的 Anyscale Credits（AC），按小时对 CPU 节点与专用 GPU 实例计费；由于不可预测的自动扩缩容尖峰与竞价实例中断，此模式给企业预算制定带来阻力。运维上，跨自带云资源（BYOC）虚拟私有云的企业级部署要求客户具备深厚的基础设施技术储备，且企业治理文档与安全配置开销过大，成为第三方评测屡次指出的短板。[CR006, CR007, CR008, CR009, CR010]

7.3 超大规模云平台依赖、开源替代与硬件集中度风险

Anyscale 面临突出的合作伙伴集中度与平台替代风险。其商业价值主张直接依赖能否获取顶级加速硬件（特别是 NVIDIA H100、A100 及下一代 GPU 系列），在全球算力紧缺期间极易遭遇供应瓶颈。与此同时，Anyscale 与为其 BYOC 客户集群提供底层基础设施的公有云巨头构成直接竞争。AWS、Google Cloud 和 Microsoft Azure 等主流超大规模云厂商均提供原生托管 Kubernetes 与 Ray 支持，带来持续的去中介化压力。此外，KubeRay 及社区调度 Operator 等开源工具日臻成熟，成熟的企业工程团队完全有能力自主托管分布式 Ray 工作负载，直接制约了 Anyscale 在底层算力成本之上索取高额软件溢价的能力。[CR011, CR012, CR013, CR014]

7.4 附件图表

8.1 投资论点、反方论点与战略估值立场

看好 Anyscale 的核心投资论点在于其对 Ray 项目的底层主导权——Ray 是当下分布式 AI 工作负载与基础模型扩展的主导开源框架。凭借超 5 亿次下载量以及在一线企业中的广泛部署，Anyscale 在分布式训练、批量 Embedding 生成与后训练编排中确立了不可或缺的生态地位。然而反方论点强调，Ray 的开源属性使大型超大规模云厂商和成熟企业能够自建或打造托管运行时服务，无需向 Anyscale 支付商业软件许可费。尽管在交易达成前夕季度营收环比激增 70%，但由于绝对 ARR、净金额留存率和毛利率均未公开披露，估值存在结构性不确定性。鉴于 Nscale 已达成 $1.65B 收购协议，我们的估值立场为估值合理（Fair），并给出锚定交易的持有建议，在战略估值倍数支撑与独立商业化变现受限之间取得平衡。[CV001, CV002, CV003, CV004, CV005, CV006]

8.2 历史融资背景、非上市二级市场与并购对标

2019 年至 2022 年间，Anyscale 在多轮机构融资中累计筹集 $281M，投资方包括 Andreessen Horowitz、New Enterprise Associates、Addition、Intel Capital 及 Foundation Capital 等顶级机构。继 2019 年 $20.6M A 轮与 2020 年 $40M B 轮之后，公司在 October 2021 完成估值 $1.0B 的 C 轮融资跻身独角兽行列，并在 2022 年将估值推升至 $1.38B。收购前夕的非公开二级市场上，参考报价波动剧烈：Nasdaq Private Market 等平台显示 September 2026 成交价为每股 $4.26（较 September 2024 上涨 13.86%），而 PM Insights 分析模型显示的买卖价差暗示其较此前一级市场估值存在 99.22% 的溢价。Nscale 宣布以 $1.65B 收购，确立了明确的交易基准，化解了非上市市场的流动性难题，并为 Anyscale 约 200 名员工提供了完整的雇佣连续性保障。[CV007, CV008, CV009, CV010, CV011, CV012]

8.3 情景估值倍数、退出落地与尽调核验

在乐观、基准与悲观情景下评估 Anyscale 的战略价值，凸显了主权 AI 算力整合与独立运营阻力之间的鲜明反差。在体现 Nscale 最终交易条款的基准情景下，Nscale 将 Anyscale 的 200 名工程师及 Ray 软件技术栈直接整合进其数吉瓦规模的欧洲数据中心基础设施，按未证实的营收测算，以预估 15x 至 22x 的 EV/ARR 倍数支撑了 $1.65B 的企业估值。在独立运营的乐观情景下，SkyRL 与 veRL 等分布式强化学习框架的超预期爆发本可支撑其维持超 70% 的环比增速，对应 $2.5B 以上的估值。相反，悲观情景反映了潜在的反垄断审查干预、客户流失转向云厂商原生托管 Ray，或开源用户向付费客户转化失败的风险。交割前关键尽调必须重点核实经审计的确切 ARR 运行率、客户留存经济指标以及 Nscale 整合后的治理安排。[CV013, CV014, CV015, CV016]

8.4 附件图表