ZenML旨在成为整合各类开源AI工具的“胶水”框架，助力数据科学家、机器学习工程师及平台工程师高效协作并构建新型AI模型。
ZenML的核心价值在于赋能企业构建私有化模型。尽管企业难以复刻GPT-4级别的通用大模型，但可开发更贴合自身业务需求的垂直模型，从而降低对OpenAI、Anthropic等外部API服务商的依赖。
Point Nine风险投资公司合伙人Louis Coppey表示：“当第一波使用OpenAI或闭源API的热潮退去后，ZenML将帮助企业构建自主可控的技术栈。”
今年早些时候，Point Nine追加投资了ZenML的种子轮，现有投资者Crane亦跟投。这家总部位于德国慕尼黑的初创公司累计融资额已达640万美元。
ZenML由Adam Probst和Hamza Tahir联合创立。两人此前曾共同为企业定制行业专属的机器学习流水线（ML pipelines）。CEO Adam Probst坦言：“我们日复一日地构建模型并推动其落地生产环境，这段经历催生了ZenML。”
基于实战经验，二人设计了一套模块化系统，以适应不同场景与客户，避免重复造轮子。同时，该系统也让初涉机器学习的工程师能快速上手。这一领域被称为MLOps，即专为机器学习打造的DevOps。
Probst指出：“ZenML专注于连接价值链中特定步骤的开源工具，构建完整的机器学习流水线。它既支持AWS、Google等超大规模云平台，也兼容本地部署方案。”
流水线（pipelines）是ZenML的核心概念。编写完成后，用户可选择本地运行，或通过Airflow、Kubeflow等开源工具部署；亦可利用EC2、Vertex Pipelines、SageMaker等托管云服务。此外，ZenML还深度集成了Hugging Face、MLflow、TensorFlow、PyTorch等主流开源ML工具。
CTO Hamza Tahir强调：“ZenML本质上是一个提供统一体验的多供应商、多云集成工具，为机器学习工作流带来了连接器、可观测性及可审计性。”
ZenML最初作为开源项目发布于GitHub，已获超3000星标。近期推出的云版本包含托管服务器功能，持续集成与部署（CI/CD）触发器也即将上线。
目前，Rivian、Playtika、Leroy Merlin等企业已在工业应用、电商推荐、医疗图像识别等场景中采用ZenML。
私有化与行业专用模型趋势
ZenML的发展前景取决于AI生态的演进。当前，许多企业仅通过调用OpenAI API零散添加AI功能，如文本摘要或客服自动回复。
“OpenAI会有未来，但我们认为大多数市场需要拥有自己的解决方案。” —— Adam Probst
然而，通用API往往复杂且昂贵。Probst分析道：“封闭环境下训练的大语言模型面向通用场景，在特定垂直领域显得过度训练且成本高昂。因此，开源方案对企业极具吸引力。”
OpenAI CEO Sam Altman亦认同AI模型并非万能通用。他在Station F问答环节中表示：“小型专用模型与广泛通用模型都将扮演重要角色，未来将是两者的混合体。”
此外，伦理与法律因素也不容忽视。随着监管政策实时演变，尤其是欧洲立法可能鼓励企业使用基于特定数据集、以特定方式训练的AI模型。
Tahir引用Gartner预测称：“75%的企业将在2024年从概念验证转向生产环境。未来一两年将是AI发展的里程碑时刻，我们将看到专有数据微调的开源基础模型混合方案在生产环境中广泛应用。”
他进一步补充：“MLOps的价值在于，99%的AI用例将由更专业、低成本、小规模的内部训练模型驱动。”
