VentureBeat AIAI Agent

Railway獲1億美元融資，以AI原生雲端基礎設施挑戰AWS

2026年1月22日 14:00

重點摘要

Railway 獲得1億美元B輪融資，以AI原生雲端基礎設施挑戰AWS等傳統平台，該公司至今未花行銷費用即累積200萬開發者。其平台可將部署時間縮短至不到一秒，客戶回報開發速度提升十倍、成本降低高達65%。此輪由TQ Ventures領投，反映

站內 AI 整理稿

### 🚀 Railway 獲 1 億美元融資，以 AI 原生雲端基礎設施挑戰 AWS

美國雲端平台新創 Railway 近日宣布完成 1 億美元的 B 輪融資，由 TQ Ventures 領投，FPV Ventures、Redpoint 與 Unusual Ventures 跟投。這家總部位於舊金山的公司，在完全未投入行銷費用的情況下，默默累積了 200 萬名開發者，如今每月處理超過 1000 萬次部署與 1 兆次邊緣網路請求，已成為 AI 熱潮中最受矚目的基礎設施新創之一。本輪融資規模是該公司過去總融資額（約 2400 萬美元）的四倍多，顯示投資者對「AI 原生雲端」賽道的強烈信心。

### 🧠 背景脈絡：AI 編碼加速，傳統雲端部署成瓶頸

隨著 Claude、ChatGPT、Cursor 等 AI 編碼助手能在數秒內生成可執行程式碼，舊有的雲端部署流程顯得格格不入。創辦人 Jake Cooper 指出，過去使用 Terraform 等工具進行建構與部署，動輒需要兩到三分鐘；這在 AI 時代已成為關鍵瓶頸——當 AI 能在三秒內解決問題時，任何超過十秒的部署延遲都會拖累整體開發節奏。Railway 的核心觀察是：上一代雲端基礎設施設計於「慢時代」，如今必須被重新定義。

### ⚡ Railway 的解法：秒級部署與垂直整合

Railway 宣稱其平台能讓部署時間壓縮到一秒以內，足以跟上 AI 生成程式碼的速度。企業客戶回報，開發者生產力提升 10 倍，雲端成本節省高達 65%。更關鍵的是，Railway 在 2024 年做出大膽決定：全面放棄 Google Cloud，自建資料中心，實現從硬體到軟體的垂直整合。這讓 Railway 在近期多家大型雲端供應商大規模當機時仍保持穩定運行，也讓它能設計出更密集、更高效的硬體配置，進而壓低價格。

### 📊 實證案例：成本驟降 87%，部署速度飆升 7 倍

為聯邦承包商提供服務的 G2X 技術長 Daniel Lobaton 提供具體對比：遷移至 Railway 後，部署速度提升七倍，基礎設施帳單從每月約 1.5 萬美元降至約 1000 美元，降幅達 87%。他表示，過去需要一週才能完成的工作，在 Railway 上一天就能搞定；若想測試不同架構，舊系統耗時極長，而 Railway 只需兩分鐘就能啟動六個服務。這些數字並非內部基準，而是來自真實客戶的體驗。

### 🧮 定價策略：按秒計費，無閒置浪費

Railway 的計費模式與傳統雲端形成鮮明對比：記憶體每 GByte-秒收費 0.00000386 美元、vCPU 每秒 0.00000772 美元、儲存每 GByte-秒 0.00000006 美元，且不收取閒置虛擬機費用。相比之下，AWS 或 Google Cloud 常要求客戶為「預留容量」付費，即使未使用也需負擔成本。Cooper 解釋，大型雲端業者雖有規模經濟，但他們販售的虛擬機大多處於閒置狀態；Railway 則透過自建硬體與密度優化，提供比大型雲端便宜約 50%、比

原始來源：VentureBeat AI ↗

查看原始來源

TechWebAI Agent

網易有道全面向AI轉型全場景Agent矩陣亮相圖博會

{"id":"39ef5947-b77a-4904-bf03-ff6264f08dc4","object":"response","model":"deepseek-v4-flash","output":[],"stop_reason":"max_output_tokens","usage":{"input_tokens":154,"output_tokens":200,"total_tokens":354}}

剛剛閱讀分析

Hugging Face BlogAI Agent

MosaicLeaks: Can your research agent keep a secret?

Back to Articles MosaicLeaks: Can your research agent keep a secret? Enterprise Article Published June 18, 2026 Upvote - Alexander Gurung agurung Follow ServiceNow Rafael Pardinas rafapi-snow Follow ServiceNow TL;DR Deep research agents increasingly combine private local documents with external tools like web retrieval, creating a privacy risk: an agent's external queries may leak sensitive information. MosaicLeaks proposes a new deep-research task with multi-hop questions that interleave public and private information. Across the models we tested, agents frequently leaked private information, and training only for task performance made it worse. We propose a mosaic-leakage-aware RL training method, Privacy-Aware Deep Research (PA-DR), which raises strict chain success (the share of chains

17 小時前閱讀分析