隨著 AI 模型的快速演進，如何高效推論（Inference）這些大型模型，成為業界繞不開的關鍵課題。來自 UC Berkeley 的開源專案 vLLM 不僅正面迎戰這個技術挑戰，更逐步建立起自己的社群與生態系，甚至催生出專注於推論基礎建設的新創公司 Inferact。本文將帶你深入 vLLM 的起源、技術突破、開源社群發展，以及 Inferact 如何想要打造「AI 推論的通用引擎」。
Table of Contents
從學術實驗到 GitHub 明星專案：vLLM 的誕生
vLLM 最初源於 UC Berkeley 的一項博士班研究計畫，旨在解決大型語言模型（LLM）推論效率低落的問題。當時，Meta 開源了 OPT 模型，vLLM 的早期貢獻者之一的 Woosuk Kwon 則試圖優化該模型的 Demo 服務，進而發現這背後是一個尚未解決的推論系統難題。「我們以為只要幾週就能完成，結果卻開啟了一條全新的研究與開發之路。」Kwon 回憶表示。
由下而上的挑戰：為什麼 LLM 推論與傳統 ML 不同？
vLLM 針對的是自回歸式（auto-regressive）語言模型，其推論過程動態、非同步、無法批次化處理，與傳統影像或語音模型大不相同。這類模型的輸入長度可從一句話到數百頁文檔不等，GPU 記憶體使用需精準調配，而計算步驟（token-level scheduling）與記憶體管理（KV cache handling）也變得格外複雜。
vLLM 的一項重要技術突破就是「Page Attention」，這個設計幫助系統更有效地管理記憶體，應對多樣化的請求與長序列輸出。
不只是寫程式：從校園走向開源社群的關鍵時刻
vLLM 團隊於 2023 年在矽谷舉辦第一次開源 meetup，原以為只會有十幾人參加，結果報名人數遠超預期、擠爆會場，成為社群發展的轉捩點。
此後，vLLM 社群成長迅速，如今已有超過 50 位常態貢獻者，並累積 2,000 多名 GitHub 貢獻者，是當今成長最快的開源專案之一，獲得 Meta、Red Hat、NVIDIA、AMD、AWS、Google 等多方支持。
多方勢力同場競技：打造「AI 的作業系統」
vLLM 的成功關鍵之一在於，它為模型開發者、晶片廠商與應用開發者建立了一個共通平台，不必彼此對接，只需對接 vLLM 一套，就能實現模型與硬體的最大兼容性。
這也意味著，vLLM 正試圖打造一種「AI 的作業系統」：讓所有模型、所有硬體都能跑在同一個通用推論引擎上。
推論越來越難？規模、硬體與代理智能的三重壓力
如今的推論挑戰不斷升級，包括：
-
模型規模暴增：從最初的百億參數到今日的兆級模型，如 Kim K2，推論所需的運算資源也水漲船高。
-
模型與硬體多樣性：Transformer 架構雖然一致，但內部細節越來越分歧，如 sparse attention、linear attention 等變種層出不窮。
-
代理系統（Agents）興起：模型不再只是回答一輪，而是參與連續對話、呼叫外部工具、執行 Python 腳本等，推論層需長時間維持狀態、處理非同步輸入，進一步拉高技術門檻。
進入實戰：vLLM 被大規模部署的案例
vLLM 不只是學術玩具，它已在 Amazon、LinkedIn、Character AI 等大型平台中上線。例如 Amazon 的智能助理「Rufus」就由 vLLM 驅動，成為購物搜尋背後的推論引擎。
甚至有工程師在 vLLM 的一項功能還在開發階段就直接部署至數百張 GPU 上，可見其在社群中的信任度之高。
vLLM 背後的公司：Inferact 的角色與願景
為了推動 vLLM 的進一步發展，核心開發者們創辦了 Inferact，並獲得多方投資支持。與一般商業公司不同，Inferact 將開源視為首要任務，創辦人之一 Simon Mo 表示：「我們的公司存在，是為了讓 vLLM 成為全球的標準推論引擎。」Inferact 的商業模式圍繞在維護與擴展 vLLM 生態系，同時提供企業級部署與支持，形成商業與開源的雙軌並行。
Inferact 正積極招募擁有 ML 基礎建設經驗的工程師，特別是擅長大型模型推論、分散式系統與硬體加速領域的人才。對於追求技術挑戰與深度系統優化的開發者而言，這是一個參與下一代 AI 基礎建設的機會。
團隊期望打造的是類似 OS 或資料庫那樣的「抽象層」，讓 AI 模型能無縫運行於多樣化硬體與應用場景中。
風險提示
加密貨幣投資具有高度風險，其價格可能波動劇烈，您可能損失全部本金。請謹慎評估風險。
