算力信创及技术分析报告
商业模式决策参考文档 · 基于多轮行业调研与一线实践者交叉验证
面向陈总/苏总汇报准备 · 2026年6月10日 · V3
面向陈总/苏总汇报准备 · 2026年6月10日 · V3
第一章 核心结论 & 最终启示
本报告经过多轮交叉验证，所有角度都指向同一个结论：
找不到任何角度能让"低价算力"成为我们的核心叙事。
建议将商业模式核心叙事从"低价算力供给"转向"AI应用交付能力 + 垂直行业模型 + 端到端解决方案"。
1.1 一句话结论
1.2 论据汇总
| # | 尝试过的角度 | 结论 |
|---|---|---|
| 1 | 作为获客钩子吸引供给端 | ❌ 不成立 — 供给端（小方同学型）主要用API，GPU用得极少。对他们来说，"低价算力"根本不解决任何实际问题。 |
| 2 | 作为竞争壁垒 | ❌ 不成立 — 国产算力利用率30%，供过于求，谁都能拿到类似价格。在买方市场里，卖方没有议价能力。 |
| 3 | 作为盈利来源（转售差价） | ❌ 不成立 — 国产算力过剩，差价空间极小。M4裸算力转售模式在供需结构上就不成立。 |
| 4 | 作为"锁定"供给端的手段 | ❌ 不成立 — 只有M3代运营模式才有可能形成锁定，但M3需要9-10人团队+500万+首年投入，且偏离核心业务。 |
| 5 | 云端算力优惠 | ❌ 不成立 — 云端优惠是"用量换的"不是"关系给的"，且供给端用量太小，省下来的钱不足以当钩子。 |
| 6 | 信创场景下的国产算力 | ⚠️ 唯一例外 — 当国企客户强制要求信创合规时，平台上已有国产算力适配能力可成为"准入壁垒"。但这本质上是"技术适配能力"壁垒，不是"价格"壁垒。且在信创场景下，如果自己做适配会拖成系统集成商，偏离核心业务。 |
| 7 | 模型效果差异 | ✅ 差异<1% — 智源研究院实测：S5000千卡集群 vs H100，loss差异仅0.62%。这意味着国产算力训出来的模型效果不会差。但"效果好"≠"能当钩子"——因为供给端根本不需要你提供GPU。 |
1.3 核心结论
"有强大的政府关系能提供低价国产算力" → 不是任何一种核心壁垒
"低价算力"在任何场景下都不是决定性因素：
· 对供给端（Agent公司）：他们主要用API，极少用GPU → 低价算力无吸引力
· 对需求端（品牌方/国企）：他们买的是"营销AI化的确定性"，不关心底层用什么算力
· 对平台自身：可以作为内部成本优化工具，但对外不是卖点
真正的壁垒排序：
① 客户数据沉淀能力（CDP/统一数据中台）← 最硬的壁垒
② 政府/国企客户渠道 ← 最不可复制的资源
③ 上市公司平台+资本控股能力 ← 组织壁垒
④ 清华学术背书 ← 信任壁垒
⑤ 20年营销know-how（定义55个环节的能力地图）← 认知壁垒
...
⑩ 算力（如果有）← 锦上添花
算力在商业模式中的唯一正确位置：
内部成本优化工具 + 信创场景下的技术适配能力（不是价格优势）
1.4 算力在商业模式中的正确定位
❌ 算力 —— 不作为核心叙事对外宣传
· 算力的正确位置：内部运营成本优化工具（不对外）
· 对外话术不提算力。对内：如果有关系拿到优惠算力，用来降低平台自己的推理成本。
· 算力在信创场景中可以作为"技术适配能力"——但这是被动合规能力，不是主动建设方向，也不是价格壁垒。
· 算力的正确位置：内部运营成本优化工具（不对外）
· 对外话术不提算力。对内：如果有关系拿到优惠算力，用来降低平台自己的推理成本。
· 算力在信创场景中可以作为"技术适配能力"——但这是被动合规能力，不是主动建设方向，也不是价格壁垒。
1.5 核心壁垒要素
| 要素 | 在商业模式中的位置 | 为什么这是壁垒 |
|---|---|---|
| 政府/国企客户渠道 | 唯一核心壁垒 | 别家Martech公司花10年都建不起来的资源 |
| 数据沉淀能力（CDP） | 最硬的壁垒 | 客户数据是你的，才有持续价值 |
| 资本控股整合能力 | 生态整合手段 | 上市公司平台，自研+参股+链接三层结构 |
| 清华学术背书 | 信任锚 | 让国企客户相信"技术是靠谱的" |
| 20年营销know-how | 认知壁垒 | 定义55个二级环节的AI替代度不需要外部咨询 |
1.6 商业模式定位
营销全链路AI智能体生态平台
T1 核心客户（主攻方向）：中型市场化企业 — 有营销需求、决策快、回款正常、需要AI赋能但自建成本太高
T2 重要客户（积极拓展）：营销服务商/代理商 — 作为渠道伙伴，帮我们触达终端客户
T3 补充性客户（有机会就做）：国央企 — 通过服务商间接触达为主，直接对接为辅，不主动追；信创按需启动
供给端：自研Agent（CDP/MA/归因）+ 参股Agent（5-20%股权）+ 链接Agent（API补充）
盈利模式：SaaS订阅 + 交易佣金 + 股权增值 + 定制实施费（不算力转售）
核心叙事："您不需要自己建AI团队，也不需要分别对接七八家AI工具商。我们把营销全链路拆成了几十个专业化的AI智能体——策略的、创意的、投放的、数据的、客服的——每一个都是这个细分领域里最好的。您只需要对接我们一个入口。"
算力位置：内部成本优化工具，不对外作为卖点；技术架构采用轻量级API网关方案，不自建GPU集群。
T1 核心客户（主攻方向）：中型市场化企业 — 有营销需求、决策快、回款正常、需要AI赋能但自建成本太高
T2 重要客户（积极拓展）：营销服务商/代理商 — 作为渠道伙伴，帮我们触达终端客户
T3 补充性客户（有机会就做）：国央企 — 通过服务商间接触达为主，直接对接为辅，不主动追；信创按需启动
供给端：自研Agent（CDP/MA/归因）+ 参股Agent（5-20%股权）+ 链接Agent（API补充）
盈利模式：SaaS订阅 + 交易佣金 + 股权增值 + 定制实施费（不算力转售）
核心叙事："您不需要自己建AI团队，也不需要分别对接七八家AI工具商。我们把营销全链路拆成了几十个专业化的AI智能体——策略的、创意的、投放的、数据的、客服的——每一个都是这个细分领域里最好的。您只需要对接我们一个入口。"
算力位置：内部成本优化工具，不对外作为卖点；技术架构采用轻量级API网关方案，不自建GPU集群。
第二章 算力到底包含什么
核心认知："算力"不等于"一张GPU卡"。它是一个完整的系统工程。周总说"国产算力垃圾"，他评价的不是某张芯片好不好，而是这整套系统跑起来的综合体验——包括芯片性能、软件生态、运维稳定性、故障恢复速度等所有环节。
2.1 汽车类比帮助理解
| 算力世界 | 汽车世界（类比） |
|---|---|
| 芯片(GPU) — 摩尔线程S5000 / H20 / A800 | 发动机（核心动力源） |
| 软件栈 — MUSA / CUDA / CANN / 推理框架 | 变速箱 + 电控系统 |
| 基础设施 — 机房 / 网络 / 存储 / 液冷 | 底盘 + 悬挂 + 轮胎 |
| 运维服务 — 故障处理 / 性能调优 / 计费 | 4S店售后 + 保养服务 |
| 完整算力 → 能稳定跑AI模型的一套能力 | 一辆能正常上路的车 |
周总说"国产算力垃圾"的准确翻译："作为每年花5000万买算力、用H20+A800做生产级推理的人，我对比体验后认为，国产算力这辆'车'跑起来体验差。不是发动机不行（S5000纸面参数接近H100），而是变速箱换挡顿挫（软件栈不稳定）、底盘松散（集群稳定性差）、售后跟不上（运维响应慢）。我不敢把核心业务押在上面。"
2.2 主流GPU芯片能力对比
| GPU型号 | 厂商 | 显存 | 互联 | 软件生态 | 中国市场状态 | 适用场景 |
|---|---|---|---|---|---|---|
| H100 | NVIDIA | 80GB HBM3 | NVLink 900GB/s | CUDA（最成熟） | 对华禁售 | 大模型训练/推理（全球标杆） |
| H200 | NVIDIA | 141GB HBM3e | NVLink 900GB/s | CUDA | 对华禁售 | 超大模型推理（全球旗舰） |
| H20 | NVIDIA | 96GB HBM3 | NVLink 900GB/s | CUDA（完整） | 中国特供，合法在售 | 中国市场当前最强合法卡 |
| A800 | NVIDIA | 80GB HBM2e | NVLink 400GB/s | CUDA（完整） | 中国特供，合法在售 | 推理为主，训练为辅（利欧在用） |
| MTT S5000 | 摩尔线程 | 80GB | MTLink | MUSA（兼容CUDA，但不完整） | 国产，在售 | 信创场景推理，生态迁移成本高 |
| 昇腾910B | 华为 | 64GB HBM2e | HCCS | CANN（自研，迁移工作量大） | 国产，供不应求 | 信创主力，但供货周期长 |
| 海光DCU | 海光信息 | 32GB | — | ROCm兼容层 | 国产，在售 | 小规模推理，性能差距明显 |
为什么"纸面参数接近"不等于"能用"？——CUDA生态是真正的护城河
过去15年，全球AI开发者基于CUDA构建了数百万行代码、数千个模型实现、上百个训练框架。从CUDA迁移到MUSA（摩尔线程软件栈），意味着所有代码都要重写一遍——这不是"适配"，是"重做"。
类比：就像你把Windows上的所有软件全部重写一遍让它跑在Linux上。理论上两个操作系统功能都能做到，但15年的软件积累不是几个月能迁移完的。
智源研究院2025年实测数据：S5000千卡集群 vs H100，在特定模型上训练loss差异仅0.62%，但在推理吞吐、多卡扩展效率、故障恢复速度等生产级指标上仍有显著差距。这解释了为什么利欧级别的生产环境不敢用——不是训练那一步不行，是上线之后的各种未知坑不敢赌。
过去15年，全球AI开发者基于CUDA构建了数百万行代码、数千个模型实现、上百个训练框架。从CUDA迁移到MUSA（摩尔线程软件栈），意味着所有代码都要重写一遍——这不是"适配"，是"重做"。
类比：就像你把Windows上的所有软件全部重写一遍让它跑在Linux上。理论上两个操作系统功能都能做到，但15年的软件积累不是几个月能迁移完的。
智源研究院2025年实测数据：S5000千卡集群 vs H100，在特定模型上训练loss差异仅0.62%，但在推理吞吐、多卡扩展效率、故障恢复速度等生产级指标上仍有显著差距。这解释了为什么利欧级别的生产环境不敢用——不是训练那一步不行，是上线之后的各种未知坑不敢赌。
第三章 中国算力市场的真实格局：冰火两重天
重要结论：中国算力市场不是"全面供大于求"，而是结构性错配——80%的算力资源过剩、20%的算力资源紧缺。笼统说"算力过剩"或"算力紧缺"都是错的，必须区分具体类型。
3.1 数据全景
| 维度 | ❄️ 过剩的部分（冰） | 🔥 短缺的部分（火） |
|---|---|---|
| 算力类型 | 通用算力（CPU为主）利用率仅10-15% | 高端智能算力缺口超40% |
| GPU级别 | A800/国产中低端卡，租金跌30%+ | H200/H100月租涨25-30%，排期到2027 |
| 地域分布 | 西部智算中心，利用率仅32% | 东部核心城市集群，95%满载 |
| 整体数据 | IDC机柜平均上架率58% | 智能算力需求年增46% |
| 国产GPU | 出租率<50%，部分<5% | — |
| 价格趋势 | H100月租从1.3万跌至6000元 | H200月租涨至6.0-6.6万元 |
3.2 东西部算力构成与使用现状（图解）
图示1：东西部 GPU 构成对比——东部以高代际卡为主，西部以国产中低端卡为主
图示2：GPU 价格趋势（2026 年中月租金）——高代际卡上涨，旧代卡下跌
图示3：东西部使用现状——东部满载，西部闲置
表：东西部补贴政策与租赁门槛对比
| 维度 | 东部（京津冀/长三角/粤港澳） | 西部（贵州/内蒙古/宁夏/甘肃等） |
|---|---|---|
| 主要 GPU 卡型 | H20/H800/A800（高代际推理卡） | 昇腾 910B / 国产 S5000 / DCU 等中低端卡 |
| 核心枢纽节点 | 京津冀枢纽 · 长三角枢纽 · 粤港澳枢纽 | 贵州枢纽 · 内蒙古枢纽 · 宁夏枢纽 · 甘肃枢纽 |
| 典型机房状态 | 95% 满载，高端卡排期到 2027 | 利用率 32%，部分项目 <15% |
| 电价与机房成本 | 商业电价较高，机房租金高 | 绿电 + 政府补贴，电价 0.26-0.35 元/kWh |
| 补贴方向 | 需求侧：算力券 / 研发补贴 / 信创采购 | 供给侧：机房建设补贴 / 电价优惠 / 税收返还 |
| 云 GPU 租赁门槛 | 零门槛 · 注册即用 · 按小时付费 | 零门槛 · 部分政府项目要求战略合作 |
| 物理 GPU 集群门槛 | 年租 100 万起 · 需与大厂竞争配额 | 政府项目需强关系 · 市场化服务仍在探索 |
| 对 Agent 公司价值 | 推理延迟低，客户体验有保障 但 API 模式下不直接受益 | 低价但离应用远 API 模式下完全用不着 |
核心结论："东贵西贱"不是简单的价格差异，而是结构性错配——东部客户需要的高代际 GPU（H20/H800）被大厂抢光，而西部政府建成的国产中低端算力集群找不到真实客户。
对我们的含义：如果通过政府关系能拿到的算力属于"西部国产中低端"这一类，它在商业上几乎没有壁垒价值——因为没人抢。只有当你能拿到"东部紧缺区"的高端卡配额（H20/H800）时，才算真正有筹码。但这类配额被字节/阿里/百度等头部企业通过长期大额采购锁定，政府渠道几乎不可能拿到。
对我们的含义：如果通过政府关系能拿到的算力属于"西部国产中低端"这一类，它在商业上几乎没有壁垒价值——因为没人抢。只有当你能拿到"东部紧缺区"的高端卡配额（H20/H800）时，才算真正有筹码。但这类配额被字节/阿里/百度等头部企业通过长期大额采购锁定，政府渠道几乎不可能拿到。
3.3 为什么企业不选西部算力（3 张图看懂）
图示 1：网络延迟 — 西部到东部来回 160ms，用户一对话就能感知到卡顿
图示 2：数据传输物理瓶颈 — 1PB 数据，网络传输需要 10 天，卡车运硬盘只要 3-5 天，但每天新增的数据不能靠卡车
图示 3：数据引力（Data Gravity）— 数据在哪，算力就必须跟到哪；反过来不行，因为数据不想动
一句话结论：西部的"低价算力"对大多数需要客户交互的 AI 业务来说，是看得见但用不上的东西——网络延迟卡死了实时推理，数据传输物理瓶颈卡死了大规模训练，数据引力卡死了长期架构选择。**这不是企业不配合，是物理定律不答应。**
3.4 我国当前智能算力的分布情况
图示：全国一体化算力网络 8 大国家枢纽节点分布（简化示意图）
表：8 大国家枢纽节点的智能算力构成与规模
| 节点 | 区域 | 主要算力类型 | 典型卡型 / 路线 | 当前状态 | 核心特征 |
|---|---|---|---|---|---|
| 京津冀 | 东部 | 超算 + 智算 + 通用算力 | H20 / H800 / 昇腾 910B | 95% 满载 | 客户密集·推理/训练混合需求旺盛 |
| 长三角 | 东部 | 智算（上海/芜湖）+ 数据中心（昆山/南通） | H20 / H800 / A800 | 95% 满载 | 互联网大厂云集·自研集群密集 |
| 粤港澳 | 东部 | 金融 + AI 应用 + 大湾区数据 | H20 / A800 | 紧张 | 金融/内容产业拉动推理需求 |
| 成渝 | 中西部 | 兼顾东部溢出需求 | 昇腾 910B + A800 | 建成中 | 成都算力 + 重庆数据双轮驱动 |
| 贵州 | 西部 | 大数据中心（冷数据 / 离线训练 | 国产 GPU（摩尔线程/海光） | 利用率 ~40% | 水电富集·腾讯/华为大型数据中心 |
| 内蒙古 | 西部 | 智算（千卡级昇腾集群） | 昇腾 910B + 国产推理卡 | 利用率 ~32% | 风电/煤电混合·和林格尔/乌兰察布 |
| 宁夏 | 西部 | "算力之都"定位 | 国产 GPU + 通用 CPU | 利用率较低 | 中卫冷源·电价最低 |
| 甘肃 | 西部 | 绿电基地 | 国产路线 | 在建中 | 风光电资源丰富·庆阳智算集群 |
一句话总结：东部 3 大枢纽（京津冀/长三角/粤港澳）是真正的"算力前线"——客户在、应用在、高代际卡密集、利用率爆满；西部 4 大枢纽 + 成渝 1 大枢纽是"算力后方"——绿电在、机房在、但客户不在、应用不在、利用率仅 30-40%。"东数西算"工程本质上是让西部承接冷数据/离线训练等对延迟不敏感的工作负载，而不是把核心推理业务挪去西部。
3.5 四大成因
① 需求迭代太快
大模型从训练转向推理，需求从通用计算爆发式转向高端智能计算。早期建的中低端算力中心无法支撑新场景 → 冗余；而高端芯片研发周期1-2年跟不上需求爆发 → 缺口。
② 盲目跟风建设
各地扎堆建智算中心，缺乏场景适配能力。飞利信、莲花控股等多家上市公司因算力业务无法开展相继终止合同。国产算力整体利用率仅30%。
③ 地域布局失衡
按胡焕庸线划分：东部满载，西部闲置。网络延迟导致跨地域调用体验差，算力"远水不解近渴"。
④ 运营能力不足
多数智算中心"建得起、用不好"。缺乏专业运营团队，单机柜年均运维成本高达12万元，但提供的服务质量远低于商业云厂商。
对我们的影响：如果通过政府关系拿到的算力属于"过剩区"（中低端国产GPU/西部机房），那它在商业上几乎没有壁垒价值——谁都能拿到类似价格，且利用率30%意味着智算中心求着人用，不是人求着智算中心。只有拿到"紧缺区"的资源（高端GPU/东部优质节点），才可能成为真正的竞争筹码。但紧缺区的高端卡（H20/H200）被字节/阿里/百度等大厂抢光，政府渠道几乎不可能拿到配额。
3.6 国产算力"烂尾"项目案例（警示）
| 企业/项目 | 算力规模 | 投入 | 结果 | 失败原因 |
|---|---|---|---|---|
| 飞利信 | 原规划200P算力 | 数亿级 | 合同终止 | 客户需求不足，无法形成商业闭环 |
| 莲花控股 | 原规划智算中心 | 数亿级 | 合同终止 | 算力服务无法商业化，持续亏损 |
| 西部某智算中心 | 500P+ | 数十亿 | 利用率<15% | 远离用户（网络延迟>50ms），技术运维跟不上 |
| 某国产GPU厂商 | 出货>10万张 | — | 出租率<5% | 生态不兼容，企业迁移成本太高 |
这些失败项目的共同特征：① 政府推动立项，建了再说 ② 不考虑"谁来用、为什么用"的商业问题 ③ 国产GPU+西部布局，跟实际市场需求完全错配。
对我们的启示：如果我们只是"帮政府把建好的智算中心的闲置算力卖出去"——那我们是帮别人填坑，不是给自己建壁垒。这些智算中心自己都找不到客户，我们凭什么能找到？
对我们的启示：如果我们只是"帮政府把建好的智算中心的闲置算力卖出去"——那我们是帮别人填坑，不是给自己建壁垒。这些智算中心自己都找不到客户，我们凭什么能找到？
第四章 算力补贴/优惠全图谱
4.1 私有算力补贴（四类）
| 补贴类型 | 给谁 | 金额级 | 补什么 | 获取门槛 | 需要什么人脉 | 解决什么 | 变现 vs 内部提效 |
|---|---|---|---|---|---|---|---|
| A 智算中心建设补贴 | 地方政府/国企/运营商 | 数亿级 | 机房+设备+网络+运营 | 极高 | 省级以上：与省发改委/工信厅有对接通道 | 建智算中心 | 变现（转售算力） |
| B 算力券 | 使用算力的企业 | 30-40%抵扣 | 算力使用费 | 低 | 市级即可：认识当地经信局/科技局 | 降低算力成本 | 内部提效 |
| C AI产业专项资金 | 符合条件的企业 | 数百万~数千万 | 不限用途 | 中高 | 市级~省级：成熟项目申报团队 | AI研发综合资金 | 间接增长 |
| D 国产芯片采购补贴 | 采购国产算力的单位 | 10-30% | 国产GPU芯片采购 | 中 | 市级~省级：信创项目认定 | 降低采购成本 | 内部提效 |
4.2 云端算力优惠
| 优惠层次 | 怎么拿 | 折扣幅度 | 谁拿得到 | 需要人脉吗 |
|---|---|---|---|---|
| 散户价 | 直接在云平台注册，按需付费 | 基准价 | 个人开发者、小团队 | 不需要 |
| 包月/包年 | 预付，锁定用量 | 6-8折 | 有稳定需求的中小公司 | 不需要 |
| 大客户框架协议 | 月消耗10万+，签约 | 3-5折 | 有持续大用量企业 | 需要找到云厂商直销团队 |
| 战略合作伙伴 | 月消耗100万+，深度绑定 | 2-3折 + 额外资源 | 字节/阿里等头部 | 需要极大用量 |
云端算力优惠的本质：不是"政府关系给的"，而是"用量换的"。任何一家云厂商的销售都会主动找用量大的客户谈折扣。如果你自己平台的月用量不到50万，根本没有谈判筹码。小方同学这样的公司，月云成本只有几万，自己就能拿到8折左右的包月价——你帮他们谈到6折，一年也就能省十几二十万，不够当钩子。但如果你自己的平台用量够大（月50万+），把大客户折扣分享给入驻Agent作为福利 → 这是锦上添花，不是核心壁垒。
4.3 补贴与基础设施绑定的关系
| 补贴类型 | 必须用他们的机房？ | 必须用他们的网络？ | 必须用他们的服务器？ | 必须用国产GPU？ | 部署地点可选？ |
|---|---|---|---|---|---|
| A 建设补贴 | ✅ 必须 | ✅ 必须 | ✅ 必须 | ✅ 指定品牌 | ❌ 不能选 |
| B 算力券 | ❌ 不必 | ❌ 不必 | ❌ 不必 | ❌ 随便 | ✅ 自由 |
| C 产业资金 | ❌ 不必 | ❌ 不必 | ❌ 不必 | ❌ 不限制 | ✅ 自由 |
| D 芯片补贴 | ⚠️ 可协商 | ⚠️ 可协商 | ⚠️ 可自购 | ✅ 必须国产 | ⚠️ 部分受限 |
类比理解：
- A 建设补贴 = 政府给你钱盖房子，但地皮和设计图纸是政府定的 → 你被锁死
- B 算力券 = 政府给你超市代金券，想买什么牌子自己选 → 最自由
- C 产业资金 = 政府给你一笔创业基金，怎么花你自己定 → 最灵活
- D 芯片补贴 = 政府说买车必须买国产车，但去哪买你决定 → 有约束但可控
4.4 各地算力补贴/算力券实际案例
| 地区 | 补贴名称 | 补贴力度 | 申请条件 | 实际效果 |
|---|---|---|---|---|
| 北京 | 算力券 | 最高30%抵扣，单企每年最高200万元 | 在北京市注册的中小企业、AI企业 | 2024年发放超5000万元，惠及200+企业 |
| 上海 | 智能算力补贴 | 按实际使用量补贴20-40%，上限500万/年 | 上海注册的AI企业，需有实际研发项目 | 2024年预算1亿元，实际使用率约60% |
| 深圳 | AI产业资金 | 单个项目最高3000万元 | 需有核心技术和落地场景 | 重点扶持大模型+具身智能赛道 |
| 杭州 | 算力券 | 年消耗50万以上部分补贴30% | 杭州市注册的AI企业 | 门槛50万，小企业拿不到 |
| 成都 | 智算中心专项 | 对使用本地智算中心的企业补贴50% | 必须使用成都本地智算中心资源 | 绑定本地智算中心，选择受限 |
算力券/补贴的共性规律：① 补贴力度看似大（20-40%），但门槛和上限限制了实际受益面 ② 大多数要求企业已在当地注册+有实际业务 → 对供给端Agent来说不是"入驻就送"，前提条件不低 ③ 算力券本质是"你用我才补"——对你平台本身没有直接收入 ④ 各地政策分散，没有统一标准，需要专人跟进申报。
总结：算力补贴是一个"能省钱但赚不到钱"的东西。它可以是内部运营的优化手段（帮平台自己省30%的推理成本），但无法包装成对外吸引力的核心。
总结：算力补贴是一个"能省钱但赚不到钱"的东西。它可以是内部运营的优化手段（帮平台自己省30%的推理成本），但无法包装成对外吸引力的核心。
第五章 算力需求由什么产生？
核心问题：什么样的企业需要什么样的算力？不是"有没有钱"决定，而是"业务特征"决定。
5.1 决定算力需求的关键变量
| 变量 | 产生什么算力需求 | 不用什么算力 |
|---|---|---|
| 有不可替代的私有数据 | 需要私有化部署 → 需要自建或租用GPU集群 | 不能用公有云API（数据安全风险） |
| 需要全链路控制 | 需要自研模型 + 自建推理服务 | 不能依赖第三方API（稳定性/成本不可控） |
| 需要高并发实时响应 | 需要7×24稳定推理服务 → 需要高质量GPU集群 | 不能用不稳定算力（故障影响生产） |
| 只做单环节、无私有数据 | 云端API调用即可 | 不需要自建GPU |
| 有信创合规要求 | 必须使用国产GPU + 国产软件栈 | 不能用英伟达（合规风险） |
| 预算有限的小团队 | 按Token调API + 偶尔云端租卡LoRA | 买不起任何硬件 |
5.2 核心发现：算力需求不是"规模"决定的，而是"容错空间"决定的
周总的"容错空间论"（经交叉验证，高度可信）：一个企业能否接受国产算力，不取决于公司大小，而取决于"单次失败代价 ÷ 可承受总损失"。
类型A：单次失败成本低 → 容错空间大 → 国产算力随便用（API调用为主的小公司，单次微调失败只损失几百元+几小时）
类型B：单次失败成本高 → 容错空间为零 → 绝对不敢用国产算力（"赌命型"创业公司，全量微调一次30万+15天，一旦失败公司就没了）
类型C：需要7×24生产级稳定 → 即使容错预算大，也不能用国产算力（利欧级别，年预算5000万但不接受生产中断）
类型A：单次失败成本低 → 容错空间大 → 国产算力随便用（API调用为主的小公司，单次微调失败只损失几百元+几小时）
类型B：单次失败成本高 → 容错空间为零 → 绝对不敢用国产算力（"赌命型"创业公司，全量微调一次30万+15天，一旦失败公司就没了）
类型C：需要7×24生产级稳定 → 即使容错预算大，也不能用国产算力（利欧级别，年预算5000万但不接受生产中断）
5.3 企业"算力关系"四分法
类型1：算力 = 命脉
代表：DeepSeek、OpenAI、字节豆包团队
特征：没有算力就没有产品。算力决策是CEO级别的战略问题，不是IT部门的采购问题。
态度："我们不需要便宜算力，我们需要最强的算力。便宜的用不了等于零。"
对我们：完全不是客户，它们是我们的API上游。
特征：没有算力就没有产品。算力决策是CEO级别的战略问题，不是IT部门的采购问题。
态度："我们不需要便宜算力，我们需要最强的算力。便宜的用不了等于零。"
对我们：完全不是客户，它们是我们的API上游。
类型2：算力 = 生产资料
代表：利欧数字、蓝色光标（AI化程度高的营销集团）
特征：自建GPU集群，私有化部署，数据安全第一。算力采购是CTO级别的技术评估。
态度："稳定 > 价格。国产算力目前不敢用于生产。"（周总）
对我们：不是客户，不需要我们的平台或算力。
特征：自建GPU集群，私有化部署，数据安全第一。算力采购是CTO级别的技术评估。
态度："稳定 > 价格。国产算力目前不敢用于生产。"（周总）
对我们：不是客户，不需要我们的平台或算力。
类型3：算力 = 日用品
代表：小方同学、大多数AI SaaS创业公司
特征：主要用API调用，偶尔租卡做LoRA（几十~几百元/次）。GPU用量极小。
态度："一个月API费用2-3万，GPU跟我没关系。你说低价算力，我第一反应是：这跟我有什么关系？"
对我们：潜在供给端/渠道，但算力对它们无吸引力。需要的是客户渠道。
特征：主要用API调用，偶尔租卡做LoRA（几十~几百元/次）。GPU用量极小。
态度："一个月API费用2-3万，GPU跟我没关系。你说低价算力，我第一反应是：这跟我有什么关系？"
对我们：潜在供给端/渠道，但算力对它们无吸引力。需要的是客户渠道。
类型4：算力 = 不需要
代表：营销服务商/客户自建聚合平台、大多数传统企业的AI尝试
特征：全部走云端API，不关心底层用什么卡。甚至不知道"算力"是什么意思。
态度："我们就用ChatGPT/通义千问的API，为什么还要关心GPU？"
对我们：核心目标客户。他们需要的是"包装好的解决方案"，不是算力。
特征：全部走云端API，不关心底层用什么卡。甚至不知道"算力"是什么意思。
态度："我们就用ChatGPT/通义千问的API，为什么还要关心GPU？"
对我们：核心目标客户。他们需要的是"包装好的解决方案"，不是算力。
5.4 算力需求的三层模型——为什么"训练效果差不多"≠"能用于生产"
核心认知升级：前面所有讨论中，"算力需求"容易被简化为"训练和推理需要多少GPU"。但实际上，决定一个企业敢不敢把AI系统用于真实业务的，从来不是训练/推理性能，而是上线后的生产环境表现。
周总说"国产算力垃圾"——他评价的不是某张芯片跑模型快不快，而是"这套东西放到我的生产环境中，出了问题谁来兜底？"
周总说"国产算力垃圾"——他评价的不是某张芯片跑模型快不快，而是"这套东西放到我的生产环境中，出了问题谁来兜底？"
第一层：计算性能层（最表层，也是差距最小的一层）
| 维度 | 英伟达生态 | 国产算力（以摩尔线程S5000为例） | 实际差距 |
|---|---|---|---|
| 单卡FP16算力 | H100: 1979 TFLOPS H20: 148 TFLOPS | S5000: 1000 TFLOPS | S5000纸面参数接近H100，但实际可用算力受软件栈限制 |
| 显存容量/带宽 | HBM3 80-141GB / 4.8TB/s | GDDR6 80GB / ~512GB/s | 带宽差距显著影响大模型加载速度 |
| 训练Loss差异 | 基准 | +0.62%（智源研究院实测） | 差异<1%——训练效果几乎一样 |
| 推理延迟（单请求） | P99 <200ms | P99 300-800ms | 延迟波动大，高并发下更明显 |
| 模型兼容性 | HuggingFace/Transformers原生支持 | 需手动适配，版本升级常出问题 | 每换一个模型都要重新调试 |
第一层结论：在纯"能不能训出模型、能不能跑通推理"这个层面，国产算力和英伟达的差距正在缩小。这也是为什么很多人会说"国产算力差不多了"。但他们说的只是这一层。
第二层：生产稳定性层（周总真正在意的关键层）
| 维度 | 英伟达生态现状 | 国产算力现状 | 对业务的影响 |
|---|---|---|---|
| 故障恢复能力 | CUDA成熟方案丰富，社区经验充足，故障排查链路完整 | 崩了之后排查链路长，很多坑没人踩过，文档不完善 | 一次训练中断 = 几十万成本+半个月时间打水漂 |
| 多卡扩展效率 | NVLink/NVSwitch互联，千卡集群线性度90%+ | MTLink/HCCS互联，多卡扩展效率60-75%，且不稳定 | 同样买100张卡，有效算力差30-40% |
| 框架/工具链成熟度 | PyTorch/TensorFlow/JAX全部原生支持CUDA，开箱即用 | MUSA/CANN需要适配，部分算子不支持或行为不一致 | 每个新模型/新框架都可能遇到兼容性问题 |
| 监控告警体系 | NVIDIA-SMI/DGCM/GPU Exporter等成熟方案，Prometheus+Grafana即插即用 | 监控工具不完善，部分指标无法采集，告警规则需要自建 | 出问题可能不知道是哪张卡、哪个进程导致的 |
| 7×24 SLA保障 | 大厂有完整SLO/SLI实践，NVIDIA提供企业级支持（年费几十万） | 出了问题找谁？GPU厂商支持能力有限，社区响应慢 | 利欧级别：年预算5000万但不接受任何不可控的生产中断 |
| 热迁移/弹性伸缩 | MIG（多实例GPU）、vGPU、容器化调度成熟 | 基本不支持或处于实验阶段 | 无法在不停服的情况下做硬件维护或资源调整 |
第二层结论：这才是"国产算力能不能用"的真正分水岭。
类比：两辆车，发动机参数看起来差不多。但A车开了15年，4S店遍布全国，任何小毛病修理工10分钟搞定；B车是新牌子，发动机纸面数据接近，但变速箱偶尔顿挫、底盘异响、出了问题要等厂家从外地派人来修——而且修完可能还会出现新问题。
如果你是日常买菜代步 → B车可能够用。但如果你是跑长途货运的公司 → 你绝对不敢用B车，因为一次抛锚的损失远大于省下的购车款。
利欧数字就是那家跑长途货运的公司。
类比：两辆车，发动机参数看起来差不多。但A车开了15年，4S店遍布全国，任何小毛病修理工10分钟搞定；B车是新牌子，发动机纸面数据接近，但变速箱偶尔顿挫、底盘异响、出了问题要等厂家从外地派人来修——而且修完可能还会出现新问题。
如果你是日常买菜代步 → B车可能够用。但如果你是跑长途货运的公司 → 你绝对不敢用B车，因为一次抛锚的损失远大于省下的购车款。
利欧数字就是那家跑长途货运的公司。
第三层：安全与合规层（国企场景的硬门槛）
| 维度 | 市场化客户要求 | 国企/央企要求 | 对我们的启示 |
|---|---|---|---|
| 数据不出域 | 能用公有云就行 | 必须私有化部署，数据不能离开内网 | 信创场景下必须用国产算力+私有化部署 |
| 等保2.0 | 无硬性要求 | 至少二级，核心系统三级 | 平台自身需要过等保认证才能进国企采购目录 |
| 审计日志可追溯 | 有就行 | 全量操作日志留存≥180天，可回溯到具体操作人 | 平台架构设计阶段就要考虑审计能力 |
| 多租户隔离 | 逻辑隔离即可 | 物理/虚拟化强隔离，不同租户间数据零泄露 | 如果平台同时服务多个国企客户，隔离是刚需 |
| 供应链安全审查 | 不关心 | 全链路审查：芯片→OS→数据库→中间件→应用全部要国产化证明 | 这就是信创——第五章已详细展开 |
| 灾备与容灾 | 最好有 | 必须有，且需定期演练 | RPO/RTO指标写入合同，违约有罚则 |
第三层结论：安全合规不是技术问题，是准入资格问题。通过了就能参与招标，通过不了连门都进不去。
三层模型的综合含义：
· 第一层（计算性能）：决定了"能不能跑起来" → 国产算力基本可以 ✅
· 第二层（生产稳定性）：决定了"敢不敢用于生产" → 国产算力目前不行 ❌（对范式A类企业而言）
· 第三层（安全合规）：决定了"能不能卖给国企" → 必须满足，且与是否使用国产算力直接相关 ⚠️
→ 所以"低价算力"在任何一个层面上都站不住脚：
第一层不需要你提供（国产卡自己就够用），第二层你要提供的不是便宜算力而是稳定运维能力（那是M3模式的事），第三层要的是信创合规资质而不是价格优势。
三层模型的综合含义：
· 第一层（计算性能）：决定了"能不能跑起来" → 国产算力基本可以 ✅
· 第二层（生产稳定性）：决定了"敢不敢用于生产" → 国产算力目前不行 ❌（对范式A类企业而言）
· 第三层（安全合规）：决定了"能不能卖给国企" → 必须满足，且与是否使用国产算力直接相关 ⚠️
→ 所以"低价算力"在任何一个层面上都站不住脚：
第一层不需要你提供（国产卡自己就够用），第二层你要提供的不是便宜算力而是稳定运维能力（那是M3模式的事），第三层要的是信创合规资质而不是价格优势。
第六章 信创：被动合规能力，而非主动建设方向
核心结论（开篇即明）：
- 信创是国央企采购的及格线，不是加分项——但国央企本身不是我们的核心客户
- 不主动投入资源做信创适配——先有确定的国企客户需求（年付费>100万），再启动
- 遇到国企单子走联合投标模式：我们出营销AI产品能力，专业信创集成商出基础设施
- 政府关系的正确用法是信息优势（招标情报、采购目录准入），不是去拿算力补贴
本章阅读说明：以下内容系统梳理信创的政策背景、技术要求、市场现状——目的是帮助理解全貌，而非建议平台投入信创建设。信创仅作为被动能力存在，按需启动，不应内置为平台核心建设方向。
6.1 什么是信创？政策背景与时间表
"2+8+N"体系详解：
2（先行者）：党政机关 + 军队 —— 已完成大规模替换
8（主力军）：金融、电信、电力、石油、交通、教育、医疗、航空航天 —— 这8个行业是央国企最密集的领域，也是信创预算最充足的领域
N（跟随者）：其他涉及国计民生的行业和企业 —— 逐步推进
关键时间节点：2027年是央国企信创全面完成的deadline。现在是2026年6月——距2027年底仅剩18个月。这意味着未来一年半内，大量央国企将集中采购信创合规的产品和服务。这是一波明确的政策红利。
2（先行者）：党政机关 + 军队 —— 已完成大规模替换
8（主力军）：金融、电信、电力、石油、交通、教育、医疗、航空航天 —— 这8个行业是央国企最密集的领域，也是信创预算最充足的领域
N（跟随者）：其他涉及国计民生的行业和企业 —— 逐步推进
关键时间节点：2027年是央国企信创全面完成的deadline。现在是2026年6月——距2027年底仅剩18个月。这意味着未来一年半内，大量央国企将集中采购信创合规的产品和服务。这是一波明确的政策红利。
6.2 信创认定标准与评测体系
| 层级 | 需要国产化的内容 | 国产代表 | 外资/进口（被替代对象） | 评测机构 |
|---|---|---|---|---|
| 芯片/硬件 | CPU、GPU、服务器 | 华为鲲鹏/昇腾、飞腾、龙芯、海光、摩尔线程 | Intel Xeon、NVIDIA H100/A100 | 中国信息安全测评中心 |
| 操作系统 | 服务器OS、桌面OS | 麒麟软件、统信UOS、华为欧拉 | Windows Server、Red Hat、CentOS | 工信部直属评测机构 |
| 数据库 | 关系型/非关系型数据库 | 达梦、人大金仓、GaussDB、OceanBase | Oracle、MySQL、SQL Server | 国家保密科技测评中心 |
| 中间件 | 消息队列、ESB、API网关 | 东方通、宝兰德、普元信息 | IBM WebSphere、Oracle WebLogic | 工信部直属评测机构 |
| 应用软件 | 办公、ERP、CRM、AI平台 | 金山WPS、用友、金蝶、AI平台需适配国产硬件+OS | Microsoft Office、SAP、Salesforce | 行业主管部门 |
对我们的关键影响（仅针对国央企客户场景）：如果你的平台跑在英伟达GPU上、部署在非信创云上、API调用的是GPT-4——那在国企客户眼里，你的技术栈是"全外资"，根本进不了采购评估。信创合规对国央企采购来说不是一个"加分项"，而是一个"及格线"。
重要前提：这个"及格线"仅适用于国央企客户。我们的核心客户是T1中型市场化企业，他们没有信创强制要求——对他们提信创反而是减分项（意味着性能妥协、选择受限）。
信创适配要求的最小集合：① 应用必须能在国产CPU/GPU上运行 ② 数据库必须使用国产数据库或经信创认证的版本 ③ 不能依赖任何被禁运/受限的外部API ④ 需通过等保2.0 + 信创评测双重认证
重要前提：这个"及格线"仅适用于国央企客户。我们的核心客户是T1中型市场化企业，他们没有信创强制要求——对他们提信创反而是减分项（意味着性能妥协、选择受限）。
信创适配要求的最小集合：① 应用必须能在国产CPU/GPU上运行 ② 数据库必须使用国产数据库或经信创认证的版本 ③ 不能依赖任何被禁运/受限的外部API ④ 需通过等保2.0 + 信创评测双重认证
6.3 什么类型企业需要信创合规？
| 企业类型 | 信创要求强度 | 决策驱动 | 预算来源 | 采购特点 |
|---|---|---|---|---|
| 党政机关 | 强制（100%国产） | 政治任务，无例外 | 财政拨款 | 招标制，价格敏感度低，走政府采购目录 |
| 央国企（8大行业） | 强制（2027年100%） | 国资委考核+安全审查 | 企业自有资金+专项补贴 | 招标/竞争性谈判，看重"信创认证" |
| 地方国企 | 逐步推进中 | 地方政府推动+产业政策 | 企业预算+地方补贴 | 相对灵活，但趋势不可逆 |
| 关键基础设施民企 | 行业监管要求 | 行业合规+安全审计 | 企业自有资金 | 渐进式替换，有过渡期 |
| 纯市场化民企 | 无强制要求 | 商业决策 | 企业自有资金 | 只看性价比，不关心信创 |
6.4 信创政策背景：客观要求与商业决策的平衡
说明：以下是从国家政策和国央企合规角度对信创必要性的客观描述。这些是宏观层面的事实，但不直接构成我们平台必须投入信创建设的理由——商业决策需要结合客户优先级、投入产出比综合判断（详见后续章节分析）。
🔴 必要性：不止是"政治正确"
① 国家安全维度："棱镜门"后中国意识到关键信息基础设施不能依赖外国技术。如果底层芯片/OS/数据库都是美国的，数据主权无从谈起。
② 供应链安全：中美科技脱钩 + 芯片禁令 → 英伟达高端GPU对中国禁运（H100/B200完全禁售，H20也被进一步限制）。不搞信创 = 随时可能被"卡脖子"。
③ 经济安全：央国企掌握国民经济命脉，其IT系统一旦被外部控制或制裁影响，后果不可估量。
② 供应链安全：中美科技脱钩 + 芯片禁令 → 英伟达高端GPU对中国禁运（H100/B200完全禁售，H20也被进一步限制）。不搞信创 = 随时可能被"卡脖子"。
③ 经济安全：央国企掌握国民经济命脉，其IT系统一旦被外部控制或制裁影响，后果不可估量。
🟠 迫切性：2027倒计时
① 2027年deadline不可延期：国资委已明确时间表，央国企必须在2027年底前完成核心系统的信创替代。现在距deadline仅18个月。
② 采购窗口正在打开：大量央国企尚未完成AI/营销系统的信创适配——这是市场空白期，窗口不会永远开着。
③ 先发优势明显：一旦某家供应商完成信创适配并进入某国企采购目录，后来者很难替换——信创采购的迁移成本极高。
② 采购窗口正在打开：大量央国企尚未完成AI/营销系统的信创适配——这是市场空白期，窗口不会永远开着。
③ 先发优势明显：一旦某家供应商完成信创适配并进入某国企采购目录，后来者很难替换——信创采购的迁移成本极高。
6.5 信创结论与定位
信创核心定位：信创是国央企采购的及格线，不是我们的核心竞争力，也不是主动建设方向。
关键原则：
· 不主动投入资源做信创适配——先有确定的国企客户需求（年付费>100万），再启动
· 不帮供给端Agent做信创代码适配——我们是平台，不是外包公司
· 遇到国企单子走联合投标模式——我们出营销AI产品能力，专业信创集成商出基础设施
· 政府关系的正确用法是信息优势（招标情报、采购目录准入），不是去拿算力补贴
· 对市场化客户不提信创——这是减分项（意味着性能妥协、选择受限）
6.6 不主动做信创适配的决策依据
结论：在当前商业模式下，主动做信创适配是方向性错误。信创不是一个独立业务板块，也不应该是平台的核心能力建设方向。
6.6.1 为什么不主动做
| 原因 | 说明 |
|---|---|
| 技术栈被锁定 | 信创意味着整个底层基础设施锁定为国产替代方案（鲲鹏/飞腾CPU + 麒麟/统信OS + 达梦/人大金仓DB + 昇腾/摩尔线程GPU）。这不是"多做一个版本"，是整个平台的基因被改写。 |
| 性能天花板 | 当前国产算力（昇腾910B/摩尔线程S5000）在生产环境下的稳定性、多卡扩展效率、框架成熟度均不足以支撑商业级AI服务。 |
| 维护成本永久翻倍 | 每上线一个新功能/新Agent/新模型，都需要在标准栈和信创栈上分别测试。两套部署流程、两套监控、两套故障排查路径。团队规模至少增加30-50%。这个成本不是一次性的，是永久的。 |
| 从Day 1就限制了自己 | 如果按信创标准设计架构，设计约束 = 商业客户需要的 + 信创要求的 交集 = 两者取较小值。正常的产品逻辑是先做好产品再出特殊版本，信创优先的逻辑反过来了。 |
| 与"技术不打通"路线矛盾 | 如果选择技术不打通（Agent各自独立运行），平台本身不需要GPU → 信创适配范围大幅缩小到OS/数据库层 → 但即使这一层，如果全部跑在公有云上，连这一层都不用操心。 |
6.6.2 国央企客户的真实商业价值
国央企是T3补充性客户，不是核心客户。详细分析见7.3节。
| 维度 | 具体分析 |
|---|---|
| 需求强度弱 | 国央企的"营销"≠市场化营销。他们的营销是品牌形象/社会责任/政策宣导，几乎不做"获客转化"。且绝大多数外包给4A公司，不是直接采购工具。 |
| 市场规模小 | 国央企直接采购营销AI工具的市场可能只有几亿~十几亿/年全国，高度碎片化，单项目几十万~几百万。 |
| 回款周期致命 | 标准流程6-24个月，质保金5-10%滞后返还。对初创平台是现金流死亡陷阱。 |
| IT预算≠营销预算 | 国企IT预算可能数千万，但营销数字化预算通常只占5-15%，且大部分花在媒体采买和4A服务费上。 |
❌ 不应该做的定位
· 把国央企当作核心收入来源
· 围绕国企需求设计产品功能
· 投入大量资源提前做信创适配
· 用政府关系去推产品给国企
· 围绕国企需求设计产品功能
· 投入大量资源提前做信创适配
· 用政府关系去推产品给国企
✅ 正确的定位
· 国企作为T3补充性客户（有机会就接，不主动追）
· 信创认证作为被动能力——有了自然好，没有不影响核心业务
· 政府关系的价值在于信息优势（招标情报/政策趋势）
· 做国企生意的正确路径是通过已有服务商间接触达
· 信创认证作为被动能力——有了自然好，没有不影响核心业务
· 政府关系的价值在于信息优势（招标情报/政策趋势）
· 做国企生意的正确路径是通过已有服务商间接触达
6.6.3 如果将来遇到国企需求，怎么做
| 模式 | 做法 | 成本 | 推荐度 |
|---|---|---|---|
| A. 联合投标 | 我们出营销AI产品能力 + 专业信创集成商（太极股份/中国软件/华迪）出信创基础设施。组成联合体投标，各做各的部分，各自结算。 | 近乎零 | 推荐 |
| B. 轻量咨询+转介 | 帮客户梳理信创需求清单，根据需求推荐合适的信创集成商，收取咨询费或介绍费。保持"顾问"身份，不碰执行。 | 极低 | 可选 |
| C. 平台自身认证（远期） | 等平台在市场化客户中站稳脚跟后，作为"锦上添花"的能力补充。前提是平台主要基于API调用（不涉及自建推理引擎），此时信创只需解决OS/DB层。 | 一次性50-150万 + 3-6月 | 暂不考虑 |
关键判断链：
· 技术打通路线 → 需要高性能GPU → 国产不行 → 信创不可行 → 只能放弃国企市场
· 技术不打通路线 → 平台不需要GPU → 信创只需OS/DB层 → 可行但没必要主动做
· → "要不要做信创"和"要不要技术打通"是同一个问题的两面。选择方案Y（不打通）后，信创适配成本大幅降低，但仍需按需启动。
· 技术打通路线 → 需要高性能GPU → 国产不行 → 信创不可行 → 只能放弃国企市场
· 技术不打通路线 → 平台不需要GPU → 信创只需OS/DB层 → 可行但没必要主动做
· → "要不要做信创"和"要不要技术打通"是同一个问题的两面。选择方案Y（不打通）后，信创适配成本大幅降低，但仍需按需启动。
6.6.3.1 场景A：需求方有信创要求（国企/央企客户）
| 分析维度 | 具体情况 |
|---|---|
| 谁有信创需求？ | 党政机关（100%强制）、央国企8大行业（2027年deadline）、地方国企（逐步推进）。这是T3补充性客户——有门槛但需求弱、回款慢，不应作为主攻方向。 |
| 他们要什么？ | 不是"帮我做信创适配"，而是"给我一个已经通过信创认证的产品/解决方案"。他们买的是"结果"，不是"过程"。 |
| 我们在这个场景能干什么？ | ① 平台自身按需通过信创认证——前提是已有确定的国企客户需求，再启动认证让平台进入采购目录 ② 筛选已通过/可快速通过信创评测的Agent作为供给端——不是帮他们做适配，而是"只选已经合规的" ③ 对接国企采购渠道——政府关系在这里的价值是"看到招标信息+拿到入场券" |
| 成本与时机 | 技术成本：适配CANN/MUSA + 鲲鹏/飞腾CPU兼容，预估3-6个月，2-3名资深工程师；认证成本：等保2.0测评（10-30万）+ 信创产品评测（20-50万）+ 年审；时间成本：6-12个月（含排队）。必须先有客户再启动，不提前烧钱。 |
| 风险提示 | 信创适配最大的坑不是技术难度，而是"适配完了发现客户需求变了"或"适配完了发现竞争对手用更便宜的方式绕过去了"。所以信创适配必须是按需驱动的——先有确定的国企客户需求，再做对应适配。 |
6.6.3.2 场景A典型画像
🏛️ 典型客户画像：某央企二级子公司（如能源/金融/交通行业）
基本信息：年营收50-500亿，员工3000-20000人
⚠️ 关键区分：他们的IT预算可能数千万级（覆盖全公司信息化），但营销/品牌数字化预算通常只占IT预算的5-15%，且大部分花在了媒体采买和4A服务费上，留给"AI工具采购"的可能只有几十万~两三百万/年
决策者：营销/品牌部门负责人（不是CIO！）。信创合规审查由IT/数字化部把关，但需求发起方是业务部门
决策链：需求提出 → 内部立项 → 可行性论证 → 信创合规审查（一票否决）→ 招标/比选 → 试点 → 推广。全程3-12个月
他们当前的状态：· 办公系统已基本完成信创替换（WPS+麒麟OS） · 核心业务系统正在替换中（ERP/CRM） · AI应用是最后一块拼图，也是目前最头疼的——因为AI领域的信创产品选择太少
他们的痛点："我们想上AI营销工具，但市面上99%的AI产品都是跑在英伟达GPU上的，信创办说不能用。你们有没有通过信创认证的方案？"
他们对我们的态度：如果你有信创认证 → "请来投标，我们认真评估"。如果没有 → "不好意思，我们内部流程过不了信创审查这一关"
⚠️ 关键区分：他们的IT预算可能数千万级（覆盖全公司信息化），但营销/品牌数字化预算通常只占IT预算的5-15%，且大部分花在了媒体采买和4A服务费上，留给"AI工具采购"的可能只有几十万~两三百万/年
决策者：营销/品牌部门负责人（不是CIO！）。信创合规审查由IT/数字化部把关，但需求发起方是业务部门
决策链：需求提出 → 内部立项 → 可行性论证 → 信创合规审查（一票否决）→ 招标/比选 → 试点 → 推广。全程3-12个月
他们当前的状态：· 办公系统已基本完成信创替换（WPS+麒麟OS） · 核心业务系统正在替换中（ERP/CRM） · AI应用是最后一块拼图，也是目前最头疼的——因为AI领域的信创产品选择太少
他们的痛点："我们想上AI营销工具，但市面上99%的AI产品都是跑在英伟达GPU上的，信创办说不能用。你们有没有通过信创认证的方案？"
他们对我们的态度：如果你有信创认证 → "请来投标，我们认真评估"。如果没有 → "不好意思，我们内部流程过不了信创审查这一关"
🏛️ 典型客户画像：某地方政府宣传部门
基本信息：年预算有限（几十万~几百万），但对"合规"要求极高
决策者：部门负责人 + 财政局审批 + 网信办安全审查
核心诉求：① 必须国产化（100%硬性要求）② 价格不能太离谱（财政审计会查）③ 出了问题有人负责（要有正规厂商背书）④ 最好能跟现有政务云打通
他们的痛点：预算少、要求多、周期长、怕担责。
对我们的价值：客单价不高（单项目几十万），但标杆效应极强——一个地方政府的成功案例可以复制到同级别其他城市。
决策者：部门负责人 + 财政局审批 + 网信办安全审查
核心诉求：① 必须国产化（100%硬性要求）② 价格不能太离谱（财政审计会查）③ 出了问题有人负责（要有正规厂商背书）④ 最好能跟现有政务云打通
他们的痛点：预算少、要求多、周期长、怕担责。
对我们的价值：客单价不高（单项目几十万），但标杆效应极强——一个地方政府的成功案例可以复制到同级别其他城市。
6.6.3.3 场景B：供给端Agent有信创需求（他们想做国企生意）
| 分析维度 | 具体情况 |
|---|---|
| 谁会有信创需求？ | 那些想把产品卖给国企/政府的供给端Agent。比如小方同学如果想接国企营销项目，他们的方案生成工具就必须通过信创评测。 |
| 他们会来找我们吗？ | 有可能。因为：① 我们可能有信创测试环境 ② 我们可能有国企客户渠道 ③ 我们可能知道怎么走评测流程。 但他们更有可能直接找专业的信创集成商（比如中国软件、太极股份这类上市公司），因为这些公司专门干这个，经验丰富。 |
| 我们在这个场景能干什么？ | 有限介入的三种模式： ① 信息桥梁（零成本）：告诉他们信创评测流程是什么、找哪家机构、大概多少钱 ② 渠道置换（低成本）："你过完信创评测，我把你推荐给我们的国企客户。"——用客户渠道换他们的信创合规状态 ③ 测试环境出租（中等成本）：如果我们自己建了信创测试环境（为了平台自身认证），可以开放给入驻Agent使用，收取一定费用覆盖运维成本 坚决不做的事：❌ 不帮他们写代码做适配 ❌ 不替他们跑评测流程 ❌ 不承诺"保证通过"——信创评测是第三方机构的独立判断 |
| 有没有必要？ | 看情况，非必须 · 如果我们的核心客户群以市场化民企为主 → 供给端的信创状态跟我们关系不大 · 如果我们的核心客户群以国企为主 → 那么供给端是否信创合规直接影响"能不能把Agent卖给国企客户"，这时就有必要关注甚至干预 · 但即便在这种情况下，我们的角色也应该是筛选者和连接者，不是执行者 |
| 需要付出什么成本？ | 模式① 信息桥梁：几乎为零 | 模式② 渠道置换：几乎为零 | 模式③ 测试环境出租：中等（前提是我们自己建了环境，额外成本主要是运维人力分摊） |
| 核心原则 | 不要让信创适配变成你的主营业务。你的主业是"组织营销AI智能体生态"，信创只是生态中的一个合规维度。就像开商场不需要帮每个入驻品牌做消防验收——你只需要确保商场本身通过了消防验收，然后要求入驻品牌也各自达标即可。 |
6.6.3.4 场景B典型画像
🔧 典型画像A：想做国企市场的垂直SaaS公司
代表：小方同学（如果决定拓展国企市场）、各类营销SaaS创业团队
现状：产品已经成熟，在市场化客户中运行良好（基于GPT-4 API / 英伟达GPU），营收稳定增长
为什么会有信创需求：发现市场化客户竞争越来越激烈（红海），而国企市场虽然门槛高但一旦进入非常稳定，于是想把产品卖给国企
他们面临的现实：① 自己没有信创经验，不知道从哪开始 ② 找专业集成商报价太高（一个项目可能要收50-100万适配费） ③ 时间不等人——2027年deadline在倒计时
他们会找我们吗？如果我们能提供：
✅ 信创评测的"攻略地图"（流程/机构/费用/时间表）
✅ 国企客户渠道（"你过了信创，我给你推客户"）
→ 他们会很感兴趣。但如果我们要收费帮他们做代码适配 → 他们大概率去找更专业的集成商。
现状：产品已经成熟，在市场化客户中运行良好（基于GPT-4 API / 英伟达GPU），营收稳定增长
为什么会有信创需求：发现市场化客户竞争越来越激烈（红海），而国企市场虽然门槛高但一旦进入非常稳定，于是想把产品卖给国企
他们面临的现实：① 自己没有信创经验，不知道从哪开始 ② 找专业集成商报价太高（一个项目可能要收50-100万适配费） ③ 时间不等人——2027年deadline在倒计时
他们会找我们吗？如果我们能提供：
✅ 信创评测的"攻略地图"（流程/机构/费用/时间表）
✅ 国企客户渠道（"你过了信创，我给你推客户"）
→ 他们会很感兴趣。但如果我们要收费帮他们做代码适配 → 他们大概率去找更专业的集成商。
🔧 典型画像B：已有部分国企客户的传统软件服务商
代表：传统广告投放系统的开发商、CRM厂商、数字中台服务商
现状：已经在服务一些国企客户，但客户现在要求"AI化+信创化"双升级
他们的困境：老产品是Java/.NET写的，跑在Windows Server + Oracle上 → 全套都不符合信创要求。要同时完成"AI改造 + 信创迁移"，工作量巨大
对我们的意义：这类企业可能是潜在的参股/收购对象——他们有客户关系和行业know-how，缺的是AI能力和信创适配能力。如果我们的平台能帮他们解决这两件事（注意是"平台能力"不是"人工代劳"），合作空间很大。
现状：已经在服务一些国企客户，但客户现在要求"AI化+信创化"双升级
他们的困境：老产品是Java/.NET写的，跑在Windows Server + Oracle上 → 全套都不符合信创要求。要同时完成"AI改造 + 信创迁移"，工作量巨大
对我们的意义：这类企业可能是潜在的参股/收购对象——他们有客户关系和行业know-how，缺的是AI能力和信创适配能力。如果我们的平台能帮他们解决这两件事（注意是"平台能力"不是"人工代劳"），合作空间很大。
6.6.3.5 两个场景对比总览
| 场景A：需求方（国企客户） | 场景B：供给端Agent | |
|---|---|---|
| 我们的角色 | 信创合规产品的提供者 | 信息桥梁 / 筛选者 / 渠道交换方 |
| 核心动作 | 平台自身按需过信创认证 | 告知流程、提供渠道激励、可选提供测试环境 |
| 要不要帮对方做适配 | N/A（客户不让我们帮他做） | ❌ 不做 |
| 成本量级 | 一次性 50-150万 + 3-6个月时间（按需启动） | 接近于零（如果是前两种模式） |
| 必要性 | 按需（有确定客户再做，不提前烧钱） | 中等（取决于国企客户占比） |
| 风险 | 适配完没客户（按需驱动可规避） | 角色错位变成系统集成商 |
| 与算力的关系 | 国企场景下国产算力从"没人要"→"必须用"——此时对接国产算力能力才有真实价值 | 跟算力无关，跟"信创知识"有关 |
6.7 信创小结：政府关系的正确用法 + 最终定位
在前面几章我们反复论证了"低价算力不能当钩子"。但信创合规能力可以成为一个差异化因素——前提是你搞清楚自己的定位。
三个绝对不能做的事：
① 不要主动帮供给端Agent做信创代码适配（你是平台，不是外包公司）
② 不要在还没有确定国企客户需求的情况下就大规模投入信创适配（按需驱动，不要提前烧钱）
③ 不要把"信创"包装成对外卖点——对市场化客户提信创是减分项（意味着性能妥协和选择受限），只在面对国企客户时才强调
三件值得做的事：
① 平台自身按需完成信创认证（有了确定国企客户需求后再启动，一次性投入50-150万）
② 用政府关系获取信息优势（招标信息、评测通道、采购目录准入），而不是去拿算力补贴
③ 把"信创合规"作为供给端Agent的筛选标准而非服务内容——"想过信创？自己去弄，弄好了我给你推国企客户"
最终定位：信创不是一个独立的业务板块，它是平台服务于国企客户时的必要合规条件。就像餐厅必须有卫生许可证一样——你有证才能营业，但你不会说"我的核心竞争力是卫生许可证"。
6.8 附录：信创适配参考框架
说明：以下为信创适配的技术细节、市场参与者和决策参考框架，供未来真的遇到国企客户需求时查阅。Phase 1阶段不需要投入任何资源做这件事。
6.8.1 信创适配工作清单
| 适配层级 | 具体工作项 | 典型工作量 | 是否必须 |
|---|---|---|---|
| L1 硬件层 | 将x86服务器替换为鲲鹏/飞腾/海光CPU服务器；GPU从英伟达替换为昇腾/海光/摩尔线程 | 采购替换，无开发工作量 | 国企场景必须；市场化场景不需要 |
| L2 操作系统层 | CentOS/Ubuntu → 麒麟/统信UOS；确保所有依赖库有对应版本 | 1-2周（如果应用层兼容性好的话） | 通常必须 |
| L3 中间件/数据库层 | MySQL/PostgreSQL → 达梦/人大金仓/OceanBase；Redis → 国产缓存；消息队列国产化 | 2-6周（取决于数据迁移量） | 看情况——如果用了云服务可能已自动合规 |
| L4 AI框架/模型层 | CUDA代码 → CANN/MUSA适配；PyTorch/TensorFlow → 国产框架或兼容版本；自定义算子重写 | 4-16周（这是最大变量） | 最难点——如果你的AI能力完全基于GPT API调用，这一层可以跳过 |
| L5 应用/前端层 | 浏览器兼容性（国产CPU上的性能）、字体/输入法、安全插件适配 | 1-2周 | 通常问题不大 |
| L6 测试与认证 | 功能回归测试 + 性能基准测试 + 安全扫描 + 信创机构送检 | 4-8周 + 排队等待时间 | 必须通过才能拿到证书 |
6.8.2 信创市场参与者
| 类型 | 代表企业 | 他们做什么 | 收费水平 | 我们能从他们那里得到什么 |
|---|---|---|---|---|
| 专业信创集成商 | 中国软件、太极股份、华迪、神州信息、中软国际 | 全栈信创适配（L1-L6全部包办），提供"交钥匙"方案 | 一个中型项目50-200万；大型项目数百万至上千万 | 他们是潜在的合作伙伴，不是竞争对手。如果我们拿到国企单子但自己做不了L4/L6，可以分包给他们 |
| 芯片厂商配套团队 | 华为（昇腾）、摩尔线程、海光信息的生态合作部 | 免费帮你做L1-L3的适配（为了卖芯片），L4部分提供技术支持但不保证效果 | 通常免费（前提是你买了他们的硬件） | 如果你决定用某家国产芯片，他们的生态团队会主动来帮你做基础适配。这是免费的资源 |
| 云厂商信创版 | 阿里云信创专有云、腾讯云TCE信创版、华为云Stack | 底层IaaS/PaaS已经过信创认证，你只需要在上面部署你的应用 | 云服务费溢价20-40% | 最省事的方式——如果你的平台跑在云上，选一家信创云厂商，大部分L1-L3的工作他们已经替你做了 |
| 独立信创咨询公司 | 各种中小型信创咨询/评测代理机构 | 帮你梳理信创要求、准备评测材料、对接评测机构、写申报文档 | 10-30万/项目 | 适合作为"顾问"，不适合做执行 |
6.8.3 可选合作模式
❌ 不推荐：全栈代做（自己当集成商）
· 你需要一个完整的信创适配团队（3-5人）
· 单个项目周期3-8个月，毛利只有15-25%（人力密集型）
· 回款周期跟国企一样长（你帮客户做了信创，客户还是要等国企付款才给你钱）
· 你的核心能力被稀释到系统集成上
结论：除非你决定转型成信创集成商，否则不要走这条路
· 单个项目周期3-8个月，毛利只有15-25%（人力密集型）
· 回款周期跟国企一样长（你帮客户做了信创，客户还是要等国企付款才给你钱）
· 你的核心能力被稀释到系统集成上
结论：除非你决定转型成信创集成商，否则不要走这条路
✅ 可选模式A：轻量级咨询+转介
· 帮客户梳理信创需求清单（1-2天，收咨询费5-10万）
· 根据需求推荐合适的信创集成商（收取介绍费或佣金）
· 在整个过程中保持"顾问"身份，不碰执行
投入极低，风险几乎为零
· 根据需求推荐合适的信创集成商（收取介绍费或佣金）
· 在整个过程中保持"顾问"身份，不碰执行
投入极低，风险几乎为零
✅ 可选模式B：联合投标
· 你出"营销AI产品/平台"，信创集成商出"信创基础设施"
· 组成联合体一起去投国企标
· 中标后各做各的部分，各自结算
中等投入，但能接触到真正的国企项目机会
· 组成联合体一起去投国企标
· 中标后各做各的部分，各自结算
中等投入，但能接触到真正的国企项目机会
6.8.4 决策框架：什么情况下值得做信创
| 条件 | 值得做信创适配 | 不值得/暂缓 |
|---|---|---|
| 已有确定的国企客户？ | ✅ 有明确合同意向或POC需求 → 马上启动 | ❌ 还没有 → 不要提前投入 |
| 客户年付费意愿？ | >100万/年 → 值得投入50-150万做适配（半年回本） | < 30万/年 → 投入产出比不合理 |
| 我们的技术栈复杂度？ | 主要用API调用（GPT/通义等）→ L4层几乎没有适配工作量 → 信创成本低 → 可以考虑 | 自建推理引擎/深度依赖CUDA → L4层工作量巨大 → 信创成本极高 → 暂不考虑 |
| 是否选择了"技术不打通"路线？ | 是 → 平台本身不需要GPU → 信创只需要解决OS/数据库/中间件层 → 可行且成本低 | 否（想深度打通） → 必须用高性能GPU → 国产GPU不够用 → 信创与技术路线矛盾 |
| 政府关系资源强度？ | 能直接触达决策层/能影响招标参数 → 信创投入有明确的回报路径 | 只有一般性认识/无法影响采购决策 → 信创投入可能打水漂 |
关键洞察："要不要做信创"和"要不要技术打通"是两个相互关联的决定。
· 如果选择技术打通 → 需要高性能GPU → 国产GPU目前不行 → 信创场景下不可行 → 只能放弃国企市场
· 如果选择技术不打通 → 平台不需要GPU → 信创只需OS/DB层面适配 → 成本低且可行 → 可以保留国企市场作为选项
· 所以这两个问题的答案其实是同一个：你的商业模式到底定位在哪里？
· 如果选择技术打通 → 需要高性能GPU → 国产GPU目前不行 → 信创场景下不可行 → 只能放弃国企市场
· 如果选择技术不打通 → 平台不需要GPU → 信创只需OS/DB层面适配 → 成本低且可行 → 可以保留国企市场作为选项
· 所以这两个问题的答案其实是同一个：你的商业模式到底定位在哪里？
第七章 AI研发架构范式分类：五种范式 × 完整对比
核心发现：市场上存在五种截然不同的AI研发范式，它们对算力的需求不可混为一谈。理解了这五种范式，就能精确定位你的目标客户和供给端分别属于哪一类，以及"算力"在每类中扮演什么角色。
7.1 五种范式总览
🟣 范式A++：核动力航母 — 基础大模型研发
代表企业：DeepSeek、OpenAI、Google DeepMind、Anthropic、智谱AI、月之暗面
企业特征：核心业务就是做模型本身。不做应用、不做行业方案，只做"引擎"。营收要么来自API调用费（DeepSeek/OpenAI），要么来自母公司输血（Google DeepMind），要么来自融资烧钱（大多数大模型创业公司）
技术架构：万亿参数级预训练 + 强化学习 + 多模态对齐 + 持续Scaling Law探索
硬件规模：万卡~十万卡级GPU集群，H100/B200/H200为主，单次训练成本千万~亿美元级
AI团队：数百~数千人AI研究员+工程师
年投入：10亿~100亿美元级（OpenAI 2024年亏损约50亿美元；DeepSeek据估算训练成本在亿级美元）
企业特征：核心业务就是做模型本身。不做应用、不做行业方案，只做"引擎"。营收要么来自API调用费（DeepSeek/OpenAI），要么来自母公司输血（Google DeepMind），要么来自融资烧钱（大多数大模型创业公司）
技术架构：万亿参数级预训练 + 强化学习 + 多模态对齐 + 持续Scaling Law探索
硬件规模：万卡~十万卡级GPU集群，H100/B200/H200为主，单次训练成本千万~亿美元级
AI团队：数百~数千人AI研究员+工程师
年投入：10亿~100亿美元级（OpenAI 2024年亏损约50亿美元；DeepSeek据估算训练成本在亿级美元）
对算力的真实需求：
✅ 需要全球最顶级的GPU（H100/B200/下一代）
✅ 需要万卡级互联集群（InfiniBand/NVLink）
✅ 需要海量稳定电力（选址在电力便宜地区）
❌ 国产算力完全无法满足（性能+生态双重不够）
❌ 云端租用都不够（必须自建或独占集群）
算力在此类企业中的角色：
算力 = 命脉。没有算力就没有模型，没有模型就没有公司。每代模型升级都需要10倍的算力增长。
适合做我们的：
完全不是客户也不是供给端
它们是AI产业的"上游原材料供应商"，我们是"下游应用组装商"。两者不在同一层，也不在同一竞争维度。它们提供API，我们可以调用——合作方式仅此而已。
✅ 需要全球最顶级的GPU（H100/B200/下一代）
✅ 需要万卡级互联集群（InfiniBand/NVLink）
✅ 需要海量稳定电力（选址在电力便宜地区）
❌ 国产算力完全无法满足（性能+生态双重不够）
❌ 云端租用都不够（必须自建或独占集群）
算力在此类企业中的角色：
算力 = 命脉。没有算力就没有模型，没有模型就没有公司。每代模型升级都需要10倍的算力增长。
适合做我们的：
完全不是客户也不是供给端
它们是AI产业的"上游原材料供应商"，我们是"下游应用组装商"。两者不在同一层，也不在同一竞争维度。它们提供API，我们可以调用——合作方式仅此而已。
🟣 范式A+：超级重装兵团 — AI产品体系生态
代表企业：字节跳动（豆包/火山引擎）、阿里巴巴（通义千问/百炼平台）、腾讯（混元大模型/腾讯云AI）、百度（文心一言/百度智能云）
企业特征：万亿市值/营收级平台公司，AI不是主营业务，但AI是其生态的核心基础设施。既做底层模型（通义/混元/豆包），也做上层应用（钉钉AI/飞书智能伙伴/百度文库AI），还卖AI云服务给第三方
技术架构：自研大模型 + 自研推理平台 + AI云服务 + 自有应用全家桶 + 开放平台（让第三方开发者接入）
硬件规模：十万卡~数十万卡级，H20/自研芯片（平头哥/昆仑芯）+ 国产GPU当补充
AI团队：数千~上万人（字节AI团队超5000人）
年投入：数十亿~数百亿美元级
企业特征：万亿市值/营收级平台公司，AI不是主营业务，但AI是其生态的核心基础设施。既做底层模型（通义/混元/豆包），也做上层应用（钉钉AI/飞书智能伙伴/百度文库AI），还卖AI云服务给第三方
技术架构：自研大模型 + 自研推理平台 + AI云服务 + 自有应用全家桶 + 开放平台（让第三方开发者接入）
硬件规模：十万卡~数十万卡级，H20/自研芯片（平头哥/昆仑芯）+ 国产GPU当补充
AI团队：数千~上万人（字节AI团队超5000人）
年投入：数十亿~数百亿美元级
对算力的真实需求：
✅ 需要超大规模GPU集群（万卡级起步）
✅ 训练+推理混合需求（自用+卖云服务）
✅ 英伟达为主，国产GPU做信创市场的补充
✅ 有自研芯片能力（阿里平头哥、百度昆仑芯）
✅ 算力采购是战略级决策，CEO/CTO级别主导
算力在此类企业中的角色：
战略资源 + 对外商品。自用是成本中心，卖云服务是利润中心。它们把算力包装成AI云服务卖给第三方——我们如果要做营销AI平台，底层算力很可能是从火山引擎/阿里云采购的
适合做我们的：
⚠️ 算力供应商（我们从它们买云算力）
不是客户（我们自己就是它们的客户）
不是供给端（它们的产品是大而全的，不是专业化Agent）
⚠️ 竞争关系（如果它们也做营销AI垂直方案，我们会正面撞上）
✅ 需要超大规模GPU集群（万卡级起步）
✅ 训练+推理混合需求（自用+卖云服务）
✅ 英伟达为主，国产GPU做信创市场的补充
✅ 有自研芯片能力（阿里平头哥、百度昆仑芯）
✅ 算力采购是战略级决策，CEO/CTO级别主导
算力在此类企业中的角色：
战略资源 + 对外商品。自用是成本中心，卖云服务是利润中心。它们把算力包装成AI云服务卖给第三方——我们如果要做营销AI平台，底层算力很可能是从火山引擎/阿里云采购的
适合做我们的：
⚠️ 算力供应商（我们从它们买云算力）
不是客户（我们自己就是它们的客户）
不是供给端（它们的产品是大而全的，不是专业化Agent）
⚠️ 竞争关系（如果它们也做营销AI垂直方案，我们会正面撞上）
🔴 范式A：重装兵团 — 全链路自研 + 私有化部署
代表企业：利欧数字
企业特征：百亿营收级数字营销集团，20年客户数据沉淀，有不可替代的私有投放数据，客户要求数据安全，需要全链路控制
技术架构：SFT/LoRA精调 + RAG检索增强 + 本地知识库 + 私有化部署
硬件：自有H20（96GB HBM3）+ A800（80GB）GPU集群，液冷机房
软件栈：自研归一营销大模型（基于DeepSeek等开源底座二次预训练+深度微调）+ 自研LEO AIAD平台 + CubSwarm多智能体框架
AI团队：40-50人全职AI研发（算法/工程/平台/数据/产品/交付）
AI年投入：5000-6000万（周总亲述）
企业特征：百亿营收级数字营销集团，20年客户数据沉淀，有不可替代的私有投放数据，客户要求数据安全，需要全链路控制
技术架构：SFT/LoRA精调 + RAG检索增强 + 本地知识库 + 私有化部署
硬件：自有H20（96GB HBM3）+ A800（80GB）GPU集群，液冷机房
软件栈：自研归一营销大模型（基于DeepSeek等开源底座二次预训练+深度微调）+ 自研LEO AIAD平台 + CubSwarm多智能体框架
AI团队：40-50人全职AI研发（算法/工程/平台/数据/产品/交付）
AI年投入：5000-6000万（周总亲述）
对算力的真实需求：
✅ 必须私有化部署（数据不能上云）
✅ 必须7×24稳定（生产级推理）
✅ 需要英伟达高端卡（H20/A800）
❌ 不考虑国产算力（"垃圾"——周总原话）
❌ 不考虑云端API（数据安全）
能否用国产算力：
❌ 不能 生产级稳定性要求让国产算力出局。
算力在此类企业中的角色：
核心基础设施，自建自用，不对外售卖。
不是"要省钱"而是"要稳定"。
适合做我们的：
不是客户（他们自己能建，不需要我们）
不是供给端（他们只服务自己的客户）
✅ 必须私有化部署（数据不能上云）
✅ 必须7×24稳定（生产级推理）
✅ 需要英伟达高端卡（H20/A800）
❌ 不考虑国产算力（"垃圾"——周总原话）
❌ 不考虑云端API（数据安全）
能否用国产算力：
❌ 不能 生产级稳定性要求让国产算力出局。
算力在此类企业中的角色：
核心基础设施，自建自用，不对外售卖。
不是"要省钱"而是"要稳定"。
适合做我们的：
不是客户（他们自己能建，不需要我们）
不是供给端（他们只服务自己的客户）
🔵 范式B：轻骑兵 — 单环节极致 + 公有API调用
代表企业：小方同学（Fangan.com）
企业特征：4A背景创业团队，C轮亿级估值，核心是策略方法论而非数据，5-8人核心技术团队
技术架构：重度结构化Prompt + 代码模板 + 公有API（GPT-4/Gemini 3 Pro）
硬件：零自建GPU，100%走公有云API
软件栈：基于LangChain等开源框架，自研三引擎（逻辑/创意/执行）+ 六Agent集群
AI投入：80-150万/年（人力+API+云服务，小团队非顶级AI薪资）
企业特征：4A背景创业团队，C轮亿级估值，核心是策略方法论而非数据，5-8人核心技术团队
技术架构：重度结构化Prompt + 代码模板 + 公有API（GPT-4/Gemini 3 Pro）
硬件：零自建GPU，100%走公有云API
软件栈：基于LangChain等开源框架，自研三引擎（逻辑/创意/执行）+ 六Agent集群
AI投入：80-150万/年（人力+API+云服务，小团队非顶级AI薪资）
对算力的真实需求：
✅ 只需要API调用（按Token计费）
❌ 不需要GPU硬件
❌ 不需要自建集群
❌ 不需要私有化部署
❌ 偶尔云端租卡做LoRA（几十到几百元/次）
能否用国产算力：
✅ 可以，但没意义
他们主要用API，GPU跟他们基本无关
算力在此类企业中的角色：
几乎可以忽略不计。月投入2-3万的API调用费。
对"低价算力"毫无感知。
适合做我们的：
⚠️ 潜在供给端（如果参股）
⚠️ 渠道伙伴（如果他们接国企客户）
不是直接客户（他们不买算力，也不买平台）
✅ 只需要API调用（按Token计费）
❌ 不需要GPU硬件
❌ 不需要自建集群
❌ 不需要私有化部署
❌ 偶尔云端租卡做LoRA（几十到几百元/次）
能否用国产算力：
✅ 可以，但没意义
他们主要用API，GPU跟他们基本无关
算力在此类企业中的角色：
几乎可以忽略不计。月投入2-3万的API调用费。
对"低价算力"毫无感知。
适合做我们的：
⚠️ 潜在供给端（如果参股）
⚠️ 渠道伙伴（如果他们接国企客户）
不是直接客户（他们不买算力，也不买平台）
🟢 范式C：导航台 — 内部工具聚合 + 统一入口
代表企业：营销服务商/客户自建内部AI聚合入口
企业特征：有多个AI使用需求但不想让员工分别注册各种AI账号，自研了统一内部入口平台
技术架构：自研内部AI平台中枢（统一登录/权限/安全墙）+ 内部自研工具 + 对话入口 + 外部AI工具API嵌入
关键特征：工具间不互相通信、不协同编排。"跳棋棋盘上的弹珠——整盘棋是一个整体，每颗弹珠有自己的孔，但弹珠本身没有被串起来。"
AI投入：估算200-500万/年（内部IT预算）
企业特征：有多个AI使用需求但不想让员工分别注册各种AI账号，自研了统一内部入口平台
技术架构：自研内部AI平台中枢（统一登录/权限/安全墙）+ 内部自研工具 + 对话入口 + 外部AI工具API嵌入
关键特征：工具间不互相通信、不协同编排。"跳棋棋盘上的弹珠——整盘棋是一个整体，每颗弹珠有自己的孔，但弹珠本身没有被串起来。"
AI投入：估算200-500万/年（内部IT预算）
对算力的真实需求：
✅ 全部走云端API
❌ 零自建GPU
❌ 不需要私有化部署（加了安全提示但无数据隔离层）
数据安全：通常采用"轻管控"模式（底部提示条"严禁输入公司信息"）
算力在此类企业中的角色：
完全无关。全部走云端API。
适合做我们的：
⚠️ 潜在目标客户（需验证）
他们有需求但自建了一个简化版
关键问题：这类大企业/营销服务商是否有动力切换到第三方平台？
更可能的路径：他们作为供给端，将内部某些AI能力开放到我们的平台上
✅ 全部走云端API
❌ 零自建GPU
❌ 不需要私有化部署（加了安全提示但无数据隔离层）
数据安全：通常采用"轻管控"模式（底部提示条"严禁输入公司信息"）
算力在此类企业中的角色：
完全无关。全部走云端API。
适合做我们的：
⚠️ 潜在目标客户（需验证）
他们有需求但自建了一个简化版
关键问题：这类大企业/营销服务商是否有动力切换到第三方平台？
更可能的路径：他们作为供给端，将内部某些AI能力开放到我们的平台上
7.2 五种范式完整对比表
| 维度 | 范式A++：核动力航母 | 范式A+：超级重装 | 范式A：重装兵团 | 范式B：轻骑兵 | 范式C：导航台 |
|---|---|---|---|---|---|
| 代表 | DeepSeek/OpenAI | 字节/阿里/腾讯 | 利欧数字 | 小方同学 | 营销服务商/客户自建 |
| 核心业务 | 做模型本身 | AI生态（模型+应用+云） | 全链路营销AI化 | 单环节方案生成 | 内部工具聚合 |
| GPU规模 | 万~十万卡级 | 十万~数十万卡级 | H20+A800集群 | 零 | 零 |
| 自研模型 | ✅ 万亿参数基础模型 | ✅ 自研大模型全家桶 | ✅ SFT/LoRA+RAG | ❌ 纯Prompt | ❌ 无 |
| 自研芯片 | 探索中 | ⚠️ 阿里/百度已有 | ❌ | ❌ | ❌ |
| 年AI投入 | 10亿~100亿美元 | 数十亿~数百亿美元 | 5000-6000万人民币 | 80-150万人民币 | 200-500万人民币 |
| 团队规模 | 数百~数千人 | 数千~上万人 | 40-50人 | 5-8人 | 10-20人IT |
| 算力角色 | 命脉（没有算力就没有公司） | 战略资源+对外商品 | 核心基础设施 | 几乎无关（API调用） | 完全无关（API调用） |
| 对国产算力态度 | 完全不够用 | 信创场景的补充 | "垃圾"（生产级不敢用） | 无所谓（极少用GPU） | 完全不关心 |
| 对你的平台 | 上游供应商（API） | 算力供应商/潜在竞争者 | 不是客户也不是供给端 | 潜在供给端/渠道 | ⚠️ 潜在客户（需验证） 或作为供给端开放能力 |
7.3 国央企客户的真实商业价值
关键判断：经过对真实市场需求和商业可行性的交叉验证，国央企不应被定位为核心客户。以下逐一拆解原因。
维度一：国央企对营销AI的需求强度
| 问题维度 | 真实情况 | 对我们的含义 |
|---|---|---|
| 国央企做"营销"吗？ | 做，但和市场化企业完全不同。他们的"营销"是：品牌形象建设、社会责任传播、政策宣导、投资者关系维护、党建宣传。 他们几乎不做"获客转化"——那是市场化竞争的事。 | 如果我们的平台核心能力是"营销链路AI化（获客/转化/投放优化）"，那和国央企的核心需求错位 |
| 哪些国央企有营销AI需求？ | 少数行业有：金融（银行/保险的品牌内容）、电信（运营商的消费者业务）、交通（机场/高铁的广告运营）、能源（新能源品牌的C端传播） 但大多数国央企（军工/基建/资源/重工）基本没有营销需求 | 有需求的是国央企中的少数，而且这些企业的营销预算通常通过4A/数字营销公司执行，不是直接采购工具 |
| 市场规模估算 | 即使把所有国央企的数字化营销预算加总，其中能分配到"AI工具采购"的比例可能只有5-10%——大部分预算花在了人力外包、媒体采买、活动执行上 粗估：国央企直接采购营销AI工具的市场规模可能在几亿到十几亿/年级别（全国范围），分散到每个项目可能只有几十万~几百万 | 市场不大，且高度碎片化。不足以支撑一个平台型业务的规模化增长 |
| 他们自己做还是外包？ | 绝大多数外包。国央企内部通常没有独立的营销技术团队。他们的模式是： ① 确定需求和预算 → ② 招标选服务商（4A/数字营销公司） → ③ 服务商用自有工具+人力交付 → ④ 国央企验收付款 | 我们的真正客户可能不是国央企本身，而是服务国央企的营销服务商。但这又回到了一个问题：利欧这种级别的服务商自己就有AI能力，为什么需要我们？ |
维度二：回款周期的商业风险
| 风险维度 | 具体情况 | 对平台的影响 |
|---|---|---|
| 回款周期 | 国央企标准流程：立项(1-3月) → 招标(1-2月) → 合同签订(1月) → 首付30-40%(签约后1-2月) → 验收后付尾款(3-12月) 从启动到收到全款，短则6个月，长则18-24个月 | 对初创平台来说，垫资半年以上 = 现金流死亡陷阱 |
| 付款条件 | 常见条款：质保金5-10%（验收后1年返还）、履约保证金、分期付款比例不利于乙方、发票先行 | 实际到手金额被大幅压缩，资金效率极低 |
| 决策效率 | 一个项目可能跨年度审批，中途换领导可能导致项目暂停或重新评估 | 投入的资源可能打水漂，机会成本极高 |
| 合同变更 | 国央企经常在执行过程中调整需求，但不一定愿意追加费用 | 项目利润被不断蚕食，甚至亏本 |
对比一下：民企客户的决策周期通常是1-4周，回款周期30-90天。同样的团队精力，服务10个民企客户 vs 服务1个国央企客户——前者现金流健康得多。
结论：如果把国央企当核心客户，商业模式可能会被拖死在账期上。
结论：如果把国央企当核心客户，商业模式可能会被拖死在账期上。
维度三：国央企在商业模式中的正确定位
❌ 不应该做的定位
· 把国央企当作核心收入来源（市场太小+回款太慢）
· 围绕国央企需求来设计产品功能（会偏离主流市场化客户）
· 为了拿国央企单子而投入大量资源做信创适配（投入产出比极差）
· 用政府关系去"推"产品给国央企（关系能帮你拿到入场券，但不能保证你赢）
· 围绕国央企需求来设计产品功能（会偏离主流市场化客户）
· 为了拿国央企单子而投入大量资源做信创适配（投入产出比极差）
· 用政府关系去"推"产品给国央企（关系能帮你拿到入场券，但不能保证你赢）
✅ 更合理的定位
· 国央企作为补充性客户群（有就接，不主动追）
· 信创认证作为被动能力——有了自然好，没有也不影响核心业务
· 政府关系的价值在于信息优势（招标情报、政策趋势）而不是直接拉单子
· 如果要做国央企生意，正确的路径是通过已有国企客户的服务商间接触达——让服务商成为你的渠道伙伴
· 信创认证作为被动能力——有了自然好，没有也不影响核心业务
· 政府关系的价值在于信息优势（招标情报、政策趋势）而不是直接拉单子
· 如果要做国央企生意，正确的路径是通过已有国企客户的服务商间接触达——让服务商成为你的渠道伙伴
7.4 客户优先级排序
T1 核心客户（主攻方向）：中型市场化企业（有营销需求、决策快、回款正常、需要AI赋能但自建成本太高）
T2 重要客户（积极拓展）：营销服务商/代理商（作为渠道伙伴，帮我们触达终端客户）
T3 补充性客户（有机会就做）：国央企（通过服务商间接触达为主，直接对接为辅；必须有心理准备接受长账期）
T4 暂不考虑：纯政府/党政机关（除非有极强的政府关系资源且愿意承担长周期）
一句话总结：国央企是一个"有门槛但性价比不高"的市场，不应该成为商业模式的核心支柱。
7.5 典型案例研发架构详解
说明：以下两个案例的架构信息来自与利欧数字产研总经理周崧弢的深度交流（2026年6月），以及我们对小方同学产品的独立分析。这是我们描绘的"他们实际在跑的东西"——不是PR稿，是工程现实。
案例一：利欧数字 — "重装兵团"全栈架构
周总原话（关键信息摘录）："我们现在除了收钱、财务报表、广告投放报表，其他都AI化了。策略、创意、投放优化、运营分析、客户报告——全部有AI在跑。我们自有H20和A800集群，液冷机房，40多人的全职AI团队。国产算力我不是没看过——沐曦、摩尔线程、海光我都了解过，结论就是目前还不能用于生产。不是参数不行，是整个软件栈和运维体系跟不上。"
架构关键特征
① 全栈自研：从底层模型到上层Agent全部自己掌控，不依赖第三方AI服务
② 数据壁垒为核心：20年客户私有投放数据是引擎燃料，模型精调依赖这些数据
③ 私有化是刚需：客户数据不能上公有云 → 必须自建GPU集群 → H20+A800是必需品不是奢侈品
④ "归一"理念：一个底座模型 + 多场景微调适配，而非每个场景单独训模型
⑤ 人机协同设计：AI做80%标准化工作，人工做20%的审核和创意把关
② 数据壁垒为核心：20年客户私有投放数据是引擎燃料，模型精调依赖这些数据
③ 私有化是刚需：客户数据不能上公有云 → 必须自建GPU集群 → H20+A800是必需品不是奢侈品
④ "归一"理念：一个底座模型 + 多场景微调适配，而非每个场景单独训模型
⑤ 人机协同设计：AI做80%标准化工作，人工做20%的审核和创意把关
算力在这套架构中的角色
不是成本项，是生产资料。就像钢厂的高炉——没有高炉就没有钢铁。
周总对算力的态度：
· "稳定性 > 价格"
· "国产卡如果训练中崩一次，全量微调30万就打水漂了"
· "我们不是在选'便宜的算力'，是在选'可靠的算力'"
→ 这类企业永远不会是我们的算力客户，因为他们自己就是算力消费者，且只相信英伟达。
周总对算力的态度：
· "稳定性 > 价格"
· "国产卡如果训练中崩一次，全量微调30万就打水漂了"
· "我们不是在选'便宜的算力'，是在选'可靠的算力'"
→ 这类企业永远不会是我们的算力客户，因为他们自己就是算力消费者，且只相信英伟达。
案例二：小方同学(Fangan.com) — "轻骑兵"极简架构
架构关键特征
① 重Prompt，轻模型：核心竞争力在策略方法论的结构化表达，而非模型训练。Prompt工程是核心资产
② 零硬件依赖：100%依赖公有云API，无GPU硬件负担 → 现金流友好，但模型效果受制于API供应商
③ 小而美的团队：5-8人核心技术团队，年人力+API成本约百万级 → 极致人效比
④ 单环节深耕：只做"方案生成"这一个环节，不做投放、不做运营 → 垂直但不全
⑤ 输出物驱动：最终交付的是可编辑的PPT/文档方案，而非SaaS工具 → 服务属性强
② 零硬件依赖：100%依赖公有云API，无GPU硬件负担 → 现金流友好，但模型效果受制于API供应商
③ 小而美的团队：5-8人核心技术团队，年人力+API成本约百万级 → 极致人效比
④ 单环节深耕：只做"方案生成"这一个环节，不做投放、不做运营 → 垂直但不全
⑤ 输出物驱动：最终交付的是可编辑的PPT/文档方案，而非SaaS工具 → 服务属性强
算力在这套架构中的角色
几乎无关。就像开网约车的司机不需要关心炼油厂的油价——他只需要关心加油站的零售价（API调用费）。
小方同学的算力态度：
· "我一个月API费用2-3万，GPU跟我没关系"
· "偶尔租卡做LoRA微调，一次几十块钱"
· "你跟我说低价算力，我第一反应是：这跟我有什么关系？"
→ "低价算力"对这类企业完全无吸引力。他们要的是客户渠道，不是GPU。
小方同学的算力态度：
· "我一个月API费用2-3万，GPU跟我没关系"
· "偶尔租卡做LoRA微调，一次几十块钱"
· "你跟我说低价算力，我第一反应是：这跟我有什么关系？"
→ "低价算力"对这类企业完全无吸引力。他们要的是客户渠道，不是GPU。
两套架构的本质差异：为什么"算力"对二者都不构成钩子
| 维度 | 利欧数字（重装兵团） | 小方同学（轻骑兵） |
|---|---|---|
| 核心壁垒 | 20年私有投放数据 + 全链路控制力 | 4A策略方法论 + Prompt工程know-how |
| 技术重心 | 模型训练（SFT/LoRA/RAG） | Prompt设计 + Agent编排 |
| GPU依赖度 | 极高（自建H20+A800集群） | 为零（纯API调用） |
| 年AI预算 | 5000-6000万 | 80-150万 |
| 团队规模 | 40-50人全职AI | 5-8人核心 |
| 数据策略 | 私有化，绝不上云 | 无私有数据沉淀 |
| 对国产算力 | "目前不能用于生产"（周总原话） | "跟我没关系" |
| 对我们的态度 | 不需要我们的平台或算力 | 需要客户渠道，不需要算力 |
| "低价算力"吸引力 | 零 — 他们只要英伟达 | 零 — 他们不用GPU |
关键洞察：五种范式对算力的需求差异巨大，且没有一种范式是"算力"成为核心吸引力的。
· 范式A++：自己做基础模型，算力是命脉——不需要任何人提供
· 范式A+：算力是战略资源+商品——它们是卖算力的，不是买算力的
· 范式A：自己建，不需要你提供
· 范式B：根本不用GPU，对算力无感
· 范式C：全部走云端API，不关心底层是什么卡
→ 想用"低价算力"吸引任何一类供给端或客户，都找不到立足点。
· 范式A++：自己做基础模型，算力是命脉——不需要任何人提供
· 范式A+：算力是战略资源+商品——它们是卖算力的，不是买算力的
· 范式A：自己建，不需要你提供
· 范式B：根本不用GPU，对算力无感
· 范式C：全部走云端API，不关心底层是什么卡
→ 想用"低价算力"吸引任何一类供给端或客户，都找不到立足点。
第八章 供给方算力吸引力分析
8.1 核心定义
🎣 钩子（Hook）
定义：用某种资源吸引Agent公司入驻平台。
关键特征：吸引力足够强，让原本犹豫的公司愿意来。
失效条件：如果对方不需要，或别处也能轻易获得同样资源，则钩子无效。
关键特征：吸引力足够强，让原本犹豫的公司愿意来。
失效条件：如果对方不需要，或别处也能轻易获得同样资源，则钩子无效。
💰 卖算力（Business）
定义：把算力作为商品转售给供给方，赚取差价。
关键特征：平台是算力供应商，供给方是你的客户。
成立条件：买价和卖价之间有足够的毛利空间（≥15%）。
关键特征：平台是算力供应商，供给方是你的客户。
成立条件：买价和卖价之间有足够的毛利空间（≥15%）。
🎁 锦上添花（Bonus）
定义：算力是附加福利，不是入驻的主要理由。
关键特征：有了更好，没有也不影响对方是否加入。
适用场景：当真正钩子（客户渠道/资本/品牌）已足够强时。
关键特征：有了更好，没有也不影响对方是否加入。
适用场景：当真正钩子（客户渠道/资本/品牌）已足够强时。
🏰 壁垒（Moat）
定义：竞争对手难以复制的独特优势。
关键特征：稀缺性 + 不可替代性 + 高转换成本。
检验标准：对手想做同样的事，需要超过6个月或大量不可复制的资源。
关键特征：稀缺性 + 不可替代性 + 高转换成本。
检验标准：对手想做同样的事，需要超过6个月或大量不可复制的资源。
8.2 四种算力参与模式全景对比
| M1：纯报价介绍 | M2：统一计费代付 | M3：算力代运营 | M4：裸算力转售 | |
|---|---|---|---|---|
| 平台做什么 | 给折扣码，介绍去智算中心 | 统一签合同、结账、开票 | 帮供给方部署模型到你的环境，全程运维 | 批发算力→零售加价卖 |
| 运营谁做 | 供给方自己做 | 智算中心技术+平台商务 | 平台做全套技术运营 | 智算中心做 |
| 供给方得到什么 | 一个电话号+折扣报价 | 统一账单的便利 | 不用管运维，只管算法 | 一个供应商 |
| 对他们的吸引力 | 极低（自己也能去） | 中等（省事但非必须） | 高（如果真能做好） | 极低（纯价格） |
| 为什么需要/不需要 | 不需要：他们主要用API，GPU用得少 | 需要：省去对账/催款麻烦 | 需要：如果他们自己不会运维 | 不需要：买方市场，加不了价 |
| 锁定效果 | 零（绕过你） | 弱（可随时切走） | 强（迁移有成本） | 零 |
| 能赚钱吗 | 不能 | 薄利 | 有服务费 | 不能 |
| 定性 | 伪钩子 | 便利性工具 | 真钩子+服务收入 | 不可行 |
| 能成壁垒吗 | ❌ 绝对不能 | ❌ 很难 | ⚠️ 有可能 | ❌ 完全不能 |
8.3 筹码博弈：小方同学会怎么选？
场景模拟：我们把不同筹码摆在小方同学面前，看他的反应
| 如果你的筹码是... | 小方同学的反应 | 为什么 |
|---|---|---|
| "低价国产算力" | "我自己租AutoDL更便宜，谢谢" | 他主要用API，偶尔租卡做LoRA一次才几十块。国产算力再便宜也省不了几块钱，不值得为此换平台。 |
| "帮你对接几个客户" | "有意思，但我自己也在拓客" | 如果你的客户就是他已经在接触的客户，那你只是他的一个渠道而已，不是不可替代的。但如果你的客户是他自己拿不到的（国企客户），那才有吸引力。 |
| "给你5%股权 + 每年导入10个国企客户 + 清华背书" | "值得认真谈谈" | 股权+客户渠道+品牌背书，三样东西叠加。这才是真正的钩子。尤其是"国企客户"——这是小方自己最缺的。 |
| "你来我们平台，我们帮你做信创适配，让你的产品能进国企采购目录" | "这个我真的需要" | 如果小方想进国企市场但自己做不了信创适配，你帮他搞定这个准入门槛，这才是不可替代的价值。 |
核心结论：算力在任何组合中都不是决定性因素。真正有效的筹码排序是：
① 客户渠道（尤其是国企）> ② 资本/股权 > ③ 品牌背书 > ④ 信创适配能力 > ... > ⑩ 算力补贴
① 客户渠道（尤其是国企）> ② 资本/股权 > ③ 品牌背书 > ④ 信创适配能力 > ... > ⑩ 算力补贴
8.4 算力补贴方案调整：为什么共享GPU算力池不可行，正确的轻量补贴方式
经过对供给端真实接受度的分析，"提供共享GPU算力池要求Agent迁移"的方案本质上不可行，需要找到真正零阻力的算力/API补贴方式。
反向论证：为什么"共享GPU算力池补贴"不可行？
外部Agent已经有成熟的技术栈：自己的业务代码、自己的Prompt/微调模型、自己的数据库（存客户数据/历史数据）、自己买的云服务器（阿里云/腾讯云/AWS）、自己调用的大模型API（OpenAI/通义/DeepSeek）。
如果要求他们迁移到我们的GPU算力池，需要：①把业务代码从他们的云服务器迁到我们这重新部署调试；②如果他们自己训了LoRA/微调模型，要把模型权重迁过来；③把客户数据迁过来（涉及数据安全合规，客户根本不同意）；④切换大模型API地址改代码重新测试。
整个迁移过程少则2-4周，多则2-3个月，成本十几万到几十万。我们给的那点算力补贴（几万到十几万）根本覆盖不了迁移成本，等于让别人换底座，没人愿意干。
外部Agent已经有成熟的技术栈：自己的业务代码、自己的Prompt/微调模型、自己的数据库（存客户数据/历史数据）、自己买的云服务器（阿里云/腾讯云/AWS）、自己调用的大模型API（OpenAI/通义/DeepSeek）。
如果要求他们迁移到我们的GPU算力池，需要：①把业务代码从他们的云服务器迁到我们这重新部署调试；②如果他们自己训了LoRA/微调模型，要把模型权重迁过来；③把客户数据迁过来（涉及数据安全合规，客户根本不同意）；④切换大模型API地址改代码重新测试。
整个迁移过程少则2-4周，多则2-3个月，成本十几万到几十万。我们给的那点算力补贴（几万到十几万）根本覆盖不了迁移成本，等于让别人换底座，没人愿意干。
真正可行的零阻力方案：大模型API统一集采折扣
我们不需要碰Agent的服务器、不需要碰他们的代码、不需要碰他们的数据，只需要做一件事：作为大客户统一跟DeepSeek/通义千问/百川等大模型厂商谈企业级折扣（一般采购量大能拿到公开价的3-7折），然后让平台上的Agent都通过我们的API网关调用大模型，我们按折扣价给他们结算。
Agent侧需要做什么？只需要改一行代码——把原来直接调用DeepSeek/通义API的endpoint地址改成我们的代理地址，其他什么都不用动：服务器还是他们的，数据还是他们的，业务逻辑不用改，模型不用重新训，10分钟就能改完，零迁移成本，零风险。改完之后每调用一次大模型都真金白银省钱，没有理由拒绝。
| 方案 | Agent侧改动 | 迁移成本 | Agent接受度 | 结论 |
|---|---|---|---|---|
| 共享GPU算力池 （要求迁服务器/模型/数据） |
业务代码迁移、模型权重迁移、数据迁移、重新部署调试、改API地址 | 极高：2-4周~2-3个月，成本十几万~几十万 | 极低——为了点补贴费这么大劲，没人愿意 | 放弃 |
| 大模型API统一集采折扣 （只改API地址，其他全不动） |
修改一行大模型调用endpoint地址，其他所有东西保持不变 | 极低：10分钟改完，零迁移，零风险 | 极高——真金白银省成本，没有任何理由拒绝 | Phase 2启用 |
| GPU空闲资源开放（可选） （帮他们训LoRA，不强制迁移生产环境） |
Agent不需要迁移生产环境，只是训新LoRA的时候用我们的空闲GPU | 低：只需要传训练数据，训完把LoRA权重拿回去用 | 中——有用但不是核心诉求，适合深度合作的核心Agent | Phase 3可选 |
最终筹码排序：
真正有效的供给端撬动筹码排序：
① 客户资源对接（最核心，Phase 1就能用，优质Agent最缺客户）
② 资本纽带（参股/合资）（Phase 1-2，Top 3-5家核心Agent深度绑定）
③ 品牌/渠道背书（清华背景+苏总体系资源）
④ 大模型API统一集采折扣（Phase 2启用，零阻力轻量撬动全平台Agent，真金白银实惠）
⑤ 信创适配能力（如果做国央企客户）
...
⑩共享GPU算力池补贴（不可行，放弃）
① 客户资源对接（最核心，Phase 1就能用，优质Agent最缺客户）
② 资本纽带（参股/合资）（Phase 1-2，Top 3-5家核心Agent深度绑定）
③ 品牌/渠道背书（清华背景+苏总体系资源）
④ 大模型API统一集采折扣（Phase 2启用，零阻力轻量撬动全平台Agent，真金白银实惠）
⑤ 信创适配能力（如果做国央企客户）
...
⑩
技术说明：大模型API网关在Phase 2建设轻编排引擎时同步建设，不需要额外开发太多——本质就是一层反向代理，加上统一鉴权、计量计费、日志监控就够了，技术复杂度很低。我们不需要自己囤GPU算力，不需要做模型托管，只是做统一集采和转发，成本极低。
第九章 我方实施门槛与成本
9.1 模式M3（算力代运营）完整能力清单
| 能力域 | 具体工作 | 难度 | 自建 vs 外包 |
|---|---|---|---|
| 环境配置 | GPU驱动/软件栈部署、容器化、模型格式转换 | 中 | 初期可外包，长期自建1-2人 |
| 模型部署 | 模型量化、推理引擎优化、批量推理服务、API网关 | 高 | ⚠️ 前置假设，需验证 见下方8.1b分析 |
| 性能调优 | 显存优化、batch size、KV Cache、并发、延迟 | 高 | 需要资深ML工程师1-2人 |
| 监控告警 | GPU利用率/显存/温度/功耗、异常检测、自动告警 | 中 | 可用开源方案，1人维护 |
| 故障处理 | 7×24值班、2小时内响应、自动重启/回滚 | 中 | 初期2人轮值，规模扩大后4人+ |
| 安全合规 | 多租户隔离、访问控制、审计日志、信创合规 | 高 | 1名安全工程师+合规流程 |
| 计费系统 | 按Token/时间/调用量计费、阶梯定价、账单生成 | 中 | 可采购现成方案，1人对接 |
9.2 关键架构决策：平台底层到底要不要"技术打通"？
⚠️ 关键架构决策点：
平台底层有两种技术路线选择：技术打通 vs 不打通。这两个方向会导致完全不同的商业模式、团队配置和投入成本。以下对比分析。
平台底层有两种技术路线选择：技术打通 vs 不打通。这两个方向会导致完全不同的商业模式、团队配置和投入成本。以下对比分析。
方案X：底层技术打通
| 维度 | 具体含义 | 代价 | 收益 |
|---|---|---|---|
| 做什么 | 统一模型部署层：所有Agent共享同一套推理服务、API网关、监控体系。平台可以统一管理模型版本、分配算力资源、做负载均衡。 | · 需要自建推理引擎团队（2-3名ML工程师） · 需要GPU集群运维能力 · 首年投入500-950万 · 技术复杂度高，6-12个月才能跑通 | · Agent间可以共享算力资源，降低整体成本 · 平台有统一管控能力（计费/限流/熔断） · 对供给端Agent有更强的绑定力 |
| 对算力的要求 | 需要高性能GPU生态支撑（英伟达CUDA成熟）→ 国产算力目前不够用 → 如果要做信创认证则技术上不可行 | 与信创要求存在根本矛盾 | |
| 适合什么场景？ | 如果你想做的是"AI基础设施平台"（类似AWS SageMaker的营销版），那需要打通。 但如果你想做的是"营销智能体市场/集市"，那可能不需要。 | ||
方案Y：底层不打通（陈总的方向？）
| 维度 | 具体含义 | 代价 | 收益 |
|---|---|---|---|
| 做什么 | 各Agent独立运行在自己的技术栈上（有的用GPT API、有的用自建GPU、有的用国产云）。平台只负责： ① 统一入口/展示层（用户看到一个整合界面） ② 商业层（订单/支付/分成/评价） ③ 质量筛选层（准入标准/评级/淘汰） 底层怎么跑的，平台不管。 | · 几乎不需要ML工程团队 · 不需要GPU集群 · 首年投入大幅降低（主要在产品+运营） · 可以快速上线（1-3个月出雏形） | · 启动成本低、速度快 · 不受底层技术栈限制（信创/非信创都行） · 可以同时容纳各种技术路线的Agent · 平台聚焦在商业价值而非技术实现 |
| 对算力的要求 | 几乎为零。平台本身不需要任何GPU。算力问题交给各个Agent自己解决。 | ✅ 与信创要求完全不冲突 | |
| 风险是什么？ | ① Agent质量不可控（你管不了它的底层稳定性） ② 无法做深度数据互通（Agent A的结果不能直接喂给Agent B） ③ 竞争壁垒偏低（别人也能做一个类似的"集市"） ④ 计费模式受限（无法按实际算力消耗精确分账） 但这些风险是否真的致命？取决于你的商业模式定位：如果定位是"营销AI领域的淘宝/美团"，那不打通是正常的——淘宝不管商家用什么ERP系统。 | ||
| 打通到什么程度才够？ |
这是一个需要深入讨论的问题。可能的中间路线： L0 完全不打通 = 纯目录/链接跳转（最轻，价值最低） L1 接口层打通 = 统一API格式/统一鉴权/统一计费接口（推荐起点） L2 数据层有限打通 = Agent间可传递结构化结果（不做模型层面的打通） L3 模型层打通 = 统一推理引擎/统一模型管理（重投入，当前不建议） 建议从L1起步，根据实际运营效果决定是否向L2演进。L3暂时不考虑。 | ||
9.3 架构路线推荐结论
如果走方案X（技术打通）→ 需要高性能GPU生态 → 信创场景下不可行（国产算力撑不住）→ 只能服务市场化客户
如果走方案Y（不打通）→ 不需要GPU → 信创变得可行（因为技术栈简单了）→ 平台聚焦商业价值而非技术基建
→ 推荐结论：选择方案Y（不打通），从L1接口层起步。
推荐分层演进路径：L1接口层打通（统一API格式/统一鉴权/统一计费接口）→ 根据实际运营效果决定是否向L2数据层（Agent间传递结构化结果）演进；L3模型层打通（统一推理引擎）暂时不考虑。核心原则：前期不自建GPU集群，不要求Agent迁移。
9.4 团队配置与成本
| 角色 | 人数 | 年薪 | 招聘难度 |
|---|---|---|---|
| 算力架构师（Tech Lead） | 1人 | 80-120万 | 难招 |
| ML推理工程师 | 2人 | 50-80万/人 | 中等 |
| DevOps/SRE | 2人 | 40-60万/人 | 中等 |
| 运维工程师（7×24轮值） | 3-4人 | 25-40万/人 | 好招 |
| 安全/合规 | 1人 | 50-70万 | 中等 |
| 合计 | 9-10人 | 295-450万/年 | — |
9.5 各模式门槛对比
| 模式 | 技术门槛 | 人才需求 | 首年资金 | 我们能做吗 | 值不值得做 |
|---|---|---|---|---|---|
| M1 纯报价 | 零 | 0人 | 0 | ✅ 能 | ❌ 不值得（无价值） |
| M2 代付 | 低 | 2-3人 | 50-100万 | ✅ 能 | ⚠️ 看情况（薄利） |
| M3 代运营 | 高 | 9-10人 | 500-950万 | ⚠️ 取决于资金和决心 | ⚠️ 如果真能做好值得 |
| M4 转售 | 零 | 1-2人 | 垫资 | ✅ 能 | ❌ 不值得（没差价） |
如果要做M3代运营：需要一支9-10人的专业团队，首年500-950万启动资金。而且需要6-12个月才能跑通。这跟"一个季度出雏形"的时间预期冲突。而且更重要的是——这会把平台从"营销AI组织者"拖成"算力运维公司"，偏离核心业务。
附录：关键术语速查表
| 术语 | 解释 | 为什么重要 |
|---|---|---|
| GPU | 图形处理器，AI计算的核心硬件 | 算力的"发动机" |
| 智能算力 | 用于AI训练/推理的算力 | 当前最紧缺的资源 |
| 通用算力 | 传统CPU为主的算力 | 当前严重过剩 |
| 智算中心 | 专门提供AI算力的数据中心 | 算力补贴的主要承接主体 |
| 信创 | 信息技术应用创新，即国产化替代 | 国企/政府采购的硬性要求 |
| LoRA | Low-Rank Adaptation，高效微调方法 | 利欧等公司主要训练方式 |
| SFT | Supervised Fine-Tuning，监督微调 | 注入行业知识的主要方法 |
| RAG | 检索增强生成，结合外部知识库 | 利欧架构的核心组件 |
| 推理(Inference) | 用训练好的模型做预测/生成 | 营销Agent的主要算力消耗场景 |
| MFU | Model FLOPs Utilization，模型算力利用率 | 衡量训练效率的核心指标 |
| H20 | 英伟达中国特供Hopper架构GPU，96GB HBM3 | 中国市场当前能买到的合法最强卡 |
| A800 | 英伟达中国特供Ampere架构GPU，80GB | H20之前的中国特供主力 |
| MTT S5000 | 摩尔线程旗舰GPU，80GB显存，1000TFLOPS | 国产GPU的标杆产品 |