模型人人可买，海马云押注AI生产力系统

大模型高速发展近三年，生成式AI正普遍遭遇商业化难题。一边是各大实验室在Benchmark跑分榜上激烈竞争，另一边是多数C端AI应用陷入规模越大亏损越高的困境。

当模型能力差距逐渐收窄，仅靠API包装套壳的商业模式已被证明难以形成壁垒。海外AI视频公司Higgsfield创始人Alex Mashrabov曾表示，AI应用正死于自研模型的技术虚荣，控制流量路由才是真实护城河。但这一判断只涉及调用效率，并未解决交付能力问题。

海马云创始人兼CEO党劲峰提出另一视角：消费级AI很难盈利，全球能做成的主要是极少数巨头，真正能落地变现的是垂直生产力场景。他认为，AI下一程的本质不是发散的概率生成，而是确定性的系统交付；模型谁都买得到，真正拉开差距的是算力、Harness（Agent、上下文、工具链）与数据深度咬合的生产力发动机。

海马云旗下RunningHub是该思路在AIGC领域的落地实践。SimilarWeb数据显示，今年3月至9月，RunningHub海内外全站访问量增长266%，增速在同期主流AI创作平台中位居前列。今年7月，海马云联合创始人兼CTO温健在接受央视《焦点访谈》采访时透露，平台每月Token消耗量已达9万亿。

从技术路径看，海马云从实时云渲染起家，正尝试以融合算力、工具链与数据的垂直生产力系统，突破应用层同质化困境。

在AI应用层，脱离算力谈毛利与商业化往往难以成立。目前多数纯应用层公司缺乏自研算力底座，依赖租用第三方云GPU或直接透传闭源API，导致毛利率易受上游算力成本挤压，面对爆发式调用也难以在物理层面压缩算力成本。

在音视频图像的真实内容生产流程中，AI推理与传统图形渲染交替发生。3D场景需要渲染，Blender、Unreal等专业软件运行依赖GPU，复杂视频生成与超分合成同样消耗大量计算资源。传统做法按业务峰值分别为推理和渲染囤卡，容易造成高峰排队、低谷闲置。

党劲峰表示，决定成本的不仅是模型贵不贵，Token只是AI生产成本的一部分；对于图像、视频和3D生产，真正决定单位交付成本的是从推理到渲染的整条计算链路能否高效运转，未来AI生产平台比拼的不只是算力规模，更是异构算力规模化组织和运营调度的效率。

海马云成立于2014年，从实时云渲染起家，曾为《原神》《黑神话：悟空》等游戏的云游戏服务提供技术支持。凭借多年积累的GPU算力调度能力，它也是国内较早将算力投向AIGC的公司之一，如今已完成从云渲染服务商到AI生产力平台的身份跃迁。

经过十年实时云渲染领域沉淀，海马云在全球部署69个计算节点，拥有6 EFLOPS算力池。其底层逻辑是将异构GPU池化，把实时云游戏领域积累的确定性交付与毫秒级调度能力迁移到AI推理上。

在RunningHub平台上，同一批GPU在不同时段服务图像生成、视频生成和专业渲染等不同负载，由统一调度层根据任务类型、模型大小和时延要求实时分配。这种渲推一体的算力调度，使海马云平台整体算力利用率比行业常见水平高出70%。

对买单的企业客户而言，这意味着较高性价比；对海马云自身而言，自控算力与垂直后训练模型结合，使其综合毛利率能够稳定站在行业高位。在毛利即生死的AI混战中，这种算力级别的池化能力构成了纯应用公司难以逾越的成本红线。

多模态大模型发展至今，一个越来越明显的矛盾是：大模型的概率生成能力越来越惊艳，但一旦进入真实工业级生产管线，效果与商业化交付预期之间仍存在巨大断层。

党劲峰认为，在内容生产领域，发散性的创意需求决定了通用模型永远存在短板。语言大模型处理的任务大多收敛，代码能否跑通、数学题做得对不对有清晰Benchmark衡量；但图像和音视频则是发散的，审美没有标准答案，发散性一旦落到严苛的工业生产环节，就会暴露为人物变脸、风格漂移、光影穿帮、镜头失控等具体工程缺陷。