獨家對話燧原科技創始人張亞林：逆全球化下，國產AI算力如何解決商業落地問題？｜鈦媒體AGI

成立6年多，累計融資額近70億元人民幣，估值已達160億元（胡潤數據）……這是騰訊投資的一家AI算力企業——燧原科技交出的最新成績單。

美國哈佛商學院教授、「顛覆性創新之父」基斯甸臣（Clayton M. Christensen）在研究貝索斯、馬斯克等多位頂級創業者後，在《創新者的基因》一書中得出結論：全球經濟發展中，創新是生命之源，是企業首要的戰略考慮。但同時，一個創新領導者，不僅應該是思考者，更應該是一個會把思考及時付諸行動的人。

在中國 AI 算力賽道當中，燧原科技創始人兼COO（首席運營官）張亞林正是這樣一位領導者。

創立燧原科技之前，張亞林曾在AMD工作了11年，他帶領AMD上海研發中心成功開發並量產多顆旗艦處理器，擁有豐富的工程和產品化實戰經驗。

在張亞林的帶領下，作為通用人工智能（AGI）算力基礎設施服務商，燧原科技已完成 AI 算力產品的開發、量產和規模化落地，涵蓋板卡、智算一體機、液冷算力集群以及配套的軟件系統。同時，燧原也是騰訊自2018年起持續投資的國產AI算力供應商。

張亞林認為，大模型時代下，算力對於中國驅動 AI 技術的發展至關重要。生成式 AI 技術恰恰依賴於底層硬件和軟件架構，來執行複雜的算法和處理數據，從而實現智能交互功能，而這一切都離不開算力底座的支持。

近日在上海舉行的WAIC 2024（世界人工智能大會）前夕，張亞林與鈦媒體App進行了獨家交流。

張亞林對鈦媒體App表示，本土算力中心的商業化落地，需要AIDC（智算中心）+AIGC（生成式人工智能）結合形成「雙輪驅動」。智算中心「誰來建設、誰來運營、誰來使用」是三個很重要的問題，其關鍵點在於誰來用。只有用戶願意來使用算力，才有人願意來運營，投資建設方才能收回成本，形成可持續發展的閉環。

如今，燧原科技正不斷構建完整的算力中心生態圈。今年5月末，由燧原科技產品提供支撐的宜昌點軍智算中心實現運營。從建立到運營僅用1年時間，燧原就完成了300P國產算力建設和交付，並實現上線全消納，上架率超過80%。而且，燧原科技還在四川成都、甘肅慶陽等地展開智算中心建設及合作，實現國產智算設施的落地和商業化。

張亞林指出，智算中心是一個至少3-5年長週期的落地運營過程，需要投建方、運營方、使用方一起合作共贏。同時，面對短期的市場環境，燧原科技自身需要開源、節流，打造生態護城河，持續構建和打磨生態。

「這個過程沒有太多捷徑可以走。」張亞林表示。

展望未來，張亞林強調，中國在 AI 領域垂直應用具有更多的優勢，從而會推動國產 AI 算力部署，促進國產算力產品的升級迭代。同時，通過雲、邊、端協同發展，聚焦大模型精細化、行業落地以及雲邊端一體化，實現 AI 行業發展。

「中國一定會在 AI 算力層面‘百花齊放’，」張亞林對鈦媒體App表示。

以下是張亞林與鈦媒體的獨家對話速記，經鈦媒體AGI編輯整理：

鈦媒體：近期全國各地都在建 AI 算力集群，那麼，燧原的運營思路是怎樣的？

張亞林：在智算新時代，其實很重要的就是，一個智算（算力）中心如何商業價值變現。

而燧原的策略是用「AIGC+AIDC」雙輪驅動，以解決三個關鍵問題：誰來建設、誰來運營、誰來使用，從而實現真正的商業價值。

具體來說，智算中心是一個龐然大物，這裡面涉及到整個智算中心市場要順利運行，讓它能夠實現商業價值的落地。

第一個就是投建方。如果沒有人投資基礎設施的建設，就沒有基本面。

第二個是真正商業價值變現的運營（實操）方。因為智算中心是一個以3~5年來做運營週期的系統方案。

實際上，如果算商業價值來說，如何讓運營方去通過實現租賃變現賺到錢，其實背後有一套體系。就運營方來說，一次性基礎設施投入包括基建、硬件設備採買、軟件服務和雲服務、大模型預裝，這是智算中心的資本支出（Capital expenditures）。然後還有運營成本支出（Operating expenses），如果以5年計算，每一年運營成本包括運維費用、機器維修費、水電管理費、運維人員管理費、人員成本等等，其實這些都構建成了每一年的運營開銷，乘以五年，成為整個智算中心的投入成本。另外，算力租賃的使用率通常為70%-80%，加上每台服務器的大概金額，可以算出來5年的算力租賃帶來的最終回報。

而這中間就會產生一個價差，如果這個價差是正的話，運營方就能賺到錢，如果是負的話運營方就虧本。當然，這裏還有政策補貼，比如「算力券」、固定投資補貼等。所以，運營方的投入核心就是在兩方面：一是投入的成本、硬件設備和預裝軟件服務成本是否有足夠的性價比；二是算力中心基礎設施是否有足夠的性價比。同時在產出層面，運營方的AI加速卡和設備在運行大模型及其應用時是否有一個合理的價格，從而實現盈利，所以這又涉及到卡的性能是否能達到一定的租賃價格——這其實是一個性價比的問題。

綜合因素考慮下，如果運營方最終要實現商業價值閉環，就誰來運營，就需要去評估整個商業價值閉環。

第三點是「誰來應用」，也就是應用方，這是非常重要的一個問題。

首先，應用方是由誰來牽引，算力提供方、基礎設施提供方、投建方還是運營方；第二，這些客戶願不願意購買你的算力，租賃你的算力，所以這又回到剛剛涉及的，就是你的卡好不好用、易不易用，本身產品有沒有性價比，包括政府的政策和補貼，加一起是否有足夠吸引力，這些其實是比較關鍵的。

舉例來說，如果今天因為你的產品具有性價比，客戶願意租賃服務器，然後能夠用滿，比如（未來）在3年到5年，你的服務器上架率或者使用率能夠達到80%以上，甚至超過90%的話，整個算力的利潤空間就會上升，背後其實是一個商業帳。反之，如果產品面不行、性價比不行、或者政策補貼力度不夠，最終用戶群體不夠多，就會產生算力使用率不飽和、空置率等現象，導致算力利潤偏低。

所以，智算中心就是「誰來投建、誰來運營、誰來使用」這樣一個商業邏輯的概念。

新的形勢下，國內的算力建設趨於「後輪驅動」，也就是有多少客戶使用，來催生是否有企業願意運營，是否有人願意投建。所以，新的智算中心商業變現業態，首先是本身產品有足夠的性價比，租賃價格有足夠的吸引力，生態有足夠的泛化性，才能讓更多用戶有租賃的意願，或者是租賃的訂單。這樣你拿到訂單之後，才能讓運營商願意入場，進而反向推動投建方的信心，從而實現智算中心的商業化。

因此，整個智算中心如果是實現商業閉環的話，最後就回到了一個核心點：誰來用、多少人願意用、大家願意出多少錢來用……這些終極問題。

目前在國內，首先絕大部分算力消納需求大的用戶還是在互聯網；其次可能是垂直行業與央國企，最後是初創大模型公司等。所以，對於中國的算力提供商來說，最重要的就是能不能夠真正找到跟你產品有更大範圍結合的用戶，願意為你的產品買單的用戶群體有多少，它會驅動企業未來能夠實現數據中心的商業閉環的力度有多大。

鈦媒體：AI 和半導體產業存在一定的週期性，長期來看，一旦這輪 AI 熱潮降下來，智算中心就很難有滿載率。那麼，燧原如何解決這一挑戰？

張亞林：這其實是智算中心的「商業測算」概念。舉個例子。假設智算中心是5年的一個運營週期，中間可能會經歷波峰和波穀，我不能只看現在的情況，所以這是一個整體測算的問題。

整體測算裡面分兩類：第一類是有的客戶願意承租3~5年，根據自身的業務發展，也考慮了一定的風險，長期租賃的價格相對會中和一些；第二類是短期客戶，根據業務的彈性需求進行租賃，價格相對高，也會承擔算力供應的風險。

所以從宏觀角度來講，智算中心在一個測算過程中，是一個平均使用率的概念。因此，需要有一個比較謹慎的方式進行測算，肯定不能用100%的峰值去測算平均使用率。

通常保守估計，用70%-80%左右去衡量平均使用率，這樣的話至少在5年之內可以平均波峰波穀情況，當然具體還是要看運營成本、空置率和平均使用時長等，從而保證智算中心在5年的運營週期中是可以盈利的。

但其實，中國的智算中心都還在前一、兩年的商業模式探索過程中，只是一個初始階段。隨著時間的推移，設備會折舊、算法會演進、波峰波穀會出現，很多的事情會發生變化，

然而另一個問題是，儘管我們可能沒有辦法完全預測未來這幾年的一個變化，但至少，我們現階段在第一步智算中心的建設裡面，遵照「誰來使用，誰來運營，誰來投建」這種合理的商業模式，合理的邏輯線，這是必須的。

鈦媒體：AI 和算力半導體領域都具有很長的週期性，也就是「長期主義」，但國內資本卻需要募投管退的短期需求，那麼，燧原如何在新的變局環境下解決長期和短線問題？

張亞林：這是非常好的問題。

這樣一個長期主義過程中，企業規模化、商業化爬坡時比較慢的，它需要更多產品迭代、生態擴充、客戶群的擴大，還有 AI 本身的技術趨勢不斷變革。

所以，我認為需要做到三個點解決變局問題：開源，節流，以及持續構建生態護城河。

一是開源。

通過產品不斷迭代，持續擴大收入，持續提高毛利，持續構建能落地、規模化的商業模式。收入一定要高速成長，毛利要穩健，商業模式要清晰。只有這樣，才能吸引更多長期主義資本的投資。中國也鼓勵長期資本的存在，能夠給商業面的持續增長信心的話，我覺得長期資本是願意陪伴你的。如果能穩健增長，你的商業模式不斷清晰，客戶群不斷擴大，你的自我造血能力不斷增強，長期主義的資本也會不停的加持你。

第二個是節流。

節流並不是一個反義詞。一個公司本身的組織效能、運營效能，反映了公司持續高效運作的一個根本。公司在發展過程中，一開始大家都比較有熱情、動力和活力，但隨著時間拉長，各種問題出現，很多公司就出現了各種疲態，甚至出現離職潮，這就是在擴大和成長過程中出現了組織問題。有些公司在規模化過程中也遇到了供應鏈問題，無法規模化供貨，也無法提升毛利，這都跟內部管理機制有關。所以企業一定要持續提升你的運營效率、組織效率，持續打造一個有戰鬥力、有活力的團隊，讓你的開發能力、開發效能提高，從而更好降低你的產品成本，提升你的毛利。

節流和開源是相輔相成的。企業需要在開源和節流層面做更多工作，讓資本、合作夥伴相信你能穩健運營公司。

三是持續構建生態護城河。

實際上，高科技企業都遵循了一個原則，就是如果前期（幾年甚至10年）的發展需要迭代的話，它其實是一個緩步前行的過程。所以發展的曲線的斜面斜率是比較平緩的，但是到了某個時間點之後，你會產生一個「拐點效應」，就是產品的爆發點，或公司實現規模化的爆發點，背後其實是取決於你的產品，取決於生態的基本面。而「生態」其實是一個廣義的生態，包含你的產品技術實力、泛化性、客戶群，生態夥伴的能力和加持力。所以，在一個企業的發展曲線過程中，通過積累和打磨，你的產品是否會出現一個拐點式的增長，實現高速式的發展，這其實是非常關鍵的。

因此，你必須要持續投入精力在生態構建上，持續的打磨產品，以及建立各種合縱連橫的商業模式，打造出生態的護城河，從而能夠突出重圍、穿越週期。

鈦媒體：AI 大模型算力背後最核心的是生態，相對於國外方案，燧原科技在國產算力生態當中面臨哪些挑戰？

張亞林：我們現在看到的生態有兩類：一類是技術生態，另一類是產業生態。

整條產業鏈其實是極其複雜的，它是 「一盤棋」。而對於技術生態來說，其實就是衝破原有生態的壁壘，找到國內的軟硬件技術夥伴進行泛化，不斷擴大。

實際上，從硬件算力，到技術軟件棧，再到整體部署開發，在 AI 領域，這一套東西其實就遇到很多挑戰。

第一個挑戰是完備性問題。整套技術底座能夠真正被開發者使用，因此，這裡面很多軟硬件模塊需要開發、擴大，這是一個龐大的生態系統。面對千萬計的開發者群體，你要加入的技術模塊就很多，包括編譯器、加速庫、框架、分佈式計算等一些專業詞彙的模塊，而每一個模塊都需要大量的人力和外部的生態夥伴一起來打磨，從而最終形成一個成熟、高性能、高效的底座。

第二個挑戰是易用性問題。大模型算力工具最終是提供給開發者，他們好不好用、易不易用、能不能成為生產力工具才是最重要的。當然，易用性也不是一蹴而就的，但隨著用戶量越來越高，反饋越來越多，產品迭代越來越多，越來越符合用戶的使用習慣，才能變得易用。

第三個挑戰是泛化性問題。在大模型之前，我們經歷了計算機視覺（CV)、自然語言理解（NLP）、推薦和廣告搜索等時期，AI 的泛化和基本面都是不斷變動的。這是一個很長線的過程，這是它的難度所在。

而對於一家本土AI 算力提供商來說，如何通過以點帶線、以線帶面打磨你的生態，一步步「泛化」到互聯網、金融、醫療、智慧交通等領域。這其實是一個生態打磨的過程，我認為這個過程沒有太多捷徑可走

回到技術生態層面，你如何堅持到生態拐點很重要。

同時，在數據中心產業生態層面，需要各種公有雲和私有雲，大模型廠商，以及集成部署運維運營商等生態夥伴齊心協力，才能夠把智算中心持續發展下來。因此，找到一個可複製的生態打法至關重要，需要不斷把生態「蛋糕」做大，形成商業模式的「閉環」。

鈦媒體：在你看來，如何定義通用人工智能（AGI）的未來？

張亞林：我認為，每個人心中都有AGI，有些人可能認為它和人一樣，有些人認為它是比人更高質量的一個智慧體。但是不管怎麼說，就是我們如何去漸進式接近 AGI 這個定義。

在我看來，AGI解決的一個終極問題是人的助手，或者是說如何更好的幫助人、解放生產力，以更好的方式進一步提升工作的質量和效率。

整體來說，AI 還是一個增效的作用，因為到目前為止，我們還沒有看到 AI 從增效到主導智能。

如果再往GPT-5、GPT-6發展的話，我們看到大型智能體的通用智能性越來越強，也就是跟人的智慧越來越接近。如果說GPT-4是高中生水平的話，GPT-5可能到研究生或者博士生水平。

AGI還是在一個正常的思考水平或者日常生活水平，需要基於一個人正常思維上進行判斷，而不是在更高的洞察力、靈感甚至抽像思維層面去判斷。所以，如果按正常人類思維判斷的話，AGI這種主動型 AI 思維模式逐步增強，最終還是跟人成為相伴的一個助手。

鈦媒體：當前形勢下，行業如何發力國產 AI 算力生態？

張亞林：整體來看，在Scaling Law法則下，我們確實在系統集約化上相對落後。第一，GPT-5的發佈開始停滯了，是否能像摩亞定律一樣不斷髮展，其實是一個問號；第二，完全通過Scaling Law進行 AI 訓練，模型才是最有效方式，需要我們從更多元的方式進行發展。

未來幾年會比較有意思，因為全球都會面臨能源製約、大模型系統複雜度越來越高、精準化模型和專家化模型發展等諸多問題的限制，所以在 AI 算力訓練部署上會發生一些變化。而中國垂直行業分工是最細的，應用的智能化程度遠超國外，因此以端側場景和人的接受度來推演，一定會倒逼 AI 推理部署往邊緣和端側發展，由此國內 AI 算力通過雲、邊、端一體化方式快速發展，未必完全受限於雲端算力。

所以，未來中國如何更好的部署端側、雲端 AI 算力，如何發揮中國在通信網絡分佈式調度措施，如何讓算力更加符合場景，如何聚焦大模型的精細化、行業落地以及雲邊端一體化，賦能基礎網絡，這些才是比較關鍵的。

在我看來，中國未來一定會在 AI 算力層面「百花齊放」。

（本文正選鈦媒體App，作者｜林誌佳，編輯｜胡潤峰）