從“有算力”進化到“好用且用得起”。

2025年12月3日，「甲子光年」在北京萬達文華酒店圓滿舉辦“轟然成勢，萬象歸一”2025甲子引力年終盛典。

在下午的AI模型、基礎(chǔ)設(shè)施與生態(tài)建設(shè)專場中，「甲子光年」特邀六位來自基礎(chǔ)設(shè)施關(guān)鍵環(huán)節(jié)的實踐者——庭宇科技聯(lián)合創(chuàng)始人&CTO陶清乾、清程極智聯(lián)合創(chuàng)始人&產(chǎn)品副總裁師天麾、GMI Cloud工程VP錢宇靖、Zilliz合伙人&產(chǎn)品負責(zé)人郭人通、科杰科技聯(lián)合創(chuàng)始人兼副總裁朱建勇，在主持人共績科技聯(lián)合創(chuàng)始人&CMO杜昔熺的引導(dǎo)下，圍繞主題《AI基礎(chǔ)設(shè)施建設(shè)下一步的著力點在哪里？》展開了一場務(wù)實而前瞻的對話。

從算力調(diào)度、數(shù)據(jù)治理到軟件棧優(yōu)化，AI基礎(chǔ)設(shè)施的成熟度，直接關(guān)乎技術(shù)能否從演示走向規(guī)?；瑥某杀局行霓D(zhuǎn)化為生產(chǎn)力引擎。

然而，當(dāng)前的基礎(chǔ)設(shè)施版圖仍充滿挑戰(zhàn)：算力是否“好用且用得起”？數(shù)據(jù)如何真正“就緒”？軟件棧又如何彌合硬件與場景的鴻溝？

本場圓桌直擊核心矛盾：在算力、數(shù)據(jù)、軟件棧與商業(yè)模式的“木桶”中，究竟哪一塊是最短的木板？嘉賓們從邊緣云調(diào)度、推理引擎優(yōu)化、全球化算力服務(wù)、向量數(shù)據(jù)庫演進、數(shù)據(jù)平臺重構(gòu)等多重維度，剖析了當(dāng)前制約AI規(guī)?；涞氐恼鎸嵠款i。

討論進一步延伸至對未來殺手級應(yīng)用的預(yù)測——無論是視頻生成、企業(yè)智能體還是AI編程助手，其爆發(fā)都將對現(xiàn)有基礎(chǔ)設(shè)施提出更為苛刻的要求。

從識別短板到構(gòu)筑長板，從應(yīng)對當(dāng)下到備戰(zhàn)未來，這場對話不僅勾勒出AI基礎(chǔ)設(shè)施演進的技術(shù)圖譜，更揭示了其背后深刻的產(chǎn)業(yè)邏輯與全球化競爭態(tài)勢。

以下是本場圓桌的文字實錄，經(jīng)「甲子光年」編輯，在不改變原意的基礎(chǔ)上略有刪改。

杜昔熺（主持人）：各位嘉賓、朋友們下午好，我是主持人杜昔熺（主持人），也是共績科技聯(lián)合創(chuàng)始人。今天很榮幸與各位專家在甲子光年盛會中探討關(guān)鍵議題——在全面邁向AI+時代、構(gòu)建開放協(xié)同生態(tài)的進程中，扎實的AI基礎(chǔ)設(shè)施正是這一切的根基。首先，請各位用一分鐘簡單介紹自己和公司，從陶總開始。

陶清乾：大家好，庭宇科技成立于2019年，是一家邊緣云技術(shù)服務(wù)商，專注于分布式算力與網(wǎng)絡(luò)場景。近年來重點布局AI算力基礎(chǔ)設(shè)施與Agent Infra解決方案，已積累多項行業(yè)落地經(jīng)驗。很高興在此與各位交流。

師天麾：大家好，我是清程極智師天麾。公司于2023年底成立，團隊源自清華大學(xué)高性能計算所，專注于AI Infra系統(tǒng)軟件層，提供訓(xùn)練、推理、微調(diào)的端到端優(yōu)化。目前客戶涵蓋多家國產(chǎn)芯片廠商、算力中心，以及石油、金融等行業(yè)企業(yè)，助力實現(xiàn)降本增效。

錢宇靖：大家好，我是GMI Cloud錢宇靖。GMI Cloud是全球首發(fā)六大Reference Platform NVIDIA Cloud Partner之一，總部位于硅谷，業(yè)務(wù)覆蓋從GPU集群建設(shè)、基礎(chǔ)設(shè)施即服務(wù)到模型即服務(wù)的全鏈條；主要服務(wù)美國本土及出海企業(yè)，目前正在建設(shè)亞洲首個萬卡GPU集群的AI Factory。

郭人通：大家好，我是Zilliz的郭人通。Zilliz專注于向量數(shù)據(jù)庫賽道，開源項目Milvus廣泛應(yīng)用于RAG、Agent等場景。我們已實現(xiàn)商業(yè)化，產(chǎn)品與服務(wù)覆蓋全球。面對AI數(shù)據(jù)指數(shù)級增長，我們正探索將向量數(shù)據(jù)庫演進為AI數(shù)據(jù)上下文數(shù)據(jù)庫，以應(yīng)對基礎(chǔ)設(shè)施層面的挑戰(zhàn)。

朱建勇：大家好，我是科杰科技朱建勇?？平芸萍紝Ｗ⒂谌斯ぶ悄?數(shù)據(jù)基礎(chǔ)設(shè)施領(lǐng)域，核心產(chǎn)品數(shù)據(jù)智能平臺KeenData Lakehouse服務(wù)于大型央國企，構(gòu)建Data與AI一體化底座，推動數(shù)據(jù)要素流通與發(fā)展。目前已服務(wù)超200家客戶，覆蓋20多個行業(yè)，并拓展至東南亞、中東等海外市場。很高興今日與各位同行交流。

1.AI基礎(chǔ)設(shè)施如何制約AI應(yīng)用的規(guī)?；涞?？

杜昔熺（主持人）：謝謝幾位嘉賓。接下來進入核心環(huán)節(jié)：如果把AI基礎(chǔ)設(shè)施比作一個木桶，算力、數(shù)據(jù)、軟件棧、人才等都是木板。大家認為，當(dāng)前制約中國AI應(yīng)用規(guī)模化落地的最短的那塊木板是什么？為什么？

陶清乾：我認為是軟件技術(shù)棧和工具鏈。國內(nèi)AI應(yīng)用落地速度很快，算力等基礎(chǔ)設(shè)施也具備優(yōu)勢，但應(yīng)用層仍多停留在聊天、問答等場景。要讓Agent真正在“執(zhí)行層”上替代人、完成任務(wù)，實現(xiàn)“最后一公里”，還有很長的路要走。這是我們庭宇科技正在努力探索的方向。

師天麾：我認為短板在算力硬件與軟件棧之間的協(xié)同。國內(nèi)常討論算力緊缺，但實際上不少算力并未被充分利用，核心在于硬件與軟件的適配不夠好，導(dǎo)致硬件“不好用”。我們開源的“赤兔推理引擎”，正致力于屏蔽底層硬件差異，統(tǒng)一接口，讓國產(chǎn)GPU能先被方便地用起來，再逐步優(yōu)化性能與性價比。

錢宇靖：從出海視角來看，判斷短板其實很簡單——就看token的生命周期：從一個token的需求發(fā)起，到它被及時返回，總耗時有多長？空置的token又被浪費了多少？

國內(nèi)企業(yè)出海，首先面臨算力掣肘；其次對海外算力不夠了解，不知道通過什么渠道獲??；當(dāng)算力不足時，又該如何通過托管服務(wù)等方式找到平價替代方案。這正是我們GMI Cloud致力于解決的問題：幫助企業(yè)最大化GPU利用率，匹配最合適的算力，從而優(yōu)化整個token的生命周期。

郭人通：在討論 AI 在國內(nèi)的大規(guī)模落地時，大家通常會從數(shù)據(jù)、算力、軟件棧等基礎(chǔ)設(shè)施維度去尋找瓶頸。但如果只聚焦單一市場，例如僅從中國市場來看，這些要素本身往往并不會構(gòu)成不可逾越的障礙。真正的問題出現(xiàn)在全球化視角下：當(dāng)企業(yè)不再只服務(wù)單一市場，而是面向多區(qū)域、多國家同步推進 AI 應(yīng)用時，人才、組織能力與基礎(chǔ)設(shè)施之間的協(xié)同短板便會被迅速放大。

如今，行業(yè)更多從全球化視角思考問題，例如出?；驀H化。AI應(yīng)用迭代必須迅速，一旦試點成功，就需快速向全球復(fù)制擴張。我們看到許多客戶同時耕耘中國市場，并計劃同步拓展歐美、東南亞等地。在運營模式上，有的設(shè)立國內(nèi)外雙實體，有的則將成本中心置于國內(nèi)，業(yè)務(wù)面向全球。

無論采取何種模式，在高速擴張過程中，我剛才提到的那些基礎(chǔ)設(shè)施要素——我不希望每個市場都成為彼此割裂的“煙囪”。恰恰在此處，現(xiàn)有的基礎(chǔ)軟件棧存在顯著缺口：每進入一個新區(qū)域，都不得不重新構(gòu)建許多組件。此時，短板效應(yīng)便尤為突出。

以我們所在的向量數(shù)據(jù)庫領(lǐng)域為例，關(guān)鍵在于能否在不同區(qū)域快速部署同一套系統(tǒng)，以支持業(yè)務(wù)的全球高速擴張，同時滿足各地區(qū)的合規(guī)、安全與隱私要求。我認為，這些在落地實踐中浮現(xiàn)的問題，比通常討論的技術(shù)瓶頸更值得關(guān)注。

朱建勇：我認為在AI時代，算法、算力和數(shù)據(jù)是影響落地的三大核心要素。從產(chǎn)業(yè)結(jié)構(gòu)看，國內(nèi)已建設(shè)大量超算與智算中心，算力層面并無明顯差距。算法層面，無論是DeepSeek、通義等大模型，國內(nèi)外也并無本質(zhì)差異。

最核心的短板在于數(shù)據(jù)。要將數(shù)據(jù)真正貨幣化，必須首先解決“數(shù)據(jù)就緒”問題。當(dāng)前面臨三大挑戰(zhàn)：

第一，過去互聯(lián)網(wǎng)和移動互聯(lián)網(wǎng)積累的海量數(shù)據(jù)，在AI時代如何更高效地存儲、計算和流通利用。

第二，從數(shù)據(jù)庫、數(shù)據(jù)平臺到AI基礎(chǔ)設(shè)施時代，多元異構(gòu)數(shù)據(jù)的融合處理問題。

第三，AI落地需要規(guī)?；七M，傳統(tǒng)數(shù)據(jù)倉庫或平臺已無法滿足大規(guī)模、廣泛落地的需求，這對基礎(chǔ)設(shè)施提出了全新挑戰(zhàn)。

杜昔熺（主持人）：接下來請?zhí)湛倧倪吘壴婆c算力調(diào)度的視角回答：除了規(guī)模擴張，下一代算力基礎(chǔ)設(shè)施需要在調(diào)度與服務(wù)層面實現(xiàn)哪些關(guān)鍵突破，才能讓我們從“有算力”進化到“好用且用得起”？

陶清乾：這個問題很多企業(yè)都在面對。結(jié)合庭宇科技在分布式算力領(lǐng)域的實踐，我認為需要實現(xiàn)三層突破：

第一層是異構(gòu)適配與池化。無論是早期布局的渲染算力，還是當(dāng)前的推理算力，核心邏輯都是將分散的算力集中池化使用。因此，首先要解決異構(gòu)硬件、IDC環(huán)境與網(wǎng)絡(luò)的通用化接入問題，這是基礎(chǔ)。

第二層是性能與效能的工程優(yōu)化。在推理算力領(lǐng)域，如何通過軟件工程與大規(guī)模實踐，將推理效用最大化，是讓算力“好用”的關(guān)鍵。這需要深厚的技術(shù)積累與工程化能力。

第三層是場景化調(diào)度與服務(wù)性價比?；A(chǔ)設(shè)施要具備持續(xù)競爭力，最終要看服務(wù)性價比。這就需要基于多樣化場景需求，在不同時間、不同場景下靈活調(diào)度同一批算力，通過覆蓋更多行業(yè)應(yīng)用來提升整體利用率。

從渲染算力到推理算力，我們始終遵循這三個層次的實踐邏輯。

庭宇科技聯(lián)合創(chuàng)始人&CTO陶清乾

杜昔熺（主持人）：謝謝陶總。我們可以進一步聚焦到具體的計算任務(wù)和集群內(nèi)部——如何將每一塊GPU的潛力壓榨到極致，這是個工程上的硬骨頭。錢總，您之前在硅谷頂尖實驗室和科技公司有過全棧經(jīng)驗，現(xiàn)在在GMI Cloud負責(zé)面向全球開發(fā)者的高性能推理平臺。在您看來，若要構(gòu)建一個全球統(tǒng)一的推理引擎，當(dāng)前制約性能與成本的核心瓶頸是什么？GMI Cloud如何應(yīng)對？

錢宇靖：這個問題可以從兩個方向看：調(diào)度層與推理軟件棧。

首先是調(diào)度層。對出海企業(yè)而言，業(yè)務(wù)往往按區(qū)域推進，需要在每個區(qū)域部署充足算力，或考慮將負載調(diào)度到較遠的算力節(jié)點。調(diào)度層的效率直接影響成本——客戶按卡時計費，既不愿算力閑置，也怕流量高峰時無算力可用。因此，我們建立了涵蓋自運維集群與第三方數(shù)據(jù)中心的統(tǒng)一管控平臺，以實現(xiàn)高效的GPU全局調(diào)度。

其次是推理軟件棧。這方面的優(yōu)化已從一兩年前的實驗室階段快速普及，如今開源社區(qū)的性能已逐步逼近閉源方案。因此，軟件棧層面的性能差距會持續(xù)縮小、趨于充分競爭，潛力將被不斷挖掘。

綜合來看，軟件層的優(yōu)化空間會越來越趨于飽和，而硬件調(diào)度層的全局優(yōu)化，仍然是提升推理性能與成本效率的關(guān)鍵。

GMI Cloud工程VP錢宇靖

杜昔熺（主持人）：謝謝錢總從出海視角的分享。師總，您在清程極智專注于大模型落地，在您看來，當(dāng)企業(yè)將大模型投入生產(chǎn)環(huán)境時，在推理性能、成本和穩(wěn)定性方面，最常見的瓶頸是什么？在推理基礎(chǔ)設(shè)施層面，我們應(yīng)該優(yōu)先解決哪些問題，比如延遲、吞吐還是資源隔離？

師天麾：關(guān)于性能，關(guān)鍵在于結(jié)合具體場景、硬件條件與應(yīng)用需求進行優(yōu)化。相同硬件經(jīng)不同調(diào)優(yōu)，效果可能差距顯著。為此我們通常與客戶深入溝通，明確其硬件配置、并發(fā)規(guī)模及延遲要求，并由專家協(xié)助實現(xiàn)目標性能。

成本問題通常更為根本，主要體現(xiàn)在兩方面：一是算力成本。我們通過軟件優(yōu)化降低硬件需求，例如將所需機器數(shù)量從二十臺減少至十臺。但目前許多企業(yè)尚未充分認識到軟件在GPU時代的關(guān)鍵作用——不同水平的代碼可能導(dǎo)致數(shù)十倍甚至上百倍的性能差異。值得欣慰的是，AI基礎(chǔ)設(shè)施軟件層的重要性正日益獲得重視。

二是隱性成本，尤其是人才成本。AI基礎(chǔ)設(shè)施領(lǐng)域人才稀缺、薪酬高昂，且培養(yǎng)周期長，企業(yè)自建團隊難度大、成本高。因此，我們常與算力運營商合作，整合其硬件資源與我們的軟件能力，形成互補。

至于穩(wěn)定性，推理階段相比大規(guī)模訓(xùn)練更易把控，局部故障通常不影響整體服務(wù)，因此并非主要瓶頸。我們更關(guān)注的，始終是在性能與成本之間為用戶實現(xiàn)最優(yōu)平衡與增效。

清程極智聯(lián)合創(chuàng)始人&產(chǎn)品副總裁師天麾

杜昔熺（主持人）：謝謝師總。郭總，我們知道推理服務(wù)離不開對模型及數(shù)據(jù)的管理。RAG是目前增強大模型知識的主流方案，向量數(shù)據(jù)庫是其核心。但此前業(yè)界曾有質(zhì)疑，認為向量數(shù)據(jù)庫可能只是過渡方案。站在當(dāng)下，您認為向量數(shù)據(jù)庫在AI基礎(chǔ)設(shè)施中的核心價值是什么？與一兩年相比有何變化？下一步發(fā)展的關(guān)鍵點又是什么？

郭人通：這個問題在去年討論很多，但近半年已很少聽到。當(dāng)前AI落地主要分兩個方向：一是大模型廠商追求的通用智能，二是企業(yè)在垂直領(lǐng)域解決大模型不擅長的問題。

如今大家更傾向于將模型能力與外部知識分開：模型負責(zé)決策，垂直領(lǐng)域的事實性知識則通過向量數(shù)據(jù)庫等方式提供。這不僅是為了對抗幻覺，行業(yè)還在結(jié)合知識圖譜乃至更嚴格的邏輯建模方法來提升可靠性。

我們觀察到，AI處理復(fù)雜任務(wù)時所依賴的上下文數(shù)據(jù)正呈指數(shù)級增長。僅看向量數(shù)據(jù)，頭部客戶的規(guī)模每年就以約十倍的速度增長。從成本與效果上看，將所有事實知識都編碼進大模型是不現(xiàn)實的。因此，未來一定是數(shù)據(jù)基礎(chǔ)設(shè)施與上層大模型決策能力緊密協(xié)作的格局。

Zilliz合伙人&產(chǎn)品負責(zé)人郭人通

杜昔熺（主持人）：確實，無論是訓(xùn)練還是RAG，根基都在于高質(zhì)量的數(shù)據(jù)。沒有可靠的數(shù)據(jù)，再好的算力和模型都是空轉(zhuǎn)。朱總，在AI時代，傳統(tǒng)的數(shù)據(jù)湖、數(shù)據(jù)倉庫與新興的AI數(shù)據(jù)管理需求之間，您認為出現(xiàn)了怎樣的差距？

朱建勇：當(dāng)前企業(yè)推進AI落地時確實感受到明顯挑戰(zhàn)。傳統(tǒng)數(shù)據(jù)庫主要處理結(jié)構(gòu)化數(shù)據(jù)，用于經(jīng)營分析；數(shù)據(jù)湖技術(shù)則引入了非結(jié)構(gòu)化數(shù)據(jù)處理能力。而AI時代的需求更進一步，需要統(tǒng)一存儲和處理多模態(tài)數(shù)據(jù)，并實現(xiàn)數(shù)據(jù)工程與AI工程的深度融合。

從技術(shù)產(chǎn)品層面，新一代AI基礎(chǔ)設(shè)施需解決四個核心：

1.多模態(tài)數(shù)據(jù)的統(tǒng)一存儲計算與底層GPU算力的動態(tài)調(diào)度；

2.數(shù)據(jù)全生命周期（從采集、清洗到模型調(diào)優(yōu)、Agent部署）與AI工程流程的深度融合；

3.依托數(shù)據(jù)治理與AI能力，構(gòu)建高質(zhì)量、可實時響應(yīng)的數(shù)據(jù)集；

4.實現(xiàn)數(shù)據(jù)資源的高效管理與運用。

此外，面向大型組織落地時，僅有優(yōu)秀的產(chǎn)品技術(shù)還不夠，更需要一套適配AI時代的工作方法論——將工程能力、技術(shù)產(chǎn)品與具體業(yè)務(wù)場景結(jié)合，形成可推廣的AI運營與落地體系。因此，產(chǎn)品技術(shù)與方法論的結(jié)合，是AI時代與傳統(tǒng)數(shù)據(jù)管理最本質(zhì)的區(qū)別。

科杰科技聯(lián)合創(chuàng)始人兼副總裁朱建勇

2.下一個殺手級AI應(yīng)用在哪里？

杜昔熺（主持人）：謝謝朱總。剛才我們探討了數(shù)據(jù)、應(yīng)用、推理引擎等多個層面?，F(xiàn)在想請五位嘉賓共同思考：除了當(dāng)前的C端應(yīng)用（如聊天機器人、文生圖），下一波殺手級的AI應(yīng)用可能出現(xiàn)在哪個領(lǐng)域？它又會對AI基礎(chǔ)設(shè)施提出哪些今天尚未準備好、更為苛刻的新要求？

陶清乾：從人機交互形態(tài)來看，我們會從文字、圖文走向更豐富的視頻、3D乃至虛擬現(xiàn)實交互。因此，AI應(yīng)用也將從聊天、文生圖演進為支持雙向、多模態(tài)的擬真互動。

其次，AI將逐步替代人在終端上執(zhí)行的重復(fù)性、低價值或易出錯的任務(wù)。這要求Agent具備規(guī)劃與執(zhí)行復(fù)雜任務(wù)的能力。下一波應(yīng)用爆發(fā)時，必然需要更完善的Agent基礎(chǔ)設(shè)施和行業(yè)解決方案來突破“復(fù)雜任務(wù)執(zhí)行”這一關(guān)鍵瓶頸。

師天麾：剛才陶總說的交互式，包括元宇宙、虛擬現(xiàn)實這些，我覺得會是一個未來，只不過這個未來可能會稍微遠一點。近一點的未來看，互聯(lián)網(wǎng)發(fā)展到現(xiàn)在，技術(shù)可以變，人的需求是不會變的，大家最后喜歡的形態(tài)還是視頻，比如現(xiàn)在短視頻、短劇，這個力量非常大。所以我感覺下一個出現(xiàn)點是更好的圖片和視頻的生成。

現(xiàn)在最大的問題是又慢又貴，慢是一個點，但貴是很要命的。我之前跟一個動畫導(dǎo)演聊過，他們是做動態(tài)漫畫的，把文字先變成圖片，再動起來，比普通漫畫感官好一點。但我看了他們的全流程，有50%以上都可以用AI來降本增效?？伤f實際上只有20%-30%能用AI，其他還得靠人工。為什么？因為AI太貴了。如果放到二三線城市，人工成本沒那么高，但用AI生成視頻的話，可能兩分鐘就把人一天的工資給干完了。這個時代太貴了，尤其像圖片、視頻還有抽卡機制，生成一次效果不行，得生成四次甚至十次，本來一次成本就高，十次真的扛不住。

因此，基礎(chǔ)設(shè)施必須圍繞圖片、視頻等多模態(tài)架構(gòu)，在軟件、硬件與算法層面進行系統(tǒng)性協(xié)同優(yōu)化，切實提升速度、壓低成本，這是必然的發(fā)展路徑。

我們?nèi)ツ昃透鷶?shù)科技一起合作，幫他們把圖片生成工作流從30秒降到6秒。今年我們也繼續(xù)在多模態(tài)上優(yōu)化，明年應(yīng)該也會做出更好的效果。

錢宇靖：從出海視角看，海外AI軟件服務(wù)市場前景廣闊，這一點已成為共識。但近期一項研究報告指出，目前可能僅有5%的企業(yè)真正用上了AI，其余95%的嘗試均告失敗。

這一現(xiàn)象值得關(guān)注。當(dāng)前以傳統(tǒng)軟件服務(wù)模式引入AI，無論在基礎(chǔ)設(shè)施還是產(chǎn)品形態(tài)上，或許都尚未成熟。我認為下一個殺手級應(yīng)用必然是企業(yè)內(nèi)部AI的大規(guī)模普及，無論是通過AI Agent實現(xiàn)自動化，還是借助生成式模型推動行業(yè)整體升級。

無論何種形式，都必須從行業(yè)內(nèi)部出發(fā)，形成自上而下的應(yīng)用路徑，而非依賴外部推銷軟件。從AI基礎(chǔ)設(shè)施的角度看，這帶來了明確的挑戰(zhàn)：私有化部署、企業(yè)內(nèi)部算力整合、數(shù)據(jù)安全與合規(guī)要求，以及全球化場景下的多租戶解決方案支持。

這正是當(dāng)前AI基礎(chǔ)設(shè)施層面最突出的問題，也是GMI Cloud持續(xù)致力于解決的——幫助企業(yè)以合規(guī)、安全的方式，在全球范圍內(nèi)落地AI基礎(chǔ)設(shè)施。

郭人通：我最期待Coding領(lǐng)域的突破?，F(xiàn)在更多是小型項目，但如果Coding加Agent能handle中型甚至大型項目，整個故事就完全不一樣了。

現(xiàn)在基礎(chǔ)設(shè)施標準化，業(yè)務(wù)千變?nèi)f化。如果AI和Agent在底層也有強能力，廠商拼的就是復(fù)雜度控制。早些年超大型C語言分布式系統(tǒng)項目，我們能控制的復(fù)雜度很低。如果Agent進來，能幫我們抬金字塔高度，負責(zé)很多力氣活和規(guī)?；瘡?fù)雜度，我們就有能力構(gòu)建更復(fù)雜軟件系統(tǒng)。

另外，國內(nèi)做私有部署和定制化反而是優(yōu)勢，有能力接受這些定制化，而且不是以人力方式支撐企業(yè)營收增長。我確實很期待這個方向突破。

朱建勇：最近Databricks新融資估值1300億美金，透露兩個信息：

第一，接近40億美金年化收入，50%年化增長支撐1300億估值。

第二，基于傳統(tǒng)Lakehouse能力引入AI人才，包括Agent，形成數(shù)據(jù)加模型加Agent一站式企業(yè)級服務(wù)戰(zhàn)略。

這個定位對行業(yè)有顛覆性。很多組件型廠商面臨挑戰(zhàn)，比如數(shù)據(jù)庫廠商、標注企業(yè)廠商、模型廠商、垂類Agent廠商等。

我認為這個定位蠻OK的，AI落地一定是基于數(shù)據(jù)加模型加Agent端到端的形式。

杜昔熺（主持人）：感謝各位分享。時間關(guān)系，圓桌接近尾聲。最后請每位嘉賓用一句話總結(jié)：貴公司致力于打造的不可替代價值是什么？客戶為何選擇你們？

共績科技聯(lián)合創(chuàng)始人&CMO杜昔熺

陶清乾：庭宇始終堅持分布式算力路線，在兩大場景優(yōu)勢突出：一是為智能體提供運行所需的基礎(chǔ)設(shè)施環(huán)境；二是未來大規(guī)模、高性價比的推理需求將逐步下沉至邊緣。這是我們持續(xù)深耕的方向。

師天麾：清程極智專注于根據(jù)客戶實際場景與硬件需求（無論國產(chǎn)或海外），提供定制化性能優(yōu)化。憑借在性能優(yōu)化領(lǐng)域的持續(xù)深耕，我們旨在成為企業(yè)不可或缺的算力合作伙伴。

錢宇靖：GMI致力于提供AI原生的一站式出海算力解決方案，核心是服務(wù)好客戶的每一個Infra 需求，無論是Baremetal，還是Token。

郭人通：Zilliz作為AI原生數(shù)據(jù)庫基礎(chǔ)設(shè)施，關(guān)鍵詞是“擴展”。一方面助力出海客戶實現(xiàn)全球化服務(wù)的擴展；另一方面，當(dāng)AI應(yīng)用流量爆發(fā)時，確保底層基礎(chǔ)設(shè)施能穩(wěn)健承接，應(yīng)對每周可能出現(xiàn)的指數(shù)級數(shù)據(jù)增長與超大規(guī)模系統(tǒng)挑戰(zhàn)。

朱建勇：科杰科技始終致力于成為企業(yè)級Data&AI技術(shù)引領(lǐng)者。我們面向大型組織，構(gòu)建數(shù)據(jù)底座以支撐其轉(zhuǎn)型；同時，積極響應(yīng)國家數(shù)據(jù)要素流通戰(zhàn)略，以基礎(chǔ)設(shè)施能力為數(shù)字經(jīng)濟發(fā)展貢獻力量。我們堅信，中國科技企業(yè)有能力和擔(dān)當(dāng)走向全球，在AI時代競爭中做出應(yīng)有貢獻。

杜昔熺（主持人）：謝謝朱總，也再次感謝各位嘉賓的精彩分享。希望臺上臺下都有所收獲。祝大家工作順利，萬事如意！

（封面圖及文中配圖來源：2025甲子引力年終盛典）