成立6年多，累计融资额近70亿元人民币，估值已达160亿元（胡润数据）......这是腾讯投资的一家AI算力企业——燧原科技交出的最新成绩单。

　　美国哈佛商学院教授、“颠覆性创新之父”克里斯坦森（Clayton M. Christensen）在研究贝索斯、马斯克等多位顶级创业者后，在《创新者的基因》一书中得出结论：全球经济发展中，创新是生命之源，是企业首要的战略考虑。但同时，一个创新领导者，不仅应该是思考者，更应该是一个会把思考及时付诸行动的人。

　　在中国 AI 算力赛道当中，燧原科技创始人兼COO（首席运营官）张亚林正是这样一位领导者。

　　创立燧原科技之前，张亚林曾在AMD工作了11年，他带领AMD上海研发中心成功开发并量产多颗旗舰处理器，拥有丰富的工程和产品化实战经验。

　　在张亚林的带领下，作为通用人工智能（AGI）算力基础设施服务商，燧原科技已完成 AI 算力产品的开发、量产和规模化落地，涵盖板卡、智算一体机、液冷算力集群以及配套的软件系统。同时，燧原也是腾讯自2018年起持续投资的国产AI算力供应商。

　　张亚林认为，大模型时代下，算力对于中国驱动 AI 技术的发展至关重要。生成式 AI 技术恰恰依赖于底层硬件和软件架构，来执行复杂的算法和处理数据，从而实现智能交互功能，而这一切都离不开算力底座的支持。

　　近日在上海举行的WAIC 2024（世界人工智能大会）前夕，张亚林与钛媒体App进行了独家交流。

　　张亚林对钛媒体App表示，本土算力中心的商业化落地，需要AIDC（智算中心）+AIGC（生成式人工智能）结合形成“双轮驱动”。智算中心“谁来建设、谁来运营、谁来使用”是三个很重要的问题，其关键点在于谁来用。只有用户愿意来使用算力，才有人愿意来运营，投资建设方才能收回成本，形成可持续发展的闭环。

　　如今，燧原科技正不断构建完整的算力中心生态圈。今年5月末，由燧原科技产品提供支撑的宜昌点军智算中心实现运营。从建立到运营仅用1年时间，燧原就完成了300P国产算力建设和交付，并实现上线%。而且，燧原科技还在四川成都、甘肃庆阳等地展开智算中心建设及合作，实现国产智算设施的落地和商业化。

　　张亚林指出，智算中心是一个至少3-5年长周期的落地运营过程，需要投建方、运营方、使用方一起合作共赢。同时，面对短期的市场环境，燧原科技自身需要开源、节流，打造生态护城河，持续构建和打磨生态。

　　展望未来，张亚林强调，中国在 AI 领域垂直应用具有更多的优势，从而会推动国产 AI 算力部署，促进国产算力产品的升级迭代。同时，通过云、边、端协同发展，聚焦大模型精细化、行业落地以及云边端一体化，实现 AI 行业发展。

　　“中国一定会在 AI 算力层面‘百花齐放’，”张亚林对钛媒体App表示。

　　以下是张亚林与钛媒体的独家对话速记，经钛媒体AGI编辑整理：钛媒体：近期全国各地都在建 AI 算力集群，那么，燧原的运营思路是怎样的？

　　张亚林：在智算新时代，其实很重要的就是，一个智算（算力）中心如何商业价值变现。

　　而燧原的策略是用“AIGC+AIDC”双轮驱动，以解决三个关键问题：谁来建设、谁来运营、谁来使用，从而实现真正的商业价值。

　　具体来说，智算中心是一个庞然大物，这里面涉及到整个智算中心市场要顺利运行，让它能够实现商业价值的落地。

　　第二个是真正商业价值变现的运营（实操）方。因为智算中心是一个以3~5年来做运营周期的系统方案。

　　实际上，如果算商业价值来说，如何让运营方去通过实现租赁变现赚到钱，其实背后有一套体系。就运营方来说，一次性基础设施投入包括基建、硬件设备采买、软件服务和云服务、大模型预装，这是智算中心的资本支出（Capital expenditures）。然后还有运营成本支出（Operating expenses），如果以5年计算，每一年运营成本包括运维费用、机器维修费、水电管理费、运维人员管理费、人员成本等等，其实这些都构建成了每一年的运营开销，乘以五年，成为整个智算中心的投入成本。另外，算力租赁的使用率通常为70%-80%，加上每台服务器的大概金额，可以算出来5年的算力租赁带来的最终回报。

　　而这中间就会产生一个价差，如果这个价差是正的话，运营方就能赚到钱，如果是负的话运营方就亏本。当然，这里还有政策补贴，比如“算力券”、固定投资补贴等。所以，运营方的投入核心就是在两方面：一是投入的成本、硬件设备和预装软件服务成本是否有足够的性价比；二是算力中心基础设施是否有足够的性价比。同时在产出层面，运营方的AI加速卡和设备在运行大模型及其应用时是否有一个合理的价格，从而实现盈利，所以这又涉及到卡的性能是否能达到一定的租赁价格——这其实是一个性价比的问题。

　　综合因素考虑下，如果运营方最终要实现商业价值闭环，就谁来运营，就需要去评估整个商业价值闭环。

　　首先，应用方是由谁来牵引，算力提供方、基础设施提供方、投建方还是运营方；第二，这些客户愿不愿意购买你的算力，租赁你的算力，所以这又回到刚刚涉及的，就是你的卡好不好用、易不易用，本身产品有没有性价比，包括政府的政策和补贴，加一起是否有足够吸引力，这些其实是比较关键的。

　　举例来说，如果今天因为你的产品具有性价比，客户愿意租赁服务器，然后能够用满，比如（未来）在3年到5年，你的服务器上架率或者使用率能够达到80%以上，甚至超过90%的话，整个算力的利润空间就会上升，背后其实是一个商业帐。反之，如果产品面不行、性价比不行、或者政策补贴力度不够，最终用户群体不够多，就会产生算力使用率不饱和、空置率等现象，导致算力利润偏低。

　　所以，智算中心就是“谁来投建、谁来运营、谁来使用”这样一个商业逻辑的概念。

　　新的形势下，国内的算力建设趋于“后轮驱动”，也就是有多少客户使用，来催生是否有企业愿意运营，是否有人愿意投建。所以，新的智算中心商业变现业态，首先是本身产品有足够的性价比，租赁价格有足够的吸引力，生态有足够的泛化性，才能让更多用户有租赁的意愿，或者是租赁的订单。这样你拿到订单之后，才能让运营商愿意入场，进而反向推动投建方的信心，从而实现智算中心的商业化。

　　因此，整个智算中心如果是实现商业闭环的话，最后就回到了一个核心点：谁来用、多少人愿意用、大家愿意出多少钱来用......这些终极问题。

　　目前在国内，首先绝大部分算力消纳需求大的用户还是在互联网；其次可能是垂直行业与央国企，最后是初创大模型公司等。所以，对于中国的算力提供商来说，最重要的就是能不能够真正找到跟你产品有更大范围结合的用户，愿意为你的产品买单的用户群体有多少，它会驱动企业未来能够实现数据中心的商业闭环的力度有多大。

　　钛媒体：AI 和半导体产业存在一定的周期性，长期来看，一旦这轮 AI 热潮降下来，智算中心就很难有满载率。那么，燧原如何解决这一挑战？

　　张亚林：这其实是智算中心的“商业测算”概念。举个例子。假设智算中心是5年的一个运营周期，中间可能会经历波峰和波谷，我不能只看现在的情况，所以这是一个整体测算的问题。

　　整体测算里面分两类：第一类是有的客户愿意承租3~5年，根据自身的业务发展，也考虑了一定的风险，长期租赁的价格相对会中和一些；第二类是短期客户，根据业务的弹性需求进行租赁，价格相对高，也会承担算力供应的风险。

　　所以从宏观角度来讲，智算中心在一个测算过程中，是一个平均使用率的概念。因此，需要有一个比较谨慎的方式进行测算，肯定不能用100%的峰值去测算平均使用率。

　　通常保守估计，用70%-80%左右去衡量平均使用率，这样的线年之内可以平均波峰波谷情况，当然具体还是要看运营成本、空置率和平均使用时长等，从而保证智算中心在5年的运营周期中是可以盈利的。

　　但其实，中国的智算中心都还在前一、两年的商业模式探索过程中，只是一个初始阶段。随着时间的推移，设备会折旧、算法会演进、波峰波谷会出现，很多的事情会发生变化，

　　然而另一个问题是，尽管我们可能没有办法完全预测未来这几年的一个变化，但至少，我们现阶段在第一步智算中心的建设里面，遵照“谁来使用，谁来运营，谁来投建”这种合理的商业模式，合理的逻辑线，这是必须的。

　　钛媒体：AI 和算力半导体领域都具有很长的周期性，也就是“长期主义”，但国内资本却需要募投管退的短期需求，那么，燧原如何在新的变局环境下解决长期和短线问题？

　　这样一个长期主义过程中，企业规模化、商业化爬坡时比较慢的，它需要更多产品迭代、生态扩充、客户群的扩大，还有 AI 本身的技术趋势不断变革。

　　所以，我认为需要做到三个点解决变局问题：开源，节流，以及持续构建生态护城河。

　　通过产品不断迭代，持续扩大收入，持续提高毛利，持续构建能落地、规模化的商业模式。收入一定要高速成长，毛利要稳健，商业模式要清晰。只有这样，才能吸引更多长期主义资本的投资。中国也鼓励长期资本的存在，能够给商业面的持续增长信心的话，我觉得长期资本是愿意陪伴你的。如果能稳健增长，你的商业模式不断清晰，客户群不断扩大，你的自我造血能力不断增强，长期主义的资本也会不停的加持你。

　　节流并不是一个反义词。一个公司本身的组织效能、运营效能，反映了公司持续高效运作的一个根本。公司在发展过程中，一开始大家都比较有热情、动力和活力，但随着时间拉长，各种问题出现，很多公司就出现了各种疲态，甚至出现离职潮，这就是在扩大和成长过程中出现了组织问题。有些公司在规模化过程中也遇到了供应链问题，无法规模化供货，也无法提升毛利，这都跟内部管理机制有关。所以企业一定要持续提升你的运营效率、组织效率，持续打造一个有战斗力、有活力的团队，让你的开发能力、开发效能提高，从而更好降低你的产品成本，提升你的毛利。

　　节流和开源是相辅相成的。企业需要在开源和节流层面做更多工作，让资本、合作伙伴相信你能稳健运营公司。

　　实际上，高科技企业都遵循了一个原则，就是如果前期（几年甚至10年）的发展需要迭代的话，它其实是一个缓步前行的过程。所以发展的曲线的斜面斜率是比较平缓的，但是到了某个时间点之后，你会产生一个“拐点效应”，就是产品的爆发点，或公司实现规模化的爆发点，背后其实是取决于你的产品，取决于生态的基本面立博官网入口。而“生态”其实是一个广义的生态，包含你的产品技术实力、泛化性、客户群，生态伙伴的能力和加持力。所以，在一个企业的发展曲线过程中，通过积累和打磨，你的产品是否会出现一个拐点式的增长，实现高速式的发展，这其实是非常关键的。

　　因此，你必须要持续投入精力在生态构建上，持续的打磨产品，以及建立各种合纵连横的商业模式，打造出生态的护城河，从而能够突出重围、穿越周期。

　　钛媒体：AI 大模型算力背后最核心的是生态，相对于国外方案，燧原科技在国产算力生态当中面临哪些挑战？

　　整条产业链其实是极其复杂的，它是 “一盘棋”。而对于技术生态来说，其实就是冲破原有生态的壁垒，找到国内的软硬件技术伙伴进行泛化，不断扩大。

　　实际上，从硬件算力，到技术软件栈，再到整体部署开发，在 AI 领域，这一套东西其实就遇到很多挑战。

　　第一个挑战是完备性问题。整套技术底座能够真正被开发者使用，因此，这里面很多软硬件模块需要开发、扩大，这是一个庞大的生态系统。面对千万计的开发者群体，你要加入的技术模块就很多，包括编译器、加速库、框架、分布式计算等一些专业词汇的模块，而每一个模块都需要大量的人力和外部的生态伙伴一起来打磨，从而最终形成一个成熟、高性能、高效的底座。

　　第二个挑战是易用性问题。大模型算力工具最终是提供给开发者，他们好不好用、易不易用、能不能成为生产力工具才是最重要的。当然，易用性也不是一蹴而就的，但随着用户量越来越高，反馈越来越多，产品迭代越来越多，越来越符合用户的使用习惯，才能变得易用。

　　第三个挑战是泛化性问题。在大模型之前，我们经历了计算机视觉（CV)、自然语言理解（NLP）、推荐和广告搜索等时期，AI 的泛化和基本面都是不断变动的。这是一个很长线的过程，这是它的难度所在。

　　而对于一家本土AI 算力提供商来说，如何通过以点带线、以线带面打磨你的生态，一步步“泛化”到互联网、金融、医疗、智慧交通等领域。这其实是一个生态打磨的过程，我认为这个过程没有太多捷径可走

　　同时，在数据中心产业生态层面，需要各种公有云和私有云，大模型厂商，以及集成部署运维运营商等生态伙伴齐心协力，才能够把智算中心持续发展下来。因此，找到一个可复制的生态打法至关重要，需要不断把生态“蛋糕”做大，形成商业模式的“闭环”。

　　张亚林：我认为，每个人心中都有AGI，有些人可能认为它和人一样，有些人认为它是比人更高质量的一个智慧体。但是不管怎么说，就是我们如何去渐进式接近 AGI 这个定义。

　　在我看来，AGI解决的一个终极问题是人的助手，或者是说如何更好的帮助人、解放生产力，以更好的方式进一步提升工作的质量和效率。

　　整体来说，AI 还是一个增效的作用，因为到目前为止，我们还没有看到 AI 从增效到主导智能。

　　如果再往GPT-5、GPT-6发展的话，我们看到大型智能体的通用智能性越来越强，也就是跟人的智慧越来越接近。如果说GPT-4是高中生水平的线可能到研究生或者博士生水平。

　　AGI还是在一个正常的思考水平或者日常生活水平，需要基于一个人正常思维上进行判断，而不是在更高的洞察力、灵感甚至抽象思维层面去判断。所以，如果按正常人类思维判断的话，AGI这种主动型 AI 思维模式逐步增强，最终还是跟人成为相伴的一个助手。

　　张亚林：整体来看，在Scaling Law法则下，我们确实在系统集约化上相对落后。第一，GPT-5的发布开始停滞了，是否能像摩尔定律一样不断发展，其实是一个问号；第二，完全通过Scaling Law进行 AI 训练，模型才是最有效方式，需要我们从更多元的方式进行发展。

　　未来几年会比较有意思，因为全球都会面临能源制约、大模型系统复杂度越来越高、精准化模型和专家化模型发展等诸多问题的限制，所以在 AI 算力训练部署上会发生一些变化。而中国垂直行业分工是最细的，应用的智能化程度远超国外，因此以端侧场景和人的接受度来推演，一定会倒逼 AI 推理部署往边缘和端侧发展，由此国内 AI 算力通过云、边、端一体化方式快速发展，未必完全受限于云端算力。

　　所以，未来中国如何更好的部署端侧、云端 AI 算力，如何发挥中国在通信网络分布式调度措施，如何让算力更加符合场景，如何聚焦大模型的精细化、行业落地以及云边端一体化，赋能基础网络，这些才是比较关键的。立博官网入口立博官网入口立博官网入口