獨家| AI基建，商湯必須贏的中場戰事

商湯科技聯合創始人、大裝置事業群總裁楊帆（圖右）光錐智能創始

文｜魏琳華

采訪、編輯｜王一粟

2003年，在西雅圖的湖邊，一次看似隨意的討論改變了亞馬遜的命運軌跡。彼時，現任亞馬遜CEO安迪·賈西在這場會上提了一個“超前”的想法——云計算服務。

這個想法基于自身的需求而生。彼時，因為要花費很多時間來建立存儲、計算和數據庫，項目實際花費的時間比他們應該花費的時間要長得多。

創始人貝索斯聽完，當即決定撥給安迪一個57人的團隊，這就是AWS的開端。

回望這段歷程，賈西感慨：“有人問我們靠什么成為行業標桿？答案從來不是某款芯片或某項服務，而是我們始終相信，做大基建不是燒錢，是給客戶搭建通往數字時代的平價橋梁。”

從落地到真正成熟，傳統云計算市場走了十幾年。作為變量，AI的出現，讓為之服務的基礎設施重新回到了快速發展的黃金時代。

“我們當初沒有想到的是，這兩年的變化會如此之快，”商湯科技聯合創始人、大裝置事業群總裁楊帆向光錐智能坦言。

2019年，在AI 1.0時代，類似的選擇擺在了商湯面前。為了支持研發，商湯做了一個在當時難以看到盈利希望的決定——搭建臨港智算中心。

楊帆回憶，當年投臨港算力中心的時候，他們很難預料到GPT會爆火，也不認為它會在3-5年內回本。“做這件事，只是覺得行業最后一定會成功。”

基于長期主義的押注，最終成為AI 2.0時代的船票，商湯如愿通過轉型，坐上了AI基礎設施第一梯隊的牌桌。

這次轉身，商湯又做出了一個和行業步調不完全一致的決定，它被命名為“大裝置”業務。

“大裝置是人工智能基礎設施，大家可能更直接感受到的是算力，但其實又不僅僅是算力，是平臺工具，是一切能夠讓AI成本和門檻更低的基礎能力供給的總和。”楊帆這樣定義大裝置業務。

回望今年的發展延續主線，商湯做了兩個關鍵的事情：降低門檻、降低成本，為的是能夠把業務向下沉，沉到產業落地的各個環節中，讓商湯成為產業端的AI基礎設施供應商。

商湯大裝置業務的發展，關乎一家公司如何在技術理想與商業現實的鋼絲上尋求平衡，更關乎在這個充滿變數的新時代，構建AI基礎設施的路徑。

AI基礎設施的“破曉”時刻，萬億市場重畫起跑線

如果說2006年是云計算落地的元年，那么當下的AI基礎設施市場，正彌漫著相似的氣息。

作為足以顛覆現有格局的變量，AI打破了傳統云計算市場逐漸固化的格局。政策支撐、行業激增的需求和供應鏈的持續變化，都給這個市場注入了新的可能性。

翻倍增長的算力需求，印證了這個市場的龐大規模。以谷歌為例，它今年Q2披露的Token消耗達到了每月960萬億次，對比一個月前在I/O大會上放出的480萬億次，直接翻了一倍。

需求井噴的情況下，持續變化的供應鏈和AI技術，又給AI基礎設施的競爭帶來很多的不確定性。

“如果傳統的云市場，只要下一個巨大的采購訂單鎖掉市場的芯片，再把定價打個8折，（頭部巨頭）靠成本就能殺死其他競爭者。”楊帆說。

但在行業上下游都處在摸索和變化的階段，這種資金打法暫時“失靈”了。

一方面，作為算力核心，GPU芯片市場近兩年經歷了產品快速迭代和價格“大跳水”。英偉達的H卡為例，其采購價從剛剛上市到現在，兩年時間內下探超過40%。另一方面，下游需求的快速變化，也對AI基礎設施的服務提出了更多新的要求。

這些變化，既讓行業充滿了不確定性，也同樣給了新興廠商和巨頭“掰手腕”的機會。

當下，資金的雄厚與否不再是唯一的決定性因素，技術理解力、生態整合能力和對變化的快速響應能力，成為了更重要的“勝負手”。

在新的競爭格局中，通過調整定位，商湯如愿成為AI基礎設施第一梯隊的玩家。

評價商湯整體業務的發展，可以從財報中窺見轉型成果。今年上半年，商湯集團從同比50%以上的虧損收窄，到生成式AI收入在總收入占比超過77%，可以說，生成式AI已經順利挑起集團轉型的重擔。

眼前的增長，只是AI基礎設施發展的開端。在商湯的眼中，除了穩定AI企業的發展外，對傳統市場的服務還存在大量亟待解決的問題。

“全中國、全世界可能70—80%的目光還是看聚焦在C端上的創新產品、工具。”楊帆說，“這當然很好，我們去看整個中國的產業結構，最重要的還是核心產業和制造業。”

當市場的盤子足夠大的時候，分化自然發生。

用楊帆的話說，中國的市場“太大了”，針對服務到消費端的基礎設施和服務到產業端的基礎設施，每一個都可能成為萬億甚至更大量級的市場。

“基礎設施的供應者，很難說有一家企業能把兩端都做好，因為它的需求差異是天然存在的，越往細做，差異化就會越大。”楊帆解釋道。

在方向的抉擇中，商湯決定聚焦在產業端基礎設施，瞄準B端賽道。

比起聽起來更具吸引力的C端業務不同，楊帆認為，雖然傳統行業的增長率沒有前者突出，但長期沉淀下來，服務B端業務的優勢會讓商湯擁有更厚的壁壘。

這一定位，決定了商湯接下來的所有戰術動作，都將圍繞著“如何更懂行業、如何更貼近產業”展開。

AI基建，如何更懂行業？

在上游和下游快速變化的今天，AI基礎服務商們面臨的挑戰，絕不只在算力上。

“大家理解的一般意義上的基礎設施，最核心的部分是軟件平臺、硬件服務器算力。但在此之外，其實還有很多的能力值得我們去優化。”楊帆說。

在他看來，AI基礎設施不僅僅是算力，是平臺工具，是一切能夠讓AI成本和門檻更低的基礎能力供給的總和。這也是商湯對大裝置業務的定義。

從去年確立“大裝置-大模型-應用”的“三位一體”戰略后，進入2025年，這一戰略的核心動作變得更加清晰和聚焦：深入行業，結合產業的真實需求進行深度適配和優化。

回顧今年的進展，楊帆反復提到的兩個成果，一是推動技術國產化適配，二是深入不同行業的解決方案。

“技術上我們堅定地推進國產化，”楊帆透露，“去年底，我們為重量級的客戶，用四種不同國產廠商的芯片，構建了一個5000卡的算力集群。在這個集群上，通過軟件棧的深度優化，最終異構訓練效率可達同構的95%。”

在供應鏈快速變動的當下，商湯也找到了更多關鍵的合作者，這種結合也體現在推動技術國產化上。

“當我們去做B端AI基礎設施的時候，未來中間產業的生態其實會更加豐富多樣，這個過程中其實我們是可以找到很多企業合作，”楊帆說，“他有資源和成本優勢，我們擁有的是技術的創新能力和對客戶的理解，從而形成更好的聯盟和合作。”

楊帆提及，商湯是首批與昇騰910C 384超節點率先完成全面適配的公司，讓多租戶、大規模、彈性AI云服務成為可能。這使得商湯不僅能夠使用國產芯片，更能“用好”國產芯片。

在推動底層基座國產化的基礎上，商湯今年在落地上做的也更深了。

“AI本身是一門數據科學，”楊帆指出，“你今天提供一套再好的硬件和軟件，如果不跟客戶自身的數據治理、業務流程做深度整合，就一定不能為客戶創造真正的價值。”

因此，商湯選擇了一條更“重”但更有效的路徑：深入不同行業，針對差異化需求，提供更加貼合的解決方案。

2025年，商湯的合作版圖覆蓋的行業更廣了。據楊帆透露，今年商湯合作了視頻生成、具身智能、AI4S國家級平臺、傳統產業頭部公司等。

和企業交流的過程中，楊帆意識到，大模型當下在企業中解決的問題都存在一定共性。比如為企業打造知識庫、幫助企業內部辦公提效等。但對于不同行業來說，為了解決需求，需要服務商圍繞行業做更多的針對性工作。

楊帆舉了個例子：在和中鐵第一勘察設計院合作中，他們需要做一個能夠對規劃圖紙具備理解能力的模型平臺。其中涉及文本、圖紙、公式等大量異構數據，同時又要求模型具備扎實的工程規范、地質條件、結構安全等行業知識儲備。

這一平臺的知識庫體量達到420GB，標準規范涵蓋1400多冊、歷史項目數據超20萬份。在內部測試中，該平臺針對28000條問答測試的準確率都維持在90%以上。

楊帆提到，他們的計劃是將大模型從勘察設計推廣到施工、運營維護的全產業鏈應用，并結合各環節的特性重構知識庫體系。

而這種探索的最大價值就在于，大模型作為一項通用技術，一旦在某一行業跑通驗證，其技術邏輯與應用模式便能快速復用到其他領域。

再以AI工具體系為例，產品側同樣存在大量需要服務介入的空間。

“它更像一個工具箱，而不像一個供應鏈，因為企業需要大量的組合工具去面對不同場景。”楊帆打了個比方，“類似一堆樂高積木，但你需要組裝對應的產品，什么環節該用什么樣的工具，不同行業差異性比較大，這時候就需要我們的經驗介入。”

從技術國產化到行業解決方案，商湯大裝置的“特別”之處在于，它不是一個算力工廠，而是一個能夠感知產業脈搏、并隨之進化的全面解決方案。

用楊帆的話說，“往行業去做深，針對不同的客戶，才能給出更加貼合需求的終端價值差異化。”

榨成本、降門檻，如何真正落到行業深處？

戰略的宏大敘事，最終要落腳于戰術的精妙執行。

商湯“深入產業”的核心方法論，可以歸結為兩個樸素卻難做到極致的詞：“榨”成本、“降”門檻。

在AI時代，成本的核心是算力成本，而算力成本的背后，還包括電力成本和資源利用效率。商湯的降本之道，是一場覆蓋從數據中心物理層到上層軟件任務調度的全棧式革命。

楊帆提及，在傳統意義上的軟件平臺、硬件服務器、算力之外，整個基礎設施還有很多能力值得企業去優化。

“我們今年干了一個比較有意思的事情，在臨港的智算中心上搭建了一個AIDC 算電協同平臺，實現了算力與能源的精準匹配。”楊帆分享道。

商湯臨港AIDC是亞洲最大的人工智能計算中心之一，其能耗管理本身就是一個難題。

為此，商湯今年通過和寧德時代的合作，在智算中心配備了大型儲能設備，并從IDC機房、硬件服務器到上層軟件任務的信息和數據打通，從而獲得任務和電力消耗之間的完整數據鏈路。

利用這些數據，商湯訓練了一個專門的AI模型，其可以精準預測未來15分鐘內的用電量變化。當用電量能夠被準確預測，儲能設備可以基于用電需求做出更精準的匹配，從而實現節電的目標。

“通過這種方式，整個數據中心的用電量節省了大約4%。”楊帆透露。對于一個年耗電量以億度計的超級智算中心而言，這是一筆不小的節省。

除去底層算力的成本控制，落實到項目上，就變成了算力和成本之間的平衡取舍。

楊帆認為，在項目全流程中，首先需要通過專家介入，根據任務“量體裁衣”，從而精準把握其對算力與帶寬的實際需求范圍，匹配資源并優化利用率。在此基礎上，實現算力資源的高效利用和系統層面的適配調優。

通過這種從宏觀到微觀的多方位成本控制，商湯正在努力將AI的使用成本“榨”到極致。

如果說降低成本是讓企業“用得起”AI，那么降低門檻就是讓企業“用得上”和“用得好”AI。

“當我們真正走到這些行業時，你會發現，今天僅僅提供平臺、算力，哪怕你把工具鏈做得再標準，實際上對于企業來說，還是會有一個很高的門檻。”楊帆坦言。

對此，商湯當下推行的模式是，通過服務配合軟硬件。同時，作為CV四小龍之一，商湯自己走過了從研發到落地的每個環節，這也意味著，他們在各個環節中的經驗和資源，都能共享給合作方。這也是當下硅谷最為流行的FDE概念的“中國版本”。

以今年爆火的具身智能為例，商湯能提供的不僅僅是算力支撐和工具體系，還能在供應鏈、生態和成熟技術方面提供支持，讓每一項資源“拿來即用”。幫助客戶縮短研發的時間和資源成本。

“我們原來做視覺，而具身智能中多模態交互模型對于機器人廠商是剛需，我們就可以直接幫助他們快速落地，”楊帆說，“再有就是生態合作，比如我們會和人形機器人廠商一起去建數采廠，因為合作經驗相對豐富，那么我們還能給合作方提供生態底座支持。”

一方面，商湯正在把所有的經驗、資源復制到合作中；另一方面，商湯還在親自下場，探索行業中優化成本、資源的新可能。

在AI應用的生產流程中，還存在大量需要人力銜接的“縫隙”，這些縫隙既是效率的瓶頸，也是成本的黑洞。

“打個比方，商湯要做的是支撐視頻生產業務，而不是只支撐視頻模型的迭代。”楊帆說。為此，他們也在探索環節之間的縫隙優化。

以短劇為例，楊帆分享，商湯內部孵化了一個小的團隊，負責拆解短劇生產的各個環節，并在不同環節中使用更匹配的模型能力，從而把整個生產的鏈路用AI串起來。

“從生成前的參考文本、圖片到故事梗概，再到人物形象生成、場景分鏡制作，最后再把這些生成的短視頻串連成完整的作品，實際上它包含七八個環節的業務邏輯。”楊帆說，“我們要做的就是整體環節的任務拆解和資源分配，既支持微調，又能保證整體效率提升。”

短劇生成只是商湯服務優化的一個縮影，接下來，商湯圍繞各個行業場景，在工具層面做適配優化。這也會成為商湯和其他企業拉開差距的壁壘。

AI基礎設施市場，迎來“長跑期”

當下，所有AI基礎設施服務商都在面臨著變化的沖擊：一個來自上游，是芯片供應鏈的劇烈動蕩；另一個來自下游，是模型技術浪潮的顛覆性迭代。

面對快速變化的市場，沒有任何一家企業能做出完全準確的預判和準備。但商湯的不變和堅持，恰恰是應對“變”的解法。

對于許多從IT或傳統云計算轉型的玩家而言，他們的視角是從“云”望向“AI”，思考的是如何將AI能力“嫁接”到現有的云平臺之上。而商湯的視角恰恰相反，作為大模型的創造者和重度使用者，他們從AI能力出發，去審視和構建“基礎設施”。

為此，商湯接受在某些階段“少掙錢”，在一些階段則有意識地去做更重要的事情。

“湯老師當年的夢想是希望中國的人工智能產業發展壯大能做的更好，為了這個愿景，我覺得我們可以比一個普通的商業公司更看淡一些其他的東西。”楊帆說。“我們當年投臨港算力中心的時候，很難預料到GPT-3.5的爆火，也不認為它會在3-5年內回本。做這件事情，只是覺得行業最后一定會成功。”

在AI 1.0時代搭建的大裝置業務，最終成為AI 2.0時代商湯調整的底氣。

如今，當AI作為變量，把所有企業拉回到同一條起跑線上，洗牌隨時可能發生。談及市場未來的競爭格局，楊帆抱有更樂觀的態度。

“我有信心，商湯能一直能坐在牌桌上。”楊帆說，“當下，如果對AI沒有理解，我覺得是根本沒法在局里玩。而商湯應該是唯一的一家，身上貼著‘AI’標簽遠大于‘云’標簽的廠商。”

從鐵路的鋪設、電網的構建，到自來水系統的普及，人類歷史上任何一項真正改變世界的基礎設施，其建設周期都是以十年甚至數十年計。楊帆認為，它們在初期都伴隨著巨大的投入、技術的不確定性和商業模式的摸索，但一旦建成，其釋放的價值將是指數級，并成為后續千行百業落地的基石。

“我跟集團和團隊講，AI基礎設施的發展是個長跑，可能大家要做好熬上十年的準備。”楊帆說。