“算力资源应该平权，我们希望有限的资源服务更多的客户，从而帮助中小企业大胆追求技术创新。”
在此次高工智算巡回交流的过程中，七号智算副总裁龙孝晗用了一句话来概括其对下一阶段的判断。
但这个观点和做法，放在今天的供需关系对调的算力行情市场，这并不是一种最“省事”的做法。
去年至今，高端 GPU 供应持续紧张，大额算力订单密集出现。一份足够大的合同可以迅速消纳设备，合同金额大、周期长，也更容易匹配融资。这也是算力服务商中更常见的路径。
但“一份足够大的合同”这种简单且财报表现好的商业模式却与七号智算的经营理念不一致，七号智算选择了服务更多零散的客户。
客户要一个个找，项目要一个个谈，每家企业使用的模型、数据和集群规模不同，设备最终落在哪里也不一样。客户越多，服务器选型、集群部署和后续运维就越难标准化。
但七号智算还是选择把更多算力资源拆进更多终端客户的项目里。把自己变得服务更重，扩张更慢，也更难复制。
同样是做算力服务，同样是把硬件变成固定资产持续投入，不同企业为什么会走向不同的路？
算力设备这门生意，究竟应该围绕硬件做大，还是围绕客户做深？
01 3200 平方米交付中心日测 128 台服务器
七号智算成立于 2023 年 12 月，与 2022 年大语言模型 LLM 带来的算力扩张几乎同时起步。
公司精准定位自己为 MAAS（Model As A Service）模型服务商，围绕模型产业提供服务例如：模型厂商需要数据采集，可提供数据采集方案；需要 GPU 训练，可提供训练 Infra；需要存储，可提供自研的高性能和对象存储。
据公司介绍，目前七号智算已获国家高新技术企业认定，拥有 35 项软件著作权和 4 项专利。
在广州，七号智算建有超过 3200 平方米的高性能 GPU 服务器交付中心以及 2000 方的配套供应链周转仓库，主要承担 GPU 服务器出货前的配料、组装、压测、模型性能验证等交付工作。
公司建有 2 个精密空调微模块机房，日均可完成 128 台高性能服务器的性能压力测试，将 10%~20% 左右的 GPU 故障排除在出货之前。此外，还在规划液冷机房与液冷设备维修产线，实现液冷设备的交付与压测。
与之配套的技术服务团队约有 70 至 80 人，覆盖算法、OS 与容器、网络、安全等 4 层技术栈，设备交付以后，服务还会继续延伸到网络、存储、资源调度、性能调优和 7×24 小时运维。从容应对现场交付压力和长效 SLA 运维。
目前，七号智算的客户主要集中在 LLM 模型厂商、自动驾驶、具身智能、AIGC 和量化金融等领域，业务包括 GPU 服务器投资、供应链保供、大规模集群交付、算力服务运营与运维、定制各类型 Token 工厂整体解决方案等。
具体到项目中，公司会根据客户的模型、算法、数据安全要求和部署环境设计配置，再向合作的 OEM、ODM 厂商输入需求，完成整机测试、软件验证和项目交付。
行业特征对算力需求有明显的差异化如：制造、代工出身的企业，对成本非常敏感，允许牺牲研发周期换取极致性价比的解决方案。
而 LLM/E2E/VLA/ WM 之类的模型厂商需要给投资人和市场快速 POC，因此时间是第一要素。
七号智算长期连接供应链上下游和企业客户，客户的第一性需求痛点是打造个性化解决方案的首要考虑因素。
02 从 Scaling Law 驱动走向业务规模驱动
在算力行业的主流叙事里，需求增长的逻辑一度十分直接：模型越来越大，训练所需的 GPU 就越来越多。
但真正进入终端客户的项目之后，七号智算看到的变化并不只发生在模型参数上。应用本身也在生长，数据、部署和业务节奏正在重新决定算力应该怎样被组织。
七号智算目前体量较大的客户主要分布在三类：自动驾驶、机器人和云厂商。
云厂商的使用模式已经相对成熟，而自动驾驶和具身智能正在带来新的变量：算力不再只是集中在一个数据中心里等待调用，而是跟着数据产生的地点、模型迭代的节奏和具体业务一起变化。
自动驾驶：数据闭环驱动长尾迭代，存储与地域成为新变量
一辆 Robotaxi 每天在路上行驶，会产生视频、图像和点云数据。车辆收车后，数据回到后端，经过筛选和标注，再进入训练。
“它跑完，立刻上自己的集群，数据回传，当天训练。”
在龙孝晗看来，自动驾驶已经从前期建设训练能力的阶段，走到了持续迭代的阶段。这个阶段对 GPU 的需求依然强劲，但硬件协同的重心开始发生转移。
首先是存储成为新的瓶颈。随着海量多模态数据持续注入，训练集群不一定先被 GPU 算力卡住，很多时候，数据能不能及时读出来、能不能稳定写回去，反而决定了整套系统的效率。“现在很多时候，一个集群的瓶颈会出现在存储的 IOPS 上。”
其次是部署开始呈现地域性。Robotaxi 进入一座新城市运营，往往需要在当地或附近安排中型集群，让当天采集的数据尽快回传、处理和训练。这不只是增加几台服务器的问题，还会同时牵动数据安全、网络带宽、机房条件和现场运维。
当数据闭环成为日常工作之后，算力服务就不能只回答“有多少张卡”，还要回答数据在哪里产生、怎样回到训练端，以及这条链路能不能每天稳定运行。
具身智能：从“身体”走向“大脑”，算力成为工厂的生产设施
具身智能的需求在今年出现了一个清晰的切换信号。过去几年，行业更多在解决机器人本体的问题：能不能站立和行走，电机与运动控制怎样配合。
今年，越来越多的机器人公司开始把重心转向“大脑”。
“身体没问题了，但它得看到世界，看懂世界，预判世界。”
这句话对应的是世界模型、VLA（视觉 — 语言 — 动作）等模型训练的推进，也对应着底层服务器需求的快速变化。
早期验证时，几万条数据、两三台服务器可能已经足够；模型跑通之后，数据量很快增加到几百万条，集群规模也随之走向 64 台、128 台。
更远期的工业场景会把这种变化放大。如果一家工厂未来部署两万台机器人，测试机器人以影子模式运行，真实机器人持续工作，每天采集的数据就会形成新的数据飞轮，回传给训练端。
训练集群不再只是研发阶段的一笔投入，而会成为生产设施的一部分。数据采集、仿真数据和后训练数据，都要围绕模型持续迭代。
从自动驾驶再到具身智能，实践正在说明：模型能力涌现阶段所依赖的 Scaling Law，进入真实应用之后，会逐步让位于真实业务规模。
模型有多大仍然重要，但业务每天产生多少数据、需要多快完成迭代、部署在哪些现场，开始决定算力到底要怎样增长。
03 不是所有客户都需要万卡集群
终端需求的分化，正在推动算力供给侧出现更多样的做法。
龙孝晗在交流中多次提到“工作负载 Workload”，因为同样是训练 LLM 的 token 呈现高离散性，智能驾驶分出了级联与 E2E 两种训练场景、具身智能的 VLA 和 AIGC 的 Diffusion，对显存、卡间通信、存储、网络以及集群规模的要求并不相同。
“还是看模型参数量，推理的性能要求以及算法的计算特征如：All to All 多，还是 All reduce 多”
过去两年，算力市场的注意力高度集中在少数旗舰 GPU 上。型号越新、单卡性能越强，越容易获得客户和资金。旗舰训练卡和万卡集群仍然是前沿训练的重要选择，但把视线转向终端行业，客户真正需要的设备开始变得分散。
核心专注力不能只落在顶级数据中心 GPU 上。
有的大厂集中做数据中心 GPU 适配，也有头部企业选择专业级 GPU 和消费级高性能 GPU，围绕自身模型做针对性优化。后者形成的利润空间未必低于数据中心 GPU。
小卡并不是大卡的替代品，模型、算法和业务场景不同，本来就会落到不同的硬件上。客户完成模型适配之后，再按照确定的工作负载组织设备，往往比单纯追逐性能最高的 GPU 更实际。
这种由需求牵引出来的多卡种布局，也客观上分散了供给风险。只押一种卡，一旦供应出现波动，项目很容易陷入被动。
卡型之外，客户获取算力的方式也在变化。采购、租赁、公有云和私有化部署，并不是四个彼此割裂的市场。同一家企业在不同阶段，可能采用完全不同的方式。
项目刚开始时，客户可能购买几台服务器，在本地验证模型；进入集中训练阶段，短时间需要几十台甚至上百台设备，租赁可以更快补足算力；当业务规模和使用周期稳定下来，客户又可能转向长期部署。
数据是否敏感、算力要用多久、需求能否稳定下来，以及客户原有的技术体系，都会影响最终选择，算力服务的内容也随之变深。
公有云的优势是标准化和调用速度，客户需要一批资源，可以迅速开通；但到了垂直行业，模型、算法和硬件之间还要继续适配。
“云厂商很标准化，你直接用它的集群，它是快。但真正到了模型和硬件适配，就需要结合模型、算法和算子继续做优化。”
业务跑起来以后，问题才会逐渐暴露：服务器应该搭配什么 CPU 和 GPU，数据怎样在不同设备之间流动，存储能不能跟上训练速度，网络会不会成为瓶颈，都可能影响整套系统的效率。
这些差异无法完全从参数表上判断，只能放进客户的真实负载中测试。围绕 All reduce、P2P、GDR、RDMA、PD 分离、KV Cache 和分布式存储展开的工程工作，正在成为算力服务中越来越重要的能力。
这类服务很难完全照搬。七号智算会拿已经交付的项目给新客户参考，但最终需要修改的地方仍然很多。多客户模式因此会遇到一个现实问题：如果每接一个项目都从头做一遍，客户越多，需要投入的人也越多，这门生意很难获得规模效应。
但换一个角度看，正是这些难以复制的项目经验，构成了深度服务型企业在价格竞争之外的另一层壁垒。
04 GPU 只是合作的起点
GPU 是当下最容易建立连接的介质。每家企业需要 GPU，每家算力服务商也都在强调自己拿 GPU 的能力和供应渠道。
“GPU 只是当下便于快速建立商业合作链接的物理载体。”
七号智算与一家头部智能驾驶 L4 客户的合作轨迹最能说明问题。双方最初只有算力设备交易，后来逐步延伸到存储方案设计，又共建联合实验室，在底层驱动层面做性能优化，签署年框保障交付，共同对模型推理性能进行调优等。
这种深度不是靠设备价格竞争得来的。项目初期，很多客户只关注设备报价；但深入交流之后，客户往往会重新认识算力服务的价值：硬件只是起点，模型、数据和基础设施能不能协同工作，才决定设备最终能不能产生价值。
客户规模扩大以后，双方继续合作的也未必只是 GPU。只要客户仍然处于技术前沿，还在持续投入研发和基础设施，服务商就能围绕新的需求继续做下去。
七号智算想要的不只是零散的订单。龙孝晗判断，自动驾驶、具身智能和 AIGC 还会出现一批新的大型科技企业，今天规模不大的公司，未来可能成为行业头部。
AI 时代的产业格局远未定型，服务商更重要的工作，是在客户早期用稀缺资源建立连接、提供技术支持，伴随客户一起成长。
“等它成长之后，你不再是一个随时可以替换的供应商，而是它基础设施的一部分。”
客户成长的过程，也会反过来提高服务商的能力。未来几年，更重要的可能不是手里持有多少台服务器，而是跟哪些客户建立了关系，又能随着这些客户走到什么位置。
“升级打怪往上走”，这句话听起来轻松，背后是一个经过计算的成长逻辑。
05 设备终将同质化，什么能力会留下？
今天的算力市场，仍然处在集中补基础设施的阶段。
GPU 供应紧张，服务器、网络和存储都在扩张，银行和地方资金也开始理解算力资产。
“资金有储备，但 GPU 资源稀缺。”
在这个阶段，资产稀缺本身就能产生收益。有设备、有客户，再解决资金问题，业务就可以运转起来。大客户长单、多终端客户、设备销售和算力租赁，都能从这一轮增长中找到空间。
不同模式之间的差别，也因此还没有完全显现。
“这两三年是打基础的时候。基座构建完以后再干什么，大家的方向就会不一样了。”
龙孝晗把今天的 AI 比作智能手机刚刚出现的时候。那时，手机上的应用虽然还不多，但手机厂商和移动互联网服务商已经开始研究基于触摸屏的交互方式，以及怎样把电脑上的使用习惯转移到手机上。
龙孝晗回忆，当年行业里曾反复讨论几个今天看起来很“愚蠢”的问题：“在手机上如何编辑 Office 文档？”“在手机上如何完成银行转账？”“在手机上如何玩射击游戏？”
今天看来，这些问题的答案已经足够简单，甚至不值得单独讨论；但在当时，它们恰恰对应着移动互联网能否成立的基础。
正是这些看似具体、甚至有些笨拙的尝试，逐步把电脑上的使用习惯搬到了手机上。如果等到移动应用大规模出现以后再想着去造手机，时间已经晚了。
AI 也一样。虽然今天的应用还没有完全成熟，看似主要只有 NLP 自然语言处理、DIT 图像与视频处理等几类基础应用底座，但模型能力、算力设施、数据链路和应用场景之间的协同方式，已经需要在真实项目中提前验证。
产业链必须先投入基础设施，并在具体业务里积累使用经验。这也可能成为两三年后行业逐渐分化的起点。
今天看起来，企业都在采购 GPU、持有服务器，做着相似的算力生意。几年以后，有的企业可能留下稳定的大客户和规模化交付能力，有的积累起供应链和资产运营经验。
当 GPU 供给仍然紧张时，拿到设备本身就有价值；供给逐渐增加以后，谁手里有持续付费的客户、谁在客户的基础设施里扎了根、谁积累了工程经验，这些才是下一阶段真正起作用的关键要素。
设备会换代，租金会变化。留下什么，就变成什么样的公司。
免责声明：本文为本网站出于传播商业信息之目的进行转载发布，不代表本网站的观点及立场。本文所涉文、图、音视频等资料之一切权力和法律责任归材料提供方所有和承担。本网站对此咨询文字、图片等所有信息的真实性不作任何保证或承诺，亦不构成任何购买、投资等建议，据此操作者风险自担。