跳转到内容
主站 新闻 控制台

模型触手可及,拉开差距的是 AI 生产力系统

· 量子位
国内AI

AI的下一程是生产力系统之争

大模型狂飙近三年,生成式 AI 正在集体撞上一道冰冷的商业现实之墙。

一边是硅谷与各大实验室在 Benchmark 跑分榜上卷得不可开交——今天宣称参数翻倍,明天夸耀多模态指标封神;另一边,则是极度尴尬的商业化剪刀差:绝大多数 C 端 AI 应用深陷“规模越大、亏损越高”的泥潭。

当模型能力差距日趋收窄,单纯依赖 API 包装套壳的商业模式已被证实难以形成壁垒。海外 AI 视频黑马 Higgsfield 创始人 Alex Mashrabov 曾断言:“AI 应用正死于自研模型的技术虚荣,控制流量路由才是真实护城河。”

但这仅说对了一半。模型路由解决的是“调用效率”,并未解决“交付能力”。仅仅摆脱虚荣跑分、在前端做流量分发,依然无法逃脱被底层通用模型“平推”的命运。

面对这场温水煮青蛙式的危机,海马云创始人兼 CEO 党劲峰给出了另一个极具穿透力的行业洞察:

“消费级 AI 很难挣到钱,放眼全球能做成的只有极少数巨头,真正能落地变现的只有垂直生产力场景。AI 下一程的本质,不是发散的概率生成,而是确定性的系统交付。**模型谁都买得到,真正拉开差距的是算力、Harness(Agent、上下文、工具链)与数据深度咬合的‘生产力发动机’。**没有行业 Agent 与专家轨迹的 AI,终究只是会吐字的玩具。”

海马云旗下的 RunningHub,正是这套系统在 AIGC 领域的具象化落地。

SimilarWeb 数据显示,今年 3 月至 9 月,RunningHub 海内外全站访问量增长了 266%,增速在同期主流 AI 创作平台中位居前列;今年 7 月,海马云联合创始人兼 CTO 温健在接受央视《焦点访谈》采访时透露,平台每月的 Token 消耗量已达 9 万亿。

Image 3

拆解海马云的技术路径不难发现,这家从实时云渲染起家的技术平台正在展示另一种解法:比起单纯依赖 API 堆砌的前端应用,一套融合算力、工具链与数据的垂直生产力系统,才是突破应用层同质化困境的核心支点。

Image 4

算力决定成本底线:决定成本的从不只是模型贵不贵,更是GPU有多少时间在空转

在 AI 应用层,抛开算力谈毛利与商业化,往往是空中楼阁。目前市场上绝大多数纯应用层公司(包括 Higgsfield 等)本质上都以“轻资产”模式运转:缺乏自研算力底座,极度依赖租用第三方云 GPU 或直接透传闭源 API。

这直接导致了两个致命后果:第一,毛利率极易受到上游算力成本的肆意挤压;第二,面对爆发式的商业化调用,算力成本无法做到物理层面的极致优化。

然而,在音视频与图像的真实内容生产流程中,AI 推理与传统的图形渲染是交替发生的生产负载。3D 场景需要渲染,Blender、Unreal 等专业软件运行时重度依赖 GPU,复杂的视频生成与超分辨率合成更是极其消耗计算资源。传统做法是按照业务峰值分别给推理和渲染囤卡,结果必然导致“高峰排队、低谷闲置”。

“所以决定成本的不仅是模型贵不贵,Token 只是 AI 生产成本的一部分。对于图像、视频和 3D 生产,真正决定单位交付成本的,是从推理到渲染的整条计算链路能否高效运转。未来 AI 生产平台比拼的,不只是算力规模,更是异构算力规模化组织和运营调度的效率。”

这本账,是没有底层 GPU 掌控能力的应用公司无法参透的,也是海马云天然的基因壁垒。

海马云成立于 2014 年,从实时云渲染起家,《原神》《黑神话:悟空》等游戏的云游戏服务背后,都有其技术支持;凭借多年积累的 GPU 算力调度能力,它也是国内较早将算力投向 AIGC 的公司之一,如今已完成了从云渲染服务商到 AI 生产力平台的身份跃迁。

经过十年在实时云渲染领域的沉淀,海马云在全球部署了 69 个计算节点,拥有 6 EFLOPS 的算力池。海马云的底层逻辑,是从源头上将异构 GPU 进行池化,将十年来在实时云游戏领域积累的“确定性交付与毫秒级调度”能力,直接复用到 AI 推理上。

在 RunningHub 平台上,同一批 GPU 在不同时段服务图像生成、视频生成和专业渲染等不同负载,由统一调度层根据任务类型、模型大小和时延要求实时分配。这种“渲推一体”的算力调度,将海马云平台的整体算力利用率推到了比行业常见水平高出 70% 的惊人高度。

对于买单的企业客户而言,这意味着极高的性价比;而对于海马云自身而言,自控算力与垂直后训练模型的结合,让其综合毛利率能够稳定保持在行业高位。在“毛利即生死”的 AI 混战中,这种算力级别的池化能力,构成了纯应用公司无法逾越的成本红线。

不卷通用模型参数,死磕补齐真实生产力短板,打通模型到生产的最后一公里

多模态大模型发展至今,一个越来越明显的矛盾是:大模型的概率生成能力日趋惊艳,但一旦跨入真实的工业级生产管线,其实际效果与商业化交付预期之间依然横亘着巨大的断层。

对于背后的原因,党劲峰的答案非常直接:在内容生产领域,发散性的创意需求,决定了通用模型永远存在短板。

语言大模型处理的任务大多是收敛的:代码能否跑通、数学题做得对不对,有清晰的 Benchmark 衡量;但图像和音视频的需求往往是发散的。审美没有标准答案,这种发散性一旦落到严苛的工业生产环节,就会瞬间暴露为具体的工程缺陷——人物变脸、风格漂移、光影穿帮、镜头失控。

更深层的难题在于,创作者极其个性化的审美表达偏好,以及超出常规预训练数据分布的各类天马行空的特效,根本无法仅凭一段简短的 Prompt 被通用底座精准理解并稳定生成。

通用模型追求的是广泛适用,而真实影视级生产要求的则是像素级精准可控,这两种目标之间天然存在能力落差。

基于这样的洞察,海马云做出的战略抉择是:放弃与头部大厂竞争通用模型的参数规模,而是将全部核心资源集中于通用模型的场景化后训练与工程优化上。

依托多年积累的异构 GPU 算力调度底座与深度工程技术能力,海马云从两条路径死磕场景落地,打通算法到生产的最后一公里:

第一,垂直模型后训练,破解企业级交付的“硬工程难题”: 针对真实生产中最棘手的速度、成本、质量与一致性限制,推出 RH 系列垂直模型。

仅在今年 9 月短短 20 天内,海马云就推出了 3 个独家的 RH 系列场景化后训练模型:

  • RH Upscale 超分模型: 突破常规算法限制,在补全皮肤纹理、发丝与织物细节的同时保持主体结构不崩坏,实现低成本、低分辨率一键超分至 4K 商业级画质,横评综合质量在 13 款主流方案中登顶。
  • H3 Lightning: 将采样步数压缩至个位数,叠加跨步缓存与多卡并行优化,在无需数据中心高价 GPU 的 RTX 6000D 节点上,将 5 秒视频生成时间从 6 分钟大幅压缩至 28.7 秒(提速近 12 倍),显著提升专业创作者的实时试错效率;且该方案运行于通过 PCIe 连接、无 NVLink 高速互联的 RTX 6000D 多卡环境,不依赖高端数据中心 GPU,中小团队使用常规多卡服务器即可本地部署,整套方法与复现说明已在 GitHub 上开源。
  • H3 RH Enhanced: 针对多镜头长叙事场景进行一致性后训练,在 16 个镜头以上的复杂任务中,将人物崩坏率降低 60% 以上,调用价格最低仅需 0.18 元/秒。

Image 5

△在 13 个参测配置中,RH Upscale Ultra 以 0.539 分取得综合质量第一;Max 完成一条 5-10 秒测试视频的 2 倍超分平均耗时仅 34 秒。

这种死磕场景落地的能力甚至得到了开源“原厂”的认可——MiniMax 官方正在通过 RunningHub 反向采购 H3 RH Enhanced 供其客户使用。第三方场景化后训练模型反向输出给大模型厂商,这在当前的 AI 行业内极度罕见。这意味着,模型调用的决策权正加速转移至生产现场的反馈端。

第二,打通微调生态机制,将“不可量化的审美偏好”资产化: 除了由平台攻关通用难题,海马云还在过去两年的实践中,沉淀出一套极具壁垒的微调机制。面对通用模型无法理解的个人独特审美、特定画风与高度一致性诉求,海马云支持创作者与企业通过自身作品反复训练、调试,生成专属的 Checkpoint 微调模型与风格化 LoRA,进而无缝接入自动化工作流长期复用。

这一机制将原本抽象的审美风格,沉淀为可被 AI 确切执行的“数字美术资产”。目前 RunningHub 上已沉淀了海量此类风格 LoRA,更有头部手游公司将整套游戏视觉体系训练成专属模型矩阵,实现了从原画到场景的工业级标准输出。

Image 6

Image 7

党劲峰坦言:“我们不为拥有模型而训练模型,只为让 AI 在真实生产中交付结果。AI 产业不需要所有公司都去造大模型,但需要有人让大模型真正干好活。海马云关注的不是模型有多大,而是模型距离真实生产还有多远。模型竞争的终点,不是参数规模,而是生产能力。”

AI应用只是把模型接到对话框,而AI生产力系统是要把模型接进生产线

然而,补齐模型能力只是入场券,生产能力才是分水岭。真正决定 AI 产品竞争力的,不是接入了多少模型,而是能否驾驭模型完成真实生产。

国内外许多纯应用公司仍停留在模型调用层:为模型搭建一个界面,套上对话框或画布,让用户通过 Prompt 驱动 AI。但生产不同于聊天,真实任务也绝非单次 Prompt 即可完成。它依赖任务拆解、多模型协同、工具调用、过程校验与持续迭代,最终交付符合工业级标准的结果。

**对话框解决的是如何使用模型,而生产系统解决的是如何让模型在生产线上协同作业。**这套负责组织模型、上下文与生产工具链,并对最终交付负责的系统,就是 Harness。它决定了 AI 能否从单点生成走向复杂任务执行,从偶发的惊艳效果走向稳定、可规模化的工业生产能力。

“模型可以从市场上买到,真正拉开产品差距的是构建起的 AI 生产力系统。”党劲峰这样认为。

在垂直领域,Harness 的价值已被反复验证。

编程领域有 Anthropic 旗下的 Claude Code,其底层虽是 Claude 模型,但读取代码、修改文件、运行测试、根据报错持续修复的能力,均源自模型外层的那套 Harness;网站生成领域的 Lovable,使用户仅凭一句话便能生成可直接上线的完整网站,今年 8 月完成 4 亿美元 C 轮融资后,其估值达到 133 亿美元;设计领域的 Figma,市值约 115.4 亿美元(截至 11 月 2 日收盘),其核心壁垒早已超越单纯的绘图功能,而是将设计师的素材库、版本历史与协作流程深度沉淀于平台中,构筑了极高的迁移门槛。

在 AIGC 领域,海马云旗下的 RunningHub 则是图像音视频内容生产领域 Harness 的典型代表。

在图像和音视频领域,Harness 的技术门槛要高得多。由于视觉内容生产的需求高度发散,单靠一个对话框根本无法完成最终交付,它需要更长的工具链和更深厚的上下文支撑——从 LoRA 微调、复杂的调度链路,到 Blender、Unreal 等专业软件,再到底层渲推一体的算力,缺一不可。

海马云旗下的 RunningHub 搭建的正是这样一套面向图像与音视频生产的 Harness,Runow、无限画布 rhTV、RHSTORY 等产品则是其核心载体。这套 Harness 的架构由三部分组成:

  • Agent 负责理解意图、拆解任务、调度工具、管控成本和校验质量;
  • 工具链涵盖画布、ComfyUI 工作流、LoRA 训练、云电脑以及 Blender、Unreal 等专业生产软件;
  • 上下文则提供影视、电商、短剧、游戏、建筑等行业深度的专家知识与 know-how。

在海马云看来,未来必将是 Agent 驱动一切的时代:

上下文充足(Context is Enough)、工具链完备(Toolchain is Enough),Agent 就可以完成所有生产环节。

按照这一技术演进逻辑,平台上所有的交互入口,最终都将升级为 Agent 入口。

Image 8

**这首先体现在 RunningHub 的模型动态路由与智能编排上。**面对同一项需求,选用何种模型、按何种顺序调用、耗费多少预算,过去都需要用户逐一摸索尝试;而现在,这些复杂决策正交由 Agent 接管。据海马云介绍,RunningHub 当前已有约 60% 的模型调用由智能动态路由完成:Agent 首先识别用户意图,再结合行业 know-how 的上下文知识进行任务拆解,将轻量任务分派给小模型、复杂任务交由大模型处理;电商商品图、电影级质感画面、短漫剧制作等不同属性的任务,也会被分别调度给最契合的模型。

在新版 Runow 中,这项能力已直接内嵌至产品核心。当“模型偏好”设为“自动”时,Agent 会根据具体任务自动调度 Skill 和适配模型,用户无需预先学习各项模型与工作流的复杂机制;如此一来,不仅交付效果得到保障,综合成本也得到有效控制,避免了在非核心环节产生不必要的大模型算力消耗。

当然,Agent 要真正完成端到端交付,离不开两个前置条件:一是充足的上下文,二是完备的工具链。

**工具链是大模型这个“大脑”长出“手脚”的必要条件。**不同的创作管线所依赖的工具链截然不同,其中工程复杂度最高的当属影视级制作。

影视级制作对成片质量有着极其严苛的标准,人物资产、场景搭建、运镜及镜头调度,每个环节都有精确规范,仅凭与大模型多轮对话几乎不可能完成工业化交付。为此,海马云打通了画布、LoRA 训练、ComfyUI 工作流以及 Blender、Figma、Premiere+云电脑等多重专业工具链,深入嵌入 AIGC 核心制作流程,构建起一套影视级工业生产管线。

Image 9

其中尤为值得关注的,是“Blender + 云电脑”的创新解决方案。Blender 作为三维建模与场景调度的行业级软件,是专业级流程中不可或缺的一环。市场上多数 AIGC 平台所提供的“3D 导演台”大多局限于面向非专业用户的轻量玩具,一旦涉及高精度建模,创作者必须在 AI 平台与本地 Blender 之间频繁切换,导致生产管线断裂。

RunningHub 的破局方案,是依托海马云在云电脑业务中积累的异构容器镜像与应用级统一调度能力,直接将 Blender 这类重度依赖 GPU 且对时延极度敏感的专业生产软件部署于边缘计算节点上,使 Agent 能够直接在 RunningHub 画布中对其实现无缝调用。

用户仅需在画布中以自然语言输入诉求,Harness(系统编排)便会驱动 Agent 自动拉起云电脑中的 Blender 工程执行搭建;若需深度调整,创作者可随时接管同一工程进行人工精调。

Image 10

这种架构的价值远不止于提升制作效率。一方面,专业级创作者的付费意愿与预算规模与普通消费级用户不可同日而语,其商业价值差异正如普通修图 App 用户与 Photoshop 专业用户之别;另一方面,专业用户在原生 Blender 软件中的每一步交互操作,都会沉淀为平台专属的“专家轨迹”,进而反哺 Agent 模型的持续迭代演进,而这正是单纯提供轻量化玩具工具的平台所难以逾越的壁垒。

Image 11

视频地址:
https://mp.weixin.qq.com/s/vJDK570WT8aoEDBwp9lKFQ

影视级人物角色资产的制作,是另一个典型的落地场景。

AIGC 导演 @千堇 是 RunningHub 的典型用户,他曾负责少歌系列等多部 S 级影视、动漫 IP 从策划到制作的全流程。他制作的动画番剧,曾因人物角色 AI 感太重,没能通过播出平台