国产算力使能赛道全景 · 美国成熟公司模式对标 · 央国企销售打法 · 渠道代理合作方案 —— 为一次「帮朋友的公司打通销售路径」的合作决策而作。
先用大白话说清楚它做什么、赛道是否成立、公司靠不靠谱、你该怎么切入。
这家公司做什么？你的理解完全正确，而且和公开数据严丝合缝：国内建了大量算力中心，但国产卡（尤其昇腾）适配难、会用的人极少——工信部背景机构信通院的数据显示 2025 年智算中心「用算占比」仅 36.8%[16]，腾讯云与浪潮研究院均指出国内智算中心 GPU 平均利用率不足 30%[16]，媒体概括为「万亿投资、七成空转」。会把国产万卡集群真正跑起来的人才，集中在华为原厂和字节、美团这类头部大厂，中小厂和央国企根本招不到。Amorphoux 做的就是把这层「会用国产卡」的稀缺能力产品化：向下把昇腾等国产芯片调教到能用、好用（算力使能），向上帮央国企、运营商在国产卡上训练自己的行业大模型（训练服务），并试图用 AI 智能体替代人类专家来交付（Agent 化），突破人力瓶颈。
赛道成立吗？成立，且政策与预算是真实可验证的。2026 年规划落地 50+ 个万卡集群；中国移动 2025–2026 年 AI 推理服务器集采 51.12 亿元中，昇腾 CANN 生态标包独占约 34 亿元[26]——运营商已经把「会不会用昇腾」直接写进标书。美国市场同样验证了这个逻辑：让「非 NVIDIA 芯片好用」的 Modular 估值 16 亿美元[54]，靠训练服务起家的 MosaicML 以 13 亿美元卖给 Databricks[39]，靠驻场专家交付企业 AI 的 Palantir 2026 年二季度收入同比增长 93%、市值超 4,000 亿美元[56]。
公司靠不靠谱？团队技术履历是这份 BP 最硬的部分：万卡级国产集群训练、MFU（算力利用率）50%+ 的数据可验证性强，训练侧确实是国内竞对（硅基流动、无问芯穹、基流科技）集体薄弱的环节。但要冷静看到：营收预测激进（12 个月从 0 到 2 亿元）、估值要价高（成立 3 个月即要 10 亿元估值）、Agent 化交付目前仍是构想、且「服务过大客户的履历」不等于「公司已签的合同」。第一章末尾有完整的风险清单。
你的机会在哪？你手上有央企/国企/运营商、投资机构/政府关系、互联网三类资源，恰好覆盖它的前三类目标客户。作为渠道/区域代理，最优切入点是高溢价训练服务的引荐与联合销售（单笔数百万到千万级，行业引荐佣金基准 8–15%，一单千万级项目的佣金即可达百万元），其次是智能体订阅的转售（持续性收入，reseller 折扣基准 20–30%）；应避开低毛利的标准化算力转售（硅基流动招股书披露其公有云 MaaS 毛利率为 −119%[1]，没有给渠道留利润空间）。第五章给出完整的分成基准、协议要点和 90 天行动计划，第六章是签约前必须问清楚的 18 个尽调问题。
赛道真实、时点正确、团队稀缺，但公司处于「履历很硬、合同很少」的最早期。你的正确姿势是：以报备制引荐佣金起步、用 1–2 个你能真实触达的央国企客户跑通第一单，再谈区域/行业独家代理——先用小合作验证它的交付能力，再加码绑定。
本章严格基于 BP v2.0.5 原文归纳，并在末尾给出独立的冷静评估。
BP 的自我定位是「算力 × Agentic Infra × 算力使能基模 × 算力使能智能体」，口号为「Born for AGI. AGI Resource for Every Organization & EveryOne」。它瞄准的是一个供需错配：需求端，AI 应用全面爆发、日均 Token 调用超百万亿，但应用构建大量依赖英伟达芯片——BP 引用 IDC 数据，2025 年中国 AI 加速卡市场英伟达仍占 55%，华为昇腾 20%，其余国产合计约 25%；供给端，英伟达算力进入国内受限，国家力推超大规模智算集群，按相关规划 2026 年将落地 50+ 个万卡集群，3 万卡集群同比增长 233%，10 万卡集群实现从 0 到 1。BP 罗列了 2024 年 2 月至 2026 年 5 月的九项政策节点（国资委央企「AI+」专题推进会、国务院「人工智能+」行动意见、工信部算力标准体系与算力互联互通节点建设、发改委十五五规划与算网融合 34 号文等），论证「未来国产算力会像电力一样无处不在」。
矛盾在于 BP 那句核心判断：「纸面国产算力充沛，算力使能能力不足」。企业买得到国产卡、建得起集群，但跑不起来训练、压不出性能。BP 给出的需求例证包括：招商银行基于 GLM 做「小招」后训练（千卡）、中石油/中石化基于「九天」做石油数据二次训练（千卡）、南网/国网的电网调度潮流计算（千卡）、运营商基模训练（万卡）、蚂蚁的 AI Coding 推理部署（万卡）、银联与交通银行的 GLM 推理部署（百卡）——并断言「企业愿意提供数千万元/年进行训练推理业务」。
BP 把「为什么国产算力用不起来」拆成两个因子相乘：要么开发者够强，要么 Infra 足够好用——目前两头都缺。开发者侧：具备大规模集群实战经验的人才集中在芯片原厂（华为）和头部互联网公司（字节、美团等），薪资高、腰部企业供不起；知识链路纵深（硬件计算—互联—显存—算子—AI 框架—分布式），专家成长周期以年计；且「人力组织不具备 Scaling Law」——堆人不能线性堆出产出。Infra 侧：PyTorch 社区以 CUDA 为一等公民，大量存量代码耦合 NV 后端，模型脚本从 NV 迁到国产常无法运行；Triton 算子因芯片缓存、通信粒度、带宽差异无法直接运行到国产 NPU；多流算子下发顺序导致累计精度误差，同参数配置拿不到一致训练效果；单算子性能从 NV 迁到 NPU 需要以周为单位调优。这一页是全份 BP 技术含金量最高的部分，也与你听到的「适配国产卡困难、利用率很低」完全一致。
BP 的竞争论点是：「推理决定商业化下限，训练决定上限」，而业界集体「缺席」训练——基流科技是算力硬件集群「建筑商」，上层使能不涉及；硅基流动基于 OneFlow 技术班底做自研推理引擎和 Token 工厂，专营推理；无问芯穹主要营收以推理服务为主，训练主打异构算力混合（BP 认为是伪需求）暂无成果。训练之所以门槛高，是因为完整流程（环境准备→精度调试→性能调优→训练负载检测→故障回滚→产出 ckpt）中，精度一致性调试就卡死大部分国产卡训练工作，性能调优涉及编译、分布式、图融合等专业领域，需要超大规模集群实操经验，学习曲线陡峭。第二章会用三家公司的招股书和融资数据独立核实这个论点——结论是基本成立，但「训练市场不存在竞争」的说法有夸大。
围绕国产基础软件构建低成本、高拓展的 Agentic Infra：训推一致、资源部署（共集群/分离集群/混合弹性）、异步 RollOut、空闲资源回收、Multi-Agent 编排、确定性计算——解决训练、推理、强化学习的易用性瓶颈。
基于自研 Infra 训练一个「算力使能基础模型」：能力覆盖训推全流程、多基础工具 RL、多硬件后端、自然语言调用——即把专家经验蒸馏成模型。
任务流编排、模型路由、行业工具组合进化，打通任务规划—工具调用—多 Agent 协同—结果验证链路，目标是复杂交付任务「可控、可靠、可规模化」。BP 内附 Demo：Claude Code 在昇腾 910A 上部署推理服务失败（缺融合算子），其自研智能体凭内置领域知识完成融合算子实现并部署成功。
交付分两档：头部客户用「Infra 专家 + Agent 协作」交付——客户已有自建集群的，提供算力使能服务帮客户用好集群；没有集群的，联合算力建筑方共建或做算力租赁；中长尾客户走 Agent 订阅，客户自行部署、数据闭环反哺能力构建。行业使能层面则与顶尖科学家和链主企业共建：工业仿真、材料设计、世界模型。
| 收入线 | BP 定位 | 内容 | 商业属性 |
|---|---|---|---|
| ① 标准化算力分发 | 基础盘现金流 | 基于高性能推理 Infra，将低价国产算力转换为有效 Token：算力租赁、开源模型部署、Token 调用 | 标准化、走量、低毛利（对标硅基流动） |
| ② 高溢价 AI 训练服务 | 核心利润源 | 面向行业大客户提供 SFT/后训练能力，项目制长协收费，产出模型的推理平台独家代理权 | 项目制、高客单、强技术黏性 |
| ③ 智能体订阅 | 能力验证 + 数据飞轮 | 中长尾客户订阅算力使能智能体，提高企业「利润人效比」 | 可规模化的 recurring revenue |
BP 把整体模式称为算力使能领域的「鸿蒙智行模式」：M（应用端行业大客户：运营商的星辰/九天、南网/中石油/招行、AI4S 的深度原理/深势科技、世界模型的智元/宇树）× 1（Amorphoux 居中连接）× N（算力端：昇腾、曙光/海光、摩尔、沐曦），与大模型厂商的分工是「厂商出训练算法、Amorphoux 出 Infra 能力」。成本结构为算力采购成本 + 专家人力成本（Agent 化后递减）。双飞轮：真实任务越多→轨迹数据越多→Agent 越强→能承接更复杂的专业工作；行业侧则不断蒸馏生物医药、材料、电磁/流体仿真、能源等领域知识。
BP 声称核心团队「万卡训练 Infra 能力国内 TOP」，列出的国产全栈实绩（客户/模型/卡数/MFU）如下：
| 客户 | 模型 | 集群规模 / 芯片代际 | MFU |
|---|---|---|---|
| 中国移动 | 九天 | 1.8 万卡 / A2 | 50%+ |
| 中国电信 | 星辰 | 1 万卡 / A2 | 50%+ |
| 字节跳动 | M 系列 / Seedance | 1 万卡 / A2；1.5 千卡 | 35.6% / 42.1% |
| 美团 | 龙猫 | 10 万卡 / A2 | 33.4% |
| 终端厂商 | 小艺 | 1 万卡 / A3 | 34.7% |
| 鹏城国家实验室 | 脑海 | 4 千卡 / A1 | 30%+ |
注：A1/A2/A3 为昇腾芯片代际的行业俗称（约对应 910A/910B/910C 世代）。MFU（Model FLOPs Utilization）为训练时实际有效算力占芯片理论峰值的比例，是衡量「集群会不会用」的硬指标；国产卡万卡集群 MFU 突破 50% 属于业内顶尖水平（作为参照，Meta 公开的 Llama 3 在 H100 上的 MFU 约 38–43%[63]）。
其他背书性成果：与智谱合作的 GLM-Image——国产芯片全流程训练的开源图像生成模型，登顶 HuggingFace Trending，MFU 超 35%，依托自研 HyperParallel（千卡/万卡规模线性度 90%+）与 AKG 图算融合（降低 20–40% 显存带宽开销）；与昌平国家实验室高毅勤团队的 MEGA-Protein 蛋白质结构预测（世界级榜单第一，基于昇腾 910A 集群，谢晓亮院士公开背书）；与南方电网饶宏院士团队的「驭电」AI 仿真器（潮流计算效率千倍提升，获 2024 年 WAIC SAIL 奖、央企十大国之重器）；与中科大江俊团队的灵境造物智能科学家平台、与商飞吴光辉院士团队的御风·智翼工业气动设计平台。
路线描述为「产品可用—客户付费—行业复制」，12 个月内完成三轮共 9 亿元融资、估值增至 50 亿元、营收从 0 做到 2 亿元。
训练侧空白 + 国产替代刚性 + 央国企「AI+」考核压力，三者同时存在的窗口期真实且稀缺；运营商集采已按 CANN 生态单设标包（详见第二章），预算是真金白银。
万卡 MFU 50%+ 属于全国屈指可数的能力，客户可以用一次 PoC 直接验证真伪，不存在「讲故事验证不了」的问题——这对销售反而是利好。
「现金流（分发）+ 利润（训练）+ 规模化（订阅）」的三层结构，与美国市场活下来的公司形态（第三章）方向一致。
MEGA-Protein、驭电、御风·智翼等案例自带国家级奖项与院士背书，在央国企销售语境里是极强的信任资产。
BP 列出的移动/电信/字节/美团实绩大概率是团队成员在前雇主（华为或大厂）期间的项目履历，而非新公司已签合同。签代理协议前必须逐项核实（见第六章）。
12 个月营收 0→2 亿元，对照同赛道：硅基流动成立第三年（2025）营收 5,533 万元[1]，基流科技第三年做到 5.2 亿但毛利率仅 21.8%[6]。BP 的营收曲线显著快于两家已上市/递表公司的实际轨迹。
成立 0–3 个月即要 10 亿元估值、12 个月要 50 亿元——后者已达到基流科技递表港交所时估值（91.6 亿[6]）的一半以上，而后者有 5.2 亿元收入和 9 万张 GPU 运维实绩。投资人未必接受，融资节奏可能拖慢销售侧资源投入。
公司能力深度绑定昇腾生态，而华为自己也在推 CANN 开源、扩大原厂使能队伍；智谱 2026 年 7 月收购中科加禾补齐算力软件[8]，说明大模型厂商也可能垂直整合这一层。「给原厂补位」与「被原厂替代」只有一线之隔。
BP 的技术构想页明确标注 AS IS（专家人工主导）→ TO BE（Agent 协同）：当前交付仍依赖稀缺专家，Agent 替代人是愿景。在 Agent 成熟前，公司本质是高端人力服务生意，毛利与规模都受人头限制——这正是它自己批评的「人力组织不具备 Scaling Law」。
BP 称训练服务将「产出模型推理平台独家代理」——在央国企语境里，客户花钱训出来的模型把推理运营权独家授予乙方，采购合规上很难成立，谈判时大概率被砍掉。
这些风险大多不影响「有没有得卖」——训练服务和使能能力本身有真实买家；它们影响的是「公司能不能按时交付、你该不该深度绑定」。所以合作结构上先做轻（引荐佣金），验证交付后再做重（区域独家），是对你最有利的路径。
用独立检索的公开数据核实 BP 的行业判断：算力过剩与使能不足并存，是这门生意的地基。
截至 2026 年 3 月，全国智能算力总规模达 1,882 EFLOPS，在用算力中心标准机架超 1,445 万架；仅 2025 年一季度就新增 128 个智算项目、总投资超 4,300 亿元[17]。IDC 数据显示 2025 上半年中国 AI 服务器市场规模 160 亿美元、同比增长超一倍，全年约 259 亿美元，其中推理服务器占 67%、训练占 33%；IDC 预计 2029 年中国加速计算服务器市场将超 1,400 亿美元[20]。政策侧，「算电协同」首次写入 2025 年政府工作报告；工信部 2025 年印发《算力互联互通行动计划》[15]，要求 2026 年建立较完备的标准体系、2028 年基本建成「算力互联网」；国资委自 2024 年起持续推进央企「AI+」专项行动，2025 年 2 月深化部署会明确「三个更加突出」——应用领航、数据赋能、智算筑基，要求央企当好「国家智算基础设施的重要供给者」，并发布首批 16 行业 40 项高价值场景；2026 年世界人工智能大会期间又启动「国资央企智能软件工厂联合筑基工程」，首批 13 家央企参与[23][30]。
市场呈剧烈分化：头部平台算力满负荷，大量中小智算中心在 20–30% 利用率线上挣扎、「卖卡求生」[18]。根因正是你所说的适配困难——业界共识的三大工程风险是 CUDA 生态迁移成本、国产卡算子覆盖缺口、多机训练稳定性。政府开始用真金白银补贴使用侧：多地发放「算力券」，如天津按合同金额 10% 补贴、单企业年上限 200 万元（天津工信局，2025-05）[19]，北京、上海、成都、贵州均有类似政策——这意味着你卖算力服务时，客户实付可以打九折甚至更低，这是销售工具箱里现成的杠杆。另一个预算锚点：华为、浪潮、新华三等的 DeepSeek/Qwen 预装一体机 2026 年标价区间约 80–300 万元/套[29]——央国企愿意为「开箱即用的国产 AI 算力」付的单价已经被市场验证。
中国数据中心加速卡的国产份额从 2023 年 14% 升至 2025 年 34.6%，预计 2027 年超 55%[20][22]。英伟达线的反复强化了这一趋势：H20 于 2025 年 4 月被实质禁售，7 月短暂恢复但被网信办约谈「安全风险」、传出对美缴纳 15% 销售分成，需求遇冷后 2026 年初停产转推 B30 特供芯片，中国市场态度冷淡[21][22]。国产侧全面爆发：瑞穗证券估算昇腾 910 系列 2025 年出货超 70 万颗、2026 年计划约 160 万颗[10]；寒武纪 2025 年营收 64.97 亿元（+453%）、上市以来首次年度盈利，流通市值一度超 5,000 亿元[11]；海光 2025 上半年营收 54.64 亿元（+45%）[12]；摩尔线程 2025 年 12 月登陆科创板（募资 80 亿元，「国产 GPU 第一股」）、8 个月后再启港股[14]；沐曦同月上市首日暴涨 693%[13]。对销售的含义：每一张卖出去的国产卡，都是 Amorphoux 潜在的服务对象——芯片厂商的出货量就是使能服务的市场上限，而这个上限正以每年翻倍的速度扩大。
2026 年恰逢赛道两家头部公司递表港交所，招股书第一次让外界看清了这门生意的真实毛利结构——这是检验 BP 商业模式设计的最好证据。
| 公司 | 定位 | 关键数据（2026-08 检索） | 训练能力 | 对 Amorphoux 的意义 |
|---|---|---|---|---|
| 硅基流动 | 推理 MaaS「Token 工厂」 | 估值 77.4 亿元（B+ 轮），2026-06 完成超 20 亿元 B 轮，2026-07 递表港交所；2025 营收 5,533 万元（+653%）、净亏损 3.45 亿元；注册用户超 1,000 万、企业客户 1.3 万家、日均 Token 5,785 亿；股东含华为哈勃、阿里、美团 | 弱 | 证明推理分发能起量但巨亏；其昇腾合作（率先上线昇腾版满血 DeepSeek）说明昇腾生态卡位有先例 |
| 无问芯穹 | 多元异构算力调度 | 累计融资超 22 亿元、近 50 家机构；纳管 26 城 25,000P 算力，占上海已投产国产算力 38%；Agentic MaaS 日均 Token 调用一年增 20 倍 | 少量（RLinf） | BP 所述「训练弱、昇腾深度不足」与公开信息相符，但它并非完全缺席训练 |
| 基流科技 | 集群建设与运营「建筑商」 | 11 轮融资 22.02 亿元，投后估值 91.6 亿元，2026 年递表港交所；营收 2023 年 3,180 万→2025 年 5.2 亿元；毛利率仅 21.8%（集群产品 16.8%、运营服务 47.7%）；运维 GPU 超 9 万张、SLA 99.97% | 弱 | 硬件集成是低毛利苦生意；其「运营服务毛利 47.7%」反证软件与服务才有利润 |
| 清程极智 | 国产算力系统软件 | 翟季冬（清华）团队；「八卦炉」训练软件栈、「赤兔」推理引擎（开源）、AI Ping 评测平台；2025 年 7 月完成过亿元新一轮融资 | 有（训练软件栈） | BP「训练市场不存在竞争」的最大反例——体量尚小，但方向重合，销售中会正面遭遇 |
数据来源：参考文献 [1][2][3][4][5][6][7]。
这张图是全报告最重要的一张图：公有云卖 Token 的毛利率是 −119%，私有化部署的毛利率是 82.5%–92.4%。同一家公司、同一套技术，商业模式不同，毛利天壤之别。它同时验证了 BP 的两个设计：把「标准化算力分发」仅定位为现金流而非利润源是清醒的；把利润押在面向央国企的私有化训练服务上是有招股书级证据支撑的。对你的销售工作而言，结论更直接——把力气花在私有化、项目制的大单上，不要花在拉 Token 用量上。
第二梯队还有潞晨科技（Colossal-AI 团队，2024 年营收约 7,700 万元、付费客户 2,476 家[9]）、行云集成电路（15 万元级「褐蚁」推理一体机）、中科加禾（已被智谱收购）等——它们的存在说明这一层的人才供给虽稀缺，但并非只有一家在跑。
2026 年 7 月，智谱收购算力软件公司中科加禾（编译技术/异构推理引擎），消息带动智谱股价单日大涨超 36%[8]——大模型厂商开始垂直整合「算力使能层」。这对 Amorphoux 是双刃剑：证明这层能力值钱（利好估值与被收购退出），也意味着窗口期有限、大厂随时可能下场自建或收购同类团队。
美国市场比中国早跑两年，把每种商业模式都用真金白银试了一遍。本章按「层」拆解谁活了、谁死了、为什么——每一条都对应 Amorphoux 的一个决策。
| 层 | 代表公司（最新估值/市值） | 商业本质 | 对应 Amorphoux |
|---|---|---|---|
| GPU 云（Neocloud） | CoreWeave（市值约 590 亿美元）、Nebius（上市）、Lambda（约 59–90 亿美元）、Crusoe（洽谈约 300 亿美元 pre-IPO） | 重资产持有算力，靠多年期长约出租 | 「算力自建/联合承建」选项 |
| 训练/后训练服务 | MosaicML（13 亿美元卖给 Databricks）、Thinking Machines（120 亿美元）、Prime Intellect | 帮客户在其数据上训模型，按项目/算力收费 | 核心利润线「高溢价训练服务」 |
| 推理 MaaS | Fireworks（175 亿美元）、Baseten（130 亿美元）、Together（83 亿美元） | 托管开源模型按 Token/GPU 时长收费 | 现金流线「标准化算力分发」 |
| 硬件使能软件 | Modular（16 亿美元）；芯片+云一体：Cerebras（市值约 500 亿美元）、SambaNova（110 亿美元）、Groq（35 亿美元） | 让非 NVIDIA 硬件好用 / 自建芯片卖算力 | 底座「Agentic Infra + 使能基模」 |
| 企业交付（FDE） | Palantir（市值约 4,172 亿美元）、OpenAI DeployCo、Anthropic Ode、Scale AI（290 亿美元） | 驻场工程师把 AI 做进客户业务，换多年期订阅 | 「专家 + Agent 协作交付」模式 |
来源：上市公司市值为 2026 年 8 月中旬约数（Macrotrends / Motley Fool）；一级市场估值见附录参考文献 [41][42][44][45][50][54] 及 Forge（Lambda 二级市场报价）。
CoreWeave 2025 年 3 月 IPO 时不被看好（发行规模缩水、定价低于区间），2026 年 8 月市值已约 590 亿美元。它的模式内核有三条：第一，锚定客户长约先行——Microsoft 一度占其收入 62–67%，OpenAI 累计签约约 224 亿美元[33][34]，Meta 累计约 350 亿美元[35]，2026 年 4 月签下 Anthropic 后已覆盖前十大 AI 实验室中的九家；每个 GPU 集群实质上「预售完毕再投资」。第二，把合同变成融资工具——开创以 GPU 资产 + 客户合同现金流为抵押的贷款模式，2026 年单笔 85 亿美元贷款拿到投资级评级[31]，全年债股融资超 200 亿美元；NVIDIA 还提供 63 亿美元的容量兜底（卖不掉的算力 NVIDIA 承诺回购至 2032 年）。第三，向上吞开发工具层——2025 年连续收购 Weights & Biases（17 亿美元）、OpenPipe（RL 训练平台）、Marimo 等，从裸算力升级为端到端 AI 开发平台。同赛道印证：Nebius 靠 Microsoft 至少 174 亿美元（可扩展至 194 亿）[36]、Meta 累计至多约 270 亿美元长约[37]，2026 年收入指引 30–34 亿美元；Lambda 与 Microsoft 签下数十亿美元协议后筹备 IPO[38]；Crusoe 以「能源优先」路线承建 OpenAI Stargate 旗舰园区（1.2GW，15 年租约），估值 10 个月从 100 亿冲向约 300 亿美元[62]。
还有一个容易被忽略的细节对定价谈判极有价值：Nebius 早期给 Microsoft/Meta 的合同约合每兆瓦每年 1,160 万美元，而 2026 年新签合同已达 2,000–2,500 万美元（财报电话会与第三方分析口径）——早期锚定客户拿走了最低价，但换来了公司的生存权和融资能力。
重资产路线的唯一正确姿势是「先锁客户长约、再建算力」，且长约本身就是融资抵押品。对销售的直接映射：面向央国企谈算力使能服务时，把合同结构往「多年期、预留制、最低消费承诺」的方向谈——这不仅锁定收入，还直接改善公司融资叙事，是你作为代理给公司创造的超额价值。
MosaicML 是与 Amorphoux「高溢价训练服务」最接近的先例：卖点是「数小时/数千美元而非数月/数百万美元训练大模型」，客户用自有数据做预训练或在其 MPT 系列开源模型上微调，按算力时长计费。2023 年 6 月被 Databricks 以 13 亿美元收购时年化收入仅约 2,000 万美元[39][40]——约 65 倍收入倍数，Databricks 买的不是收入，而是「让每个企业在自己数据上训自有模型」的能力和稀缺研究团队。收购后整合为 Mosaic AI，2026 年 6 月 Databricks 的 AI 产品线年化收入已达 17 亿美元，公司整体年化超 70 亿美元、最新估值 1,900 亿美元（Databricks 公司披露及媒体报道，2026）。
但更值得研究的是为什么独立训练服务公司几乎全军覆没。2023–2025 年的整合潮里：Deci 和 OctoAI 分别以约 3 亿、2.5 亿美元卖给 NVIDIA，Run:ai 约 7 亿美元卖给 NVIDIA，Predibase 卖给 Rubrik，OpenPipe 和 Weights & Biases 卖给 CoreWeave。复盘下来死因有三：① 企业自训/微调需求小于预期——多数场景被前沿模型 API + 提示工程 + RAG 满足；② 开放权重模型（Llama/DeepSeek/Qwen）质量快速提升，预训练需求集中到极少数大实验室，它们要么自建要么直签 GPU 云；③ 训练平台无算力、无数据、无分发护城河，毛利被 GPU 成本压死，最优出路是卖给有分发的公司。2025–2026 年，训练服务以「后训练/RL」形态重生：Mira Murati 的 Thinking Machines 以 20 亿美元种子轮（投后 120 亿）推出托管微调 API「Tinker」，Prime Intellect 靠 RL 环境社区拿下 1.3 亿美元 A 轮——新共识是买家愿意付溢价的是环境、评估与数据，而不是裸算力。编排层的结局也印证同一逻辑：Ray 是事实标准的开源训练/推理编排框架，其商业公司 Anyscale 独立经营五年，最终于 2026 年 7 月以约 16.5 亿美元卖给英国 neocloud 公司 Nscale[55]——卖工具，不如卖工具跑出来的结果。
美国训练服务死于「客户可以不训」——用 API 和 RAG 就够了。中国的央国企不能不训：数据不能出域、模型必须国产化部署、芯片被政策锁定为国产卡——「NV→昇腾迁移 + 域内训练」是刚性付费场景，这是美国市场不存在的结构性变量。所以 MosaicML 的教训不是「别做训练服务」，而是：训练服务作为独立生意估值有限，必须像 Amorphoux BP 设计的那样，把训练做成入口，向订阅（Agent）和分发（推理）延伸——同时保持被收购（芯片厂、大模型厂、云厂）作为退出选项的价值。
美国推理层估值一路狂飙：Fireworks AI 年化收入破 10 亿美元（员工仅约 200 人，人均年化 500 万美元），2026 年 7 月 D 轮估值 175 亿美元[42][43]，9 个月涨 4 倍；Baseten 18 个月估值从 21.5 亿涨到 130 亿美元[44]；Together AI 年化收入超 10 亿美元、估值 83 亿美元[41][62]。它们赚钱的前提是自研推理引擎带来的成本优势 + 美国市场健康的 Token 定价。而中国同层的硅基流动公有云 MaaS 毛利率是 −119%[1]——DeepSeek 们把开源模型 API 价格打到地板，独立平台每卖一元亏一元。这个对照再次确认：Amorphoux 的「标准化算力分发」线只能作为获客与现金流工具，绝不能作为利润指望，也不是你作为代理该投入精力的 SKU（分成基数太薄）。
Modular 是 Amorphoux 技术定位最直接的镜子：Swift 之父 Chris Lattner 创办，做跨芯片统一计算层（MAX/Mojo），让 AMD 等非 NVIDIA 硬件跑出可比性能（宣称对 AMD MI300 系列较开源栈提升最多 53%），2025 年 9 月 C 轮 2.5 亿美元、估值 16 亿美元[53][54]。它的商业化设计值得抄两点：open-core 分层（社区版免费、云版/企业版收费），以及每个付费层级都配 forward-deployed engineer 驻场协助迁移调优——即「软件 + 驻场专家」打包卖。但也要看到它的局限：成立四年仍未披露收入，说明纯卖使能软件变现很慢；Amorphoux「软件能力 + 算力转售 + 训练服务」的打包方式更贴近中国买家「为结果付费」的习惯，反而更容易开票。
三家「自建芯片 + 卖算力」的公司则集体给出反面教材：Groq 拿了沙特 15 亿美元采购承诺，仍把 2025 年收入预期从 20 亿美元下调到约 5 亿，最终以约 200 亿美元把技术许可卖给 NVIDIA、创始团队被挖走，公司转型运营 NVIDIA GPU 的云、估值从 69 亿腰斩至 35 亿美元[45][46]；Cerebras 曾因单一客户 G42 占收入 87% 而 IPO 搁浅，直到换锚 OpenAI（累计超 200 亿美元、750MW 长约）才在 2026 年 5 月完成美股近年最大科技 IPO[47][48][49]；SambaNova 裁员放弃训练业务、险些以 16 亿美元卖给 Intel，靠转向金融业私有化推理部署（JPMorgan 本地部署）才翻身到 110 亿美元估值[50][51][52]。三个故事一个道理：硬科技公司的生死不取决于技术，取决于有没有锚定客户的长约，以及必要时把客户结构换血的能力。
Palantir 2026 年二季度收入 19.4 亿美元、同比 +93%，调整后经营利润率 62%，市值约 4,172 亿美元[56]——它是地球上把「驻场工程师卖企业软件」跑到极致的公司，其 GTM（go-to-market）机制值得逐条拆给 Amorphoux 用：
这套模式 2025–2026 年被硅谷集体抄袭：OpenAI 把 FDE 团队从 2 人扩到 52 人后，干脆成立独立交付公司 DeployCo（获 19 家机构逾 40 亿美元支持，与麦肯锡、贝恩合作）[58]；Anthropic 与 Blackstone 等合资成立 15 亿美元的实施公司 Ode[59]；Deloitte、Accenture 均设立 FDE practice。基础模型巨头们用行动投票：「实施/定制交付」被认为是下一个万亿美元品类。Amorphoux 的「Infra 专家 + Agent 协作交付」本质就是 FDE 模式的 Agent 增强版——方向与全球最强共识一致。
反面教材是 Scale AI：数据标注 + RLHF 服务做到 290 亿美元估值，2025 年 6 月 Meta 以 143 亿美元入股 49%、创始人带队加入 Meta[60][61]——一周内 OpenAI 宣布终止合作，Google（年贡献约 1.5 亿美元）、xAI 相继撤单，公司随即裁员 14%、转向政府订单求生。教训只有一个词：中立性。服务型 AI 公司的中立性是资产负债表外最值钱的资产，股权站队即客户出逃。Amorphoux 与智谱（GLM-Image 合作）、华为昇腾深度绑定，销售话术上必须保持「多模型、多芯片」的中立姿态，避免被客户视为某一家的附庸。
| # | 美国事实 | 对 Amorphoux / 对你销售工作的映射 |
|---|---|---|
| 1 | CoreWeave 96% 收入来自 take-or-pay 长约，先签约后建站 | 合同尽量谈成多年期预留制 + 最低消费承诺 |
| 2 | 长约合同本身是融资抵押品（85 亿美元投资级贷款） | 每签一个央国企长约都在帮公司融资，销售价值翻倍 |
| 3 | Nebius 早期锚定客户拿最低价，换生存权 | 第一个灯塔客户可以让利，但要拿够背书权益（案例、联合发布） |
| 4 | MosaicML 以 65 倍收入卖出——买方买能力不买收入 | 公司融资/退出叙事成立；早期营收规模不必苛求，但要有标杆合同 |
| 5 | 独立训练服务死于「客户可以不训」 | 中国央国企「不能不训」（数据出域限制 + 国产化令），主攻这批客户 |
| 6 | 后训练/RL 的溢价在环境、评估与数据，不在裸算力 | 报价按「交付的模型能力」计价，不按人天/卡时计价 |
| 7 | 推理 MaaS 中国版毛利 −119% | 代理不碰 Token 分发 SKU，分成基数太薄 |
| 8 | Modular 用「软件 + FDE 驻场」打包收费 | Amorphoux 的订阅 SKU 应捆绑驻场服务包提高客单 |
| 9 | Palantir 三阶段：自费试点→扩展→3–5 年订阅 | 央国企版本：低价 PoC（借算力券）→项目制→框架长协 |
| 10 | Scale AI 因中立性崩塌一夜失血 | 对客户强调多芯片、多模型中立；公司股权结构避免站队单一生态 |
按 BP 的客户版图 × 你的真实资源取交集，给出客户分层、采购机制拆解和逐级放大的销售动作。
| 层级 | 客户群 | 需求与预算证据 | 你的资源匹配 | 打法与优先级 |
|---|---|---|---|---|
| T0 | 运营商体系 （集团研究院、省公司、九天/星辰生态） | 移动 2025 年算力投资约 373 亿元（东方财富，2025-03）；2025–2026 推理服务器集采 51.12 亿元中 CANN 生态标包约 34 亿元[26]；电信「国芯训国模」是集团战略[25]；团队本就深度参与九天/星辰训练（MFU 50%+） | ★★★ 你有运营商人脉，团队有existing关系 | 最优先。目标不是集采硬件标（拼不过集成商），而是训练效能优化、后训练服务、智能体等软性服务单，以及借集成商总集的分包位 |
| T1 | 央企数科公司 （南网数研院、石化数科、招银网络等）与地方国企 | 国资委「AI+」专项行动 + 40 项高价值场景 + 13 家央企「智能软件工厂」筑基工程；2025 年大模型中标项目 7,539 个、披露金额超 300 亿元，其中亿元级 44 个[28]；BP 已有南网驭电、招行小招等场景证据 | ★★★ 你的央企/国企 + 政府关系主场 | 核心利润区。走「Bootcamp→收费 PoC→项目制→框架长协」四级火箭（见 4.3）；每单 500–3,000 万元量级 |
| T2 | 互联网与科技公司 （字节、美团、蚂蚁、终端厂商等） | BP 显示团队服务过字节 M 系列/Seedance、美团龙猫（10 万卡）、蚂蚁 AI Coding 部署；此类客户决策快、验证快 | ★★ 你有互联网人脉 | 现金流与背书区。采购流程短适合快速开单，但议价狠、毛利薄；主要价值是「已服务字节美团」的 logo 效应反哺央国企销售 |
| T3 | AI4S 与世界模型 （国家实验室、深势/深度原理、智元/宇树） | BP 已有 MEGA-Protein、灵境造物、御风·智翼三个院士级案例 | ★ 关系较少 | 品牌高地，不指望赚钱。公司自己维护即可，你不必投入；但这些案例是你见央国企客户时最好用的开场素材 |
预算节奏决定销售节奏。央国企遵循「上年立项、当年执行」：每年三、四季度编制下一年度预算与立项，次年上半年走招标、下半年执行验收。含义：2026 年 9–12 月是影响 2027 年预算立项的黄金窗口——现在开始铺垫，正好赶上。错过立项窗口的需求只能挤「零星采购」或借用已有框架协议的余量。
四种采购形式，各有打法。①公开招标：金额大（通常 400 万以上必须公开），需要提前 6–12 个月「做局」——在客户编写技术规格书阶段就把关键能力指标（如「万卡集群 MFU ≥45%」「支持 CANN 生态全栈调优」）写进标书，这是销售真正的胜负手，开标只是形式；②竞争性磋商/邀请招标：数百万级服务单常用，回旋余地大；③单一来源：需公示论证「唯一性」，Amorphoux 的院士合作案例和 MFU 数据恰好可以支撑唯一性论证；④框架协议：先中一次框架（如数巅科技中标中电鸿信「大模型服务系统定制化开发框架」，总预算 1,500 万元、获 50% 份额[28]），之后按单释放、免重复招标——对服务型公司这是最理想的形态，销售目标应设定为「进框架」而非「中单标」。
国产化与生态标包是入场券。运营商集采已直接按「CANN 生态 / 类 CUDA 生态」分标包设障[26][27]；部分央企招标文件出现国产化率 ≥80% 条款。这对 Amorphoux 是天然利好——它的能力就是为 CANN 生态而生。但注意：硬件标包的中标者是河南昆仑、华鲲振宇、长江计算、宝德、软通动力这类整机与集成商——Amorphoux 不该去抢这些标，而应成为这些总集成商的「训练调优分包方」：集成商中了硬件标却兜不住「训练效能验收指标」时，正是 Amorphoux 进场的时机。给总集成商递刀，比自己上台打擂快得多。
支点一：华为昇腾伙伴体系。昇腾万里伙伴计划分注册级、认证级、领先级、优选级、战略级五档[24]，伙伴类型覆盖部件、应用软件（ISV）、基础软件、基础模型、生态运营五类。对 Amorphoux 的正确动作是尽快拿到基础软件/ISV 认证并向「优选级」爬——认证是进入华为联合销售体系和央国企标书资质条款的通行证（上市公司甚至把「加入昇腾万里伙伴计划」当利好公告发）。对你的含义：确认它的伙伴等级，是尽调必问项，也是你见客户时的资质弹药。注意平衡：借华为的船出海，但保持多芯片中立叙事（见 Scale AI 教训）。
支点二：地方政府与闲置智算中心。大量地方智算中心利用率 20–30%、「卖卡求生」——这恰是你政府关系资源的变现场景：撮合 Amorphoux 与地方算力公司做「存量盘活」合作（Amorphoux 出使能能力把闲置集群调成可用算力，地方按盘活效果分成或购买服务），政府侧获得利用率政绩，三方共赢。这类合作还常附带算力券、场地与产业基金配套。
支点三：投资机构关系。公司 12 个月要融 9 亿元，融资本身就是它当前最大的「销售」。你手上的投资机构关系可以做成第二条佣金线（融资顾问/FA 居间在市场惯例为融资额 2–5%），且投资人尽调时最看重的恰是「已签订单」——你的销售工作与融资工作互为杠杆。本报告第二章的估值锚点（硅基流动 77.4 亿、基流科技 91.6 亿、无问芯穹累计融资 22 亿）可直接用于融资叙事。
你选择的合作形式是渠道/区域代理。本章给出可直接上谈判桌的 SKU 选择、分成基准、协议要点和 90 天行动计划。
| SKU | 可代理性 | 建议角色 | 分成逻辑 |
|---|---|---|---|
| 高溢价训练服务（项目制，500–3,000 万/单） | ★★★ 最优 | 引荐 + 联合销售（你带关系与商务，公司带售前与交付） | 按合同额提成；单笔千万级项目佣金即达百万元量级 |
| 智能体订阅（年费制） | ★★★ 优 | 转售/区域代理（可承担一级客情与续费） | 按折扣价进货或按年费持续返点；收入可持续 |
| 算力使能年度框架（驻场服务包） | ★★ 良 | 引荐为主（交付重、你不碰交付） | 首年合同额一次性佣金 + 续约递减佣金 |
| 算力共建/大额算力合作（地方政府、智算中心） | ★★ 良 | 居间撮合（政府关系变现） | 大额低费率：居间费 1–3% 或固定顾问费 |
| 标准化算力分发 / Token | ✗ 不碰 | — | 行业毛利为负（硅基流动 −119%），没有给渠道的利润空间 |
以下基准来自 2025–2026 年公开渠道政策与行业指南检索，可作为谈判的客观参照系：
| 合作形态 | 市场基准 | 来源口径 |
|---|---|---|
| 引荐佣金（referral，介绍人不参与交付） | 首年合同额 10–20%；企业级大单 10–15% | Refgrow / Cello / SaaStr（2026）[64] |
| 转售折扣（reseller，承担销售+一级支持） | 20–40%（入门 10–15%、中级 15–25%、顶级总代 30–40%） | Monetizely / Chanimal / The York Group[65] |
| 独立销售代理（无底薪佣金制） | 跨行业 5–15%；大型多年期合同约首年额 8–12% | InMotion / RepHunter / CaptivateIQ（2026）[66] |
| 集成商主导成交（co-sell） | 合同额 15–25% | Suger / Clazar（2026）[67] |
| 中国云厂商代理返点 | 阿里云新客约 15–20%、头部综合最高 35%；华为系渠道价为标价 15–30% off | 渠道政策公开解读（2024–2025）[68] |
结合 Amorphoux 的阶段（早期、交付重、极需订单）与你的角色（带资源、不碰交付），建议你提出的结构：
反向想：如果公司轻易把某区域/行业独家给你，说明它对直销没有规划或对你的资源没有判断——两者都不是好信号。同时你也未验证它的交付能力：朋友关系恰恰是最需要用小步快跑保护的东西——第一单交付砸了，砸掉的不只是佣金，还有你的客户人脉与私人情谊。先小合作，用一单 PoC 互相验证，再谈深度绑定。
朋友归朋友、生意归生意。这 18 个问题当面问清，既保护你，也帮他把公司理得更清楚——问不倒的公司才值得你押上人脉。
本章为零基础读者而写。你是对外的人，合伙人不出面，所以客户嘴里的每一个词你都得接得住。每个概念都从"是什么"讲到"为什么值钱"，并标注你在销售场景里会怎么遇到它。
整个 AI 产业可以想象成一栋三层楼：一层是芯片和算力（英伟达、华为昇腾、寒武纪——盖楼的地基和发电厂），三层是模型和应用（DeepSeek、智谱、豆包、各种 AI 产品——楼里开的公司），而二层是基础软件，行话叫 Infra（Infrastructure，基础设施）——水电煤管道和电梯，负责把一层的电送到三层去用。你合伙人的生意就在二层：一层的国产电（算力）已经发出来了，但管道不通，三层用不上——他们是通管道的人。这个定位一句话就能给客户讲明白。
算力就是计算能力，衡量单位是 FLOPS（每秒能做多少次浮点运算，可以理解为"每秒算多少道小数乘法题"）。数量级阶梯要记住：TFLOPS（万亿次/秒，单张芯片的量级）→ PFLOPS（千万亿次/秒，一台服务器到一个小集群）→ EFLOPS（百亿亿次/秒，国家级总量）。所以"全国智能算力 1,882 EFLOPS"意思是全国所有 AI 芯片加起来每秒约 1,882 百亿亿次运算；单张英伟达 H100 约 1 PFLOPS（FP16 精度口径），单张昇腾 910B 约为它的三分之一强——这些约数够你建立体感即可，报价场合不要引用具体芯片参数（让技术合伙人来）。
CPU、GPU、NPU 的区别用一个比喻就够了：CPU 是几个数学博士，擅长处理复杂逻辑但人少；GPU 是几万个小学生，每个只会算加减乘除，但可以同时开工。AI 训练的本质恰好是海量、简单、重复的矩阵运算——小学生军团完胜博士，所以 GPU 成了 AI 时代的核心资产。NPU（神经网络处理器）是专为 AI 运算定制的芯片，昇腾就是 NPU，可以粗略理解为"专科版 GPU"。日常交流中大家把这些统称"卡"或"加速卡"。
评价一张卡看三个指标：算力（每秒算多快）、显存（HBM，高带宽内存——卡上的"工作台面"，放模型和中间数据，单位 GB，台面不够大模型就摆不下）、带宽（数据搬进搬出台面的速度）。这里有个反直觉的行业常识：很多时候瓶颈不是算得慢，而是搬得慢——小学生军团算完了在等新题送来。这就是为什么合伙人材料里"降低 20–40% 显存带宽开销"是个值钱指标：省下的搬运时间全变成了有效计算。
模型本质是一个巨大的数学函数，参数就是函数里可调的旋钮。"7B 模型"= 70 亿个旋钮（B 是 Billion，十亿），"万亿参数基模"= 一万亿个旋钮。训练就是用海量数据反复调这些旋钮，直到模型的输出像人话。基模 / 基础模型（Foundation Model）指从零训出来的通用大模型，与在别人基模上二次加工的模型相对。
Token 是模型的"字"：文本先被切成 token 再喂给模型，1 个 token 约等于 0.75 个英文单词或半个到一个汉字（随分词器而异）。模型的收费、吞吐、调用量全都按 token 计——所以"日均 Token 调用超百万亿"是在说全国模型每天处理的"字数"。
一个大模型的完整生命周期分四步，这四个词是你未来每天都要说的，务必吃透：
让模型"读遍互联网"，学会语言和世界知识。最烧钱的一步：万卡集群连续跑数周到数月，电费和卡的折旧以千万计。这是技术门槛最高的环节，也是合伙人团队的看家本领。
请"老师"写标准问答示范，教会模型好好说话、按格式干活。数据量小得多（几万到几百万条），千卡级即可。央国企"用行业数据训自己的模型"多数指这一步起步。
强化学习：让模型做题→打分→根据分数改进，循环往复，教会它"把事做对"。2025 年以来推理模型（OpenAI o1、DeepSeek R1 这一类）证明后训练能大幅提升智力，它已成为新的算力大户和全行业竞争焦点。
训练好的模型每天回答问题、干活，就叫推理。一句话记住：训练是上学，推理是上班。训练一次性烧大钱，推理天天花小钱但永远在花。
几个高频衍生词：微调（Fine-tuning，在现成模型上小改）；LoRA（一种省钱的微调法，只调一小撮旋钮，几张卡就能做，所以便宜——客户说"我们先做个 LoRA"意思是先小成本试试）；蒸馏（Distillation，让大模型当老师教小模型，得到又小又快的学生模型）；开源权重模型（Llama、DeepSeek、Qwen、GLM 等把训好的"旋钮数值"公开的模型——央国企项目基本都是拿这些做底子二次训练，没人从零开始）；Checkpoint / ckpt（检查点）——训练过程的"游戏存档"，每隔一段时间存一次，机器崩了从最近存档继续，不用从头再来。合伙人 BP 里训练流程图的最后一步"产出 ckpt"，就是"交付训练成果存档"的意思。
万亿参数的模型，一张卡的显存根本放不下，也算不动——必须把模型和数据切开，摊到成千上万张卡上一起算，这就是分布式训练。"千卡/万卡集群"指的就是几千/几万张卡通过高速网络连成的一台"超级计算机"。
怎么切，行话叫并行策略，主要四种，用工厂比喻记：数据并行（每条产线一套完整设备，各自加工不同批次的原料，最后汇总）；张量并行（一台大设备拆成几块，几个人合力操作同一道工序）；流水线并行（每人负责几道工序，产品沿流水线传递）；专家并行（MoE 混合专家模型专用——模型内部有多个"专家科室"，按科室分卡）。实际训练是四种切法的复杂混搭，怎么混搭直接决定训练快慢，这是最核心的手艺活之一。合伙人材料里的"拓扑亲和调度、超节点亲和并行"，翻译过来就是：根据集群的"路网结构"（拓扑）定制切法，让通信量最大的卡彼此挨得最近，少走远路。
卡与卡之间要以每秒几百 GB 的速度疯狂交换数据，所以网络互联至关重要：英伟达系用 InfiniBand（专用高速网），国产集群多用 RoCE（基于以太网的方案，便宜但调优难）；几张卡组成一台服务器叫节点，多台服务器高速直连成超节点。两个衡量集群健康度的词：线性度——1,000 张卡的速度是不是 100 张卡的 10 倍？90%+ 线性度意味着加卡几乎不浪费（合伙人的指标）；长稳训练——万卡连跑几十天必然有硬件坏掉，Meta 训 Llama 3 的 54 天里发生了 400 多次意外中断（论文自述）[63]，所以负载检测、故障快恢、断点续训（从 ckpt 恢复）是刚需能力，不是锦上添花。
MFU（Model FLOPs Utilization，模型算力利用率）= 训练时真正用在模型计算上的算力 ÷ 芯片理论峰值算力。像汽车的"实际输出功率 ÷ 发动机铭牌功率"。达不到 100% 的原因：卡在等通信、等数据搬运、算子写得烂、故障重启白费功……全是可以被"手艺"优化的损耗。
商业翻译（对客户就这么讲）：MFU 从 30% 提到 50%，等于同一批卡凭空多出三分之二的有效算力。客户花 5 个亿建的集群，我们不加一张卡让它顶 8 个亿用——这就是"算力优化赋能"五个字的全部含义，也是效能体检能当场演示的东西。记住：客户听不懂算子和并行，但一定听得懂"5 个亿顶 8 个亿用"。
CUDA 是英伟达 2006 年推出的编程平台——给 GPU 写程序的"语言 + 工具箱 + 二十年积累的现成代码库"。全世界的 AI 代码默认为 CUDA 而写，这就是英伟达真正的护城河：不是芯片造不出来，是芯片上的软件生态二十年追不上。国产卡"不好用"，摊开看是三个具体问题，也正好对应合伙人的三块手艺：
问题一：算子缺失与低效。算子（Operator / Kernel）是模型的最小计算积木——矩阵乘法、注意力计算、归一化……一个大模型由几百上千个算子拼成。CUDA 生态里每块积木都有现成且优化到极致的版本；国产卡上，有的积木没有（得现写，这就是"融合算子开发"——把几块小积木焊成一块大积木，减少数据往返显存的次数，业界最著名的例子叫 FlashAttention），有的积木很慢（单算子调优要以周为单位磨）。配套黑话：图算融合（在整个计算图层面自动做积木合并）、Auto-Tiling（自动把大矩阵切成正好塞进芯片缓存的小瓦片）、host bound（CPU 发号施令的速度跟不上 GPU 干活的速度，指挥官成了瓶颈）。还有个词叫 Triton——OpenAI 推出的写算子的高级语言，但它为英伟达硬件设计，搬到国产 NPU 会因缓存、通信粒度、带宽差异而失效，这是 BP 里专门点出的行业难题。
问题二：精度不一致（国产卡训练最大的坑）。计算机里的小数有不同"精度格式"：FP32（32 位，准但慢）、FP16 / BF16（16 位，快但容易出数值问题，训练主流）、FP8（8 位，最新最快）。不同芯片的微架构对同一串运算的执行顺序不同，每一步差一点点，几万步累积下来误差滚雪球——结果就是：同样的配方（超参数）、同样的数据，在 NV 上炼出好模型，在国产卡上"炼糊了"，而且你不知道糊在哪。精度对齐就是把这口锅系统性排查到比特级（二进制最后一位），确保"同参数配置拿到一致训练效果"。这活儿要求同时精通硬件微架构、AI 框架和模型训练，全国会的人屈指可数——大部分国产卡训练项目就卡死在这一步，这也是合伙人团队最稀缺的能力。
问题三：框架生态绑定。框架是搭模型的脚手架。PyTorch 是全球事实标准（CUDA 是它的"一等公民"，存量代码全部耦合 NV）；MindSpore（昇思）是华为自研框架；再往上还有训练加速框架 Megatron、DeepSpeed，RL 训练框架 veRL、Slime，推理引擎 vLLM、SGLang——这些名字客户的技术人员嘴里会随口蹦出来，你不需要会用，认得出"这是训练框架/这是推理引擎"即可。CANN 则是昇腾版的 CUDA（昇腾的驱动 + 算子库 + 编程接口）——所以运营商招标书里的"CANN 生态标包"，翻译过来就是"这个标只有会昇腾的公司能投"。
昇腾（Ascend）是华为的 AI 芯片品牌。要记的谱系：910A → 910B → 910C 三代，行业黑话分别俗称 A1 / A2 / A3（合伙人实绩表里的 A1/A2/A3 就是这个意思——"1.8 万卡 / A2"= 1.8 万张 910B）。一体机是"服务器 + 预装好的模型和软件"的开箱即用产品，市价 80–300 万元/套[29]，是央国企最容易理解和采购的形态。
其他国产玩家一句话认识：寒武纪（最早的 AI 芯片上市公司，2025 年营收暴涨 453% 首次盈利）；海光（DCU 产品走"类 CUDA"路线，兼容性好）；摩尔线程、沐曦（GPGPU 路线，2025 年底先后上市）。招标市场把它们分成两个阵营：「类 CUDA 生态」与「CANN 生态」——中国移动 51.12 亿集采就是按这两个阵营分标包的[26]。合伙人团队昇腾最深、兼顾多硬件后端，意味着两个阵营的单都能接，但主场在 CANN。
最后一个生态位常识，回答"华为为什么不自己干"：华为的利润在硬件，原厂技术支持只倾斜最头部客户，且不可能给每个客户派驻专家团（BP 原话："原厂无充沛资源支持，仅服务头部客户"）；互联网大厂的人才只服务自家业务。中间的真空地带——腰部央国企、行业客户——就是合伙人的市场。
7.2 讲过 RL 后训练是"做题→打分→改进"的循环。技术上它的特殊之处在于：做题（生成回答）用的是推理，改进（更新参数）用的是训练——两种截然不同的计算模式必须在同一套系统里高速轮转。这套系统就叫 RL Infra，配套黑话逐个拆：
为什么这块特别值钱：2025–2026 年全行业的算力重心正从预训练转向 RL 后训练（推理模型和 Agent 训练都靠它），美国市场的新贵（Thinking Machines 的 Tinker、Prime Intellect）全部扎在这一层（见第三章 3.3）；而国产卡上的 RL Infra 几乎无人能做——竞对里只有清程极智部分涉及。这是合伙人卡位里最前沿、溢价最高的部分。
推理侧你只需要四个概念：吞吐（每秒产出多少 token，决定一张卡能服务多少用户）；时延（用户提问到第一个字蹦出来的等待时间，体验指标）；量化（把模型旋钮从 16 位精度压到 8 位甚至 4 位——模型"瘦身"，牺牲一点点质量换成倍的速度和更少的卡）；KV Cache（对话越长，模型要记住的"上下文"占的显存越多——长对话贵就贵在这）。推理优化的价值一句话：同样的卡产出更多 token，单位成本直线下降。
MaaS（Model as a Service）就是"卖 token 的生意"——按调用量收费的模型 API。第二章已用招股书证明：在中国公开市场卖 token 毛利率是负的（硅基流动 −119%[1]），而私有化部署毛利 80%+。所以合伙人把推理定位为获客工具和现金流、把利润押在训练和私有化上——你销售时的力气也应该这么分配。
Agent / 智能体是会自己规划步骤、调用工具、多步执行直到完成任务的 AI——对比只会一问一答的聊天机器人（chatbot）。你正在用的 Claude Code 就是编程 Agent。衍生词：Agentic（智能体化的，形容词）、Multi-Agent（多个智能体分工协作）、Agent Swarm（智能体集群）、任务流编排（把复杂任务拆解成步骤链）、模型路由（不同难度的活儿分派给不同大小的模型，省钱）。
合伙人的「算力使能智能体」是整个故事的收口：把 7.4–7.7 讲的那些专家手艺（调优、精度排查、算子开发、部署）沉淀成 Agent 的领域知识，让 Agent 替代一部分驻场专家。BP 里那个 Demo 的含义现在你能完全看懂了——通用的 Claude Code 在昇腾 910A 上部署推理失败，因为它不知道昇腾缺哪个融合算子、该怎么补；他们的自研 Agent 内置了这些领域知识，补齐算子、部署成功。这一步如果做成，就解决了服务生意最致命的天花板："会的人太少、堆人不划算"（人力不具备 Scaling Law），公司才能从"高级人力外包"变成"可复制的产品公司"——这也是估值故事从几亿到几十亿的分水岭。当然，如第一章风险所述：它目前仍处于构想到早期产品之间，对外可以讲愿景，对内要盯进度。
约 75 个词条，按主题分组。第三列告诉你这个词在什么销售场景会冒出来、该作何反应。见客户前翻一遍，开会时手机上随时查。
| 术语 | 人话解释 | 销售场景提示 |
|---|---|---|
| 算力（Compute） | 计算能力的总称，AI 时代的"电力" | 整个生意的标的物 |
| FLOPS 及 T/P/E 前缀 | 每秒浮点运算次数；T=万亿（单卡级）、P=千万亿（服务器/小集群）、E=百亿亿（国家级总量） | 听到"多少 P 的算力"是在说集群规模，如"2000P 智算中心" |
| GPU | 图形处理器，"几万个小学生并行算数"，AI 训练主力芯片 | — |
| NPU | 专为 AI 定制的芯片，昇腾即 NPU，可理解为"专科版 GPU" | 客户说 NPU 基本就是指昇腾 |
| 卡 / 加速卡 | GPU/NPU 芯片做成的板卡，行业计量单位（"千卡""万卡"） | "你们最大调过多少卡？"→ 万卡级 |
| 显存（HBM） | 卡上的高速内存，放模型和数据的"工作台面"，单位 GB | 显存不够 = 模型放不下 = 要更多卡或量化 |
| 带宽 | 数据搬运速度；很多训练瓶颈是"搬得慢"而非"算得慢" | 合伙人"降 20–40% 显存带宽开销"的价值所在 |
| 集群（Cluster） | 成百上千张卡用高速网络连成的一台"超级计算机" | — |
| 节点 / 超节点 | 节点=一台服务器（通常 8 卡）；超节点=多台服务器超高速直连成的大单元 | 华为主推超节点方案（如 CloudMatrix 类架构） |
| 智算中心 | 装满 AI 加速卡的数据中心，地方政府近年疯狂兴建 | 利用率不足 30% 的主角，"盘活存量"销售切口 |
| 一体机 | 服务器+预装模型软件的开箱即用产品，市价约 80–300 万/套 | 央国企最容易采购的形态，可作报价锚点 |
| 东数西算 | 国家工程：东部的数据算力需求调度到西部电价低的地方算 | 政策谈资，说明算力是国家战略 |
| 术语 | 人话解释 | 销售场景提示 |
|---|---|---|
| 大模型 / 基模 | 基模（Foundation Model）= 从零训练的通用大模型；行业模型多在基模上二次加工 | "国芯训国模"= 用国产卡训国产模型 |
| 参数（7B/70B/万亿） | 模型里可调的"旋钮"数量；B=十亿。旋钮越多越聪明也越贵 | 客户说"我们想训个 70B 的"，规模感要立刻有 |
| Token | 模型的"字"，≈0.75 个英文单词或半个到一个汉字；计费计量单位 | MaaS 生意=卖 token；训练量也按 token 数说（"训了 2T token"） |
| 预训练（Pre-training） | 让模型读遍互联网学会语言，最烧钱（万卡×数月） | 技术门槛最高，合伙人的看家本领与高溢价区 |
| SFT（监督微调） | 用标准问答示范教模型"好好说话"，千卡级、数据几万到百万条 | 央国企行业模型项目的主形态 |
| 后训练 / RLHF / RLVR | 强化学习环节：做题→打分→改进，教模型"把事做对"；推理模型（o1/R1 类）的核心 | 2025 年后的算力新大户，合伙人最前沿卡位 |
| 微调（Fine-tuning） | 在现成模型上做小规模再训练的统称 | — |
| LoRA | 低成本微调法：只调一小撮旋钮，几张卡就能干 | 客户说"先做个 LoRA"= 想低成本试水 |
| 蒸馏（Distillation） | 大模型当老师教小模型，得到又小又快的"学生" | 端侧/降本话题常见 |
| 开源权重模型 | 公开"旋钮数值"的模型：Llama、DeepSeek、Qwen、GLM 等 | 央国企项目基本都拿它们做底子，没人从零训 |
| Checkpoint / ckpt | 训练"游戏存档"，崩了从存档继续 | "产出 ckpt"= 交付训练成果 |
| 超参数 | 训练的"配方"设置（学习率、批大小等），不是模型参数 | "同参数配置一致效果"里的"参数"指这个 |
| MoE（混合专家） | 模型内部分多个"专家科室"，每次只叫醒几个，省算力；DeepSeek 即 MoE | MoE 训练对并行策略要求更高 = 更需要合伙人 |
| 术语 | 人话解释 | 销售场景提示 |
|---|---|---|
| 分布式训练 | 模型/数据切开摊到几千几万张卡上一起算 | — |
| 数据/张量/流水线/专家并行 | 四种"切法"：各算不同数据 / 合力算同一层 / 各管几层接力 / 按专家科室分 | "并行策略"= 四种切法的混搭配方，决定 MFU |
| MFU | 模型算力利用率 = 有效算力÷理论峰值。行业最硬指标 | 你的核心销售语言："5 亿的集群顶 8 亿用" |
| 线性度 | 加卡的效率：1000 卡是否 ≈ 100 卡×10 倍速；90%+ 为优 | 合伙人硬指标之一 |
| 拓扑 / 拓扑亲和 | 集群的"路网结构"；让通信量大的卡彼此挨近少走远路 | — |
| InfiniBand / RoCE | 两种集群高速网络：IB 是 NV 系专网，RoCE 是以太网方案（国产集群主流，便宜但调优难） | 客户报网络方案时能听懂即可 |
| 长稳训练 | 万卡连跑数十天不趴窝的能力：负载检测、故障快恢、断点续训 | Llama 3 都中断 400+ 次——用这个数据讲刚需 |
| GPU 利用率（util） | 卡"看起来在忙"的百分比——≠ MFU！util 90% 时 MFU 可能只有 20%（空转也算忙） | 内行/外行分界线，见 9.3 的追问话术 |
| 术语 | 人话解释 | 销售场景提示 |
|---|---|---|
| CUDA | 英伟达的 GPU 编程平台+二十年生态，真正的护城河 | "类 CUDA 生态"标包指海光等兼容路线 |
| CANN | 昇腾版 CUDA（驱动+算子库+编程接口） | "CANN 生态标包"= 只有会昇腾的能投 |
| PyTorch | 全球事实标准的 AI 框架（搭模型的脚手架），CUDA 是其"一等公民" | 存量代码全耦合 NV = 迁移是刚需生意 |
| MindSpore（昇思） | 华为自研 AI 框架，昇腾亲儿子 | 合伙人 GLM-Image 类项目的技术底座之一 |
| Megatron / DeepSpeed | 主流大规模训练加速框架（NVIDIA / 微软出品） | 听懂即可，不用会 |
| veRL / Slime | 主流 RL 后训练框架 | 同上 |
| vLLM / SGLang | 主流开源推理引擎（让模型回答得又快又省卡） | 客户推理部署必提 |
| Triton | OpenAI 的算子编写语言，为 NV 设计，搬国产 NPU 会失效 | BP 点名的行业难题 |
| 算子（Operator/Kernel） | 模型的最小计算积木（矩阵乘、注意力等），一个模型几百上千个 | 国产卡缺积木/积木慢 = 合伙人的活儿 |
| 融合算子 | 几块小积木焊成一块大的，减少显存往返；名例 FlashAttention | BP Demo 里 Claude Code 就败在缺这个 |
| 图算融合 / Auto-Tiling | 计算图层面自动合并积木 / 自动把大矩阵切成正好塞进缓存的瓦片 | — |
| host bound | CPU 发指令跟不上 GPU 干活速度，"指挥官成瓶颈" | — |
| 术语 | 人话解释 | 销售场景提示 |
|---|---|---|
| FP32/FP16/BF16/FP8 | 小数的存储精度：位数越少越快越省，但越容易出数值问题；训练主流 BF16，前沿在 FP8 | — |
| 混合精度 | 关键步骤用高精度、其余用低精度的折中方案，训练标配 | — |
| 精度对齐 | 排查硬件差异导致的累积误差，确保国产卡与 NV 训练效果一致 | 国产卡训练最大的坑，合伙人最稀缺能力 |
| 比特级一致性 | 对齐到二进制最后一位的最严标准 | 一页纸材料里的硬承诺 |
| 确定性计算 | 同样输入永远同样输出（并行计算默认做不到） | 排障与对齐的前提 |
| 术语 | 人话解释 | 销售场景提示 |
|---|---|---|
| 推理（Inference） | 训好的模型干活回答问题；"训练是上学，推理是上班" | — |
| 吞吐 / 时延 | 每秒产出多少 token / 用户等第一个字的时间 | 推理服务的两大验收指标 |
| 量化（Quantization） | 模型"瘦身"：16 位压到 8/4 位，牺牲一点质量换速度和省卡 | 降本方案必谈 |
| KV Cache | 对话"记忆"占的显存，对话越长越贵 | 长文本场景成本话题 |
| MaaS | Model as a Service，按 token 收费卖模型 API | 公开市场毛利为负（硅基流动 −119%），代理别碰 |
| 私有化部署 | 模型装进客户自己机房，数据不出门 | 毛利 80%+ 的形态，央国企首选，主推 |
| 数据不出域 | 数据不离开客户的物理/网络边界 | 央国企合规硬要求，话术必备词 |
| 术语 | 人话解释 | 销售场景提示 |
|---|---|---|
| Rollout / 异步 Rollout | 模型"做题"生成回答的过程 / 做题与改参数流水线化不互等 | RL Infra 核心词 |
| 训推一致 | 做题用的模型与被更新的模型数值严格一致，否则越学越歪 | 国产卡上难度翻倍，合伙人卖点 |
| Agent / 智能体 | 会自己规划、调工具、多步干活的 AI（对比一问一答的聊天机器人） | — |
| Agentic / Multi-Agent / Agent Swarm | 智能体化的 / 多智能体协作 / 智能体集群 | BP 高频词 |
| 任务流编排 / 模型路由 | 把复杂任务拆成步骤链 / 难活派大模型、简单活派小模型省钱 | — |
| RL Environment（环境） | 给模型"做题"的仿真考场；美国新共识：环境和评估比裸算力值钱 | 对投资人讲前沿趋势时用 |
| 术语 | 人话解释 | 销售场景提示 |
|---|---|---|
| PoC | Proof of Concept，小规模付费验证项目（本报告语境：100–300 万、30–60 天） | 四级火箭第二级 |
| SLA | 服务等级协议：可用率、响应时效等写进合同的服务承诺 | 签约必审条款 |
| 验收指标 | 项目算不算完成的量化标准（MFU、精度、时长） | "验收指标写进合同"是你的信任武器 |
| 框架协议 | 先中一次总框架，之后按单释放免重复招标 | 服务商最理想形态，销售目标是"进框架" |
| 集采 | 集团统一招标采购（运营商模式），单次几十亿 | 硬件标别碰，做中标集成商的分包 |
| 信创 | 信息技术应用创新：党政央国企采购国产化要求的统称 | 合伙人天然符合，标书加分项 |
| 单一来源采购 | 论证"只有这家能干"后免招标直接采购 | 院士背书+MFU 数据可支撑唯一性论证 |
| 算力券 | 政府发的算力消费补贴（如按合同额 10%、上限 200 万/年） | 帮客户降实付的现成杠杆 |
| take-or-pay | "用不用都付费"的照付不议长约（CoreWeave 模式） | 谈多年期合同的理想结构 |
| ARR / 年化收入 | Annual Recurring Revenue，按当前月收入×12 折算的年收入口径 | 融资叙事用词，≠ 会计年度收入 |
| ICP | Ideal Customer Profile，理想客户画像 | 本报告第四章的分层就是 ICP |
| GTM | Go-To-Market，市场进入/销售打法的统称 | — |
| FDE | Forward Deployed Engineer，驻场交付工程师（Palantir 模式） | "专家驻场交付"的国际通行说法 |
| 灯塔客户 | 第一个标杆客户，可让利换背书与案例权 | Nebius 教训：低价可以，背书权益要拿够 |
| Land-and-expand | 小单进门、逐步扩大的销售策略 | 四级火箭的底层逻辑 |
你不需要假装技术专家——你需要的是：接得住第一回合、判断得出深浅、知道什么时候把球传给技术合伙人。本章给你第一回合的全部弹药。
先定心法：客户从不指望商务负责人懂算子，但客户极其反感商务负责人不懂装懂。你的标准姿态是一句万能话术："这个问题值得展开，我请我们首席架构师带数据来跟您聊，我先记下来。"——说完真的记在本子上，当着客户的面记。这个动作传递的信息是：这家公司分工专业、技术有真人兜底、你是靠谱的接口人。相反，最忌讳的是被追问两轮后开始编——技术客户一听就穿，且一次露怯终身贴标签。你要做的是把本章 15 问的第一回合答案背熟，第二回合永远传球。
"国家在推国产算力，卡不缺、集群也不缺，缺的是把集群真正跑起来的人——全国智算中心平均利用率不到 30%，会用国产万卡集群的人才基本都在华为和头部大厂出不来。我们团队就是干这个的：在国产卡上做大规模训练和推理的效能优化，万卡训练的算力利用率能做到 45% 以上，超过 Meta 在英伟达卡上的公开水平。简单说：您 5 个亿建的集群，我们不加一张卡，让它顶 8 个亿用。可以先免费给您的集群做次体检，数据说话。"
每条分三层：客户问什么、你嘴上怎么答、你心里要知道为什么这么答。
| 客户说 | 潜台词 / 实际含义 | 你的正确反应 |
|---|---|---|
| "我们集群利用率还可以，有 80–90%" | 他说的多半是 GPU util（卡看起来在忙），不是 MFU（真干了多少活）——util 90% 时 MFU 可能只有 20% | 全书最值钱的一个追问："您说的是 GPU 利用率还是 MFU？"——内行会心一笑，外行被你问住，两种结果都是你赢 |
| "我们有信创/国产化率要求" | 采购必须含足够比例国产软硬件，这是硬约束不是偏好 | 顺水推舟："我们全栈国产路线，正好帮您把国产化率指标做实" |
| "这个可以走我们的框架" | 他们已有框架协议，你的单子可挂进去免招标——是重大利好信号 | 立刻追问框架的采购主体、额度上限、供应商准入条件 |
| "预算要等明年了" | 今年立项窗口已过；但"明年预算"恰恰现在（Q3–Q4）在编 | 争取把需求写进明年立项："那我们正好赶在立项前把方案和测试数据做扎实" |
| "先做个 POC 看看" | 有真兴趣，但也可能想白嫖测试 | 免费的是"体检"（1–2 周），端到端 PoC 要收费+写验收——把两者分清楚 |
| "我们自己有 AI 团队" | 可能是拒绝铺垫，也可能他们团队正被国产卡折磨 | "太好了，有团队才聊得深——你们在国产卡上遇到的最头疼的问题是什么？"（把竞争转为共情） |
| "领导很重视 AI" | 一把手工程=有预算有速度；但也意味着要有可汇报的"亮点" | 把交付包装出领导可汇报的成果：利用率提升 X%、获某某验收/奖项 |
| "你们跟华为那边怎么合作的？" | 在确认你们是否被原厂认可（资质焦虑） | 报昇腾伙伴认证等级（先跟合伙人确认现状），强调互补关系 |
周期、卡数、报价、MFU 能提到多少——口头数字会变成合同义务。标准动作：记下来，48 小时内技术合伙人回复。
用什么并行策略、怎么改算子、选什么框架——答错一个细节，专业形象清零。传球给"首席架构师"。
可以讲差异（"他们主打推理我们主打训练"），不可以讲坏话——圈子极小，话会传回去；贬华为更是自断生态。
客户名、卡数、项目金额一概"脱敏后见面聊"。你多说一个名字，下一个客户就会想"我的名字他也会说出去"。
① 当天写会议纪要发合伙人（客户问了什么、承诺了什么跟进、发现了什么信号——尤其挖人试探和竞品出没）；② 把客户新问题补进你自己的 FAQ 本子，下次就是你的弹药；③ 更新 pipeline 台账（阶段/预算窗口/下一动作/责任人）。你的专业不体现在懂多少技术，而体现在每一回合都有干净的后手。
本报告基于 Amorphoux BP v2.0.5（2026 年 7 月版）与截至 2026 年 8 月 20 日的公开信息撰写，供合作决策内部参考，不构成投资建议。BP 属未公开商业信息，请勿外传本报告。所有第三方数据以原始来源为准。