2025 年，AI 算力市场的重心正在发生偏移。DeepSeek 等开源模型的爆发是一个明确信号，AI 的主战场正从昂贵的训练场景，被拽入高频、碎片化的推理场景。在这个节点上，Alex Yeh 和他的 GMI Cloud 站在了一个微妙的位置。

这家成立仅 3 年的公司，正在以一种罕见的速度完成资本与产能的原始积累。去年 10 月，GMI Cloud 拿到了 8200 万美元的 A 轮融资 ，今年上半年又获得了 NVIDIA NCP（Reference Platform NVIDIA Cloud Partner）认证 。这个认证，截至目前全球仅有 7 家公司持有 ，在紧缺的算力市场，它意味着拥有最高优先级的拿货权和原厂技术支持 。

上周，GMI Cloud 宣布与 NVIDIA 在中国台湾合作建设 AI Factory，GMI Cloud 自行总投资 5 亿美元 。这座超级数据中心计划部署基于 GB300 NVL72 架构的万卡集群 。据官方透露的独家消息，该工厂的第一期算力已经售出，第二期也已有 50% 被预定 。

这背后是当前算力市场的真实供需，尽管芯片产能不再像两年前那样极度紧缺，但优质、可用的集群资源依然稀缺。Alex Yeh 将这种状态形容为一种复杂的压力。作为 GMI Cloud 掌舵者，他必须在产能与需求之间走钢丝，同时警惕悬在所有 GPU 云厂商头顶的达摩克利斯之剑：当 GPU 最终变成像水电煤一样的大宗商品，一家创业公司如何避免沦为巨头阴影下的流量管道？

Alex Yeh 并非典型的极客创业者。在创办 GMI Cloud 之前，他在私募股权和风险投资领域工作多年，曾是加密货币与区块链生态中最年轻的合伙人 。资本市场的训练让他习惯于剥离技术泡沫，寻找资产的底层逻辑。

他曾目睹区块链行业的兴衰。在他看来，那个市场唯一恒定的资产是比特币，而获取它的路径只有两条，算力和能源。并没有选择炒作币价，他投身于数据中心建设和电力布局 。如今，他将这套逻辑复用到了 AI 领域。无论应用层如何演变，无论最终胜出的是 Coding 还是视频生成模型，算力是唯一的确定性刚需。

但他拒绝做纯粹的算力租赁商。在 AWS、Azure 和 Google Cloud 等超大规模云厂商统治的市场 " 牌桌 " 中，GMI Cloud 试图走出一条 " 符合 AI 应用企业需求的全链条算力支持 " 的新路子。

不同于巨头主要围绕 CPU 构建的通用云底座，GMI Cloud 选择了重资产模式：底层裸金属采买自持英伟达高端 GPU，在全球建设多个数据中心；中间 IaaS 层自研集群调度引擎—— Cluster Engine（集群引擎）平台，上层提供 MaaS 服务—— Inference Engine （推理引擎）平台。同时，据一手消息，他们还即将上线一款名为 "GMI Studio" 的 Workflow 产品，以及在年底陆续孵化强化学习类产品。这种从裸金属到 Token，再到应用层产品的全栈支持能力，让他们在面对 CoreWeave 等北美友商时，依然能在亚太和出海市场找到生存空间。

Alex 并不避讳谈论行业的残酷。他看到单纯的 GPU 租赁生意终将面临利润摊薄，为了在红海到来前建立壁垒，所以他正在做两件事，一是在全球范围内锁定 2027 年的电力资源，因为电力将是数据中心最大的硬约束；二是构建软件生态，通过深度优化模型提供比原生平台更快、更低成本的推理服务、模型服务 。值得一提的是，在行业里大家都还没有将 " 电 " 视为第一生产力影响要素的时候，Alex 早就已经提前做电厂的部署规划。

GMI Cloud 是这一轮 AI 基础设施玩家洗牌的缩影，是 AI Cloud 时代下的当红新贵。当热钱退去，只有那些能解决供应链、电力和深度技术服务的公司，才能留在牌桌上。

近期，我们与 GMI Cloud 创始人 Alex Yeh 进行了一次对话，谈到了他对算力市场的判断、公司的策略选择，以及这门生意的本质。以下是对话实录，经不改变原意的编辑。

看不清哪个 AI 应用会跑出来，但算力是确定的

硅星人：在创立 GMI Cloud 之前，你有着非常丰富的 AI 和 VC/PE 投资背景。是什么契机让你从 " 看项目的人 " 转变为下场 " 做项目的人 "，并投身到 AI 基础设施赛道？

Alex：这其实源于我做投资时的一个核心训练，叫 First Principle Thinking（第一性原理思考）。我习惯去问五个 " 为什么 "，一层层剥开表象，直到推导出一个市场里不变的真理。

举个例子，如果不看科技看养老，那个市场里不变的真理就是 " 老龄化 "，所有的看护、医疗需求都围绕这个不变的逻辑展开。当年我看区块链行业也是一样，为了寻找市场中的 Alpha，我发现那个赛道里唯一恒定的其实是比特币。而要想持续获得比特币，最底层的逻辑就是 " 算力 " 和 " 能源 "。所以我当时没有选择去炒币，而是直接投身去做了最底层的 " 挖矿 "，也就是数据中心的建设和电力资源的布局。

现在的 AI 赛道虽然五花八门，从通用的 LLM 到各种垂直赛道——心理治疗、数学科研、视频模型、Coding 等等，但它们中间核心不变的是什么？推导到最后，它们都需要消耗巨大的算力。

就像 1995 年互联网刚起步时，我们根本无法预见到 20 年后会出现 Facebook、Amazon 或是阿里巴巴。同样的，我现在可能看不清未来哪个具体的 AI App 会跑出来，但我能确定整个赛道对 GPU 算力的需求是确定的。所以，相比于去赌某一个具体的应用或工具（风险较大），赌整个 GPU 算力赛道对我来说是风险最小、确定性最高的选择。加上之前做区块链基础设施积累的机房建设经验和电力资源，也让我能比较快速地切入这个领域。

硅星人：与 AWS、Google Cloud 等云服务商（Hyperscalers）相比，GMI Cloud 的核心差异化是什么？业界有声音认为专业的 AI Cloud 效率能高出 40%，你们有观察到类似的优势吗？

Alex：Hyperscalers 和我们最大的区别，我觉得主要体现在三个维度：位置（Location）、服务颗粒度（Service）和产品形态（Product）。

首先是位置。Hyperscalers 通常只围绕特定的几个核心大区（Region）服务。但在很多特定市场，比如东南亚，公有云的覆盖其实并不完整，往往需要连接到东京或其他大节点的机房，这在延迟和数据合规上会有很大问题。GMI Cloud 创立之初就是一家 Global Company，我们在全球多个地区有多个节点，能更灵活地满足当地客户对数据驻留和低延迟的需求。

其次是服务的深度。这个行业里，除非你是全球 500 强或者每年预算在 2000 万美金以上，否则你很难在 Hyperscalers 那里获得专属的 Account Executive 或技术支持。但在 AI 训练中，机器与模型的绑定非常深，训练过程极不稳定，非常需要 TAM（技术客户经理）和 SA（解决方案架构师）的深度支持。GMI Cloud 能提供这种高强度的技术支持，帮助客户优化 Token 和 Infra，这是很大的体感差距。

最后是产品。Hyperscalers 的底座大多是围绕 CPU 云构建的，GPU 只是其中一部分，很多产品是基于 CPU 架构做的变通。而 GMI Cloud 是 AI Native 的，我们不仅是卖算力，还做到了底层的 Model Optimization 和 Memory Optimization。例如在 Llama 模型的推理上，我们的吞吐量和首字延迟能比传统云厂商快 2-3 倍；在视频生成模型上，我们的速度甚至能比某些官方 API 快 3 倍。这就是专注带来的红利。

硅星人：面对与 CoreWeave、Lambda 等模式相似的竞争对手，GMI Cloud 在技术、服务以及定价策略上，最核心的优势是什么？

Alex：CoreWeave 和 Lambda 都是非常值得尊敬的友商。CoreWeave 主要专注于 Training 和超大规模集群，客户集中度很高，Microsoft 和 OpenAI 占了很大比例，但在推理层面，比如按秒计费、全球多点部署（特别是亚洲），他们目前涉及较少。Lambda 的优势在于 Container 和租赁本身，但在模型层的适配上做得相对少一些。

GMI Cloud 的打法是提供 Vertical Stack（垂直全栈）的能力。我们不仅提供裸金属做训练，还提供 Inference Engine，支持按 Token 计费。这就好比我们既卖 " 面粉 "（算力），也卖 " 面包 "（API）。无论客户是需要裸金属做训练，还是作为创作者只需要调用 DeepSeek 或 Qwen 的 API，我们都能提供。而且我们在视频模型的优化上下了很大功夫，提供了 Video 相关的垂直服务，这是目前很多竞品还没覆盖到的。

不只是 " 套壳 "，是底层优化

硅星人：你们的 Inference Engine 平台，和很多公司都有类似的业务。你们的核心附加值到底是什么？

Alex：这问到了点子上。主要有两个核心区别，全球化能力和对底层硬件的掌控力。

据我了解，国内同类厂商的算力主要集中在国内，如果是做 AI 出海应用，会遇到明显的延迟问题。GMI Cloud 的节点遍布全球，能解决出海客户的地理位置痛点。

更重要的是，我们拥有自己的物理算力（Own Hardware），而不是纯粹的 Serverless API 聚合商。如果你去租阿里云或火山引擎，通常拿到的是 VM（虚拟机），很难做底层的 " 骚操作 " 来优化 GPU 集群的通信和推理效率。因为我们拥有底层的 GPU 卡，我们可以控制到 Bare Metal 甚至底层防火墙级别。只有控制硬体，才能把成本压下去，同时把性能提上来。这就是为什么我们能比原生平台跑得更快、更便宜。

硅星人：作为 NVIDIA 的 Reference Platform NVIDIA Cloud Partner，除了能优先拿到新卡，这个身份还带来了哪些 " 看不见 " 的好处？

Alex：这个认证确实不仅是拿卡那么简单。我们在研发层面与 NVIDIA 有非常紧密的 Bi-weekly Catch-up（双周技术会议）。

举个具体的例子，我们正在推进全亚洲第一个 GB300 液冷万卡集群的建设。这种级别的集群建设，业内几乎没有先例可循，难度非常大。NVIDIA 的团队会直接介入，帮我们一起调整参数、建设部署。

这种从 Confidential Computing 到 Infiniband 网络层面的深度技术支持，是我们能搞定这种超大规模集群的关键。此外，能提前接触到像 Rubin 这样下一代架构的信息和 Demo，也让我们在技术规划上能抢占先机。

硅星人：我们看到市场正出现 NVIDIA 之外的专用 AI 芯片（ASIC）。GMI Cloud 的长期硬件战略，是会继续深度绑定 NVIDIA，还是会拥抱一个更多元化的算力底层？

Alex：这是一个基于理性和时间的考量。目前光是适配 NVIDIA 的迭代——从 H100 到 H200 再到 Blackwell，以及 CUDA 的升级，就已经消耗了我们大量的人力资源。

再加上模型层也在疯狂迭代，像 DeepSeek、Qwen、Wan 这些新模型层出不穷。光是做好 NVIDIA 架构下的模型适配就已经很难了。所以短期内，我们会集中精力把英伟达芯片资源做深。当我们的规模扩展到一定程度后，可能会组建独立的团队去探索新的硬件生态。

硅星人：GMI Cloud 的容器化服务，与传统 GPU 租赁有什么不同？这些 PaaS/MaaS 层的服务，为客户带来的最终业务价值是什么？

Alex：传统的容器服务只是给你一张卡租多少时间。而我们的 MaaS 服务是经过深度优化的。

根据第三方平台的对比，我们的 API 相比其他提供商有 2.4 倍到 3 倍的提速。这背后的技术包括 GPU 并行计算（Parallelism），让我们能在多个节点间高效分配推理任务；以及自动扩缩容（Auto-scaling）和显存访问优化。最终给客户带来的价值就是：速度更快，成本更低。

算力还不是大宗商品，机器坏掉是不会挑日子的

硅星人：在你们与欧洲 AI 音乐平台的合作案例中，提到了 " 联合工作小组 " 进行调优。随着客户群扩大，你们将如何 Scale 这种定制化能力？

Alex：这种深度模式目前主要针对重点客户（Key Accounts）。这其实是一个互补和共同成长的过程。

比如我们有一个案例，客户同时使用 Qwen 和 DeepSeek 两个模型。他们擅长调优 Qwen，我们擅长调优 DeepSeek。于是我们决定 Share Repo（共享代码库），把各自优化的节点和加速经验共享出来，避免重复造轮子。通过这种深度合作，我们能将 GPU 集群的稳定性调得非常高，通过降低故障率和优化 Checkpointing，让客户的训练速度提升了 20%。

虽然这是高接触服务，但我们在合作中学到的技能，比如特定 Video 模型的优化，会沉淀下来，标准化后服务于更多同类客户。这本身也是我们在打磨产品。

硅星人：单纯的 GPU 租赁利润会越来越薄。GMI Cloud 计划如何通过构建自己的软件和服务生态，来避免陷入低利润的 " 算力红海 "？

Alex：很多人认为算力最终会变成 Commodity（大宗商品），但至少目前来看，它还不是。

在这个行业，即使你买了 GPU，如果网络服务和稳定性做不好，客户是没法用的。我们见过有厂商机器经常断网，或者周末找不到人维护。但你知道，机器坏掉是不会挑日子的。所以，服务品质和集群稳定性本身就是极高的壁垒。口碑越好，客户越多。

另外，规模（Scale）也是壁垒。现在能提供 8 卡、16 卡集群的厂商一抓一大把，但能提供单一集群 2000 卡甚至万卡级别的厂商非常少。随着模型越来越大，客户对大规模集群的需求在增加，这实际上是在进行一场去芜存菁的行业洗牌。只有具备大规模交付和服务能力的厂商才能在红海中生存下来。

硅星人：从行业视角看，先租后买（Buy-to-Own）在 AI 算力采购版图中的位置是什么？它会走向主流吗？

Alex： 它不会是全市场的主流，而是服务于特定阶段、比较成熟的客户。这类客户通常愿意签 3 年以上的长约，他们算过账，认为付完 3 年租金后，资产折旧也差不多了，希望能拥有资产的所有权。这是针对特定高端需求的一种灵活服务。

硅星人：与服务本土企业相比，服务海外企业和 AI 出海企业对你们的技术、服务和全球化能力提出了哪些不同的要求？

Alex： 中国出海企业通常有三个核心需求：1、成本可控的混合架构：出海初期预算有限，需要高性价比。2、用户体验：落地到日本、东南亚或北美时，需要当地的节点来保证低延迟。3、中文服务与合规：我们能提供普通话服务，同时解决当地的合规问题。

硅星人：目前来看，哪些行业对你们的 GPU 云服务需求最旺盛？能分享一两个最有意思的应用案例吗？

Alex：目前看最火的三个赛道是：AI Software Copilot（编程辅助）、Image & Video Generation（图像视频生成）和 AI Companions（AI 陪伴）。

最有意思的一个案例是我们有个做 Video 的客户。他们的产品发布后瞬间爆火，算力需求在 1 个月内翻了 8 倍。我们必须在极短时间内帮他们完成极速扩容，从几百卡瞬间扩到几千卡。

这对我们的供应链和调度能力是巨大的考验，但我们也因此赢得了客户的极度信任。这也带来了一个 " 甜蜜的负担 "，我们的卡经常处于售罄状态，需要在 Capacity（产能）和 Demand（需求）之间不断玩 " 跷跷板 " 游戏。

只做 " 出海 " 与 " 本地化 "

硅星人：在亚洲市场（如中国大陆、东南亚、东北亚），你们的布局和竞争策略是什么？

Alex：我们在不同市场的打法非常明确。

在中国大陆，我们不碰本土 GPU 业务，只做 " 出海服务 "。帮助中国企业落地东南亚、日本和北美。中国出海企业有三个核心需求：成本可控的混合架构、低延迟的用户体验（Local 节点），以及中文服务与合规。我们在亚太某些地区，因为有本地节点，解决了很多金融或 IC 设计公司在 AWS/GCP 上找不到本地算力的痛点。

在东北亚，我们已经拿下了日本第二大电力公司作为客户，并组建了日本团队，提供从 GPU 到模型管理的一条龙服务，服务本土大客户和出海落地的客户。

在东南亚，我们有丰富的机房 partner 资源，几乎可以做到快速帮国内 AI 应用出海企业快速拉到资源。

硅星人：去年的 A 轮融资取得了哪些关键进展？基于这些成果，公司对下一轮融资有何规划？

Alex：A 轮资金主要用于获取 NCP 认证和建设早期的千卡 / 万卡集群。这一年的成果是显著的，我们拿到了 NVIDIA 的核心认证，建设了万卡规模的算力，并赢得了投资人和客户的认可。

对于 B 轮融资，我们预计规模是 2 亿美金，预计本年底就可以 Close。这笔资金将主要用于建设 AI Factory，将我们的集群规模在现有基础上翻倍甚至翻三倍，特别是在北美、日本和台湾地区的扩容。

巨石、鹅卵石和沙

硅星人：你觉得未来两三年，GPU 云算力这个市场，最大的机会和挑战会是什么？

Alex：最大的挑战绝对是电力。真的不够用。

我们最早找机房时只需半兆瓦（0.5MW），现在找机房起步就是 40MW。整个规模发展非常可怕。我们现在做规划已经不是看 6 个月后，而是要直接去锁定 2027 年的电力资源。这也迫使我们往上游走，直接跟 Hyperscalers 和电力公司合作。未来的竞争，很大程度上会是能源的竞争。

硅星人：怎么看待开源和闭源大模型的竞争？这对你们有什么影响？

Alex：我觉得开源是整个产业的推进器。像今年的 DeepSeek V3 一出来，市场反应非常热烈，企业发现终于可以低成本地控制自己的数据和模型了。

以前大家觉得开源闭源差距很大，现在这个 Gap 正在迅速缩小（Converge）。之前像 Cursor 这样的产品一火，大厂马上就能出一个 Cloud Code 把它覆盖掉，因为成本太高了。但开源模型让大家有了反击的机会。我有一个大胆的预测，在 Video 赛道，也会出现 "DeepSeek Moment"。像阿里的 Wan 2.5 已经非常强了，未来视频模型也会像 LLM 一样，出现一个开源的高光时刻。这对我们这种基础设施厂商是巨大的利好。

硅星人：最后一个问题，我们正进入一个 " 推理时代 "。GMI Cloud 的理想状态，会是一个什么样的角色？

Alex：我们不希望只做一个单纯的 " 算力提供商 "，那样只会越做越窄。我们希望做一个可以解决 AI 应用企业所有技术及算力需求的 Verticalized AI Service Platform（垂直化 AI 服务平台）。

我有一个比喻，叫做 "Rock， Pebble and Sand"（巨石、鹅卵石和沙子）：

Rock（巨石）：像 CoreWeave 那样，提供超大规模集群给大模型公司做 Training。

Pebble（鹅卵石）：通过 K8s 和 Container，服务于需要灵活性、中等规模算力的初创企业。

Sand（沙子）：通过 Inference Engine 提供 API 服务，让创作者和开发者能像抓沙子一样，随时随地调用 DeepSeek、Qwen 等模型。同时针对开发者和创作者，我们也会孵化更多好用的服务，比如 Workflow 等。

我们的终局是把这三层全部打通，从最小的 API 调用到最大的万卡集群训练，提供一个全栈式的解决方案。