摘要：
硅星人對 GMI Cloud 創始人&CEO Alex Yeh 進行了專訪，內容包含了對 AI Cloud 市場判斷、公司願景等問題，作者週一笑，下文為對話實錄。
今年，AI 算力市場的重心正在發生偏移。DeepSeek 等開源模型的爆發是一個明確信號，AI 的主戰場正從昂貴的訓練場景，被拽入高頻、碎片化的推理場景。在這個節點上，Alex Yeh 和他的 GMI Cloud 站在了一個微妙的位置。
這家成立僅 3 年的公司，正在以一種罕見的速度完成資本與產能的原始積累。去年 10 月，GMI Cloud 拿到了 8200 萬美元的 A 輪融資 ，今年上半年又獲得了 NVIDIA NCP（Reference Platform NVIDIA Cloud Partner）認證 。這個認證，截至目前全球僅有 7 家公司持有 ，在緊缺的算力市場，它意味着擁有最高優先級的拿貨權和原廠技術支持 。
上週，GMI Cloud 宣佈與 NVIDIA 在中國台灣合作建設 AI Factory，GMI Cloud 自行總投資 5 億美元 。這座超級數據中心計劃部署基於 GB300 NVL72 架構的萬卡集羣 。據官方透露的獨家消息，該工廠的第一期算力已經售出，第二期也已有 50% 被預定 。
這背後是當前算力市場的真實供需，儘管芯片產能不再像兩年前那樣極度緊缺，但優質、可用的集羣資源依然稀缺。Alex Yeh 將這種狀態形容為一種複雜的壓力。作為 GMI Cloud 掌舵者，他必須在產能與需求之間走鋼絲，同時警惕懸在所有 GPU 雲廠商頭頂的達摩克利斯之劍：當 GPU 最終變成像水電煤一樣的大宗商品，一家創業公司如何避免淪為巨頭陰影下的流量管道？
Alex Yeh 並非典型的極客創業者。在創辦 GMI Cloud 之前，他在私募股權和風險投資領域工作多年，曾是區塊鏈生態中最年輕的合夥人 。資本市場的訓練讓他習慣於剝離技術泡沫，尋找資產的底層邏輯。
他曾目睹區塊鏈行業的興衰。在他看來，那個市場唯一恆定的資產是BT幣，而獲取它的路徑只有兩條，算力和能源。並沒有選擇炒作幣價，他投身於數據中心建設和電力佈局 。如今，他將這套邏輯複用到了 AI 領域。無論應用層如何演變，無論最終勝出的是 Coding 還是視頻生成模型，算力是唯一的確定性剛需。
但他拒絕做純粹的算力租賃商。在 AWS、Azure 和 Google Cloud 等超大規模雲廠商統治的市場“牌桌”中，GMI Cloud 試圖走出一條“符合 AI 應用企業需求的全鏈條算力支持”的新路子。
不同於巨頭主要圍繞 CPU 構建的通用雲底座，GMI Cloud 選擇了重資產模式：底層裸金屬採買自持英偉達高端 GPU，在全球建設多個數據中心；中間 IaaS 層自研集羣調度引擎——Cluster Engine（集羣引擎）平台，上層提供 MaaS 服務——Inference Engine （推理引擎）平台。同時，據一手消息，他們還即將上線一款名為“GMI Studio”的 Workflow 產品，以及在年底陸續孵化強化學習類產品。這種從裸金屬到 Token，再到應用層產品的全棧支持能力，讓他們在面對 CoreWeave 等北美友商時，依然能在亞太和出海市場找到生存空間。
Alex 並不避諱談論行業的殘酷。他看到單純的 GPU 租賃生意終將面臨利潤攤薄，為了在紅海到來前建立壁壘，所以他正在做兩件事，一是在全球範圍內鎖定 2027 年的電力資源，因為電力將是數據中心最大的硬約束；二是構建軟件生態，通過深度優化模型提供比原生平台更快、更低成本的推理服務、模型服務 。值得一提的是，在行業裏大家都還沒有將“電”視為第一生產力影響要素的時候，Alex 早就已經提前做電廠的部署規劃。
GMI Cloud 是這一輪 AI 基礎設施玩家洗牌的縮影，是 AI Cloud 時代下的當紅新貴。當熱錢退去，只有那些能解決供應鏈、電力和深度技術服務的公司，才能留在牌桌上。
近期，我們與 GMI Cloud 創始人 Alex Yeh 進行了一次對話，談到了他對算力市場的判斷、公司的策略選擇，以及這門生意的本質。以下是對話實錄，經不改變原意的編輯。
01
看不清哪個 AI 應用會跑出來，但算力是確定的
硅星人：在創立 GMI Cloud 之前，你有着非常豐富的 AI 和 VC/PE 投資背景。是什麼契機讓你從“看項目的人”轉變為下場“做項目的人”，並投身到 AI 基礎設施賽道？
Alex：這其實源於我做投資時的一個核心訓練，叫 First Principle Thinking（第一性原理思考）。我習慣去問五個“為什麼”，一層層剝開表象，直到推導出一個市場裏不變的真理。
舉個例子，如果不看科技看養老，那個市場裏不變的真理就是“老齡化”，所有的看護、醫療需求都圍繞這個不變的邏輯展開。當年我看區塊鏈行業也是一樣，為了尋找市場中的 Alpha，我發現那個賽道里唯一恆定的其實是BT幣。而要想持續獲得BT幣，最底層的邏輯就是“算力”和“能源”。所以我當時沒有選擇去炒啊幣，而是直接投身去做了最底層的事，也就是數據中心的建設和電力資源的佈局。
現在的 AI 賽道雖然五花八門，從通用的 LLM 到各種垂直賽道——心理治療、數學科研、視頻模型、Coding 等等，但它們中間核心不變的是什麼？推導到最後，它們都需要消耗巨大的算力。
就像 1995 年互聯網剛起步時，我們根本無法預見到 20 年後會出現 Facebook、Amazon 或是阿里巴巴。同樣的，我現在可能看不清未來哪個具體的 AI App 會跑出來，但我能確定整個賽道對 GPU 算力的需求是確定的。所以，相比於去賭某一個具體的應用或工具（風險較大），賭整個 GPU 算力賽道對我來説是風險最小、確定性最高的選擇。加上之前做區塊鏈基礎設施積累的機房建設經驗和電力資源，也讓我能比較快速地切入這個領域。
硅星人：與 AWS、Google Cloud 等雲服務商（Hyperscalers）相比，GMI Cloud 的核心差異化是什麼？業界有聲音認為專業的 AI Cloud 效率能高出 40%，你們有觀察到類似的優勢嗎？
Alex：Hyperscalers 和我們最大的區別，我覺得主要體現在三個維度：位置（Location）、服務顆粒度（Service）和產品形態（Product）。
首先是位置。Hyperscalers 通常只圍繞特定的幾個核心大區（Region）服務。但在很多特定市場，比如東南亞，公有云的覆蓋其實並不完整，往往需要連接到東京或其他大節點的機房，這在延遲和數據合規上會有很大問題。GMI Cloud 創立之初就是一家 Global Company，我們在全球多個地區有多個節點，能更靈活地滿足當地客户對數據駐留和低延遲的需求。
其次是服務的深度。這個行業裏，除非你是全球 500 強或者每年預算在 2000 萬美金以上，否則你很難在 Hyperscalers 那裏獲得專屬的 Account Executive 或技術支持。但在 AI 訓練中，機器與模型的綁定非常深，訓練過程極不穩定，非常需要 TAM（技術客户經理）和 SA（解決方案架構師）的深度支持。GMI Cloud 能提供這種高強度的技術支持，幫助客户優化 Token 和 Infra，這是很大的體感差距。
最後是產品。Hyperscalers 的底座大多是圍繞 CPU 雲構建的，GPU 只是其中一部分，很多產品是基於 CPU 架構做的變通。而 GMI Cloud 是 AI Native 的，我們不僅是賣算力，還做到了底層的 Model Optimization 和 Memory Optimization。例如在 Llama 模型的推理上，我們的吞吐量和首字延遲能比傳統雲廠商快 2-3 倍；在視頻生成模型上，我們的速度甚至能比某些官方 API 快 3 倍。這就是專注帶來的紅利。
硅星人：面對與 CoreWeave、Lambda 等模式相似的競爭對手，GMI Cloud 在技術、服務以及定價策略上，最核心的優勢是什麼？
Alex：CoreWeave 和 Lambda 都是非常值得尊敬的友商。CoreWeave 主要專注於 Training 和超大規模集羣，客户集中度很高，Microsoft 和 OpenAI 佔了很大比例，但在推理層面，比如按秒計費、全球多點部署（特別是亞洲），他們目前涉及較少。Lambda 的優勢在於 Container 和租賃本身，但在模型層的適配上做得相對少一些。
GMI Cloud 的打法是提供 Vertical Stack（垂直全棧）的能力。我們不僅提供裸金屬做訓練，還提供 Inference Engine，支持按 Token 計費。這就好比我們既賣“麪粉”（算力），也賣“麪包”（API）。無論客户是需要裸金屬做訓練，還是作為創作者只需要調用 DeepSeek 或 Qwen 的 API，我們都能提供。而且我們在視頻模型的優化上下了很大功夫，提供了 Video 相關的垂直服務，這是目前很多競品還沒覆蓋到的。
02
不只是“套殼”，是底層優化
硅星人：你們的 Inference Engine 平台，和很多公司都有類似的業務。你們的核心附加值到底是什麼？
Alex：這問到了點子上。主要有兩個核心區別，全球化能力和對底層硬件的掌控力。
據我瞭解，國內同類廠商的算力主要集中在國內，如果是做 AI 出海應用，會遇到明顯的延遲問題。GMI Cloud 的節點遍佈全球，能解決出海客户的地理位置痛點。
更重要的是，我們擁有自己的物理算力（Own Hardware），而不是純粹的 Serverless API 聚合商。如果你去租阿里雲或火山引擎，通常拿到的是 VM（虛擬機），很難做底層的“騷操作”來優化 GPU 集羣的通信和推理效率。因為我們擁有底層的 GPU 卡，我們可以控制到 Bare Metal 甚至底層防火牆級別。只有控制硬體，才能把成本壓下去，同時把性能提上來。這就是為什麼我們能比原生平台跑得更快、更便宜。
硅星人：作為 NVIDIA 的 Reference Platform NVIDIA Cloud Partner，除了能優先拿到新卡，這個身份還帶來了哪些“看不見”的好處？
Alex：這個認證確實不僅是拿卡那麼簡單。我們在研發層面與 NVIDIA 有非常緊密的 Bi-weekly Catch-up（雙週技術會議）。
舉個具體的例子，我們正在推進全亞洲第一個 GB300 液冷萬卡集羣的建設。這種級別的集羣建設，業內幾乎沒有先例可循，難度非常大。NVIDIA 的團隊會直接介入，幫我們一起調整參數、建設部署。
這種從 Confidential Computing 到 Infiniband 網絡層面的深度技術支持，是我們能搞定這種超大規模集羣的關鍵。此外，能提前接觸到像 Rubin 這樣下一代架構的信息和 Demo，也讓我們在技術規劃上能搶佔先機。
硅星人：我們看到市場正出現 NVIDIA 之外的專用 AI 芯片（ASIC）。GMI Cloud 的長期硬件戰略，是會繼續深度綁定 NVIDIA，還是會擁抱一個更多元化的算力底層？
Alex：這是一個基於理性和時間的考量。目前光是適配 NVIDIA 的迭代——從 H100 到 H200 再到 Blackwell，以及 CUDA 的升級，就已經消耗了我們大量的人力資源。
再加上模型層也在瘋狂迭代，像 DeepSeek、Qwen、Wan 這些新模型層出不窮。光是做好 NVIDIA 架構下的模型適配就已經很難了。所以短期內，我們會集中精力把英偉達芯片資源做深。當我們的規模擴展到一定程度後，可能會組建獨立的團隊去探索新的硬件生態。
硅星人：GMI Cloud 的容器化服務，與傳統 GPU 租賃有什麼不同？這些 PaaS/MaaS 層的服務，為客户帶來的最終業務價值是什麼？
Alex：傳統的容器服務只是給你一張卡租多少時間。而我們的 MaaS 服務是經過深度優化的。
根據第三方平台的對比，我們的 API 相比其他提供商有 2.4 倍到 3 倍的提速。這背後的技術包括 GPU 並行計算（Parallelism），讓我們能在多個節點間高效分配推理任務；以及自動擴縮容（Auto-scaling）和顯存訪問優化。最終給客户帶來的價值就是：速度更快，成本更低。
03
算力還不是大宗商品，機器壞掉是不會挑日子的
硅星人：在你們與歐洲 AI 音樂平台的合作案例中，提到了“聯合工作小組”進行調優。隨着客户羣擴大，你們將如何 Scale 這種定製化能力？
Alex：這種深度模式目前主要針對重點客户（Key Accounts）。這其實是一個互補和共同成長的過程。
比如我們有一個案例，客户同時使用 Qwen 和 DeepSeek 兩個模型。他們擅長調優 Qwen，我們擅長調優 DeepSeek。於是我們決定 Share Repo（共享代碼庫），把各自優化的節點和加速經驗共享出來，避免重複造輪子。通過這種深度合作，我們能將 GPU 集羣的穩定性調得非常高，通過降低故障率和優化 Checkpointing，讓客户的訓練速度提升了 20%。
雖然這是高接觸服務，但我們在合作中學到的技能，比如特定 Video 模型的優化，會沉澱下來，標準化後服務於更多同類客户。這本身也是我們在打磨產品。
硅星人：單純的 GPU 租賃利潤會越來越薄。GMI Cloud 計劃如何通過構建自己的軟件和服務生態，來避免陷入低利潤的“算力紅海”？
Alex：很多人認為算力最終會變成 Commodity（大宗商品），但至少目前來看，它還不是。
在這個行業，即使你買了 GPU，如果網絡服務和穩定性做不好，客户是沒法用的。我們見過有廠商機器經常斷網，或者週末找不到人維護。但你知道，機器壞掉是不會挑日子的。所以，服務品質和集羣穩定性本身就是極高的壁壘。口碑越好，客户越多。
另外，規模（Scale）也是壁壘。現在能提供 8 卡、16 卡集羣的廠商一抓一大把，但能提供單一集羣 2000 卡甚至萬卡級別的廠商非常少。隨着模型越來越大，客户對大規模集羣的需求在增加，這實際上是在進行一場去蕪存菁的行業洗牌。只有具備大規模交付和服務能力的廠商才能在紅海中生存下來。
硅星人：從行業視角看，先租後買（Buy-to-Own）在 AI 算力採購版圖中的位置是什麼？它會走向主流嗎？
Alex： 它不會是全市場的主流，而是服務於特定階段、比較成熟的客户。這類客户通常願意籤 3 年以上的長約，他們算過賬，認為付完 3 年租金後，資產折舊也差不多了，希望能擁有資產的所有權。這是針對特定高端需求的一種靈活服務。
硅星人：與服務本土企業相比，服務海外企業和 AI 出海企業對你們的技術、服務和全球化能力提出了哪些不同的要求？
Alex： 中國出海企業通常有三個核心需求：1、成本可控的混合架構：出海初期預算有限，需要高性價比。2、用户體驗：落地到日本、東南亞或北美時，需要當地的節點來保證低延遲。3、中文服務與合規：我們能提供普通話服務，同時解決當地的合規問題。
硅星人：目前來看，哪些行業對你們的 GPU 雲服務需求最旺盛？能分享一兩個最有意思的應用案例嗎？
Alex：目前看最火的三個賽道是：AI Software Copilot（編程輔助）、Image & Video Generation（圖像視頻生成）和 AI Companions（AI 陪伴）。
最有意思的一個案例是我們有個做 Video 的客户。他們的產品發佈後瞬間爆火，算力需求在 1 個月內翻了 8 倍。我們必須在極短時間內幫他們完成極速擴容，從幾百卡瞬間擴到幾千卡。
這對我們的供應鏈和調度能力是巨大的考驗，但我們也因此贏得了客户的極度信任。這也帶來了一個“甜蜜的負擔”，我們的卡經常處於售罄狀態，需要在 Capacity（產能）和 Demand（需求）之間不斷玩“蹺蹺板”遊戲。
04
只做“出海”與“本地化”
硅星人：在亞洲市場（如中國大陸、東南亞、東北亞），你們的佈局和競爭策略是什麼？
Alex：我們在不同市場的打法非常明確。
在中國大陸，我們不碰本土 GPU 業務，只做“出海服務”。幫助中國企業落地東南亞、日本和北美。中國出海企業有三個核心需求：成本可控的混合架構、低延遲的用户體驗（Local 節點），以及中文服務與合規。我們在亞太某些地區，因為有本地節點，解決了很多金融或 IC 設計公司在 AWS/GCP 上找不到本地算力的痛點。
在東北亞，我們已經拿下了日本第二大電力公司作為客户，並組建了日本團隊，提供從 GPU 到模型管理的全流程服務，服務本土大客户和出海落地的客户。
在東南亞，我們有豐富的機房 partner 資源，幾乎可以做到快速幫國內 AI 應用出海企業快速拉到資源。
硅星人：去年的 A 輪融資取得了哪些關鍵進展？基於這些成果，公司對下一輪融資有何規劃？
Alex：A 輪資金主要用於獲取 NCP 認證和建設早期的千卡/萬卡集羣。這一年的成果是顯著的，我們拿到了 NVIDIA 的核心認證，建設了萬卡規模的算力，並贏得了投資人和客户的認可。
對於 B 輪融資，我們預計規模是 2 億美金，預計本年底就可以 Close。這筆資金將主要用於建設 AI Factory，將我們的集羣規模在現有基礎上翻倍甚至翻三倍，特別是在北美、日本和台灣地區的擴容。
05
巨石、鵝卵石和沙
硅星人：你覺得未來兩三年，GPU 雲算力這個市場，最大的機會和挑戰會是什麼？
Alex：最大的挑戰絕對是電力。真的不夠用。
我們最早找機房時只需半兆瓦（0.5MW），現在找機房起步就是 40MW。整個規模發展非常可怕。我們現在做規劃已經不是看 6 個月後，而是要直接去鎖定 2027 年的電力資源。這也迫使我們往上游走，直接跟 Hyperscalers 和電力公司合作。未來的競爭，很大程度上會是能源的競爭。
硅星人：怎麼看待開源和閉源大模型的競爭？這對你們有什麼影響？
Alex：我覺得開源是整個產業的推進器。像今年的 DeepSeek V3 一出來，市場反應非常熱烈，企業發現終於可以低成本地控制自己的數據和模型了。
以前大家覺得開源閉源差距很大，現在這個 Gap 正在迅速縮小（Converge）。之前像 Cursor 這樣的產品一火，大廠馬上就能出一個 Cloud Code 把它覆蓋掉，因為成本太高了。但開源模型讓大家有了反擊的機會。我有一個大膽的預測，在 Video 賽道，也會出現“DeepSeek Moment”。像阿里的 Wan 2.5 已經非常強了，未來視頻模型也會像 LLM 一樣，出現一個開源的高光時刻。這對我們這種基礎設施廠商是巨大的利好。
硅星人：最後一個問題，我們正進入一個“推理時代”。GMI Cloud 的理想狀態，會是一個什麼樣的角色？
Alex：我們不希望只做一個單純的“算力提供商”，那樣只會越做越窄。我們希望做一個可以解決 AI 應用企業所有技術及算力需求的 Verticalized AI Service Platform（垂直化 AI 服務平台）。
我有一個比喻，叫做 "Rock， Pebble and Sand"（巨石、鵝卵石和沙子）：
Rock（巨石）：像 CoreWeave 那樣，提供超大規模集羣給大模型公司做 Training。
Pebble（鵝卵石）：通過 K8s 和 Container，服務於需要靈活性、中等規模算力的初創企業。
Sand（沙子）：通過 Inference Engine 提供 API 服務，讓創作者和開發者能像抓沙子一樣，隨時隨地調用 DeepSeek、Qwen 等模型。同時針對開發者和創作者，我們也會孵化更多好用的服務，比如 Workflow 等。
我們的終局是把這三層全部打通，從最小的 API 調用到最大的萬卡集羣訓練，提供一個全棧式的解決方案。
