Article · Original
The article text is unavailable in this language; an existing version is shown.
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，单纯靠 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”，而未能解决“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有穿透力的行业洞察：
“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 正是这台发动机系统在 AIGC 领域的具象落地。
SimilarWeb 数据显示，今年 3 月到 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》采访时还透露，平台每月的 Token 消耗量已达9万亿。
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。
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 们）本质上都是“轻资产”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级压榨。
然而，在音视频图像真实的内容生产流程中，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 等专业软件运行时依赖 GPU，复杂的视频生成与超分合成更是极其消耗计算资源。传统做法是按照业务峰值给推理和渲染各自囤卡，结果必然是“高峰排队、低谷卡闲着”。
“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立不了的判断，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，都有它的技术支持；凭借多年积累的 GPU 算力调度能力，它也是国内较早把算力投向 AIGC 的公司之一，如今已经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，是从根头上把异构 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，直接搬到了 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% 的惊人位置。
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站在行业的高位。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越来越惊艳，但一旦跨进真实的工业级生产管线，效果与商业化交付预期之间依然横亘着巨大的断层。
这背后的原因，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，代码能不能跑通、数学题做得对不对，有清晰的 Benchmark 衡量；但图像和音视频则是发散的。审美更是没有标准答案，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。
更深层的难题是，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种天马行空特效，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：放弃跟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”： 针对真实生产中最抓狂的速度、成本、质量与一致性限制，推出 RH 系列垂直模型。
仅今年 9 月短短的 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，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 RTX6000D 节点上，将 5 秒视频生成时间从 6 分钟暴力压缩至 28.7 秒（提速近 12 倍），显著提升专业创作者的实时试错效率；而且这套方案跑在通过 PCIe 连接、没有 NVLink 高速互联的 RTX 6000D 多卡环境上，并不依赖高端数据中心 GPU，中小团队用常规的多卡服务器就能本地部署，整套方法和复现说明也已经在 GitHub 上公开。
H3 RH Enhanced： 针对多镜头长叙事场景做一致性后训练，在 16 个镜头以上的复杂任务中，将人物崩坏率降低 60% 以上。价格最低仅需 0.18 元/秒。
△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 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。一个第三方经过场景化后训练的模型，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转移到生产现场反馈 。
第二，打通微调生态机制，将“不可量化的审美偏好”资产化： 除了由平台解决通用难题，海马云还在过去两年的实践中，沉淀了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、特定画风与极高一致性诉求，海马云支持创作者与企业通过自己的作品反复训练、调试，生成专属的 Checkpoint 微调模型与风格化 LoRA，再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味，沉淀为可被 AI 确切执行的“数字美术资产”。目前 RunningHub 上已积累了海量此类风格 LoRA，甚至有头部手游公司将全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。
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。 ”
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。
国内外很多纯应用公司仍停留在模型调用层：给模型做了个界面，套上对话框或画布，让用户通过 Prompt 驱动 AI。但生产不是聊天，真实任务也不是一次 Prompt 就能完成。它需要任务拆解、多模型协同、工具调用、过程校验和持续迭代，最终交付符合要求的结果。
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完成工作。 这套负责组织模型、上下文和生产工具链，并对最终交付负责的系统，就是 Harness。它决定了 AI 能否从单点能力走向复杂任务执行，从偶发的生成效果走向稳定、可规模化的生产能力。
“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 的价值已经被反复验证。
编程领域有 Anthropic 旗下的 Claude Code，它底层虽然是 Claude 模型，但读代码、改文件、跑测试、根据报错继续修复的能力，都来自模型外面那层 Harness；网站编辑领域的 Lovable，让用户用一句话就能拿到一个可上线的网站，今年 8 月完成 4 亿美元C轮融资后，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），它真正的壁垒早已不是画图功能，而是设计师的素材库、版本历史与协作流程都沉淀在平台里，迁移成本极高。
在 AIGC 领域，海马云旗下的 RunningHub 就是图像音视频内容生产领域 Harness 的典型样本。
在图像和音视频领域，Harness 的门槛要高得多。因为视觉生产的需求是发散的，单靠一个对话框根本无法完成交付，它需要更长的工具链和更厚的上下文，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音视频生产的 Harness，Runow、无限画布 rhTV、RHSTORY 等产品是它的主要载体。这套 Harness 的核心由三部分组成：
Agent 负责理解意图、拆解任务、调用工具、控制费用和检查结果；
工具链涵盖画布、ComfyUI 工作流、LoRA 训练、云电脑以及 Blender、Unreal 等专业软件；
上下文则提供影视、电商、短剧、游戏、建筑等行业的专家知识和 know-how。
在海马云看来，未来将是 Agent 驱动一切的时代：
上下文够（Context is Enough）、工具链够（Toolchain is Enough），Agent 就可以完成所有事情。
上下文够（Context is Enough）、工具链够（Toolchain is Enough），Agent 就可以完成所有事情。
按照这个思路，平台上所有的交互入口，最终都会升级成 Agent 入口。
这首先体现在 RunningHub 的模型动态路由和智能编排上。 面对同一个需求，用哪个模型、按什么顺序调用、花多少钱，过去都要用户自己摸索；而现在，这些决策正在交给 Agent。据海马云介绍，RunningHub 已有约 60% 的模型调用由智能动态路由完成：Agent 会先识别用户的意图，再结合行业 know-how 的上下文知识拆解任务，把简单任务分给小模型、复杂任务分给大模型，电商图、电影感画面、短漫剧制作等不同类型的任务，也会被分别交给最合适的模型。
在新版 Runow 中，这项能力被直接做进了产品。当“模型偏好”设置为“自动”时，Agent 会按任务自动选用 Skill 和模型，用户不需要先学会每个模型和工作流；这样一来，效果有保障，成本也能控制住，不该用大模型的环节，就不必花大模型的钱。
当然，Agent 要真正把活儿干完，离不开两个前提：一是足够的上下文，二是足够的工具链。
工具链，是让大模型这个“大脑”长出手脚的必要条件。 不同的创作管线，需要调用的工具链也不一样，其中最复杂的，当属影视级制作。
影视级制作对成片质量的要求极高，人物资产、场景构建、镜头的运镜和调度，每一环都有严格的标准，单靠和大模型对话几乎不可能完成生产。为此，海马云打通了画布、LoRA 训练、ComfyUI 工作流以及 Blender、Figma、Premiere+云电脑等多条工具链，深入 AIGC 的创作管线，搭建起了一套影视级的生产管线。
其中值得重点一提的，是 Blender+云电脑的解决方案。Blender 是 3D 建模与场景调度的行业必备软件。市场上绝大多数 AIGC 平台提供的“3D 导演台”大多属于面向新手的简化玩具，一旦涉及专业建模，用户必须在 AI 平台和 Blender 之间反复横跳、断裂生产。
RunningHub 的做法，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，直接把 Blender 这类吃 GPU 且对延迟极度敏感的原生专业软件部署在边缘节点上，让 Agent 直接在 RunningHub 的画布中无缝调用。
用户只需在画布中用自然语言描述需求，Harness（系统编排）就会调度 Agent 自动打开云电脑中的 Blender 工程执行搭建；如果需要精细调整，创作者随时可以接管同一份工程做人工精调。
这么做的价值，并不只在于效率。一方面，专业用户的付费意愿和普通用户不在一个层级，就像修图 App 的用户和 Photoshop 用户之间的差别；另一方面，专业用户在原生 Blender 中的每一步操作，都会沉淀为平台的专家轨迹，反过来成为 Agent 能力进化的养料，而这恰恰是只提供简化工具的平台很难拿到的。
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，没能通过播出平台的审核。据他介绍，按传统影视行业的做法，用 Maya 或 UE 管线做一个人物角色资产，要达到头发根根分明、瞳孔颜色清晰、服装配饰经得起特写的播出要求，一整套下来成本大约在 12 万元； 而如果用 AI 自救，先让大模型生成人物整图，再把手、指甲、头发、瞳孔、配饰等细节逐一切图重绘，最后用 PS 逐块拼回，一个角色前后要操作上百次。
而在 RunningHub 中，这些步骤都可以通过自然语言交给 Agent 完成。Agent 凭借上下文里的影视级材质标准和参考图，调用工具自动切图，为每个局部挑选合适的 LoRA 或模型进行修复，最后再调用工具合成，导演只需在关键节点确认即可， 而且成本降低了 90% 。
从将影视级制作管线打通的 rhTV，到将短剧制作周期压缩至“一人一天”的 RHSTORY，到精准拆解爆款元素的电商 Skill，海马云的 Harness 正在让 AI 真正长出“手脚”，深入到高门槛的真实生产管线中。
这套 Harness 有没有真正进入生产环节，客户的持续投入就是最好的答案。某家电商AI服务商去年年底接入 RunningHub 后，一个月内就搭建了 47 个自建应用，覆盖从商品图到短视频的整套制作流程，并提供给旗下 100 多个商家账号使用；最近两个月，他们连续 56 天每天调用，累计调用超过 12 万次，月投入增长 700%。
不过，无论是 Agent 的智能编排，还是工具链的打通调用，都离不开一个共同的前提——足够的上下文和数据。在海马云的生态体系中，健全的 Harness 让大模型长出了手脚，而数据则是驱动这台发动机持续运转的血液。
工具和流程终究是可以被模仿的，海马云真正的壁垒，党劲峰给出的答案是数据：
健全的 Harness 是必要条件，让大模型长出了手；数据是另一个必要条件，二者共同构成了AI生产力系统持续运转的充要条件。
健全的 Harness 是必要条件，让大模型长出了手；数据是另一个必要条件，二者共同构成了AI生产力系统持续运转的充要条件。
但海马云所强调的数据，并非互联网上公开抓取的泛化图库，而是在合规情景之下获取的极其有价值的 生产现场数据与专家决策轨迹 。
专家决策轨迹沉淀： 资深创作者在 RunningHub 上完成一项生产任务时，选择什么模型、调用什么工具节点、是先在 3D 导演台里布置镜头，还是在画布上逐个节点地搭建流程，又或是直接交给 Agent 一键生成；一条视频修改了几轮，每一轮调整的是光影还是表情……这些脱敏的操作轨迹会被完整记录。
而这些脱敏的高维的人类专家交互序列，更是通用大模型的训练数据里几乎不会出现的东西，在垂直自研的后训练中，被转化为强化学习的奖励信号，强行训练模型将原本繁琐的十步博弈折叠压缩为一次丝滑的原生推断。
行业 Know-how 资产化： 游戏美术的画风控制、电商操盘手的爆款转化配方、影视导演的镜头语言，这些由创作者授权贡献的资产，正在被结构化提炼为可复用的 Skill 与结构化知识库。作为国内最早的 AIGC 开源社区之一，目前 RunningHub 上已积累了百万级的开源工作流，每天仍以千条的速度递增。
这些数据最终都会汇入知识库。知识库是供AI调用的结构化数据库，也是整套系统的核心组件，由平台和 ComfyUI、LoRA 创作者共同建设，覆盖建筑、游戏、影视、电商等行业。
目前，海马云的知识库分为两部分：一部分是产品知识，即 RunningHub 的规则和使用方法；另一部分是创作知识，即图片、视频的提示词与制作方法。
下一步，海马云还将按行业建库，率先覆盖电商、影视短剧和广告。前文影视案例中 Agent 所掌握的材质标准，正是来自这样的知识沉淀。
闭环自进化演进与高留存： 真实生产任务中的修改与评价回流为测评集，反哺模型后训练与 Agent 演进。
一方面是模型的进化：经过合规获取的生产轨迹和专家经验，会被持续用于RH系列模型的后训练，让模型越来越贴近真实的生产需求。
另一方面则是 Agent 的进化，它会变得越来越懂需求、越来越懂用户，返工也越来越少。用户说一句“更精致一点”“更有质感一些”， Agent 就能选对方法和模型，甚至主动推荐合适的材质，用户不必再去研究提示词；用户的素材、品牌资料和历史项目积累得越多， Agent 产出的内容就越贴近其风格和规范；而真实对话和任务测评中发现的常见问题，在修复之后，同类任务一次做对的比例也会越来越高。对模糊意图的理解，恰恰是专业生产中难度最高、价值也最高的环节之一。
此外，企业在平台上长期积累的 ComfyUI 工作流、训练好的 LoRA 以及 VI 规范，构成了极高的迁移成本。比如品牌设计师把VI规范交给 Agent 之后，后续生成的每一张图，都会自动遵守品牌规范。平台能否把这些资产管理好、复用好，将直接决定客户会不会留下来。据海马云介绍，自建工作流沉淀较多的用户，留存率接近 100%。
其中，某建筑设计公司接入 RunningHub 后，针对建筑效果图痛点自建了“结构修复”等 7 个应用与 14 个工作流，月投入增长超 10 倍，几乎将平台当成了“第二个办公室”；某手游研发公司则在平台上训练了 80 余个专属 LoRA、搭建了 超 160 个自建工作流，把自家游戏的美术风格训练成专属模型，覆盖塔防场景、Q 版角色、游戏图标和国风纹样等，同时搭建线稿细化、动作迁移、多角度出图、图转 3D 等生产工具，将整套游戏的美术风格沉淀为资产，三个月内用量增长近 70 倍。
大模型演进的狂热终将回归理性，参数规模的记录终会被刷平，榜单排名也会持续洗牌；但在大浪淘沙之后，AI 商业化的终局法则正显露出无比清晰的真相。
正如党劲峰所看到的：消费级 AI 之所以不挣钱，本质上是因为 C 端普通用户根本缺乏持续且强烈的付费动力。
中美两地的互联网竞争生态存在着天壤之别，中国互联网的渗透深度、商业模式的成熟度与用户习惯的演进远远走在世界前列。许多在海外靠新鲜感、玩梗或浅层包装堆叠出来的 C 端 Consumer 模式（例如海外依靠短期热度爆发的社交与滤镜类产品 Instax/Instinct 等），落到竞争极其残酷的国内本土市场，根本无法建立可持续的商业盈利方程。
当虚荣跑分与 C 端浅层应用逐渐褪色，真正具备高壁垒、高客户续费粘性的，必然是能为 B 端企业和专业创作者带来明确降本增效的垂直 AI 生产力。
纵观海马云的整体战略范式，其核心优势并不在于单一维度的单点突破，而在于自下而上构建起了一套高度自洽的 五层能力栈 ：
算力层：最底层的异构 GPU 调度与渲推一体筑牢成本底线；
模型层：多模型智能编排与场景化后训练（RH 系列），死磕企业级交付的一致性、成本与速度短板；
Harness 层：任务智能编排、 Agent 与专业原生软件（Blender 等）直连，把大模型真正接进工业生产线；
数据层：沉淀专家操作轨迹与行业 Know-how，反哺模型演进，形成越用越懂行的飞轮闭环；
应用层：承载 RunningHub、rhTV、RHSTORY 等多样化产品生态，实现从垂直场景到商业交付的终端落地。
五层架构交织运转，共同组成了海马云这台难以复制的 “AI 生产力发动机”，构建出了一条完整的商业闭环。
AI 商业化迈入深水区，单纯依靠调 API 套壳的浅层应用注定沦为过客，只做自研大模型虚荣跑分的实验室玩家亦难逃落地困局。 只有具备从算力调度到应用落地的全栈五层能力，造出 AI 生产力发动机的公司，才能真正将技术转化为可持续的商业确定性，在终局的产业核心牌桌上牢牢站稳位置。
海马云构建的这台“AI 生产力发动机”，或许正代表着中国 AI 产业从“概念狂欢”走向“工业落地”的硬核解法。