三石 发自 凹非寺
量子位 | 公众号 QbitAI
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 跑分榜上激烈竞争，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。”但这仅解决“调用效率”，未能解决“交付能力”。海马云创始人兼 CEO 党劲峰指出：消费级 AI 很难挣到钱，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’。
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%；平台每月 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。
算力决定成本底线：异构调度与“渲推一体”构建壁垒
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本质上是“轻资产”运转，缺乏自研算力底座，导致毛利率极易受上游成本挤压，且无法做到物理级成本压榨。
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。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。”
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均有其技术支持。凭借多年积累的 GPU 算力调度能力，海马云在全球部署了 69 个计算节点，拥有 6 EFLOPS 的算力池。
其底层逻辑是将异构 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”能力移植到 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% 的位置。
对于企业客户而言，这意味着极高的性价比；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。
补齐生产力短板：垂直后训练打通“最后一公里”
多模态大模型发展至今，一个明显的矛盾是：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。
党劲峰指出：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，有清晰的标准衡量；但图像和音视频则是发散的，审美没有标准答案。一旦落到严苛的工业生产环节，就会暴露为人物变脸、风格漂移等工程缺陷。
通用模型追求广泛适用，而真实影视级生产要求像素级精准可控，这两种目标之间天然存在能力落差。
基于此，海马云放弃跟大厂竞争通用模型的参数规模，而是将核心资源集中于通用模型的场景化后训练与工程优化上，通过两条路径打通算法到生产的最后一公里：
1. 垂直模型后训练，破解“硬工程难题”
针对真实生产中的速度、成本、质量与一致性限制，推出 RH 系列垂直模型。仅今年 9 月 20 天内，海马云就推出了 3 个独家模型：
RH Upscale 超分模型：突破常规算法，在补全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。
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。这意味着，模型调用的决策权正转移到生产现场反馈。
2. 打通微调生态机制，将“审美偏好”资产化
面对通用模型无法理解的个人独特审美及特定画风，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，并无缝接入自动化工作流长期复用。
这一机制将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。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。”
从对话框到生产线：Harness 系统驾驭真实生产
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，让用户通过 Prompt 驱动 AI。但生产不是聊天，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。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。
“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。”
在垂直领域，Harness 的价值已经被反复验证。编程领域有 Claude Code，网站编辑领域有 Lovable，设计领域有 Figma。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。RunningHub 搭建的 Harness 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。
智能动态路由：Agent 自动决策模型与成本
这首先体现在 RunningHub 的模型动态路由和智能编排上。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。
在新版 Runow 中，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。
专业工具链直连：Blender+云电脑打破生产断裂
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。
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。其中值得重点一提的是 Blender+云电脑的解决方案。
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工具，一旦涉及专业建模，用户必须在 AI 平台和 Blender 之间反复横跳。RunningHub 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 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远高于普通用户；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。
案例：影视级角色资产制作成本降低 90%
AIGC 导演 @千堇 是 RunningHub 的典型用户。他曾表示，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，要达到播出要求，一整套下来成本大约在 12 万元；如果用 AI 自救，手动操作上百次拼回细节，效率极低。
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，海马云的 Harness 正在让 AI 真正深入到高门槛的真实生产管线中。
客户的持续投入是最好的答案。某家电商 AI 服务商接入 RunningHub 后，一个月内搭建了 47 个自建应用，最近两个月连续 56 天每天调用，累计调用超过 12 万次，月投入增长 700%。
数据决定进化速度：生产现场数据与专家轨迹是核心壁垒
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。
党劲峰给出的答案是：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的操作序列（选择什么模型、调用什么工具节点、修改了几轮等）会被完整记录。这些脱敏的高维人类专家交互序列，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。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。
这些数据最终汇入知识库，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。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。
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，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。
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。据海马云介绍，自建工作流沉淀较多的用户，留存率接近 100%。
某建筑设计公司接入后，自建了 7 个应用与 14 个工作流，月投入增长超 10 倍；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，三个月内用量增长近 70 倍。
结语：五层能力栈构建 AI 生产力发动机
大模型演进的狂热终将回归理性。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。许多在海外靠新鲜感堆叠出来的 C 端模式，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。
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —