Hedge Fund Day 1: 算力调度不是 GPU 租赁

今天准备看共绩科技。

一开始我以为这就是一家 GPU rental company。

后来发现这个判断有点偷懒。说它是 GPU 租赁，不能算错，但也像把滴滴说成“汽车租赁公司”。表面上好像对了，实际上把最重要的东西漏掉了。

共绩真正想做的，应该更接近一个 AI 时代的算力滴滴：把分散的、闲置的、波动的 GPU 资源，调度给同样分散、同样波动的 AI 需求。它们官网写的是弹性算力服务平台，融资新闻里更直接，把这套东西叫成“电网式算力调度网络”。

这个比喻也不能乱用。因为只要用了“滴滴”两个字，听起来就很容易变成创业 BP：

我们是 XX 领域的 Uber。

然后投资人开始微笑，创业者开始冒汗。

所以今天我不想先下判断。我更想记录一下：如果我要认真看这家公司，哪些问题是真的问题。

1. 不能只问有多少卡

看算力公司，最容易问的问题是：

你们有多少 GPU？

这个问题当然重要，但它太粗了。

如果一家公司的故事是“我们有很多卡”，那它很快就会进入一个很朴素的竞争世界：谁卡多，谁便宜，谁交付快。这个世界也不是不好，只是听起来不太像一个高壁垒的平台，更像一个很辛苦的资源生意。

他们自己的定价页也很直观：4090、5090、H20、A800、H800 等机型按秒 / 按小时计费。这个页面让我更确定，价格是入口，但不是我最该盯的地方。

我现在更想问的是：

有多少资源是真正可以商业化调度的？

这个词很无聊，但很关键。

因为“资源”至少可以拆成几层：

潜在资源
签约资源
接入资源
稳定调度资源
可商业化调度资源

这几层完全不是一回事。

一台理论上存在的电脑，不等于供给。

一张偶尔在线的显卡，不等于收入。

一个可以稳定接任务、能隔离、能计费、能交付、客户出了问题有人负责的节点，才比较接近资产。

所以这家公司真正的核心，不是把 GPU 数字写大，而是把“不稳定的资源”变成“客户感觉稳定的服务”。

这句话听起来很平淡，但我感觉里面有很多 pain。

2. AI 推理让算力需求变得很不讲道理

训练模型的时候，算力需求比较像一顿大餐。你知道自己要吃很多，提前订桌，准备预算，然后开始烧钱。

推理不一样。

推理更像一天到晚吃零食，而且随时可能突然来一群人一起吃。

一个 AI 应用平时可能很安静，某天因为活动、节日、发布会、热点、或者某个用户突然想批量生成三千张图，流量就冲上来了。

这时候传统云当然也能解决问题，只是成本和弹性不一定舒服。

我看到的一个案例是 Remy。共绩自己和媒体都写到过，Remy 在春节 / 新品发布这种峰值场景里需要快速扩 GPU，相关报道里提到过48 小时扩到约 1900 张卡。这种案例很适合讲故事，但也很适合追问：峰值之后的留存、毛利和复购到底怎么样。

所以“潮汐算力”这个词虽然有一点 marketing 味，但它描述的问题是真的：

图像生成有峰值
视频生成吃资源
PDF / OCR 这类任务可以批量爆发
LLM inference 的用户行为很难预测
Agent 可能把一个请求拆成很多次模型调用

如果需求本身变得越来越潮汐化，那么调度就不只是后台技术，而可能变成商业模式的一部分。

这也是我觉得共绩有意思的地方。

不是因为“它有 GPU”。

而是因为它在问：

能不能把波动变成利润？

3. 技术壁垒到底在哪里

我看到材料里提到自研 Rust 底层调度系统。

我的第一反应是：

为什么不用 Kubernetes？

然后又想问：

为什么不用 KubeEdge？为什么不用 Karmada？

当然，我问这些名字的时候，也有一点装懂成分。人类看到熟悉的技术名词，会自然产生一种“我参与了讨论”的错觉。

但问题本身还是有必要的。

如果只是管理稳定的云服务器，那现成系统已经很多了。重新做一套底层调度，听起来就像是工程师表达自我的一种昂贵方式。

但如果共绩要管理的是个人 PC、网吧电脑、IDC、公有云、政企集群这些异构资源，那问题确实会变复杂。

因为这些资源并不听话：

机器可能下线
网络可能波动
配置不一致
镜像启动有冷启动
任务会失败
客户还要求 SLA

所以我真正想知道的是：

自研系统解决了什么现有框架解决不了的问题？

如果答案清楚，那这是壁垒。

如果答案不清楚，那可能只是一个很贵的工程选择。

这里我会把几个参照物提前放在桌上：Kubernetes 本来就是生产级容器编排系统；KubeEdge 是把 Kubernetes 能力延伸到边缘节点；Karmada 做多集群、多云调度。共绩如果要证明自研必要性，就要讲清楚这些东西在它的场景里具体卡在哪里。

4. 算法不要先神化

材料里提到 Monte Carlo reinforcement learning。

我看到的时候有一点兴奋。因为这个词会让人觉得自己离 David Silver 的课很近。

大概近到 YouTube 推荐栏的距离。

但冷静下来之后，还是要问：

为什么一定要用这个？

调度的目标很多：

延迟要低
成本要低
空闲要少
违约要少
故障切换要快
资源利用率要高

这些目标之间很容易打架。你优化成本，可能伤害稳定性；你优化稳定性，可能牺牲利用率；你优化利用率，客户可能开始不快乐。

所以我对算法最关心的不是名字，而是三件事：

reward function 到底怎么设？
有没有简单 baseline？
线上数据能不能证明它比普通规则更好？

很多时候，公司说“AI 调度算法”，最后真正有用的可能是一个规则系统、一堆经验参数、以及几个很累的工程师。

这也没问题。

但这和“算法壁垒”是两回事。

我还看到一篇关于跨云弹性推理场景下模型分发的文章，里面提到模型仓库、对象存储加速、分布式缓存、数据预热这些问题。这个方向比“我们用了 AI 算法”更具体，因为模型文件和业务数据不会像算力一样说迁移就迁移。

5. SLA 是最容易变魔术的地方

基础设施公司最喜欢的数字之一是 99.99%。

它看起来很优雅。

也很危险。

因为这个数字背后有太多口径问题。

我想问：

统计周期是什么？
哪些客户被算进去？
节点故障但客户无感知，算不算故障？
任务重试算不算失败？
有没有真实赔付记录？
SLA 写在合同里，还是写在 PPT 里？

如果没有清楚口径，99.99% 就不一定是服务承诺，也可能只是一个气氛组数字。

我现在越来越觉得，看 infrastructure company 的时候，最重要的不是它怎么讲稳定，而是它怎么定义不稳定。

6. 最后还是商业问题

共绩官网上讲了很多关键词：弹性算力、峰值扩容、低成本、批处理、Serverless、PDF 数据处理、图像生成、视频生成、LLM 推理。

这些场景都合理。

官网案例里列了 Remy、面壁智能、Liblib、Tripo 等客户，也写到面壁智能 PDF 数据处理、Liblib 高峰扩容这些场景。另一个比较有用的外部材料是上海证券报对付智的采访，里面提到个人电脑可以随时中断共享，以及景区旅拍案例里后台个人电脑更换了很多台但前台无感知。这种说法很强，所以更需要访谈时拿真实口径验证：原文在这里。

但我最担心的是：如果客户只是因为便宜而来，那客户也会因为更便宜而走。

低价是优势，但低价本身不是护城河。

所以更重要的问题是：

客户为什么留下？

可能是因为：

峰值扩容真的快
交付支持更强
资源池更灵活
接入之后迁移成本高
对波动推理的理解更深
政企算力网络带来特殊资源
反向托管让客户自己的闲置资源也能变现

这里面有些可能是壁垒，有些只是 feature，有些可能只是销售话术。

尽调的工作，大概就是把这三类东西分开。

听起来很简单。

做起来应该很烦。

7. 我真正想验证的事情

明天访谈，我不想把问题问成“请介绍一下贵司技术优势”这种礼貌废话。

我更想把问题问具体。

对 CTO，我想问：

K8s / KubeEdge / Karmada 到底哪里不够用？

高波动节点的真实中断率是多少？

任务迁移、预热、容错怎么做？

Monte Carlo RL 相比简单规则系统提升在哪里？

对 CPO，我想问：

这是标准化产品，还是项目交付？

哪类客户复购最好？

哪个案例最能复制？

对 COO，我想问：

资源池里有多少是真正可商业化调度资源？

毛利率有没有扣掉算力分成、带宽、电费、运维和交付成本？

回款周期会不会把利润变成应收账款？

对 CEO，我想问：

公司最终想成为 AI 云、调度平台、政企算力网络运营方，还是全球潮汐算力网络？

如果云厂商降价，共绩剩下的优势是什么？

当前最大瓶颈是供给、客户、技术、毛利、现金流、合规，还是竞争？

另外，融资也要问清楚。最近一轮公开新闻是 2026 年 5 月的近亿元 Pre-A 轮融资，资金用途写的是技术研发和市场拓展。这两个词都很宽，访谈时最好拆成具体里程碑：系统安全、客户拓展、资源池扩张，分别花多少钱，换什么指标。

Current Take

我现在还不知道共绩是不是一家好公司。

如果现在就说“我看懂了”，那基本是在骗自己。

但我觉得这个问题本身值得看：

闲置、不稳定、分散的算力，能不能被包装成稳定、可交付、可计费的基础设施？

如果答案是否，那它更像 GPU rental with extra steps。

如果答案是 yes，那它就不只是卖卡，而是在做一张调度网络。

这张网络里有技术问题，有供给问题，有客户问题，有现金流问题，也有一点点玄学问题。

说白了，就是能不能让客户看不到背后的混乱。

而企业服务最朴素的价值，可能就是：

让别人替你承受混乱。

这句话听起来不太像 pitch deck。

但可能比 pitch deck 诚实一点。