趋境科技半年融资10亿：AI Token工厂的“水电煤”战争，一场由清华系主导的推理效率革命

当AI行业还在为训练算力的“军备竞赛”而狂热时，一家成立仅三年的清华系公司，却悄悄在另一个战场——AI推理——上，用“Token即服务”（TaaS）的商业模式，半年内撬动了超过10亿人民币的融资。这不仅仅是一笔融资新闻，它揭示了AI产业一个正在发生的根本性转折：从“造脑”到“用脑”的价值链重塑。当国家数据局数据显示，2026年3月日均Token调用量突破140万亿，较两年前增长超千倍，趋境科技的选择，正在被市场验证为一条通往万亿级市场的隐秘通道。但问题是，在巨头林立的AI Infra赛道，这家“精品专卖店”式的Token工厂，究竟凭什么让投资人疯狂加注？它的技术护城河，又能否抵御来自英伟达、云厂商以及众多AI Infra新贵的降维打击？

一、 为什么是“推理”？——当“训练”成为成本黑洞，“Token”才是真正的印钞机

在2023年，几乎所有的AI创业者和VC都在追逐大模型训练。彼时，一个普遍的共识是：谁拥有最多的GPU，谁就能训练出最强的模型。然而，趋境科技创始人兼CEO艾智远，这位清华高性能计算所的博士，却看到了一个截然不同的未来。他抛出了一个在当时看来近乎叛逆的观点：“训练是成本项，推理是赚钱项。”

这个判断并非凭空而来，它根植于对AI产业经济模型的冷峻计算。训练一个千亿参数的大模型，需要数千张GPU卡连续运行数月，耗资数千万美元。但训练完成后，模型若不能投入生产，其价值几乎为零。而推理，则是将训练好的模型部署到真实业务中，每一次用户提问、每一次代码生成、每一次图像识别，都在消耗Token，产生价值。从经济学角度看，训练是沉没成本，推理是边际成本与边际收益的博弈。 当AI应用进入规模化阶段，推理成本将占据AI总拥有成本（TCO）的80%以上。

趋境科技的技术起点，正是清华大学高性能计算研究所（HPC）。这个研究所的背景，决定了他们看待AI的方式与纯算法团队截然不同。HPC的基因让他们天然关注“系统效率”而非“模型精度”。他们意识到，当前AI推理面临的核心矛盾，并非模型不够聪明，而是算力硬件投入与AI Token产能之间存在巨大的转化瓶颈。一块H100 GPU的峰值算力是312 TFLOPS（FP16），但在实际推理场景中，由于内存带宽瓶颈、模型并行效率低下、以及GPU利用率极低（通常低于30%），实际产出Token量远低于理论值。

因此，趋境科技从一开始就选择了一条“反共识”的路径：不追逐模型参数的军备竞赛，而是聚焦于如何用系统架构和工程能力，将每一块GPU的Token产出效率推向极致。他们提出的“Token as a Service”（TaaS）理念，本质上是将AI推理从“手工作坊”式的按需调用，升级为“标准化产线”式的规模化生产。这就像工业革命中，从蒸汽机到电力网的转变——不再依赖单个引擎，而是构建一个高效、稳定、低成本的能源供应网络。

二、 技术深拆：全系统异构协同、以存换算、虚实同构——一场针对“冯·诺依曼瓶颈”的工程反击

要理解趋境科技的技术壁垒，必须先理解AI推理的物理瓶颈。现代GPU推理的痛点，不在计算单元（CUDA Core/Tensor Core），而在数据搬运。冯·诺依曼架构下，计算与存储分离，导致“内存墙”问题：GPU需要不断从显存（HBM）中读取模型参数和中间结果，而显存带宽的增长速度远落后于算力增长。对于千亿参数模型，一次推理需要加载数百GB参数，这导致首Token时延（TTFT） 极高，且并发能力受限。

趋境科技的核心技术，正是针对这一“内存墙”的系统级反击。他们提出的“全系统异构协同”，并非简单的CPU+GPU协同，而是构建了一个包含CPU、GPU、NPU、以及高速互联网络（如NVLink、InfiniBand）在内的多层级异构计算池。其核心逻辑是：将不同计算特性、不同存储层次的任务，动态调度到最合适的硬件上。

1. “以存换算”：这是趋境最颠覆性的创新之一。传统推理中，模型参数是静态存储在显存中的。而“以存换算”的思路是，将部分计算任务“卸载”到存储层。例如，对于Attention机制中大量重复的KV Cache（键值缓存），趋境并非简单地将其存储在显存，而是通过自研的分布式KV Cache管理系统，将高频访问的KV Cache预加载到近端存储（如NVMe SSD或CXL内存），并利用计算存储融合技术，在数据从存储搬运到显存的过程中，完成部分预计算。这本质上是在用存储的容量和带宽，换取计算的延迟和吞吐。根据其技术白皮书，这一技术可将长序列推理场景下的显存占用降低40%以上，同时提升吞吐量2-3倍。

2. “虚实同构”：这是对模型部署方式的彻底重构。传统推理框架（如vLLM、TensorRT-LLM）通常采用“静态图”模式，模型加载后，计算图固定，难以动态适应不同请求的变长序列和不同batch size。趋境的“虚实同构”技术，则是在运行时动态构建“虚拟计算图”。它利用编译器技术，将模型的计算图拆解为多个“微算子”（Micro-Operator），并根据实时负载情况，动态组合这些微算子，形成最优的“物理执行图”。这类似于操作系统的虚拟内存管理，将物理资源抽象为虚拟资源，从而实现零开销的模型热切换和极致的内存复用。当一个请求结束，其占用的显存和计算资源可以瞬间被下一个请求接管，无需重新加载模型，从而将GPU利用率从行业平均的20%-30%提升至70%以上。

3. 多模态工程管线：趋境并未止步于纯文本模型。他们构建了一套统一的多模态Token生产管线，能够将图像、视频、音频等非结构化数据，与文本Token在同一个推理引擎中进行异构处理。这要求系统不仅支持Transformer架构，还要兼容ViT（视觉Transformer）、Whisper（语音）等不同架构的推理。趋境的解决方案是在算子层面实现跨模态的融合，例如，将图像Patch的Embedding计算与文本Token的Attention计算，通过定制化的Kernel（如FlashAttention的变体）在同一流处理器上并行执行，避免了跨模态数据拷贝带来的通信开销。

这些技术组合在一起，形成了一个强大的“系统级护城河”。它不像单一算法优化那样容易被复制，而是需要深厚的系统架构能力、编译器优化经验以及对硬件底层的深刻理解。这恰恰是清华HPC所的核心优势——他们擅长的是“让硬件跑得更快”的系统工程，而非“让模型更聪明”的算法创新。

三、 商业路径：从“卖算力”到“卖Token”，一场价值链条的重构

趋境科技的商业模式，并非简单的“卖软件授权”或“卖算力租赁”。他们提出了两种截然不同但相互协同的模式，旨在重构AI产业的利益分配格局。

模式一：直营模式——成为AI时代的“发电厂”

在这种模式下，趋境科技自己租赁或采购GPU算力（主要来自数据中心、云厂商或第三方算力池），然后通过其ATaaS平台，直接生产高品质AI Token，并销售给头部模型厂商（如智谱、百川、月之暗面）、互联网平台（如字节跳动、腾讯、阿里）、AI应用公司（如AI Coding工具、AI Agent平台）以及大型企业客户。它的盈利模型是：通过技术优化，将单位Token的生产成本降到市场均价的50%甚至更低，从而在定价上获得竞争优势，同时保持高毛利。

根据投资界获得的数据，从2026年春节以来，趋境科技平均单台算力的AI Token生产效率提升3倍以上，总高品质AI Token产量提升30倍以上。其中，某头部万亿级参数大模型，已实现日均万亿级高品质AI Token产能。这意味着，如果市场Token均价为每百万Token 0.1元，那么仅这一个客户，每天就能产生100万元的收入。2026年6月单月收入已超过2025年全年，这验证了其“效率提升→成本下降→需求爆发→收入增长”的正向飞轮。

模式二：共运营模式——成为AI Token工厂的“总包商”

这种模式面向的是拥有算力资源但缺乏运营能力的客户，如上市公司、国央企、各地智算中心。这些机构往往投入巨资建设了算力中心，但GPU利用率极低，沦为“电子垃圾”。趋境科技的角色是：承接AI Token工厂的整体规划、系统集成、建设交付与后续共运营。 它提供一整套“交钥匙”方案，包括硬件选型、网络架构、软件栈部署、模型适配、运维监控等。

这种模式的商业逻辑在于：将客户的“死资产”转化为“活产能”。 客户不再只是“卖算力”（按GPU小时收费），而是与趋境科技分成，共同“卖Token”（按Token产出收费）。这彻底改变了智算中心的盈利模式。传统算力租赁的毛利率可能只有10%-20%，且受制于GPU价格波动；而Token分成的毛利率可达50%以上，且随着技术进步，分润比例还会提升。 对于趋境而言，这种模式不仅带来了稳定的现金流，更重要的是，它获得了大量真实的生产负载数据，这些数据反过来又能用于优化其ATaaS平台，形成“数据飞轮”。

客户画像与付费逻辑：

趋境科技的核心客户，并非那些“玩票”的创业公司，而是已经进入商业化阶段、对AI Token有刚性需求、且对成本极度敏感的企业级客户。例如，一家AI Coding公司，其用户每生成一行代码，都需要消耗Token。如果Token成本降低50%，其毛利率就能提升10个百分点，这直接决定了它的生死。因此，这类客户愿意为“更低成本、更高品质”的Token支付溢价。趋境的付费逻辑是“按量计费”或“按效果付费”，而非传统的“按GPU小时计费”。 这本质上是一种“风险共担、利益共享”的商业模式，将自身利益与客户的成功深度绑定。

四、 竞争格局：与巨头共舞，在缝隙中构建“精品专卖”

AI推理赛道，早已不是蓝海。趋境科技面临的竞争对手，既有来自云厂商的降维打击，也有来自AI Infra新贵的贴身肉搏。

1. 云厂商：AWS、Azure、阿里云、华为云

这些巨头拥有庞大的GPU集群、成熟的推理服务（如AWS SageMaker、阿里云PAI-EAS）以及强大的品牌效应。它们可以轻易地通过降价来挤压独立厂商的生存空间。然而，云厂商的推理服务存在一个致命弱点：它们是“大卖场”模式，追求模型兼容数量，而非单模型的极致效率。 它们需要支持数千种模型，导致其推理引擎（如TensorRT-LLM、vLLM）必须保持通用性，无法针对特定模型进行深度定制。而趋境科技的“少模型、深优化”策略，恰恰是反其道而行之。它只聚焦于头部10%的模型，通过深度定制Kernel、优化内存布局、甚至修改模型结构，将效率做到极致。 这种“精品专卖”模式，在单点效率上可以轻松超越云厂商的通用方案。

2. AI Infra新贵：Together AI、Fireworks AI、Anyscale（Ray）

这些硅谷明星公司同样聚焦于推理优化。Together AI主打开源模型的推理服务，Fireworks AI强调低延迟，Anyscale则提供分布式计算框架。与它们相比，趋境科技的差异化在于：更强调“系统级”而非“算法级”的优化。 Together AI的优化更多集中在KV Cache压缩、量化等算法层面；而趋境则深入到硬件层，通过“全系统异构协同”和“虚实同构”等技术，从存储、网络、计算等多个维度进行系统性优化。这就像F1赛车，Together AI优化的是发动机的燃油效率，而趋境科技优化的是整车的空气动力学、底盘悬挂和轮胎抓地力。

3. 国内同赛道：潞晨科技、清微智能、天数智芯

潞晨科技（Colossal-AI）同样出自清华，主打训练和推理的并行优化。但潞晨更偏向于“工具型”产品，提供开源框架；而趋境则更偏向于“服务型”产品，直接交付高品质Token。清微智能和天数智芯则是国产芯片厂商，它们更关注硬件层面的优化。趋境科技的优势在于，它不绑定任何特定硬件，可以灵活适配NVIDIA、AMD、以及国产芯片（如昇腾、寒武纪），从而在客户采购时提供“最优性价比”方案。这种“硬件中立”的定位，在国产替代浪潮中具有独特价值。

趋境科技的护城河，并非单一技术，而是一个由“系统架构能力+工程化经验+客户数据飞轮”构成的复合壁垒。 它不像OpenAI那样拥有模型算法优势，也不像英伟达那样拥有硬件生态优势，但它拥有的是“让任何硬件都能高效产出Token”的系统能力。这种能力，在AI基础设施走向同质化的今天，反而成为最稀缺的价值。

五、 投资逻辑：为什么是现在？为什么是趋境？

半年融资超10亿，老股东连续超额增投，这背后是投资人怎样的逻辑？

1. 宏观确定性：推理需求的指数级爆发

国家数据局的数据已经给出了最有力的证明：日均Token调用量突破140万亿。这背后是AI Coding（如Cursor、Copilot）、AI Agent（如AutoGPT）、AI搜索（如Perplexity）、以及企业级AI应用（如客服、营销）的全面爆发。当AI从“玩具”变为“工具”，推理需求就不再是线性增长，而是指数级增长。 投资人看到的是，一个万亿级的“Token经济”正在形成，而趋境科技是少数能够规模化生产“高品质Token”的工厂。

2. 微观稀缺性：清华HPC所的“降维打击”

AI Infra领域，最稀缺的不是算法人才，而是系统架构人才。清华HPC所，是中国计算机系统结构领域的“黄埔军校”。其团队成员对硬件底层、编译器、操作系统、分布式系统的理解，远超普通AI公司。这种“系统思维”是趋境科技最大的护城河。 投资人看中的，正是这种能够从底层硬件到上层应用进行全栈优化的能力。正如一位投资人所说：“我们投的不是一个AI公司，而是一个‘系统公司’，它用AI的方式重新定义了计算基础设施。”

3. 商业验证：从“故事”到“数字”

在A轮融资之前，趋境科技已经完成了商业闭环。2026年6月单月收入超过2025年全年，这证明了其商业模式的可复制性和可扩展性。投资人不再需要赌“技术是否可行”，而是可以计算“单位经济模型（UE）是否跑通”。 趋境科技的UE模型非常清晰：单台算力的Token产出效率提升3倍，意味着在相同硬件投入下，收入可以翻倍。这种“效率驱动”的增长，远比“烧钱换规模”的增长更健康。

4. 被低估的确定性：国产替代与智算中心“去库存”

随着美国对华芯片制裁的加剧，国产芯片（昇腾、寒武纪）的生态不完善，导致其推理效率远低于NVIDIA。趋境科技的“硬件中立”能力，恰好可以弥补这一短板。它能够通过系统优化，将国产芯片的推理效率提升到接近NVIDIA的水平，从而帮助智算中心“去库存”，盘活大量闲置的国产算力。 这是一个被市场严重低估的确定性机会。河南投资集团汇融基金的领投，也暗示了地方政府对“盘活本地算力资产”的强烈诉求。

六、 冷思考：技术壁垒的脆弱性与未来12-18个月的关键指标

尽管趋境科技前景光明，但我们不能忽视其面临的长尾风险。

1. 技术壁垒的脆弱性：英伟达的“降维打击”

英伟达的CUDA生态是其最大护城河。如果英伟达在下一代GPU（如Blackwell）中，直接内置了类似“以存换算”或“虚实同构”的硬件加速单元，那么趋境科技的软件优化优势将瞬间被抹平。这是所有AI Infra公司都面临的“天花板风险”：你的技术优化，本质上是在弥补硬件的不足；一旦硬件升级，你的价值就会贬值。 趋境科技能否与英伟达建立深度合作，或者转向更底层的硬件设计（如自研推理芯片），将是其长期生存的关键。

2. 市场假设的脆弱性：模型格局的收敛与颠覆

趋境科技的“少模型、深优化”策略，依赖于“头部模型格局稳定”的假设。如果未来出现一个“超级模型”（如GPT-5），其推理效率远超现有模型，导致所有下游应用都转向它，那么趋境科技之前针对其他模型的所有优化都将失效。此外，如果开源模型（如Llama 4）的性能追平甚至超越闭源模型，导致模型市场碎片化，那么“少模型”策略也将失去根基。

3. 商业模式的脆弱性：客户集中度与定价权

目前，趋境科技的收入高度依赖少数头部模型厂商。如果某一大客户选择自建推理基础设施（如字节跳动的“火山引擎”），或者转向云厂商的通用服务，趋境科技的营收将面临巨大波动。此外，随着市场竞争加剧，Token价格可能快速下跌，压缩趋境科技的利润空间。 它能否通过持续的技术迭代，保持成本优势，从而在价格战中存活下来，是商业上最大的不确定性。

4. 组织能力的挑战：从“技术极客”到“商业巨头”

趋境科技的团队以技术见长，但在规模化运营、销售、客户成功等方面，经验相对薄弱。随着业务爆发，如何快速组建一支千人级别的商业化团队，如何管理复杂的供应链（GPU采购、数据中心运维），如何应对来自大客户的定制化需求，都是巨大的组织挑战。总裁武文洁的加入，正是为了弥补这一短板，但效果仍需时间验证。

核心判断：趋境科技在AI推理效率优化上，已经建立了基于系统架构的短期护城河，其“Token即服务”的商业模式也初步跑通。然而，未来12-18个月，真正的考验在于：它能否在英伟达硬件迭代和模型格局变化中，持续保持效率领先；能否将客户从少数头部模型厂商扩展到更广泛的企业级市场；以及能否在融资热潮退去后，实现可持续的盈利。 关键观察指标包括：单台算力的Token产出效率是否持续提升（至少每季度提升50%）、非头部模型客户的收入占比是否超过30%、以及毛利率是否稳定在50%以上。如果这三个指标都能达标，趋境科技将有望成为AI基础设施领域的一个“隐形冠军”；否则，它可能只是这场Token战争中的一颗流星。

分类与标签

官网

🔗 www.trendingtech.com

信息来源

1. 投资界：首发| AI Token工厂爆发，趋境科技半年融资10亿