Alex：GMI Cloud 是一家專注於 AI Native Cloud 的初創服務商，也就是 AI 原生服務提供商。我們給很多企業提供 AI 雲服務解決方案，去年 10 月份完成了 8200 萬美元的融資。“GMI”代表 General Machine Intelligence。我們創辦 GMI Cloud 的宗旨，就是支援任何企業、創辦人或創作者去部署 AI，把 AI 微調並規模化。不管是模型訓練、推理，還是需要應用或簡單 API，我們都能快速提供相應解決方案。

Alex：超過 3 年半前，我原本從事 VC 和 PE 投資。當時投了朋友的比特幣礦場，後來 2020 年 5 月因為一些原因，我面臨很大損失。當時我有兩個選擇，要麼直接承受投資損，要麼出海找解決方案，我選擇了後者。去紐約找資料中心沒人理我，我就決定自己蓋。花了兩年時間蓋了三個資料中心和礦場，在阿肯色州等地，還建了大量電力裝置和廠房建設。後來在矽谷，朋友和 VC 跟我要 GPU，我才發現需求很大，就轉型做 GPU 租賃業務。隨著和客戶接觸越來越多，發現他們做雲或 AI 專案有很多難題，像基礎設施、安全防護、人才等問題，尤其是人才問題很突出，懂 AI 軟體又懂基礎設施的人太少了。所以我們 GMI Cloud 最後就定位於幫助想做 AI 的客戶，提供他們需要的各種基礎設施，助力他們往 AGI 發展。

Alex：我覺得可以從幾個層面來講。從產品角度，我們和其他雲服務公司不一樣，比如 AWS、Azure 這些大公司，他們就像蓋了很高的圍牆，希望客戶把所有東西都放在他們雲上。我們則像樂高積木，底層是 GPU 硬體，中間層是基礎設施即服務（IaaS），上層是推理和模型服務層，客戶可以按需選擇使用其中一層或多層，完全可以自己控制環境和擴充套件需求，我們不會強制客戶依賴我們的生態。

硬體層，我們是全美前十的 NCP（NVIDIA Cloud Partner），在全球各個點都有自己的 GPU；IaaS 層，我們能控制到 BIOS level 的 GPU 基礎設施，從 CPU、GPU、Memory、RAM，甚至包括溫控，以及整個容器開什麼埠，這些我們都能控制，而且很酷的地方是我們的 IaaS 層是完全可以獨立出去的，就好比是說它是一個 Windows 的作業系統，所以你不需要買我的 GPU，你可以把這個作業系統放在你自己的叢集上面使用；推理和模型服務層，我們可以直接為客戶提供 API 或模型服務。比如最近有些客戶說我只需要一個 API，例如 DeepSeek 或者 Open Sora 的端點，那我就直接提供 API 給你，或是開個端點給你。很多大型企業沒辦法像我們這樣靈活，且最佳化起來也很痛苦。

另外，在人才和區域優勢方面，除了像 BAT、火山這些大型雲廠商外，我們應該算是做雲服務比較好的新創公司。我們有中美頂尖的人才，Google X、阿里、IBM、Intel、Red Hat 的原廠工程師都有。在亞太我們有很多節點，總公司在矽谷，所以能得到全球很多客戶的支援。而像 Lambda 等一些公司，他們客群基本都在美國，對於中國出海或亞洲公司來說，和他們合作很難建立信任關係，且他們在亞洲沒有叢集，這方面我們比他們有優勢。還有就是當前比較特殊的全球局勢，也讓我們這樣以矽谷為中心的華人公司有了生存空間。

Alex：我覺得這是個革命性的事情。在美國這邊，很多人說這是國際關係之間的較量，但我覺得這本質上是開源和閉源的較量，DeepSeek 讓開源模型超越了閉源模型，這是值得關注的重點。

對於客戶來說，分為企業型使用者和新創公司。新創公司最需要的就是“快”，比如 OpenAI 的 Sora，剛推出時很驚豔，但 6 個月後競爭就很激烈了。對新創公司或任何企業而言，都是先要有產品，再去追求完美。新創公司永遠追求快和好，我們提供一整套服務，能讓他們快速使用。輕量化很重要，特別是因為它是開源的。

對於企業使用者，像美國很多世界 500 強公司，他們想做一些和大模型相關的事情，比如把 PDF 塞進大模型，想法簡單但實現起來很難，涉及基礎建設、Scaling（Law）、隱私和許可權管理等問題。所以我們儘量提供不同模組讓他們自己選擇去使用。其實 DeepSeek 和我們的初衷一樣——能讓客戶完全控制環境。以前大家選擇模型，比較好的基本是 OpenAI、Anthropic 這些閉源的，不僅要交 API 費用，資料還會流向這些公司，新創公司可能無所謂，能用就行，但大企業肯定不行，像銀行、保險公司就不能接受。有了開源的 DeepSeek，企業可以把它移到自己伺服器上，放在本地或自己的雲上面都可以，環境和模型位置都能自己掌控。所以，DeepSeek 對開源模型發展是個很大的推動，能讓大小公司都能完全控制自己的模型和未來產品走向。

Alex：我覺得新創公司在這種情況下，最重要的就是速度。有像發現了 DeepSeek 這麼好的武器，就要趕緊拿起來做出產品賣給客戶。比如美國的 Mistral 和 Cursor，把開源和閉源模型結合，做了自己的 UI/UX，四個月就達到 100 萬億美金的 AR，就是快速規模化的例子。不要想著自己蓋機房、摳成本，要找穩定可靠的算力服務商一起成長，根據業務需求隨時調整。

除了速度，穩定性也很關鍵。在硬體方面，前面也提到了我們是全球前十的 NCP，每兩週會和 Nvidia 的工程部探討新一代 GPU 硬體和軟體架構，以及遇到的各種問題，他們會幫我們解決。而且我們自己對伺服器有 8 層 QC（質量檢查）過程，從 CPU 效能、GPU、記憶體到網路等都要檢查，還要做壓力測試，拿 LLAMA3 跑 GPU 測試，在交付給客戶前確保機器質量，哪怕 OEM 說機器沒問題，我們也都會自己測試完確認質量後再交給客戶。

關於速度和穩定，還有一個建議就是一定是要找到專業的團隊 ，讓你去節省工程師去除錯基礎設施的時間，把更多精力集中在 build 這個應用上，這很重要。你想象一下，假設一個訓練進行了五六天，突然斷掉了。一個禮拜的訓練結果全部不見了，工程師真的會瘋掉。所以最終還是需要穩定，還有速度，我覺得這兩個是缺一不可的事情。

另外在容錯方面，我們測試 OK 的機器交付給客戶後，也可能出現各種突發問題，進而影響算力良率。所以我們會在客戶租用機器數量基礎上多準備幾臺，比如客戶租 100 臺，我們準備 103 臺或 105 臺，有機器壞了馬上替換，保證客戶整包算力穩定，讓客戶感覺不到機器有問題等等。

Alex：我們的客戶主要分三類，其實就是對應我前面說的三層。

第一類是大模型公司，他們就是來訓練模型的，不管是影片模型、語言模型還是多模態模型。對他們來說，我們只要保證叢集穩定就行，因為他們技術很強，比我們大數倍甚至數百倍。

第二類客戶是有一定技術能力，但沒有基礎設施運維團隊的公司。一般公司大多隻有前端、後端人員，很少有懂網路這些基礎設施的人。我們給這類客戶提供容器選項，讓他們能方便地進行模型微調（fine tune）和推理（inference）。另外他們還需要很多不同服務，像不同的機器學習框架，模型訓練好或調整好後要推廣，客戶可能分佈在全球，就需要全球推理服務。比如他們自己做的話，如果叢集設在美國中部，歐洲或亞洲客戶訪問延遲可能很高，像做遊戲就根本不行。我們會根據客戶需求，提供全球不同節點的服務，讓客戶的延遲控制在一定範圍內，並且能自動擴容延展，就像一個超大型的 model CDN 網路，自動幫他們切換到對應資料中心，保證服務質量。

第三類是傳統非 AI 公司，他們有成熟產品，想匯入 AI，但不知道怎麼執行，我們就給他們提供模型讓他們使用。

Alex：我們 GMI Cloud 是以美國定價，因為成本差異很大，特別是 GPU 所在位置對成本影響很大。而且我們在國內沒辦法提供叢集，因為涉及 Nvidia 提供商的一些法律問題，我們只能給客戶提供海外的服務。雖然定價基於美國，但我們能保證服務的可靠性、提供不同地點的選擇，還有服務速度。

對於想要試用的客戶，我們有 POC（概念驗證）服務。現在 DeepSeek 很火，我們推出了基於 H200 的滿血版的 R1 API 和端點，做了深度最佳化，好用的同時，價格還與業界相當。如果有夥伴需要可以聯絡我們，一個月後我們還會提供自助服務選項，想試用的小夥伴到時候就可以開始使用我們的產品了。

Alex：我覺得出海要先看自己的優勢。就像在美國，你要申請好的大學，你肯定不要去跟別人拼游泳、拼跑步，肯定得拿個工具，比如拿個乒乓或者羽毛球拍子，就厲害了。所以得找自己的優勢點。我覺得 中國非常厲害的一點就在於硬體的供應鏈上，深圳做的東西又好又便宜。另一點則是營銷，中國 2C 端做得非常好，像抖音、小紅書比美國的 Instagram 強太多了，差不多超越兩代以上。

在 AI 互動方面，未來幾年硬體互動會有很大改變，比如視覺方面的 AR、VR 眼鏡，聲音方面的耳機，還有機器人等等，和大模型、語音轉文字模型結合一下，就能做出很好的產品。中國企業可以做這些結合 AI 元件的硬體產品，透過營銷推向 2C 市場。特別是美國市場，他們在這方面接受度很高。當然，做 SaaS 化產品也可以，像簡單的會議紀要軟體，沒什麼技術難度，靠打品牌、擴大規模，你跟每個客戶說每個月收 10 美金或者 5 美金，對他們而言其實不痛不癢，但盈利空間也非常大。

當然，如果你的產品突然火了，也可能會遇到像 DeepSeek 那樣的算力不足、伺服器最佳化和網路架構升級等問題，所以從一開始，在基礎設施的構建和選擇上，尋找穩定可靠的算力服務商合作會更好。

Alex：這得看公司做的產品和麵向的客戶。對於生態建設，它更適合大公司和模型構建者，比如做遊戲大模型的公司，需要很多開發者在平臺上開發，就像 DeepSeek 靠技術驅動建立生態，但技術只是切入點，最後還是要開發生態。

很多小公司，生態建設不是首選。小公司首先要有商業邏輯，瞭解客戶需求，雖然也可以做技術突破，但不是像 DeepSeek 那樣燒錢搞研發。小公司可以利用現有的成熟模型，比如 OpenAI、阿里的千問等等，在上面做 UI/UX 模組，根據客戶問題選擇合適的模型。對於小公司來說，生態建設應該放在第三步，因為生態是建立在有好產品的基礎上，小公司得先活下來。所以對大部分公司來說，更好的做法是先了解客戶需求，做出好產品。

對於 新創公司，先滿足客戶需求最重要，不用急著談技術突破，因為大廠可能已經提供了相應技術，也不用談生態建設。等公司發展到一定規模，最好有自己的技術含量，尋求商業場景突破，生態建設可以放在後面。

而對於大公司或巨型公司，很多客戶已經在使用他們的產品，商業場景已經有了，技術也有一定基礎，這時候生態建設可以放在首位，投入資源做技術突破，進一步拓展商業場景。

Alex：國外在 AI 生態合作上，大多是根據自身需求，有什麼資源就用什麼資源。比如需要基礎設施、資料標註、接入不同模型等，就找專業的公司合作，把這些資源拼起來，先找到產品市場契合度，再擴大規模建立生態。

中國出海企業不要想著什麼都自己做，要找專業的公司做專業的事。先專注打造自己的核心產品，快速找到產品與市場的契合點，再逐步擴大規模、建立生態。

Alex：一句話概括就是“Focus on building your product”，專注打造你的產品。深入瞭解客戶需求，做出能精準解決客戶痛點的產品就行，哪怕只解決一個痛點。同時要充分利用周圍資源，不要想著什麼都自己做，以最快速度實現產品市場契合，安全且快速地達到目標。