模型能力固然重要，但更关键是智能能否抵达需要它的地方。
本文为IPO早知道原创
作者｜MD
AI正在从模型竞争走向产业交付。模型能力如何进入真实场景，是2026世界人工智能大会（WAIC）讨论的议题之一。
2026 WAIC期间，香港科技大学·国际AI产业创新生态论坛在上海西岸会场举行。云天畅想Cloudsky（下称“云天畅想”）作为论坛协办方参与举办本次论坛。论坛上，云天畅想首席科学家张霖涛出席“从论文到交付，达尔文死海的惊险跳跃”主题圆桌。
所谓“达尔文死海”，通常指科技成果转化过程中的空白区和高死亡率地带。在圆桌讨论中，张霖涛提到，很多AI模型在产业落地时遇到的问题，未必是模型能力不够，而是“智能交付”环节出了问题，而“模型创造智能”，基础设施决定智能能否抵达场景。
这也是云天畅想今年战略升级的一个缩影。今年6月，云天畅想完成超10亿元E轮融资，由中网投领投。融资完成后，据介绍，公司从“边缘智算服务商”升级为面向AGI时代的“实时智算织网”建设者。
按照公司联合创始人、首席战略官徐公美（Kevin）的说法，过去解决的是“有屏幕的地方需要算力”，AI时代则是“只要通电的地方都会需要算力”。
云天畅想从云游戏、云电竞等低时延场景切入，逐渐扩展到云XR、实时视频计算、高性能云工作站、AI推理算力、智能座舱、实时渲染等应用。其业务逻辑是以自研Stack GPU算力底座和边缘节点为基础，向下摊薄硬件成本，向上按场景释放算力能力。截至目前，云天畅想目前已在全球300多个城市部署数百个边缘算力节点，端到端时延控制在10毫秒以内，累计服务终端用户超过6亿。
在WAIC大会期间，IPO早知道与云天畅想联合创始人徐公美（Kevin）、首席科学家张霖涛博士进行了一次交流，试图梳理这家公司从“超级终端”设想到“边缘智算网络”的路径，并探讨当下AI浪潮中边缘算力、算法以及科研团队管理文化。
徐公美长期关注5G、算力基础设施与产业投资，负责公司战略、生态合作与资本布局，也曾是云天畅想早期的投资人。徐公美（Kevin）同时领导云天畅想的CVC基金C12K，目前基金进入首关阶段，募资规模10亿元人民币。
张霖涛是国际电子工程师协会会士（IEEE Fellow），国际计算机协会杰出科学家，曾长期在微软亚洲研究院从事系统、云计算、边缘计算与AI系统研究，他目前正领导Lab12K实验室，对技术进行更加开放的探索。
在交流中，两位高管认为，对于用户而言，终端设备可能一直会存在算力瓶颈，未来终端会更轻、更薄、功耗更低，但模型和应用对算力的需求会继续上升。云天畅想要做的，是在中心云与终端之间补上一层边缘算力网络。如果中心云像大脑，边缘端像神经末梢，终端像手脚。智能进入物理世界后，这张网络将成为AI交付的基础设施。
技术场景演进：云游戏、5G到边缘计算
云天畅想最早的技术判断，来自创始人茅晓东对游戏、GPU与终端算力瓶颈的观察。
茅晓东早年毕业于复旦大学计算机专业，之后赴美国发展，曾在英特尔和索尼等公司工作。在英特尔期间，他从事GPU芯片相关工作；在索尼期间，他参与PlayStation相关业务，对游戏主机、图形渲染、GPU架构和供应链有理解。
“他在索尼后期看到一个问题，游戏会越来越大，体验会越来越极致，但瓶颈在终端设备。”Kevin回忆道。美国、日本经历过较完整的家庭主机和游戏主机（Console）时代，但中国市场很快进入移动互联网时代。
2011年、2012年、2013年之后，手游体量起来，手机成为中国用户的重要游戏终端。但手机无法承载主机级GPU、散热和功耗体系。如果用户希望在手机上获得3A大作级体验，单靠本地终端不够。
这便是“超级终端”概念的起点。所谓超级终端，并不是让终端本身变得很强，而是让普通终端背后连接一个算力大脑。用户手里的设备可以很轻、很便宜、很普及，但它通过网络获得超过本地硬件能力的体验。
云天畅想早期曾尝试硬件方向。2015年、2016年前后，第一波AR/VR热潮兴起，中国也具备消费电子供应链，公司一度希望做一个超级终端硬件。但公司很快意识到，彼时AR/VR的光学、显示、重量、功耗、眩晕感、内容生态和市场成熟度都不足，做单一硬件不是最佳路径。
改变公司方向的是2019年前后的5G网络建设。
“2019年，我们的技术和中国5G网络的大规模建设发生了共振。”Kevin表示。云天畅想的技术是在边缘端做计算，再通过高速网络把结果传输到终端。5G提供低时延、高带宽网络后，大量中低端手机、PC、智能终端都可以通过边缘算力获得“超级大脑”。
云游戏因此成为公司第一阶段的关键业务。短视频在4G网络下已基本可用，因为视频播放可以缓存；但云游戏、云电竞是强交互场景，用户每一次按键都需要即时反馈。Kevin提到，人眼对30毫秒以上的时延就会有感知，而4G时代中心云部署普遍可能在100毫秒以上。通过GPU渲染能力下沉到靠近用户的边缘节点，云游戏才可能规模化落地。
在张霖涛看来，云游戏并不只是游戏业务，而是云天畅想技术体系的“练兵场”。
“从根本上说，云游戏就是把计算放到云端或者边缘端，帮助端侧把计算offload（外卸）出去。游戏只是其中一个应用而已。”张霖涛说。
这套能力可以迁移到更多场景。云游戏时代积累的低时延传输、GPU调度、负载均衡、多节点调度、状态迁移、编解码、服务连续性保障，在AI推理、实时渲染、云XR、智能座舱、机器人等场景中都可复用。
其中，StackGPU是云天畅想提到的一项核心技术。张霖涛解释，StackGPU可以把多块小GPU组合起来，模拟成一块更大的GPU使用。大型游戏或重渲染任务对GPU要求高，单块GPU未必能承载，通过多卡协同，可以让用户获得类似更强GPU的体验。进入AI时代后，多GPU协同、资源池化和动态调度同样重要。
但云天畅想的技术优势不只在“堆卡”，更重要的是如何在多业务、多地域、多时段之间做资源调度。
张霖涛举例，云桌面通常在办公时间高峰，云游戏往往在晚间高峰，批量数据处理、文件处理可以放在深夜。不同workload之间可以互补，形成“填峰填谷”。
“我们买了很多硬件，怎么让这些硬件跑更多业务，这是降本的关键。”张霖涛告诉IPO早知道。难点在于，在任务迁移、状态保存、服务不中断、用户体验不受影响的前提下完成调度。
这也是边缘智算的技术壁垒，涉及分布式系统能力、网络能力、GPU虚拟化能力、边缘节点管理能力和应用适配能力的综合竞争。正如在WAIC 2026上释放的信号，在云天畅想的新叙事里，这套能力被升级为“实时智算织网”。
如果中心云是大脑，边缘端就是神经末梢。未来很多AI任务不能全部传到中心云处理，特别是智能汽车、机器人、工业控制等物理世界应用，对毫秒级响应和安全性有要求。边缘节点越靠近终端，越能承担实时感知、实时推理和实时反馈。
Kevin用人体神经系统作比喻：“你碰到一个烫的水杯，会很自然地缩手。这个动作不是所有信息都传到大脑之后再处理，很多是通过外周神经或者脊髓完成。复杂的东西才需要大脑处理。未来AI基础设施也一样。”
增长和商业化：
算力将从“屏幕”设备拓展到所有通电设备
从商业化的角度来看，云天畅想的演进，也与过去十年网络和算力基础设施变迁有关。事实上，在当下这一轮AI浪潮来临前，云天畅想已经通过云游戏等场景完成了商业化的闭环，形成了稳定的现金流。
2016年至2021年，公司主要以云游戏、云电竞切入，合作对象包括三大运营商和网易等游戏厂商。云游戏、云电竞对时延和并发要求高，因此成为验证边缘算力架构的场景。
2021年至2023年，伴随元宇宙热潮，公司能力延伸至云XR、数字人、数字孪生、元宇宙文旅等场景，这些场景同样具有重渲染、强交互、低时延特征，需要边缘节点提供实时算力和推流能力。
2025年之后，AI推理正在成为公司第二增长曲线。伴随DeepSeek等大模型应用带动推理需求增长，云天畅想开始将消费级GPU堆叠方案、边缘节点和实时计算能力用于AI推理。
从业务场景看，云天畅想目前覆盖云游戏、云电竞、云XR/元宇宙、AI算力服务、实时视频计算、高性能云工作站等方向。它们分属游戏、文旅、视频、企业服务、AI推理等市场，但底层共性明确，是用户对强交互或低时延场景对边缘算力节点的需求，也是集中式大云未必最高效的区域；
Kevin将公司与中心云厂商的关系比作“炼油厂”和“加油站”。大型中心云像炼油厂，集中生产大规模算力；云天畅想则更像分布在各地的加油站，把算力部署到离用户、终端和场景更近的位置。截至目前，云天畅想已经覆盖了300多座城市，而未来有可能进一步覆盖到1000座城市、甚至乡县市场。
在商业化层面，运营商是云天畅想商业模式中的关键伙伴之一。
“运营商本身在全国各地已有分布，因而这些节点本身就已经存在，没有必要重复建设。而这些机房都有可能会被改造成分布式算力网络节点。”Kevin说。
张霖涛也认同这个生态位。“中心云上现在有很多竞争对手，那更像炼油厂。我们主要集中在边缘侧。在边缘侧，大家其实还都在探索中，但我们今天有比较深的积累。”
这一定位让云天畅想避开了与超大规模公有云和高端训练卡生态的正面竞争。它并不试图成为大模型训练中心，而是服务成本敏感、交互频繁、响应要求高、分布式部署价值明显的推理和渲染场景。
在5G云游戏时代，云天畅想就与运营商建立合作。运营商拥有全国通信网络、基站、机房和边缘节点，但未必会针对具体应用做精细化优化。云天畅想提供GPU调度、边缘计算、应用适配和软件平台能力，可以帮助运营商把通信基础设施转化为算力服务基础设施。
Kevin认为，运营商在每一代通信网络建设后都会面对商业化压力。移动互联网时代，运营商投入建设网络，但大量价值由电商、游戏、社交、视频等互联网应用获得，运营商容易被视为低毛利“管道”。AI时代，运营商有机会向下游服务和应用转型，而云天畅想可以提供边缘算力和软件能力。
“我们不是去和运营商竞争，也不是去和互联网大厂竞争。”Kevin表示，“我们把软件能力、算力调度能力给到运营商，帮助它们把已有机房、基站、边缘节点改造成分布式算力网络。”
这种关系也体现在云天畅想与互联网厂商、终端厂商、游戏厂商之间。对互联网公司而言，AI推理、实时渲染、视频计算、云游戏等需求需要更靠近用户的算力；对终端厂商而言，轻薄设备无法无限提升本地算力；对运营商而言，边缘节点和网络资源需要更高附加值应用激活。云天畅想处在几方需求交汇处，提供按需计费的B2BPaaS式算力服务。
这一商业逻辑在AI时代被放大。
Kevin提到，过去云天畅想解决的主要是“有屏幕的地方需要算力”。因为云游戏、云直播、云XR本质上都围绕屏幕和图像渲染展开。但AI时代，算力需求会从有屏设备扩展到所有通电设备。
“未来可穿戴设备、戒指、眼镜、车、机器人，各种设备都会需要算力。”Kevin说，“这有点像电力。电力一开始可能只是点灯，后来有列车，有工业，有互联网。算力未来也会像水和电一样无处不在。”
在这个过程中，云、边、端之间的算力关系会更复杂。过去云游戏更多是“用带宽换算力”：计算在云端或边缘端完成，终端接收视频流。未来AI生成和物理AI场景中，还会出现“用算力换带宽”。
Kevin举例，用户说一句话“帮我生成一个30分钟视频”，如果全部在中心云生成后传输完整视频，带宽压力会很大。另一种方式是只传输语义或prompt，让边缘端或终端参与生成，从而减少带宽消耗。张霖涛补充，在卫星通信等带宽成本高的场景中，这种“语义传输+本地生成”的价值会更明显。
未来，系统会根据带宽成本、算力成本、终端能力和时延要求动态决定任务分配。高端手机本地算力强，可能承担一部分生成和推理；低端手机算力弱，则更多依赖边缘端。Kevin说，如果用户买了7000元的手机，却完全把它当显示器用，也是一种资源浪费。
这也是云天畅想商业模式中“实时智算织网”的核心：通过软件定义和动态调度，把不同层级的算力、网络和终端能力组织成一张实时可用的智能交付网络。
组织实践：打造Lab12K与AI时代的研究团队
如果说云游戏和云电竞为云天畅想完成了第一阶段的商业化验证，AI则推动公司进入更高不确定性的新阶段。面对这种变化，公司一方面组建Lab12K进行技术探索，另一方面也开始通过C12K进行产业投资布局。
张霖涛目前担任云天畅想首席科学家，并带领Lab12K基于公司多年边缘智算实践，探索实时智算织网相关研究。正如开篇时提到的，在WAIC圆桌上，他用“天时、地利、人和”三个维度拆解AI成果跨越“达尔文死海”的挑战。
在他看来，技术转化不能一上来就想改变世界，而是要先从小场景切入，找到有需求的地方落地。“人和”是让技术能够被人理解，能够解释给受众；“地利”不只是地理位置，更是具体应用场景，即从哪个行业、哪个需求切入；“天时”则是时机选择。今天AI热度高，但一年前行业还在经历调整，耐心和判断力同样重要。
这与他对云天畅想的Lab12K实验室的定位一致。
“我们确实正在建设Lab12K。”张霖涛告诉IPO早知道，这个实验室的名字来自于“平流层的高度”，平流层处于“天”和“云”之间，“它既要有落地场景，又要保持对天空的开放探索。”
谈及技术，在张霖涛表示，AI仍处于时代早期，技术路线远未收敛。更重要的是，深度学习至今仍缺乏清晰的“第一性原理”。“说实话，大家还没有完全搞清楚它（深度学习）为什么这么好用。”他说。这意味着未来仍有很多可能性，没人知道明天会不会出现一个更好的结构，改变今天的路径。
因此，Lab12K的管理不能完全等同于传统业务部门。张霖涛表示，实验室会有项目评估，会有自下而上的研究提案，也会有自上而下设置的目标，但不会完全被短期KPI绑定。很多研究一开始未必能看到直接应用，但一两年后可能产生价值。回想当年Transformer当年刚发表时，也不是所有人都立刻意识到它会成为今天大模型的基础架构。
在招人方面，Lab12K也试图采用更开放的标准。
张霖涛认为，AI时代对过去所谓背景和经验的要求正在下降。不是一定要10年编程经验或20年AI背景，很多突破可能来自年轻人、跨学科人才和有想象力的人。Python、AI Coding、Agentic工具降低了实现门槛，未来重要的是提出问题、形成联想、把不同知识连接起来的能力。
“我现在招人的时候也会说，我不是找你来给我干活。”张霖涛说，“以前招人是manager找人干活，现在如果只是干活，我可以找智能体工具。我需要的是你动脑筋，有想法，有imagination（想象力），能够把东西连在一起。”
这种判断也来自他的研究经历。张霖涛早年做存储系统、网络和云计算，后来在微软参与搜索引擎相关工作时，发现大量算力消耗在ranking上，由此开始关注AI和深度学习，几乎见证了AI算法发展至今的全部几次浪潮。
他认为，系统优化可以提升规模、效率和成本结构；但在AI时代，算法或架构的一次变化，可能超过系统工程优化带来的影响。
他以ResNet举例。看似只是“加了一根线”的残差连接，却让更深神经网络训练成为可能，并对AI发展产生影响。今天很多大模型公司的估值建立在现有技术路径上，但没人能保证未来不会有人提出新的机制，用更低成本实现类似甚至更强的能力。
“现在大模型这套系统work，人脑这套系统也work。但这两套系统我们其实都没完全搞清楚为什么work。那有没有第三套系统也work？我觉得完全可能。”张霖涛说。
除了Lab12K，云天畅想还在筹建产业投资平台C12K。
Kevin表示，C12K已进入首关阶段，规模大约在5亿至10亿元人民币之间。它会引入外部资金，也会围绕云天畅想的产业链和生态做布局。
从定位看，C12K实际上是云天畅想的CVC。
Kevin的战略方法论是，在不确定中寻找不变。他认为资本市场的热点会快速波动，人形机器人、核聚变、AI应用等方向可能轮番起落，但技术迭代有自己的曲线。铁路、电力、互联网都经历过泡沫与低谷，真正的产业机会往往出现在资本市场情绪退去之后。
对云天畅想而言，不变的是AI从数字世界走向物理世界，以及背后持续增长的算力需求——更大的机会在物理空间，包括车、机器人、工业设备、智能硬件都需要实时智能。
“我们做算力基础设施，所以要倒推客户下一代、再下一代产品需要什么样的算力基础设施。”Kevin说，“三年之后需要什么，我们现在就要准备人才、资本、业务和产品。”
总结来看，Lab12K负责探索技术可能性，C12K负责在产业链中提前布局，既有业务则提供现金流和场景反馈。三者共同构成云天畅想在AI浪潮下的新组织形态：用交付验证技术，用技术形成壁垒，再用投资和生态扩大边界。
跨越“达尔文死海”的关键不只是模型能力，而是智能能否抵达每一个需要它的地方。对云天畅想来说，这个“抵达”的过程，就是把算力织成一张实时、分布式、可调度的网络。
对话徐公美&张霖涛：“平流层”的新想法
徐公美
张霖涛
以下为IPO早知道精编整理后的部分对话内容：
IPO早知道：如何理解云天畅想的定位？是一家轻资产还是重资产公司？是否会涉及算力的资本支出？
Kevin：我们是软硬一体的公司。重资产和轻资产其实都有。我们会生产或者定制服务器，也会持有一部分服务器，把它们放在边缘机房，为客户提供服务。这是重资产部分。
但我们的核心也在软件上。比如用软件定义 GPU 硬件，用软件堆叠、调度、控制这些芯片，把能力提供给客户。这是轻资产部分。
所以我们不是纯重资产，也不是纯轻资产，是软硬一体。未来我们会加大边缘算力节点投入，给终端客户更好的体验，也支持更多 AI 推理需求。AI 现在从Chat AI进入Agentic AI，开始帮人干活。但现在很多还只是数字空间里的任务。未来真正爆发会在物理空间，像机器人、汽车、智能硬件这些。物理空间对实时数据、实时推理、实时响应要求更高，会带来几何级别的算力需求增长。
我们的资本开支会跟着下游应用场景稳步匹配。
IPO早知道：如何理解云天畅想的Stack GPU技术？这一技术和算力的“调度”技术之间的关系是什么？
张霖涛：Stack GPU 是另外一个技术。它是用多块小 GPU 模拟一块大的 GPU。比如一个游戏对 GPU 要求很高，一块小 GPU 撑不住。我们能不能用两块、四块 GPU 一起，把这个图像还原出来，让用户感觉像是一块更大的 GPU 在跑。这是硬件和软件上的优化。
但你说的填峰填谷，对我们也非常重要。那是另一个层面的调度。我们买了很多硬件，怎么让这些硬件跑更多业务，这是降本的关键。
我们的业务场景比较broad（广泛），有很多不同 workload（负载）。这是我们的优势。有些公司业务单一，忙的时候特别忙，空的时候特别空。我们可以把不同任务调到不同时间、不同地方。比如云桌面是办公时间用得多，云游戏是晚上用得多。白天可能跑云桌面，晚上跑游戏，半夜跑批量数据、批量文件处理。低优先级任务可以往后推。
当然这中间有很多技术问题，比如migration（迁移）要smooth（平稳）。不能说我把机器拿去跑游戏了，你的云桌面就被关机了。我们要保存状态，把任务迁移出去，保证体验不中断。云计算最早其实也是这个逻辑。通过不同workload（工作负载）混合，提高资源利用率。
IPO早知道：是否可以理解为，实际上云天畅想正是因为有广泛的业务场景，才能实现这种不同负载的调配。
张霖涛：是这样的。
IPO早知道：你现在在牵头建设Lab12K。而当下市场对于AI原生公司如何管理科学家、研发团队，大家也都比较好奇、处在探索阶段。你是如何理解的？
张霖涛：我们确实正在建设Lab12K。这个名字一开始也有一个意象，就是在云和天之间，有一个平流层飞机在飞。我们希望它既有落地场景，又open research（开放探索研究）。
AI时代确实有非常多机会，而且现在真的是刚刚开始。你看ChatGPT很火，视频生成也很火，但三年前它们用的机制和架构，和今天已经有很大差别。这个领域进展非常快。
深度学习还有一个很大的挑战，就是说实话大家还没有完全搞清楚它为什么这么好用。这里面就有无限可能。没人知道明天会不会有人发明一个更好的东西，颠覆现在的路线。所以我们抱着非常开放的态度。
招人也是一样。AI时代对过去所谓背景和经验的要求没有那么高。不是说一定要 10 年编程经验，或者 20 年 AI 背景。很多做出重要东西的人都很年轻，也不一定有传统意义上的博士学位。
我们更想找脑子灵活、有想法、有联想能力、能把东西实现出来的人。现在编程，尤其Python，门槛已经低很多。AI 工具也降低了实现成本。所以我们对背景很开放。数学、物理当然可以，历史、文科背景的人也可能有机会。
以前文科生进计算机行业可能很难，但现在反而可能因为语言、知识、想象力和跨学科能力，变得很有价值。
IPO早知道：但如何确保团队能够拿到结果？会有KPI吗？
张霖涛：我们还是会review（评估）项目。
有些项目是自下而上的proposal（提案），有些是自上而下的goal（目标设定）。基本的实验室管理方法还是会遵循。但我们希望保持开放态度。很多research一开始可能看不出应用，但过一两年可能突然爆发出很大能力。Transformer当年刚发表的时候，也没有那么多人意识到它会有这么大威力。
我们不想把Lab12K完全绑定在云天现有业务上。云天业务很强，能很快接到各种需求，但实验室还是要有开放研究空间。当然，我们也会看业务相关性。云天关心通信和计算，所以 AI 研究会主要往这个方向发展。像核聚变、量子计算这些方向，我们可能也会关注，但不是最高优先级。
如果用一两句话总结，Lab12K就是希望推动AI的发展，探索新的可能性，不把自己束缚在现有框架里。
IPO早知道：Transformer架构自2017论文发布至今，大语言模型深度学习的架构似乎没有特别大的变化。刚才你提到其实还有很多小架构变化，能不能展开讲？
张霖涛：比如MoE，Mixture of Experts，这当然也不能算特别新的东西了，但现在非常重要。还有latent reasoning。现在模型基本是一个token一个token往下走。但人思考不是这样的。有些词我需要思考很久，有些词很快就过去。那模型能不能在latent space里做iteration（迭代）、做中间推理？这是一个问题。还有知识和推理能不能分离。
现在模型把知识和推理都放在一个网络里。它知识很丰富，推理也在里面，所以你要灌很多知识进去，成本很高。但一个人聪明，不一定需要知道所有知识。比如果我做数学题，地理知识对我没有太大用。我需要的是一个非常会解数学题、非常会推理的东西。
那能不能低成本做出来，而不是必须用巨大模型、巨大训练成本，把所有东西都放进去？这些都是很重要的问题。视频生成也变化很快。过去一两年技术路线一直在变，generative model（通用模型），到auto regressive（自回归），再到diffusion model，后面还会继续变。
所以这个领域还有很多开放问题。
热门跟贴