“训练大型模型的成本高昂，如何将大模型的能力转化为实际收益，关键在于推理环节。”GoodVision AI（以下简称GVAI）的CEO David Wang在接受徽声在线采访时表示，当前AI产业正面临一个关键的转折点。

过去几年，大模型无疑是AI领域的明星，随后算力、GPU以及CPO光模块等相关概念也水涨船高。时间来到2026年，AI对话、AI办公、AI编程和AI视频等应用已经不再神秘，它们已经深入到人们的日常生活和工作中。

如果说训练大模型是打造AI时代的“纺纱机”，那么与Token消耗紧密相连的推理服务，则正在开启一个庞大的市场。AI算力服务也在经历着重要变革：单纯租用GPU或服务器已无法满足需求，一批专注于Token生产和运营的平台开始崭露头角。

David Wang预测，2025到2026年将成为AI产业的分水岭：大量业务将从试验和概念验证阶段迈入常态化运行，推理需求将迎来爆发式增长。然而，企业在推理时代面临的痛点已不再是“是否有模型可用”，而是“如何选择模型、在哪里运行、如何平衡成本与时延”。

GVAI提出的解决方案是“云服务底座+智能路由+AI Factory”三位一体的模式。David Wang透露，公司已通过与Calisa Acquisition Corp的业务合并计划上市，募集资金将主要用于数据中心建设、智能路由平台开发以及销售和研发团队的扩充。

从云计算到推理：训练不创造价值，推理才带来收入

David Wang的职业生涯几乎贯穿了上一轮云计算周期。他早年在中国从事IT集成与咨询工作，随后加入阿里云、亚马逊云中国创始团队，并赴美负责腾讯云的海外业务，还在Oracle Cloud担任过产品与解决方案负责人。

ChatGPT的发布让他意识到一个新时代的到来。

“训练模型本身并不能直接创造价值，反而需要大量投入。如何将大模型的能力转化为收入，关键在于推理。”David Wang强调。他将2025到2026年视为关键拐点，认为过去企业做AI主要以试验和概念验证为主，而2026年开始大量业务将进入常态化运行。

“编程、生物数据处理、游戏AI角色和视频生成是Token消耗的主要场景，尤其是编程。”他提到，自今年3月以来，硅谷的AI编程能力有了显著提升，“现在让AI修改一个bug，它可以非常精确地定位并修改。硅谷的AI编程比例已经很高，这是一条无法回头的路。”

David Wang分享了一个生物医药客户的案例：过去需要1到2个人花费7天处理实验室数据，现在通过Agent技术，处理时间缩短至约10分钟，Token消耗仅需几美元。客户上传数据后，5到10分钟即可完成处理，复杂一些的任务也只需约半小时。

“客户每天可能产生大量数据，因此这是一个非常日常的需求。”David Wang从这类案例中看到的不仅是效率的提升，更是一种稳定的商业逻辑：当AI切入的是客户每天都要进行且直接影响交付效率的核心流程时，它就不再是“锦上添花”的工具，而是生产环节的一部分。这种从日常工作流中衍生出的业务，客户付费意愿更强，替换成本更高，粘性也自然更高。

他进一步解释，GVAI并不满足于只做通用的Token平台，而是希望将生物医药等行业中的高频、刚需场景沉淀为可复用的解决方案。“我们不是针对单个客户，而是针对类似的一批客户或一个行业。每个行业都有其独特的痛点和问题，帮助一家头部客户解决后，类似的公司大概率也会遇到相同的问题。”在David Wang看来，行业化交付能力和沉淀的行业经验是平台从“卖Token”向“卖结果”转型的关键。

推理市场竞争激烈，各家差异何在？

市场上并非只有GVAI一家在从事推理服务。

从模型路由聚合到算力基础设施，各个环节都已挤满了玩家。

OpenRouter是全球最大的AI模型聚合平台，今年8月被支付巨头Stripe收购，据媒体报道收购价超过70亿美元。Fireworks AI专注于模型推理服务，今年3月收购了游戏服务器托管公司Hathora，预期年化收入超过10亿美元，并于7月宣布完成约15亿美元的D轮融资，估值约175亿美元。Lambda和CoreWeave则更偏向于GPU算力基础设施，前者近期与Anthropic签下了350亿美元的云端算力协议，后者获得了英伟达20亿美元的股权投资和Jane Street的60亿美元云服务协议。

但这条赛道上的玩家也各有侧重。“比如，OpenRouter这类纯路由聚合平台只做软件层，高度依赖外部算力供给，存在供应商断供的风险；单纯建设算力机房，裸硬件很难转化为高毛利的推理服务，容易陷入硬件租赁的价格战。推理竞争不再只是拼GPU数量，而是‘需求调度能力+算力供给能力’的综合较量。”David Wang分析道。

三块业务构建推理网络

GVAI提出的解决方案是“云服务底座+智能路由+AI Factory”三位一体：前端通过智能路由承接企业的差异化请求，中间通过软件栈进行模型适配与调度，后端通过本地化推理算力承接合适的工作负载。GVAI当前的业务可分为三块：云服务、智能路由引擎和AI Factory。

云服务是公司的既有入口。GVAI与亚马逊云、谷歌云、微软Azure等头部云厂商合作，提供端到端的咨询、迁移、优化和托管服务。David Wang表示，公司过去积累的企业云客户正在陆续开始使用AI和Token，这成为推理业务增长的重要来源。

智能路由引擎负责决定AI任务的运行位置。它接到请求后，先分析任务属性，再结合模型的擅长方向、成本、延迟和准确度偏好，将请求路由到公有云大模型或本地AI Factory。

David Wang将其比作沃尔玛的导购：“货架上有20种水，你不知道哪种适合你。导购会根据你的年龄、身体状况和最近饮食，推荐最合适的一种。”他透露，根据几个较大客户的反馈，智能路由至少节约了60%的成本。

AI Factory则是本地的推理算力设施。公司通过改造加密货币矿场、废弃工厂等存量场地，结合模块化集装箱部署，快速形成推理节点。其中，Pro6000集装箱单元（1兆瓦）可搭载超过960块GPU，B300集装箱单元（1.5兆瓦）可搭载超过512块GPU。公司透露，AI数据中心的整体建设周期约为180天，最快30天即可投产。采用单相浸没式液冷技术，PUE低于1.2。

“我们不认为软件市场会消失。云端和本地会分层：日常推理在本地进行，峰值推理在云端进行，中间由用户可控的路由层连接。”David Wang表示。他将GVAI的模式称为“AI CDN”，通过靠近客户的边缘推理中心来降低成本和延迟。

AI Factory：将矿场和旧工厂变身“Token工厂”

在David Wang看来，海外推理时代的竞争首先卡在“电和地”。尤其是美国的大型数据中心接电周期长，5MW、10MW级别的机房电力往往需要提前规划，很多地方到2027年的电力已被抢完。

但GVAI选择从存量带电场地切入，比如原比特币矿场、废弃工厂。矿场本身已有供电和电网接入条件，且美国电力合同通常长达12到20年。GVAI将其中约10%的建筑面积改造为AI推理算力，释放30%到40%的站点算力。

“将一个裸金属机器变成能生产Token的服务器，难度很高。而且建起一个数据中心并不等于提供好的云服务，数据中心的利润很薄。我们要做的是将毛坯房变成酒店，而且是管理很好的酒店。”David Wang解释道。

他提到，GVAI的模块化集装箱供应链在亚洲，建设周期为4到6个月，部署约1个月，半年内可上线一个5兆瓦以内的机房。据了解，目前公司在美国有2个站点在建，分别位于得克萨斯州和威斯康星州，预计2027年1-2月投产。同时，日本和韩国的站点也在建设中。公司当前开发中的算力规模为6.5兆瓦。

在商业模式上，GVAI采用特殊目的实体SPV模式：公司投入少量资本金，合作方承担其余投入；GVAI掌握运营控制权，从算力产生的Token流量业务中赚取收入。David Wang认为，“合作方看重的是建设组织、供应链、运维和客户订单。我们不是简单租机器，而是运营Token工厂。”

商业化：Token增量等于收入增量吗？

根据公司向美国SEC提交的S-4文件：2024财年和2025财年的营收分别约为360万和770万美元；截至2026年6月30日的九个月，营收约为2400万美元。

从收入结构来看，公司当前的主要收入来源仍是云服务和Token平台收入，部分来自Agent联合开发咨询。AI Factory的收入将在2026年底至2027年初逐步释放。

David Wang预计，未来AI Factory的收入目标将占公司营收的1/3至1/2。SEC披露的S-4文件预计，2026财年营收为3890万美元，2027财年营收为1.766亿美元，2028财年营收为4.186亿美元。具体来看，2027财年AI Factory已部署容量预计约为17.5兆瓦，可带来约6400万美元收入；到2028财年，已部署容量预计增至约40兆瓦，对应收入约2.24亿美元。这些预测取决于站点建设、设备采购、融资和客户签约等条件。

David Wang强调，Token用量的上涨并不一定直接转化为更多收入。“客户买的不是Token数量，而是业务任务完成的结果。通过路由优化减少无效调用和重试，Token用量下降，但任务价值提升。”平台不能只赚Token差价，而要靠调度价值、行业解决方案和托管服务赚钱。

GVAI的竞争抓手被David Wang归纳为四点：供给端能够获取北美存量带电场地的资源；软件层智能路由长期迭代积累的任务—模型匹配经验；业务模式同时覆盖“算力设施—推理软件—行业Agent解决方案”；行业化方案面向生物医药、保险合规等行业沉淀可复用方案。

在全球化方面，GVAI目前专注于北美市场，包括美国和加拿大，也有少量日本和韩国客户。日本第一个数据中心计划年底上线；韩国也有数据中心构建计划；欧洲客户的需求最近开始出现，公司在路线图上推进欧洲资源的布局。

“现在这个市场足够大，还不是零和游戏。但窗口期可能只有半年到一年，之后大家会开始拼价格。我们希望让自己的平台能够提前进入到某些Token消耗量特别大的行业，积累行业经验。”David Wang表示。

上市与未来：一年后希望拿出三个结果

谈及上市进展，David Wang表示，Calisa与GoodVision AI的业务合并所涉及的S-4注册声明已于9月11日生效，Calisa股东大会定于10月8日召开。若顺利完成，公司计划将募集资金主要投向三大块：第一，构建更多数据中心，增加供给；第二，增强智能路由平台和软件开发；第三，招聘销售和研发人员，充实队伍。

未来三到五年，GVAI的目标是打造全球网络，并在这张网络上实现更高效的调度。中期希望将底层Token能力和上层行业能力结合，推动“AI+行业”的发展。David Wang认为，历史上第一波是互联网+行业，第二波是云计算+行业，现在是第三波AI+行业。GVAI已经在探索AI+视频生成、AI+生物技术、AI+智能点餐和AI+教育等领域。

谈及一年后的目标，David Wang希望拿出三个结果：首批AI Factory正式投运并产生付费收入；智能路由从有限预览走向更大规模商用，客户持续增购；AI Factory收入占比按计划提升。他最担心的是供给端建设速度跟不上需求。“需求爆发、供不应求的窗口期还在，所以我们要跑得更快。”

对GVAI而言，上市进展只是外界关注的一个节点，真正的考验在未来12个月：“德州首批AI Factory能否按计划在2027年1到2月份投产”、“美国德州、日本和韩国节点能否落地”、智能路由能否从项目交付走向产品化和规模化商用；AI Factory收入能否在2027财年形成实质贡献，以及公司能否在模型持续降价、竞争加剧的环境中，证明“调度价值+算力供给+行业方案”不是概念，而是一门可持续的推理生意。

David Wang的判断很明确：AI推理时代的竞争，不是单一模型或单一GPU的竞争，而是谁能在正确的时间、正确的地点，用正确的成本，把任务交给正确的模型。GVAI要做的，就是这张推理网络的路由层和运营层。