General Compute获1亿美元A轮，押注非英伟达推理芯片

编者按：当“新云”（neocloud）这个词被越来越多的投资人和分析师贴上“重资产、高折旧、可能过剩”的标签时，一笔1亿美元的A轮融资显得格外扎眼。General Compute的选择很简单也很冒险：不买英伟达。

据TechCrunch报道，AI算力初创公司General Compute已完成1亿美元A轮融资。这笔资金将用于扩大其面向推理场景的算力集群，并进一步押注来自英伟达生态之外的推理芯片。公司的核心判断是：当AI产业从“训练大模型”转向“大规模服务用户”，算力的价值衡量标准会从“谁的GPU多”变成“谁能让每个token更便宜”。

一、一笔“逆风”融资

这笔融资的时间点值得玩味。过去两年，一批以GPU为核心资产的“新云”厂商在资本市场上经历了过山车式的估值波动：先是被视为AI浪潮中最确定的“卖铲人”，随后又因资本开支巨大、客户集中度高、设备折旧周期存疑而遭到抛售。市场情绪的转折，让“neocloud disaster narrative”（新云灾难叙事）成了一个流行说法。

General Compute的融资，某种程度上是对这套叙事的一次公开反驳。它没有选择跟随主流路径去抢购高端训练卡，而是把资源倾斜到推理侧——一个对单卡绝对性能不那么敏感、但对成本、能效和规模化部署极度敏感的市场。换句话说，它赌的不是“算力稀缺”，而是“算力太贵”。

二、“新云灾难叙事”从何而来

要理解这笔融资的意义，需要先理解它面对的是什么情绪。所谓“灾难叙事”，大致由三条相互缠绕的担忧构成。

第一是折旧与资产贬值。GPU不是厂房，它的技术迭代速度远快于传统固定资产。如果一张卡三年后价值腰斩，那么以它为抵押、以它为估值基础的商业模式就会变得脆弱。市场担心的是，很多新云厂商的账面利润，实际上建立在过于乐观的折旧假设上。

第二是客户结构。不少新云的早期收入高度依赖少数几家头部AI实验室，一旦这些客户自建集群或转向云巨头，收入曲线就会出现断崖。这种集中度让投资者本能地要求更高的风险溢价。

第三是需求结构的迁移。训练需求集中、爆发式、且对性能极致敏感；推理需求分散、持续、且对单位成本高度敏感。当产业重心从前者转向后者，为训练而建的重资产集群未必能平滑过渡，定价权也会从“供给方”转向“需求方”。

“新云”的估值逻辑，正在从“谁囤的GPU多”转向“谁能让每个token更便宜”。这不是一次周期波动，而是需求结构变化带来的定价重估。

三、为什么是推理，为什么不是英伟达

推理市场的吸引力在于它的“长尾”属性。训练一个前沿模型是一次性的大额支出，而服务一个上线产品则是持续不断的流水账。随着AI应用从演示走向生产系统，推理在总算力支出中的占比持续上升，成本优化成为企业客户的刚需。

这正是非英伟达芯片的切入口。近年来，AMD的MI系列加速器、云厂商自研的定制ASIC、以及一批专注推理的专用芯片，都在试图证明一件事：在推理负载上，通用性与极致性价比之间并非必须选择前者。对于推理而言，任务相对固定、模型结构可预测、批处理策略可优化，这些特性让专用化设计有了发挥空间。

更关键的是供给侧的议价能力。长期依赖单一供应商意味着价格刚性和交付不确定性，对于要把算力当作“水电”来卖的公司，这种依赖本身就是经营风险。引入第二、第三供应商，不仅是成本问题，也是供应链安全问题。

四、CUDA护城河与软件层的硬仗

但这条路远不好走。英伟达真正的护城河从来不是晶体管数量，而是十几年积累的软件生态。框架适配、算子库、编译器、调试工具、开发者习惯——这些看不见的东西，构成了迁移成本的主要部分。任何非英伟达芯片想进入生产环境，都必须回答同一个问题：客户要付出多少工程代价？

因此，像General Compute这类公司的价值，很大程度上不在于它采购了哪种芯片，而在于它能否在软件层做出“抽象”。如果它能把底层异构硬件的差异封装起来，让客户用熟悉的接口提交任务、按token或按小时付费，那么芯片是谁家的就不那么重要了。反之，如果每一家客户都要为迁移重写代码，所谓性价比优势会在工程成本面前迅速蒸发。

这也是为什么此类公司通常强调“托管式”与“开箱即用”。它们卖的其实不是裸金属，而是把异构算力转译成标准算力的能力。

五、这笔钱要证明什么

1亿美元在AI基础设施领域算不上天文数字，但足够验证一个假设。对General Compute而言，未来一段时间的关键指标并不是集群规模，而是单位经济模型：每token的实际成本、集群利用率、客户留存率，以及在不同模型和不同负载下，非英伟达芯片能否稳定兑现其理论性价比。

如果这些指标成立，那么“新云灾难叙事”就有了一个反例：重资产并非原罪，问题只在于资产是否被用在了正确的工作负载上。如果指标不成立，这1亿美元就会成为又一个关于“生态壁垒比硬件差距更难跨越”的注脚。

整个行业都在看这个答案。因为在AI算力这场长跑中，真正的分水岭可能不是谁造出了最快的芯片，而是谁先把算力变成一件真正便宜、可靠、可替换的商品。

本文编译自TechCrunch