直到 AI Agent 迎来大爆发，共享算力模式才首次在商业上取得成功。令人意外的是，首次在全球范围内让共享算力模式跑通并实现盈利的，竟是一个 00 后团队。
2025 年 7 月的世界人工智能大会上，共绩科技 CEO 付智异常忙碌。此次大会，他对接了 40 多条线索，成功转化了 20 多条潜在商机。
2025 年被业界视作 “AI Agent” 爆发的元年，这直接致使 AI 推理的算力需求急剧增加。第三方分析机构 IDC 预测，推理服务器的工作负载占比将从 2020 年的 51.5%，提升至 2026 年的 62.2%。
这些推理需求投射到终端，便催生了一系列 AI 视频生成公司、AI 陪伴机器人公司、AI 模型公司的爆发。但这些 AI 公司面临着一个痛点：每次都要向云厂商支付大笔长租服务器的费用。这导致了一个问题：当需求较少时，他们要为闲置的算力资源买单；当需求增多时，又得让用户排队等待。对于成本敏感、追求精细化运营的 AI 初创公司而言，长租服务器的费用无疑是一项沉重的重资产投入。
“有没有能提供稳定的弹性算力，并且可以按量计费的服务？”
许多初创公司都提出了这样的需求。在与上百家客户交流后，付智发现，大家对精细化算力服务的要求越来越高，算力服务行业也已进入按结果付费的模式。
若深入了解共绩科技，会发现这家公司无论从哪个角度看，都充满了 “反共识”—— 首先，共绩科技所从事的共享算力，是一个已存在几十年的构想，付智团队在最初融资时，时常要面对投资人的质疑：如何证明在当下，这能成为一个可行的商业模式？
另一类质疑则源于，过去二十几年里，没人能突破算力服务的 “不可能三角”—— 弹性、稳定、低价。因此，当一个 00 后的休学博士生声称自己能搞定这个不可能三角时，自然引来了不少质疑声。
需要明确的是，共享算力的前提是不影响自身使用算力，否则就不能称之为共享。而闲时的含义是，算力可以随时掉线，也能随时接入。
共绩科技的解决办法是，将整座城市当作一台巨大的分布式机房，开展 “算力滴滴” 业务：每台带显卡的电脑，就如同一辆空驶的 “滴滴”；AI 公司的推理任务，就像是路边招手的乘客。用户只需登录一个网站，系统便能实现秒级匹配 —— 哪台电脑正好空闲，就由它 “接单” 完成一段矩阵运算；若电脑主人要开黑使用电脑，任务会自动漂移到下一台电脑，任务完成后便自动离开，收益按分钟结算。
这其实已不再是单纯的计算机领域问题，而是涉及能源领域。恰巧，付智的本科专业是新能源，他尝试用分布式电网的思路来解决这个问题，但能源问题与计算机问题的跨领域适配，他们仍磨合了很长时间。
由于没有任何先例可循，付智甚至找不到相关论文作为借鉴，“每一个技术点都是从 0 到 1 自主设计的。” 付智说道。
他们花费了将近两年时间，才在 2024 年 6 月将稳定性提升到 99.9% 以上，首次让 “随时掉线” 真正转变为 “随时在线”，也首次让普通人的电脑能够参与共享算力。为了实现调度普通人电脑算力这一目标，他们的底层架构进行了三次重构，这相当于将一整栋楼推倒重来；为了让每个普通人安装一个客户端就能实现算力共享，他们对产品进行了 80 多次迭代。
共绩科技的团建 中间为付智
之后，他们逐渐将这项 To C 业务拓展到 B 端客户。付智称，今年上半年，共绩科技实现了 2000 多万的收入，其中大部分来自 B 端客户。
付智向我展示了密密麻麻的文档，这些都是他们每次周会的记录。每周例会时，团队成员会扮演投资人，轮流对创始团队提出挑战。
“我唯一的危机感就是我们还不够快。” 付智说，“否则，除了 AI 不行了，我想不出我们还能有什么危机。”
从科研中捕捉到的商机
为什么会想做这样一个共享算力的平台？
付智：其实源于我的一次研究需求。当时我在赶一篇科研论文，只有一周时间，但用自己的电脑计算需要 40 多天。我也找过公有云厂商希望他们提供临时算力，可惜他们无法满足一个学生的个体需求，他们做的都是大生意。于是我找到了同学，让他们把电脑算力共享给我，最终在 5 天内完成了任务。
从那以后，我发现很多做科研的同学都需要模拟计算，于是我建了一个共享算力的微信群，大家可以在群里发布任务，有电脑空闲的人就可以将算力共享给有需求的人。
随着需求越来越多，我开发了一个共享平台，大家可以在平台上发布任务，平台会自动配置算力资源。
这个时候你就开始考虑要不要创业了吗？
付智：并没有，当时有投资机构找过我，但我拒绝了。因为我觉得如果这只是面向学生的需求，市场还不够大，对我来说不够有吸引力。
这个时间点大概是什么时候？
付智：后来，我把这个平台发到 B 站上，一夜之间就有 7000 到 8000 人注册，我才意识到需求如此庞大。到 2023 年 4 月份左右，我们在一些人工智能圈子里已经小有名气了。我们建立了一个共享算力的社区，我在社区里询问大家是否有需求，谁先付钱，我就先为谁服务。
后来我成功服务了五个客户，这让我发现这个市场其实相当大。
之后，我花了大量时间研究 AI 算力的具体需求、共享算力的流程和要素以及整个云市场的格局，最终才决定出来创业做这件事。
从了解需求到决定创业，这个过程有哪些细节？
付智：在 2023 年 9 月首轮融资之前，我们没有拿过一分钱融资。我只是通过与用户访谈、和专业人士交流，来验证这件事商业化的可能性，但这还远远不够。
后来，我们获得了近 3 万块钱的收入，毛利率达到 50%，我才确定这件事具备商业化的条件。于是在 2023 年 9 月融到了第一笔钱，因为我需要更多资金去验证更大规模的事情。今年上半年我们实现了 2000 万元的收入，我认为这件事的确定性已经比较高了。
拿到第一笔融资的过程顺利吗？
付智：拿到第一笔钱颇为曲折。2023 年初，由于我自己没想清楚，技术上也不够成熟，当时有投资人想投我们，我拒绝了。
之后的整整五个月，我们都没有融到资，也没有发工资。我们的一个联合创始人借钱买了服务器，还遇到一些投资人在签协议时临时变卦 “鸽” 了我们。我甚至想过，如果 9 月份还融不到钱，就回学校转做社区运营。
直到我们报名了奇绩创坛，由于奇绩创坛秉持 “投人” 的逻辑，且愿意支持反共识的项目，我们才拿到了第一笔融资。
投资人一开始主要质疑什么？
付智：共享算力这件事并不新鲜，从 20 世纪 80 年代就有人提出，但一直没人能实现商业化成功，这是投资人最主要的质疑点。
原因有三：第一，之前没有那么多算力需求，即便到 2022 年底，大家对算力也没什么概念。共享算力模式更多被用于公益性质的计算，比如寻找外星人，老百姓不会去用，也无法变现。
第二，设备层面不具备提供商业化服务的能力，而随着模型越来越小，很多个人设备已经能提供不错的算力支持，举个容易理解的例子 —— 如今手机的计算能力可能比阿波罗登月时用到的算力还要多。
第三，技术上存在难度，很多技术是近几年才逐渐成熟的，比如 WSL（Windows Subsystem for Linux）的支持，这几年才完善。
投资人还有一个层面的担忧，他们会觉得我们是不是在挖矿？因为 2020 年左右，有很多挖矿的商业化实践，但挖矿没有壁垒，且在中国受到禁止和监管，同时挖矿的边际效应也在递减。
但如今，一切都在发生动态变化，这些质疑自然也就不攻自破了。
现在投资人的看法有变化吗？
付智：直到现在，还是有投资人认为是在 “投人”，他们之前都看不懂我们在做的事情。我聊过很多投资人，他们都觉得这事行不通，因为这不符合共识。
“就像前面有座大山，要一点点搬完才能看到结果”
共绩科技成立时，恰逢大模型快速发展，2023 年很多公司已经证明，基础设施未来可能成为统一标准化的商品，成本和利润上的想象空间不大，更多机会应该在应用层，你怎么看？
付智：我自己也做过一些应用，也靠它们赚过钱，但我认为应用层的机会需要满足两个条件：一是模型能用，二是价格足够便宜。2023 年时，这两个条件都不满足。2025 年，第一个条件刚满足，但第二个条件仍然没有充分满足，或者说我觉得机会还没到。我们还在持续观察，这也是做算力的好处，能敏锐地捕捉到市场动态。
正如现在很多 AI 应用公司，他们需要向大模型公司支付高额的 API 费用。
付智：是的。
但在共识中，基础设施算力一直是大厂的天下，即便弹性算力，大厂也在做，一个初创公司的机会在哪里？
付智：实际上，我们是目前为数不多有能力参与国家级基础设施建设的初创公司，国家现在的算力一体化网络调度平台我们也基本参与其中。现在我们在弹性算力这个领域也成为了比较领先的公司。
为什么这件事会由一群 00 后做成？或者说难点在哪里，为什么之前没人做成，而做成的偏偏是你们？
付智：一直以来，在算力服务领域，存在着弹性、稳定、低价的 “不可能三角”。
我们提出了闲时算力调用的破解方案，但由于之前没人这么做过，所以在决定做这件事时，我们花了很多时间摸索，甚至没有前人的论文可以参考，需要从 0 到 1 去定义和解决问题。
为了解决闲时算力保障稳定这一难题，我们从底层推翻并重构了三次算法框架。另一个问题是设备接入，我们至少迭代了 80 多个版本，花了 1 年多时间，才实现了 99.9% 以上的稳定性，现在甚至能做到 99.99% 以上的 SLA（服务等级协议）（注：SLA 是系统服务提供者对客户的承诺，包括可用性、准确性、系统容量和延迟等关键指标。），比一些知名公有云更稳定，而且把接入门槛降到了很低。
这件事的难点在于它并不单纯是计算机领域的问题。我是清华大学能源大类招生进来的，所以我会融入在能源领域的认知，将其抽象成一个能源领域的问题，这需要跨领域的融合创新，我们在跨学科层面付出了非常多从 0 到 1 的努力。
我们先对供给侧和需求侧的动态波动特性进行监控建模，进行负荷预测，再对节点的能力、稳定性进行动态分级和智能匹配，在需求峰值发生前部署热备，实现算力资源的丝滑扩缩。这样一个多云热备的体系，比绝大多数单集群体系都要稳定。
这中间遇到过哪些失败和挑战？
付智：比如我们的第一个客户，由于当时我们的产品鲁棒性不够高，他就没有继续使用我们的服务，直到后面产品完善了，他才又回来。
还有设备成功接入的问题，我们希望普通人也能共享自己的算力，不仅能在本地部署一个大模型，还能共享给别人使用，且只需简单下载一个客户端，这其实难度很大。
最早我们打包这套软件让别人下载时，只有一半的人能成功，因为部署模型有无数系统环境问题需要解决。我们当时每周都在解决各种各样的问题，那种感觉就像面对一整座大山，要一点一点搬完，才能达到一个较好的结果。
在云厂商生意缝隙里寻找机会
后来你们又承接了政府的业务，例如公开报道提及河北、青海的算力调度平台是你们建设的，我理解 To G 业务更是云厂商的地盘，之前云厂商也都在做这类事情。
付智：举个例子，全国三分之一的算力在河北，河北省的算力调度平台就是我们做的。
是政府主动找过来的吗？
付智：是的。
为什么云厂商不做这件事，最后却是你们做了？
付智：我们不只是单纯卖算力。
AI 带来了大量的算力需求，这些需求分为两类：一类是训练需求，一类是推理需求。训练对资源要求极其集中且稳定，但训练只有少部分玩家能参与，我认为推理计算会是未来最主要的需求。
推理需求有两个特点：第一，需求本身是分散的，对资源集中度要求低；第二，推理需求存在明显波动，不同时段的需求量不一样，这就带来了很大的困扰 —— 因为现在市场上大部分算力服务商只愿意提供长租服务。对于长租模式，应用公司不可能为尖峰时刻去租，因为浪费太严重了。所以公司会选择为某个中间时刻租，使得浪费可控，但这会导致部分时间出现排队现象。
这类排队的需求或者速度会变慢的需求就是弹性计算需求，它时间短、尖峰高且波动大。对于这种弹性计算需求，市场上也有一些服务，比如短租，但价格较高，一些云厂商的短租价格可能是正常价格的五倍。云厂商还会放出一些闲置节点，但这些节点随时可能掉线。
这些服务各有特点，要么价格贵，要么要求长租，要么不稳定。对于公司来说，都不是理想的解决方案，这也是市场上的一大痛点。
我们做闲时调度，调度各个地方的闲时资源，为市场提供弹性、低价且稳定的算力服务，这就是我们的商业核心逻辑。在我们做这件事之前，全世界没有任何一个商业平台支持实时共享，都只支持锁定共享。
这条曲线叫 “子珩曲线”（由共绩科技的联合创始人许钟子珩发明，纵轴是单位服务的价格，横轴是单位服务的时长）。我们认为任何租赁市场都存在这样一个双曲线，从需求来看，租的时间越短，价格必然越贵；从供给侧来看，资源越碎片化，越难被利用，价值就越低，成本也越低。
“子珩曲线”
大厂当然更愿意做后面这部分需求，因为市场空间更大。他们聚焦于占领更大的市场，没有把重心放在前面高毛利的领域，目前只有我们在做这件事。但从商业逻辑来讲，我们本质上是调度碎片化的资源来服务弹性的需求。所以我们能有较高的毛利，最高可达 95%，有些则在 10% 左右。不过这个高毛利的业务只占整个市场需求量的 20% 左右，大部分需求还是来自长租。
第二，我们允许资源便捷接入，只需下载客户端就可以共享。这分别是算法和工程方面的难题。
当然，确实有一些公司也在做这方面的事情，但第一，他们要求设备不能断网、关机、掉线，需要强锁定，意思是参与者自己不能使用设备；第二，要求重装系统，也就是将整个设备共享出去。
这样做并没有解决闲时共享的问题，也没有解决便捷部署的问题，而这两个问题目前我们都已经解决了。
你认为政府最终会为这件事买单吗？
付智：未来算力必然属于基础建设，国家也想建立算力网络，其实现在各地都在建设调度平台，但这些平台都不支持闲时接入，只支持锁定接入。
假设我是政府，建了这样一个调度平台，然后联系该地区的所有机房接入。但接入后机房自己就不能再使用了，那机房肯定不愿意，所以这些平台没有任何一个机房 “真正” 接入，也就无法发挥作用。
但如果具备闲时调度能力，逻辑就不一样了。地方政府可以找到这些机房，建议机房将闲时资源接入平台，地方政府帮忙推广销售，让机房赚取额外收入。
和政府合作的资源壁垒很高，你们是怎么搞定这些政府客户的？
付智：首先，清华背景确实给我们带来了机会。其次，我们是靠技术敲定这些合作的，后面青海省和河北省都是主动找到我们合作的。
除了政府项目，平时怎么拓展客户？
付智：我们在网上有一定的声量，“共绩算力” 平台推出后，网上自发注册的用户已经有 10000 多位。
我们还具备算电协同的能力，这是更长期的业务。“以算代储” 是我们提出的概念，通过算力和电力协同，促进新能源的消纳，使其更加绿色环保。
对你们来说，先发优势和壁垒是什么？
付智：我们的这套技术高度依赖数据，数据越多，系统就越稳定，能做得越好，后来者很难赶上。现在已经有两万多人参与共享，数据越多，数据飞轮转得就越快。
系统可以不断完善，因为它是数据驱动的，会越来越好。我们的项目没有
