算力即货币：趋境科技如何用‘Token工厂’撬动10亿融资

华尔街的算力心跳 最近的华尔街，被‘算力’两个字牵着鼻子走。7月初，Meta传出将富余AI算力对外出售，股价单日暴涨超10%，而AI与科技板块却应声下跌；仅一周后，Meta又宣布大幅加码自建算力——计划2027年将计算能力从7吉瓦翻倍至14吉瓦，股价再度上扬。这看似矛盾的动作，实则揭示一个新现实：算力已不再是后台基础设施，而是一种可计量、可交易、可定价的流通性资产。 没有GPU，也能开Token工厂 在中国，一家成立不到半年的公司正把这一逻辑落地成生意。2024年7月13日，趋境科技宣布完成A轮融资。过去六个月，它连续完成天使++轮、Pre-A轮和A轮三轮融资，累计融资额超10亿元。但真正令人关注的，并非金额本身，而是它的业务模式：不训练大模型、不设计芯片、甚至没有自有大规模GPU集群——却以‘AI Token生产服务商’为定位，构建起一座纯软件驱动的Token工厂。 Token不是商品，而是计量单位 Token并非可囤积的数字商品，而是大模型处理信息的基本计量单元。用户输入与模型输出均被切分为Token，其数量直接对应计算资源消耗，类似通话时长之于电话费。2024年初，中国日均Token调用量约1000亿；到2025年底已达100万亿；2026年3月突破140万亿——两年增长超1000倍。需求爆发背后，是推理服务规模化落地的真实压力。 不造机器，只管怎么用好机器 传统算力公司依赖硬件投入：采购GPU、部署模型、搭建调度系统。趋境反其道而行之——它既不拥有机器，也不拥有模型，而是做‘连接者’与‘增效者’。其核心路径有二：一是向外租用GPU、CPU或国产NPU，围绕智谱GLM、Kimi等主流模型提供端到端推理服务；二是向已有算力但利用率低的客户（如地方智算中心、大型企业）输出整套推理系统，帮其完成模型部署、任务调度、资源分配与日常运营，再将释放出的算力接入市场，按Token收入分成。趋境卖的不是硬件，而是让硬件持续高效运转的能力。 一张卡，三倍Token产能 客户为何愿意为‘中间商’付费？答案在效率。趋境的技术聚焦两大关键瓶颈：重复计算与资源错配。其自研缓存系统‘月饼’，通过KV Cache复用历史上下文，使缓存命中率最高达90%，显著减少冗余推理；异构推理系统‘六合’则依据任务特性，智能拆分计算负载至CPU、GPU或NPU，让昂贵GPU专注最擅长的部分，其他环节由更适配、更经济的设备承接。两项技术协同，使单台算力的Token生产效率提升3倍以上；叠加规模效应，整体Token产量提升超30倍。其中一款万亿参数级大模型，日均Token产量已突破万亿量级。 清华基因，落地于真实成本 趋境脱胎于清华大学高性能计算研究所。CEO艾智远为清华计算机博士，中国工程院院士郑纬民担任首席科学顾问，武永卫教授任首席科学家。其技术根基可追溯至开源项目KTransformers——该项目聚焦多设备协同推理，在GitHub获Star超1.7万。团队此前参与的Mooncake等大规模推理项目，亦长期深耕缓存优化与分布式调度。这些积累最终指向一个朴素目标：降低每Token的算力成本。 效率能省钱，但能否赚钱？ 趋境已跨过‘是否盈利’的第一道门槛：2026年6月单月收入超过2025年全年总和，部分成熟业务线已实现盈亏平衡。但公开信息中仍缺失关键数据——2025年具体营收、当前毛利率、单卡租赁与运维成本结构、客户续约率及订单稳定性。真正的挑战不在技术上限，而在商业可持续性：当阿里云、运营商及头部模型厂商纷纷压降推理成本，当开源推理框架日趋成熟，趋境必须持续证明——它的优化方案，比客户自建更省、比大厂云服务更优、比通用平台更懂场景。 少模型，深优化，稳订单 趋境选择了一条聚焦路径：‘少模型、深优化’。不追求覆盖百款模型，而是集中资源深度适配头部模型与高价值企业场景。在缓存策略、切分逻辑、调度算法、故障恢复等环节做到极致，既控制研发边际成本，又提升交付确定性。这种策略使其更容易对接区域性智算中心等具备稳定算力需求的客户，形成可预期的订单流。 融资10亿容易，赚10亿很难 10亿元融资，验证了市场对‘算力运营效率’这一新赛道的认可；但每一笔到账的现金流，都需经受真实成本结构与客户留存率的双重检验。Token需求的增长已是共识，趋境真正的考题，从来不是‘能不能生产更多’，而是‘每一个Token，能不能留下利润’。它卖的不是算力，是信任——信任它的系统能让闲置变产出、让昂贵变划算、让不确定变可持续。