云渲染公司海马云创始人党劲峰：模型谁都买得到，拉开差距的是生产力系统

大模型参数差距日趋收窄，单纯靠API包装套壳的应用模式被越来越多从业者认为难以形成壁垒。海马云创始人兼CEO党劲峰在这个判断上走得更远：他认为模型路由只解决了调用效率，没有解决交付能力，真正拉开产品差距的是算力、Harness（Agent、上下文、工具链）与数据深度咬合的生产力系统。在他看来，没有行业Agent与专家轨迹的AI，终究只是会吐字的玩具。

这个论点的具体机制落在海马云旗下的RunningHub平台上。海马云2014年从实时云渲染起家，为《原神》《黑神话：悟空》等游戏提供云游戏服务，积累了异构GPU调度能力。党劲峰指出的关键成本逻辑是：在音视频图像的真实生产流程中，AI推理与传统图形渲染是交替发生的负载——3D场景需要渲染，Blender和Unreal运行时依赖GPU，视频生成与超分合成消耗大量计算资源。传统做法按峰值给推理和渲染各自囤卡，结果必然是高峰排队、低谷闲置。海马云的做法是把同一批GPU在不同时段服务不同负载，由统一调度层根据任务类型、模型大小和时延要求实时分配，即所谓渲推一体。据海马云介绍，这种调度将平台整体算力利用率推到了比行业常见水平高出70%的位置。

比算力调度更深层的壁垒主张是数据。党劲峰认为工具和流程终究可以被模仿，真正的护城河是合规获取的生产现场数据与专家决策轨迹。具体机制是：资深创作者在平台上完成一项生产任务时，选择什么模型、调用什么工具节点、一条视频修改了几轮、每轮调整的是光影还是表情——这些脱敏操作轨迹被完整记录，转化为强化学习的奖励信号，训练模型将原本繁琐的多步博弈压缩为一次原生推断。海马云称RunningHub已有约60%的模型调用由智能动态路由完成，Agent根据任务类型把简单任务分给小模型、复杂任务分给大模型。

需要保留的边界是：以上所有数据均为海马云自报，通过科技媒体发布，未经独立验证。五层能力栈（算力层、模型层、Harness层、数据层、应用层）是该公司自身的战略叙事框架。文中将Claude Code、Lovable、Figma与RunningHub并列论证Harness价值，但这三者分别属于编程工具、网站生成和设计协作，与AIGC生产管线的可比性有限。MiniMax官方通过RunningHub反向采购H3 RH Enhanced的说法如属实则确实罕见，但同样只有单一来源支持。

不过，党劲峰论述的实际贡献在于把'垂直AI有壁垒'这个笼统判断拆解为三个可检查的工程环节：异构GPU池化调度解决成本底线、专家操作轨迹作为强化学习信号解决模型与生产需求的对齐、Agent动态路由解决多模型协同的决策权归属。这三个环节各自有明确的失败条件——如果渲推负载无法在同一硬件上高效切换，如果创作者操作轨迹的采集量不足以形成有效奖励信号，如果Agent路由的准确率低于人工选择——它们并非自动成立的飞轮，而是需要持续工程投入才能维持的系统性能力。读者在评估任何AI应用公司时，可以用这三个具体维度替代泛泛的'垂直场景'标签，但所有性能数字仍需独立验证才能作为投资判断依据。