布局全球算力节点：GoodVision AI构建全域动态调度AI Compute Grid

黄仁勋发布了一条关于 AI 工厂的帖子，不到12小时，浏览量就超过了百万。

帖子没有讨论更强的模型，却在说土地、电力、机房和完整的算力系统，他判断基建而非算法正成为 AI 增长的主要约束。因为这些听起来距离普通用户很远的东西，正在决定一个越来越现实的问题：为什么模型调用越来越便宜，企业的 AI 账单却可能比业务增长得更快？ 

答案藏在一次看似普通的任务里： 

一家软件公司让 Agent 协助排查线上故障。它要读取告警和运行日志，定位异常代码，检索内部文档，分析上下游依赖，生成修复方案，再调用工具运行测试、检查结果。工程师发出的可能只是一条指令，Agent 为了完成它，却要在后台连续执行几十个步骤。每一步都可能调用模型，每一次调用都在消耗算力。 

这些调用又不是同一种调用。整理日志不需要最强的模型，判断故障原因却可能需要复杂推理；部分代码可以交给云端模型，包含客户数据的日志则必须留在企业内部；普通分析可以多等几秒，生产系统的告警却经不起漫长的网络往返。如果所有任务都被送往同一个模型、同一座数据中心，企业得到的未必是更好的结果，却一定会承担更高的成本和更大的延迟。 

这才是 AI 进入基础设施阶段的真正含义。竞争不再只发生在模型之间，也发生在模型背后的每一次分配上：什么任务该使用什么模型，在哪个节点运行，以多少成本和多快的速度完成。当这样的选择每天发生几百万次，决定企业 AI 成本的，就不只是它买了多少算力，而是这些算力是否被用在了合适的地方。 

这也是 GoodVision AI 正在布局的领域。它以模块化 AI Factory 承接本地和区域推理需求，单个工厂最高可在 200 平方米空间内部署 1.5MW 推理算力，相关项目规划已经覆盖日本、韩国和美国。但比建设多少算力更值得关注的是，GoodVision AI 试图在这些基础设施之上回答另一个问题： 

当一次任务被拆成越来越多次调用，谁来决定每一次请求该去哪里？ 

训练的钱往往是一次性的，推理的钱却是永远的 

过去几年，行业的注意力几乎全压在训练上——参数规模、训练集群、榜单成绩。这有道理，那是决定模型能力上限的阶段。 

但训练和推理，是两种完全不同的花钱方式。 

训练就像建造一座发电厂：投入巨大，周期集中，建完就建完了，一个模型大多只训练一次。推理则像输电和用电：每一次调用、每一个 Agent 执行的步骤、每一台终端设备的运行，都在实时消耗算力。模型训练一次，推理却会发生数十亿、数万亿次。 

这个区别，GoodVision AI很早就看到了。创始人兼 CEO David Wang 在 2019 年创立这家公司，着眼于AI能力从“可以演示”走向“规模化交付”时出现的基础设施缺口。在他的表述里，AI基础设施正在从关注“算力在哪里”，逐步转向关注“每一个 Token 如何被高效生产、路由和交付”。当行业把注意力集中在模型能力上限时，GoodVision AI关注的是上限之下的运行成本由谁管理。 

今天，这个判断正在变成行业共识。 

黄仁勋在 2026 年 GTC 上给出的数字是，过去两年 AI 推理的计算需求增长了约一百万倍。与之对应，2025 年全球 AI 基础设施资本开支已超过 4000 亿美元，2026 年预测规模进一步超过 6000 亿美元——AI 基建没有随训练竞赛降温而收尾，反而因推理需求爆发进入了更长的建设周期。 

Agent也让推理成本变得复杂。 

Agent 改变的不只是 Token 的消耗量，也改变了消耗方式。过去，用户问一句，模型答一句；现在，一个 Agent 为了完成任务，要读取资料、调用工具、检查结果，并根据反馈继续行动。一次任务由此被拆成几十甚至上百次模型调用。 

Token 正在从“对话消耗”变成“系统消耗”。当调用进入企业主流程，成本就不再是偶尔产生的 API 费用，而成为一项随业务持续增长的经营支出。 

这对企业的真正含义是：AI 的成本结构，从一次性采购变成了一张永远在跳的账单。而只要账单是持续的，效率就不再是可以留到以后优化的工程问题——它从第一天起就是经营问题。 

于是，一个看似矛盾的现象开始出现：同一家企业可能同时面对算力过剩和算力紧缺。高端算力排着队抢，大量原本可以由轻量模型在本地几十毫秒内完成的简单任务，却占用了最昂贵的资源，绕地球跑了一圈才把答案送回来。 

真正需要解决的是算力如何分配：哪些请求应该使用旗舰模型，哪些请求可以交给轻量模型，哪些请求应当留在本地。 

每一次调用，都是一道选择题 

这正是 GoodVision AI 想解决的那一层。 David Wang 在云计算行业深耕多年，履历横跨 IBM、AWS、阿里云和腾讯云。他曾任 IBM 合伙人、AWS 高级管理层成员，参与过阿里云早期团队建设，后任腾讯云北美负责人。 

这些经历让他更关注AI在企业中的实际应用。企业使用的技术会不断变化，从云服务器、GPU到模型API和Agent，但需求始终一致：以更低的成本、更稳定的方式获得真正有用的AI能力。 

GoodVision AI 最早立住的是云服务，这也是它连接企业与全球算力资源的第一层入口。面对 AWS、Microsoft Azure、Google Cloud 以及企业自己的私有云和本地机房，它帮客户完成云迁移、架构设计、多云治理、运维和持续优化，组合方式取决于业务规模、成本、数据安全和全球部署需求，不受单一云厂商绑定。 

这层业务的价值首先体现在“帮企业上云”，同时也让 GoodVision AI 贴着真实工作负载往里走——摸清客户的算力怎么用、Token 花在哪、延迟卡在哪、合规边界划在哪。这是外部供应商很难从 PPT 上拿到的信息。等企业开始引入大模型和 Agent，这套能力便自然延伸到模型调用、跨云调度和私有化推理。 

这项判断由 Smart Routing Engine 完成。 

一项 AI 请求进入平台后，系统先识别请求意图，再综合任务复杂度、Token 成本、响应速度、数据敏感性、地区合规和节点可用性，在不同模型与算力资源之间实时分配。 

落到具体场景，复杂推理和通用知识类任务可以路由到 ChatGPT、Claude、Gemini 这类云端服务的旗舰模型；翻译、摘要、客服应答、重复性处理等轻量任务，则交给低成本小模型；涉及敏感数据或对延迟要求极高的请求，则送往企业私有模型或边缘节点，减少数据在外部云之间的传输。 

Smart Routing Engine 还支持 Agent to Agent（A2A）调用。一个 Agent 处理任务时，常常需要请另一个 Agent 检索、分析、审核或生成内容。系统会根据任务目标、能力匹配、成本、延迟和数据权限，为这次调用安排合适的模型和运行节点。这样，多个 Agent 可以更稳定地协同完成一项工作。

多模型路由回答的是“该调用哪个模型”，GoodVision AI 想再往下追问一层：这个模型应该在哪里运行。相同的模型，部署在公有云、企业机房或边缘节点，背后的成本、延迟和数据边界完全不同。Smart Routing Engine 调度的因此不只是模型，也包括模型所在的算力位置——既提供统一 API 入口，也负责企业 AI 系统的资源调度，即：简单任务使用轻量资源，复杂任务保留必要的模型能力；而当云平台、模型服务或算力节点出现波动，请求也可以自动切换到其他可用环境。 

这套逻辑已经被实际业务验证过。 

GoodVision AI 曾服务一家图像与视频生成平台，客户当时月度 AI 支出已超 50 万美元，Token 消耗仍以每月约 50% 的速度增长。在把相关模型迁移至 GoodVision AI Factory 做私有化部署后，客户整体成本下降约 60%，网络延迟下降约 50%。 

它“省钱”的方式来自模型、算力和部署位置的同步重新安排，而不再是单纯更换一个便宜模型。

 算力开始往人多的地方搬 

请求做完选择，总要落到某个物理位置上。这就带出了 GoodVision AI 更重的那一半。 

David Wang 有一个判断：当前的 AI 基础设施，仍处在类似“CDN 出现之前”的阶段。中心化大云依然最适合训练和复杂推理，但随着 Agent 开始高频处理翻译、客服、代码、图像和视频这类任务，越来越多请求其实应该由靠近用户、靠近数据、靠近业务现场的节点完成。 

这背后有明确的业务原因。AI 眼镜、机器人、自动驾驶、智能工厂对延迟极其敏感，很多场景根本不允许把请求送到几千公里外再等结果；金融、医疗、政务这类数据，往往连“出境”这一步都走不了。 

GoodVision AI 的 AI Factory，是面向本地和区域需求的模块化推理中心。公司资料显示，它通过浸没式冷却将 PUE 控制在 1.2 以下，最高可在 200 平方米空间内部署 1.5MW 推理算力，并接入 Smart Routing Engine，成为全球调度网络中的本地节点。目前，相关项目正在日本、韩国和美国推进，其中日本地区各节点计划在未来三年内分阶段扩展，合计规模将达到100MW。公司的扩张路径是先与当地伙伴建设旗舰节点，再向周边部署边缘节点，将这套基础设施交付模式复制到更多地区。 

这里有个问题值得说明：建数据中心是出了名的重活慢活，一家 2019 年成立的公司，凭什么能同时在三个国家推进？ 

答案藏在上一轮算力周期里。 

传统数据中心从拿地、报建到通电投运，往往以年为单位计算，而企业采购 GPU 服务器只要几个月——这中间的时间差，正是当下 AI 基建最现实的缺口。GoodVision AI 依托已有的矿场和能源基础设施资源，与得克萨斯州、威斯康星州等地的北美基础设施伙伴合作，把已经通电、已有场地的存量设施升级为 AI-ready 的推理基建。公司资料显示，日本福岛项目首期预计在三个月内完成建设并投入运行。 

这是一个颇具意味的产业接续：上一轮算力周期留下的电力与场地，成了这一轮 AI 推理落地最稀缺的入场券。它换来的与其说是成本优势，不如说是时间优势——在一个所有人都在抢工期的赛道上，这可能是更值钱的那一种。 

就像早期石油工业争夺重要油田一样，谁能够提前占据关键区域的能源与空间资源，谁就拥有进入下一轮AI基础设施竞争的门票。在David看来，AI基础设施的竞争正在呈现出类似能源产业的逻辑。 

基于这一判断，GoodVision AI计划将分布在不同国家和城市的AI Factory节点连接起来，最终形成一张可动态调度的全球“AI算力网络”(AI Compute Grid)，长期覆盖100多个城市、100座以上AI Factory，让算力像互联网内容一样，根据需求被更高效地分发到用户身边。 

未来，这种能够承载AI算力的电力指标、土地资源和基础设施节点，将成为稀缺资产。 

从卖资源，到卖判断 

回头看，云服务、Smart Routing Engine 和 AI Factory 三项业务彼此衔接，并沿着同一条链路展开。 

云服务让 GoodVision AI 进得去企业系统，连得上分散的多云资源；Smart Routing Engine 负责理解每一次请求，完成模型与算力的实时分配；AI Factory 提供可控、低延迟、可本地部署的底层算力。三者串起来，是一条从企业需求、到 Token 调度、再到算力交付的完整链路。 

这条链路正在转化为高速增长。根据公司最新披露的数据，GoodVision AI在截至2026年6月30日的2026财年前九个月实现收入约2,400万美元，达到上年同期约482万美元的近5倍，同比增长397.9%。更值得注意的是，公司仅在2026年4月至6月的三个月内就实现收入约1,345万美元，不仅同比大增544%，甚至超过此前六个月约1,055万美元的收入总和，显示其业务增长仍在明显加速。根据最新版管理层预测，GoodVision AI的2026财年全年收入预计将达到约3,887万美元，约为上一财年774万美元的5倍。 

对一家仍在扩张期的基建公司而言，这组数字的意义不在绝对规模，而在于说明商业模式已经跑通，公司正从验证阶段进入规模化阶段。 

值得注意的是，GoodVision AI交付的内容正在变化。早期客户购买的是云资源，核心需求是获得更合适的算力。随着 Smart Routing Engine 承接更多企业请求、AI Factory陆续投运，公司需要进一步判断每次请求该交给哪个模型、放在哪个节点运行，以及以怎样的成本和延迟完成。 

企业购买的核心，已经从算力本身延伸到算力的使用方式。 

买得起，和用得起 

回到开头那次线上故障排查的情景。 

这类成本问题通常来自模型选择和算力调度没有匹配好。几百万次难度不同的请求，被用同一种方式处理。随着行业从训练转向推理，如何让模型和算力适配具体任务，已经成为企业必须补上的一课。 

电力真正改变世界，始于电网铺开。

 AI 的这张网，现在才开始铺。