AI应用不能只做模型的“传声筒”:海马云RunningHub把Harness带进AIGC生产
过去三年,大模型的竞赛聚焦在参数规模和跑分榜上;同一时间段,多数C端AI应用始终没有走出规模越大、亏损越高的循环。模型能力差距收窄之后,光靠API封装一层壳的产品已经被证明立不起壁垒。
海外AI视频平台Higgsfield的创始人Alex Mashrabov有一个判断:AI应用正死于自研模型的技术虚荣,控制流量路由才是真实护城河。这个判断说对了一半。模型路由提高的是调用效率,交付能力要靠路由之外的东西来解决;只在前端做流量分发的产品,依然会被底层通用模型的能力覆盖。
海马云创始人兼CEO党劲峰的判断更进一步:消费级AI很难挣到钱,放眼全球能做成的只有极少数巨头,真正能落地变现的只有垂直生产力场景。AI下一程要做的是确定性的系统交付,模型谁都买得到,真正拉开差距的是算力、Harness、工具链与行业数据深度咬合的生产力体系。
Harness:把模型接进生产线
AI应用和AI生产力系统的差别在于连接深度:前者把模型接到对话框就停下了,后者要把模型接进生产线。纯应用公司普遍停在调用层,给模型套一个界面或对话框,用户用提示词驱动生成;但生产很少由一次提示词完成,中间要经历任务拆解、多模型协同、工具调用、过程校验和持续迭代。这套负责组织模型、上下文和生产工具链,并对最终交付负责的系统,就是Harness。AI能不能胜任复杂任务、能不能把偶发生成变成可持续的规模化交付,看的都是它。

Harness由Agent、工具链与上下文组成,对最终交付负责
Harness的价值在垂直领域已经得到反复验证:编程领域的Claude Code底层用的是Anthropic的Claude模型,但读代码、改文件、跑测试、根据报错继续修复这些能力,来自模型外面那层Harness;网站编辑领域的Lovable让用户用一句描述拿到一个可上线的网站,今年8月完成4亿美元C轮融资后估值达到133亿美元;设计领域的Figma市值约115.4亿美元,它的壁垒已经从画图功能转移到平台里沉淀的素材库、版本历史与协作流程,迁移成本极高。
AIGC领域的Harness样本
在AIGC领域,海马云旗下的RunningHub是图像音视频内容生产领域Harness的典型样本。这个领域的Harness门槛要高得多:视觉生产的需求是发散的,单靠一个对话框无法完成交付,需要更长的工具链和更厚的上下文:LoRA微调、一整套调度链路、Blender和Unreal这样的专业软件、最底层渲推一体的算力,少了哪一环都跑不通。
这套系统由三块拼成:Agent管理解意图、拆解任务、调用工具、控制费用、检查结果;工具链里是画布、ComfyUI工作流、LoRA训练、云电脑,外加Blender、Unreal等专业软件;上下文装着影视、电商、短剧、游戏、建筑各行业的专家知识和know-how。海马云的判断是,上下文够、工具链够,Agent就可以完成所有事情,未来将是Agent驱动一切的时代。
这项能力最直接的体现,是RunningHub已有约60%的模型调用由智能动态路由完成。Agent先识别用户的意图,再结合行业上下文拆解任务,把简单任务分给小模型、复杂任务分给大模型,电商图、电影感画面、短漫剧各有合适的模型承接。新版Runow把模型偏好设为自动后,Agent会按任务自动选用Skill和模型,用户不必先学会每个模型和工作流。
工具链价值体现得最充分的是Blender加云电脑方案:市场上多数AIGC平台的3D导演台是面向新手的简化玩具,一旦涉及专业建模,用户就得在AI平台和Blender之间反复横跳。海马云依托云电脑业务积累的异构容器镜像与应用级统一调度能力,把Blender这类吃GPU且对延迟极度敏感的原生专业软件部署在边缘节点上,让Agent直接在画布中无缝调用。用户用自然语言描述需求,Harness调度Agent自动打开云电脑中的Blender工程执行搭建,需要精调时创作者随时接管同一份工程。
这套体系的交付能力,在影视级人物角色资产制作上表现尤为明显。AIGC导演@千堇的番剧曾因人物AI感太重卡在播出平台审核。传统Maya或UE管线做一套能过审的人物角色资产要约12万元,靠AI逐块切图重绘再拼接,前后要上百次操作。在RunningHub中,Agent照着上下文里的影视级材质标准与参考图自动切图,逐个局部选配LoRA或模型修复,再合成整图,导演只在关键节点确认,成本降低90%。
站在五层能力栈之上
这套Harness建立在海马云自下而上的五层能力栈之上,最底层的算力层来自十年云渲染的积累:海马云2014年成立,从实时云渲染起家,《原神》《黑神话:悟空》这些游戏的云游戏服务,背后用的就是它的技术;如今全球部署着69个计算节点、6 EFLOPS算力池。实际生产里,AI推理和图形渲染交替占卡:按峰值给两边各囤一批卡的老办法,高峰期排队、低谷期显卡空转;海马云把云游戏时代的异构GPU池化与毫秒级调度能力搬到AI推理上,渲推一体让整体算力利用率比行业常见水平高出约70%,为企业客户保障交付节奏和成本底线。
模型层上,海马云没有跟大厂竞争通用模型参数规模,把资源集中于场景化后训练。语言大模型处理的任务大多是收敛的,图像和音视频则是发散的,审美没有标准答案,发散性落到工业生产环节,就会暴露为人物变脸、风格漂移、光影穿帮、镜头失控。9月20天内连推三款模型,各管一摊:RH Upscale管画质,低分辨率素材一键超分到4K且主体不崩,13款主流方案横评综合质量排第一;H3 Lightning管速度,5秒视频从6分钟压到28.7秒;H3 RH Enhanced管一致性,16个镜头以上的长叙事任务里人物崩坏率降六成以上,最低0.18元/秒。MiniMax甚至反向采购H3 RH Enhanced给自家客户用,模型调用的决策权正从实验室挪向生产现场。
Harness层把Agent、工具链与上下文编排成工作流,对最终交付负责。数据层沉淀专家操作轨迹与行业know-how,反哺模型和Agent进化:用户在平台上每一步的真实选择,用什么模型、动哪些节点、改几轮画面、每轮调光影还是调表情,脱敏后全部留存,成为垂直后训练中强化学习的奖励信号。应用层承载RunningHub、rhTV、RHSTORY等产品生态。
消费级AI为什么难赚钱
中美两地的互联网竞争生态差别很大:中国互联网的渗透深度、商业模式的成熟度与用户习惯的演进走在世界前列,海外不少C端产品靠新鲜感、玩梗和浅层包装起家,进入竞争激烈的国内市场后,可持续的盈利模式很难建立起来。C端普通用户缺乏持续且强烈的付费动力,这是消费级AI不挣钱的本质原因。跑分光环和C端浅层应用退场之后,留下来的会是给B端企业和专业创作者带来实打实降本增效的垂直AI生产力,这类产品壁垒高、续费粘性强。
客户的投入强度可以直接说明这套体系的落地情况,SimilarWeb数据显示,今年3月至9月,RunningHub海内外全站访问量涨幅达266%;7月,海马云联合创始人兼CTO温健做客央视《焦点访谈》时透露,平台每月Token消耗量达到9万亿。有电商服务商入驻一个月就搭出47个自建应用,之后连续56天调用,累计超过12万次,月投入增长700%;某手游企业训练80余个专属LoRA、搭建160余套工作流,三个月用量增长近70倍。自建工作流积累得多的用户,留存率接近100%。
海马云把这套五层联动的体系称为AI生产力发动机,它代表的是中国AI产业从概念狂欢走向工业落地的一条路径。接下来,海马云还将推出面向其他垂直场景的应用产品,把这套体系延伸到更多行业。AI商业化进入深水区之后,单纯调API套壳的浅层应用很难留在牌桌上,只做自研大模型跑分的实验室玩家也会面临落地难题;具备从算力调度到应用落地的全栈五层能力、能对最终交付结果负责的公司,才有机会获得可持续的商业确定性。
郑重声明:此文内容为本网站转载企业宣传资讯,目的在于传播更多信息,与本站立场无关。仅供读者参考,并请自行核实相关内容。
(来源:商业经济网)