面向波动能源 AI 集群的电力感知调度层，把搁浅的 MW 变成能签约的 GPU 算力。

1. 电力可得性如今已被明确指出，是更大 AI 模型和新数据中心建设的瓶颈。
2. 海上数据中心基础设施正从思想实验走向获得资金支持的实际部署，催生出一类有全新调度需求的运营商。
3. 可再生能源和海洋能源公司如今是在直接为 AI 算力需求做设计，而不只是卖电。
4. 领投机构正在资助替代性的 AI 供电架构，这会增加需要软件来商业化波动能源的站点数量。

催化因素。 Panthalassa 这轮 $140 million 融资说明，AI 运营商正在主动把算力迁往非传统电源，因为电力可得性已经成了真正的限制项。

产品跑在 Slurm、Kubernetes 或自研集群管理器之上，把实时供电边界直接翻译成可以拿去卖的算力分层。它会预测一个站点到底能安全承诺多少 GPU-hour，把高价值关键负载和弹性负载拆开管理，并随着能源条件变化动态调整队列时段和价格。对运营商来说，这能把原本卖不出去的间歇性电力变成新增收入，同时守住核心 SLA。对客户来说，平台给出更便宜的弹性产能，也把完工窗口和能源来源讲清楚。时间一长，公司还能沉淀一套基准数据，解释波动供电站点究竟怎样把 MW 兑现成 AI 吞吐。

差异化。 现有集群调度器把电力当静态约束，公用事业软件又默认算力需求不归自己管。这家公司盯的正是两者之间那层空白：把波动的 MW 变成可签约的 GPU 产品。它的护城河来自站点级运行数据——电力波动、队列结构和硬件行为到底如何彼此牵动。数据一多，预测、定价和 SLA 设计都会越做越准。到那时，这套数据不只对运营商有价值，对金融机构、保险方，以及评估非传统 AI 产能的客户也会越来越重要。

待完成任务

flowchart LR
  Buyer[GPU 云运营商] --> Pain[供电波动让产能难以售卖]
  Pain --> Product[电力感知 GPU 调度器]
  Product --> Outcome[在不触发 SLA 失约的前提下卖出更多利用率]

高管要点

• 滩头市场已经冒出来了，但买方池依旧很窄：从 Panthalassa 新融资，到一批从数十 MW 直接跃迁到 166 MW、900 MW 级别的项目公告，能源优先的 AI 基础设施不再只是概念，可首批客户仍主要集中在新型 GPU 云和能源支撑型运营商这小一圈。
• 最硬的切口不在“再做一个调度器”，而在把产能卖出去：超大云厂商的 spot / preemptible 产品已经证明，打折弹性算力有人买；反过来看，通用调度器至今仍把电力当静态约束，而不是可以对外售卖的产品属性。
• 现有厂商最大的威胁是把功能顺手吸收掉，所以创业公司必须掌握面向波动能源站点的实时电力预测、任务准入和 SLA 打包，而不是沦为又一块集群大屏。
• 公开 GPU 定价说明，就算软件抽成不厚，账也能算过来，因为每个 MW 的 AI 产能在弹性产能带来的额外抬升出现前，本身就有很高的收入密度。
• 采用阻力主要卡在运维链路，而不是认知教育：基础设施团队本来就会采购托管 Slurm、Kubernetes 和各类集群工具，但只要软件要碰关键路径，他们就会格外谨慎。
• 为什么是现在，理由已经不止“海上算力”这一条：电池、现场发电和可再生能源弃电消纳都在进入 AI 基础设施设计，这会把需要电力感知控制平面的站点数量继续往上推。

市场定义

这个市场是一类软件：它把受限或波动供电的 AI 集群包装成能拿去卖的算力产品，服务对象包括独立 GPU 云、可再生能源支撑的数据中心开发商，以及其他无法假设电网始终平稳的运营方。第一波买方主要在北美，因为当地可中断与弹性算力市场已经被教育出来，而且不少能源优先 AI 项目正在密集公开。纳入范围的能力包括实时电力预测、准入控制、弹性分层打包，以及叠在现有集群管理器之上的队列编排。排除范围则包括通用调度器、泛化的 DCIM / 能源管理工具、零售 GPU 中介，以及那些把问题完全内化、并不出售中立控制软件的垂直整合云。 [3][4][6][8][10][12][22][24][27]

用户与买方

一线用户通常是容量工程和集群运维团队，他们每天要决定在不断变化的供电边界下，哪些任务能答应、该答应给谁。经济买方通常是 GPU 云或能源支撑型算力运营商的 COO、基础设施副总裁或产能 GM。他们最急的事，是守住高价值 SLA、把弹性工作负载卖出钱，并拦住销售团队在站点可用电力、制冷或送电计划仍在变时把合同卖穿。现有替代方案，基本还是基于 Slurm / Kubernetes 的通用队列、人工限流和表格容量规划。 [3][4][6][8][9][10][11][12][14][17][19][21]

购买触发点

• 新站点或扩容阶段上线时，如果供电并不平稳或是分阶段送电，运营商就需要一种可信的方法，在利用率尚未稳定前先把产能签出去。 [1][22][25]
• 销售团队想像 spot / preemptible 算力那样推出打折弹性产能，而不是让间歇性产能白白闲置。 [3][6][8][20]
• 当运营商开始需要处理“谁拿到稀缺产能”“何时允许抢占”“这些取舍如何商业化对外呈现”等策略问题时，现有 Slurm 或 Kubernetes 队列就不够用了。 [10][11][12][14][17][19]

支付意愿

付费意愿主要由现有弹性算力和集群运维开支侧面托住。AWS 和 Google 早已把可中断产能做成相对按需价打 90%+ 折扣的标准产品；Lambda 和 Crusoe 公布的 H100 / H200 定价也大致落在每 GPU-hour $3.9 到 $6.2 区间。换句话说，只要软件能把可销售利用率往上抬一点，或让弹性产能卖得更稳，足以支撑一笔不小的软件预算，而不需要企业额外新开一类成本中心。 [3][6][16][20][32] [3][6][16][20][32]

品类动态

增长信号 公开的能源优先 AI 项目已从 83–166 MW 阶段性建设，跃迁到 2025–26 年 900 MW 园区级公告。

验证信号

• Panthalassa 的 $140M 融资说明，投资人愿意为非传统 AI 供电架构下注，而不再默认未来所有产能都必须落在传统电网支撑园区里。
• Crusoe 宣布为 Microsoft 建设新的 900 MW AI 园区，并表示更大的 Abilene 站点预计可达 2.1 GW，这表明“电力塑形”的 AI 基础设施需求已经来到园区级规模。
• Crusoe 与 Form Energy 宣布为 AI 数据中心提供 12 GWh 铁空气电池，说明“塑形供电”正在进入新站点的实际运行设计。
• Soluna 明确把 AI 负载描述为弹性需求，并表示 Project Kati 是一个 166 MW 的风电数据中心，其中首期为 83 MW。
• Lambda 和 Runpod 都提供托管 Slurm / 集群产品，这说明运营商已经愿意在裸 GPU 之上购买更高层控制与运维工具。
• AWS、Google 和 Azure 都在销售可中断产能产品，这证明市场确实接受“更低价格换更弱交付保证”的算力。

监管与技术约束

• 数据中心能耗强度和大负载规划依然是真实约束，因此任何商业化软件层都必须把承诺出去的算力准确映射到站点实际的电力和制冷上限。
• 弹性产能产品只有在工作负载能容忍中断、抢占或完工窗口的前提下才成立。
• 集成风险很高，因为产品必须在不引发不稳定的前提下接入或影响 Slurm、Kubernetes 或托管式集群控制平面。
• 预测质量依赖对实时电力、制冷和队列遥测的访问，而这些数据往往分散在不同运营系统里。
• 安全和运营方信任非常关键，因为软件会触碰调度策略、产能分配，以及可能面向客户做出的交付承诺。

竞争从四个方向涌来：已经卖可中断或预留产能的云平台、掌握任务放置权的开源调度器、把运维和算力销售打包的新型 GPU 云，以及在自有技术栈里把问题吃掉的垂直整合能源优先运营商。创业公司不该去替代 Slurm，也不该退化成另一个 GPU 中介；它真正该拿下的，是把波动的 MW 翻成可签约 GPU 产品的那一层。 [3][4][8][10][11][16][18][20][21][29][35]

为什么现有厂商不会默认胜出

• 云平台. AWS、Google Cloud 和 Azure 已经训练买方接受 spot、preemptible 和 reserved GPU 产能，但这些产品都绑定在各自的基础设施里，既不会围绕具体站点的供电边界或分阶段送电优化，也不提供中立的多站点商业化能力。
• 开源调度器. Slurm、Kueue 和 Kubernetes 能处理配额、抢占、队列公平性和任务放置，但它们并不会原生把不断变化的电力供给转成产品层级、交付窗口或收入感知的准入规则。
• Neocloud 运营商. Lambda 和 Runpod 的确能快速卖出托管集群和算力，但它们的经济重心仍是售卖标准化算力库存；而对于那些在变成传统云区域之前，就需要商业化软件的站点，中立控制平面仍然有机会胜出。
• 垂直整合的能源优先 AI 云. Crusoe 是最强的战略替代方案，因为它把能源、数据中心、云定价和运维平台全都打包了；但当运营商只想获得这项软件能力，而不愿把整套基础设施栈外包出去时，这种垂直模式并不会天然取胜。
• 内部运维. 许多运营商可以把调度器控制、表格和人工限流拼起来用，但预测、打包和证明弹性产能的运维负担，正是专业软件应当创造价值的地方。

这家公司最该卖的，不是另一个调度器，而是一层电力感知的商业化软件，目标客户是北美那些正在上线 10–50 MW 波动供电集群、却必须在站点性能尚未稳定前就把产能签出去的 GPU 云运营商。首个产品应跑在 Slurm、Kubernetes 或托管式集群控制平面之上，先做只读预测、弹性队列和 SLA 打包。第一批客户应是处于 Series A 或 B 的新型 GPU 云，或具备能源支撑能力的运营商；它们正在把表后供电、储能支撑、弃电可再生能源或近海电力站点推向上线，也想在守住高价值队列的同时，把更便宜的弹性训练产能卖出去。真正的购买触发点，是站点上线或扩容时出现分阶段送电和供电不平稳，因为到了这个节点，表格规划和通用调度器已经不够拿来签合同。研究说明这个切口真实存在，也有付费基础，但短期市场仍然偏窄，SAM 约为 $30.0M；如果想跑到风险投资要求的体量，后续必须扩进更多受电力约束的 AI 基础设施场景。产品和 GTM 的顺序因此也很明确：先用只读模式证明价值，先把弹性产能打包卖出去，等公司沉淀出站点级预测数据和运营信任后，再逐步接手准入控制。眼下最大的市场风险仍是量：现有材料还无法证明未来 24 个月到底会有多少非超大云厂商的波动供电 AI 站点真正商业化落地，所以早期成败更该看付费试点和托管 MW，而不是客户 logo 数量。

问题

• 独立 GPU 云和能源支撑型 AI 站点越来越多地拿到可用但间歇、分阶段上线或运行条件特殊的 MW，可它们仍然得带着可信交付承诺去卖算力。
• 通用调度器和人工容量规划能分配任务，却不能把不断变化的供电边界转成可销售的产品层级、定价和 SLA 规则，所以运营商要么让 GPU 闲着，要么过度收缩销售，要么承担失约风险。

解决方案

• 在现有集群管理器之上提供一层控制软件，根据实时电力和站点遥测预测可用 GPU-hour，打包高价值与弹性产能层级，并建议哪些工作负载适合当前供电边界。
• 先从只读预测、弹性队列创建和商业策略工具做起；等运营商信任预测和异常处理能力后，再升级到自动准入控制。

为什么我们会赢

• 滩头市场的痛点并不抽象，而是被一个明确触发点、明确买方和明确工作流钉死：新的波动供电站点需要一套方法，在利用率还没跑稳前先把产能安全签出去。
• 现有调度器掌握的是队列机制，云平台掌握的是自家的 spot 产品，但两边都没有给第三方运营商一层中立软件，把站点级电力波动翻译成可签约的 GPU 产品。
• 早期部署会持续沉淀一套专有数据集，把电力波动、队列结构和实际交付 GPU-hour 连起来，预测、定价和 SLA 设计也会因此越做越准。

里程碑

flowchart LR
  Wedge[波动供电站点上线切口] --> MVP[只读预测与弹性队列 MVP]
  MVP --> Proof[先证明预测准确率、利用率提升和首个付费试点]
  Proof --> Expansion[准入控制、多站点扩展与基准测试]

创始团队

实验路线图

风险评估

必须成立的条件

• 目标地域在未来 24 个月内，至少会有 5–10 个非超大云厂商的波动供电 AI 站点成为有商业价值的买方。
• 运营商愿意先为只读预测和弹性产能层付费，而不是一上来就要求替换完整调度器，或完全内部自建。
• 至少有一种早期工作负载类别——如批量训练或离线推理——能接受足够大的完工窗口，从而形成可重复的弹性需求。
• 平台能足够提升可销售利用率或承诺可信度，从而支撑大约 $60k–$70k 每 MW 每年的定价。
• 早期部署会产生持续改善预测和商业化能力的数据，并且长期明显优于人工规划和通用调度规则。

待尽调问题

• 未来 24 个月上线或已获资的站点里，究竟有多少真的符合这个滩头画像，以及第三方软件采购模型？
• 要让基础设施负责人先信任覆盖模式、再信任准入控制，这个产品需要拿出怎样的量化证据？
• 为什么像 Crusoe 这样的垂直整合供应商，或内部扩展调度器的方案，不会默认先拿下第一单？
• 哪些工作负载类型能在不过度增加客户支持负担的情况下，带来最高的早期弹性队列填充率？
• 按托管 MW 定价是否真的符合买方预算方式，还是他们会坚持纯用量计费或打包式服务？

模型合理性

• 收入引擎. 基准情景的增长来自活跃运营商从 2 家扩到 8 家，每家约托管 10 MW，对应每家约 $660K 的混合年收入。
• 必须顺利发生的事. 首批付费试点必须在大约两个季度内转正，公司才有机会在 Y2 结束前达到 4 个生产客户和约 40 MW 托管规模。
• 模型会失效的情况. 如果滩头管线最终只能支撑 6 家活跃运营商，或毛利率停留在高 60% 区间，downside 情景的现金会在 seed 里程碑验证前逼近底线。
• 下一轮融资证明. 当公司达到 4 个生产客户、市场里已有带保护准入控制模块，并拥有至少一个多站点扩展案例时，才足以支撑 seed 融资。

情景

敏感性

flowchart LR
  目标账户 --> 付费试点
  付费试点 --> 托管MW
  托管MW --> 生产客户
  生产客户 --> 收入
  收入 --> 毛利润
  毛利润 --> 现金

警示项: 初始 SAM 仍然很窄，所以基准情景要求公司在 Q4Y3 前，从数量有限的北美波动供电运营商部署中拿下 8 家。 · 收入按每个运营商的混合 ARPU 建模，没有把订阅、用量和实施三部分合同结构单独拆开。 · 现金回款按当期收款假设，但基础设施运营商仍可能走 45–60 天账期，这会明显压缩基准情景的现金缓冲。 · 从 Y2 开始维持 70% 毛利率，隐含前提是站点集成已经显著变得可复用，而不是持续维持高服务化。

• 市场起量仍早. 今年真正投入生产的波动供电 AI 集群也许还太少，无法支撑初期 ARR 快速增长。 缓解措施: 起步阶段覆盖所有表后供电或弃电型 GPU 站点，而不是只盯海上部署，同时保持同一套产品架构。
• 集成阻力. 基础设施团队可能不愿意在关键集群运行链路里插入一层新的控制软件。 缓解措施: 先以只读预测和弹性队列产品切入，建立信任后再接管准入控制。
• 客户可能更偏好固定电力合同. 如果操作取舍太复杂，企业买家可能会回避弹性产能。 缓解措施: 早期销售聚焦批量训练、回填任务和离线推理，这些场景里价格优势通常明显大于时间灵活性的代价。