技术深度解析
InfiniteFound 的核心创新在于其「电力到代币」生产力公式，它将 AI 基础设施重新定义为一种直接的能源到价值转换引擎。这并非营销口号，而是代表了一种根本性的架构转变。该公司的平台构建在异构计算堆栈之上，能够动态编排多种芯片架构——包括 NVIDIA GPU、AMD GPU、华为昇腾等国产加速器以及定制 ASIC——以最大化每瓦特的代币吞吐量。
其核心是一个专有的运行时调度器。与传统的虚拟机调度云调度器不同，InfiniteFound 的调度器在内核级别运行，将计算内核交错分配到不同的硬件后端。它使用一个经过数百万条真实推理和训练轨迹训练的学习成本模型，来预测操作到特定芯片的最优映射。例如，矩阵乘法可能被路由到 NVIDIA H100 以利用其高 FP8 吞吐量，而稀疏注意力操作则可能被卸载到专为内存带宽密集型任务设计的定制 ASIC 上。这类似于分布式硬件的即时编译器，但带有一个反馈循环，可根据实际功耗和延迟持续更新成本模型。
该公司还开源了其堆栈的一个关键组件：GitHub 上的 InfiniteRuntime 仓库（目前拥有 2300 颗星）。这是一个轻量级的、基于 Rust 的运行时，为跨 CUDA、ROCm 和定制后端的核函数启动提供了统一 API。它包含一个「功率上限」模块，允许用户为工作负载设置最大功率预算，运行时将自动节流或重新路由任务以保持在该预算范围内。这对于面临电力限制的数据中心至关重要。
基准性能数据：
| 工作负载 | NVIDIA H100（基线） | InfiniteFound 优化（H100 + 昇腾 910B） | 代币吞吐量增益 | 能效（代币/瓦特）增益 |
|---|---|---|---|---|
| LLaMA-3 70B 推理（batch=32, seq_len=2048） | 1,200 tokens/sec | 1,680 tokens/sec | +40% | +55% |
| GPT-3 175B 训练（混合精度，8节点） | 1.0x 基线 | 1.35x 基线 | +35% | +50% |
| Stable Diffusion XL（batch=8） | 4.2 images/sec | 5.8 images/sec | +38% | +48% |
数据解读： 异构编排相比同构 H100 集群带来了 35-40% 的吞吐量提升，但能效提升更为显著（48-55%）。这验证了「电力到代币」的论点：真正的价值不仅在于原始算力，更在于每瓦特算力。对于大规模部署而言，这可能意味着每年数百万美元的电力成本节省。
关键参与者与案例研究
InfiniteFound 的战略与更广泛的中国 AI 生态系统深度交织。该公司已与多家国内芯片制造商建立了战略合作伙伴关系，包括 华为（昇腾系列）、壁仞科技 和 燧原科技。这些合作是共生关系：InfiniteFound 提供使这些芯片在主流 AI 工作负载中具有竞争力的软件栈，而芯片制造商则提供优惠定价和硬件早期访问权限。
一个值得注意的案例是 InfiniteFound 与 字节跳动 的合作。字节跳动运营着庞大的推荐系统，并正在开发自己的大语言模型，它在 10,000 个异构加速器的集群上部署了 InfiniteFound 的平台。结果是其推荐引擎的推理延迟降低了 30%，并且在六个月内总拥有成本（TCO）降低了 25%。这是对「代币经济」概念的直接验证：字节跳动实际上是在以更低的每代币价格购买代币（推理结果）。
竞争格局对比：
| 公司 | 核心方法 | 关键差异化 | 融资额（估计） | 主要市场 |
|---|---|---|---|---|
| InfiniteFound | 异构编排 + 运行时 | 「电力到代币」公式，开源运行时 | ~2亿美元+（累计） | 中国，全球扩张中 |
| CoreWeave | 仅限 NVIDIA 的云服务 | 大规模 H100/H200 集群，低延迟互连 | ~10亿美元+ | 全球（以美国为中心） |
| Lambda Labs | NVIDIA GPU 云 + 本地部署 | 开发者友好，竞价实例 | ~1亿美元+ | 全球（以美国为中心） |
| RunPod | 无服务器 GPU 推理 | 按秒计费，社区模型 | ~5000万美元+ | 全球 |
| d-Matrix | 存内计算 ASIC | 推理专用，低功耗 | ~1.5亿美元+ | 全球（美国） |
数据解读： InfiniteFound 占据了一个独特的利基市场。虽然 CoreWeave 和 Lambda Labs 本质上是 NVIDIA 的转售商，但 InfiniteFound 正在构建一个平台无关的层。这使其不易受到 GPU 供应链冲击的影响，但也意味着它必须不断集成新硬件——这是一项重大的工程挑战。「电力到代币」的框架是对「更大 GPU 更好」这一正统观念的直接挑战。