恒源云 / GPUSHARE（chain-cloud/gpushare）
1. 投资摘要
恒源云（GPUSHARE）是一家定位在算力聚合与调度中间层的 GPU 云服务平台，核心商业模式可概括为”GPU 算力的聚合交易平台”——向上游整合第三方数据中心及自有集群中的异构 GPU 资源，通过自研云管平台进行虚拟化封装与智能调度，再以按需、弹性的方式向下游 AI 开发者与企业提供云主机租赁服务。
关键特征速览：
| 维度 | 要点 |
|---|---|
| 行业定位 | AI 基础设施 IaaS/PaaS 交叉层，算力聚合与调度平台 |
| 核心产品 | GPU 云主机租赁、高性能存储、容器化算力交付 |
| 典型客户 | 中小 AI 公司、高校科研团队、大企业 AI 实验室 |
| 收入驱动 | GPU 实例租用时长 × 算力单价 |
| 竞争梯队 | 垂直 GPU 云平台第二梯队，与 AutoDL、矩池云等同业 |
| 关键变量 | 上游 GPU 采购成本、稀缺型号供应稳定性、平台调度效率 |
| 公司状态 | 非上市公司，未公开经审计财务数据 |
一句话逻辑：AI 训练与推理对 GPU 算力的需求持续膨胀，但大量中小客户难以直接从云巨头获得高性价比、灵活的 GPU 资源，恒源云的商业价值在于填补这一供需错配。其成长天花板取决于能否持续获取稀缺算力资源、保持平台技术差异化、以及在云巨头价格下探中守住份额。
2. 产业链位置
恒源云处于云计算产业链中”算力聚合与调度”这一细分环节，位于硬件供应层（GPU 芯片厂商、服务器 OEM）和 IDC 资源层之上，又处于通用云服务层（IaaS/PaaS）之下的夹层位置。
产业链纵向拆解：
上游：GPU 芯片（英伟达/AMD/国产）→ 服务器 OEM → IDC/算力集群所有者
↓
恒源云所处层：算力聚合调度平台（异构纳管 → 虚拟化 → 弹性交付）
↓
下游：AI 开发者 / 中小企业 / 科研机构 / 大企业 AI 部门
与相邻环节的关系：
- 对上游（硬件与 IDC）：恒源云不大量自建数据中心，而是通过采购合作、资源置换或代理模式整合分散的 GPU 算力。这意味着其”产能”高度依赖合作伙伴网络的深度，而非自有机房规模。公开资料未见其披露自建机房占比或租赁集群的具体数量。
- 对下游（终端用户）：提供标准化的云主机实例，客户无需关心底层物理资源来源，按实际使用量付费。平台的竞争力在于能否让客户以低于云巨头的价格、获得同等甚至更优的算力体验。
- 产业链位置的脆弱性：这种”中间层”模式的优势是轻资产、可快速扩展资源池；劣势是对上下游的议价能力均有限——上游 GPU 涨价直接传导为成本上升，下游客户忠诚度低、易被价格吸引流失。
3. AI 收入拆解
恒源云为非上市公司，未公开披露经审计的收入结构。以下基于公开商业信息（官网产品定价、行业通用模式）进行逻辑推断，非精确实时数据。
收入来源推断：
| 收入类别 | 推断占比 | 计费逻辑 | 确定性 |
|---|---|---|---|
| GPU 云主机租赁 | 绝大部分（估计 80%+） | 按实例规格（GPU 型号、数量、内存）× 使用时长 | 高——官网核心产品即为 GPU 实例 |
| 存储与网络增值服务 | 次要 | 高性能存储、专属网络带宽按量计费 | 中——官网可见相关产品 |
| 环境部署/技术支持 | 补充 | 预装框架、数据集管理、专属技术支持 | 中——行业通用增值服务 |
| 定制化解决方案 | 少量 | 为大客户定制集群或私有化部署 | 低——公开资料未见明确案例披露 |
AI 需求拉动的结构性逻辑：
- 训练场景：需要大规模、长时间占用高端 GPU（如 A100/H100 集群），单客户价值量高，但客户数少、决策周期长。
- 推理场景：随 AI 应用落地，推理需求逐步放量，对 GPU 型号要求相对多样化（从高端到中低端均需），客户更分散、单价更低但频次更高。
- 微调/实验场景：中小开发者的主力需求，使用时长短、对价格敏感、对平台易用性要求高。
公开资料未见恒源云披露按场景或按客户类型的收入占比拆分。
4. 产品与业务
4.1 核心产品矩阵
恒源云官网（gpushare.com）展示的主要产品线包括：
- GPU 云主机：按 GPU 型号提供多种规格实例。截至公开信息可见的型号覆盖包括 NVIDIA A100、V100、RTX 3090/4090 等主流型号。具体到 H100 等最新一代稀缺型号的供应情况，公开资料未见稳定库存承诺。
- 容器化算力交付：支持容器方式快速部署 AI 训练/推理环境，降低客户的环境配置门槛。
- 高性能存储：提供共享文件系统、对象存储等，满足大规模数据集读写需求。
- 网络优化：针对分布式训练场景提供高速内网互联方案。
4.2 商业模式特征
- 轻资产聚合：核心资源来自第三方，自身资产负担较轻，但资源获取能力和稳定性是核心变量。
- 平台化运营：通过技术手段（调度算法、虚拟化、监控）实现资源标准化，降低客户使用门槛。
- 定价策略：公开定价信息显示其价格通常低于主流云巨头同等规格实例，这一价差是其获客的关键卖点。具体价差幅度随市场波动，公开资料未见其披露定价策略的底层逻辑。
4.3 业务模式与同类对比
| 对比维度 | 恒源云/GPUSHARE | 云巨头 GPU 实例 | 同类垂直平台（如 AutoDL） |
|---|---|---|---|
| 资源来源 | 聚合第三方为主 | 自建为主 | 聚合/自建混合 |
| 价格 | 较低 | 较高 | 接近 |
| GPU 型号丰富度 | 中等 | 丰富 | 中等 |
| 生态完整度 | 聚焦 GPU | 全栈 | 聚焦 GPU |
| 客户规模 | 中小为主 | 大中小全覆盖 | 中小为主 |
5. 上下游
5.1 上游供应链
- GPU 芯片：核心上游为 [[英伟达|NVIDIA]]，其 A100、H100 系列是高端 AI 训练的主力芯片。[[AMD]] MI 系列和国产 GPU（如寒武纪、华为昇腾）构成补充供应。2023-2024 年间，受美国出口管制影响，高端 GPU 向中国大陆市场的供应存在显著不确定性（来源：公开新闻报道，2023 年 10 月美国商务部更新出口管制规则）。
- 服务器与 IDC：上游还包括 GPU 服务器组装商（如浪潮、新华三等）和第三方 IDC 运营商。恒源云与这些供应商的合作模式和锁定程度，公开资料未见披露。
- 上游议价权分析：由于 GPU（尤其是高端型号）供不应求，上游议价权强。恒源云作为聚合平台，采购规模相对有限，单卡采购成本可能高于头部云巨头。
5.2 下游客户
- 主要客群：中小型 AI 公司、高校及科研院所、大型企业中的 AI 研发团队。这些客户的共同特征是对 GPU 算力有刚需但采购量有限，对价格敏感，且需要灵活的使用周期。
- 客户粘性分析：GPU 云服务的切换成本较低（主要为数据迁移和环境重建），客户忠诚度更多依赖价格优势和平台体验。公开资料未见恒源云披露客户留存率、单客户年均消费等关键指标。
- 下游议价权分析：客户可选供应商众多（云巨头 + 多个垂直平台），议价权相对较强，这进一步压缩了平台的利润空间。
6. 同业竞争
6.1 竞争格局分层
第一梯队——全栈云巨头： [[阿里云]]、[[腾讯云]]、[[华为云]]、[[AWS]]、[[Azure]] 等。据 IDC 数据，2023 年中国公有云 IaaS 市场前五名（阿里云、华为云、中国电信天翼云、腾讯云、AWS）合计市场份额约 60%-70%（来源：IDC《中国公有云服务市场跟踪》2023H2）。这些巨头均推出了 GPU 云实例产品，拥有自建数据中心、大规模采购议价权和完整的云生态。
第二梯队——垂直 GPU 云平台： 恒源云、[[AutoDL]]、矩池云、潞晨云、Vast.ai 等。这些平台聚焦于 GPU 算力这一细分场景，竞争维度包括价格、GPU 型号丰富度、稀缺型号供应能力、平台易用性和社区生态。
第三梯队——算力调度中间商/算力券平台： 部分地方政府和企业推出的算力交易平台、算力券发放机构等，2023 年以来在国内多地出现（来源：公开新闻报道，2023-2024 年各地算力政策）。
6.2 竞争关键维度
- GPU 供应能力：能否持续获取高端稀缺型号（如 H100、A100）是核心竞争力。受出口管制影响，2024 年中国大陆高端 GPU 供应趋紧，有能力获取资源的平台具有显著优势。
- 价格竞争力：中小客户价格敏感度高，定价策略直接影响市场份额。
- 平台技术：异构算力调度效率、故障恢复速度、监控与告警完善度等。
- 客户运营：社区建设、文档质量、客服响应速度等”软实力”。
6.3 反方观点
头部云巨头可能通过价格下探（推出更具性价比的 GPU 实例）、生态绑定（将 GPU 实例与其他云服务打包）、资本优势（持续大规模采购锁定 GPU 供应）等方式，挤压垂直平台的生存空间。从海外经验看，AWS 的 P4d/P5 实例和 Azure 的 ND 系列持续迭代，垂直 GPU 云平台在美国市场面临类似压力。
7. 护城河
坦率地说，恒源云作为垂直 GPU 云平台，其护城河深度有限。 以下逐项分析：
| 护城河类型 | 强度 | 说明 |
|---|---|---|
| 规模经济 | 弱 | 聚合模式下采购规模有限，难以形成对上游的成本优势 |
| 网络效应 | 弱 | 平台为双边市场（算力供给方 ↔ 需求方），但目前公开资料未见其披露供给方数量和活跃度数据，无法判断网络效应是否已形成正循环 |
| 技术壁垒 | 中低 | 异构算力调度有一定技术门槛，但非不可复制；云巨头在同类技术上投入更大 |
| 客户切换成本 | 低 | GPU 云服务标准化程度高，客户迁移成本主要为数据和环境重建，非不可承受 |
| 品牌/社区 | 中 | 在开发者社区中有一定知名度（尤其在中国 AI 开发者圈），但品牌影响力远不及云巨头 |
| 资源锁定 | 弱 | 上游 GPU 资源非排他性，竞争对手可从相同渠道获取 |
总结：恒源云的护城河主要体现在垂直领域的运营效率和服务体验，但这些优势的可持续性取决于能否在规模上与竞争对手拉开差距，或在特定细分场景（如某种稀缺型号的稳定供应）上形成局部优势。
8. 财务质量
恒源云为非上市公司，未公开披露经审计的财务报表。以下基于行业通用逻辑和公开信息进行定性分析：
- 收入确认方式：推测为时长制（按时/按天/按月）和按量制（按 GPU 时）混合，与行业惯例一致。
- 毛利率结构：聚合模式下，主要成本为上游 GPU 资源采购/租赁费用，毛利率取决于采购成本与销售定价之间的价差。行业经验显示，垂直 GPU 云平台毛利率通常低于自建为主的云巨头（后者可通过规模摊薄折旧）。公开资料未见恒源云披露毛利率数据。
- 现金流特征：轻资产模式下资本开支需求低于自建机房的云厂商，但需维持一定规模的预付采购和资源储备。经营现金流质量取决于客户预付费比例和上游结算周期。公开资料未见披露。
- 资本结构：作为创业公司，可能依赖股权融资支撑运营和扩张。融资轮次和估值信息，公开资料部分可查但非实时更新，建议查阅工商信息或投融资数据库。
- 关键缺失指标：营收、净利润、毛利率、经营性现金流、客户集中度、应收账款周转率——以上均无公开数据。
9. 业绩传导
恒源云的业绩传导逻辑可拆解为以下链条：
AI 行业算力需求增长 → GPU 云服务市场规模扩大
→ 平台可调度 GPU 资源规模 × 资源利用率 × 单位算力定价 = 收入
→ 收入 - 上游采购成本 - 运营费用 = 利润
正向传导因素：
- AI 应用爆发：大模型训练、AI Agent 推理等场景持续拉动 GPU 需求。据 Gartner 预测，2024 年全球 AI 芯片市场规模将同比增长超 20%（来源：Gartner，2024 年初预测）。
- 中小企业 AI 化加速：长尾客户的算力需求增长，有利于聚合平台获客。
- 出口管制利好国产替代：部分客户因供应不确定性转向国内聚合平台，可能带来短期需求转移。
反向传导/压制因素：
- 云巨头价格竞争：头部云厂商降价直接压缩恒源云的价差空间。
- GPU 供应瓶颈：无法获取足够高端 GPU，将直接限制收入上限。
- AI 需求周期性：若 AI 投资热降温（如”AI 泡沫”论调兑现），算力需求可能阶段性回落。
- 替代技术路径：如推理芯片（TPU、专用 ASIC）或更高效的推理框架降低了对通用 GPU 的依赖，可能改变需求结构。
10. 估值框架（SOTP / 可比公司）
由于恒源云为非上市公司且未公开财务数据，无法进行基于内部数据的 SOTP 或 DCF 估值。 以下提供可比公司分析框架供参考。
10.1 可比公司选取
| 公司 | 类型 | 上市状态 | 可比维度 |
|---|---|---|---|
| CoreWeave | 垂直 GPU 云（美国） | 2024 年 IPO 流程中 | 业务模式最接近 |
| Lambda Labs | 垂直 GPU 云（美国） | 非上市 | 同类竞争者 |
| [[AutoDL]] | 垂直 GPU 云（中国） | 非上市 | 中国直接竞品 |
| [[金山云]] | 中国独立云厂商 | 港股上市 | 提供 GPU 云服务的上市标的 |
10.2 估值倍数参考
对于云/算力服务类公司，常用估值倍数包括 EV/Revenue 和 EV/EBITDA。由于缺乏恒源云的收入和利润数据，此处仅提供框架：
- 若以行业可比公司（如 CoreWeave 在 IPO 前估值传闻中对应的倍数，公开报道显示其 2024 年估值在数百亿美元量级，基于其 2024 年预计收入的约 15-20 倍 EV/Revenue——来源：公开财经媒体报道，2024 年，此数据为市场传闻，非官方确认）作为参考，中国垂直 GPU 云平台的估值倍数可能因市场折让而显著低于美国同类。
- 关键变量：可调度 GPU 总规模、资源利用率、客户数、收入增速、毛利率——以上数据均无公开披露，无法完成实际估值计算。
11. 风险
风险一：上游供应集中与供应链脆弱性 核心依赖 [[英伟达|NVIDIA]] GPU。2023-2024 年美国对华出口管制持续收紧（来源：美国商务部 BIS，2023 年 10 月更新规则），高端 GPU 获取难度和成本均上升。若供应进一步受限，将直接制约平台的资源规模和产品竞争力。
风险二：价格战与利润侵蚀 垂直 GPU 云市场参与者众多，且云巨头持续推出更具性价比的 GPU 实例。竞争加剧可能导致定价下行压力，压缩毛利空间。
风险三：技术迭代风险 AI 计算范式正在快速演进——从预训练向推理倾斜、从稠密模型向稀疏/混合专家模型发展、从通用 GPU 向专用 AI 芯片（如 Google TPU、Groq LPU）过渡。若恒源云的调度平台不能快速适配新硬件和新场景，可能被甩出竞争。
风险四：客户集中度 公开资料未见其披露客户集中度。若前五大客户收入占比过高，个别客户的流失可能带来显著营收波动。
风险五：资本与融资风险 聚合模式虽相对轻资产，但仍需持续投入资金获取资源和技术人才。作为非上市公司，融资能力受一级市场情绪影响。2023-2024 年一级市场对 AI 基础设施的热度虽高，但存在周期性波动风险。
风险六：数据安全与合规 平台处理客户的训练数据和模型，涉及数据安全、隐私保护、跨境数据传输等合规要求。中国《数据安全法》《个人信息保护法》等法规对云服务提供商有明确的合规义务。
12. 误读纠偏
误读一：“恒源云是 AI 公司，直接受益于 AI 爆发” 纠偏：恒源云是算力基础设施服务提供商，不直接参与 AI 模型研发或应用。它是 AI 算力需求的”卖水人”，但”卖水人”的利润空间取决于上游水资源的成本和下游买水人的选择权，AI 行业景气度只是影响其业绩的众多因素之一。
误读二：“聚合模式意味着零固定资产，利润率应该很高” 纠偏：聚合模式确实减少了大规模固定资产折旧，但上游资源采购成本是最大的变量成本。如果采购成本高企或利用率不足，毛利率可能并不理想。公开资料未见其披露毛利率数据，不宜假设利润率水平。
误读三：“市场大就能做大，GPU 云是蓝海” 纠偏：GPU 云服务市场虽然增长快，但竞争格局高度分散且头部集中趋势明显。据 IDC 数据，2023 年中国公有云 IaaS 市场 CR5 超过 60%（来源：IDC，2024 年发布）。垂直平台在云巨头夹缝中生存，“蓝海”的说法忽略了竞争强度。
误读四：“有 GPU 资源就有壁垒” 纠偏：GPU 资源是非排他性的——同一型号的 GPU，任何平台都可能通过不同渠道获取。真正的壁垒在于调度技术、成本控制和客户运营的综合效率，而非单纯的资源囤积。
13. 最新事件
- 2024 年：中国多地政府推出”算力券”政策，向中小企业发放补贴用于购买算力服务（来源：公开新闻报道，2023-2024 年，多地发改委/科技局公告）。这对包括恒源云在内的算力平台是潜在利好，但具体惠及程度取决于政策落地情况和平台是否纳入补贴目录，公开资料未见恒源云是否已接入相关算力交易平台。
- 2024 年：全球 AI 算力需求持续增长，NVIDIA 数据中心业务收入大幅增长（来源：NVIDIA 财报，FY2025 Q1，2024 年 5 月发布），反映出 GPU 算力市场的整体繁荣。
- 2023 年 10 月：美国更新对华半导体出口管制规则，进一步限制高端 AI 芯片对华出口（来源：美国商务部 BIS），对依赖进口高端 GPU 的中国算力平台构成供应链压力。
- 2023-2024 年：国内多个垂直 GPU 云平台获得新一轮融资（来源：公开投融资数据库），反映一级市场对该赛道的关注。恒源云自身的最新融资情况，公开资料未见明确披露。
14. 跟踪指标
由于恒源云为非上市公司，以下指标的可追踪性有限，建议关注其公开渠道（官网、社交媒体、行业报告）的信息更新：
| 指标 | 意义 | 可追踪性 |
|---|---|---|
| 可租用 GPU 型号与库存 | 反映资源获取能力和供应链状况 | 中——官网可观察，但为动态库存 |
| GPU 实例定价变化 | 反映市场竞争态势和定价策略 | 中——官网公开定价 |
| 新增 GPU 型号支持 | 反映技术适配能力和资源拓展 | 中——通过平台公告观察 |
| 平台注册用户/活跃用户数 | 反映客户增长和平台粘性 | 低——公开资料未见披露 |
| 融资进展 | 反映资本市场认可度和资金储备 | 中——通过投融资平台观察 |
| 行业政策动态（算力券、出口管制等） | 影响供需两端的宏观变量 | 高——公开信息可追踪 |
| 同类平台动态（AutoDL、矩池云等） | 竞争格局变化的先行指标 | 中——通过各平台公开信息观察 |
| 全球 GPU 供需平衡 | 影响采购成本和市场定价中枢 | 高——NVIDIA 财报、行业分析报告 |
15. 来源
- 来源：公司官方 ：恒源云/GPUSHARE 官网（gpushare.com）公开产品与定价信息
- 来源：行业报告 ：IDC《中国公有云服务市场跟踪》（2023H2，2024 年发布）；Gartner 相关 AI 芯片市场预测（2024 年初）
- 来源：政策法规 ：美国商务部 BIS 对华半导体出口管制规则（2023 年 10 月更新）；中国《数据安全法》《个人信息保护法》
- 来源：上市公司财报 ：NVIDIA FY2025 Q1 财报（2024 年 5 月）
- 来源：公开新闻报道 ：2023-2024 年各地方算力券政策报道、垂直 GPU 云平台融资报道等
- 来源：恒源云 / GPUSHARE 官方网站/投资者关系入口 — gpushare.com
- 来源：恒源云 / GPUSHARE 公开披露与交易标识 未上市
- 来源：15. 来源
- 来源：本文信息来源包括但不限于
- 来源：数据口径说明 ：本文中所有明确标注”公开资料未见”的数据项，均表示在信息截止日期前（2024 年 7 月），未在公司官方披露、权威第三方报告或公开数据库中找到可靠数据。文中涉及的行业数据均标注了来源和口径。如需更新至最新时点，建议查阅公司后续公开披露及 IDC、Gartner 等机构的最新报告
- 来源：仓内历史研究归档：恒源云 / GPUSHARE · Archive/incident-2026-06-20-冻结现状-20260620-225855/content company/chain-cloud/gpushare.mdx — _Archive/incident-2026-06-20-冻结现状-20260620-225855/content_company/chain-cloud/gpushare.mdx