矩池雲端 (Juchiyun) 公司深度頁

1. 投資摘要

矩池雲端是一家專注於人工智慧（AI）領域，為中小型開發者、初創團隊及科研機構提供高性價比、靈活易用的雲端端GPU算力租賃服務與一站式AI開發環境的平台型公司。其商業模式可通俗理解為“AI算力的超市”，通過整合上游的GPU硬體資源，經過虛擬化、排程和平台化封裝後，以按需、按量的服務形式提供給下游客戶。

公司的核心價值在於降低了中小規模AI應用與創新的算力門檻，讓使用者無需承擔高昂的硬體購置和複雜的叢集運維成本。其業務與全球及中國的AI資本支出週期和創新活力高度相關，在行業應用爆發期和創業熱潮期，其靈活算力服務需求會顯著增長。然而，公司面臨的核心挑戰同樣突出：作為輕資產整合商，其成本與獲利受上游GPU價格和供應波動影響極大；在由大型雲端廠商和眾多垂直廠商構成的激烈競爭市場中，其差異化壁壘面臨持續考驗。

關鍵指標概覽（注：公司未上市，未揭露經審計的財務資料。以下為基於商業模式的定性判斷）

維度	定性描述	資料可得性與說明
營收構成	以GPU例項租賃營收為主，平台增值服務為輔。	基於商業模式和產品結構推斷，具體比例“公開資料未見”。
核心成本	GPU硬體採購/租賃費用、IDC託管費（電費、頻寬等）。	基於行業通用成本結構分析，公司具體成本結構“公開資料未見”。
目標客戶	價格敏感、需求靈活的中小型AI開發者、初創公司、高校實驗室。	基於其產品定價策略（如低價入門例項）、社群內容和公開宣傳可推斷。
核心資產	自主研發的算力排程與管理平台軟體、積累的開發者使用者生態。	基於其產品功能描述和市場競爭策略推斷。
增長驅動	中國AI應用創新生態的繁榮度、上游GPU供給的充裕度與價格、自身平台與產品競爭力。	行業邏輯分析，具體增長資料“公開資料未見”。

2. 產業鏈位置（Chain-Cloud 定位）

在AI產業的“Chain-Cloud”（鏈雲端）價值鏈條中，矩池雲端處於中游的算力服務層，扮演著“算力分銷與增值服務提供商”的角色。該位置的核心功能是整合、封裝和分發上游的通用算力資源，滿足下游多樣化的應用需求。

AI算力產業鏈簡圖

上游：硬體/晶片層          中游：算力服務層（矩池雲端所在）          下游：應用與需求層
[NVIDIA]等GPU廠商         -> 矩池雲端、AutoDL等垂直雲端廠商 ->        中小AI開發者、初創公司
[AMD]等替代方案           -> 阿里雲端、騰訊雲端等大型公有雲端 ->        科研院所、高校實驗室
伺服器製造商 (如浪潮)      -> IDC與算力資源池運營商    ->        企業AI專案團隊

上游分析：矩池雲端的業務根基建立在對上游資源的獲取上。其直接上游包括：

1. GPU硬體供應商：主要向渠道商或二級市場採購[NVIDIA] A100、A800等型號的GPU伺服器。其採購成本和供貨穩定性受全球半導體供應鏈和[NVIDIA]公司政策直接影響。
2. 基礎設施提供商：與第三方IDC資料中心合作，租賃機櫃、電力、網路頻寬等物理空間與資源。這部分成本相對剛性。
3. 潛在資源方：也可能從擁有多餘GPU算力的其他雲端廠商或企業處租賃資源，進行二次銷售。這種模式成本可能更靈活，但資源穩定性風險更高。

下游分析：其目標客戶群體具有鮮明的特徵：

• 中小型AI企業與初創團隊：處於業務驗證期，算力需求波動大，追求極致的價效比和快速啟停能力，是核心使用者群。
• 高校與科研機構的研究團隊：經費通常有預算限制，專案週期性強，需要易於管理的實驗環境。
• 獨立開發者與學生：學習和實驗用途，對價格極度敏感，是重要的生態培育來源。
• 企業內的小型AI專案組：在IT部門未統一採購雲端服務的情況下，部門級專案可能會尋求外部靈活算力。

3. AI 營收拆解（基於商業模式推斷）

由於矩池雲端為非上市公司，其詳細的營收結構、客戶集中度及合同條款未進行公開揭露。以下分析基於其公開的商業模式、產品頁面及行業通用模式進行合理推斷，旨在建置理解其業務的分析架構，而非提供確切財務資料。

1. 核心營收：GPU算力租賃營收（預計佔主導地位，>80%）

• 計價模型：主要按例項規格（GPU型號）x 使用時長收費，例如“NVIDIA A100 80GB 伺服器，XX元/小時”。支援包月、包年等預付費模式以鎖定長期使用者。
• 營收驅動因素：
  • 平台總排程GPU卡數：決定了營收的理論上限。
  • 平均利用率：這是關鍵運營指標。通過排程演算法提升單卡營收。
  • 平均售價（ASP）：受上游GPU採購/租賃成本、市場競爭激烈程度、以及平台自身定價策略共同決定。定價需在“有競爭力”和“覆蓋成本並盈利”之間取得平衡。
  • （推斷）營收結構：短期按需例項（Spot/競價例項）獲利率可能更高但波動大；長期包租例項提供營收確定性但單價較低。

2. 輔助營收：平台及增值服務營收（預計佔比較小）

• 環境定製與資料服務：提供預裝特定架構或工具的映象，資料高速傳輸、儲存服務。
• 技術支援與培訓：為團隊客戶提供更高級別的技術支援，或開展AI培訓課程。
• （潛在）企業解決方案：為小型企業客戶提供專屬資源池或管理服務。
• （推斷）營收特點：此類服務有助於提升使用者粘性和ARPU（每使用者平均營收），但通常難以成為主要營收來源，更多作為平台競爭力的補充。

營收增長邏輯推斷：矩池雲端的營收增長依賴於“開源”（獲取更多使用者、提升品牌）與“節流”（提升單卡營收、降低資源成本）的雙輪驅動。在行業上行期，使用者數量和需求量增長帶來的“量增”是主要動力；在平穩期，通過精細化運營提升“價穩”或“價升”則更為關鍵。

4. 產品與業務

矩池雲端的產品體系圍繞為AI開發者提供“開箱即用”的算力體驗而建置。

1. 核心產品線

• GPU雲端伺服器例項：這是基礎產品。提供從消費級GPU（如RTX 3090/4090，適用於推論和輕量訓練）到專業計算卡（如A100、A800，適用於大規模訓練）的多種機型。使用者可選擇Linux或Windows作業系統，並配置所需的CPU、記憶體和儲存。
• AI開發平台：這是增值服務和核心體驗所在。通常包括：
  • Web-based IDE：整合Jupyter Notebook/Lab，使用者無需本地配置即可線上編碼、除錯和執行訓練任務。
  • 預裝主流環境：預先安裝好PyTorch、TensorFlow等深度學習架構及常用依賴庫。
  • 任務排程與監控：提供任務佇列管理、GPU使用率監控、日誌檢視等功能。
  • 資料管理：提供共享儲存或物件儲存服務，方便使用者存放和讀取資料集。

2. 技術架構與運營

• 虛擬化與排程層：核心是自主研發的資源排程系統。需要實現GPU的虛擬化分割（如MIG技術）、多租戶隔離、任務自動排隊和負載均衡，以最大化叢集的整體利用率。
• 資源管理層：對接物理伺服器或上游雲端資源API，實現資源的自動化開通、釋放和監控。
• 成本控制關鍵：技術最佳化水平直接決定平台毛利率。優秀的排程演算法能將硬體利用率從行業平均的30%-50%提升至更高水平，是其核心“軟實力”。

3. 獲客與留存模式

• 獲客渠道：主要通過開發者社群（如CSDN、知乎、GitHub）、技術部落格、搜尋引擎最佳化（SEO）、線上/線下技術沙龍、以及老使用者推薦。
• 定價策略：通常採用極具吸引力的“新手優惠”或低至幾元/小時的入門例項，降低首次使用門檻。長期使用者享有折扣。
• 社群與生態建設：通過技術教程、案例分享、使用者論壇等方式，建置開發者社群，形成學習交流的氛圍，增強使用者粘性，降低流失率。

5. 上下游分析

主要供應商（上游依賴與風險）

1. GPU硬體供應商：最核心的上游。矩池雲端對[NVIDIA] GPU存在深度技術路徑依賴。其採購面臨：
   • 價格波動風險：全球GPU供需失衡時，價格暴漲將嚴重侵蝕獲利。
   • 供應短缺風險：受地緣政治、產能等因素影響，可能出現“一卡難求”的情況，限制業務擴張。
   • 產品迭代風險：[NVIDIA]快速推出新一代產品（如H100、B100），可能導致舊型號價值快速貶損。
2. IDC服務商：提供機房物理空間。其電力成本、網路質量、服務水平直接影響矩池雲端的運營成本和使用者體驗。雙方通常簽訂長期合同，靈活性較低。
3. 雲端運算資源提供商：若採用租賃模式，則對阿里雲端、騰訊雲端等存在依賴，其自身資源價格政策變動會傳導至矩池雲端。

主要客戶（下游特徵與風險）

1. 客戶分散度：理論上，服務於大量中小客戶可避免單一大客戶依賴風險，增強營收穩定性。但同時，獲客成本（CAC）和客戶維護成本較高。
2. 需求彈性大：中小客戶的需求與宏觀經濟、行業投資熱度緊密相關，在行業下行期，其算力採購預算可能被率先削減。
3. 忠誠度較低：由於市場同質化競爭，使用者價格敏感，切換平台成本相對較低。平台需要持續通過服務體驗和價格維持競爭力。

產業鏈議價能力綜合評估

• 對上游議價能力較弱：除非能形成巨大采購規模，否則作為中小買家，在GPU採購中議價權有限。
• 對下游議價能力有限：在垂直廠商激烈競爭和大型雲端廠商價格壓力下，難以輕易提價。定價更多是“成本跟隨型”和“競爭驅動型”。
• 結論：矩池雲端處於產業鏈中相對被動的位置，其盈利能力高度依賴於精細的運營成本控制和在紅海中尋找差異化空間。

6. 同業競爭

矩池雲端所處的中國AI算力服務市場（尤指GPU雲端細分領域） 是一個充分競爭的市場，參與者型別多元，競爭維度多維。

主要競爭者分類

1. 大型全棧公有雲端廠商：
   • 代表：[阿里雲端]、[騰訊雲端]、[華為雲端]、[百度智慧雲端]等。
   • 優勢：品牌信譽度高、基礎設施穩定可靠、產品生態完整（可提供從計算、儲存、網路到AI平台、資料庫的全鏈條服務）、資金雄厚、有能力進行長期價格補貼。
   • 對矩池雲端的威脅：它們正不斷加強針對AI場景的專屬雲端產品（如PAI、TI平台），並可能通過大規模採購獲得更優的GPU成本，從而在價效比上對垂直廠商形成擠壓。
2. 垂直GPU雲端廠商（直接競爭對手）：
   • 代表：矩池雲端、[AutoDL]、[恆源雲端]、[Featurize]等。
   • 競爭焦點：價格、使用者體驗、社群運營、特定場景最佳化。這些廠商之間產品同質化程度高，使用者切換成本低，因此常陷入激烈的價格戰。
3. 算力聚合/交易平台：
   • 模式：聚合社會閒散GPU資源（如高校、企業閒置機器），以更低價格提供給使用者。
   • 優勢：價格極具競爭力。
   • 劣勢：資源穩定性、服務一致性和資料安全性風險較高。
4. 新興勢力：一些擁有GPU資源的硬體廠商、甚至大型企業，也可能跨界進入算力服務市場。

矩池雲端的競爭定位與策略

• 市場定位：明確瞄準預算有限、追求靈活性和開發便利性的中小開發者及團隊。避免與大廠在大型企業客戶和全棧解決方案上直接競爭。
• 核心競爭策略：
  • 價效比：通過最佳化運營和技術，提供具有競爭力的例項價格。
  • 開發體驗：打造流暢、易用的線上開發環境，減少使用者的環境配置負擔。
  • 社群與教育：通過豐富的教程、活躍的社群和良好的客服，建立口碑。
  • （潛在）差異化：在某些垂直領域（如AI繪畫、特定模型訓練）提供最佳化過的環境和解決方案。

競爭格局總結：該市場已進入“紅海”階段。矩池雲端的生存與發展，取決於能否在夾縫中持續鞏固其細分市場地位，其長期競爭力面臨持續考驗。

7. 護城河

基於行業分析，矩池雲端建置的競爭壁壘（護城河）具有以下特點，且深度相對有限：

1. 規模與成本護城河（暫不突出）：理想狀態下，巨大的GPU採購規模能帶來更低的單位成本。但目前，垂直廠商的規模難以與大廠抗衡，此優勢不明顯。
2. 技術與運營護城河（核心軟實力）：
   • 資源排程演算法：能夠將GPU利用率提升至行業領先水平的技術，是其核心的技術壁壘。這直接關係到成本和獲利率。
   • 平台穩定性與易用性：長期積累形成的、被使用者認可的平台體驗，構成了遷移的“軟性成本”。使用者習慣了其介面和工作流，除非有巨大價格或功能差異，否則不願輕易更換。
3. 使用者生態與品牌護城河（正在建置）：圍繞平台形成的開發者社群、積累的使用者口碑和案例，是重要的無形資產。它有助於降低獲客成本，並形成一定的網路效應（使用者越多，社群內容越有價值）。
4. 特定場景最佳化護城河（潛在機會）：如果在某個細分領域（如AI教育、生物資訊學計算）做到了極致的工具鏈整合和體驗最佳化，可以建立區域性的、深度的護城河。

護城河的脆弱性（反方觀點）：

• 技術可複製性：排程演算法等技術優勢可能被大廠以更高投入快速追趕甚至超越。
• 低使用者轉換成本：使用者匯出程式碼和資料、切換到新平台的成本相對較低。
• 資源依賴性：所有服務都依賴於上游GPU，資源獲取能力並非獨家。
• 大廠降維打擊：大廠可以通過交叉補貼（用其他業務獲利補貼算力業務）進行持久的價格戰，垂直廠商難以承受。

8. 財務質量（基於商業模式的定性分析）

由於缺乏公開財報，無法進行定量財務分析。但基於其商業模式，可以推斷其財務表現的典型特徵和關鍵財務驅動因素。

商業模式決定的財務特徵：

• 資產結構偏輕（運營模式）：如果是“採購自建”模式，則固定資產（伺服器）佔比會較高；如果是“租賃整合”模式，則更多體現為運營成本，資產更輕。後者財務風險更低，但獲利率也可能更薄。
• 成本結構：主要為變動成本（GPU租賃/折舊、電費）和固定成本（平台研發、市場費用、核心人力）。這意味著營收下降時，成本較難年增率例壓縮，容易導致虧損。
• 現金流量模式：通常是“先投後收”模式。需要先支付資源採購/租賃成本，再通過使用者使用回收現金。這對運營現金流量管理能力要求高。
• 盈利關鍵驅動：毛利率取決於單卡營收與單卡資源成本之差，核心是運營效率和採購議價能力；淨利率則取決於在毛利率之上，能否有效控制研發、銷售及管理費用。

（推斷）隱含的財務風險與挑戰：

1. 盈利脆弱性：在激烈的市場競爭中，提價困難，而上游成本剛性，導致毛利率空間狹窄且易受擠壓。
2. 現金流量壓力：業務擴張需要持續投入資源採購，若營收增長不及預期，可能面臨現金流量緊張。
3. 規模不經濟：在達到一定規模前，可能面臨單位管理成本較高的問題。

9. 業績傳導

矩池雲端的業績表現與其所在行業的週期波動緊密相連，傳導鏈條清晰：

第一層傳導：行業需求週期 -> 平台使用量

• 上行週期：當AI創業活躍、風險投資活躍、企業AI應用專案增多時，市場對靈活算力的需求總量增長。矩池雲端的註冊使用者數、例項使用時長、GPU卡時銷售量等關鍵運營指標（KPI）會上升。
• 下行週期：當行業資本寒冬、投資收縮時，中小客戶會首先砍掉IT預算或轉向更便宜的方案，導致平台使用率和營收下降。

第二層傳導：上游供給側 -> 平台成本與毛利

• 供給緊張：如晶片短缺、[NVIDIA]限售時，GPU採購/租賃成本急劇上升。如果市場競爭導致終端售價無法同步上漲，公司將面臨毛利率急劇下滑的風險。
• 供給過剩：當市場出現算力過剩（如大廠新資料中心投產、新晶片上市導致舊型號貶值），矩池雲端的採購成本下降，可能帶來毛利率改善或獲得更大的定價空間來搶佔市場。

第三層傳導：競爭格局 -> 獲客效率與定價

• 價格戰加劇：競爭對手普遍降價時，矩池雲端為維持市場份額，可能被迫跟進降價，直接壓制營收增長和獲利空間，同時可能推高獲客成本（需要更多營銷投入）。

業績敏感性：公司業績對GPU成本價格和行業需求熱度這兩個外部變數高度敏感，經營的週期性波動可能比行業平均水平更為劇烈。

10. SOTP 或可比估值架構（定性討論）

對矩池雲端這類未上市、未揭露財務資料的公司進行估值極具挑戰。理論上可參考以下架構，但實際應用中缺乏可靠資料。

1. 可比公司法（Comparable Companies Analysis）：

• 邏輯：尋找業務模式相似的上市公司或已估值的公司作為參照。
• 潛在可比公司：
  • 垂直GPU雲端廠商：海外有Lambda Labs（曾獲融資）等，但公開財務資料少。
  • 中國雲端服務廠商：如金山雲端、Ucloud等，但它們的業務更綜合，規模和市場階段也不同。
• 估值倍數：通常參考PS（市銷率） 或EV/Sales（企業價值/營收倍數），因為公司早期可能尚未盈利。但前提是有可靠的營收資料。
• 侷限性：缺乏直接可比的上市公司；可比公司的業務純度、增長階段、盈利能力差異巨大，倍數參考意義有限。

2. 貼現現金流量法（DCF）：

• 邏輯：預測公司未來自由現金流量，並折現至今。
• 應用難點：極度依賴對營收增長率、毛利率、資本支出等關鍵假設的預測。在公司業務模式和行業地位尚不穩定、且無歷史財務資料支撐的情況下，任何預測都是高度假設性的，結果對引數極為敏感。
• 結論：在當前階段，對矩池雲端進行嚴謹的財務估值非常困難。其價值更多體現在戰略價值（如使用者規模、技術團隊、市場卡位）和未來潛力上，而非當前可量化的財務收益。投資決策更多基於對行業趨勢和公司團隊執行力的定性判斷。

11. 風險

1. 上游供應鏈與成本風險（最高優先順序）：GPU硬體價格受全球供應鏈、地緣政治、[NVIDIA]公司策略影響劇烈。任何一輪漲價或短缺都可能直接導致公司成本飆升、業務擴張停滯甚至虧損。
2. 技術路線依賴風險：公司生態和產品深度繫結[NVIDIA]的CUDA技術棧。若未來出現顛覆性的、或政策推動的異構計算（如國產AI晶片）生態，公司可能需要付出高昂的轉換成本。
3. 市場競爭與價格戰風險：垂直廠商同質化競爭激烈，大型雲端廠商可能利用規模和品牌優勢發動價格戰，持續壓縮行業整體獲利空間。
4. 現金流量與經營風險：在重資源投入（採購或租賃GPU）的模式下，如果營收增長不達預期，或出現大額預付賬款，可能面臨嚴峻的現金流量壓力。
5. 客戶流失與增長瓶頸風險：目標客戶群體本身穩定性較差，且對價格敏感。當其成長為一定規模後，可能轉向大廠或自建算力，導致客戶“長大即流失”。此外，市場對中小開發者算力的需求總量存在天花板。
6. 資料安全與合規風險：平台處理客戶的程式碼和訓練資料，一旦發生資料洩露或安全事故，將對品牌和客戶信任造成毀滅性打擊。同時需遵守國內資料安全、網路安全等法規。
7. 公司治理與團隊風險：作為初創企業，其戰略決策、執行效率和核心團隊的穩定性至關重要。

12. 誤讀糾偏

誤讀一：“矩池雲端有很強的技術護城河和壁壘。”

• 糾偏：其技術（主要是資源排程和平台化）是必要的運營能力，但難以構成持續的、難以複製的競爭壁壘。大廠擁有更強的技術團隊和資源，可以快速模仿甚至超越。垂直廠商之間在技術層面差異不大，競爭更多體現在運營效率和成本控制上。

誤讀二：“AI算力需求無限增長，這類平台模式會持續受益。”

• 糾偏：需求增長是事實，但需求方結構在變化。大中型企業傾向於採購或自建專屬算力（私有雲端/混合雲端），或直接使用大廠的標準化雲端服務。留給“算力超市”模式的，主要是長尾、臨時、價格極度敏感的需求。這個市場可能增長，但也可能被大廠通過更靈活的產品（如 serverless 函式計算）部分侵蝕。

誤讀三：“只要控制好成本，就能實現穩定盈利。”

• 糾偏：盈利不僅取決於成本，更取決於定價權。在紅海競爭中，定價權被削弱。即使成本控制得當，激烈的市場競爭也可能將價格壓到接近成本線，導致“有毛利，無淨利”的局面。盈利需要成本控制和一定的市場地位（定價權） 兩者結合。

13. 最新事件（基於公開資訊追蹤，截至近期）

1. 行業價格競爭加劇：2023年至2024年，隨著國內大型模型熱潮階段性放緩及算力供應增加，AI算力服務市場（尤其是GPU雲端）出現普遍的價格下調。多家垂直廠商和雲端大廠均推出了更具吸引力的套餐和降價活動，市場競爭白熱化。
2. 技術產品迭代：主流廠商持續最佳化其開發平台，整合更多AI工具鏈，降低使用門檻。例如，對開源大型模型進行適配和最佳化，提供一鍵部署服務，成為吸引開發者的新亮點。
3. 上游動態：[NVIDIA]針對中國市場推出了特供版GPU（如H20），其效能與供貨情況直接影響國內算力服務的成本與上限。國產AI晶片廠商也在積極發展，但生態成熟度仍有差距。
4. 政策與需求：國內持續鼓勵人工智慧產業發展，但同時也加強對算力基礎設施的統籌規劃和能耗管理。部分地方政府牽頭建設算力中心，未來可能以更低成本的形式向市場提供公共算力，對商業算力平台構成潛在競爭。
5. 公司具體動態：矩池雲端作為非上市公司，重大業務調整、融資或戰略合作等資訊的揭露較少。其最新動態需密切關注其官網公告、開發者社群更新及行業媒體偶爾的報道。

14. 追蹤指標

對於持續觀察矩池雲端及此類公司，建議關注以下維度的指標：

行業與上游指標

1. 全球及中國AI算力市場規模與增速：行業天花板資料。
2. [NVIDIA]等主流GPU晶片的報價與交貨週期：核心成本與供給的風向標。
3. 主要雲端大廠商（阿里雲端、騰訊雲端等）GPU雲端產品價格變動：直接競爭對手的定價壓力。

公司運營與財務指標（若未來有揭露）

1. 平台總計算規模（如總GPU卡數、總FLOPS）：衡量資源掌控力。
2. GPU例項平均利用率：衡量運營效率和營收創造能力的核心指標。
3. 註冊使用者數與月活躍開發者數：衡量使用者規模和生態活躍度。
4. 客戶留存率與淨營收留存率：衡量使用者粘性和產品競爭力。
5. 單使用者平均營收：衡量使用者價值挖掘深度。
6. 毛利率與淨利率：衡量盈利能力和成本控制效果。
7. 經營性現金流量淨額：衡量業務自身的“造血”能力。

競爭格局指標

1. 垂直GPU雲端廠商的融資與估值動態：反映資本市場的熱度。
2. 主要競爭對手的新產品釋出與營銷活動。

15. 來源

• 來源：1. 公司官方資訊 ：矩雲端官網（juchiyun.com）提供的產品介紹、價格頁面、技術部落格和新聞公告
• 來源：2. 行業研究報告 ：關於中國公有雲端市場、AI算力基礎設施、GPU伺服器市場的第三方研究報告（如IDC、Gartner、信通院等機構釋出的相關報告）
• 來源：3. 技術社群與媒體 ：CSDN、知乎、InfoQ等平台上關於GPU雲端使用體驗的討論、評測和教程
• 來源：4. 新聞媒體報道 ：主流科技媒體（如36氪、鈦媒體、機器之心等）對AI算力賽道、相關公司及行業事件的報道
• 來源：5. 上游公司公告 ：[NVIDIA]公司的財報、產品釋出及供應鏈相關宣告
• 來源：6. 競爭對手資訊 ：阿里雲端、騰訊雲端等廠商官網的AI算力產品頁面，以及[AutoDL]、[恆源雲端]等垂直廠商的公開資訊
• 來源：7. 政策檔案 ：國家及地方政府關於促進人工智慧發展、算力基礎設施建設的規劃與政策檔案
• 來源：矩池雲端 官方網站/投資者關係入口 — matpool.com
• 來源：矩池雲端 公開揭露與交易標識 未上市
• 來源：15. 來源