--- title: "AI出海的下半场：当智能开始像内容一样被分发" id: "20260320A07XLR00" publicationAccount: "非凡产研" originalPublishedAt: "2026-03-20T19:07:27+08:00" canonical: "https://ffcap.cn/research/20260320a07xlr00" source: "https://view.inews.qq.com/a/20260320A07XLR00" sourceAccount: "https://news.qq.com/omn/author/21759984" language: "zh-CN" tags: ["全球化出海","模型与基础设施","营销增长","流量与用户增长","非凡大赏"] --- # AI出海的下半场：当智能开始像内容一样被分发 文章中的“非凡产研”是原始发布账号署名，不代表已核实个人执笔作者。引用访谈或圆桌观点时，应按正文标明具体发言人及当时身份；无法确认时不要推断。日期为原始发表日期，历史信息以发布时点为准。 **非凡大赏·嘉宾访谈** ## **很多AI公司出海，最后不是输给模型，而是先输给了基础设施** 专访Akamai华东区高级技术经理吴赟 AI出海这件事，最容易让人误判。 很多人以为，决定胜负的是模型、产品和增长。可真正把业务跑到海外以后，很多团队最先撞上的墙，往往和模型本身没那么大关系。 用户打开太慢。 语音多等两秒。 高峰期接口开始抖。 流量刚起来，攻击跟着来了。 业务刚铺到几个国家，合规问题也冒出来了。 调用量一涨，推理成本又压上来。 你会发现，很多AI产品还没输在能力上，底座先开始吃紧了。 这也是我和Akamai华东区高级技术经理吴赟聊完之后，一个非常深的感受：今天很多人还在把AI竞争理解成模型竞争，但真正进入全球市场以后，越来越多公司拼的是基础设施。 谁能让一个AI产品在全球更稳定地跑起来，谁就更接近真正的门票。 而这，恰恰是Akamai这种公司重新变得重要的原因。 很多人对Akamai的印象，还停留在CDN。这没错，但也不完整。 如果说上一代互联网，Akamai帮大家解决的是"内容怎么更快送到用户眼前"；那在这一轮AI里，它想解决的，是另一件更现实的事：智能，怎么更快、更稳、更省地送到用户身边。 ![AI出海的下半场：当智能开始像内容一样被分发 · 原文图片 1](https://inews.gtimg.com/om_bt/Obt23ZpnZPOOGwJSY_PCDUWcA0vjGxX9KAgB2smBa6yOAAA/1000) ## **一家老牌CDN公司，为什么突然出现在AI牌桌上？** 先说结论。 Akamai并不是突然想做AI。它更像是沿着自己原来的能力，一路走到了今天这个位置。 吴赟对这条路径的描述很有意思。他没有把它讲成一次戏剧性的战略转身，而是讲成一个很自然的演进过程。 Akamai 1998年成立，最早提出CDN的概念，靠全球分布式网络把内容分发做到了极致。后来，它又沿着同样的底层逻辑，一步步把能力往外扩： 先是边缘内容分发， 再到边缘安全， 再到边缘计算， 再到分布式云， 最后走到AI推理。 你仔细看这条线，会发现它其实始终没换题。它做的始终都是同一件事：把计算能力、网络能力和服务能力，尽可能放到离用户更近的地方。 只不过，互联网早年的主角是图片、网页、视频。今天换成了AI推理请求。 Akamai真正补上关键一块，是2022年收购Linode。这件事很重要，因为它补齐了公有云底座，让Akamai从"纯分发"更进一步，拥有了承载通用计算工作负载的能力。之后2023年推出通用边缘计算平台，把算力进一步下沉到边缘节点。到了  2025 年，Akamai 进一步深化了与 NVIDIA 的合作，通过在边缘节点部署高性能 GPU，正式推出 Akamai Inference Cloud，将大规模并行推理能力直接推向全球边缘网格。 你把这几个节点连起来，就会明白它在干什么： 它不是想去抢"谁来训练最大模型"这件事。它想占住的，是模型离开实验室之后，如何在真实世界里跑起来。 这恰恰是今天很多公司最容易低估的部分。 因为大模型一旦进入生产环境，问题就不再只是效果好不好看。它还要面对用户分布、时延、并发、攻击、合规、成本这些非常现实的问题。 说到底，AI能不能真正进入全球商业世界，靠的从来不只是模型本身。 ## **今天AI最难的一段路，不在训练端，在推理端** 过去几年，AI圈最吸睛的故事，基本都发生在训练侧。 谁的参数更大，谁的集群更多，谁烧掉了更多GPU，谁又把benchmark往上提了一点。所有人都天然会把注意力放在那里。 但站在基础设施视角看，真正会反复发生、持续消耗资源、不断制造成本和复杂度的，其实是推理。 训练当然重要，但训练不是每时每刻都在发生。推理不一样。推理是用户每次问一句、点一下、发一段语音、触发一次Agent调用时，都在发生。 如果把模型训练比作造发动机，那推理更像是让这台发动机每天在全球公路上持续跑。 这时候，系统压力就完全不一样了。 尤其是LLM和Agent场景，用户不是问一句就结束，很多都是多轮交互。每一轮请求背后，都要消耗网络、算力、调度和带宽。只要用户分布一拉开、访问量一放大，这些问题就会非常快地暴露出来。 吴赟提到，Akamai Inference Cloud想解决的，主要就是三个很直接的问题： 第一是延迟。AI推理离用户越近，响应就越快。尤其是语音交互、实时决策、Agent多轮调用这类场景，几百毫秒和几秒钟之间，用户感受完全不是一回事。 第二是成本。现在很多AI调用，越跑越像一笔长期账。调用量高了以后，传统集中式GPU集群的成本会被迅速放大。数据来回传、跨区跑、统一集中处理，都很烧钱。分布式调度如果做得好，成本空间会被重新打开。 第三是数据主权和合规。很多实时AI场景处理的是敏感数据。越靠近用户、越靠近本地处理，就越容易满足不同国家和行业的数据要求。 这三件事听上去都不"性感"，但它们决定了一件非常关键的事：一个AI产品，到底能不能从demo走到规模化。 也正因为如此，Akamai的打法和AWS、Azure很不一样。 它没有选择去"卷训练"。它押注的是模型落地之后那一段更漫长、更复杂、也更容易出问题的现实过程。 这个判断，其实很像一个成熟基础设施公司的视角：不去抢最热的叙事，而是去守最难的落地。 ## **边缘推理，为什么会成为AI的下一块硬仗？** 很多人第一次听"边缘推理"，会觉得这离业务很远，像个偏底层、偏技术的词。 但你只要换几个具体场景，这件事一下就变得很直观。 比如客服语音系统。用户刚说完一句话，系统停两秒才回答，这个体验基本就已经打折了。 比如直播里的AI特效。你不可能让画面卡一下，再等模型慢慢算完。 再比如游戏里的NPC实时交互。玩家说一句，角色过半天才反应，这个沉浸感立刻就没了。 还有车联网里的语音助手、医疗健康设备的即时反馈、智能穿戴设备的本地分析，它们都有一个共同点：用户不会耐心等你。 这类场景，不是说模型有答案就行。它要求答案来得足够快。 吴赟也提到，并不是所有AI任务都应该放在边缘。 像超大模型训练、全局数据汇总、强算力依赖的复杂任务，仍然更适合中心云。毕竟这类任务需要的是大规模GPU集群、集中式存储和统一调度。 真正适合边缘的，是那些实时性强、数据敏感、用户分布广的任务。像语音模型、直播特效、游戏实时生成、车载智能助手、医疗健康穿戴，都更适合在端侧或者靠近端侧的边缘节点处理。 也就是说，未来不会是边缘和中心云谁替代谁，而是它们会形成一个更清晰的分工：重训练、重分析放中心；高频实时推理往边缘走。 这个判断背后藏着一件更重要的事：AI的基础设施会越来越像一张"分层的网"，而不是一个"统一的大云"。 这正是Akamai有机会的地方。因为它过去28年积累的全球节点和骨干网络，本身就是为"就近服务"这件事搭出来的。以前服务的是内容，现在服务的是推理。 表面看，题目变了。底层逻辑，其实没变。 ## **真正让基础设施价值被看见的，从来不是概念，是结果** 聊基础设施，最怕空。 讲一堆架构、讲一堆平台、讲一堆能力，最后读者只会记住一句"听起来很厉害"。但什么叫真的有价值？还是得看它落到业务里，到底解决了什么问题。 吴赟提了几个案例，我觉得挺有代表性。 先看流媒体行业。 有在线视频提供商用AI自动识别视频内容，并自动剪辑赛事高光时刻。这个场景的关键不只是"能不能剪"，而是"能不能尽快剪出来"。高光内容晚一分钟出来，传播效率就会差很多，用户发现内容的概率、观看意愿、留存体验都会受影响。 在这个场景里，Akamai帮它把延迟降低了70%。 这个数字的意义，不只是系统更快了，而是内容消费的链路被压短了。高光出来得更快，用户更容易看到，平台也更不容易丢人。 再看游戏行业。 一家日本游戏公司在手机游戏里使用文生图模型生成游戏素材。Akamai推理云和其他大型超大规模云平台做基准测试后，结果很明显：多媒体素材生成延时降低了2.5倍，吞吐量提升了3倍，成本降低了86%。 这个数据一放出来，你会立刻意识到，边缘推理不是"系统优化一下"这么简单。它已经在直接影响内容生产效率和商业账本了。 更典型的是汽车场景。 一家东南亚车载软件公司，用Akamai的AI推理云优化车载语音助手后，响应用户命令的时延降低了30%。对驾驶中的用户来说，语音助手快一点，和"差不多也能用"，完全是两种体验。再往深一点说，响应越及时，对驾驶安全的帮助越大。 你会发现，当AI真开始进入这些场景以后，基础设施的价值会被重新定价。 以前大家觉得，网络、节点、加速、安全，都是后面的事。现在不是了。 现在很多AI产品的体验边界，恰恰就是这些底层能力决定的。 ## **中国企业出海，最先遇到的问题，常常不是产品本身** 这一段我挺有共鸣，因为这几年你会发现，很多中国企业对"出海"的理解还停留在比较早期的阶段。 觉得产品做出来了，翻译成英文了，广告也开了，差不多就算出海了。但只要业务真开始往外跑，很快就会发现完全不是这么回事。 吴赟说，中国企业出海时，最先碰到的问题通常是性能。等业务发展到一定阶段，尤其有了品牌影响力以后，安全攻击和合规问题也会越来越明显。成本当然也会考虑，但对大多数企业来说，更重要的还是业务整体的稳定性和可靠性。 这句话很真实。 因为出海不是把一个产品搬出去那么简单。它更像是把你的整个系统，直接丢进一个更复杂的外部环境里。 不同国家的网络质量不一样，用户分布更散，攻击面更大，法规更碎，高峰期更不可控。 很多公司在国内没出过的问题，一出海全来了。 吴赟还提到，表面上看，不同行业差别很大。电商有浏览、下单、支付、营销；游戏有下载、更新、对战、充值；制造业也有跨区域连接、远程协同、全球系统联动。 但如果把表象拿掉，它们的核心诉求其实差不多：都是为了让海外用户体验更好，让业务不断，让系统更稳，让安全和合规别出事。 这个判断，其实很有基础设施思维。你不再盯着行业表面形态，而是看它们底层共通的问题。 ## **一个中国头部出海电商的案例，能说明很多问题** 吴赟分享了一个典型案例，我觉得很值得展开。 这是一家中国头部出海电商，也是Akamai十多年的合作伙伴。最早，他们遇到的问题是全球用户访问体验，尤其是涉及动态支付接口时的时延问题。 这种问题，听起来很技术，但背后影响的是最核心的生意。因为支付慢一点、卡一下、抖一下，损失的就不只是系统分数，而是实实在在的转化和订单。 Akamai当时给到的支撑，是依靠全球100多个国家、4000多个边缘节点，以及动态加速能力，帮他们把全球业务最底层的性能体验打稳。 后来，随着业务规模越来越大，新的问题出现了：安全攻击。 而且这时候，很多公司最容易掉进一个误区——觉得自己有安全团队，有自研WAF，就够了。 这家企业也一样。它本身有很强的安全团队，也有自己的WAF类产品。但问题是，自研防护体系是集中式部署的，攻击一旦大到一定程度，防护系统自己就先吃不消了。除了扩容源站、增加硬件，办法并不多。 这恰恰说明，安全不是"有没有系统"的问题，而是"系统架构能不能扛住全球场景"的问题。 Akamai的优势，在这个时候就出来了。因为它的防护不是集中在后方等攻击过来，而是前置在边缘网络里。它离用户更近，也离攻击者更近，可以在边缘就把大规模攻击拦下来，不让压力直接压到源站。 这次被拦下来的攻击量级是：超两亿请求，50万QPS，超过60万IP。 这个数字看上去像一个技术指标，但背后的意思很简单：当业务已经做到全球规模时，你需要的不是一个"能防点东西"的系统，而是一套真的扛得住全球压力的基础设施。 现在，这家电商客户也在继续和Akamai讨论AI相关的新合作场景。这个变化本身也很有意思。 因为它说明，AI正在成为所有出海企业的新必修课。而当AI接入业务以后，底层基础设施的重要性只会更高，不会更低。 ## **中国AI公司出海，真正缺的已经不只是流量和本地化了** 聊到中国AI模型和AI应用出海，吴赟把需求拆成了两层，我觉得这个拆法特别准。 第一层，是toC应用本身。比如海外用户访问性能、时延体验、并发承载、安全攻击、CC攻击、撞库、薅羊毛、API风险，这些问题都会随着流量增长一起来。 第二层，是模型调用层。当AI产品真正跑起来以后，企业会对时延、可扩展性、性价比提出更高要求。早期"先跑起来再说"的方案，后面往往都会越来越难撑。 这一点，放在今天的中国AI公司身上，尤其明显。 像DeepSeek、MiniMax、海螺、Talkie这类产品，随着海外用户和调用量上来，底层压力一定会越来越重。因为AI应用和传统互联网应用有个很大的不同：它更依赖持续推理、更依赖后端算力、更依赖稳定的跨区域调用链路，也更容易遇到数据本地化和安全上的额外要求。 换句话说，AI公司出海这件事，早就不只是翻译页面、开广告、做本地化运营了。它已经开始变成一套更完整的系统工程。 产品要能打。模型要够用。增长要做起来。但与此同时，基础设施、安全、合规、节点、推理调度，这些都得跟上。 少一环，后面都会出问题。 这也是为什么吴赟会说，对于Akamai来讲，这种海外高增长流量反而是优势场景。因为它本来最擅长的，就是一个高度分布式、贴近用户、同时也贴近攻击源的全球平台。 你会慢慢感觉到，AI全球化真正难的地方，不再只是"把技术做出来"，而是"让技术在全球复杂环境里持续工作"。 ## **全球AI竞争，真正的壁垒开始往下沉了** 关于"AI的技术壁垒到底在哪"这个问题，吴赟的回答挺务实。 算力、模型、数据、基础设施，都重要。没有哪一个维度可以单独撑起整个竞争。 但如果往更长期看，可扩展的基础设施一定会变得越来越重要。因为算力是前提，数据是燃料，模型是载体，而基础设施决定这些东西最后怎么被组织起来、放大出来、稳定运行下去。 中国企业在这里的优势和短板，其实也挺清楚。 最明显的短板仍然是高端算力，特别是在训练场景里，受地缘政治影响，对高端芯片的依赖、芯片代差、CUDA生态兼容、万卡互联效率，这些都还是现实问题。 最明显的优势则是数据。14亿人口、超过10亿网民，互联网、医疗、交通、工业体系持续产生的大规模多模态数据，这些都给中国企业提供了非常独特的应用土壤和训练资源。 但有数据，不代表一定能赢。数据能不能转成真正的全球竞争力，还是要看整个系统是否成熟。 模型是不是能稳定输出，调用是不是足够便宜，海外用户是不是能快速访问，不同区域是不是能合规落地，高并发时会不会掉，被攻击时能不能扛住。 这些问题合在一起，才是AI公司真正的长期壁垒。 也正因为这样，Akamai未来三年的布局才显得很清晰：继续围绕分布式AI推理网格，做云边协同的算力体系，强化低延迟和高性价比的推理能力。 它没有去讲一个特别花哨的新故事。它做的还是老本行，只不过服务对象从"内容"变成了"智能"。 ## **写在最后：AI的下一场竞争，很多胜负会发生在看不见的地方** 这次访谈给我最大的一个提醒是： 今天AI行业最容易被高估的，是模型的表面热闹；最容易被低估的，是基础设施的真实难度。 模型当然重要，没有模型，这一轮浪潮根本不会发生。但当AI真正走出实验室，进入全球业务以后，决定用户体验的东西会变得非常具体。 它是不是够快。是不是够稳。是不是够便宜。是不是能在不同地区合法合规地跑下去。是不是在高峰和攻击面前还能扛住。 这些问题平时不太出风头，也不容易被当成热点讨论。可它们往往才是决定一家公司能不能把AI变成长期业务的关键。 从这个角度看，Akamai这类公司的价值，其实正在被重新看见。 过去，它解决的是"把内容送到全球"。今天，它想解决的是"把推理送到用户身边"。明天，谁能把这件事做得更稳、更广、更便宜，谁就更有机会拿到AI全球化时代那部分真正长期的价值。 很多人还在盯着模型。 但有一部分更硬的仗，已经在底层开打了。 ## **精选Q&A** **1\. 先请您介绍一下自己，您在Akamai主要负责什么？** 我在Akamai主要负责华东区的售前技术咨询工作，面向各行业的出海企业，帮助客户梳理技术需求，并提供适合他们业务场景的解决方案。 **2\. 加入Akamai之前，您经历过哪些职业阶段？** 我在加入Akamai之前，职业经历大多在美国。CMU毕业后，第一份工作是在波士顿一家上市电商公司做软件开发，主要负责电商营销相关的数据开发和分析。后来去了跨国广告数字营销公司做技术解决方案架构师，也是在那段经历里，我发现自己更擅长挖掘客户真实需求，并给出合适的技术方案。 **3\. 是什么吸引您加入Akamai？** 一方面是机缘。我在波士顿生活工作了五年，后来回国，又加入了一家总部同样在波士顿的公司，会觉得挺巧。另一方面，Akamai对很多学计算机的人来说，本身就是一家有技术分量的公司。再加上整个面试过程让我更了解这家公司在技术上的演进，以及协助中国企业出海的方向，这些都让我觉得很有前景。 **4\. Akamai是怎么从CDN走到"云+AI"的？** 这不是某一个时间点突然发生的，而是一个顺着技术演进自然展开的过程。Akamai最早从CDN起家，后来不断把能力扩展到边缘安全、边缘计算。2022年收购Linode，补齐了公有云底座；2023年推出通用边缘计算平台；2025年与NVIDIA联合推出Akamai Inference Cloud，算是正式把"云+AI"这件事连接起来了。 **5\. Akamai Inference Cloud的核心定位是什么？** 它的定位是分布式边缘AI推理平台。重点不是去做大模型训练，而是解决AI模型进入真实业务环境后面临的延迟、成本和数据主权问题。目标客户主要是那些对实时性敏感，同时又拥有全球分布式用户群的企业。 **6\. 和AWS、Azure相比，Akamai的差异在哪里？** Akamai不会把重点放在训练侧，而是更关注模型落地后的推理问题。它想解决的是：AI服务如何靠近用户、降低延迟、提升性价比，并满足不同地区的数据合规要求。 **7\. 为什么边缘推理会成为AI的重要战场？** 因为AI推理的计算量已经越来越大，而且请求是海量、分布式、实时发生的。很多场景对响应速度极其敏感，集中式云推理在延迟、带宽、成本和合规上都会面临压力。边缘推理正好能补上这块短板。 **8\. 哪些场景更适合边缘推理？** 像客服语音系统、直播AI特效、游戏NPC实时交互、车联网智能语音助手、医疗健康智能穿戴等场景，都很适合边缘推理。因为这些场景都要求尽可能低的响应时延。相反，超大模型训练、全局复杂分析这类任务，还是更适合放在中心云。 **9\. Akamai在边缘推理方面已经有哪些落地效果？** 有几个比较典型的案例。在流媒体场景中，帮助OTT视频平台把AI自动剪辑高光内容的延迟降低了70%。在游戏行业，帮助日本一家游戏公司把素材生成延时降低了2.5倍，吞吐量提升了3倍，同时成本降低了86%。在汽车行业，帮助东南亚车载软件公司的AI语音助手把响应时延降低了30%。 **10\. 中国企业出海，最常遇到哪些基础设施问题？** 通常最先碰到的是性能问题。等业务规模上去之后，安全攻击和合规问题会越来越明显。成本也会考虑，但对大多数企业来说，更重要的还是业务整体的稳定性和可靠性。 **11\. 不同行业出海，需求差异大吗？** 业务场景看起来差异很大，但底层诉求并没有那么不同。无论是电商、游戏还是制造业，大家最终都在追求更好的用户体验、更高的业务稳定性，以及对安全和合规的保障。 **12\. 能不能分享一个典型的客户案例？** 有一家中国头部出海电商，和Akamai合作了十多年。最初他们的核心诉求是全球用户访问体验，尤其是动态支付接口的时延问题。后面随着业务增长，又遇到了大规模安全攻击。Akamai通过全球边缘节点和分布式安全防护，在边缘拦下了超两亿请求、50万QPS、超过60万IP的攻击流量，帮助客户保证了业务连续性。 **13\. 您怎么看中国AI公司出海对基础设施提出的新要求？** 一方面是toC应用层面的全球访问、时延、安全和API风险问题；另一方面，随着模型调用量增长，企业会对推理的时延、扩展性和性价比提出更高要求。AI产品出海，对基础设施的要求会比传统互联网产品更复杂。 **14\. 在全球AI竞争里，真正的技术壁垒在哪里？** 算力、模型、数据、基础设施都重要。当前中国企业比较明显的短板还是高端算力，尤其在训练场景中。优势则是数据资源丰富、应用场景广阔。长期看，能否把这些优势通过稳定、可扩展的基础设施组织起来，会越来越关键。 **15\. Akamai未来三年的重点布局方向是什么？** 会继续围绕分布式AI推理网格展开，做深云边协同的算力体系，持续强化低延迟、高性价比的推理能力。 --- 原始发布版本：https://view.inews.qq.com/a/20260320A07XLR00 本站阅读页：https://ffcap.cn/research/20260320a07xlr00