种子 market_baseline — ⚠️ 部分确认 证据等级 C

核心问题：

• “市场2600亿+20%”缺少口径：可能指中国云计算、智能算力、算力基础设施或GPU租赁市场，不同口径差异可达数量级。若按工信部/信通院/IDC等公开口径，算力相关产业规模、云服务规模、AI服务器市场规模并不等同于可被Uber式平台撮合的可交易闲置算力市场。
• “阿里/华为/移动云已占主份额”方向上与IDC、Canalys等第三方云市场报告大体一致，但需限定为中国公有云/IaaS/PaaS市场；若限定到GPU裸金属、AI训练集群或闲置算力撮合，份额结构可能不同。
• 从总市场规模直接推导平台机会存在逻辑跳跃：分布式调度平台只能捕获可迁移、可中断、合规可外包、数据传输经济性成立的任务切片，而非总算力市场。

缺失数据：

• 明确市场规模口径：公有云IaaS/PaaS、AI云、GPU租赁、算力中心服务、智能算力还是全社会算力产业。
• 近3年中国GPU云/AI算力租赁收入、增速、客户结构、价格区间。
• 闲置算力可商业化供给规模：IDC、企业自建集群、高校/科研集群、边缘节点的真实空闲率。
• 需求侧任务结构：训练、推理、渲染、仿真、批处理、HPC各自占比及可迁移比例。

🟡 现实度评分：0.48

种子 p1 — unverified 证据等级 D

核心问题：

• “高流动性算力任务SAM仅占总市场8-15%”目前没有可独立核验的任务遥测数据支撑，更像内部假设或模型输出。该比例必须来自真实工作负载分类，而不是从总市场反推。
• “巨头Spot将毛利压至10-15%”缺少公开财务证据。云厂商Spot/抢占式实例价格折扣可从官网核验，但Spot业务毛利率通常不披露，不能直接验证。
• 逻辑方向基本成立：可中断、低数据重力、低SLA任务更容易被价格竞争压低利润；但把“高流动性=低毛利”视为稳定规律过度简化，忽略垂直场景封装、自动checkpoint、合规托管、交付保证等溢价可能。
• 可证伪性较好：可通过三类任务POC实测迁移成本、失败率、净节省率和平台抽佣后毛利。

缺失数据：

• 至少50-100家企业真实任务样本：任务类型、数据体积、运行时长、中断容忍度、重算成本、SLA要求。
• 阿里云、华为云、腾讯云、移动云、火山云等抢占式/竞价实例历史价格、可用率、中断率。
• 客户愿意为跨云调度、checkpoint、失败兜底、统一账单支付的溢价数据。
• 平台真实撮合抽佣率、供应侧最低成交价、运维和赔付成本。

🔴 现实度评分：0.35

种子 p2 — ⚠️ 部分确认 证据等级 D

核心问题：

• “TEP协议无法构成商业壁垒”在商业常识上有一定合理性：单一协议/API如果没有供需双边采用、生态工具链、合规认证和迁移成本，通常难以形成强壁垒。
• 但“工程领先窗口不足12个月”没有实证支撑。不同协议的扩散、复制和标准化周期差异很大，不能仅凭类比断言。
• 若TEP目前只是设想或私有规范，则证据等级只能是D；若已有开源仓库、企业接入、标准组织立项或专利布局，需要重新评级。
• 遗漏了中国信创、监管、国资算力平台、区域算力网等非纯市场因素。中立协议可能因政策、招投标或跨云治理需求获得采用。

缺失数据：

• TEP协议规范全文、字段定义、兼容对象、与Kubernetes、Slurm、Ray、Volcano、KubeRay、云厂商API的差异。
• TEP开源仓库star/fork/contributor、版本迭代、issue活跃度。
• 已接入供应方数量、需求方数量、生产任务量、协议改造工时。
• 是否被行业协会、地方算力平台、信创生态或标准组织采纳。
• 竞争对手是否已有同类协议/SDK/调度中间层。

🟡 现实度评分：0.42

种子 p3 — ⚠️ 部分确认 证据等级 C

核心问题：

• “头部云厂商缺乏经济动机将溢出算力交给中立第三方”符合平台竞争逻辑：云厂商通常更愿意通过自有Spot、预留实例、专有云、行业云和生态渠道消化资源。
• 但“内部Spot消化收益始终大于外部让渡”是不可验证的绝对化表达。云厂商在特定区域、特定卡型、政策合作、算力券、联合运营、边缘节点、政企项目中可能有外部协同动机。
• 需要区分核心GPU资源与边缘/老旧/非标/区域性资源。头部云不会开放核心高需求H100/A800/H800池，并不等于不会开放低利用率、地域性或政策性资源。
• 公开合作公告能部分验证开放趋势，但云厂商真实利用率、Spot库存和内部结算收益通常不公开。

缺失数据：

• 阿里云、华为云、移动云近4-8个季度GPU/AI算力利用率、Spot库存、中断率和价格曲线。
• 云厂商与地方算力平台、国家枢纽节点、第三方调度平台的合作公告及实际流量。
• 云厂商内部Spot收入、外部渠道分成、生态补贴、政策补贴对比。
• 不同卡型和区域的供需缺口：A100/H100/A800/H800/昇腾/国产GPU/消费级GPU。

🟡 现实度评分：0.55

种子 p4 — ⚠️ 部分确认 证据等级 B

核心问题：

• “跨Region/跨云大规模数据传输会吞噬算力价差”方向上有较强现实基础。各大云厂商公网出口带宽、跨区流量、专线、对象存储取回费用均有公开价格，10TB以上迁移成本和时间成本可独立核算。
• 但“>10TB必然不可行”过于绝对。是否不可行取决于任务运行时长、GPU价差、数据复用次数、压缩/增量同步比例、是否已有专线、数据是否可预置、是否为一次性迁移。
• 入口流量通常免费或较低，但出口费、对象存储请求费、专线费、等待时间和工程改造成本会共同影响经济性。
• 该命题可验证性强：用真实云价格表和迁移实验即可计算净收益。

缺失数据：

• 主流云跨区/跨云公网出口、专线、对象存储取回、加速服务的最新价格表。
• 1TB/10TB/50TB/PB级数据在不同网络条件下的迁移时间、失败率和人工运维成本。
• 任务GPU小时消耗、可节省单价、数据复用次数、checkpoint体积。
• 企业数据合规限制：是否允许跨地域、跨云、跨主体传输。

🟢 现实度评分：0.72

种子 p5 — ⚠️ 部分确认 证据等级 C

核心问题：

• GPU折旧、电力、机房、网络、运维和资金成本确实会显著影响单位经济模型。高端GPU通常存在3-5年折旧、技术迭代和二级市场残值波动风险。
• “60%利用率门槛”和“必须保持>40% On-Demand价差”缺少可核验模型输入，属于待验证阈值，不应作为硬结论。不同卡型、购置价格、电价、PUE、融资成本、抽佣率、赔付率下阈值会明显变化。
• 若平台是轻资产撮合模式，折旧主要在供应方，不完全进入平台账面，但会通过供应方最低成交价、违约行为和供给稳定性间接传导。朱雀分析需要明确平台承担资产风险还是只承担撮合与SLA风险。
• 动态定价能否维持价差取决于供需密度、任务可迁移性、供应质量分层和巨头价格反应，不能只看算法。

缺失数据：

• A100/H100/A800/H800/昇腾等卡型实际采购价、租赁价、二手残值、折旧周期。
• 各区域电价、PUE、机柜租金、带宽成本、运维人工、融资成本。
• 平台抽佣率、坏账率、赔付率、空转补贴、做市库存比例。
• 在40%/60%/80%利用率下，不同价差和不同中断率的现金流敏感性模型。
• 供应方是否要求保底收入；若有，平台库存风险会显著上升。

🟡 现实度评分：0.58

种子 s3_runtime_control — ⚠️ 部分确认 证据等级 C

核心问题：

• 白虎对“运行时控制面/轻量agent”的攻击有现实基础：供应方确实可能抵触OS级或驱动级控制，尤其涉及安全域、数据泄露、供应链攻击和性能损耗。
• 异构GPU checkpoint、热迁移、故障预测在NVIDIA、AMD、国产GPU、消费级GPU之间存在兼容性和稳定性挑战。当前行业已有Kubernetes、Slurm、Ray、Volcano等调度框架，但跨供应商、跨云、跨驱动的通用可靠迁移远未商品化为低摩擦能力。
• 但不能因此否定所有运行时控制面。可从低侵入探针、容器级观测、任务级checkpoint、白名单镜像、可信执行环境逐步推进，而不是一步到位接管节点。
• 该方向需要从“技术壁垒叙事”降级为“实测可靠性工程”。

缺失数据：

• 不同供应方对agent权限的接受度调研：root权限、容器权限、只读遥测、TEE证明。
• 不同GPU/驱动/框架下checkpoint成功率、恢复耗时、性能损耗。
• 消费级与企业级GPU的MTBF、掉卡率、ECC错误率、驱动崩溃率。
• 探针对节点性能的影响和安全审计报告。

🟡 现实度评分：0.61

种子 s7_probe_network — ⚠️ 部分确认 证据等级 D

核心问题：

• “探针网络形成壁垒”目前证据不足。只有当平台长期积累高质量、可验证、抗篡改的节点健康数据，并能转化为更低中断率、更准定价和更高SLA履约，才可能形成壁垒。
• 供应方有动机选择性上报或伪造健康数据，尤其在按可用率、故障率、SLA等级影响收入时。该对抗性问题不能用普通遥测解决。
• 数据合规也是核心风险：探针采集的信息可能涉及硬件指纹、业务负载、客户数据路径、地理位置和安全策略，需要最小化采集和授权机制。
• 该命题目前更多是战略设想，缺少实测节点网络和抗作弊机制。

缺失数据：

• 探针采集字段清单、数据最小化方案、脱敏与留存周期。
• 供应方作弊场景及检测机制：伪造负载、隐瞒故障、虚报卡型、超卖显存。
• 第三方安全审计、TEE/远程证明/可信计量方案。
• 节点健康数据与实际SLA违约率之间的统计相关性。

🔴 现实度评分：0.38

种子 s9_sla_carbon_pricing — ⚠️ 部分确认 证据等级 C

核心问题：

• 客户对分级SLA有现实需求，但支付意愿需要按场景拆分：训练、推理、渲染、仿真、离线批处理的容忍度和预算完全不同。
• 客户为低碳调度支付溢价的证据较弱。在监管未强制、碳核算不进入采购硬约束时，绿色调度更可能是加分项而非核心定价因子。
• 碳足迹账单要具备审计价值，需要电力来源、区域碳强度、PUE、任务能耗计量、绿证/绿电合同等证据链；外部平台跨供应方整合难度高。
• 若平台将碳定价作为主要差异化，现实风险较高；若作为政企/跨国客户的附加合规功能，较合理。

缺失数据：

• 目标客户采购决策中价格、SLA、合规、低碳权重的问卷和成交数据。
• 客户是否愿意为低碳算力支付溢价，溢价比例和合同案例。
• 供应节点实时电力来源、PUE、绿电/绿证证明、碳排因子。
• 碳账单是否能通过第三方审计并满足客户ESG披露要求。

🟡 现实度评分：0.46

种子 s10_data_compute_routing — ⚠️ 部分确认 证据等级 B

核心问题：

• 数据重力和数据锁定是分布式算力平台的关键现实约束。数据通常已沉淀在对象存储、数据湖、专有云、行业云或本地机房，迁移成本、合规审批和工程改造会限制跨云调度。
• “让算力靠近数据”在理论上正确，但平台是否能接入数据所在地附近的合规算力、是否能读取机器可读的数据约束、是否能获得客户授权，是更关键的问题。
• 巨头云通过内网、专线、数据服务和AI平台形成数据-算力闭环，这会削弱外部平台的调度空间。
• 但在边缘推理、区域政企算力、离线渲染、公开数据集训练、无敏感数据仿真等场景，数据重力不是绝对阻断。

缺失数据：

• 目标任务的数据体积分布、数据位置、数据敏感等级、跨域审批耗时。
• 客户现有数据栈：对象存储、数据湖、数据库、NAS、HDFS、专有云、本地IDC。
• 跨云/跨地域调度所需合规策略的机器可读表达能力。
• 数据预置、缓存、增量同步、联邦学习、隐私计算等技术的成本收益实测。

🟡 现实度评分：0.68

攻击 s1 — 🟡 中风险 (严重度 0.78)

反事实：若AIGC/渲染企业因模型规模增长导致‘低数据敏感’属性快速消失（数据重力从TB级跃升至PB级），或企业因合规审计要求将‘可复算’任务转为必须连续运行的训练流水线，则按物理属性切分的SAM将从当前乐观估计缩水70%以上。竞争者（阿里云Spot团队）会反驳：大多数高价值批处理任务早已被内部调度系统标记为‘不可迁移’，外部平台仅能拿到边角料。谛听证据等级为‘假设列表’而非实测分布，此数据可靠性存疑。最坏情况：黑天鹅式‘全行业转向自建稳定H100池’使可中断任务比例从假设的40%跌至<10%。

⚠️ 未解决

攻击 s3 — 🔴 高风险 (严重度 0.85)

Id驱动：平台渴望通过‘运行时控制面’建立技术壁垒以对抗巨头，但Ego层面存在自我欺骗——假设供应方会接受OS级控制，却忽略供应方（尤其是中小IDC）对被平台‘接管’的强烈抵触（投射为安全顾虑）。Superego用‘可靠性由恢复成本决定’的道德化语言掩盖实际落地中的探针部署摩擦和热迁移在消费级GPU上的高失败率。竞争者视角：华为云会反驳称其内部统一栈已实现远超异构探针的故障预测，外部平台仅能处理低等级任务。最坏情况：黑天鹅‘大规模GPU驱动漏洞导致热迁移集体失败’会引发信任崩盘。

⚠️ 未解决

攻击 s7 — 🔴 高风险 (严重度 0.82)

数据质疑：谛听提供的‘探针网络形成壁垒’假设依赖‘节点愿意共享数据’这一低证据等级陈述（仅为假设列表，无MTBF实测分布）。消费级/企业级GPU真实MTBF分布高度不确定，异构节点准入清洗成本可能远超预期（需持续对抗数据篡改）。反事实：若主要供应方为追求短期收益而选择性上报或伪造健康数据，平台画像将变成‘劣币驱逐良币’的放大器。Superego防御：用‘长期数据是生产资料’的崇高叙事掩盖平台自身数据隐私合规风险。

⚠️ 未解决

攻击 s9 — 🟡 中风险 (严重度 0.71)

客户对分级SLA（含碳定价）的支付意愿是核心脆弱点。Id层面，平台渴望用‘绿色调度’差异化，但Ego会合理化‘客户愿意为低碳溢价’这一乐观偏见，忽略确认偏误（仅看ESG报告而非实际采购决策）。竞争者（移动云）会反驳：其已绑定绿色电力合同，且碳审计由内部完成，外部平台难以提供可审计的端到端碳账单。最坏情况：监管政策突变或绿电供给黑天鹅短缺导致碳价剧烈波动，平台动态定价模型崩溃。

⚠️ 未解决

攻击 s10 — 🟡 中风险 (严重度 0.76)

反事实：若数据重力主导场景下，巨头已通过自有专线和内网打通数据-算力闭环，则分布式平台‘让算力靠近数据’的路由优化将面临‘数据锁定’壁垒，外部节点几乎无接入可能。Ego防御机制：平台用‘联合优化’叙事合理化自身无法解决数据合规复杂性的现实。谛听证据等级低（假设而非实测路由案例）。最坏情况：跨域数据流动新规（黑天鹅）使任何外部路由成本指数级上升。

⚠️ 未解决

🔍 认知盲区

• [assumption]

消费级GPU MTBF分布及异构节点清洗成本缺乏实测数据支撑，仍停留在假设层面，形成核心盲点

• [blind_spot]

客户对分级SLA（含碳/迁移属性）的真实支付意愿未经验证，存在乐观偏见和确认偏误

• [gap]

数据-算力联合路由在巨头数据锁定和监管边界下的可行性被严重低估，SAM缩水风险未量化

• [error]

防劣币节点机制和兜底资金池在黑天鹅相关性失效下的压力测试缺失