“据统计，GPU的平均利用率不超过30%，会产生巨大的算力资源浪费。我们用软件定义的方式通常可以把用户GPU的利用率提升3-8倍，甚至可以到10倍。”
这并非一家之言，而是趋动科技基于大量企业最佳实践给出的判断。当大模型竞赛进入深水区，算力成本居高不下、异构芯片难以统一调度、资源利用率长期徘徊在低位——这些曾经被忽视的“内耗”，正在成为制约AI规模化落地的真正瓶颈。
软件定义算力：把“卡脖子”的GPU变成“自来水”
传统AI应用部署中，GPU资源往往采用“独占式”使用模式——一个任务占用一张卡，即便显存只用了一半，其他任务也无法挤占。这种粗放的使用方式，直接导致了算力资源的巨大浪费。
趋动科技推出的OrionX AI算力池化软件，核心思路是**将物理GPU资源虚拟化、池化管理，让AI应用与底层硬件解耦**。这意味着，工程师不再需要关心任务具体跑在哪块卡上，算力资源可以按需分配、弹性伸缩、动态释放，真正实现“一点接入、全算贯通”。
三重核心能力：切分、聚合、远程调用
OrionX的算力池化能力体现在三个层面：
首先是“细粒度切分” 。一张高性能GPU卡可以被拆分成多个虚拟GPU，同时支撑多个任务，最大化利用每一寸算力。在某金融客户的微调场景中，OrionX帮助其节省了60%的算力资源。
其次是“跨节点聚合”。多个服务器上的GPU可以聚合成一个大的虚拟GPU，满足大模型训练对多卡并行算力的需求。
最后是“远程调用”。CPU和GPU解耦后，应用可以通过网络使用其他服务器上的物理GPU，部署不再受物理位置的限制，资源调度更加灵活。
不止于降本，更是增效与国产化破局
算力池化的价值不仅体现在节约硬件采购成本上，更在于盘活现有资产，**释放研发效能**。
格灵深瞳的实践便是一个典型例证。在部署趋动科技的Gemini平台+OrionX方案前，原有集群资源仅能满足2个项目组、十几位工程师的使用。而同样规模的集群，在完成池化改造后，支撑了11个项目组、近70位工程师的算法开发训练，不到一年时间完成了超过6000个任务。
更值得关注的是，OrionX在**信创国产化**领域的布局。通过与银河麒麟操作系统、海光DCU等国产软硬件深度适配，OrionX已实现**英伟达GPU与国产AI芯片的异构统一管理**。这为面临“卡脖子”风险的企业提供了一条平滑迁移的可行路径——上层AI应用无需修改代码，底层即可无缝切换算力芯片。
从互联网到金融、运营商，行业标杆已在路上
目前，OrionX已在互联网、金融、制造、政务、教育等多个行业落地验证。广东联通发布的千卡教育智算集群，正是基于OrionX的GPU池化技术，实现了异构算力的高效共享与灵活调度，为高校AI教学和科研提供“随需应变”的算力服务。
算力如水，是愿景也是现实
“我们希望过去看起来‘阳春白雪’的算力，能够真正成为一种普惠大众的资源，就像水电一样按需随用随取、灵活便捷且便宜高效。”趋动科技生态运营总监文禹翔曾这样描述公司的愿景。
当算力不再是“紧缺资源”而是“弹性供给”，AI创新的门槛才能真正降低。趋动科技OrionX，正在让“算力如水”从愿景走向现实。
