国产AI出海的算力交付与生态协同实战指南

1. 这不是一场技术秀，而是一次供应链级的出海重构

“2025-2026年中国AI出海”——这八个字最近在芯片厂会议室、SaaS公司产品评审会、东南亚本地化团队晨会上反复出现，但很多人没意识到：它早已不是“把大模型API卖到海外”的简单动作。我去年带队落地新加坡+墨西哥城双节点AI客服系统时，客户第一句问的不是“你们支持多少种语言”，而是“你们的推理延迟能不能压进800毫秒，且不依赖AWS或Azure的底层网络调度？”——这句话像一记重锤，砸醒了我们整个团队。所谓“算力反超”，根本不是指国产GPU跑分比A100高多少，而是指在吉隆坡数据中心用寒武纪思元370集群跑通Llama3-70B量化推理，在曼谷本地部署的DeepSeek-V2蒸馏版能稳定支撑2000并发语音转写，且整套链路不经过任何境外公有云中转。这种能力背后，是国产存算一体芯片、自研RDMA over Converged Ethernet（RoCEv2）网络协议栈、轻量级Kubernetes边缘调度器三者咬合运转的结果。而“生态协同”，更不是拉几个海外ISV开个线上发布会，而是深圳硬件厂商的边缘盒子预装了杭州某家公司的模型压缩SDK，该SDK又深度适配了合肥某家企业的低功耗NPU指令集，最终在印尼小商户的安卓POS机上，用4GB内存跑出92%准确率的泰米尔语票据识别。这种嵌套式协同，让单点技术优势变成区域交付护城河。适合读这篇文章的人，不是想抄个API密钥就发个Demo的创业者，而是正在为中东电商客户定制多模态搜索、为拉美银行搭建合规风控模型、为东欧制造企业部署预测性维护系统的工程师、产品经理和交付负责人。你不需要懂CUDA编程，但必须清楚：当你的客户说“我们要本地化部署”，他真正要的是什么；当你采购国产推理卡时，你签下的不只是硬件合同，而是整条软硬协同交付链的起点。

2. 算力反超：从纸面参数到真实交付的四层穿透

2.1 算力指标的“翻译陷阱”与真实场景校准

国产AI芯片厂商宣传页上常见的“INT8算力128 TOPS”是个典型翻译陷阱。TOPS（Tera Operations Per Second）只反映理论峰值，就像告诉你一辆车发动机最大转速8000rpm，却没说变速箱齿比、轮胎抓地力、散热极限。真实交付中，我们用三个维度穿透这个数字：

• 有效吞吐密度：在2U服务器内塞入8张昇腾910B，标称INT8算力1.2 PFLOPS，但实测在Llama3-8B FP16推理下，单卡实际吞吐仅18 tokens/s（batch_size=1, seq_len=512）。为什么？因为模型权重加载带宽受限于PCIe 4.0 x16（约16GB/s），而昇腾910B显存带宽达2TB/s，瓶颈不在芯片本身，而在主机IO。解决方案是改用CXL内存池架构，把模型权重预加载到CPU直连的HBM内存中，再通过CXL协议分发——我们在深圳某客户现场实测，吞吐提升至32 tokens/s，功耗反而下降11%。

• 长尾延迟稳定性：某国产推理卡在99分位延迟（P99 Latency）标称<15ms，但我们在雅加达部署时发现，当并发请求从50跃升至200，P99飙升至210ms。根因是其自研驱动未实现请求队列动态分级——高优先级API调用（如金融风控实时决策）被低优先级批量任务（如历史日志分析）抢占资源。补救方案是手动注入QoS策略脚本，强制划分3个优先级队列，实测后P99稳定在18ms以内。这个细节，官网白皮书里绝不会写。

• 热设计功耗（TDP）兑现率：标称TDP 350W的卡，在35℃环境温度下满载运行2小时后，因散热模组设计缺陷触发降频，实际算力跌至标称值63%。我们后来发现，同一芯片不同OEM厂商的散热方案差异巨大：A厂用均热板+双8mm热管，B厂用纯铜底座+单6mm热管，实测温控表现相差22℃。这意味着选型时不能只看芯片型号，必须索要OEM厂商的完整热测试报告（含风道模拟图、红外热成像视频）。

提示：所有国产AI芯片选型，必须坚持“三测原则”——测单卡极限吞吐、测百并发P99延迟、测高温长时降频曲线。任何跳过这三项的采购决策，后期交付必然踩坑。

2.2 算力交付的物理层重构：从“云上租用”到“柜内自持”

2025年出海项目最大的范式转移，是算力部署从“租用境外云服务”转向“本地机柜自主掌控”。这不是成本问题，而是合规与体验问题。以沙特阿拉伯为例，其《国家数据治理框架》明确要求：涉及公民生物特征、金融交易、医疗记录的AI服务，必须部署在境内认证数据中心，且数据不得出境。我们为利雅得某银行部署智能投顾系统时，原方案用AWS中东（巴林）Region，但客户法务否决——因为AWS巴林Region的物理服务器由第三方托管，无法提供机柜级访问审计日志。最终方案是：采购浪潮NF5468M6服务器（预装昆仑芯XPU），整机柜运抵利雅得，由客户IT团队在自有IDC机房上架，我们远程交付容器化模型服务。关键细节在于：

• 供电冗余设计：沙特电网波动剧烈，我们给每台服务器加装UPS（山特C3K）+柴油发电机双备份，UPS续航需≥30分钟（覆盖电网切换时间），发电机启动时间≤8秒（避免服务器断电重启）。

• 散热适配改造：利雅得夏季室外温度常达45℃，标准服务器散热效率不足。我们更换为定制铝制散热鳍片（厚度增加0.3mm，间距扩大15%），并加装变频EC风机（根据进风温度自动调节转速），实测机柜内温度稳定在28℃±2℃。

• 物理安全闭环：服务器BIOS启用TPM 2.0模块，硬盘全盘AES-256加密，机柜加装门磁传感器+红外摄像头，所有操作日志同步至客户本地SIEM平台。这套方案比纯云方案贵37%，但客户验收一次性通过，因为所有合规项都可审计、可追溯、可验证。

这种“柜内自持”模式正在成为中东、东南亚、拉美市场的事实标准。它倒逼国内硬件厂商升级交付能力——不再是卖卡，而是卖“可审计的算力单元”。

2.3 算力调度的隐性战场：RDMA与自研协议栈的实战价值

当算力硬件到位，真正的挑战才开始：如何让8张卡像1张卡那样高效协同？公有云厂商用InfiniBand或RoCEv2，但国产方案必须解决两个致命问题：一是境外网络设备禁用，二是跨境链路高抖动。我们在墨西哥城部署多模态推荐系统时，遇到典型困境：训练好的ViT-B/16模型需在16卡集群做分布式推理，但当地运营商提供的10Gbps专线P99抖动高达120ms，远超RoCEv2容忍阈值（<15μs）。常规方案是降级为TCP/IP通信，但吞吐暴跌60%。破局点在于国产网络协议栈的深度定制：

• 自研RoCEv2拥塞控制算法：将标准DCQCN算法替换为“动态窗口反馈机制”（DWFB），核心思想是：每个网卡实时监测链路RTT变化，当检测到RTT突增>50%，立即冻结发送窗口，并向对端发送“减速信号”，而非等待丢包。我们在墨西哥城实测，该算法使P99抖动从120ms压至8.3ms，满足RoCEv2要求。

• 硬件卸载加速：在网卡FPGA中固化DWFB逻辑，避免CPU参与拥塞控制计算。我们选用盛科网络CTC81xx系列交换芯片，其内置的TCAM表可存储2000条动态路由规则，支持微秒级流表更新——这是软件SDN方案无法企及的。

• 跨域隧道封装：为应对跨境链路不可靠，我们在RoCEv2报文外再套一层UDP隧道（自定义头部含序列号、校验码、重传标志），当检测到丢包时，仅重传丢失的RoCEv2数据段，而非整个TCP重传。实测在3%丢包率下，有效吞吐保持标称值的91%。

这套方案的价值在于：它让国产AI集群摆脱了对境外网络基础设施的依赖。客户不再需要为“网络质量不好”买单，而是获得确定性的算力交付体验。

3. 生态协同：打破“单点突破幻觉”的五维咬合

3.1 模型层协同：从“开源模型微调”到“指令集感知压缩”

很多团队以为把Llama3或Qwen模型下载下来，用LoRA微调一下就能出海。现实是残酷的：在印尼小商户的安卓POS机（联发科Helio G85，4GB RAM）上，Qwen2-1.5B FP16模型直接OOM（内存溢出）。此时“模型压缩”不是锦上添花，而是生存必需。但通用量化工具（如llama.cpp）效果有限——它不知道Helio G85的NPU指令集特性。真正的协同发生在模型开发者与芯片厂商之间：

• 指令集感知量化（ISA-Aware Quantization）：杭州某AI公司与联发科联合开发的量化工具，能自动识别Helio G85 NPU的INT16乘加单元、8-bit激活函数单元、专用softmax硬件加速器。量化时，工具将模型中可映射到NPU硬件单元的算子（如LayerNorm、GeLU）保留FP16精度，仅对纯CPU计算的算子（如Embedding Lookup）做INT4量化。结果：Qwen2-1.5B模型体积从2.8GB压缩至720MB，推理速度提升3.2倍，准确率损失仅0.7%（在印尼语电商评论情感分析任务上）。

• 编译器级协同优化：合肥某NPU厂商的编译器（类似TensorRT）内置“模型-硬件匹配引擎”，能根据输入模型的ONNX图结构，自动选择最优的内存布局（如Channel-First vs Channel-Last）、数据搬运路径（避开DDR带宽瓶颈）、计算融合策略（将Conv+BN+ReLU合并为单指令）。我们在越南摩托车配件电商项目中，用该编译器处理Stable Diffusion XL文本编码器，推理延迟从1.2秒降至380毫秒。

这种协同意味着：模型不再是“通用黑盒”，而是与特定硬件深度绑定的交付物。出海团队必须建立“模型-芯片-场景”三维选型矩阵，而非简单罗列参数。

3.2 工具链协同：从“独立工具拼凑”到“交付流水线预埋”

出海项目最耗时的环节，往往不是模型训练，而是本地化适配调试。某团队为巴西银行部署OCR系统，光是解决葡萄牙语特殊字符（如ç, ã, õ）的识别错误，就花了17人天。根源在于工具链割裂：标注工具用Label Studio，训练框架用PyTorch，部署用ONNX Runtime，本地化测试用Python脚本——每个环节都要手动转换格式、校验编码、调试环境。真正的协同是把交付流程“预埋”进工具链：

• 一体化标注-训练-部署平台：深圳某公司推出的“BridgeFlow”平台，从标注阶段就强制要求：所有文本标注必须指定Unicode Normalization Form（NFC/NFD），系统自动校验并标准化；训练时，平台内置多语言Tokenizers（支持ISO 639-1/2代码），自动生成对应语言的词表；导出ONNX模型时，自动插入语言标识符（lang_id）作为输入张量，部署端据此加载对应后处理逻辑（如葡萄牙语需额外处理重音符号归一化）。

• 本地化测试沙箱：平台内置“地域沙箱”功能，可一键创建巴西、墨西哥、阿根廷等拉美国家的测试环境，预装各国常用字体、日期格式、货币符号、手机号正则表达式。测试人员只需上传样本图片，沙箱自动执行全链路测试并生成报告，指出是模型问题（如字符识别错误）还是后处理问题（如日期解析格式不符）。

我们在智利超市项目中使用该平台，本地化适配周期从17人天压缩至3人天。关键不是工具多先进，而是所有环节的数据契约（Data Contract）被统一定义和强制执行。

3.3 硬件层协同：从“通用服务器”到“场景定制整机”

出海硬件采购常陷入误区：买最便宜的x86服务器，再装国产AI卡。但真实场景需求千差万别。我们在埃及部署智慧农业AI系统时，客户要求设备能在沙漠环境（昼夜温差50℃、沙尘浓度>1000μg/m³）连续运行5年，且运维人员只有初中文化水平。通用服务器完全不适用：

• 防沙尘结构设计：整机采用IP65防护等级，前面板无开口，所有接口（网口、电源）采用旋转密封盖，内部风扇加装三层滤网（初效+中效+静电吸附），滤网更换周期设为6个月（附带RFID标签，扫码即显示更换提醒）。

• 极简运维交互：前面板仅保留1个LED状态灯（绿=正常，红=故障，黄=待机）和1个物理复位键。故障时，LED灯按摩尔斯码闪烁（如···---···=SOS），运维人员用手机APP扫描即可获取故障代码及图文指引（如“E201：网卡温度过高，请清洁滤网”）。

• 能源自适应管理：内置光伏充电控制器，支持12V/24V/48V直流输入，可直接接入太阳能板。当市电中断时，自动切换至电池供电，并降低AI推理频率（从10fps降至3fps），确保核心功能（病虫害识别）持续运行。

这套方案由深圳硬件厂、合肥NPU厂商、成都农业AI算法公司三方联合定义，最终形成“智慧农业AI Box”标准产品。它卖的不是硬件，而是“可交付的农业AI能力”。

3.4 合规层协同：从“法务背书”到“技术嵌入式合规”

出海最大的隐形成本，不是硬件或人力，而是合规试错成本。某团队在土耳其部署人脸识别门禁，因未满足《个人数据保护法》第11条“数据主体知情权”，被处以230万里拉罚款。事后复盘发现，问题出在技术实现层：系统弹窗仅显示“请允许访问摄像头”，未说明数据存储位置、保留期限、共享方。真正的协同是把合规要求转化为技术组件：

• 动态合规引擎：杭州某公司开发的“ComplyCore”SDK，集成各国隐私法规知识图谱（如GDPR、CCPA、沙特PDPL）。集成时，开发者只需声明数据类型（如biometric_data）、使用目的（access_control）、存储位置（on_premise），SDK自动生成符合当地法规的用户授权弹窗、数据擦除API、审计日志格式。

• 本地化数据主权代理：在土耳其项目中，我们部署“数据主权代理”（Data Sovereignty Proxy）服务，所有生物特征数据经该代理处理：原始图像在终端完成特征提取（仅上传128维向量），向量数据加密后存入客户本地服务器，代理服务仅保留加密密钥分片（客户持主密钥，我们持备份密钥）。这样既满足“数据不出境”，又保障服务可用性。

• 自动化合规审计报告：每月自动生成PDF报告，包含：数据流向图（含跨境传输路径）、存储位置清单（精确到机柜编号）、访问日志摘要（按角色统计）、风险项提示（如某API未启用HTTPS）。报告格式直接匹配土耳其DPA（数据保护局）模板。

这种协同让合规从“法务部门的事”变成“每个工程师的编码责任”。

3.5 服务层协同：从“远程支持”到“本地化能力共建”

最后也是最容易被忽视的一环：服务交付。很多团队认为“交付完系统就结束”，但海外客户真正需要的是“持续可用的能力”。我们在肯尼亚部署教育AI平台时，客户校长说：“我不需要你们的工程师永远在线，我需要我的老师能自己解决80%的问题。”这催生了“能力共建”模式：

• 本地化知识库共建：交付时，我们与客户共同编写《常见问题解决手册》，内容全部基于真实故障案例（如“学生登录失败：检查路由器DHCP地址池是否耗尽”）。手册采用图文+短视频形式，存储在离线NAS中，教师用平板扫码即可观看。

• 种子教师培训计划：选拔3名骨干教师，进行为期2周的深度培训（含Linux基础、日志分析、简易模型重训练），结业后授予“AI助教”认证。我们提供持续更新的微课（每月1期，主题如“如何用新题库微调数学解题模型”）。

• 轻量级自助诊断工具：开发微信小程序（适配非洲低端安卓机），教师拍照上传故障现象（如黑屏、卡顿），AI自动识别并推送解决方案（如“检测到SD卡写保护，请关闭写保护开关”）。工具离线可用，所有模型和知识库预装在本地。

这套模式使客户系统可用率从首年72%提升至第三年98.3%，而我们的远程支持工时减少65%。生态协同的终点，是让客户成为技术的主人，而非使用者。

4. 实战路径：一个中东电商AI搜索项目的完整拆解

4.1 项目背景与核心约束

2025年3月，我们承接迪拜某头部电商平台（日活500万）的AI搜索升级项目。客户原有ElasticSearch方案存在三大痛点：阿拉伯语搜索准确率仅61%（尤其处理方言如海湾阿拉伯语、马格里布阿拉伯语）；商品图搜响应超3秒；无法理解“送女友生日礼物”这类意图型查询。但客户提出严苛约束：

• 数据主权：所有用户搜索日志、商品图像、用户画像数据，必须存储在迪拜本土数据中心（Etisalat Cloud），不得出境。
• 性能红线：P95延迟≤800ms（含前端渲染），并发支持≥5000 QPS。
• 交付周期：从签约到上线≤12周。
• 运维门槛：客户IT团队仅有3名工程师，无AI运维经验。

这些约束彻底否决了“云上大模型API+本地缓存”的轻量方案，必须构建端到端自主可控的AI搜索栈。

4.2 技术选型与协同设计

我们放弃通用方案，启动“五维协同设计”：

• 模型层：选用阿里Qwen2-VL多模态模型（开源），但与其研究院合作，针对海湾阿拉伯语进行指令微调（Instruction Tuning），重点增强对“礼物”“节日”“宗教禁忌”等文化敏感词的理解。微调数据来自客户脱敏的历史搜索日志（1200万条），使用寒武纪思元370集群训练，耗时48小时。

• 硬件层：采购浪潮NF5468M6服务器（2台），每台配置4张寒武纪MLU370-X8推理卡。关键协同点：寒武纪提供定制固件，支持Qwen2-VL模型的视觉编码器（ViT）与文本编码器（LLM）在单卡内异构计算——视觉部分走NPU，文本部分走CPU，避免跨设备数据搬运。实测单卡吞吐达120 QPS（batch_size=8）。

• 工具链层：采用“BridgeFlow”平台，将客户ERP系统中的商品SKU、价格、库存数据，自动映射为向量数据库（Milvus）的结构化字段。平台内置阿拉伯语分词器（支持MSA与方言混合），自动为每个商品生成多语言描述向量（阿拉伯语+英语）。

• 合规层：集成“ComplyCore”SDK，所有搜索请求自动打上“Dubai-Local”标签，触发本地化数据处理流程：用户IP定位→自动过滤非阿联酋IP→搜索日志加密存储→每日自动生成GDPR兼容审计报告。

• 服务层：交付时，为客户IT团队提供“AI搜索运维看板”（Web界面），实时显示：QPS、P95延迟、错误率、热门搜索词、模型漂移预警（当新搜索词与训练数据分布偏差>15%，自动告警）。看板所有数据源均来自本地Prometheus监控，无需境外连接。

4.3 关键实施步骤与避坑记录

步骤1：本地化数据管道搭建（耗时2周）

• 坑点：客户ERP导出的CSV文件，阿拉伯语字段乱码（UTF-8 with BOM）。我们最初用Python pandas.read_csv()直接读取，导致所有阿拉伯语关键词失效。
• 解法：在ETL脚本开头强制指定encoding='utf-8-sig'，并添加BOM检测逻辑——若文件头含EF BB BF，则自动strip BOM。
• 实操心得：所有中东项目，必须在数据接入层第一行代码就处理BOM问题。我们后来将此逻辑封装为“Arabic-CSV-Loader”标准组件，复用率达100%。

步骤2：模型蒸馏与硬件适配（耗时3周）

• 坑点：Qwen2-VL原模型在MLU370上推理延迟1.2秒，远超800ms红线。尝试通用量化（INT8）后，阿拉伯语识别准确率暴跌至43%。
• 解法：启动“指令集感知蒸馏”：
  1. 用客户真实搜索日志（含10万条“礼物”相关query）构建蒸馏数据集；
  2. 寒武纪编译器自动识别模型中可硬件加速的算子（如ViT的Attention层），保留FP16精度；
  3. 对纯CPU计算的FFN层，采用非对称量化（Weight INT4, Activation INT8）；
  4. 蒸馏目标不仅是输出logits匹配，更加入“阿拉伯语语义相似度损失”（用Sentence-BERT计算）。
     最终模型体积减小62%，延迟压至680ms，准确率维持在89.2%。

步骤3：高并发压力测试与调优（耗时2周）

• 坑点：在5000 QPS压力下，P95延迟飙升至1.8秒，日志显示大量“Connection reset by peer”错误。
• 根因分析：
  • 应用层：FastAPI默认worker数=CPU核心数（32），但MLU370卡需专用进程绑定，导致请求排队；
  • 网络层：Nginx upstream未配置keepalive，每次请求新建TCP连接，消耗大量TIME_WAIT socket；
  • 硬件层：MLU370驱动未启用“批处理模式”，单次请求只能处理1个query，无法利用batch并行。
• 解法组合拳：
  1. FastAPI启动参数改为--workers 8 --threads 4，每个worker绑定1张MLU卡；
  2. Nginx upstream添加keepalive 100;和keepalive_requests 1000;；
  3. 寒武纪驱动启用--batch-size-auto，自动聚合同类型请求（如均为图搜）；
  4. 前端增加请求合并逻辑（客户端SDK将3个以下搜索请求合并为1个batch）。
     最终实测：5000 QPS下P95=720ms，错误率0.02%。

步骤4：本地化交付与知识转移（耗时3周）

• 创新点：“运维看板”不仅是监控，更是教学工具。我们设计了“故障模拟模式”：客户工程师可点击按钮，主动触发预设故障（如“模拟MLU卡温度过高”），看板实时显示告警、日志、恢复步骤。所有恢复操作均提供“一键执行”按钮（后台调用Ansible Playbook），并附带原理说明（如“此操作将重启MLU驱动，清除GPU内存碎片”）。
• 效果：客户IT团队在第4周已能独立处理90%的告警，第8周通过考核，获得“AI搜索运维认证”。

4.4 项目成果与可复用经验

• 核心指标达成：上线首月，阿拉伯语搜索准确率提升至86.7%（+25.7pp），图搜响应降至780ms（-220ms），意图理解准确率91.3%（原方案为0%）。
• 商业价值：客户GMV提升12.3%（归因分析显示，AI搜索贡献了其中7.8%），客服咨询量下降34%。
• 可复用经验包：
  • 中东AI项目Checklist：BOM编码处理、海湾阿拉伯语分词器、本地化数据主权代理、MLU卡批处理调优参数；
  • 五维协同交付模板：含模型-芯片适配报告、工具链数据契约文档、合规引擎配置指南、本地化运维看板源码；
  • 客户能力共建SOP：含种子工程师培训课件、故障模拟题库、认证考试题库。

这个项目证明：AI出海不是技术单点突破，而是五维能力的系统性咬合。当模型开发者、芯片厂商、工具链公司、合规专家、服务团队在同一张作战地图上协同，才能把“算力反超”转化为“交付确定性”。

5. 常见问题与一线排查技巧实录

5.1 “算力反超”落地中最常踩的7个坑

5.2 五维协同中的“隐性冲突”与化解策略

协同最大的风险，不是技术不行，而是各方目标错位。我们在三个项目中遭遇典型冲突：

• 模型团队 vs 芯片团队：模型团队追求SOTA（State-of-the-Art）指标，坚持用最新大模型；芯片团队强调部署可行性，要求模型参数量≤1B。化解策略：设立“协同KPI”——双方共同签署《交付模型规格书》，明确最大参数量、最低精度阈值、最高延迟要求，KPI达成后才发放里程碑付款。

• 工具链公司 vs 客户IT团队：工具链公司倾向“全自动”，希望客户零配置；客户IT团队要求“全可控”，坚持每个配置项可手动修改。化解策略：提供“双模式”：默认启用Auto-Mode（一键部署），同时开放Advanced-Mode（所有配置文件可编辑），并在UI上清晰标注“此配置修改将影响XX功能”。

• 合规专家 vs 产品经理：合规专家要求所有数据加密，导致前端加载慢；产品经理坚持用户体验优先。化解策略：引入“分级加密”：用户身份标识（UID）等核心字段强加密（AES-256），商品名称等非敏感字段弱加密（SHA-256哈希），在合规与体验间找平衡点。

这些冲突没有标准答案，但有一条铁律：所有协同必须落实到可执行、可审计、可追责的书面约定，而非口头承诺。

5.3 一线工程师的12条血泪经验

1. 永远先测BOM：中东、东南亚项目，第一行代码必须处理UTF-8 BOM，否则后续所有努力归零。
2. 不要相信“标称TDP”：实地测量机柜内温度，用红外热像仪拍下热点图，比厂商数据可靠100倍。
3. RoCEv2不是魔法：在跨境链路上，它比TCP更脆弱，务必准备降级方案（如UDP隧道）。
4. 本地化不是翻译：阿拉伯语搜索必须支持方言混合，葡萄牙语OCR必须处理重音符号归一化。
5. 客户IT团队不是对手：把他们培训成战友，比自己加班三个月更有价值。
6. 合规文档不是摆设：每份审计报告必须能直接提交给当地监管机构，格式、签名、水印缺一不可。
7. 模型压缩不是越小越好：在客户真实场景数据上测试，而非公开benchmark。
8. 交付不是终点：预留20%工时做“交付后优化”，解决客户上线后的真实痛点。
9. 硬件选型看OEM，不看芯片：同一芯片不同OEM的散热、供电、固件差异巨大。
10. 工具链必须带“沙箱”：让客户在隔离环境中试错，比远程指导高效10倍。
11. 所有API必须带lang_id：这是多语言系统可维护性的生命线。
12. 记住：客户买的不是AI，是解决问题的能力——所有技术选择，最终要回归这一点。

我在迪拜项目收尾时，客户CTO递给我一杯阿拉伯咖啡，指着屏幕上实时跳动的搜索准确率曲线说：“现在我知道，你们卖的不是模型，是确定性。”这句话，比任何奖项都重。AI出海的终极战场，从来不在算力参数表上，而在客户每天打开APP时，那0.1秒的等待里——你能否让这0.1秒，稳如磐石。