AI算力大洗牌！巨头从拼规模转向拼效率

栏目:行业资讯来源:网站管理员时间:2026-08-21 16:44 热度:4

来源：爱集微时间：2026-8-21

随着AI基础设施持续扩张，算力、先进存储、电力以及光通信等关键资源的供给压力愈发突出。未来两到五年，如何提高资源利用效率，将成为数据中心AI维持增长的关键。但更值得关注的是，当供给能力逐步追上需求后，当前建立在资源紧缺基础上的产业格局又将发生怎样的变化？

近期，各大云巨头相继发布财报，并进一步上调资本支出计划。在亚马逊7月30日的财报电话会议上，该公司CEO安迪·贾西（Andy Jassy）表示，需求将持续强劲至2028年，但相关投资回报需要数年时间才能逐步体现。

在本轮AI基础设施扩张周期中，率先布局、资本实力更强的企业已经优先锁定大量关键供应资源。面对持续存在的供应链约束，提高现有资源及新增资源的利用效率，正成为最直接的应对方式。与此同时，从闲置算力共享、模型优化，到专用AI芯片和新型计算架构，产业链也在通过多种路径寻找新的增长空间。

盘活闲置算力：从资源争夺转向资源共享

部分企业由于前期锁定了较大规模的算力和电力资源，在自身需求尚未完全释放的阶段，也开始将部分富余资源向外提供。

例如，SpaceX与xAI合并后，利用部分冗余算力推进多项AI基础设施合作。其中，与Anthropic达成价值450亿美元的合作协议，提供22万块英伟达GPU及300兆瓦的电力配套。

Meta近期也宣布，将出售或出租部分富余AI算力资源。

这意味着，在AI基础设施供给仍然紧张的阶段，算力资源的配置方式正在发生变化。企业不再仅仅通过持续采购硬件扩大计算能力，部分提前锁定资源的科技巨头开始通过对外出租、长期合作等方式，提高现有基础设施的利用率。

对于行业而言，这种模式能够缓解部分阶段性的算力供需错配；对于资源持有方，则有助于提高基础设施利用率，并加快资本投入的回收。

模型效率竞赛：用更低成本释放更多算力

除了提高基础设施利用率，另一个重要方向是降低完成同一任务所需要的算力成本。

当前企业端AI需求仍在持续增长，但大规模商业化应用整体仍处于较早阶段。尤其是智能体AI（Agentic AI）进一步发展后，模型调用频率和token消耗量预计还将明显增加，这使模型效率和推理成本成为企业部署AI时越来越重要的考虑因素。

前沿模型厂商自身也在持续提高算力利用效率。SemiAnalysis数据显示，Anthropic每兆瓦（MW）的年化收入运行率（ARR）在9个月内提升了4倍。这反映出随着模型、软件栈以及基础设施不断优化，相同电力和算力资源能够支撑的AI业务规模仍有提升空间。

与此同时，并非所有企业级任务都需要调用最高规格的模型。对于标准化、重复性较高的场景，采用成本更低的模型，往往能够获得更高的投入产出比。

例如，GPT-5.5的定价为每百万token 30美元，而GPT-5.4为每百万token 15美元，DeepSeek V4则低于每百万token 1美元（数据来源：OpenRouter）。高性能模型更适合复杂推理及高难度任务，但企业可以根据具体任务灵活选择不同级别的模型，降低整体算力支出。

Coinbase首席执行官布莱恩·阿姆斯特朗（Brian Armstrong）于6月在X平台透露，公司将工程师默认使用的模型更换为智谱AI的GLM 5.2与月之暗面的Kimi K2.7后，内部AI支出减少了近一半。

对于任务量大、应用场景高度重复的企业，小语言模型（SLM）同样提供了另一种思路。相较覆盖大量通用能力的大语言模型，小模型可以围绕具体业务进行训练，在显著压缩模型规模的同时满足特定任务需求。

从这一趋势来看，AI模型竞争已经不再只是比拼参数规模和性能上限，而是逐步转向如何以更低成本完成相同任务。模型路由、小语言模型以及定制化模型，都将成为释放现有算力价值的重要手段。

从GPU到ASIC：AI算力架构加速走向多元化

模型之外，底层硬件效率同样是突破算力供应瓶颈的重要方向。

英伟达每一代GPU都在持续提高单位功耗和单位成本下的计算性能。能够获得Vera Rubin平台的企业，在处理复杂AI工作负载时，有望以相同的电力和基础设施投入获得更多token产出。

不过，GPU的核心优势在于较强的通用计算能力，而并非所有AI任务都需要如此高的通用性。对于任务特征明确、运行规模稳定的AI工作负载，专用芯片往往能够实现更高的性能功耗比。

因此，围绕特定AI工作负载优化芯片架构，已经成为产业链的重要发展方向。

谷歌在TPU（张量处理单元）领域已有多年研发积累，亚马逊则持续推进Trainium芯片。两家公司目前均在扩大相关芯片的部署规模。

亚马逊近期在财报电话会议上透露，Trainium的年化收入运行率已经超过250亿美元，并表示内部工作负载采用自研芯片后，每美元和每瓦特对应的吞吐量均得到提升。

谷歌还在推进一款代号为“Frozen v2”的芯片项目，计划将Gemini模型的部分功能直接固化到硅片中，目标最早于2028年推出。据The Information报道，该芯片每瓦特能够处理的token数量预计较现有硬件提升6至10倍。

如果这一技术路径能够实现规模化部署，谷歌不仅能够降低Gemini相关工作负载的运行成本和功耗，也能够在先进制程晶圆资源有限的情况下，提高单位晶圆对应的计算吞吐量。