AI算力大洗牌！巨头从拼规模转向拼效率

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。

OpenAI也在与博通（Broadcom）合作开发自有AI加速器。对于头部模型厂商而言，围绕自身模型特征设计专用芯片，可以进一步降低推理成本、提高算力利用效率，因此具有较强的商业驱动力。

与此同时，大量初创企业也在围绕不同架构探索AI加速器。传统电子计算架构之外，光计算等新型技术路线也在尝试打开新的效率空间。

从GPU到TPU、Trainium，再到模型专用ASIC，AI算力基础设施正由相对单一的通用GPU体系，逐渐转向更加多元化的计算架构。其背后的共同目标，是以更少的芯片和更低的功耗完成更多计算任务。

当供应不再紧缺：AI产业链将迎来新一轮洗牌

当前AI基础设施仍处于供给相对紧张阶段，掌握算力、存储、电力以及光通信关键资源的企业因此获得了较强的议价能力和盈利空间。

但随着各环节持续扩大资本支出，新增产能将在未来几年逐步释放。届时，当前由供给紧张形成的高盈利水平能否持续，将成为产业链需要重新面对的问题。

从现有产业格局来看，几类企业具备相对突出的竞争优势。

首先是Anthropic、OpenAI和谷歌Gemini等前沿模型厂商，其掌握模型能力和用户入口；其次是谷歌、亚马逊和微软等超大规模云厂商，其不仅拥有庞大的算力基础设施，也在持续开发自有AI芯片；英伟达和AMD则向模型厂商及云厂商提供GPU及机架级AI基础设施；台积电位于更上游，为大量AI加速器提供先进制程制造能力。

这些企业在技术、规模、客户资源及供应链控制能力方面具备较高壁垒，因此更有能力应对未来可能出现的供需波动。

但部分当前高度受益于AI供给紧张的产业环节，未来也可能面临更明显的周期压力。

以定制AI芯片为例，博通和美满目前在ASIC产业链中具备重要地位，但云平台、模型以及AI加速器整体架构的主导权仍掌握在超大规模云厂商手中。随着大型云厂商强化自研能力并引入更多供应商，相关芯片设计服务未来的竞争压力可能随之加大。

存储市场同样如此。AI需求推动HBM成为当前存储行业最重要的增长动力之一，但存储厂商能否弱化传统DRAM业务的周期属性，关键仍在于HBM能否进一步向定制化方向发展。

随着AI加速器针对不同工作负载进行优化，HBM也需要在带宽、功耗、堆叠方式以及封装等方面进行更深入的协同设计。这有望推动存储厂商从传统标准化产品供应，逐步向更高附加值的协同设计转变，从而一定程度上降低周期波动的影响。

AI数据中心从铜互连向光互连演进，也推动InP（磷化铟）激光器等产品需求快速增长。但随着未来产能扩张，相关企业能否持续通过差异化产品保持盈利能力，同样值得关注。

类似风险也存在于CoreWeave、Nebius等新型云服务商（neoclouds）。其当前的重要优势，在于AI算力最紧张时期提前获得大量GPU资源，并与急需算力的大型客户签署长期合同。

但随着谷歌、微软、亚马逊等超大规模云厂商部署的大量自有算力逐步投入使用，大型企业可能优先利用自身基础设施。届时，新型云服务商的算力利用率、议价能力以及盈利模式都将面临更大考验。

因此，当前的供应短缺既创造了巨大的产业机会，也可能掩盖部分商业模式中的长期风险。当供需关系重新趋于平衡，真正决定企业竞争力的，将不再只是能否获得资源，而是成本、技术差异化、客户黏性以及持续创新能力。

AI增长不会停止，竞争焦点正在转向效率

总体来看，供应链约束并未改变数据中心AI持续扩张的趋势，但正在改变行业实现增长的方式。

一方面，头部企业已经提前锁定大量关键算力及供应链资源；另一方面，模型优化、小语言模型、自研ASIC以及更高效的基础设施，正在持续提高单位算力、单位功耗和单位晶圆所能够实现的计算产出。

这意味着，AI基础设施竞争正在从单纯追求算力规模，逐步转向对整体效率的竞争。

当未来供给逐步追上需求，仅依靠资源稀缺性获得的高利润将难以长期持续。届时，成本控制、技术差异化、客户黏性和资源利用效率，将成为决定企业竞争力的关键。

未来几年，AI数据中心仍将持续增长，但产业链的竞争逻辑或将从“谁能获得更多资源”，逐步转向“谁能用更少的资源完成更多AI计算”。（校对/赵月）