AI 基建去泡沫：谁的算力中心会在 2026 年前后被时代抛弃？

【摘要】算力狂热退潮，结构性过剩显现，2026年将是智算中心生死大考，无应用支撑的项目面临淘汰。

引言

过去两年，全球科技行业经历了一场罕见的“算力饥渴”。GPU 被奉为硅基时代的“石油”，企业抢购 H100 的疯狂程度不亚于淘金热。只要手里有卡，似乎就握住了通往 AGI（通用人工智能）的门票。2022 年到 2023 年，我们看到的是不计成本的投入，是恐慌性的囤货，是“宁可买错，不可错过”的焦虑。

时间来到 2024 年底至 2025 年初，风向变了。虽然宏观数据依然显示算力需求在增长，但在微观层面，焦虑的性质已经发生了根本性逆转。从“抢不到算力”变成了“算力怎么用才划算”，甚至在部分区域出现了“算力卖不出去”的尴尬局面。微软取消部分数据中心租约、Meta 裁撤基础模型团队、腾讯收紧资本开支增速，这些信号都在指向同一个事实：行业正在从“盲目基建”进入“理性算账”阶段。

作为一个在架构领域摸爬滚打十五年的从业者，我必须指出，算力中心面临的风险并非全行业的崩盘，而是一场残酷的结构性出清。真正的危机不在于算力本身有没有用，而在于我们建设的算力形式、位置和成本结构，是否匹配 2026 年前后的真实业务需求。本文将从技术架构、资本逻辑和产业周期三个维度，深度剖析这场正在发生的“去泡沫”运动。

🛑 一、 供需温差：宏观增长下的微观寒意

外界看算力市场，看到的是 IDC 预测的千亿规模增长；行内人看算力市场，看到的是局部过热与库存积压并存的怪象。这并非全面过剩，而是严重的结构性错配。

1.1 数据的两面性：大厂扩容与中小厂闲置

我们先看一组对比鲜明的现象。一方面，AWS、Azure、Google Cloud 依然在签署长期的电力和土地合同，甚至在探索核能供电以满足未来十年的需求。另一方面，大量在 2023 年跟风成立的“第三方智算中心”或“算力租赁公司”，现在的日子并不好过。

这种温差的根源在于算力的可用性分级。

Tier 2 级别的算力中心，往往是由跨界资本（如房地产、传统制造业）投资建设。它们仅仅完成了“买服务器”这一步，却忽略了智算中心的核心不是硬件，而是让硬件协同工作的能力。当大模型训练对网络稳定性要求极高时，这些缺乏技术积淀的算力池根本无法承接高端需求，只能沦为低端渲染或挖矿的替代品，最终导致闲置。

1.2 资本开支（Capex）的逻辑重构

过去两年，大厂的 Capex 逻辑是“占坑”。只要是 GPU，先买回来再说，利用率低一点没关系，战略威慑力要有。

现在，Capex 的逻辑变成了“ROI（投资回报率）导向”。

• 微软的撤退信号：微软取消部分数据中心租约，并非没钱，而是发现单纯堆砌通用数据中心无法满足 AI 的特殊需求，或者预判现有模型规模的边际效益正在递减。

• 腾讯的务实策略：腾讯财报明确显示资本开支增速放缓，强调每一分钱都要看到业务增长。这代表了互联网巨头从“军备竞赛”回归“商业本质”。

这种转变对上游供应链是巨大的冲击。对于那些指望大厂“无限兜底”的算力建设方来说，最大的买家突然开始挑剔了，原本激进的扩容计划瞬间变成了烫手山芋。

1.3 隐形的库存：闲置算力去哪了？

还有一个不容忽视的现象是算力的“影子库存”。在 2023 年恐慌期，许多非科技企业、科研机构甚至高校都超额采购了 GPU。

如今，这些算力并未完全转化为生产力。由于缺乏配套的算法团队和数据资源，大量 A100/H800 处于半闲置状态。这些闲置资源正在通过各种“算力中介”回流市场，进一步冲击了新建算力中心的定价体系。当市场上充斥着大量低价的、碎片化的二手算力时，新建的高成本智算中心将面临巨大的回本压力。

📉 二、 算力“中介化”：价格战的导火索

算力市场正在经历类似房地产市场的“二手房冲击”。过去你只能找英伟达或云厂商买，现在你可以找中介租，甚至可以按小时租。

2.1 算力即服务（CaaS）的泛滥

Vast.ai、Genesis Cloud 以及国内涌现的各类算力调度平台，正在将算力大宗商品化。这些平台打通了供需双方的信息壁垒，让闲置算力得以流通。

从技术角度看，这提高了资源利用率。但从商业角度看，这对重资产投入的算力中心是毁灭性打击。

• 价格透明化：过去算力租赁是黑盒定价，利润空间巨大。现在在聚合平台上，价格一目了然，比价效应导致价格螺旋下跌。

• 利润坍塌：2023 年一张 H800 的租赁价格可能高达每小时数美元，且需长租。现在，随着供应增加和中介平台的竞价，价格已大幅回落。对于那些按高位价格模型计算回报周期的投资者来说，这意味着回本遥遥无期。

2.2 二级市场的灰色流通

除了正规的租赁平台，灰色的二级市场也在暗流涌动。

我们观察到，部分因资金链断裂或项目烂尾的智算中心，开始拆机卖卡。这些流入市场的 GPU 变成了“现货”，进一步挤压了正规渠道的出货空间。

更危险的是，这种流通打破了“算力永远稀缺”的信仰。一旦市场形成“算力随时能买到，而且越来越便宜”的预期，下游客户就会推迟签约，改用短租或按需付费。这对于依赖长期合同来覆盖基建成本的算力中心来说，是致命的现金流错配。

2.3 运营能力的降维打击

在“中介化”时代，单纯拥有硬件不再是护城河。

活下来的关键变成了运营效率：

• 你能否将 GPU 利用率从 40% 提升到 80%？

• 你能否通过虚拟化技术切分算力，同时服务多个小客户？

• 你能否提供开箱即用的模型部署环境，降低客户门槛？

那些只会“卖裸金属服务器”的算力中心，在这一轮价格战中将毫无还手之力。它们就像是只有房子没有物业管理的烂尾楼，注定被市场抛弃。

🏗️ 三、 架构错配：训练与推理的分野

很多投资人并不懂技术，他们认为“算力就是算力”。但在架构师眼中，**训练（Training）和推理（Inference）**是两种截然不同的负载。当前的算力基建泡沫，很大程度上源于对这两种需求的误判。

3.1 训练集群的“过度设计”危机

过去两年建设的智算中心，绝大多数是奔着“大模型训练”去的。其架构特点是：

• 高互联带宽：配备昂贵的 InfiniBand 网络，追求极致的节点间通信速度。

• 高精度计算：大量采购 FP64/FP32 性能强劲的高端卡。

• 高能耗密度：单机柜功率极高，依赖液冷等昂贵散热方案。

然而，大模型训练的需求是金字塔尖的。全球真正有能力、有资源从头训练千亿参数大模型的公司，加起来不超过 50 家。当这 50 家公司的军备竞赛告一段落，或者市场格局固化后，剩下的海量训练算力卖给谁？

3.2 推理需求的架构不兼容

未来的海量需求在推理侧。当 AI 应用大规模落地，我们需要的是低延迟、高并发、低成本的推理算力。

用训练集群跑推理，就像开法拉利送外卖：

• 成本过高：InfiniBand 网络在推理场景下是严重的资源浪费。

• 精度溢出：推理往往只需要 FP16 甚至 INT8 精度，高端训练卡的 FP64 能力完全闲置。

• 灵活性差：训练集群通常是整租，而推理需求是碎片化、弹性的。

那些只盯着“万卡集群”搞大炼钢铁的算力中心，在 2026 年将面临巨大的转型困境。它们昂贵的硬件设施无法在对成本极其敏感的推理市场中竞争。

3.3 兼容性陷阱

还有一个技术细节常被忽视：CUDA 生态的锁定与解绑。

许多智算中心为了省钱或规避制裁，采购了非英伟达芯片（如某些国产加速卡）。这在训练阶段可能通过定制化开发勉强跑通，但在推理阶段，面对海量的、快速迭代的开源模型和应用，软件栈的兼容性成本极高。

如果一个算力中心无法做到“模型拿来即跑”，它就无法承接长尾市场的推理需求。这种**“软件栈烂尾”**比硬件烂尾更难解决，因为它需要持续的高级人才投入，而这正是基建型公司最缺乏的。

🧩 四、 边缘计算的逆袭：云端算力的最大变量

如果说架构错配是内部隐患，那么**端侧 AI（Edge AI）**的崛起则是外部最大的黑天鹅。

4.1 云端算力的不可持续三角

目前 AI 应用主要依赖云端处理，但这面临着“成本-延迟-隐私”的不可能三角：

1. 带宽成本：将高清视频流实时传回云端处理，带宽费可能比算力费还贵。

2. 延迟瓶颈：自动驾驶、工业控制等场景无法容忍几百毫秒的网络延迟。

3. 隐私顾虑：企业和个人越来越不愿意将核心数据上传到公共云。

4.2 算力下沉的必然趋势

2025-2026 年被普遍认为是端侧 AI 的爆发期。随着高通、联发科、英特尔在 NPU 上的激进推进，手机、PC 和汽车的本地算力正在指数级增长。

当 70 亿参数的模型可以在手机上流畅运行时，原本需要云端处理的请求将被大量拦截在本地。这意味着：

• 云端推理需求被分流：原本预期的云端推理增长曲线将变得平缓。

• 算力中心定位改变：云端将主要负责超大模型的训练和兜底推理，而海量的日常交互将发生在端侧。

4.3 对基建的冲击

如果我们在 2024 年按照“所有 AI 都在云端跑”的假设去建设算力中心，那么到 2026 年，当端侧 AI 普及，这些中心将面临利用率断崖式下跌。

特别是那些位于偏远地区、网络条件一般、主打低端推理服务的算力中心，它们既做不了高端训练，又抢不过零延迟的端侧算力，最终只能成为时代的弃子。

🦅 五、 英伟达的恐惧：从卖铲子到控矿山

春江水暖鸭先知。作为算力霸主，NVIDIA 的动作最能说明问题。黄仁勋比任何人都清楚，单纯卖硬件的生意是有周期的，而且泡沫终将破裂。

5.1 投资版图的玄机

近期 NVIDIA 疯狂投资软件、生物医药、EDA 甚至机器人公司。这不仅仅是财务投资，更是战略对冲。

• 软件化：通过 CUDA 和 NIM（NVIDIA Inference Microservices），英伟达试图将自己变成一个软件平台。它希望你不仅买它的卡，更离不开它的软件生态。

• 全栈化：从芯片到交换机（NVLink），再到服务器设计（DGX），英伟达正在吃掉整个数据中心的利润。

5.2 为什么英伟达要“控矿山”？

英伟达通过向 CoreWeave 等核心合作伙伴注资，甚至优先供货，实际上是在控制算力的分发权。它不希望算力掌握在那些不懂运营、只想倒买倒卖的投机者手中。

英伟达的恐惧在于：如果下游应用（App）赚不到钱，上游的卡就卖不动。因此，它必须亲自下场，扶持那些能产生真实商业价值的应用场景（如自动驾驶、药物研发）。

这给我们的启示是：连卖铲子的人都在担心挖不到金子，我们这些买铲子的人，如果还只盯着铲子本身（算力规模），而不去想怎么挖金子（应用落地），那就是在裸泳。

☠️ 六、 烂尾画像：哪些算力中心注定被淘汰

基于上述分析，我们可以清晰地描绘出 2026 年前后可能“烂尾”的高风险算力中心画像。如果你手中的项目符合以下特征，警钟已经敲响。

6.1 “政绩工程”型智算中心

• 特征：由地方主导，为了招商引资或政绩指标强行上马。选址缺乏产业支撑，本地没有 AI 企业，也没有数据源。

• 死因：缺乏运营能力。建成后发现没有本地客户，想做远程租赁又拼不过专业的云厂商，最终沦为参观展示厅，设备在通电空转中折旧。

6.2 “单腿走路”的定制园区

• 特征：深度绑定某一家大模型独角兽或单一互联网大厂，为其量身定制机房和网络。

• 死因：客户风险传导。AI 创业公司的死亡率极高。一旦该大客户资金链断裂或业务调整（如转投自建），园区瞬间失去 90% 的收入来源，且由于定制化程度高，很难快速改造适配新客户。

6.3 “二房东”模式的机房

• 特征：没有技术团队，没有云平台，没有生态服务。商业模式简单粗暴：租机柜、买服务器、加价转租。

• 死因：价格战牺牲品。在算力中介化和云厂商降价的双重挤压下，这类中心的利润将被压缩至负数。它们无法提供增值服务（如模型调优、数据清洗），客户粘性极低。

6.4 高能耗的“电老虎”

• 特征：PUE（能源使用效率）设计落后，位于电价高昂地区，未考虑液冷改造。

• 死因：运营成本失控。随着芯片功耗激增（Blackwell 架构功耗更高），电力成本将占到运营成本的 60% 以上。在算力价格下行周期，高昂的电费将直接击穿盈亏平衡点。

⏳ 七、 2026年：算力基建的“期末大考”

为什么是 2026 年？

这是一个多重周期叠加的时间节点：

1. 交付周期：2023-2024 年疯狂立项的万卡集群，经过 2-3 年的建设，将在 2026 年集中交付。供给将达到峰值。

2. 折旧周期：早期采购的 A100 等设备进入折旧中后期，性能开始落后，需要更新换代，资金压力倍增。

3. 技术周期：端侧 AI 技术成熟，开始大规模分流云端负载。

4. 商业周期：资本市场对 AI 公司的耐心耗尽，不再听 PPT 故事，要求看到正向现金流。

在这一年，市场将进行一次残酷的再定价。

• 通过考试的：是那些拥有稳定行业客户（如自动驾驶车队、科研机构）、具备全栈运营能力、能效控制优秀的算力中心。它们将成为真正的“新型基础设施”。

• 被淘汰的：是那些空有规模、没有生态、成本高企的“算力仓库”。它们将面临资产减值、重组甚至破产清算。

结论

算力不会烂尾，但错误的算力投资会。

我们正在经历的，不是 AI 时代的终结，而是 AI 基建从“野蛮生长”向“精耕细作”的转型。未来的算力中心，不再是简单的堆砌 GPU，而是需要像经营一家高科技工厂一样，精细化管理每一瓦特电力、每一毫秒延迟和每一个算力单元的产出。

对于从业者和投资者而言，现在是时候停止对“规模”的迷信，转而关注“效率”与“落地”了。毕竟，在退潮的时候，没人想成为那个被留在沙滩上的人。

📢💻 【省心锐评】

算力不是囤出来的，是用出来的。2026年不看谁卡多，看谁能把卡变成钱。别让你的机房，变成昂贵的电子废墟。