42 篇博文 含有标签「Vendor Strategy」

对一家 2026 年的 AI 创业公司来说，算力决策不是技术问题，是一个利用率问题。多家独立分析在 2026 年给出的阈值惊人一致：持续利用率在约 40% 以下，租用几乎总是更便宜；超过约 55% 至 65%，自建或共置才开始在三到三十六个月的维度上赢。你需要做的是准确估计自己的利用率，而不是选择你更偏好的那个答案。

一、先把「利用率」算出来，而不是猜出来​

2026 年的盈亏平衡测算给了一个可复现的算例。取一台 H100 新机价格区间 2.5 万至 4 万美元的中值 3 万美元，专业托管费用约每 GPU 小时 0.35 美元（含电费），同等级设备租用约每小时 2.50 美元——交叉点大约在 1.4 万 GPU 小时：100% 利用率下约 19 个月，40% 利用率下约四年。 若把两年残值按 40% 至 50% 计入，有效盈亏平衡点缩短约三分之一。

二手市场的保值能力是被低估的变量：二手 A100 在推出数年后仍以 4000 至 9000 美元交易。

所以第一步不是选卡，是拉数据。 把过去 8 周的训练与推理任务全部导出来，算出「实际运行 GPU 小时 / 可用 GPU 小时」。这个数字低于 40%，你就该继续租。

二、五阶段演进路径​

自建的另一个门槛是 token 量本身：公开分析给出的阈值是，70B 级模型在每月 5 亿至 8 亿 token 以上时，自建的推理开支相比前沿 API 标价可降低 65% 至 80%。低于这个量级，运维成本摊不薄。

三、买租交叉点的三种测算口径​

2026 年各家给出的交叉点略有不同，因为假设不同。三个口径值得分别记住：

实操建议：按中性口径（55% 至 60%）做决策，按保守口径（40%）做否决。 如果你的测算结果落在 40% 到 55% 这个灰区，答案通常是第三条路——共置。

四、第三条路：买硬件但不自建机房​

公开分析中反复出现的一个洞察是：买租二选一的框架默认了「买 = 自建机房」，而这个假设往往是错的。 运营方正走的折中路径是：买下硬件，把它放进同一座提供合同电力、液冷和运行时间的设施里。这条路在「拥有」那一栏加上了托管费（上述算例中约每 GPU 小时 0.35 美元），同时消除了自建的每一条运维异议——电力、制冷、网络、以及凌晨三点的故障。

对超过 40% 负载的稳定工作负载，这通常是可用的最低总成本路径。 托管价格的市场区间是每机柜每月 1200 至 2500 美元（海外标准），机位托管另按 40 kW 液冷机柜、机位租金约 1.5 万元 / 月加电费约 8640 元 / 月的国内口径测算。

五、四季度特有的两条变量​

1. 云端长约的折扣窗口在放大。 2026 年 10 月初的公开报价显示，H100 在 Azure 的 1 年承诺约比按需低 36%、3 年承诺低 56%；Google Cloud 对应为约 31% 与 56%。主流云的 1 至 3 年 GPU 预留合约通常可在按需价基础上打 30% 至 55% 的折扣。如果你的利用率在灰区，签长约比自建更安全。
2. 硬件价格仍在波动上行。 2026 年 9 月国内渠道数据显示，RTX 5090 风扇卡在华南涨至 47100 元，较 9 月初上涨 12%，而 5090 服务器月租费率仍稳定在 1.35 至 1.6 万元；L20 48GB 报价超过 32000 元。硬件买家正在吸收成本，租户没有——这个价差会收窄，但今天买硬件是在为明天的稀缺付溢价。

六、四条决策纪律​

• 利用率低于 40%，一律租。 不要用「资产归属」的叙事说服自己。
• 灰区（40% 至 60%）选共置。 买硬件、不自建机房，避开自建的每一条运维承诺。
• 数据不能出厂，选项就变了。 医疗、法律、金融数据或合同约束下的算力需求，是硬需求不是偏好——哪怕账面上租更便宜。
• 别在通胀的市场里押注单卡。 2026 年的一个合理策略组合是：中端本地卡（如约 1150 美元级别的 16GB 消费级卡）负责日常迭代、调试和小规模微调，云端负责显存不够或长跑的任务。本地卡承接 80% 的日常工作、云端承接那 20% 本来会逼你买旗舰卡的任务——这是当下风险最低的路径。

一句话总结：2026 年 AI 创业公司的算力策略只有一句话——先量利用率，再选路径。低于 40% 就租，灰区就共置，超过 60% 才自建。而四季度特殊的地方在于：云端长约能省三到五成，硬件却在涨，两边的价差正在逼你做出更早的决定。

截至 2026 年 10 月，国产 AI 芯片的资本化进程已经进入第二阶段：不再是「谁能上市」，而是「上市后多久就要再融资」。壁仞科技 10 月 8 日宣布的配售，是这一轮融资节奏中最新的一个样本。

壁仞科技：上市十个月，三次融资​

壁仞科技于 2026 年 1 月 2 日在港交所上市，发行价 19.60 港元，募资净额约 62.04 亿港元，成为港股「国产 GPU 第一股」，当时计划将 85% 募集资金投向 GPGPU 芯片及相关软硬件平台研发，仅 5% 投向产品商业化。

此后节奏明显加快。7 月按每股 46.20 港元配售 1.53 亿股新 H 股，募资净额约 70.4 亿港元。10 月 8 日公司再公告，按每股 31.08 港元向不少于 6 名承配人配售 1.3 亿股新 H 股，所得款项总额约 40.4 亿港元，净额约 40.2 亿港元，占已发行 H 股约 9.54%、扩大后总股本约 4.76%，中金香港证券与 UBS 香港担任配售代理。

本次配售价较 10 月 7 日收市价 34.44 港元折让约 9.76%，较前五个交易日平均收市价 36.03 港元折让约 13.73%。公告当日公司股价大跌 11.85%，收于 30.36 港元，总市值约 789.38 亿港元。上市以来累计募资约 172.61 亿港元，居国产 GPU 上市公司首位。

配售用途的重新分配最能说明行业重心迁移：本次净额中约 70% 用于新一代产品的战略供应链采购、生产准备及商业化，20% 用于提升研发能力与软件生态，10% 用于营运资金。上市之初以研发为主导，如今供应链与量产准备成为第一优先级。

「爆单」与盈利拐点​

资本动作背后是基本面拐点。2026 年上半年，七家国产算力相关公司收入接近翻倍，多家半年收入已超过去年全年——海光信息以 90.99 亿元营收居首，同比增长 66.52%；摩尔线程上半年收入 17.36 亿元；壁仞、燧原的半年收入同样超过去年全年。

利润表分化明显：海光信息与寒武纪已进入规模化主营盈利阶段，上半年归母净利润分别为 17.98 亿元和 23.11 亿元；摩尔线程归母净亏损收窄至 1156 万元；沐曦、天数智芯报表扭亏；壁仞、燧原收入快速起量但仍处投入期。壁仞科技上半年毛利 5.27 亿元，同比增长 2708.5%，毛利率提升至 42.7%，较上年同期增加约 10.8 个百分点，期内亏损 3.77 亿元，同比收窄 76.4%，研发开支 8.04 亿元，同比增长 40.7%。

值得注意的是，国产芯片放量并未陷入低价换市场：寒武纪、海光、摩尔线程、沐曦毛利率均维持在 55% 以上，说明供需偏紧格局下国产芯片仍保有议价能力。

推理成为第二入口​

需求结构的变化在收入明细里看得最清楚。天数智芯上半年推理系列收入 6.54 亿元，同比增长 651.8%，已超过训练系列的 2.62 亿元，并接近 2025 年全年推理收入的两倍。随着搜索、推荐、智能客服、智能体等应用放量，推理正成为更稳定、更高频的算力消耗。

商业化形态也在升级，从「卖一张卡」走向「交付一套系统」。寒武纪云端产品线收入占比 99.98%；海光 DCU 完成 400 余款主流大模型适配；摩尔线程夸娥智算集群已在北京、无锡、杭州等地部署，并获京东云万卡级订单；沐曦提出「1+6+X」生态战略；壁仞科技联合产业链伙伴实现数千卡规模的光互连超节点部署。

新产品与政策窗口​

壁仞科技在 10 月公告中同步披露，新一代产品 BR20X 已成功点亮，完成启动测试并进入流片后验证阶段，进度快于此前配售时的预期，正与客户就新一代产品部署进行接洽并制定大规模生产计划。按产业节奏，新产品有望于 2026 年第四季度进入回片验证及送测，2027 年实现规模化部署。这也是公司称需要提前采购并预留产能的直接原因。

政策层面，工信部「十五五」规划明确，到 2030 年我国智能算力规模较 2025 年增长超 5 倍，有序部署万卡、十万卡及以上智算集群，并加大力度适配国产算力芯片。

研判​

国产 AI 芯片的竞争已经从「能不能做出来」转入「能不能按期量产交付」。上市后立即再融资的普遍节奏，本质上是因为流片、验证、送样、产能预留是一条无法压缩的资金链条——壁仞把七成募资投向供应链采购，说明行业已经默认量产节奏比技术指标更能决定胜负。

三点值得关注。第一，配售折价幅度正在扩大（本次较前五日均价折让约 13.73%，且股价单日跌近 12%），说明二级市场对「再融资摊薄」的容忍度在降低，估值定价逻辑正从稀缺性转向交付能力。第二，推理收入占比快速上升会重塑产品结构，低功耗高吞吐的推理卡与训练卡的资源错配可能比算力绝对不足更早出现。第三，从 2026 年第四季度的送测节点看，接下来两个季度的关键验证点不是财报，而是各家新产品能否真正进入客户产线——这才是国产替代叙事能否兑现的硬指标。

截至 2026 年 10 月，四大云服务商的 2026 年资本开支指引合计已升至约 7200 亿至 7450 亿美元。这个数字还在上修路径上，而 10 月末即将开启的三季度财报季，是这一趋势能否延续的第一个真实检验点。

指引全景：全部上修，无一下调​

据 7 月下旬财报电话会披露的信息，四家云厂在最新一轮财报中全部上调或维持了资本开支预期。其中亚马逊将 2026 年现金资本开支指引从此前的约 2000 亿美元上调至约 2200 亿美元，并明确将涨价归因于内存成本上升；Alphabet 将全年指引从 1800 亿至 1900 亿美元上调至 1950 亿至 2050 亿美元；Meta 把区间下限从 1250 亿美元抬升至 1300 亿至 1450 亿美元；微软则因租赁会计口径调整，账面数字反而下调至约 1750 亿美元，并不代表实际投入减少。

若把甲骨文 FY2027 指引计入，合计规模将进一步抬升至约 8350 亿美元。从上半年与全年指引的差额看，四家公司对下半年的支出预期都明显加速——亚马逊隐含下半年约 1240 亿美元，Alphabet 约 1140 亿至 1240 亿美元，Meta 约 790 亿至 940 亿美元。

支出去向：不只是加速卡​

一个容易被忽略的细节是，微软在 FY26 第四财季电话会上明确说明，当季约 410 亿美元资本开支中约三分之二属于「短寿命资产，主要是 CPU 和 GPU」。这类资产折旧周期短、单价高，对零部件价格变动极为敏感。亚马逊高管也在电话会上把指引上调直接归因于内存成本。

另一边的压力来自供电与场地。据公开统计，行业跟踪的 104 个数据中心项目中已有 54 个在建，29 个已宣布，16 个部分运行，5 个完全投运；披露规模的项目合计规划容量约 104.5 吉瓦。配套的 52 笔电力交易中，47 笔披露容量的合计约 70.3 吉瓦，其中 14 笔落在 2026 年第三季度，是该数据集任何一个季度中最多的一次。

资本结构的压力同样在积累。据报道，Alphabet 已完成上市以来首次股票发行并发行大额债券，Meta 在 2026 年二季度自由现金流仅约 7.84 亿美元的情况下依赖私人信贷借款补充流动性。评级机构与投行普遍提示表外租赁与服务器采购承诺正在形成大额隐性负债。

研判：四季度看三件事​

第一是三季度财报。10 月末的财报季将给出第一个可以证伪的季度数据。如果有任何一家下调全年指引，「上修周期」才算真正见顶；在此之前，所有的「AI 泡沫」争论都还停留在估值层面而非支出层面。

第二是内存成本的传导路径。亚马逊把涨价写进指引，说明成本压力已经到了无法吸收的阶段。HBM 与 DDR5 同厂不同线，产能分配存在此消彼长关系，一旦消费级 DRAM 供给被压缩，云厂需要在不同内存品类之间重新分配预算。

第三是会计口径的可比性。微软把未来数据中心租赁从融资租赁调整为经营租赁，导致同一笔投入在资本开支科目上的呈现发生变化。任何跨公司加总的「AI 支出」数字，都必须先问一句口径是否一致。

对芯片产业而言，四季度的实际含义很直接：只要这四家不松手，HBM、先进封装、高速互联的订单可见度就维持在两年以上；但采购结构正从「单颗加速卡」转向「整机架系统 + 供电 + 液冷」，供应商名单会随之变长。

高盛的最新统计显示，今年至今投资者已向 AI 财团提供约 5000 亿美元融资，且云服务商的债务发行已经扩展到欧元、加元等多个市场。NVIDIA 投资 OpenAI、博通为 OpenAI 筹债、SpaceX 借钱买卡——供应商与客户之间的资金循环越来越复杂。这轮融资狂潮与 2000 年电信泡沫究竟有何异同？

5000 亿美元：融资全景​

据高盛（2026 年 10 月 10 日 AIGC 早报口径）统计，今年至今投资者已向 AI 财团提供约 5000 亿美元融资。更值得注意的是债务发行的货币多元化：云服务商已把债务发行从美元市场扩展到欧元、加元等市场，这说明融资需求大到单一市场难以承接，也说明全球固定收益投资者正在系统性接纳 AI 基础设施作为资产类别。

融资案例：钱从哪来，流向哪去​

几个案例值得展开。GMI Cloud 的结构是典型的"股债混合"：GPU 云公司同时拿到 NVIDIA 的股权背书和商业银行的信贷支持，NVIDIA 参股本身就成了债务融资的信用增强。Firmus 的 IPO 则展示了需求端的疯狂——投资者需求超过发行规模，以至于约 50% 的股份直接分配给现有持有人，成为澳洲最大 IPO 之一。SpaceX 的 400 亿美元融资完全用于购买 NVIDIA 芯片，由 Apollo 牵头，拆成 100 亿美元银行贷款加 300 亿美元投资级债务——一家航天公司为买芯片发行投资级债券，这在三年前不可想象。

循环交易结构图解​

把这些交易连起来看，会形成一个闭环：

NVIDIA ──1000亿投资──→ OpenAI
   ↑                      │
   │ 采购芯片             │ 定制芯片订单
   │                      ↓
SpaceX/云厂商 ←──博通筹资500亿（债务）
   │                      │
   │ 抵押/回租芯片        │ 债务发行
   ↓                      ↓
银行/私募信贷/公开市场投资者（5000亿总量）

循环的每一环都合理：NVIDIA 投资客户以锁定采购（1000 亿美元对应 10GW 承诺）；博通靠 OpenAI 定制芯片订单筹资扩产；SpaceX、GPU 云用债务买卡再靠租金还本付息；亚马逊用售后回租把沉淀在数据中心的芯片资产盘活成现金流。但闭环的风险也在于此——每一方的偿付能力都依赖于循环不中断。一旦 GPU 租金价格下行或 AI 收入不及预期，链条上最脆弱的一环会传导给所有人。

与 2000 年电信光纤泡沫的异同​

相同点是"基建先行、收入后置"的赌注结构，以及供应商给自己客户输血的循环感。不同点同样关键：本轮有真实收入——推理需求是实实在在的付费市场，这与当年"建好光纤等流量"的空想不同；但本轮集中度更高，少数几个财团互为最大客户和最大债权人，系统性关联风险远超当年。更麻烦的是债务主导：2000 年泡沫破裂主要由股东承担损失，而本轮大量融资是投资级债务和银行贷款，一旦违约将直接冲击信贷市场。

风险监测清单​

华尔街正把 AI 数据中心投资打包为公开市场产品——在政治与建设风险上升的背景下，普通投资者也将被卷入这个循环。以下是一份风险监测清单：

1. GPU 租赁价格曲线：租金下行是循环断裂的第一信号；
2. 债务展期条件：关注博通、SpaceX 类大额融资的再融资成本变化；
3. 供应商应收账款质量：NVIDIA 对客户的投资与销售绑定，收入质量需打折扣看待；
4. 资产证券化进度：芯片回租、资产转让产品化的规模与折价率；
5. 政策风险：出口管制变化对跨境算力租赁结构的影响；
6. 电力与建设进度：数据中心延期交付直接冲击按产能定价的债务模型。

小结​

5000 亿美元的 AI 财团融资规模已经超过多数国家级基建预算，其结构特征是债务主导、循环交易和高度集中。与 2000 年相比，本轮有真实收入支撑，这与光纤泡沫有本质区别；但集中度更高、债务占比更大、资产贬值更快，三点决定了风险一旦暴露会传导得更快。循环交易本身不是原罪——产业链上下游互相投资在重资产行业并不罕见——但它放大了周期。对参与者和观察者而言，重点不是预测泡沫何时破裂，而是盯住租金价格、债务展期和资产证券化折价这三个先行指标。

当一家市值不足 NVIDIA 五分之一的公司，面对一个 2200 亿美元的市场机会，它该怎么做？AMD 在 2026 年的答案是：不买对手，买能力。MEXT、Taalas、World Labs 三笔收购，拼出的是一幅关于内存、推理与物理智能的算力版图。

三笔收购，三条战线​

2026 年，AMD 连续完成了三笔方向明确但标的各异的收购：

三笔收购覆盖了三个看似不相关、实则环环相扣的方向。MEXT 解决的是"数据怎么更快喂进计算单元"——在 HBM4 带宽成为推理瓶颈的年代，内存访问效率的提升直接转化为单位 token 成本的下降；Taalas 解决的是"推理硬件怎么更专"——MI455X 是通用型大芯片，但推理市场的长尾需求需要更极致的专用架构；World Labs 解决的则是"下一代计算场景在哪"——当 AI 从理解文本走向理解物理世界，空间智能就是新的算力需求源。

从"跟随 NVIDIA"到"差异化拼图"​

回看 AMD 过去几年的数据中心路线，主旋律是跟随：MI300X 对标 H100，MI355X 对标 B200，Helios 对标 NVL72——用更大的显存和更低的成本切入市场。这条路线有效，但天花板明显：只要产品定义的坐标系由对手划定，就只能做"性价比版本"。

2026 年的收购组合拳标志着路线切换。三线并购不再是补某个单点参数，而是在构建对手没有的差异化栈：

• 内存线：MEXT 的内存访问优化能力，叠加 MI400 系列本就领先的 432GB HBM4 与 23.3TB/s 带宽，把"大显存"从规格优势深化为系统级优势；
• 推理线：Taalas 的快速推理硬件，与 MI455X 的 MXFP4 算力、Wave32 原生执行形成互补，覆盖从旗舰通用到专用推理的完整谱系；
• 物理智能线：World Labs 的空间智能，为 AMD 打开了机器人、自动驾驶、世界模型这些尚未定型的市场。

值得注意的是 World Labs 的背景——这家由李飞飞创立的空间智能公司，代表的是"AI 理解物理世界"的技术路线。当行业热议物理 AI 与世界模型时，拥有空间智能的芯片化能力，意味着 AMD 在下一个计算周期里有了自己的牌。

千亿美元合作的背景板​

收购需要放在更大的商业版图中理解。2025 年 10 月以来，AMD 先后与 OpenAI 达成 6GW 级合作，与 Meta 达成最高 6GW 的部署计划，两者合计 12GW 以上，且均为 1000 亿美元级的合作体量；Anthropic 将部署最高 2GW 的 MI450 系列并获得 AMD 最高 50 亿美元战略投资；微软在 Azure 大规模部署 Helios 机架，Oracle 则是早期采用者。

这些合作定义了 AMD 的基本盘：数据中心训练与推理。而管理层看到的市场远不止于此——AMD 估算推理与数据中心 CPU 合计存在 2200 亿美元的机会。即便如此，AMD 的市值仍不足 NVIDIA 的五分之一，分析师普遍认为这一差距本身就是追赶空间：只要兑现一部分订单，估值就有结构性修复的动力。

三笔收购正是为兑现服务的：OpenAI 与 Meta 的 GW 级部署需要极致的单位 token 成本（Taalas、MEXT），而真正拉开长期差距的，可能是现在还没人给出定价的物理 AI 市场（World Labs）。

多线并进的两端战场​

拼图不只在数据中心。在端侧，AMD 推出了 Gorgon Halo（Ryzen AI Max 400）——面向 AI PC 与边缘场景的 192GB 统一内存方案，让单机跑下超大参数模型成为可能，这是数据中心 HBM4 大显存战略在端侧的镜像。在生态侧，Cerebras 与 AMD 达成合作开发分离式推理系统，声称每瓦 token 吞吐量提升 5 倍——用对手生态里的创新者补自己的推理短板。

于是我们看到一个三端结构：MI455X 与 Helios 守数据中心高端，Gorgon Halo 占端侧大内存位，收购来的能力填充中间的推理与物理智能空隙。

与 NVIDIA 买法的对比：买能力，而非买对手​

把 AMD 的并购路线放进行业坐标系，差异立刻显现。NVIDIA 近年的资本运作以"买竞品、堵路线"为主：收购推理芯片公司 Groq，投资推理芯片新贵 d-Matrix——目标是消灭或收编可能的挑战者，巩固现有垄断。

AMD 的买法几乎相反。MEXT、Taalas、World Labs 没有一家是 NVIDIA 的直接竞品，它们买的是三种能力：内存效率、推理架构、空间智能。这种"买能力而非买对手"的策略，反映的是追赶者的理性：与其在 NVIDIA 已经筑墙的领域正面攻城，不如把资源投到墙还没砌起来的地方。追赶者买未来，领先者买保险——两种策略没有绝对优劣，但后者需要垄断者的现金流，前者是 AMD 这样的市值体量唯一可行的选择。

风险同样要直言：三线并购意味着三线整合。World Labs 的空间智能如何产品化、Taalas 的推理硬件如何与 MI400 平台协同、MEXT 的技术如何下沉到 ROCm 软件栈，每一条线都需要时间验证。并购成功的从来不是买下公司那一刻，而是能力长进产品那一刻。

小结​

MEXT、Taalas、World Labs 三笔收购，配上 OpenAI、Meta 的千亿美元级合作、Gorgon Halo 的端侧战线与 Cerebras 的生态合作，AMD 在 2026 年完成的不是一次采购行为，而是一次战略定位的切换：从跟随 NVIDIA 的性价比挑战者，转向用"内存-推理-物理智能"三线拼图定义自己的差异化玩家。2200 亿美元的市场机会、不足 NVIDIA 五分之一的市值、尚未定型的物理 AI 市场——对追赶者而言，最好的出手时机就是格局未定之时。这三笔收购能否拼出完整版图，2027 年 MI430X 出货与 World Labs 的首个产品化成果，将是两个关键的验收节点。

在英伟达统治AI算力的年代，"第二供应商"不是一个安慰奖，而是一个真实的市场缺口——云厂商们迫切需要一个可以议价的备选项。AMD正在用数据中心业务的增长曲线证明，这个席位它不仅拿到了，而且开始变现。

增长曲线：数据中心收入站稳43亿美元​

2025年第三季度，AMD交出创纪录的92亿美元季度营收，同比增长36%。其中数据中心业务收入43亿美元，同比增长22%，环比增长34%，主要由第五代EPYC处理器和Instinct MI350系列GPU的强劲需求驱动。前三季度数据中心累计收入113亿美元，同比增长29%。

值得注意的一个细节是：AMD数据中心业务的营业利润率在25%左右，明显低于英伟达约七成的整体毛利率。这既是追赶者为撬开市场付出的价格让利，也意味着一旦MI400世代放量、产品组合改善，AMD的利润弹性会比收入弹性更可观。

从卖芯片到卖机架：OpenAI与Oracle的两个订单​

真正改变AMD叙事的是两个大单。其一是与OpenAI达成的多年期战略合作：OpenAI将部署6吉瓦的AMD GPU，首批1吉瓦的Instinct MI450部署计划于2026年下半年启动，公司预计该合作未来几年可产生超过1000亿美元的收入。其二，Oracle云将率先上线基于AMD"Helios"机架设计的公共AI超算集群，搭载MI450 GPU、EPYC "Venice" CPU与Pensando "Vulcano"网络方案，首批5万卡于2026年第三季度部署。

Helios机架级方案的意义在于：AMD第一次以整机架形态、支持Meta主导的开放机架宽版规范参与竞争，把竞争从"单卡性价比"升维到"集群总拥有成本"。美国能源部的Lux AI超算选用MI355X、2028年交付的Discovery超算选用MI430X，则进一步巩固了其在主权与科学计算场景的背书。软件侧，ROCm 7的发布持续填补其与CUDA之间最被诟病的生态差距。

追赶的代价：出口管制的账单​

AMD的增长曲线并非没有断点。由于美国出口管制，Instinct MI308对华出货没有产生任何收入，公司还因此在2025年第二季度计提了约8亿美元的库存及相关减值——这笔账单直接压低了当季毛利率，也解释了为什么AMD财报中对华业务始终保持"零假设"的谨慎口径。

从节奏上看，AMD把宝押在MI400世代：MI450负责2026年下半年起的通用AI算力放量，MI430X主攻主权AI与HPC，两者配合Helios机架形成组合拳。管理层对第四季度约96亿美元的指引（不含对华收入）表明，即便在出口管制阴影下，增长轨道依然陡峭。

研判：第二供应商的席位价值才刚开始定价​

AMD的故事本质上是"结构性看涨期权"：EPYC在服务器CPU市场持续蚕食份额提供基本盘，Instinct则在大客户急于分散供应链的窗口期完成卡位。6吉瓦协议与千亿美元收入预期仍需数年兑现，中间隔着产能、良率、ROCm生态成熟度三道坎；但只要云厂商的"去单一化"诉求存在，AMD的数据中心曲线就有托底。对产业观察者而言，2026年下半年MI450的实际交付节奏，将是检验这份叙事成色的第一个硬指标。

一份价值数百亿美元的合同，至多 100 万颗 TPU，超过 1 吉瓦的算力容量。Anthropic 与谷歌的这次扩约，把云厂商自研芯片从内部工具推向了 AI 时代的硬通货。

协议全貌：最大规模的 TPU 外部订单​

2025 年 10 月 23 日，Anthropic 与 Google Cloud 联合宣布扩大合作：Anthropic 将获得至多 100 万颗谷歌自研 TPU 以及额外云服务资源，用于训练和服务未来数代 Claude 模型；超过 1 吉瓦的算力容量自 2026 年起陆续上线。双方确认协议总价值达数百亿美元级别，是 Anthropic 迄今最大的一笔 TPU 承诺，也是谷歌 TPU 对外供应史上规模最大的单一订单。

行业测算显示，1 吉瓦数据中心的建造成本约 500 亿美元，其中芯片部分通常占约 350 亿美元。以此对照，这份协议的分量不言而喻。作为对照，OpenAI 此前签署的一系列协议涉及约 26 吉瓦以上的算力承诺，而 Anthropic 的打法显得更克制也更聚焦：不追求纸面吉瓦数，而是绑定性价比。

为什么是 TPU：性价比与多云策略​

Anthropic 给出的选型理由十分务实：TPU 的性价比与能效表现突出，且团队自 2023 年起就有在 TPU 上训练与服务 Claude 的经验。谷歌云 CEO Thomas Kurian 强调，这次扩约印证了 TPU 多年积累的成熟度，并以第七代 Ironwood 作为产品组合的代表。

更深层的原因在于 Anthropic 的多云架构。据 CNBC 报道，Claude 的训练与服务横跨三大算力底座：亚马逊 Trainium（包括 Project Rainier 超算集群）、英伟达 GPU 与谷歌 TPU，不同平台按训练、推理、研究等负载分工。这种策略在 2025 年 10 月 AWS 大规模宕机事件中得到验证——得益于算力来源分散，Claude 服务未受波及。对 Anthropic 而言，不与任何单一云厂商绑定，既是供应安全，也是议价筹码。

需求侧的底气：收入与客户的爆发式增长​

支撑百万卡级采购的，是 Anthropic 自身的业务曲线。签约时点，其年化收入运行率已接近 70 亿美元，超过 30 万家企业客户使用 Claude，两年内增长约 300 倍；年贡献超过 10 万美元的大客户数量一年内增长近 7 倍。Claude Code 上线仅两个月即实现 5 亿美元年化收入，被公司称为史上增长最快的产品之一。

谷歌在合作中的角色也不仅限于芯片供应商。谷歌此前累计向 Anthropic 投入约 30 亿美元，据 2026 年披露的法庭文件持有该公司约 14% 的股权，同时 Claude 也通过 Vertex AI 面向企业客户分发。算力供应加股权绑定加渠道分发，构成了三重利益联盟。

小结​

这份协议的产业信号十分清晰：第一，自研加速器已经成为头部 AI 公司采购算力的主流选项，TPU 正从谷歌内部资产变成对外收入来源；第二，多云算力策略成为前沿 AI 公司的标准配置，单一供应商模式正在瓦解；第三，随着 2026 年这批 TPU 陆续上线，Anthropic 与 OpenAI 之间的算力竞赛将进入吉瓦级对标的新阶段。

英伟达的GPU是"通用答案"，而云巨头们心里都藏着一个念头：为自家工作负载量身定做一颗芯片，长期成本更低、能效更高。承接这个念头的，是两家设计服务巨头——博通与Marvell。它们不站聚光灯下，却决定着每一颗定制AI芯片的诞生。

双寡头格局：一份不对称的订单版图​

据多家行业机构测算，博通与Marvell合计占据定制AI ASIC设计服务市场六成以上份额，其中博通一家独占约55%至60%，Marvell约占15%至20%。第三方机构Counterpoint Research预计，到2027年博通仍将以约60%的份额领跑AI服务器计算ASIC设计合作伙伴市场。

两者的差距主要体现在收入体量上。据公开披露与行业估算，博通2025财年AI相关收入约200亿美元，同比增长65%，2026年预计迈向250亿美元；Marvell同期AI收入约39亿美元，目标超过50亿美元。博通的AI收入大约是Marvell的4到5倍。

博通：深度绑定式的碾压​

博通的霸权建立在与谷歌长达十年的深度绑定之上：从第一代TPU开始，博通全程参与设计与制造，双方合作已推进至3纳米工艺的第六代TPU。据公开报道，2023年谷歌在TPU相关合作上向博通支付约35亿美元，2024年翻倍至约70亿美元，第七代TPU的供应合同也已提前锁定。除谷歌外，Meta的MTIA、字节的自研芯片均出自博通之手；2025年博通更与OpenAI启动了10吉瓦级定制加速器项目，整套系统依托博通的以太网方案扩展集群。

博通的护城河不止于设计能力：业界最全的高速SerDes IP、HBM控制器IP与先进封装经验，构成定制芯片的"标准零件库"；"定制加速器加高速互连"的组合拳让客户难以拆分采购。这种模式不承担库存风险、不赌制程迭代，是典型的卖铲子生意。

Marvell：差异化补位的追赶者​

Marvell的策略是不与博通正面硬刚，走差异化路线。它给亚马逊量产Trainium训练芯片（据行业报道占AWS自研ASIC出货量的绝大部分），拿下微软Maia芯片2026年的量产订单，同时为谷歌代工Axion ARM CPU——与博通的TPU业务形成互补而非对撞。2026财年第一财季，Marvell数据中心收入14.41亿美元，同比增长76%，占总营收76%，几乎全部由AI定制芯片大规模出货驱动。

技术上，Marvell在数据中心互连与光电共封装领域积累深厚，其定制的112G SerDes与Die-to-Die互连技术在能效与互联带宽上形成差异化卖点，公司也据此定下2028年AI收入冲刺70至80亿美元的目标。

研判：双雄之外，第三势力已在敲门​

这场双雄之争并非终局。联发科已切入谷歌第八代TPU的I/O Die设计，预计2026年第四季度开始贡献营收，其管理层公开表示有信心在2026年实现超过10亿美元的数据中心ASIC营收——SerDes技术正是它敲开大门的钥匙。对博通而言，谷歌分散供应商的意愿是最大的长期变量；对Marvell而言，能否把亚马逊、微软之外的第四、第五个大客户装进管道，决定它能否真正缩小与博通的量级差距。ASIC战争的本质是信任战争：云厂商每多押一家设计伙伴，都是在为供应链的议价权与冗余度下注。

当亚马逊把十余座数据中心的 Grace Blackwell 芯片售后回租、GMI Cloud 拿到 4.45 亿美元银行信贷、腾讯通过 Oracle 租用 10 万颗芯片时，GPU 已经不只是计算设备，而是一种可融资、可抵押、可证券化的金融资产。"卡本位"融资正在重塑 AI 行业的资产负债表。

芯片成为金融资产的三种形态​

传统观念里，服务器芯片是快速贬值的 IT 设备，进入资产负债表后只会计提折旧。2026 年的资本市场上，算力资产正在以三种形态被金融化：

这三种形态的共同前提是：GPU 的租金现金流足够稳定，可以被当作信贷的还款来源。这正是 GPU 云行业与传统 IT 采购最本质的区别——芯片变成了会持续产生租金的收入型资产。

案例拆解：从回租到租赁通道​

亚马逊：售后回租与资产转让​

亚马逊正在推进两条并行的资产盘活路径：其一，对旗下十余座数据中心的 Grace Blackwell 高端芯片做售后回租——"出让资产 + 长期租回"，用一次性回款缓解算力基建的现金流压力，代价是支付长期租金；其二，据 The Gist/FT 口径（2026 年 10 月 8 日），亚马逊另拟向投资者转让约 80 亿美元 NVIDIA 芯片资产。作为手握约 2200 亿美元 2026 年 capex 的最大买家，亚马逊把沉淀的芯片资产重新变成流动性，本质上是在为下一轮采购腾出资产负债表空间。

GMI Cloud：GPU 抵押信贷的样板​

GMI Cloud 的 6.68 亿美元融资拆成了两层：NVIDIA 参与的 2.23 亿美元股权，加上台湾中国信托商业银行领投的 4.45 亿美元信贷。银行愿意给一家 GPU 云公司放贷，看中的是其 GPU 资产和租赁合同现金流——NVIDIA 的股权参与又进一步增强了信用。这是"卡本位"信贷的完整样板：芯片做抵押物，租金做还款来源，厂商背书做信用增强。

腾讯：租赁通道与合规灰区​

腾讯租用 Oracle 10 万颗芯片的案例（2026 年 10 月 2 日 Slicast 报道）展示了第三种形态：不购买芯片所有权，而是采购算力使用权。这种模式被广泛解读为绕开出口管制的租赁安排——管制限制的是芯片出口，而云端算力的跨境租用处于监管的模糊地带。需要强调的是，这类结构的合规边界并不清晰，各国出口管制规则仍在动态调整，"租赁即合规"的假设存在政策风险。

SpaceX 与博通：债务买卡的资金源头​

SpaceX 拟以 400 亿美元融资购买 NVIDIA 芯片（Apollo 牵头：100 亿美元银行贷款 + 300 亿美元投资级债务）；博通则为 OpenAI/Anthropic 的定制芯片安排数百亿美元债务。加上 NVIDIA 1000 亿美元投资 OpenAI，债务买卡的资金池已经大到足以改变芯片行业的商业模式——从"客户付钱买卡"变成"资本市场付钱买卡，客户用租金还钱"。

"卡本位"估值的关键假设​

把 GPU 当作可融资资产，估值模型建立在几个关键假设之上，而这些假设恰恰是最脆弱的环节：

假设一：残值率。 信贷方给 GPU 估值时必须假设芯片几年后的残余价值。传统服务器的残值模型在 GPU 上未必成立——B300 当前租金可达 9.50 美元/GPU 小时（Nebius 口径），但三年后的租金和残值高度不确定。

假设二：技术迭代贬值速度。 NVIDIA 已进入 Rubin 一年一代的节奏。当新一代芯片的性能/瓦优势足够大时，旧卡租金会加速下滑，残值假设被击穿，抵押物价值缩水会直接触发信贷条款重估。一年一代的迭代周期，本质上是在加速抵押品的贬值曲线——这是"卡本位"融资与房产抵押贷最根本的不同。

假设三：需求连续性。 租金现金流的稳定性依赖 AI 推理需求的持续增长。算力供给的大规模释放（各家 AI 工厂 2027-2028 年集中交付）可能改变供需平衡。

对 GPU 云创业公司资产负债表的重塑​

算力金融化对 GPU 云创业公司是双刃剑。好的一面：融资渠道从股权扩展到债务，GMI Cloud 证明了银行信贷可以成为股权之外的第二资金来源，创始人稀释更少、扩张更快。坏的一面：资产负债表上堆积了大量以 GPU 为抵押的债务，让本就重资产的模式更加脆弱——租金价格下行 20%，可能同时冲击收入端和抵押物估值端，形成双重挤压。

对比之下，Oracle、亚马逊等巨头通过回租和资产转让把风险向投资者转移，创业公司反而更依赖抵押信贷。融资结构的分化，将在下一轮周期波动中重新洗牌 GPU 云行业的座次。至于 Oracle 用燃气卡车运电维持数据中心运转所暴露的高运营成本，则提醒所有信贷方：GPU 资产的"持有成本"里，电费可能是比折旧更凶猛的现金流出。

小结​

算力资产金融化已经形成三种成熟形态：亚马逊式的售后回租释放现金流、GMI Cloud 式的抵押信贷打开债务融资渠道、腾讯式的租赁通道解决跨境采购。支撑"卡本位"估值的是残值率、贬值速度和需求连续性三大假设，而 Rubin 一年一代的迭代节奏正在持续考验第一和第二个假设。对 GPU 云创业公司而言，债务杠杆放大了扩张速度，也放大了周期风险；对信贷方而言，给会快速贬值的芯片做抵押，风控逻辑必须区别于传统资产。算力金融化让行业跑得更快，也让下一轮回调来得更有杠杆——这是所有参与者在享受低息资金红利时，必须同步想清楚的问题。

千卡以下可以拍脑袋，万卡规模必须算账。自建、租用、混合三种路线的资金量级差出一个数量级，本文把三本账摊开对比。

一、自建万卡：钱花在哪​

以 8 卡 HGX H100 服务器为例，2026 年海外 OEM 整机报价约 25 万至 32 万美元。一万张卡即 1,250 台服务器，仅 GPU 节点硬件就在 3.1 亿至 4 亿美元。这还只是起点：按 SemiAnalysis 的估算，每台服务器还要追加约 6 万美元的网络、存储与机柜配套；万卡集群的组网用 IB 交换机、光模块、分布式存储通常再占总投资的 15% 至 25%。此外，8 卡 H100 仅 GPU 满载功耗就达 5.6kW，整机按 8kW 计，一万张卡对应约 10MW 的 IT 负载，加上制冷冗余实际要按 12 至 15MW 规划变电站。多数城市拿到这个量级的电力指标，周期以年计。

自建的真实优势在于三点：规模化后的单位成本低（自持 H100 三年摊销的全成本可低到每卡时 1.35 至 1.92 美元）、数据完全可控、以及资产残值（三年后 H100 二手仍能回收两至三成价值）。代价是资金门槛高、建设周期长、以及技术迭代风险——Blackwell 与 Rubin 世代逐步铺开后，H100 的残值曲线会进一步下探。

二、租用万卡：单价与长协​

云端路线的公开价格区间如下。海外超大规模云厂商的 H100 按需价约每卡时 3.85 至 4.20 美元；AI 云（neocloud）约 1.99 至 2.59 美元；一年期长协可压到 1.45 至 1.85 美元。国内方面，第三方平台 H100 单卡时租报 28 至 35 元，部分渠道低至 9.5 元上下；A100 80G 约 16 至 22 元；4090 约 2 至 4 元。值得注意的是 2026 年供需趋紧，国内高端卡租赁价格年内整体上涨了约三成，H200 月租已到 6.7 万至 9 万元一台（8 卡）的水平。

三、混合路线：多数公司的最优解​

实践中的最优解往往是"基线自建，峰值租用"。把长期稳定的负载（如在线推理、常态化实验）放到自建集群，把训练冲刺期、大版本迭代的峰值需求用云端弹性消化。判断混合比例的一个实用公式：自建规模 = 全年负载曲线的 P50 水位，超过 P50 的部分交给租赁。这样自建资产的利用率能稳定在 70% 以上——这正是自建成本优于按需租赁的盈亏平衡点（约七成利用率）。

规模在 1,000 至 3,000 卡之间的团队还有一条中间路线：整机柜租赁或"可搬迁"设备。国内市场已出现 910C 单台月租 5.8 万元、910B 系列 1.35 万至 1.9 万元的可搬迁报价，适合项目制团队按训练周期占有机柜而不用建机房。

四、结尾决策清单​

1. 训练需求不确定、产品未验证：全租按需，别买任何硬件。
2. 负载稳定、三年内确定持续投入、能拿到电力指标：自建，但按 P50 而非峰值规划规模。
3. 两者之间（多数公司）：混合路线，自建基线加长协兜底加按需峰值。
4. 国内团队拿不到进口卡：评估昇腾 910B 或 910C 的租赁与可搬迁方案，先跑通生态再谈规模。
5. 无论哪条路，签长协前先做一个月的真实负载压测，用实测利用率反推合同量——万卡规模下，15% 的利用率误差就是数千万美元的浪费。