原文摘要

如何为未来模型和应用做好算力储备

原文链接

进一步信息揣测

• 算力行业的周期性风险：算力服务是重资产行业，供需错配导致周期性波动——供不应求时利润高，但供大于求时面临巨额折旧和亏损（客户会退租算力，导致空置压力）。
• 国产算力的真实水平：
• 万卡级大模型训练仍存在稳定性与加速比问题，国产算力目前仅能胜任千卡规模；
• 推理场景（如文生图、视频生成）国产算力已可覆盖，但需进一步优化性价比才能替代英伟达。
• 英伟达的隐性优势：客户偏好英伟达并非仅因技术领先，而是其生态成熟（应用易跑通、结果准确、性能稳定、耗时少），这些隐性门槛短期内难以被国产替代。
• 算力服务的“买手”模式内幕：通过整合多元化供应商资源池，专业选型可降低客户试错成本，但实际依赖行业人脉和资源垄断能力，中小厂商难以复制。
• 客户分层策略：
• 大模型训练/推理需求方（如头部AI公司）是算力服务商的核心客户，但需求波动大；
• 学术科研等小规模需求利润低但稳定性高，可作为平衡风险的补充。
• 行业潜规则：算力服务商常通过“捆绑销售”（如搭配软件优化服务）提高利润率，单纯硬件租赁易陷入价格战。
• 国产替代的关键痛点：适配成本高（需重写代码或优化框架），客户隐性抵触（担心影响项目进度），这些阻力未公开讨论但实际影响推广。