千亿美元AI云市场，算力军备竞赛之后拼什么？- 大数跨境

首页

千亿美元AI云市场，算力军备竞赛之后拼什么？

智东西

2026-11-12

导读：算力规模之外，调度与交付能力正在成为新门槛。

算力规模之外，调度与交付能力正在成为新门槛。

作者 | 三北

编辑 | 漠影

近日，一位智算云企业工作人员指出，客户需求在过去半年发生显著转变：从关注“单卡价格与租期”，转向关注“百万Token成本及任务稳定性”。这一变化折射出AI基础设施正经历重要升级。

Gartner预测，到2030年全球AI云市场将达2670亿美元（约合人民币1.78万亿元），其中新云（NeoCloud）厂商有望占据20%份额。然而，IDC与中国信通院调研显示，近半数企业智算资源利用率仅在51%至70%之间，制造、政务等行业利用率超70%的企业不足35%。

随着算力架构、AI负载和客户需求同步演变，行业竞争标准已从比拼算力规模，转向比拼算力的组织调度能力。如何让已建成的算力资源被更充分、灵活、稳定地使用，成为产业下一道关键考题。

从GPU租赁到智能交付：新云为何必须升级？

回顾NeoCloud第一阶段，核心任务是解决算力供给缺口。彼时，GPU采购、集群建设和交付速度是主要竞争指标，“谁有卡、谁有集群”即拥有话语权。

但随着模型进入应用阶段，推理成为持续性负载，需求侧正在改变游戏规则。尤其是Agent执行多步骤任务后，一次请求可能触发多轮推理、工具调用及数据读取，任务时长从秒级延伸至数天。谷歌2026年7月调查显示，83%的企业IT高管认为生产级Agentic AI亟需基础设施升级。此外，物理AI的发展使得云边端协同成为新课题。

政策层面也在推动算力组织方式变革。我国工信部推进“1+M+N”国家算力互联互通节点体系建设，推动算力资源标准化互联与高效流动，算力正从分散建设走向统一监测与互联调度。

全球新云厂商升级动作明显：美国CoreWeave将推理拆分为Serverless、Dedicated及自管Kubernetes三种路径；欧洲Nebius通过Token Factory提供企业级托管推理；美国Crusoe也将业务延伸至托管推理与集群自动化管理。

产业链人士指出，新云上半场拼资源获取，下半场拼资源组织。客户需要的不再仅是GPU卡时，而是持续、稳定、经济的智能产出。新云正从算力出租方转向算力组织者和智能交付者，围绕“可控算力”的竞争全面展开。

何为“可控算力”？门槛改写为三层能力

“可控算力”的核心是让资源从“可获得”走向“可组织、可调度、可计量、可交付”。其本质区别可拆解为技术、商业、产业三层能力。

技术层：算力可控，先过调度和计量关

技术控制力核心在于异构调度和统一计量。中国信通院《智能算力服务研究报告（2026年）》指出，智能算力需经过资源汇聚、池化管理、任务调度和持续运营才能成为可调用的服务。

NVIDIA与Nebius联合测试显示，通过GPU切分或时间分片，半卡资源可达到整卡77%的吞吐量，混合部署多种模型时总承载量接近单一模型的3倍，单位资源吞吐效率提升约54%。这说明通过不同的切分颗粒度和调度策略，同样算力可形成不同的有效产出。

统一计量方面，行业正探索以DCU（一度算力）为标准。例如九章云极定义1度算力为312 TFLOPS FP16算力运行1小时。数据显示，其算力资源利用率从2025年的56.0%提升至2026年上半年的79.6%，504卡集群连续30天满载运行下，MFU达54.1%。

商业层：不必以所有权为前提，运营兑现资本效率

商业控制力核心在于资源供应稳定性和资本效率。鉴于GPU重资产属性及快速迭代带来的折旧压力，新云厂商未必需要持有全部底层资产。

九章云极通过订立3至8年固定期限、无延期及终止选择权的租赁合约获取算力底座。这种模式将资本效率与资源调度能力置于同等地位，新云更像算力组织者，注重保障资源可用性、调度权和服务连续性。当然，这也要求资源供应与客户需求精准匹配，以转化长期协议的价值。

产业层：从卡时交易到智能交付，服务边界重写

产业控制力核心在于交付内容。传统算力租赁以GPU数量和时长为交易单位，而当前客户更关注任务完成成本、Token产出效率及服务稳定性。

这要求新云将服务边界延伸至模型部署、推理优化、任务调度和运行保障，计费方式也从卡时向Token或任务产出延伸。未来的智能交付需建立包含模型能力、任务复杂度、响应时延等维度的完整投入产出评价体系。

只有实现资源定制、异构调度、统一计量、长期供应保障和持续优化交付的运营者，才具备完整的神控算力能力。

客群与负载双迁移：可控算力重塑新云

算力服务升级反过来改变了新云的客户群体。早期需求方多为大型互联网企业和模型厂商，如今大量AI原生企业、Agent团队涌现，更关注灵活性、可迁移性及实际产出。九章云极招股书显示，其智算云客户从2024年的2家激增至2026年上半年的84家，印证了此类需求的真实放量。

客户结构变化要求服务更加精细。平台需根据不同规模企业的模型、芯片和推理框架配置资源，通过调度优化降低单位任务成本。

负载形态也在迁移。从训练到推理，再到Agent和物理AI，每一次跃迁都拓宽了新云的服务边界。训练阶段考验集群性能与稳定性；推理阶段聚焦时延、吞吐量及Token成本；Agent增加了状态管理与弹性分配要求；物理AI则强调云边端协同计算及跨节点调度。CoreWeave等厂商已针对Agentic AI升级基础设施，以应对多步骤工作流对数据访问时延的敏感性。

可控算力需将资源感知、异构纳管、动态调度、效率优化和服务交付串联成闭环：先看得见，再管得住，进而调得动、优化好，最终转化为稳定可持续的AI服务。