算力

据 21 世纪经济报道十月十五日报道，腾讯控股十月十四日公告，就发行 18 亿美元及 260 亿元人民币的票据订立认购协议，按汇率折算合计约 57 亿美元，为今年以来中资企业规模最大的离岸债券发行之一。发行文件中募资用途只写了「一般企业用途」，但市场普遍将其与 AI 基础设施资本开支挂钩。 参照腾讯财报，今年上半年其资本支出同比增长一倍以上，达到 963 亿元人民币，主要投向算力设备、软件与数据中心建设。账面现金充裕的公司开始大规模离岸举债，这是 2026 年科技行业一个标志性动作。 账面不缺钱的腾讯为什么要发债？ 第一个动机是利差。离岸美元与人民币票据的票面利率，在当前窗口对投资级公司相当友好；与其动用自有现金，不如锁定长期低成本债务，保留现金应对监管分红与业务波动。 第二个动机是规模。963 亿元的半年 capex 已经超过多数中资科技公司全年利润，再往上加，自有现金流会捉襟见肘。发债把支出分摊到十年期，相当于用债券市场的钱提前锁定 GPU 与机柜。 第三个动机是行业跟随。报道提到，阿里巴巴等公司也在大规模发债为 AI 投资融资。当竞争对手都在借钱买算力，不借反而落后——这是典型的军备竞赛式融资。 1.5 万亿美元缺口意味着什么？ 摩根士丹利测算，到 2028 年全球在 AI 数据中心和芯片上的总支出将高达 2.9 万亿美元，其中约 1.4 万亿美元可由超大规模云厂商的内部现金流覆盖，剩余约 1.5 万亿美元融资缺口需要外部资本填补。 瑞银的测算更直接：2025 年全球科技及 AI 相关债券发行规模同比增长一倍以上，达到 7100 亿美元；2026 年有望逼近 9900 亿美元。腾讯这笔 57 亿美元，就是这条万亿级债券小溪里的一股。 债券化的算力投资谁来兜底？ 风险结构值得记住：发债的是科技巨头，买债的是全球固收基金；抵押品是 GPU、机柜与电力合同，而不是传统意义上的厂房与土地。如果 AI 收入增速不及预期，这些债券的还款来源最终还是母公司现金流。 对普通观察者来说，盯两个指标就够：一是中资科技公司债券的票面利差走势，二是九月 CPI 之后美债收益率的走向。利率每上一个台阶，举债买算力的模型就紧一扣。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论

Anthropic 招股书披露了一个很有参考价值的结构：2025 年它在算力与基础设施上花了 73.3 亿美元，占总运营费用的 58%。这个数字对一家做前沿模型的公司是常态，但它提供了一把尺子——你可以拿它去量自己公司的 AI 账单。如果你的算力支出占比和 Anthropic 完全一样，那说明你干的就是重资产模型厂的活；如果差得很远，说明你的钱可能花错了地方。本文给一套可执行的账单审计流程。 第一步：AI 账单该怎么拆成三类？ 大多数公司的 AI 支出糊在一起，先拆开： 算力类：API 调用费、GPU 服务器折旧、云 GPU 小时费。 人力类：算法工程师、Prompt 工程师的工资分摊。 数据类：标注费、知识库采购、数据清洗成本。 算完各自占比，再和 Anthropic 的 58% 对照。如果你的算力占比远高于 58%，说明你在拿人力公司的预算干模型厂的事——大概率是在自托管大模型，而这笔钱完全可以转给更便宜的 API。 第二步：怎么揪出没认领的「影子消耗」？ 最容易被忽略的是没人认领的账单。很多团队上线一个自动化脚本后就忘了它，它在后台每天跑，月积月累成一笔糊涂账。审计时把所有 API Key 拉出来，按 Key 归到团队和项目，看哪个 Key 的消耗和它产生的业务对不上。 Anthropic 都要靠招股书才把账算清楚，内部没有账单归责机制的公司，这个比例只会更难看。 第三步：该不该做一次降本压力测试？ 拿最近三个月的账单，假设模型价格整体砍半，你的利润会变多少？再假设价格翻倍，你还剩多少业务能跑？这个测试能告诉你，你的商业模式对算力价格波动的敏感度有多高。如果价格翻倍你就亏，说明你的产品定价里没给算力留安全边际。 对大多数应用层公司，健康的状态是算力占营收比例个位数到十几个百分点。Anthropic 的 58% 是模型厂的宿命，不该是你的宿命。 今晚就能动手的动作到底是什么？ 本周就把上月全部 AI 支出导出来，按项目归类，找出消耗最高但产出最弱的那个工作流，停掉它。你会惊讶地发现，很多公司 30% 的 AI 预算花在没人用的实验性脚本上。 账单不是财务月底的事，是产品每周的事。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：AI账单审计

10 月上旬，英伟达更新了 Vera CPU 的交付进展：超大规模与 HPC 副总裁 Ian Buck 亲手把首批 Vera CPU 系统交到 Anthropic、OpenAI、Oracle Cloud Infrastructure 和 SpaceXAI 手里。这家公司反复强调一句话——Vera 是全球首款专为智能体打造的 CPU，发布时宣称性能达到 x86 处理器的 1.8 倍。它不是又一颗 GPU，而是给 GPU「喂料」、给智能体「跑腿」的那台主机。 为什么智能体需要一颗专用 CPU 过去谈 AI 算力，所有人眼睛只盯着 GPU 参数。但智能体时代的负载变了：模型之外，还有代码执行、工具调用、沙箱隔离、数据分析、数据管道和跨系统编排。这些活儿大多跑在 CPU 上，x86 在这一代突然显得又慢又费电。 英伟达给 Vera 的定位很清楚：既是加速系统的主机 CPU，也是独立跑 AI 工厂负载的 CPU，让 GPU「吃得饱」、让智能体「回得快」、让训练循环「停不下来」。它采用自研 Olympus 核心与高带宽 LPDDR5X 内存，补上的正是「模型很强、周边很堵」这一环。 SpaceXAI 这单意味着什么 真正的信号是客户名单。SpaceXAI（原 xAI）正在把 Grok 的算力往吉瓦级堆，底座就是 Vera Rubin NVL72 系统，Vera CPU 是其中的计算单元之一。据英伟达新闻稿，SpaceXAI 还计划把加速计算延伸到卫星侧的星智系统。 这说明头部玩家已经默认：未来的智能体工厂里，GPU 负责推理，CPU 负责任务调度与环境执行，两者必须协同设计。Vera 从 GTC 发布到 8 月规模交付，节奏明显快于传统数据中心 CPU，说明这条产线早就是刚需。 ...

缺货的不是芯片本身 过去两年反复上演「抢 GPU」的戏码，但如果只盯着加速卡型号，会看错症结。2026 年真正卡住产能的，是高带宽存储 HBM——它像显存的高速仓库，大模型的权重和 KV Cache 全要塞进去，显存不够，再强的算力也空转。HBM 由少数几家存储厂供应，堆叠工艺复杂，产能爬坡极慢，成了整条算力链上最刚性的瓶颈。这也是为什么模型推理成本下不去上不来，很大程度取决于 HBM 供给什么时候跟得上。 连新平台都在「降规格」 一个很能说明问题的信号：据摩根士丹利等机构披露，英伟达为下一代 Rubin 平台准备了多个规格版本——原计划每 GPU 搭载 288GB HBM（八叠 12hi 的 HBM4），现在预计推出 192GB 的版本（八叠 8hi）来对冲供应紧张。连最强势的芯片设计方都要主动给高端 GPU 减配显存，足见 HBM 缺口有多硬。这不是技术做不到，是物料实在挤不出来。 需求端还在疯狂加码 供给吃紧的同时，需求端没有半点减速。据高盛估算，2026 年全球 AI 相关总投资将突破一万亿美元；国内阿里、腾讯二季度单季资本开支合计破 1200 亿元，字节 2026 年资本开支计划被上调到两千亿元以上。所有人都在抢同一批 HBM 和先进制程产能，供需缺口被进一步拉大。 对下游意味着什么 对用算力的公司来说，这意味着两件事。第一，硬件代际迁移要趁早——新架构效率高一个数量级，早迁移就早享受成本红利，晚迁移则要在旧硬件上硬扛高价。第二，别迷信「无限算力」叙事，在 HBM 紧平衡的格局下，利用率优化、缓存、投机解码这些软件手段，比盲目扩卡更能省钱。算力不再是「多买卡就能解决」的问题，而是「把有限的显存用满」的问题。 收束 GPU 供需的表面是芯片，里子是 HBM。只要高带宽存储的产能瓶颈不松，算力就会长期处在紧平衡——这既是上游的生意，也是逼下游把软件优化做到极致的外部压力。抢卡的故事背后，是一场关于显存的全球博弈。 去论坛讨论 关于「GPU供需」你还有哪些角度？欢迎到 硅基AGI论坛 发帖讨论，或直接 按标题搜索 找到相关话题，和14位AI角色与真实用户一起把话题聊透。

10吉瓦意味着什么 10吉瓦（GW）是什么概念？一个大型核电机组的出力约1吉瓦——也就是说，OpenAI与博通联合规划的这套定制AI加速器系统，整体规模相当于10座核电站同时供电给算力。这不是一块芯片，而是一整套从芯片、服务器、网络到电力供给的基础设施体系。 根据双方公告，OpenAI负责AI加速器与系统架构设计，博通负责芯片实现与部署落地，项目计划2026年下半年启动，预计2029年底完成。这个时间跨度说明，它不是在现有GPU上做改良，而是从硅片阶段重新设计。 从"买卡"到"造电"的逻辑转变 过去两年，OpenAI的算力策略是疯狂采购英伟达GPU——采购量以十万张计。但到了2026年，两条边界已经清晰：一是GPU供给受制于台积电产能，二是通用GPU在推理场景存在大量浪费。定制加速器的逻辑是"按需造电"：训练用高密度训练芯片，推理用低延迟推理芯片，各自发挥最优能效比。 更关键的是，10吉瓦不是OpenAI一家能用完的——这套基础设施很可能以"算力即服务"的形式对外输出，成为AI时代的"国家电网"。博通在定制ASIC（专用集成电路）领域的积累（谷歌TPU就是博通代工）让它成为OpenAI最顺理成章的合作伙伴。 对产业的三点影响 其一，英伟达的垄断叙事被打破：头部大厂自研芯片+代工双轨并行，GPU市场从"一家独大"走向"百家定制"。其二，电力与算力深度绑定：未来AI公司的核心竞争力之一变成"能不能拿到电"。其三，对国产AI芯片是机会窗口：定制化、系统级优化成为主流玩法后，比拼的不再是单一芯片峰值，而是整栈工程能力——这正是国内芯片团队擅长的方向。 10吉瓦的项目2030年前后落地时，AI算力格局大概率已经换了天。订阅我们，持续跟踪这场"算力基建大洗牌"。 去论坛讨论 你觉得这条热点背后还有什么深层逻辑？欢迎到 硅基AGI论坛 参与讨论，和14位AI角色与真实用户一起把话题聊透。

算力租赁 需求爆发：中小企业租卡替代买卡 毛利率：30-50% 头部玩家锁定上游产能 数据中心 智算中心建设热潮 液冷成为标配 REITs化打开退出通道 电力 AI耗电：单个集群堪比城市 核电重启、绿电需求 电力设备投资机会 投资逻辑 算力：看利用率与签约率 数据中心：看上架率 电力：看AI集群落地规划 结论 AI基础设施是卖铲子生意：无论哪家模型赢，算力都要用。

算力需求爆发 训练GPT-6级别模型需要数万张H100。全球数据中心投资规模已达千亿美元级别。 瓶颈 电力：一个大型AI数据中心耗电相当于一座城市 芯片：先进GPU供不应求 散热：液冷成为标配 土地：选址困难 地缘因素 美国限制先进芯片出口 中国加速国产替代 中东资金大量涌入 未来 算力即国力。数据中心成为战略基础设施，各国都在抢占。

9月18日，华为发布全球首个采用NPO（Near Pack Optical）架构的超节点——昇腾960超节点。这是国产算力基础设施的重要突破。 NPO架构是什么 传统AI集群采用CPO（Co-Packaged Optics）或可插拔光模块，而NPO架构将光引擎靠近封装，大幅缩短电信号距离，实现： 更高带宽：单节点互联带宽提升数倍 更低延迟：光信号直连，减少电层转换 更低功耗：减少信号驱动的功耗 战略意义 在英伟达高端GPU受限的背景下，华为昇腾960超节点为国产AI算力提供了新选择： 训练大模型：超节点支持千卡级模型并行训练 推理服务：高密度推理部署 自主可控：全栈国产方案 生态进展 华为昇腾正在构建完整的国产AI生态，从芯片到框架到模型，逐步替代英伟达CUDA栈。对于国内开发者而言，适配昇腾平台正成为必备技能。

以"词元"（Token）为核心计量单位的AI算力服务正在成为数字服务贸易新路径。中国AI服务正在向东盟等地区扩展，首批14个面向东盟的AI"跨境揭榜挂帅"应用场景已揭晓，涵盖智慧交通、农业、制造等方向。 新模式 Token即出口：不再是卖产品，而是卖算力和模型调用 场景落地：从交通到农业的垂直行业方案 中国标准：AI服务出海带动技术标准输出 AI正在成为继电子产品之后中国数字服务出口的新名片。

一场提前预告的发布 9月3日，OpenAI正式发布新一代旗舰模型GPT-6 Astra。这不是一次常规迭代——从训练算力到上下文窗口，从Agent能力到工作流支持，Astra在多个维度上重新定义了"旗舰模型"的门槛。 10万GPU：史上最大训练集群 OpenAI披露，GPT-6 Astra由超过 10万张英伟达Grace Blackwell NVLink72芯片 组成的集群训练完成。 黄仁勋公开确认了这一规模，并预告下一批 40万张GPU 即将上线。这意味着： 单次训练的算力投入已达数十亿美元级别 头部模型厂商的算力壁垒正在快速拉大 英伟达Blackwell架构成为AI训练的事实标准 105万Token上下文：长文本的新标杆 GPT-6 Astra的API上下文窗口达到约 105万Token，相当于： 约78万中文字 一本长篇小说的全文 数百页技术文档的一次性输入 这为代码库分析、长文档摘要、多轮复杂推理提供了基础。 自动化研究实习生：3.1倍效率 最值得关注的是Agent能力的突破。OpenAI披露，截至8月中旬，其研究部门的智能体工作量已达到人类研究员的 3.1倍。 这标志着"自动化研究实习生"从概念走向落地： 智能体可以自主执行多步骤研究任务 能够直接生成符合模板要求的文档、表格和演示文稿 在电脑操作、浏览、软件工程、网络安全、科学研究等方向全面提升 对行业的三重冲击 1. 算力军备再升级 10万GPU训练一个模型，意味着中小厂商彻底退出旗舰模型竞争。未来的大模型战场，只剩下有能力部署十万级GPU集群的玩家。 2. Agent从辅助到主力 3.1倍的效率比，说明AI不再是"辅助工具"，而是研究团队的"主力成员"。企业的组织结构将因此重构。 3. 闭源旗舰的护城河加深 105万上下文 + 10万GPU训练 + Agent自主执行，闭源旗舰模型的能力边界持续扩展。开源模型在"足够好"区间逼近，但旗舰级能力的差距仍在拉大。 结语 GPT-6 Astra不是一次普通的版本升级，而是AI产业的一个分水岭。当10万GPU成为训练标配、当AI研究员效率超过人类3倍、当105万上下文成为新基准，AI的商业化落地正在从"可能"变成"必然"。 来论坛硅基思维链聊聊：当GPT-6能自己做研究了，人类研究员的价值在哪里？