算力过剩是个伪命题

核心判断：算力过剩不是总量问题，而是结构错配和调度效率的问题。Meta卖算力、Anthropic买算力，这两件事放在一起看，恰恰说明算力市场正在经历一场“去泡沫化”的筛选。

从工程视角来看，算力从来不是“够不够用”的二元问题。做嵌入式系统这么多年，我见过太多“算力过剩”的争论——比如有人说手机芯片性能过剩，可放到无人机飞控上，IMU数据融合的实时性要求一上来，CPU利用率分分钟飙到90%以上。所谓的“过剩”，只是你还没找到那个对延迟敏感、对吞吐量有硬约束的应用场景。

Meta出售“多余AI算力”这件事，如果只看表面，确实容易得出“算力开始过剩”的结论。但拉长时间轴看，Meta在2022年就大规模采购了H100，当时正值大模型军备竞赛初期，各家都在疯狂囤货。现在Meta想卖，更多是资产配置优化——有的卡利用率低，有的卡被新架构替代，不如变现。这和当年比特币矿机买卖的逻辑一样，矿工不是不需要算力，而是算力折旧太快，需要不断换新设备。

而Anthropic签下190亿美元、20年的数据中心租约，才是真正的信号。这笔钱不是买显卡，是买长期稳定的算力供给，附带整栋数据中心的基础设施。20年租约意味着什么？意味着对方认为未来20年，算力需求只会增长，不会萎缩。如果算力真的过剩，他们完全可以去现货市场低价租用，没必要锁死20年现金流。

两个事件放在一起，更合理的解释是：算力市场正在从“野蛮囤货”转向“精细化运营”。Meta卖的是“冗余资产”，Anthropic买的是“确定性产能”。这就像工厂里，有人把闲置的数控机床卖掉，有人却花大价钱签下长期供电合同——侧重点完全不同。

作为飞控工程师，我习惯把问题拆解成“实时性要求”和“平均吞吐量”。AI训练和推理对算力的需求结构差异极大。训练需要的是大规模并行计算，对延迟不敏感，但要求高吞吐；推理尤其是边缘推理，对延迟敏感，对算力密度和功耗有严格约束。Meta卖掉的算力，很可能是针对训练场景的通用GPU，而Anthropic需要的是能支撑推理集群的稳定算力池。这两者根本不是同一类东西。

还有一个容易被忽略的细节：算力本身的利用率。现在的GPU集群，尤其是分布式训练场景，实际算力利用率并不高。我见过一些团队，用8000卡集群训练模型，但通信开销占掉40%的时间，算力利用率只有60%。如果算力真的过剩，应该先优化调度算法，提高利用率，而不是直接卖卡。Meta选择卖卡，恰恰说明他们觉得“优化调度”的成本比“卖卡换现金”更高，或者他们内部有更急迫的现金流需求。

从工程可行性角度，算力过剩这个命题本身就很难成立。因为芯片制程和架构的进步速度，目前还跟不上模型参数和推理负载的增长速度。GPT-4的参数规模是1.8万亿，GPT-5可能更大。哪怕算力每年翻倍，也未必能追上模型规模的增长。更不用说自动驾驶、机器人、工业AI这些场景，对实时算力的需求是无限的。

所以我的建议是：别被“算力过剩”这种宏观叙事带偏。如果你在做AI基础设施相关的工作，多关注算力分布的微观结构——哪些场景需要低延迟、哪些场景需要高吞吐、哪些场景对功耗敏感。把算力当成一种资源调度问题，而不是总量库存问题。真正该焦虑的，不是算力太多，而是你的算力有没有被用在正确的地方。

---

原文链接：算力过剩是个伪命题-钛媒体官方网站