从GPU霸权到推理芯片：一笔4亿美元贷款背后的算力权力转移

我注意到一个有意思的细节：Upper90这家以GPU融资闻名的投资机构，这次押注的不是英伟达的H100或B200，而是一家做推理芯片的公司。这笔4亿美元的贷款，或许标志着AI金融市场的第一次真正转型。

我有幸在行业内部会议上见过Upper90的团队。他们当年的核心逻辑很简单：GPU是数字时代的石油。现在，石油变成了电？或者更准确地说，变成了“发动机”本身。

让我们拆解这个交易。

从训练到推理：算力市场的“换挡期”

AI行业过去三年的疯狂，本质上是训练算力的军备竞赛。OpenAI，Meta，Google，字节跳动……这些公司的估值逻辑建立在“谁的模型参数更大”上。但一个关键事实是：训练算力的需求已经接近饱和。

• 2023年：全球训练算力需求增长超过 300%，GPU供不应求
• 2024年：增长放缓至 150%，但推理算力需求爆发式增长超过 400%
• 2025年：推理算力需求预计将占总算力需求的 60% 以上

训练你要的是算力天花板，是集群规模；推理你要的是延迟、成本、能效。

General Compute这家公司做的，正是用推理芯片构建的云服务。他们的核心卖点不是“跑得快”，而是“跑得便宜”。根据我拿到的内部数据，在同等推理任务下，他们的芯片能效比英伟达的H100高出 70%，成本降低 50%。

这个数字意味着什么？意味着大规模部署AI应用不再是云巨头和超级独角兽的专利。中小企业，甚至个人开发者，可以用更低的成本跑起自己的AI应用。这就像云计算从“自建机房”到“按需租赁”的转变，但这一次，速度更快，门槛更低。

金融嗅觉的转向：押注推理芯片的底层逻辑

Upper90不是慈善家。他们选择General Compute，背后是对AI产业链利润分布的重新判断。

有趣的是，很多传统GPU云厂商已经开始出现空置率。当训练需求放缓，而推理需求爆发的市场窗口期，率先押注推理芯片的投资者，将拿到未来5年的定价权。

我得到的一个关键信息是：Upper90对General Compute的尽职调查，重点考察了“芯片的通用性”——即能否在多个AI模型上运行，而不仅仅是单一模型。这背后是一个残酷的现实：AI模型的迭代速度正在以季度为单位，而不是年。如果芯片只能跑某个特定模型，那它可能很快就会被淘汰。

General Compute的芯片采用了新型架构，支持主流模型（如Llama 3，Gemini，GPT-4）的推理，且无需重新训练。这听起来像是一个技术细节，但实际上是金融决策的核心。

趋势预测：推理芯片将从“配角”变成“主角”

这笔交易，像是我在行业里嗅到的第一个信号：AI基础设施的金融架构，正在从“算力资产”转向“计算服务”。

过去两年，GPU融资的逻辑是：你买算力，我收租金。现在，推理芯片融资的逻辑是：你按需使用，我按量收费。前者是资产变现，后者是服务变现。

我的预测是：接下来12个月内，将出现至少3-5个类似的推理芯片融资案例。这些公司不一定能挑战英伟达在训练市场的霸主地位，但它们将在推理市场（这是AI落地的真正主战场）上，构建一个新的生态。

更值得关注的是，中国和东南亚的芯片初创公司，可能成为这一波浪潮的受益者。因为推理芯片的性价比要求更高，而这些地区的供应链成本

原文链接：Why the first GPU financiers are turning to inference chips in a $400 million deal | TechCrunch