一场英伟达引发的大泡沫,快破了?

2025-05-19 | 来源: 虎嗅APP | 转到微信 | 有0人参与评论 | 字体: 放大缩小 | 收藏 | 打印

具体而言，该商业模式呈现出资本联动特征：算力供应商 A 作为潜在有限合伙人（LP），与产业基金 B 达成合作意向。在 B 基金的投资版图中，AI 应用厂商 C 作为被投企业，其业务发展对算力资源存在刚性需求。此时，A 通过战略投资 B 基金，间接绑定 C 公司未来的算力采购需求，构建起“资本投入 - 算力采购”的闭环。

若交易落地，A 公司将凭借 LP 身份获得优先服务权，成为 C 公司算力采购的首选供应商。这种模式本质上形成了资金的循环流动 ——A 公司对基金 B 的出资，最终通过 C 公司的算力采购回流。

“这不是一种主流方式，但却是一种还比较好用的方式。”冯博坦言。

泡沫快破了，然后呢？

“谈智算泡沫就不能只谈算力，它是一个产业链的问题，想让算力用起来，需要把断掉的点串起来，现在这条产业链还并未形成闭环。”一位深耕行业多年的算力供应商首席营销官向虎嗅精辟地指出了当前智算产业的核心症结。

进入2025年上半年，AI领域一个显着的趋势是，曾经被各大AI公司挂在嘴边的“预训练”一词，其热度正逐渐被“推理”所取代。无论是面向广阔的C端消费市场，还是赋能千行百业的B端企业级应用，推理需求的增长曲线都显得异常陡峭。

“不妨做一个简单的推演，”一位行业分析人士估算道，“以目前市场上主流AI应用的体量来计算，如豆包、DeepSeek等为例，假设其每个活跃用户平均每日生成10张图片，这背后所牵引的算力需求，便可能轻易达到百万P级别。这仅仅是图像生成这一单一场景，若叠加文本、语音、视频等多模态交互，其需求量级更是难以估量。”

美客户囤货引发航运股涨停潮,有公司市盈率超万倍

ICE政策新趋势:审判前先驱逐引发争议

34岁华裔大码女模登封面,引发网络上关于"美"的争议

这还仅是C端用户的推理需求。对于B端用户，推理需求更是海量。华锐智算某高管告诉虎嗅，车厂建设智算中心都是万P规模起步，“而且我们的客户中除了大厂，有最多算力需求的就是车厂。”

然而，再将海量的推理需求与算力泡沫联想到一起，故事就显得异常荒谬。为什么这么多的推理需求还是会产生算力泡沫？

某算力供应商对虎嗅表示，像这样海量的推理需求，需要智算服务商通过工程化技术对算力进行优化，比如压缩起跑时间、提高存储量、缩短推理延迟、提高吞吐量和推理精度等等。

不仅如此，上文提到的供需错配问题，还有一大部分是来自于芯片问题。对此，有行业知情人士向虎嗅表示，一些国产卡和英伟达的差距还是比较大，它们自身表现发展不匀，同一品牌即使堆再多的卡短板依然存在，这就导致了单一集群无法有效完成AI的训练和推理。

这种‘短板效应’意味着，即便通过大规模堆叠芯片来构建算力集群，如果短板问题得不到有效解决，整个集群的综合效能依然会受限，难以高效支撑AI大模型的复杂训练与大规模推理任务。

事实上，算力层面的工程挑战和芯片瓶颈固然严峻，但许多深层次的算力需求未能得到有效满足，其真正的“断点”往往出现在算力层之上的应用生态，特别是L2层（即针对特定行业或场景的）垂类模型的严重缺口。

在医疗产业就有这样一个需要填补的巨大“窟窿”，人才虹吸效应是国内医疗体系里长期被诟病的结构性问题，优秀医生都集中在一线城市的三甲医院里。但当业界寄希望于医疗大模型实现优质医疗资源下沉时，一个更根本的挑战浮出水面：如何构建可信医疗数据空间？

因为想要训练出具备全病程诊疗能力的垂类大模型，数据是关键前提。但问题是，必须要有全病程、全年龄段、全性别、全地域的海量数据才能在大模型里形成知识。而现实是医疗数据开放率不足5%。