WAIC 算力展商扎堆，真正能做算力服务的只是少数

2026 年的 WAIC 上，机器人仍占据最多镜头，但展馆里数量增长最快的是自称「AI Infra」的公司：做液冷、交换机、存储、集群软件的厂商，名片上都多了「AI 基础设施」一行。然而走出展馆就会发现，产业链热闹与算力服务的真实格局并不对得上——过去三年建成的大批智算中心，一部分满负荷排队，另一部分正以接近成本的价格公开招商；模型企业和科研机构却仍在抱怨算力紧张。卖铲子的公司越来越多，市场上「能用的算力」却没有同步变多。

部件的进步，不会自动变成可用的算力

算力看似可以像水电一样按卡、按小时标准化计费，实则不然。同样数量的计算卡，置于不同的网络、存储与软件环境，最终交付的有效算力差异巨大：一套集群擅长大模型推理，未必扛得住高通信负载的训练；能跑主流开源模型，也不意味着能直接承接科学计算或工业仿真。

产业链各环节交付的是部件性能，用户需要的却是系统层面的结果——任务按时跑完、稳定运行。中间的工程整合工作——驱动适配、存储瓶颈排查、集群通信效率调优——恰是大多数参与者并不涉足的环节。于是出现了算力短缺与资源闲置同时存在的悖论：撮合平台能告诉你哪里还有空闲卡，却解决不了调度层面的不兼容；资源方能出租设备，却帮不了客户迁移应用；集成商能建起系统，却不一定能持续导入任务。用户缺的从来不是一张卡，而是一套「开箱即用、运行稳定、故障兜底」的计算环境。

一张计算卡背后，要算清三本账

头部云厂商在标准化场景里已经足够成熟，但云的商业模式天然优先服务需求量大、负载可预测的客户，对科学计算与工业仿真（高定制、低规模）、政企与科研客户（数据主权、本地化、信创要求）、跨芯片跨中心的异构资源整合三类需求覆盖有限。

算力服务这门生意能否成立，关键在三本账能否同时算清：

• 建设账：机房、服务器、网络、液冷、电力全部要前期投入，主要设备按 4–5 年折旧，而客户可能只租几周甚至几天；AI 芯片与系统架构更新周期已压缩到一年左右，技术迭代跑赢折旧是首要风险。轻资产平台看似避开了这一风险，实际只是把风险转移给了设备所有者。
• 运营账：Meta 训练 Llama 3 时披露，1.6 万卡集群在 54 天训练周期内发生 400 余次意外中断，平均每 3 小时一次，主要源自 GPU 与内存硬件故障。放到十万卡量级、异构芯片、训练推理科研混跑场景，风险变量只会更多。运营不再是简单分配算力，而是持续处理资源编排、任务优先级、故障隔离、动态迁移与系统恢复。
• 客户账：大模型训练消耗迅猛、项目结束需求断崖；推理对响应与成本锱铢必较；科研任务周期长且精度要求高；工业客户则看重数据安全与本地部署。算力平台必须把这些参差需求拼成一张完整排期表，靠负载互补削峰填谷。

能把三本账纳入同一个体系的，才是算力服务

以三本账为标尺重新审视 AI Infra 市场，分界线相当清晰：大多数参与者只算其中一本，极少数主体能在同一体系内通盘统筹。三本账同时算清的主体有三个难模仿的特征：

• 拥有规模化的驻场工程团队，长期驻扎在客户与系统一线；
• 敢于承受长周期基础设施投入，穿越建设期、爬坡期与技术切换期；
• 掌握决定服务质量的关键环节——网络、存储、调度、软件适配——或确保其处于自己可高效协调的范围内。

国内符合条件的主体屈指可数：少数具备系统工程能力的算力企业，以及手握网络、数据中心与政企服务体系的运营商。两类能力并不相同，实际业务中往往互为补充。它们真正稀缺的不是买设备的钱，而是「没有退路」：利用率不足自己扛、系统出问题自己上、客户任务跑不起来无法推诿。

分工仍在，责任不能分散

算力服务向少数主体集中，并不意味着其他玩家出局。集群规模越大，调度、监控、计量计费、自动化运维与性能优化越值钱；异构资源越多，越需要专业平台帮用户屏蔽底层差异；行业客户涌入后，还需要更懂业务的服务商完成模型部署与应用迁移。这些环节做深了，都是难以替代的位置。

可预见的格局是：由承担最终责任的系统级主体担任「链主」，统揽系统稳定、任务交付与客户服务；软件平台、数据中心、集成商及行业服务商在各自环节做到不可替代，通过标准化接口与责任约定接入整体交付体系。全国一体化算力网相关文件也已明确提出发展「专业化算网运营主体」——关键词是专业化运营，而非更多资源入口。建设阶段比的是设备数量、峰值性能与集群规模；进入运营阶段后，利用率、任务完成率、故障恢复时间、应用覆盖率与单位计算成本，将成为新的记分牌。