一、一场不计代价的“算力狂欢”

万卡集群成标配，巨头“氪金”争锋
ChatGPT引燃的焦虑，让全球科技巨头卷入一场没有刹车的竞赛。马斯克xAI仅用19天便抢建出10万张H100的“算力巨兽”，Meta更将资本支出狂飙至350亿美元以上，堆出等效60万张H100的储备。国内厂商同样不甘示弱，“百模大战”迅速升级为“万卡大战”，仿佛谁抢到的GPU越多，谁就攥住了下一个时代的船票。

“缺芯”恐慌下的非理性囤积
英伟达H100一度被炒到4万多美元一张，禁令风声一紧，企业便不计成本地抢购、囤货，甚至跨界而来的地产资本也涌入智算中心赛道。这种“先圈地再找活儿”的冲动，与当年虚火旺盛的挖矿潮惊人相似，为巨大的算力泡沫埋下了浓重伏笔。

二、泡沫浮现：堆砌的“硅基鬼城”

利用率不足30%，巨额投资在空转
狂热的另一面是惨淡的利用率。据业内调研，部分智算中心GPU集群实际负载长期徘徊在30%以下，大量价值上亿的服务器在机柜里空转折旧，每天吞掉的电费与管理成本触目惊心。就像一座座华美的“硅基鬼城”，外表炫目却人烟稀少。

大洋两岸的“烂尾”预警
泡沫的裂痕已经出现。大洋彼岸，微软被曝放缓数据中心租赁，主动收缩战线；在国内，多个仓促上马的智算项目因缺乏真实应用场景而停摆，或降级为低端存储机房。用地产思维猛追算力风口，正吞下同质化过剩的苦果。

三、能耗黑洞：AI的尽头是“烧水”还是“烧煤”？

一次训练，一个小镇用电
算力饥渴的背后是惊人的能源消耗。训练一次GPT-4的耗电量，足以支撑上千个家庭全年使用，相当于一个小型城镇的用电负荷。而这仅仅是开始，当大模型进入高频推理，单次对话的能耗是传统搜索的十倍以上，AI正化身名副其实的“电老虎”。

绿色算力的理想与现实
为了给芯片降温，数据中心还化身“水怪”。微软一年取水量暴涨34%，谷歌2023年耗水56亿加仑，大量来自饮用水源地，惹来当地居民持续抗议。我国力推“东数西算”和液冷技术，但现实里大批存量机房PUE仍高于1.5，绿电溢价和冷却改造成本，让低碳承诺屡屡承压。一边高喊碳中和，一边大建耗能中心，这是眼下最刺眼的矛盾。

四、“卡脖子”倒逼替代：国产算力的艰难上位

从“特供版”受限到昇腾出战
算力军备竞赛的另一后遗症，是供应链的彻底撕裂。美国制裁层层加码，英伟达从A100禁售到“阉割版”H20也前途未卜，硬生生掐断了轻松外购的路径。危机之下，华为昇腾910B、寒武纪思元等国产芯片临危受命，迅速顶进科大讯飞、百度等大模型的训练推理链条，上演了一场绝地补位。

跨越生态“护城河”的苦战
替代远非插上芯片就行。CUDA生态凭借近400万开发者筑起的软件“护城河”，让国产平台面临痛苦的适配鸿沟。算子重写、性能调优异常耗时，不少企业内部成立了“算子作战室”，一边攻坚一边忍受效率打折。这场替代之战，正从“有没有”向“好不好用”艰难爬坡。

五、后泡沫时代：从“装备竞赛”回归价值创造

推理为王，算力需求终将务实
行业预期已在扭转：未来80%的算力将消耗在推理端，而非无止境的训练。与其继续砸钱死磕万亿参数模型，不如让算力下沉到金融风控、工厂质检、新药研发等实处。当镁光灯从参数榜移开，能赚回电费的AI才是好AI。

构建协同算力网，拒绝重复烧钱
政策端已释放纠偏信号，强调异构算力统一调度，将散落的智算中心织成一张协同网，打破“各自囤卡、重复造轮子”的困局。丢掉“不买够卡就要掉队”的恐慌，把子弹打在应用落地上，这轮狂飙才有机会软着陆，从烧钱狂欢走向真正的数字生产力。