转载 | 全球与中国算力市场调研分析报告
编者注：本文为投稿后转载，由于原文过长（5万字左右并包括大量数据实证分析）因此将其用AI总结后缩写至5000字，可供从业投资者借鉴参考。
全球及中国算力市场分析报告摘要
一、市场概况与核心判断
本报告认为，全球算力市场正在从传统云计算基础设施市场，升级为由AI、芯片、数据中心、电力、网络和资本开支共同驱动的新型基础设施市场。过去衡量云计算市场，主要看云厂商收入、服务器出货量和数据中心面积；进入大模型时代后，更关键的指标变成GPU/AI加速器供给、数据中心电力容量、PUE、液冷能力、网络互联、模型推理需求和算力利用率。换言之，算力不再只是“服务器资源”，而是能源、硬件、软件生态、调度能力和应用变现共同作用下形成的新型生产要素。 第一是“算能”，即数据中心一年可获得或消耗的电能，通常用TWh/年、MW或GW衡量 第二是“IT算能”，即扣除制冷、配电等损耗后真正进入服务器、GPU、存储和网络设备的电能，受PUE影响显著 第三是“有效算力”，即硬件、软件和调度系统把电能转换成可售卖、可调用、可训练或可推理的计算能力，通常用GPU-hour、FLOPS、tokens/s或EFLOPS衡量。 报告的核心方法论是：不能只看“建了多少机柜”或“拥有多少GPU”，而要看有多少电能被转化成可商业化的有效算力。 从总量看，报告引用IEA 2025年《Energy and AI》数据指出，全球数据中心2024年用电约415 TWh，到2030年可能升至约945 TWh。以2026年为当前分析年份，全球数据中心总算能大致处于520-600 TWh/年，其中约360-480 TWh进入IT设备，约80-150 TWh与AI加速计算直接相关。美国、中国和欧洲仍占全球主要份额，其中美国约四成以上，中国约四分之一，欧洲约一成半。报告据此判断，全球算力市场仍处扩张周期，但已经从“缺GPU”进入“GPU、电力、网络、资金、利用率同时约束”的阶段。区域 | 2026年算能估算 | 全球占比 | 主要特征 |
美国 | 235-270 TWh/年 | 40%-45% | AI云、GPU集群、模型公司和资本开支中心 |
中国 | 130-155 TWh/年 | 23%-27% | 政策推动、需求强、国产替代加速 |
欧洲 | 75-90 TWh/年 | 14%-16% | 数据主权、绿色电力、合规约束 |
其他亚太 | 45-65 TWh/年 | 8%-11% | 印度、东南亚、日本、韩国增长较快 |
中东、加拿大、拉美等 | 35-55 TWh/年 | 6%-10% | 能源、资本和新兴云节点驱动 |
二、全球供给格局：美国领先，中国追赶，新兴区域分化增长
全球算力供给高度集中在少数区域和少数企业手中。美国仍是全球AI算力的核心供给中心，优势来自NVIDIA、AMD、Broadcom等芯片与互联生态，AWS、Microsoft Azure、Google Cloud、Oracle Cloud等超大规模云厂商，以及OpenAI、Anthropic、Meta、xAI、Tesla等模型和AI应用公司。美国不仅掌握高端GPU、CUDA、NVLink、InfiniBand等关键生态，还拥有成熟的数据中心集群和资本市场，北弗吉尼亚、达拉斯、凤凰城、硅谷、俄勒冈、俄亥俄、亚特兰大、芝加哥等区域形成大型数据中心集群。其主要瓶颈正在从GPU供给转向电力接入、变电站建设、天然气供应、可再生能源消纳和水资源约束，AI机柜功率密度从传统5-10kW/柜提升至30-100kW/柜甚至更高，使电力成为新增算力的关键限制。 中国是全球第二大算力市场，也是国产AI算力替代的主战场。中国市场并非单一云厂商主导，而是由云厂商、三大运营商、地方政府、国资平台、IDC公司、服务器厂商和国产芯片企业共同推动。政策上，“东数西算”和全国一体化算力网推动资源向西部能源富集地区布局；企业上，阿里云、华为云、腾讯云、百度智能云、火山引擎、中国移动云、中国电信天翼云、中国联通云构成主要供给；硬件上，华为昇腾、寒武纪、海光、昆仑芯、壁仞、沐曦、摩尔线程等推进国产替代，浪潮信息、联想、新华三、中科曙光、宁畅、宝德等承担AI服务器和智算中心交付。中国的优势是政策、需求、电力和工程组织能力，挑战是高端GPU和先进制程受限、国产软件栈和模型适配仍需完善、部分地方智算中心利用率不足，以及跨区域调度受网络时延、数据合规和商业机制影响。 欧洲以数据主权、合规和绿色电力为核心，机会在主权AI、行业模型和绿色数据中心，瓶颈是能源成本、审批周期和本土芯片生态。中东凭借能源、资本和国家AI战略成为新增节点，但受高温制冷、水资源、人才和外部生态依赖约束。东南亚、印度主要承接云迁移、推理和数据本地化需求；日本、韩国则在HBM、存储、半导体材料、制造业AI和主权模型中具有供应链价值。三、中国市场现状：建设速度快与高质量利用不足并存
供给建设很快，但高端芯片、软件生态和利用率仍是约束；政策强调全国一体化调度，但商业上还需解决跨区域时延、数据合规、计量定价和客户迁移问题。 算力对中国数字经济、人工智能、工业互联网、政务云、金融科技、智能制造和科研创新具有战略价值，随着大模型、AIGC、智能体、自动驾驶、机器人和行业AI扩张，智能算力占比会继续上升。但报告强调，算力不是“建成即收入”，资产能否形成现金流取决于客户是否真实使用、模型是否适配、网络是否可承载、数据是否可迁移、价格是否有竞争力、平台是否稳定易用以及运营能力是否持续。 “东数西算”和全国一体化算力网是中国政策主线。东部地区需求强、数据密度高、低时延业务多，但土地、电力和能耗指标紧张；西部地区能源和土地成本较低、可再生能源空间大，但距离需求市场远，网络时延和客户迁移成本较高。国家已布局8个国家算力枢纽节点和10个国家数据中心集群，京津冀、长三角、粤港澳、成渝更适合推理、金融、政务、互联网和企业AI等低时延任务，内蒙古、贵州、甘肃、宁夏更适合训练、离线计算、存储、备份和渲染。真正成熟的全国算力网需要解决统一计量、统一调度、统一交易和统一生态四个问题，即不同芯片、集群和任务如何折算，如何按时延、价格、能耗和合规自动分配任务，如何形成可信报价、结算和服务等级协议，以及模型、框架和工具链如何跨芯片、跨云、跨区域运行。 中国供给主体包括公有云、运营商、第三方IDC、服务器厂商、国产芯片企业和地方智算平台。六类主体合作与竞争并存，利润分配取决于谁掌握客户入口、软件平台和持续运营能力。未来地方智算中心会明显分化，具备低电价、高质量客户、云平台能力、模型生态和产业集群的项目更可能留下来；单纯依赖财政投资、缺客户和运营能力的项目压力较大。 国产AI芯片是中国市场最关键的长期变量。华为昇腾凭借芯片、服务器、CANN软件栈、MindSpore、华为云、盘古模型、政企客户和行业解决方案形成较完整闭环，是国产生态核心力量之一。寒武纪、海光、百度昆仑芯、壁仞、沐曦、摩尔线程等分别在云端训练、推理、通用GPU、特定行业或国产化项目中寻找位置。报告认为，国产算力替代不是简单比峰值参数，而是“能跑起来、跑得稳定、跑得经济”的三阶段竞争。短期最容易在政企、运营商、金融、能源、交通、教育、科研、私有化部署和安全合规要求高的场景落地；长期要进入更广泛商业AI市场，必须降低开发者迁移成本，并在主流模型、框架和工具链上形成持续兼容。四、产业链与主要参与者：生态组合决定利润分配
算力产业链从上游到下游可分为芯片与加速器、服务器与整机、网络与互联、数据中心与能源、云平台与调度、模型平台、行业应用、算力交易与租赁。AI时代的利润集中在高端AI芯片、AI云平台和模型入口，但瓶颈越来越多地出现在数据中心、电力、液冷和网络环节。NVIDIA的强大来自GPU、CUDA、cuDNN、TensorRT、NCCL、NVLink、NVSwitch、InfiniBand、DGX/HGX、AI Enterprise、NIM等软硬件生态的组合；AMD是重要第二供应商，机会来自云厂商和模型客户对替代供给的需求；Google TPU、AWS Trainium/Inferentia、Microsoft Maia、Meta MTIA代表云厂商自研芯片方向；Broadcom在定制ASIC、网络芯片和高速互联中具有关键价值。 云平台是算力商业化核心入口。AWS、Azure、Google Cloud、Oracle Cloud分别依托企业客户、OpenAI入口、TPU/Gemini和大规模GPU集群承接AI需求。中国云厂商竞争从传统云资源价格战转向“云+模型+工具链+行业应用”：阿里云、华为云、腾讯云、百度智能云和火山引擎分别围绕通义/百炼、昇腾/盘古、音视频/微信生态、文心/千帆、豆包/推荐系统展开。专业GPU云和中国算力平台则聚焦高性能GPU、灵活租赁、异构调度和开发者体验。五、需求、价格与成本：推理和利用率决定长期商业化
算力需求分为传统数字化需求和AI原生需求。传统需求包括云主机、数据库、存储、CDN、企业软件、视频、游戏、电商和金融系统；AI原生需求包括大模型训练、推理、向量检索、AIGC、智能体、自动驾驶、机器人、工业仿真和科学计算。未来3-5年，训练仍会拉动最高端集群建设，但推理会成为算力消耗的长期主体。训练像建设高速公路，决定资本开支峰值；推理像每天在路上跑的车流，决定算力资产能否持续赚钱。大模型训练需要成千上万张高端GPU或TPU，持续运行数周到数月，对网络互联、存储带宽、容错、调度、散热和供电要求极高；推理则强调成本、延迟、吞吐、稳定性和服务体验，聊天、搜索、客服、代码助手、图片/视频生成、语音识别、企业Agent等都会形成持续调用。互联网应用规模大，短视频、电商、游戏、社交、搜索和本地生活能支撑高频推理；地方智算中心需要本地政务、教育、医疗、制造和园区客户消化；国产芯片适配决定真实可用需求。 因此不能只问“有没有AI需求”，还要问需求是否愿意付费、能否迁移、是否需要低时延、是否接受国产芯片、能否形成持续调用。价格方面，算力不是单一价格，而是GPU卡时、云实例、长期包量、专属集群、API token、MaaS订阅和私有化项目等多种模式。越靠近底层硬件，价格越透明、竞争越充分、毛利越容易压缩；越靠近模型和应用，价格越不透明、价值定价空间越大，但更依赖产品能力和客户入口。公开GPU云平台价格可作为观察锚点，国际市场H100等效卡时大致可用3-6美元作为参考，但真实企业成本和收入要看是否包含云服务、容量保障、网络存储、SLA和长期合约。中国高端NVIDIA算力价格包含稀缺性溢价；国产算力则不能只看卡时，模型迁移、算子适配、训练效率和稳定性都会影响总成本。GPU/加速器类型 | 国际裸卡租赁价格估算 | 中国市场价格估算 | 适用场景 |
L4/A10/T4 | 0.2-0.8美元/卡时 | 1.5-8元/卡时 | 轻量推理、教学、开发测试 |
L40S/RTX4090/RTX6000 Ada | 0.8-2.0美元/卡时 | 5-25元/卡时 | 图像生成、中等推理、微调 |
A100 40GB/80GB | 1.2-3.5美元/卡时 | 10-40元/卡时 | 训练、推理、科研 |
H100 PCIe/SXM | 2.5-6.5美元/卡时 | 25-90元/卡时 | 大模型训练、高端推理 |
H200 | 4.0-8.0美元/卡时 | 供给有限、价格分化大 | 长上下文、多模态、高显存推理 |
B200/GB200 | 5.0-12.0美元/卡时 | 受供给和合规影响，需项目询价 | 前沿训练、最高端推理 |
成本端主要由硬件折旧、电费、机房与制冷、网络与存储、运维与平台、资金成本和闲置损耗构成。报告给出H100等效卡时综合成本约2.0-6.0美元/卡时，且与利用率高度相关：70%-85%利用率下成本可能为2.0-4.0美元，30%-50%利用率下可能升至4.0-8.0美元甚至更高。电费单项并非最高，但在价格战、中低端推理卡、长期包量和国产算力平台中会显著影响毛利；西部低电价有优势，但网络、客户迁移、数据合规、运维人才和利用率不足可能抵消优势。算力生意公式可概括为：利润=有效卡时收入-硬件折旧-电费-机房/网络/运维-资金成本-闲置损耗。真正有竞争力的供给方，不是单纯拥有最多GPU，而是能以低资金成本获得硬件、以低电力和PUE运行集群、以高利用率调度任务，并把底层算力封装成模型、API、行业应用和企业服务的企业。六、趋势与结论
报告用“算能→IT算能→AI IT算能→GPU-hour→有效GPU-hour→收入/成本”的链条建立测算模型。以2026年全球520-600 TWh数据中心算能为基础，保守、中性、乐观三种情景下，AI相关数据中心用电可折算为约180亿、455亿、1120亿H100等效有效GPU-hour/年，对应约205万、519万、1279万张H100等效常年运行规模。按平均卡时收入2.5、4.0、6.0美元测算，潜在年化收入规模约450亿、1820亿、6720亿美元。中国以130-155 TWh总算能测算，保守、中性、乐观情景下AI IT算能约16、28、43 TWh，有效GPU-hour约36亿、105亿、248亿卡时。报告强调，这些数字不是精确统计，而是用于说明市场能量级和变量敏感性：AI负载占比、PUE、等效功耗、利用率、平均售价和硬件折旧都会显著改变结果。 未来3-5年，全球算力竞争将从单纯比拼GPU数量，转向比拼“可持续电力+高利用率+软硬件生态+应用变现能力”的综合竞争。美国仍掌握AI算力制高点，中国是最重要的追赶和替代市场，中东和亚太新兴市场承接新增需求，欧洲、日本和韩国在合规、绿色算力、制造业和半导体供应链中保有重要角色。中国的机会不只是建设更多智算中心，而是在国产算力适配、行业模型、政企AI、推理平台、算力调度、液冷节能和运营商算力网中形成更高利用率和更强商业闭环。最大风险则是重资产建设过快而真实利用率不足，导致理论算力无法转化为收入。 最终结论是：全球AI算力的理论规模已经很大，但真正稀缺的是“高利用率、低成本、可商业化”的有效算力。算力市场的赢家，不只是拥有电力和GPU的企业，而是能把算力稳定卖出去、调度起来、封装成模型能力，并嵌入客户业务流程的企业。中国市场尤其需要从“建设竞赛”转向“运营竞赛”，从追求机柜、EFLOPS和峰值指标，转向关注可售算力、实际利用率、客户结构、单位算力收入、国产生态成熟度和应用层付费能力。
