AI和大模型的快速發展，讓算力需求暴增。

據行業數據統計，到2030年，全球通用計算（FP32）總量將達到3.3ZFLOPS，這一數據對比2020年，總量增長近10倍。而AI計算（FP16）總量更是來到105ZFLOPS，是2020年的近500倍。

算力作為AI產業增長的底層基礎，需求激增使其整體資源面臨短缺。針對這一問題，大型互聯網企業往往有更好的高性能GPU采購渠道和算力儲備，而中小企業就無法獨善其身。

要知道8卡英偉達A100-NVLink(80GB顯存)的GPU服務器的月租金約為13.34萬元，對應全年租金約為160萬元。設備投入成本的高昂，讓他們不得不將目光紛紛投向別處。

算力租賃，也許是諸多方案中更好的選擇。

對于中小企業而言，算力租賃可以有效減少AI大模型的訓練成本，降低AI更高領域的研究門檻。要知道目前的AI機器人并不是簡單的執行代碼，而是通過每一次算法模型迭代去完成深度學習。選擇算力租賃支撐算力支持，至少能夠讓中小企業以較低成本探索AI領域。

并且業內認為，時間是大模型廠商極為稀缺的資源，率先完成AI領域相關技術開發，可以比競爭對手獲得更多先發優勢，實現資源配置的最優效率。加上服務器的等待、調試以及運維等，都要算在AI研發的成本當中，選擇租賃似乎是一條不得不走的路。

既然算力租賃市場存在大量需求，當下選擇進軍算力租賃，是好生意嗎？

首先要了解一點，算力租賃的本質并不是算力，而是租賃，核心資源在于資金、客戶以及運維能力。資金方面，要想滿足如此龐大的市場需求，組建龐大算力中心并且購買大量固定資產，這對于投資者的資金籌集能力有極高要求。

即使跨過資金問題，客戶在選擇服務商時，也會考慮主營業務的匹配度。很多跨界從事AI算力租賃的企業，看中的是這一業務的低門檻。然而站在客戶角度，他們更愿意選擇研發實力雄厚，且主營通信和網絡的企業。

運維能力更不用說，目前中國大部分進軍算力租賃的企業，并不能拿到穩定的GPU貨源，更不談組成服務器甚至集群了。這些企業一旦面臨設備老化和更新換代，所謂的維護就只剩下空架子。甚至以玩笑話說，和英偉達的合作關系的好壞，才是AI領域掌握話語權的關鍵。

故而在多數情況下，算力租賃仍存有大量懸而未決的問題。算力短缺的根本原因是算力基礎設施的匱乏，租賃本身并不能作為長久之計使用。很多國內企業很早就認識到了這一點，并投入大量人力物力研發芯片和服務器，目的就是想要從根本上排除算力短缺隱患。

從大型互聯網企業潛心研發的態度，反觀目前算力租賃的熱度空前的現狀，就知道這其中很可能含有概念炒作的成分。從供需角度看，算力供不應求，算力租賃廠商在此時擁有較強的議價能力。而一旦出現供過于求的情況，算力租賃概念將會整個淪為炒作的犧牲品，最終導致這些廠商失去議價權，成為頭部資本的待宰羔羊。

綜上，算力租賃數百億美元潛力的市場，加上作為新藍海的吸引力，在當下而言確實是AI高速發展時代下的當紅產業。但極有可能，僅是當下。