卖铲子的没铲子，AI创新卡在算力死循环里

2026年5月的硅谷，AI圈最荒诞的一幕正在上演：当年帮英伟达押注AI赛道的功臣Bryan Catanzaro，如今在自家公司申请GPU训练卡，得到的回复是“那些卡已经卖掉了”。而谷歌DeepMind的研究员Andrew Dai，因为项目不能直接服务旗舰模型Gemini，连内部TPU资源都拿不到，最终选择离职创业——他靠3.35亿美元融资买到的算力，和谷歌当初挽留他开出的条件几乎相当。这不再是巨头抢算力的军备竞赛，而是一场从实验室到创业圈的全面“算力饥荒”。为什么连造铲子的人都没铲子了？这背后藏着一个比产能短缺更致命的陷阱。

不是缺芯片，是算力卡在了死循环里

你可以把AI算力市场想象成一个拥堵的停车场：车位明明有不少，但一半被人占着却不开车，剩下的空位被几百辆车围着抢。Cast AI的报告显示，大企业GPU集群的平均利用率只有5%——相当于100个车位里，真正在使用的只有5个。马斯克的Colossus算力中心，模型算力利用率也仅11%。

这不是企业不知道浪费，而是不敢放手。当云销售打电话说“只剩36张卡，签一年长约，后面还有五家等着”时，没人敢说“我不需要”。先抢下来再说，哪怕闲置也绝不释放——因为交出去的卡，可能再也拿不回来了。这种“错失恐惧症”制造了囤积，囤积又加剧了短缺，短缺再放大恐慌，形成一个闭环的死循环。

更关键的是，算力的流动性彻底枯竭了：它锁在企业的长约里，困在云厂商的容量池里，但就是出现在普通开发者今晚能点开的购买页面上。英伟达高管Robert Ober一针见血：“算力短缺不是因为没有GPU，而是因为它们被长期锁定在合同里，无法快速释放。”

旧卡卖过新卡，算力市场的真实逻辑

你可能会奇怪：新一代B200 GPU性能更强，为什么H100、H200的租赁价格反而更高？半年里H100的租金涨了40%，现货价格是两年前的两倍，甚至比B200还贵。

答案藏在“确定性”里。对于推理服务、代码Agent、小模型复现这些海量需求来说，最先进的芯片从来不是首选。做工程的人都懂：真正值钱的是“好用”——H100的生态足够成熟，别人的基准测试用它，调参经验有人踩过坑，跑起来不出错；而B200再强，也需要时间适配框架、调试集群，这些都是看不见的成本。

就像你不会为了最新款的烤箱，放弃用了十年的旧锅——哪怕旧锅不如新烤箱先进，但它能精准烤出你要的温度。现在的算力市场，不是按“谁更新”定价，而是按“谁能马上用、不出错”定价。旧卡本该退场，却因为“确定性”成了刚需，进一步挤压了新卡的流通空间。

算力成了筛选器，创新生态正在分化

AI民主化的口号喊了很久，但算力正在把这个理想撕成两半。

开源模型确实降低了技术门槛——你可以免费下载Meta的LLaMA权重，但要复现一次实验，可能需要8×H100跑上几天。Andrew Ng曾说“AI是新的电力”，但现在看来，这更像是“只有少数人能用上的电力”。AI大神Andrej Karpathy吐槽，录制教学视频时才发现，让学员“启动一台8×H100服务器”，就已经把90%的人挡在了门外。

大厂里，非盈利的基础研究项目在和付费客户抢资源；围墙外，独立开发者连租卡的资格都没有。华盛顿大学教授Oren Etzioni说：“在谷歌内部，每一块TPU的背后都有三位竞争者。”那些不能直接带来收入的项目，那些想探索新方向的研究员，正在被算力筛选出去——要么转向能赚钱的项目，要么离职创业。

这种分化正在重塑创新生态：头部企业拿着算力迭代旗舰模型，创业公司靠融资买算力试错，而普通开发者只能在“用本地Mac硬跑小模型”的边缘挣扎。

当我们谈论AI算力短缺时，我们谈论的从来不是芯片不够用，而是资源分配的失衡——是囤积的闲置算力，是流动性的枯竭，是“确定性”压倒“创新”的现实。

算力正在从基础设施，变成一种权力：它决定谁能做研究，谁能搞创新，谁能在AI赛道上拿到入场券。而打破这个死循环的关键，或许不是造更多芯片，而是让已有的芯片流动起来——让闲置的算力进入市场，让普通开发者能拿到稳定的资源，让探索未知的项目不必为了生存向商业妥协。

算力的本质，应该是创新的燃料，而非筛选的门槛。