通信行业深度报告：云厂商仍保持算力高需求，算力租赁需求有望边际向上

算力租赁与IDC在算力生态中互补共存，两者的核心区别可分为资源控制权、服务内容与成本结构三方面：算力租赁是“购买服务”模式，用户无需自购硬件，即可通过租赁GPU集群等计算资源获得算力，所有硬件和技术迭代由服务商负责，按需付费模式也更具灵活性，适合短期弹性需求与技术更新较快的场景；IDC则属于“自建或租赁基础设施”模式，用户需持有或自行租用机柜、电力、网络等资源，并自行管理服务器、存储设备及应用部署，前期投入较高但更利于长期稳定业务，亦适合需要高度数据控制和安全保障的企业。总体而言，算力租赁强调“算力即服务”的轻量化输出，IDC则提供“重资产持有+基础设施服务”，两种模式在不同需求场景下发挥优势，形成互补的算力服务体系。 云厂商逐步向DeepSeek的效率与成本对标，训练仍有高需求。以DeepSeek为代表的顶尖AI公司，通过算法-硬件协同设计，如稀疏化训练、混合精度优化及分布式训练框架升级（如3D并行策略），云厂商对算力租赁具有明确需求，其核心逻辑在于灵活应对算力需求波动、降低硬件投入成本、优化资源利用率。Agent（智能体）对算力的需求提升主要源于其渗透率、日均调用次数及任务复杂度的三重增长。例如企业端因AI应用扩展（如智能制造、金融分析）开始自建模型训练，进一步加剧算力压力——例如DeepSeek单日推理调用2500万次，需1814张H800芯片支持。在这种双重驱动趋势下，算力需求从训练端开始向推理端迁移。 供给端硬约束下，因稀缺性溢价与成本传导机制，算力租赁仍有涨价空间。美国对华芯片出口限制持续加码，英伟达H100/H20等高端GPU对华供应被严格限制。英伟达H20禁售后，H800服务器单价持续逐步涨价，硬件端的成本压力已经传导到租赁端。根据《智能计算中心创新发展指南》,2022年我国智能算力规模快速增长,达到268百亿亿次每秒(EFLOPS),超过通用算力规模,预计未来5年中国智能算力规模的年复合增长率将达52.3%。 IDC行业的竞争本质是资源禀赋争夺战，算力租赁的核心在于GPU资源的规模和渠道稳定性。IDC核心壁垒在于获取一线城市及周边地区的土地资源与能耗指标，并通过绿色节能技术降低运营成本。政策要求数据中心PUE逐步降低，且在绿色电力比例要求下，一线城市能耗指标审批趋严，数据中心逐步向其他非一线城市部署。算力租赁行业的竞争力取决于GPU囤积规模与获卡渠道稳定性，尤其在英伟达高端芯片如H100、H20供应受限背景下，资源垄断性成为关键。国产替代（如华为昇腾910B）虽加速，但性能仍有差距，短期内无法完全替代英伟达系芯片单次大模型训练需消耗千卡级GPU集群。 相关标的：润建股份、大位科技、利通电子、朗科科技、润泽科技、光环新网、铜牛信息、中贝通信、恒润股份、海南华铁、奥飞数据、弘信电子。 风险提示：技术发展不及预期，中美地缘政治风险，行业竞争加剧。 1.IDC和算力租赁区别：“地皮”与“楼盘”的关系 1.1.IDC和算力租赁的商业模式区别在于“卡”的所有权 IDC仅提供算力运营环境：互联网数据中心（Internet Data Center），简称IDC，指的是一种拥有完善的设备，包括高速互联网接入带宽、高性能局域网络、可靠的机房环境等、专业化的管理、完善的应用的服务平台，专业化服务器机房，提供数据中心租赁托管服务。 本质为数字地产商，提供物理空间+电力+网络，客户自备服务器或租赁整机柜。 图1：IDC商业模式 图2：第三方算力租赁商 第三方算力租赁基本是云服务的垂直形态，仅提供虚拟化计算资源（如GPU/CPU集群），客户按需租用。对于使用客户来说，算力租赁是一种按需付费的轻资产模式，依赖外部IDC部署服务器，聚焦资源调度与客户对接，如AI公司训练需求。位于算力产业链上游，是算力中心基础设施集成建设方和运营方，提供算力中心机柜租赁服务、端口服务以及其他增值服务 1.2.需求视角：IDC倾向帮运维，算力租赁则是“算力即用” IDC的本质是解决企业“硬件安家”需求—客户已拥有服务器、GPU等硬件设备，但缺乏专业场地与运维能力，需借助IDC提供稳定的电力、散热和网络环境。企业以此规避自建数据中心的巨额建设投入（CAPEX）与日常运维复杂度（OPEX），以“拎包入住”模式实现轻量化运营。比如金融机构自建服务器保障数据主权，却无力承担一线城市机房的高昂土地与能耗成本；或视频平台部署定制化存储设备时，通过IDC实现异地容灾。 图3：需求端对比 算力租赁瞄准“算力即用”需求，即客户无自有硬件或面临短期算力缺口，如AI大模型训练、影视渲染，需快速获取即租即用的计算资源，避免硬件采购的周期风险与长期闲置。例如AI创业公司为千卡级GPU集群租赁3-6个月完成模型训练，或影视公司按项目周期租用算力平衡成本与效率。其核心价值在于将算力投入从固定资产（CAPEX）转化为随用随付的可变成本（OPEX），适配业务快速迭代。 1.3.供给视角：IDC赚服务器量增的运维，算力租赁价格弹性大 第三方IDC的盈利本质是：通过机柜规模扩张与资源利用率提升的双重驱动提升收入与利润率。收入增长与服务器/机柜的物理数量扩张强相关，规模经济效益明显。头部企业如润泽科技、数据港通过大规模布局一线城市周边机柜（如润泽已部署超32万架机柜），利用土地、能耗指标等稀缺资源抢占市场份额。IDC机柜上架率直接影响毛利率，上架率提升摊薄成本。 图4：IDC运营内部示意图 图5：英伟达H100 2023年流向 算力租赁的核心价值在于弹性供给与资源稀缺性溢价。在供需错配前提下，算力租赁商通过资源垄断性和需求刚性获得定价权。单次大模型训练需消耗128张H100连续运行3个月，对应成本约200万元。英伟达H100芯片2023年全球出货量约55万张，中国仅获得约5%（2.75万张），在GPU硬约束下，若100家AI公司同时训练，需1.28万张卡—已接近国内供给上限，推高租赁溢价。 2.模型训练加速优化，算力租赁业务弹性更大 2.1.模型训练优化，Agent带动应用训练 云厂商逐步向DeepSeek的效率与成本对标，以DeepSeek为代表的顶尖AI公司，通过算法-硬件协同设计，如稀疏化训练、混合精度优化及分布式训练框架升级（如3D并行策略），在降低成本基础上，提升了千卡级集群训练效率。云厂商需加速技术对齐，避免客户因成本差转向自建算力。 云厂商对算力租赁具有明确需求，其核心逻辑在于灵活应对算力需求波动、降低硬件投入成本、优化资源利用率。同时通过租赁模式规避美国对高端GPU芯片（如A100/H100）的出口管制风险。具体而言，算力租赁使企业无需长期投入自建硬件即可应对AI大模型训练、云业务扩容等场景的突发需求，例如腾讯2025年算力租赁占比达25%（约200亿元），主要用于应对算力暴增且自建周期长达一年半的挑战。此外，租赁模式将算力开支从资本支出（CAPEX）转为运营支出（OPEX），减轻现金流压力，同时通过第三方合规供应商（如国资背景的数据中心）获取被禁芯片资源，例如阿里云通过租赁获取A800卡，腾讯则依赖协创等供应商的海外算力资源。这种“自建+租赁”双轨策略既保障了算力可控，又实现了资源的高效复用与成本优化。 表1：腾讯和阿里对于云相关服务的需求点维度腾讯 腾讯与阿里在算力需求上的核心差异，体现在资源控制策略与技术路线选择的分化，进而导致其GPU卡采购方向不同。腾讯选用H20和H100系列以兼顾合规性与弹性，应对双十一、游戏渲染等突发场景及金融医疗等对本地化数据存储的要求，H20占比需求更高，适配国产化需求，H100/H200则通过租赁海外回收卡来兼顾性能与成本控制。 相比之下，阿里则以自建为基础、租赁为辅，加速国产化替代，主推H200并大规模部 署寒武纪590与昇腾910C等国产卡，以支撑多模态大模型高强度推理需求，同时通过 东南亚布局服务出海企业，在规避供应链风险的同时实现算力成本优化。 Agent（智能体）对算力的需求提升主要源于其渗透率、日均调用次数及任务复杂度的三重增长。随着DeepSeek、Manus等AI Agent的爆发，其处理复杂任务（如数据整理、研究报告生成）时需消耗远超对话场景的token量，推动算力需求陡增。同时，Agent作为流量入口，预计2030年前将创造近千万B200的算力需求，远超多模态模型。 此外，企业端因AI应用扩展（如智能制造、金融分析）开始自建模型训练，进一步加剧算力压力——例如DeepSeek单日推理调用2500万次，需1814张H800芯片支持，而企业级训练场景对算力冗余和效率的要求更高。这种双重驱动下，算力需求从训练端向推理端迁移，推动全球算力市场规模持续扩张。 图6：Generative Agents运行流程图 2.2.供给受限，算力租赁仍有涨价空间 供给端硬约束下，因稀缺性溢价与成本传导机制，算力租赁仍有涨价空间。美国对华芯片出口限制持续加码，英伟达H100/H20等高端GPU对华供应被严格限制。2024年中国市场H100供应量远远小于需求量，且H20芯片被完全禁售，导致国内算力租赁 商面临“无卡可用”的困境。华为昇腾910B等国产芯片虽加速替代，但性能与生态适配度（CUDA生态依赖）仍存在显著差距，短期内难以填补需求缺口。 英伟达H20禁售后，H800服务器单价从200万元涨至300万元，增加50%，硬件端的成本压力已经传导到租赁端。而运维方面，算力集群能耗占训练总成本大，液冷等节能技术普及需额外投入，进一步推高租金。 图7：中国算力产业链 未来5年智算将有望高速增长。在智能算力方面,根据《智能计算中心创新发展指南》,2022年我国智能算力规模快速增长,达到268百亿亿次每秒(EFLOPS),超过通用算力规模,预计未来5年中国智能算力规模的年复合增长率将达52.3%。据国际数据公司（IDC）预测，2024年，中国智能算力规模达725.3百亿亿次/秒(EFLOPS)，同比增长74.1%。中研普华产业研究院报告显示，到2026年，国内算力租赁潜在收入市场规模有望达到2600亿元，且将以每年20%以上的速度快速增长。 图8：中国智能算力发展情况百亿亿次/秒(EFLOPS) 图9：中国整体IDC市场规模及趋势（单位：亿元） 3.拥有算力资源和大厂订单为核心壁垒 IDC行业的竞争本质是资源禀赋争夺战，核心壁垒在于获取一线城市及周边地区的土地资源与能耗指标，并通过绿色节能技术降低运营成本。政策要求数据中心PUE需低于1.3，且在绿色电力比例要求下（如绿电使用率需达80%），一线城市能耗指标审批趋严。 一线城市及周边地区（如北京、上海、广州）因网络延迟低、客户集中度高，成为IDC布局的核心区域，但土地资源稀缺且价格高昂。例如，润泽科技在京津冀、长三角布局超32万架机柜，依托土地先发优势形成竞争壁垒；西部地区虽土地成本低，但需求密度不足，需依赖“东数西算”政策引导存储类需求西迁。 图10：IDC行业第三方服务商竞争梯队 算力租赁行业的竞争力取决于GPU囤积规模与获卡渠道稳定性，尤其在英伟达高 端芯片如H100、H20供应受限背景下，资源垄断性成为关键。国产替代（如华为昇腾 910B）虽加速，但性能差距显著，短期内无法完全替代英伟达系芯片单次大模型训练需消耗千卡级GPU集群，如通义千问需万卡级算力，头部租赁商通过大规模囤卡形成供给壁垒。国际关系导致英伟达H100/H20对华出口受限，2024年全球H100基本被海外大厂所购买，因此国内具备海外供应链能力的厂商可绕过限制，形成渠道优势。 4.相关标的 表2：算力租赁与IDC相关公司梳理 5.风险提示 技术发展不及预期。AI算力基建能否持续主要取决于AI大模型等技术的发展，如果AI技术发展不及预期，可能会影响算力基建投资速度。 中美地缘政治风险。美国可能加大对中国的科技制裁，导致中国无法获取最先进的AI芯片。 行业竞争加剧。算力基建市场发展迅速，新进参与者众多，可能会导致行业竞争加剧。