从全球模型商业化探索看算力供给是否过剩20260706

Meta战略转型算力云服务，AI商业化路径与资本开支趋势研判 摘要 ·Meta启动MetaCompute计划，目标10年建设数十GW算力，2026年上线全球首个1GW级训练集群Prometheus,配备约50万块高端GPU。●Meta进军云服务以对冲千亿级资本开支压力，提供MaaS与裸算力租赁，通过“开源引流+算力变现”闭环，缓解AI商业化不及预期的质疑。●Meta资本开支预计持续增加，主要投向推荐系统算法升级(10倍复杂度)、Watermelon模型训练(10倍算力增长)及第三方模型API服务。·Anthropic凭借数据飞轮与稠密架构在编程领域保持领先；国内厂商如智谱、MiniMax预计2026年下半年通过类似数据策略缩小编程能力差距。●AI商业化路径明确：2027H1前以Coding为主，2026Q3起企业级服务接力，2028-2029年具身智能爆发将带动新一轮算力需求上量。●算力供给仍严重短缺，企业级私有化部署将成新增长点；短期看好中报业绩优异的低位软件股、国产算力板块及头部算力租赁公司。 Q&A 市场近期因Meta进军云计算而担忧AI算力过剩及资本开支放缓，请问Meta在算力方面的整体战略、基础设施布局、模型进展以及此次业务调整的深层原因和潜在影响是什么? 近期市场对算力过剩的担忧主要由Meta进军云计算引发。Meta的算力战略与其他模型厂商不同，其核心策略是先大规模储备算力作为战略资源，再根据后续发展决定具体用途。今年(2026年)1月，公司启动了“MetaCompute”计划，作为算力基建的顶层统筹项目，目标是在十年内建成数十GW的算力设施。为实现此目标，公司设立了明确的组织架构：基础设施负责人掌管技术架构、软件栈、芯片及全球数据中心建设；超级智能实验室负责人负责长期战略、供应商合作和商业建模；另有总裁负责跨部门推进。在数据中心布局上，Meta主要分为三类。旗舰级集群用于大模型训练，包括： 1.位于俄亥俄州的Prometheus集群，算力规模为1GW,计划于2026年内正式上线，将成为全球首个1GW级别的AI训练设施，配备约五十万块高端GPU。2.位于路易斯安那州的Hyperion集群，远期规划达到5GW,是公司史上最大的单体算力园区。该项目于2024年底开工，分阶段建设，目标为2027年达到1.5GW,2030年达到2GW。 除旗舰集群外，Meta还建设了多个区域级的GW级数据中心园区(如Titan集群),并通过租赁模式扩充算力。例如，今年6月，Meta与数据中心开发商Cruise签订了1.6GW的算力容量租赁协议。Meta此次进军云计算的决策，其背景在于其AI商业化进展未达预期。公司于今年四五月份推出的MuleSpark模型在海外市场被视为二流模型。尽管其正在训练的下一代模型Watermelon据称在部分基准测试中能追平GPT-5.5,但整体模型能力仍相对落后。同时，其MetaAI智能体的进展也慢于预期。这导致其为内部AI应用(如智能体、推荐系统等)储备的大量算力利用率不高。在面临资本市场对其AI投入产出比的质疑压力下(尤其是在今年4月底将全年资本开支上调100亿美元至1,250-1,450亿美元后),并观察到XAI等公司通过对外提供算力服务改善了收入预期，Meta选择进入云计算领域。此举有多重目的： 1.对冲其千亿级的资本开支压力，缓解资本市场对其投入产出比的质疑。2.摊薄自身基础设施的固定成本，平滑AI投资的周期性波动。3.通过扩大采购规模，增强在供应链中的议价能力。 Meta计划提供两种服务模式：一是类似亚马逊Bedrock的MaaS服务，通过API对外提供其自研模型(如Llama系列);二是裸算力租赁。这一战略旨在打通“开源模型引流、算力服务变现”的商业闭环，改变过去仅提供开源模型而无法分享算力红利的局面。此外，通过自研模型与自研芯片的深度协同优化，Meta有望在性能和成本上获得相较于通用云厂商的优势。此举对市场格局也产生了影响。传统超大规模云厂商因其完整的平台能力和企业级服务能力而受影响较小。然而，对于新兴云服务商(New Cloud),市场担忧Meta凭借其强大的算力供给、采购成本和资本实力，会加剧竞争，从而压缩其利润空间。值得注意的是，国内算力租赁市场的逻辑与海外截然不同，其核心驱动力在于高端海外卡的获取能力、国产算力的供给以及市场的供需关系。此外，Meta的算力分配策略也日趋清晰：将最先进的芯片和旗舰集群用于内部前沿模型的训练，而将相对成熟的算力资源(如H100、H200及更早的型号)对外出租。这种分层利用的模式与谷歌等厂商类似，例如谷歌会将最新的TPU(如V8)用于自研模型训练，而将V5、V6等版本租给Anthropic等合作伙伴用子推理。这表明，当前主流模型厂商的算力基本处于满负荷运转状态，而非闲置过剩。最新的观点甚至认为，考虑到未来大模型训练、推理以及其他潜在AI应用的E大需求，Meta的资本开支仍有继续加大的可能性。 Meta未来的算力支出主要投向哪些方向，资本开艾是否存在下降的可能性? Meta未来的算力支出预计会增加而非下降，主要有四个投向。第一，用于内部产品，如其推荐系统。通过将推荐系统的复杂度提升十倍，可以显著提高广告效率和AI广告收入增速。第二，为满足内部模型训练需求，例如其Watermelon项目，其能力提升主要源于训练算力大约十倍的增长，这表明海外旗舰模型在预训练算力上的投入仍在持续加大。第三，效仿亚马逊和微软等云服务商，除了销售自有模型外.还将引入并提供Anthropic、OpenAI等顶尖模型的API服务，这将成为资本开支的一个重要增量。第四，类似于XAI的模式，对外提供按需的短期算力租赁服务，这种模式虽然租赁价格高，但灵活性强。综合这四个方向，Meta未来的资本开支可能会继续增加。 如何看待近期Anthropic的发展情况，包括其ARR增速波动、新模型发布策略以及其在编程能力上保持领先地位的原因? Anthropic的ARR增速在2026年四、五月份放缓后，于6月14日出现回升。增速波动的原因主要有三点：首先，ARR增速很大程度上受限于算力供给的额度；其次，五月份算力不足导致限额限流，用户体验下降，部分用户转向了OpenAI5.5Codex;最后，其Claude 3.5 Sonnet(访谈中被称为Suno 5或Santai5)发布后虽短暂暂停，但在恢复访问和优惠期间，用户反馈积极，表现超出预期，推动了ARR的回升。其新模型发布策略遵循了行业普遍做法：在旗舰模型发布后，将上一代旗舰模型进行微调和强化学习，然后以折扣价格作为中档高性价比模型推出，以迎合企业级市场从追求极致性能(token maxing)回归理性的趋势。Anthropic在编程能力上有望在2026年下半年继续保持全球领先，主要基于两大核心因素。第一是用户数据飞轮优势，其积累的用户反馈数据在全球范围内处于领先地位。第二是其可能采用的稠密模型架构。相较于业界普遍使用的MoE(Mixture ofExperts)稀疏架构，稠密架构在处理长程、复杂的编程任务时，能更好地捕捉反馈循环中的信息，从而获得更优的效果。如果Anthropic继续沿用现有架构并结合其数据优势，其在编程领域的领先地位将大概率得以维持。 旨前全球主要AI大模型厂商的竞争格局是怎样的，尤其是在模型训练和编程能力方面，国内厂裔与海外巨头存在哪些差异和追赶趋势? 在模型训练层面，海外头部厂商仍在持续加大投入。例如，谷歌内部正在积极训练新模型，可能跳过Gemini 3.5 Prc直接发布Gemini4.Meta的Watermelon项目算力投入也提升了十倍。这表明在训练环节的竞争并未放缓。在编程能力方面，海外厂商各有特点。Anthropic凭借数据飞轮和可能的稠密架构优势保持领先。OpenAI虽有Codex,但在架构上可能与Anthropic存在差异，谷歌则同时面临架构和数据飞轮两方面的问题，目前相对落后。国内模型厂商与海外巨头在编程能力上的最显著差异在于数据飞轮。由于缺乏类似Codex或Cursor等自有编程工具来大规模积累用户反馈数据，国内厂商处于劣势。不过，这一状况在2026年下半年有望改变。随着智谱AI 5.2版本的发布，其数据获取方式已为业 界所知。预计下半年，包括MiniMax在内的其他国内厂商将纷纷跟进，采用类似的数据策略并发布大参数模型。这将使得国产模型在编程能力上的差距显著缩小，行业整体水平将有较大提升。 从产业角度看，大模型在编程能力达到较高水平后，后续的商业化路径和时间节点将如何演进? 大模型商业化的演进路径和节奏预判如下：首先，在编程领域，预计到2027年上半年，该方向仍将是市场主导，并有望迭代至一个较高水平。其次，企业级服务市场将接续成为焦点。目前，海外大模型厂商已在加速布局企业级市场，预计到2026年第三季度或年底，将看到更多模型厂商与应用厂商合作的加速进展，届时可能会涌现出一批优秀的应用厂商。这一阶段的特点是，模型厂商纷纷建立类似于FDE(FieldDeploymentEngineer)的团队，深入企业内部，梳理业务流程并规划AI的落地与实施。其核心目的并非单纯的项目交付，而是通过服务多个行业客户，总结通用需求与模式，反馈并优化模型与产品，形成正向循环，从而提升模型在垂直行业的适用性。国内厂商也已开始在垂直场景与软件公司合作，但整体进度相对较慢。再次，具身智能与物理AI(PhysicalAI)将成为下一波浪潮。自动驾驶是其中成熟度相对较高的场景。对于机器人和具身智能领域，预计在2026至2027年，市场将看到在特定场景下万台、十万台级别的量产落地。真正的“GPT时刻”或大规模爆发预计在2028至2029年到来，届时由具身机器人引发的算力需求将显著增长。最后，AI for Science是更长期的商业化方向。目前，如OpenAI的GPT-5.6版本已开始强调在该领域的布局，这代表了产业的早期探索。总结来看，商业化节奏大致为：当前至2027年上半年以Coding为主；随后企业级服务市场接力；2028至2029年具身智能相关需求开始上量；而AI for Science则作为更远期的发展方向贯穿其中。此外，端侧AI也在快速发展，预计到2027年下半年，其发展斜率可能会显著提升。 当前AI产业中算力供需的实际状况如何?企业级市场的私有化部署需求是否会成为新的增长点? 当前产业内的普遍共识是，算力供给严重不足，不存在过剩问题。与产业内各方交流得到的反馈均指向，市场不缺需求，缺的是算力供给。目前，云厂商的算力需求主要由OpenAI等前沿AI实验室主导，而来自企业级市场的部署需求占比相对较小。然而，随着企业级市场的逐步发展，特别是FDE模式的推进，以及企业对数据安全和定制化需求的增加，企业级的私有化部署需求有望成为算力需求的下一个增长引擎，为资本开支带来新的增量。 结合当前宏观环境和产业趋势，对AI产业链相关板块的短期市场表现有何看法? 当前市场在宏观层面(如加息降息预期、地缘政治)波动较大，呈现宽幅震荡格局，硬件、半导体与软件板块之间存在明显的“跷跷板”效应。具体到AI产业 链：对于海外算力链，其后续走势将在很大程度上取决于7月下旬美股科技股的新一季财报表现。对于A股市场，短期内呈现结构性机会。首先，部分处于低位且2026年中报业绩预期良好的软件公司，在市场寻求避险需求的背景下，具备较高的反弹胜率。例如，讯策、艾弗石等前期业绩增长较快的公司，中期业绩预计将保持良好。其次，国产算力板块由于受外部扰动较小且受益于更多利好政策，短期内相对海外算力链更具优势。再次，算力租赁领域的头部公司业绩表现普遍非常出色，大概率会发布积极的业绩预告，值得重点关注。总体而言，短期策略上，处于低位、中报业绩预期好的软件股以及国产算力板块相对更占优。而对于大多数AI应用公司而言，其收入端尚未体现出明显的加速增长状态，产业趋势的兑现仍需时间。