导语
算力租赁行业最反常的地方在于：
它看起来处在AI浪潮中最缺货、最赚钱的位置，却同时暴露出最脆弱的商业模式。
一边是大模型公司、云厂商、互联网巨头不断抢购GPU，算力似乎永远不够用。
另一边，GPU迭代周期正在缩短，设备折旧争议越来越大，依赖借债买卡、出租还债的公司，正在把一门“租赁生意”做成高杠杆金融游戏。
当Meta这样的巨头也开始考虑出租闲置AI算力，市场终于意识到：
算力租赁的核心问题不是有没有需求，而是谁能承受GPU贬值、资本开支和价格波动。
这也是算力租赁行业正在变化的根本原因。
图1：算力租赁行业主题封面
来源：报告派整理
什么是算力租赁？
图2：算力租赁的基本定义与资源交付模式
来源：报告派整理
算力租赁，本质上是把计算资源作为一种可按需购买的服务卖给客户。
客户不必自己采购GPU、建设机房、配置网络和运维团队，而是通过租用云端算力，完成模型训练、推理、渲染、科学计算等任务。
在AI大模型兴起之前，云计算已经有类似模式。
亚马逊AWS、微软Azure、谷歌云长期提供CPU、存储、数据库等云服务。
只是过去的核心资源更多是通用计算能力，GPU并不是数据中心里的绝对主角。
大模型改变了这一点。
训练和推理需要大规模并行计算，英伟达GPU成为稀缺资产。
谁能拿到足够多的GPU，谁就能在短期内获得议价能力。
这让一批原本规模并不大的GPU租赁公司突然站上风口。
CoreWeave、Lambda Labs、Nebius等公司，正是在这种背景下被资本市场重新定价。
但这门生意并不只是“买卡出租”这么简单。
它背后真正的变量包括：
GPU采购成本、折旧周期、融资成本、客户合同长度、机房电力、网络架构、芯片迭代速度，以及大客户是否会自己下场。
这些变量任何一个发生变化，都会改变行业利润结构。
算力租赁可以按资源形态和客户需求分成几类。
第一类是通用云算力。
这是传统云厂商的主场，包括亚马逊、微软、谷歌等。
它们提供CPU、存储、数据库、网络、安全服务，也提供GPU实例。
这类公司优势在于客户基础、云生态和现金流。
即使AI算力短期过剩，它们也可以通过其他云服务摊薄数据中心成本。
第二类是AI GPU专用算力租赁。
CoreWeave、Lambda Labs、Nebius更接近这一类。
它们的核心资产是英伟达GPU集群，收入主要来自把这些GPU出租给AI公司、互联网平台或云巨头。
这类公司在AI算力紧缺时增长很快，但风险也更集中。
因为它们缺少云巨头那种完整业务底盘，一旦GPU闲置、租金下降或融资变贵，财务压力会迅速放大。
第三类是企业私有化部署和托管算力。
一些企业不愿把核心数据和模型放到公有云上，会选择自建或托管GPU集群。
服务商提供机房、电力、网络、运维和硬件采购能力，客户获得相对稳定的专属算力。
这类模式更偏项目制，增长速度未必最快，但客户黏性相对较强。
第四类是闲置算力再出租。
这正是近期市场关注Meta的原因。
如果超大规模互联网公司建设了超过当前业务所需的AI数据中心，就可能把部分算力对外出租，以抵消资本开支。
这种模式一旦普遍化，会直接改变算力租赁市场的供给结构。
因为巨头的算力不是靠高息债务买来的。
它们的成本结构和抗价格战能力，明显强于独立算力租赁公司。
从云计算到GPU金融化
图3：算力租赁从云计算到AI GPU集群的演进路径
来源：报告派整理
算力租赁不是新行业。
它的早期形态是云计算。
企业从购买服务器，转向租用云资源；从一次性资本开支，转向按需付费。
这是亚马逊AWS崛起的基础，也是微软、谷歌后来持续加码云业务的原因。
但AI大模型出现后，行业逻辑发生了变化。
过去云计算卖的是一整套基础设施能力。
现在AI算力租赁更像是在围绕GPU这一单一关键资产重构商业模式。
CoreWeave就是典型案例。
它早期靠GPU相关业务起家，也经历过加密货币挖矿时代。
2022年前后，它转向AI云服务供应商，但底层逻辑并没有彻底变化：
核心仍然是获得GPU，再把GPU租出去。
问题在于，GPU和传统服务器不一样。
它的物理寿命可以很长，但经济寿命取决于技术迭代和模型需求。
如果新一代GPU显著提升训练效率，旧卡就会迅速贬值。
英伟达GPU的迭代周期已经从过去18到24个月，压缩到大约12个月节奏。
从Turing、Ampere、Hopper、Blackwell，再到Blackwell Ultra、Vera Rubin，产品路线越来越密。
这意味着，GPU并不是一项可以安稳折旧六年的普通设备。
它更像一种快速更新的生产工具。
市场繁荣时，旧卡也能租出去。
市场一旦松动，旧卡的资产价值和出租价格都会被重新估算。
