都在上黃仁勛的“當”？中美AI算力利用率極低，共演“空城計”

在AI產業高歌猛進的發展表象之下，一個令人不安的真相正逐漸浮出水面：中美兩國都在斥巨資建造的算力“圣殿”，但內部可能正上演著“空城計”——大量智算中心在重復建設，利用率卻極低。

通信領域資深觀察家項立剛自2024年下半年起便持續發出警示，他指出中國AI產業似乎正步入一個“重要的歧途”——各大企業與機構都在狂熱地追逐智算中心的建設，對芯片數量與算力規模的渴求永無止境。

然而與之形成尖銳諷刺的是“這些昂貴基礎設施的實際利用率卻低得可憐”。據他接觸的多個智算中心反饋：利用率無一能達到30%的及格線，更有不少僅在10%左右徘徊，這種觸目驚心的資源閑置。

無疑是一種嚴重的“自由浪費”，或稱其為“結構性過剩與盲目建設”的惡果；項立剛甚至直言：這仿佛是整個行業集體上了芯片巨頭英偉達精心布置的“當”——黃仁勛在賺錢，他人在虧錢。

深入剖析這一現象在中國市場的根源，問題的核心更多地指向了供給端的扭曲——為搶抓數字經濟的戰略機遇，不少地方政府將智算中心視作新基建的標志性工程，并輔以高額財政補貼。

這本是良好的產業引導意愿，卻在執行中意外地催生了負面效應——補貼政策在短期內吸引了大量并不真正理解AI行業規律的社會資本盲目涌入。

它們追逐政策紅利，而非市場需求，導致了一批低質量、高度同質化的算力中心如雨后春筍般涌現。這些倉促上馬的項目，往往從誕生之初就與應用場景嚴重脫節，加之部分項目技術論證不充分。

建設標準低下，甚至出現了“建成即落后”的尷尬局面，根本無法滿足市場對高質量、專用化算力的真實需求。結果便是，低端算力供給大量過剩，而企業真正需要的高端、高效算力卻依然供給不足，形成了一種典型的由非市場因素驅動的資源配置失衡。

更嚴峻的是，這些閑置的算力中心并非靜止的成本，它們持續消耗著巨大的電力資源，承擔著高昂的運維費用，使得許多項目陷入了“建得起、卻用不起”的長期困境，成為甩不掉的財務包袱。

然而，若將視野拓展至全球，尤其是AI產業的另一極——美國，情況則呈現出不同的復雜面向。

盡管暫無確切的全國平均利用率數據公之于眾，但美國產業界面臨的挑戰或許更為深層。其矛盾焦點并非簡單的供給過剩，而是直指商業本質：天量的硬件投入與難以實現的盈利之間的巨大鴻溝。

對于美國的科技巨頭而言，構建超大規模算力集群所需的投資是天文數字，但如何將這些算力有效地轉化為可持續的、規?；氖杖?，卻成了一個懸而未決的難題——比我國的算力利用率還要低一個檔次。

大模型推理過程每一次調用都伴隨著可觀的成本，這使得邊際成本無法像傳統互聯網服務那樣趨近于零。與此同時，諸如在線廣告這類成熟的互聯網變現模式，在應對大模型服務時顯得力不從心。

導致收入難以覆蓋從芯片采購到龐大電力消耗的全鏈條成本，整個業務的毛利率被壓至極低的水平——好吧，根本談不上多少毛利，絕大部分都在虧本賺吆喝。

此外，物理世界的資源瓶頸也開始顯現——微軟等公司的負責人已公開表示，人工智能數據中心的驚人能耗已使部分地區電網不堪重負，電力短缺直接導致大量已安裝的先進芯片無法全速運行。

這表明，AI堆算力的狂飆突進已開始撞擊能源基礎設施的天花板。看清了問題，便需要著手尋求破局之道。

毋庸置疑，算力基礎設施的建設，特別是高質量、綠色高效的算力中心，戰略價值不容否定，代表著先進制程的芯片產業突破仍是我們必須攻克的核心技術堡壘。

但在另一方面，在持續“堆算力”這條硬科技道路上狂奔的同時，整個產業必須將同等甚至更多的注意力，投向如何擴大AI的應用覆蓋面，以及如何高效地利用這些已建成的算力之上。

這要求我們進行雙線作戰

一方面，需要大力推動算力的調度與普惠化。例如，中國正在探索通過構建全國一體化的算力網絡體系，上線高效的算力調度平臺（如在“東數西算”工程中，寧夏等地的實踐），將原本分散、閑置的算力資源整合起來，形成可統一調度的資源池。

同時，通過向中小企業和創新團隊發放“算力券”等方式，降低他們使用先進算力的門檻。這不僅能有效盤活沉睡的算力資產，更能培育廣闊的AI應用生態，從需求端拉動算力的有效消耗。

另一方面，則必須尋求技術與商業模式的根本性突破。這不僅包括探索更節能的芯片設計、更高效的模型架構以降低單位計算成本，更需要深入千行百業，挖掘能真正產生商業價值的落地場景。

AI技術必須證明自己不僅僅是實驗室的炫技或消費者手中的“玩具”，而是能夠切實為企業提升效率、降低成本、創造新增長曲線的生產力工具。

只有當AI的應用能夠產生清晰、可測量的“軟價值”時，算力投入的巨大“硬成本”才有了堅實的支撐，整個產業才能走出當前“叫好不叫座”的迷局，步入一個健康、可持續的良性發展循環。