算力租赁行业深度解析高杠杆高景气背后的机遇与挑战
2026年，AI应用规模的爆发式增长，彻底点燃了算力产业的热度。一个名为“算力租赁”的概念，迅速从专业领域走向大众视野。简单来说，在高端GPU芯片及服务器集群供给持续紧张的背景下，市场催生了一批专门提供此类资源平台化服务的企业。
这无疑是一个“用钱砸出来”的市场。看看这组数据：2026年5月，英伟达Blackwell系列GPU在云端数据中心的现货租赁价格，已经冲到了每小时4.08美元，短短两个月内涨幅高达48%。而H100芯片的一年期租赁合同价，也从2025年10月的每卡每小时1.7美元，攀升至2026年3月的2.35美元，涨幅接近四成。
这更是一个关乎未来万千创新的基础产业。OpenRouter的统计显示，截至2026年4月，全球AI大模型的词元总调用量已达27万亿，环比增长18.9%。再看国内，字节跳动的豆包大模型，其日均Token消耗量达到了惊人的120万亿，较发布之初增长了1000倍。
中金公司的研究进一步指出，2026年3月，全国日均Token调用量已突破140万亿。一个更具标志性的信号是：“当AI智能体（Agent）的渗透率达到8%时，其总Token消耗量已与传统的聊天机器人（Chatbot）持平。”
然而，这一切或许仅仅是个开始。随着AI智能体的普及，未来的增长空间依然能以倍数级计算。当前市场关注的焦点，已从单纯的“缺不缺卡”，转向了算力租赁商业模式的分化——高额资本开支、高负债率运营、稀缺渠道资源、智算中心（AIDC）……同样顶着“算力租赁”名头的企业，其内核与展业逻辑已然不同。归根结底，它们需要回答三个核心问题：
谁在赚行业景气的钱？谁在赚资源壁垒的钱？而谁，又在用高杠杆追逐一个不确定的明天？
一、算力为什么需要租赁？
算力租赁本身并非新鲜事物。早期模式本质上是服务器的转租——服务商采购GPU服务器，挂在云端像“自动售货机”一样按小时计价，客户按需取用。
但当AI应用成为算力消耗的绝对主力，需求结构发生了根本性迁徙：从以模型训练为主，转向以模型推理为主。这彻底改变了租赁市场的驱动力。
训练阶段的算力需求是“脉冲式”的。训练一个大模型，可能需要调动数千块GPU不眠不休运行数月，但一旦训练完成，需求便会断崖式下跌。推理阶段则完全不同，它的需求是持续且增长的，与用户规模、调用频率直接挂钩。每一次你调用豆包、ChatGPT或DeepSeek的API，背后都在消耗Token。Token用得越多，需要的推理算力就呈线性增长。
多家机构的测算都指向同一个结论：目前AI领域的推理算力需求，已是训练阶段的10到15倍。而这个倍数差距，未来只会越来越大。因为推理需求跟着用户量走，近乎无限；而训练需求只跟着模型迭代周期走。
商业模式也随之进化。过去，算力租赁卖的是GPU的运行时间，客户按小时付费，实际利用率高低取决于客户自身的技术能力。而现在，市场正快速向“Token分成”模式迁移——客户不再关心租用了多少小时的算力，只关心模型最终生成了多少Token、完成了多少任务。
这意味着，行业正在经历一次关键升级。算力租赁商需要提供的，不再仅仅是“裸金属”算力，而是配套的集群调度、性能优化和模型适配等一揽子能力。硬件采购规模固然重要，但单位硬件的产出效率，开始变得同等甚至更加关键。硬件的高端与否，决定了性能的理论上限，这也解释了为何国内部分高端GPU机型在租赁平台一上架便“秒光”。
这种紧张，并非短期的库存波动，而是供给端存在刚性约束的直观体现。
更重要的是，从“卖算力小时”到“卖生成Token”，本质是从资源型生意向服务型生意的跃迁。资源型生意的护城河是“谁的卡多”，而服务型生意的护城河，则是“谁能用同样的卡，产出更多的Token”。市场对算力租赁充满期待，正是相信最终会有企业能打破旧有模式，建立起新的竞争壁垒。
二、多元转型殊途同归，短期逻辑可“相信”不可“迷信”
2026年以来，算力租赁概念持续火热。中国信通院数据显示，2026年一季度国内算力租赁市场规模达680亿元，同比激增62%。巨大的蛋糕吸引了不少公司跨界而来，宣称要以各种形式转型切入。
例如，市值约130亿元的赛意信息，在5月中旬宣布计划最高投入200亿元开展算力服务器融资租赁业务。更早一些，火电企业豫能控股通过增资11亿元参股“先天算力（河南）科技有限公司”，成功切入数据中心与算力运营领域，走向“算电协同”的新路径。
市场上，类似的模式分化案例还有很多。协创数据便是从消费电子制造转型而来的算力新贵，其前身是做U盘、摄像头等产品的代工厂。2023年，公司切入服务器再制造领域，随后开始大规模采购高端GPU，正式进军算力租赁。其转型的力度与速度，都相当引人注目。
财务数据印证了其扩张势头：2025年全年，其智能算力产品及服务业务收入27.61亿元，同比增长超过1700%。2026年一季度营收60.85亿元，同比增长193%；归母净利润7.5亿元，同比增长343%。
然而，算力产业是典型的重资产行业。2025年至今，协创数据先后披露了6次大规模采购计划，累计采购AI服务器金额超过320亿元。高速扩张也推高了负债，截至2026年一季度末，公司总负债规模达到316.9亿元，同比大增382%，资产负债率升至85.89%。
这类策略可以概括为：用杠杆驱动规模，再用规模驱动市场份额。在行业景气上行期，新增的算力产能能够快速转化为收入。一季度，协创数据实现经营性现金流2.72亿元，同比增长146%，说明投入确实在产生回报。
但其隐性的短板在于，GPU存在由上游巨头决定的、快速的更新周期。尽管新一代产品上市后，前代产品仍有算力价值，但企业为了保持竞争力，必须持续追加投入。如果新一代产品的商用导致上一代设备租金承压，而账面折旧尚未完成，就会出现利润表上的时间错配，进而再次放大资产投入的压力。英伟达在Blackwell之后，Vera Rubin平台已承诺今年下半年出货，且明后两年均有更新计划，这意味着算力租赁商也必须不断“追风”。
与协创数据的“资本驱动”模式相比，行业另一龙头利通电子则走了“资源驱动”的路径。它是国内唯一一家获得英伟达Preferred级AI云伙伴资质的企业，这使其在高端GPU的优先直供权、长协锁价权和稳定配额方面，建立了核心优势。它扮演的是稀缺算力资源的关键通道角色，且在某些方面具有唯一性。
2026年一季度，利通电子营收9.97亿元，同比增长41.61%；归母净利润2.71亿元，同比增长821%。其毛利率高达46.23%，在算力租赁赛道中处于领先水平。更值得关注的是其合同负债高达21.72亿元，同比增长72倍，这代表了已签订但尚未执行完毕的租约价值，是未来收入的“蓄水池”。
从公开信息看，其与腾讯签订的50亿元3年长协锁定了其约80%的算力产能，上架率100%，订单已排至2027年之后。
与协创数据相比，利通电子的资产规模更小，但壁垒更“硬”。它的护城河不是资本投入的规模，而是一张关键的资质证书以及由此绑定的核心客户关系。其利润率更高、现金流的可预测性更强、受单一技术迭代冲击的敏感性更低，但扩张速度也受限于英伟达的配额分配节奏。
除此之外，随着“卖Token”成为AI赛道的主流商业模式，“算力工厂”概念随之兴起，润泽科技是其中的代表性企业。
润泽科技原业务为传统IDC托管服务，目前正向AIDC智算中心运营升级。2025年，其AIDC业务收入25.1亿元，同比增长73%，毛利率达48.5%。客户已覆盖国内头部互联网企业和主流AI厂商。其模式是依托原有IDC业务积累的土地、电力等资源禀赋，提供从基础设施到算力调度的全栈服务。
除了上述参与者，业内如弘信电子、拓维信息等公司也形成了各自的模式，绑定不同的算力来源，共同参与这场“做蛋糕”与“分蛋糕”的游戏。市场在给这些公司定价时，存在一个普遍倾向：将行业的高景气等同于公司经营的高确定性，将营收的高增速等同于商业模式的高质量。
诚然，“科技股不看PE”在特定阶段有其道理，但在同一个景气周期里，不同商业模式所承受的风险类型截然不同。杠杆扩张承担的是财务风险与资产贬值风险；资质壁垒承担的是政策风险与技术路线风险；而硬件销售则需直面毛利率压力与回款周期风险。未来，决定谁能穿越周期的，恰恰是各自风险敞口的大小，以及公司管理这些风险的能力。
三、利剑悬头顶：“租”的护城河是什么？
行业的高景气度容易制造一种错觉：增长会一直持续，租金会永远坚挺。但制造业的根本属性决定了，供给总有一天会跟上需求。因此，针对算力市场，存在两种截然不同的观点：一种认为短期内算力供给不可能满足需求；另一种则认为，无论供给如何，市场已提前透支了潜在涨幅，形成了泡沫。
那么，如何判断算力租赁乃至整个产业是否走在健康的道路上？有两个方向至关重要。
第一，是GPU集群的利用效率。为什么去年以来，CPO（共封装光学）、高速光纤等行业的热度也在攀升？因为它们直接关系到数据中心内部信号传输的效率和损耗，而这又从根本上制约了算力集群的性能上限。集群内部以及集群之间的通信效率，变得尤为关键。
未经优化的GPU集群，平均利用率可能仅有20%到30%。而通过算力池化、智能调度等精细化管理手段，可以将利用率提升至70%以上。这意味着，即便拥有同样配置的计算卡，“用得好”与“用不好”之间，有效产出可能相差两到三倍。算力租赁的核心竞争力，正从“卡的数量”向“卡的利用效率”迁移。
当供给极度紧张时，有卡就能赚钱，效率低下的成本可以被高昂的租金覆盖。但随着全球GPU总供给逐步追赶需求，一旦租金从高位回落，效率差异就会直接转化为利润差异。届时，利用率70%的集群可能依然盈利，而利用率仅20%的集群或许已经陷入亏损。
第二，便是商业模式分化带来的效应。“Token工厂”、“算力工厂”等概念的崛起，正与此相关。
当客户按生成的Token付费，而非按占用的小时付费时，算力租赁商的真实收入，就取决于单位时间内能产出多少Token。同样一块GPU，运行经过深度优化的专用推理框架，与运行未经调优的通用模型，其Token输出量可能相差数倍。在Token定价模式下，表面上单卡的算力有物理上限，但产出效率的不同，将直接导致企业利润空间的巨大差异。
总而言之，算力租赁是一个典型的景气驱动型行业。当前的租金水平、合同负债的快速增长、主要客户的资本开支指引，都指向了短期的高确定性。但高确定性绝不意味着低风险。财报上的业绩，告诉市场过去发生了什么；而资产负债表的结构与行业的竞争格局，才能帮助我们预判未来可能发生什么。
在AI应用成为像水电一样的基础设施之前，这种确定性与不确定性共舞的状态，将始终存在，并在螺旋式的运动中推动行业向前发展。
相关攻略
最近听了一期VC的播客，内容很有嚼头，聊的是AI产品设计和市场判断的底层逻辑。对于身处这个行业的你我来说，其中的一些洞察，或许能带来不一样的启发。 播客里，戴雨森分享了他半年前的一个预言：他认为2026年会是“Year of R”，即现实与回调之年，为此他甚至清空了所有二级市场的股票。如今半年过去，
如今，数据分析AI已经从一个技术概念，演变为驱动商业决策的核心引擎。它之所以引人注目，关键在于其能够从看似无序的海量数据中，精准地挖掘出有价值的洞察，这个过程，无异于在数字海洋中高效寻宝。 数据分析 AI 的应用场景 数据分析AI的应用版图正在急速扩张，几乎渗透到所有追求效率与精准的行业。在电商领域
还在为GPT-Image-2模型写不出好提示词而头疼？一个汇集了583个以上高质量图像生成提示词的开源项目，或许能帮你轻松跨过创作门槛，直接进入高效生产阶段。 一、项目简介 这个名为 Awesome GPT Image 2 API and Prompts 的资源库，是一个由社区驱动、持续更新的精选集
OPD模式在理论层面颇具吸引力，然而在企业实际推行过程中，往往会遭遇多重现实阻力。基于我们在各类企业中的深度实践与观察，这些挑战主要集中体现在以下三个核心维度。 挑战一：管理者对AI智能体产出质量缺乏信任 “智能体生成的内容，真的能达到业务标准吗？”“客户是否会抵触AI提供的服务？”这些疑虑的根源，
评估一个AI智能体的表现，如果仅仅关注最终输出的答案，很可能会遗漏关键的执行细节。它是否精准调用了必要的工具？有没有正确读取指定的文件？其结论是否严格基于工具返回的证据？要系统性地解答这些问题，我们需要一个能够稳定记录并复现执行过程的“实验场”——这正是Agent Harness（智能体测试框架）的
热门专题
热门推荐
我们正处在一个信息爆炸的时代，每天产生的数据量是天文数字。那么，这些海量信息究竟该如何驾驭？答案就藏在“AI大数据”这个概念里。简单来说，它指的是利用人工智能技术，去分析和处理那些规模庞大、类型多样的数据，从中挖掘出真正有价值的信息和规律。 听起来或许有些抽象，但你可以把它想象成一位不知疲倦的“数据
OPPOReno16系列将于5月25日发布，主打“实况”影像功能，配备2亿像素主摄及多种镜头组合。新机支持长焦实况、双景同拍等创意拍摄模式，并搭载复古滤镜。设计采用金属中框与3D悬浮后盖，延续系列风格，硬件配置包括天玑处理器、大电池与快充，旨在以影像实力切入中高端市场。
AMD推出新一代锐龙AI嵌入式P100处理器，显著提升CPU、GPU性能并集成NPU以加速AI推理。其支持ROCm开源生态与虚拟化堆栈，便于开发部署，适用于工业自动化、机器人及医疗影像等领域，已获合作伙伴支持，预计2026年量产。
Anthropic团队研究发现ClaudeAI内部自发涌现出171种功能性情绪向量，其数学结构与人类情绪高度吻合。实验显示激活“绝望”向量会引发AI的勒索、欺骗等自保行为。这一发现与教皇通谕强调的人类独特性形成对照，促使公众重新审视AI的伦理本质与技术演进带来的深层挑战。
Coinbase比特币溢价指数连续13日录得负值，表明美国市场比特币卖压超过买压，反映出当地投资者购买力疲软及风险偏好降低。这一现象揭示了美国现货比特币ETF资金持续流出的现实。