AI和大模型的快速发展，让算力需求暴增。
据行业数据统计，到2030年，全球通用计算（FP32）总量将达到3.3ZFLOPS，这一数据对比2020年，总量增长近10倍。而AI计算（FP16）总量更是来到105ZFLOPS，是2020年的近500倍。
算力作为AI产业增长的底层基础，需求激增使其整体资源面临短缺。针对这一问题，大型互联网企业往往有更好的高性能GPU采购渠道和算力储备，而中小企业就无法独善其身。
要知道8卡英伟达A100-NVLink(80GB显存)的GPU服务器的月租金约为13.34万元，对应全年租金约为160万元。设备投入成本的高昂，让他们不得不将目光纷纷投向别处。
算力租赁，也许是诸多方案中更好的选择。
对于中小企业而言，算力租赁可以有效减少AI大模型的训练成本，降低AI更高领域的研究门槛。要知道目前的AI机器人并不是简单的执行代码，而是通过每一次算法模型迭代去完成深度学习。选择算力租赁支撑算力支持，至少能够让中小企业以较低成本探索AI领域。
并且业内认为，时间是大模型厂商极为稀缺的资源，率先完成AI领域相关技术开发，可以比竞争对手获得更多先发优势，实现资源配置的最优效率。加上服务器的等待、调试以及运维等，都要算在AI研发的成本当中，选择租赁似乎是一条不得不走的路。
既然算力租赁市场存在大量需求，当下选择进军算力租赁，是好生意吗？
首先要了解一点，算力租赁的本质并不是算力，而是租赁，核心资源在于资金、客户以及运维能力。资金方面，要想满足如此庞大的市场需求，组建庞大算力中心并且购买大量固定资产，这对于投资者的资金筹集能力有极高要求。
即使跨过资金问题，客户在选择服务商时，也会考虑主营业务的匹配度。很多跨界从事AI算力租赁的企业，看中的是这一业务的低门槛。然而站在客户角度，他们更愿意选择研发实力雄厚，且主营通信和网络的企业。
运维能力更不用说，目前中国大部分进军算力租赁的企业，并不能拿到稳定的GPU货源，更不谈组成服务器甚至集群了。这些企业一旦面临设备老化和更新换代，所谓的维护就只剩下空架子。甚至以玩笑话说，和英伟达的合作关系的好坏，才是AI领域掌握话语权的关键。
故而在多数情况下，算力租赁仍存有大量悬而未决的问题。算力短缺的根本原因是算力基础设施的匮乏，租赁本身并不能作为长久之计使用。很多国内企业很早就认识到了这一点，并投入大量人力物力研发芯片和服务器，目的就是想要从根本上排除算力短缺隐患。
从大型互联网企业潜心研发的态度，反观目前算力租赁的热度空前的现状，就知道这其中很可能含有概念炒作的成分。从供需角度看，算力供不应求，算力租赁厂商在此时拥有较强的议价能力。而一旦出现供过于求的情况，算力租赁概念将会整个沦为炒作的牺牲品，最终导致这些厂商失去议价权，成为头部资本的待宰羔羊。
综上，算力租赁数百亿美元潜力的市场，加上作为新蓝海的吸引力，在当下而言确实是AI高速发展时代下的当红产业。但极有可能，仅是当下。
关注今日商讯 
