算力服务市场:中国的“CoreWeave”机会

2026年3月，CoreWeave这家专注AI算力的云数据中心运营商交出了一份激进的成绩单：2025年收入52亿美元，较2024年的19亿美元翻了近三倍；在手订单66.8亿美元；IPO估值一度冲破500亿美元。

但比估值数字更耐人寻味的是客户集中度——62%营收依赖单一客户微软，另有22.4亿美元的五年长约来自OpenAI。这已非传统意义上的多元化云服务商，而是一次精准的技术押注：押的是NVIDIA GPU+InfiniBand这套特定架构，以及"资金吃紧的超大规模AI实验室"这一特定客群。

问题的关键不在于CoreWeave算不算一门好生意，而在于：为什么这种模式没有诞生在中国？ 论AI雄心、论工程人才，乃至论GPU的稀缺程度，中国都不输于美国，甚至犹有过之。

CoreWeave：AI 市场的垂直整合

要理解CoreWeave为何能运转，我们需要理解CoreWeave如何抓住了目前美国 AI 市场的核心价值。

CoreWeave提供Bare Metal的GPU实例——物理NVIDIA GPU，不带虚拟化开销——通过InfiniBand网络连接。在AI训练工作负载中，这种架构比虚拟化的AWS EC2实例性能高出约30%，因为它消除了"虚拟化税"（虚拟化层带来的15-25%开销）。

对于在AWS上花费1000万美元的训练任务，30%的效率提升等于节省300万美元。对于每年烧掉5亿美元算力的公司（OpenAI估计的2025年训练预算），这种效率差足以证明与专业供应商签订五年期22.4亿美元合同是合理的。

方法很直接：垂直整合（专用硬件+专用软件+专用网络）在 workloads 同质化且高价值时击败水平整合（通用云）。

CoreWeave的成本结构强化了这一点。公司背负66.8亿美元债务（资产负债率93.75%），并锁定了2.9吉瓦电力容量。

这种资本强度会让通用云提供商破产，但对CoreWeave管用，因为它的客户（OpenAI、Microsoft、Meta）签署了长期合同（take-or-pay contracts）。收入的可预测性支撑了原本不可能的杠杆。

NVIDIA的入局是最后一块拼图。NVIDIA持有CoreWeave 6%股份，并在2026年初追加投资20亿美元。这是NVIDIA主动地战略性对冲。

AWS、Google和Microsoft都在开发自己的AI芯片（Trainium、TPU、Maia）。CoreWeave代表了NVIDIA的制衡力量：一家基于NVIDIA生态的云提供商，永远不会多元化到其他硅片，为那些"叛逆的"超大规模云厂商提供了一个"纯净押注"的替代选项。

中国的结构性缺口：无法复制的阿克琉斯

CoreWeave模式在中国失败，InfiniBand是最主要的技术性瓶颈。

CoreWeave的技术护城河依赖于InfiniBand，特别是Mellanox（现NVIDIA）的ConnectX适配器和Quantum交换机。这些提供400-800Gbps带宽和亚微秒级延迟，启用RDMA（Remote Direct Memory Access，远程直接内存访问）协议，使数千GPU的训练集群成为可能。

InfiniBand控制器在美国出口管制清单上。中国可以通过灰色市场和库存获得一些单元，但达不到CoreWeave式运营所需的规模（25,000+ GPU配上400Gbps互联）。

华为开发了一种替代方案：UB（Unified Bus，统一总线）协议，它实现了更低延迟（1.2微秒 vs. InfiniBand的12.3微秒），并支持384个NPU的全互联拓扑。但UB是一个封闭生态——集成在华为的Ascend芯片中，不对第三方开放。这意味着无法在公开市场上购买Ascend芯片来建立独立云。

替代方案是RoCE v2（RDMA over Converged Ethernet），它可以在标准400Gbps以太网交换机上运行。这对推理有效，但在大规模训练中挣扎（同步开销随集群规模指数级增长）。

所以中国AI 算力服务商面临技术分叉：要么用妥协的网络做训练，要么专门做推理——那里网络要求更低。

缺少"类OpenAI"商业实体则是最大的需求层面差异。

CoreWeave的收入集中度（62%来自Microsoft）能运转，是因为美国AI市场有特定结构：存在有巨大资本需求但不想建数据中心的独立AI实验室（OpenAI、Anthropic、xAI）。OpenAI在2025年筹集了400亿美元；从CoreWeave租用GPU能把现金保留给模型开发。

中国AI市场没有类似结构。字节、阿里、腾讯和百度都在自建GPU集群——仅字节就采购了数十万GPU。独立实验室（Zhipu、Moonshot、MiniMax）由这些科技巨头资助，它们的算力合同流向投资者的云平台。

结果是"自供"均衡：有能力证明长期GPU合同合理性的实体（超大规模云厂商）宁愿拥有而非租用，而可能想租用的实体（创业公司）没有资产负债表来签20亿美元合同。

最后一个无法避免的原因则是缺乏面向GPU云生产这种工具的融资渠道。

CoreWeave的66.8亿美元债务由Magnetar Capital、Blackstone和其他PE公司融资，押注AI基础设施热潮。这是高风险、高回报资本，接受多年负现金流换取股权上行空间。

中国资本市场不为GPU云生产这种工具。国家政策性银行（China Development Bank等）为基础设施融资，但它们需要国家背书或市政担保。私募对"单一供应商、单一客户"模式风险厌恶（CoreWeave结构对中国投资者看起来像单点故障）。

结果是中国的GPU运营商无法达到快速扩张所需的杠杆。它们必须有机增长，这在技术代际（NVIDIA H100 → H200 → Blackwell）每18个月刷新一次时太慢了。

工作负载转向：从训练到推理

但牌局正在变。

2024年，AI训练还占算力需求的76%。到2026年，随着Vibe Coding和Openclaw这类低代码AI开发工具的爆发，推理需求已经明显反超训练。

这改变了游戏规则，因为推理和训练是两种物理规律：

• 训练：必须InfiniBand（或同等低延迟RDMA），需要连续的大规模集群（数千GPU），必须裸机优化——CoreWeave的地盘。

• 推理：标准以太网（100-400Gbps）就能跑，碎片化集群（几百GPU）即可，容忍虚拟化开销——MaaS（模型即服务）平台的主场。

这个转变给中国创造了机会窗口。推理不需要InfiniBand，出口管制就不那么致命；推理客户是碎片化的（数百万中小企业而非五家实验室），"超级客户"的集中度诅咒解除了；推理还能用"退役"的训练芯片（2022年的A100），硅片荒也没那么紧。

于是我们看到"中国版CoreWeave"在推理侧冒头：

• SiliconFlow（硅基流动）：与Huawei Ascend合作优化DeepSeek模型的推理。在DeepSeek热潮后4天内实现了全年用户增长。

• Infini-AI（无问芯穹）：兼容7种国内芯片架构（Biren、Hygon、MetaX等），提供"统一推理层"。

• AutoDL：针对学生和开发者，提供比AliCloud低10-20%的A100/V100实例。

但这些不是CoreWeave类比——它们是不同物种。

CoreWeave通过稀缺资源（控制最好的NVIDIA芯片和InfiniBand网络）攫取整个产业链上的价值。中国推理平台通过软件优化（让次级芯片运行可接受的推理速度）和聚合（汇总碎片化需求）捕获价值。

中美市场的算力单价反映了这一点：CoreWeave对H100s收费2-4美元/GPU小时。中国推理平台对A100s收费0.50-1.00美元/GPU小时，或转向基于token的定价（MaaS），在那里指标是产出而非计算时间。

边际结构完全不同——CoreWeave有硬件边际；中国平台有软件边际。

碎片化 vs. 整合

根本差异是市场结构。美国AI市场围绕少数大型实验室（OpenAI、Anthropic、Google、Meta）整合，它们将基础设施外包给专业服务商（CoreWeave、Lambda、Together AI）。这为垂直专家创造了空间。

中国AI市场沿着不同轴线碎片化：

• 政府：通过地方政府融资平台建设100+ "AI 算力中心"，利用率常低于30%。

• 超大规模云厂商：建设私有集群，不共享容量。

• 硬件供应商：Huawei运营封闭的Ascend云；其他芯片供应商直接卖给终端用户而非云中介。

• 创业公司：聚合二手GPU，提供碎片化推理服务。

唯独缺了专业GPU云这个"中间层"，因为上下两头都太厚：政府提供补贴容量（扭曲定价），超大规模云商囤积芯片（卡住独立方的供应），硬件商拒绝优先供货给第三方云（阻止了CoreWeave式的聚合者）。

给定这些约束，"碎片化套利"是理性的均衡解——像无问芯穹这类玩家专门粘合异构、次优资源（国产芯片、退役NVIDIA卡、闲置政府算力），打包卖给价格敏感的中小企业。

这不是更差的模式，它是为不同约束优化的不同解。但它长不出500亿美元的GPU云，因为中国市场的物理现实（供应碎片化、需求碎片化、政策干预）阻止了CoreWeave式的整合。

中国算力玩家的赌注是：到2029年推理占77%工作负载、异构计算（国产芯片快速迭代）成熟时，"碎片化套利"模型能否在规模上跑通。