任何"泡沫"的誕生都根植於人類對稀缺性的非理性想像。炒茅台和囤算力的人本身並非是茅台愛好者、算力消納方，而都共同有著投機心理。
截止到2024年底、2025一季度，飛利信、蓮花控股、錦雞股份等多家公司又相繼終止了數億元的算力租賃合同。與此同時，有算力供應商告訴虎嗅，「在算力租賃的生意里，退租是常有的事。」
這些終止租賃的企業並非真正的算力需求終端。隨著 DeepSeek引發的行業震盪，AI行業泡沫逐漸破裂，眾多算力供應商不得不直面算力過剩難題，四處尋覓穩定客源，探索新的算力消納路徑。
虎嗅在調查中發現，一位算力供應商創始人的名片上，除了三家智算、雲端運算領域的企業，還赫然印著一家投資公司。進一步深挖發現，該投資公司的被投項目涵蓋一家機器人公司與一家專注大模型和雲系統研發的企業。該創始人向虎嗅透露，「這兩家被投企業的全部算力需求，均由自家的算力供應體系來滿足；而且被投企業通常會以市場低價購買自家供應的算力。「
實際上，在智算產業里，像智算+投資綁定的形式絕非孤例。對於不少算力供應商而言，「這是目前消納卡很好用的方式，只不過沒有被擺到檯面上。」馮博對虎嗅表示。
不過，在上述的故事中，這是一種「壟斷式」的算力消納路徑，即算力供應商通過投資鎖定算力需求，並直接滿足被投項目的全部算力需求。但並非只有這一種方式。
馮博認為，還有一種模式是，」算力供應商以 LP身份切入產業基金，構建閉環式算力需求鏈條的模式值得關注。「
具體而言，該商業模式呈現出資本聯動特徵：算力供應商 A作為潛在有限合伙人（LP），與產業基金 B達成合作意向。在 B基金的投資版圖中，AI應用廠商 C作為被投企業，其業務發展對算力資源存在剛性需求。此時，A通過戰略投資 B基金，間接綁定 C公司未來的算力採購需求，構建起「資本投入-算力採購」的閉環。
若交易落地，A公司將憑藉 LP身份獲得優先服務權，成為 C公司算力採購的首選供應商。這種模式本質上形成了資金的循環流動——A公司對基金 B的出資，最終通過 C公司的算力採購回流。
「這不是一種主流方式，但卻是一種還比較好用的方式。」馮博坦言。
泡沫快破了，然後呢？
「談智算泡沫就不能只談算力，它是一個產業鏈的問題，想讓算力用起來，需要把斷掉的點串起來，現在這條產業鏈還並未形成閉環。」一位深耕行業多年的算力供應商首席營銷官向虎嗅精闢地指出了當前智算產業的核心癥結。
進入2025年上半年，AI領域一個顯著的趨勢是，曾經被各大AI公司掛在嘴邊的「預訓練」一詞，其熱度正逐漸被「推理」所取代。無論是面向廣闊的C端消費市場，還是賦能千行百業的B端企業級應用，推理需求的增長曲線都顯得異常陡峭。
「不妨做一個簡單的推演，」一位行業分析人士估算道，「以目前市場上主流AI應用的體量來計算，如豆包、DeepSeek等為例，假設其每個活躍用戶平均每日生成10張圖片，這背後所牽引的算力需求，便可能輕易達到百萬P級別。這僅僅是圖像生成這一單一場景，若疊加文本、語音、視頻等多模態交互，其需求量級更是難以估量。」
這還僅是C端用戶的推理需求。對於B端用戶，推理需求更是海量。華銳智算某高管告訴虎嗅，車廠建設智算中心都是萬P規模起步，「而且我們的客戶中除了大廠，有最多算力需求的就是車廠。」
然而，再將海量的推理需求與算力泡沫聯想到一起，故事就顯得異常荒謬。為什麼這麼多的推理需求還是會產生算力泡沫？
某算力供應商對虎嗅表示，像這樣海量的推理需求，需要智算服務商通過工程化技術對算力進行優化，比如壓縮起跑時間、提高存儲量、縮短推理延遲、提高吞吐量和推理精度等等。
不僅如此，上文提到的供需錯配問題，還有一大部分是來自於晶片問題。對此，有行業知情人士向虎嗅表示，一些國產卡和英偉達的差距還是比較大，它們自身表現發展不勻，同一品牌即使堆再多的卡短板依然存在，這就導致了單一集群無法有效完成AI的訓練和推理。
這種『短板效應』意味著，即便通過大規模堆疊晶片來構建算力集群，如果短板問題得不到有效解決，整個集群的綜合效能依然會受限，難以高效支撐AI大模型的複雜訓練與大規模推理任務。
事實上，算力層面的工程挑戰和晶片瓶頸固然嚴峻，但許多深層次的算力需求未能得到有效滿足，其真正的「斷點」往往出現在算力層之上的應用生態，特別是L2層（即針對特定行業或場景的）垂類模型的嚴重缺口。
在醫療產業就有這樣一個需要填補的巨大「窟窿」，人才虹吸效應是國內醫療體系里長期被詬病的結構性問題，優秀醫生都集中在一線城市的三甲醫院裡。但當業界寄希望於醫療大模型實現優質醫療資源下沉時，一個更根本的挑戰浮出水面：如何構建可信醫療數據空間？
因為想要訓練出具備全病程診療能力的垂類大模型，數據是關鍵前提。但問題是，必須要有全病程、全年齡段、全性別、全地域的海量數據才能在大模型里形成知識。而現實是醫療數據開放率不足5%。
某三甲醫院信息科主任透露，其醫院每年產生的500TB診療數據中，真正能用於AI訓練的脫敏結構化數據不足3%。更嚴峻的是，占疾病圖譜80%價值的罕見病、慢性病數據，因其敏感性長期沉睡在各醫療機構的"數據孤島"中。
而像這樣的斷點無法解決，產業鏈就無法形成閉環。算力需求自然也就得不到滿足，顯然，這顯然已經遠遠超出了傳統意義上那些僅僅提供「卡和電」的算力基礎設施供應商所能獨立應對的範疇。
不過，如今市場已經有一批新型的智算服務商正悄然崛起。這些企業不再將自身定位局限於單純的硬體提供或算力租賃，他們還能更組建專業的算法團隊和行業專家團隊，深度參與到客戶的AI應用開發與優化過程中。
與此同時，面對各種資源錯配和算力利用率等問題，各地其實也在根據當地產業需求出台各種各樣的算力補貼政策，其中，「算力券」作為一種直接降低企業使用算力成本的補貼方式。只是對於當前階段的中國智算產業而言，單純的政策「急救藥」恐怕已難以從根本上扭轉局面。
如今，智算產業所需要的是「造血式」培育生態。
