Q2 全球 AI 算力市场概览
2026 年第二季度，全球 AI 算力市场规模达到 $1,280 亿，同比增长 78%。算力已成为 AI 时代最核心的基础设施资源，云厂商之间的 GPU 竞争进入白热化阶段。
市场规模
| 细分市场 | Q2 规模 | 占比 | 增长率 |
|---|---|---|---|
| 训练算力 | $680 亿 | 53.1% | +85% |
| 推理算力 | $420 亿 | 32.8% | +92% |
| 微调算力 | $120 亿 | 9.4% | +67% |
| 边缘 AI 算力 | $60 亿 | 4.7% | +145% |
GPU 出货统计
| GPU 型号 | Q2出货量 | 主要买家 |
|---|---|---|
| Nvidia B300 | 85 万颗 | 超大规模云厂商 |
| Nvidia B200 | 120 万颗 | 企业和云厂商 |
| Nvidia H200 | 200 万颗 | 价格敏感客户 |
| AMD MI400 | 8 万颗 | Microsoft/Meta |
| Google TPU v6 | 60 万颗 | Google 内部 |
| Amazon Trainium 3 | 40 万颗 | AWS 客户 |
| 自研 ASIC (各厂商) | 35 万颗 | 内部使用 |
四大云厂商算力战略
1. Microsoft Azure — “Nvidia First + 自研辅助”
GPU 部署规模： 约 120 万颗（B300/B200/H200 混合） 市场份额： 34%
Q2 动态：
- 全球首个提供 B300 实例的云厂商（ND v5 B300 系列）
- 推出 Azure AI Ultra——专用 AI 超级计算集群，单集群 10,000+ GPU
- Maia 200 自研推理芯片开始服务 Azure OpenAI 的 GPT-5.5 推理
- 与 OpenAI 深度绑定——Azure 是 GPT-5.5 的独家云提供商
定价策略：
| 实例类型 | GPU | 小时费率 | 适用场景 |
|---|---|---|---|
| ND v5 B300 | 8×B300 | $98/h | 大模型训练 |
| ND v4 B200 | 8×B200 | $52/h | 中型训练 |
| ND v3 H200 | 8×H200 | $28/h | 微调/推理 |
| Maia 200 | — | $12/h | 推理(经济型) |
核心优势： 与 OpenAI 的独家关系使 Azure 成为"想要用 GPT-5.5 的企业"的唯一选择。
核心劣势： 对 Nvidia 的依赖度最高，成本压力大。
2. AWS — “自研+合作双线”
GPU 部署规模： 约 95 万颗 市场份额： 29%
Q2 动态：
- Trainium 3 大规模部署，Anthropic 是最大用户
- 推出 EC2 UltraCluster 2.0——支持 20,000+ GPU 的互联集群
- Bedrock 平台支持多模型（Claude 4.1、Llama 4、Titan）
- 与 Nvidia 合作推出 AWS B300 专属区域
定价策略：
| 实例类型 | GPU/加速器 | 小时费率 | 适用场景 |
|---|---|---|---|
| P6 B300 | 8×B300 | $92/h | 训练 |
| P5 B200 | 8×B200 | $48/h | 训练 |
| Trn2 Ultra | 16×Trainium 3 | $35/h | 训练(经济型) |
| Trn2 | 8×Trainium 3 | $18/h | 推理 |
| Inf2 | 8×Inferentia 2 | $6/h | 推理(最经济) |
核心优势： 多层次产品线满足不同预算需求。Trainium 3 在性价比上有显著优势。
核心劣势： 缺乏与顶级模型公司的独家关系。
3. Google Cloud — “TPU 生态闭环”
GPU/TPU 部署规模： TPU v6 约 60 万颗 + Nvidia GPU 约 40 万颗 市场份额： 18%
Q2 动态：
- TPU v6 大规模量产，性能较 v5 提升 2.8 倍
- 推出 Cloud TPU Multi-Slice——支持跨 Pod 训练（100,000+ TPU）
- Vertex AI 平台提供 Gemini 4.0 + Llama 4 + 第三方模型
- Agent Garden 与 Google Cloud AI 深度集成
定价策略：
| 实例类型 | 加速器 | 小时费率 | 适用场景 |
|---|---|---|---|
| CT6 TPU v6 | 4×TPU v6 | $32/h | 训练(Gemini优化) |
| A4 B300 | 8×B300 | $95/h | 训练(通用) |
| A3 H200 | 8×H200 | $26/h | 推理 |
核心优势： TPU 的成本低、能效高。Gemini 4.0 在 TPU 上的推理效率比 GPU 高 40%。
核心劣势： TPU 生态封闭——只能使用 JAX/PyTorch/XLA，不如 CUDA 通用。
4. 阿里云 — “中国 AI 算力领导者”
GPU 部署规模： 约 45 万颗（含 Nvidia + 国产） 市场份额： 8%（全球），42%（中国）
Q2 动态：
- 推出"灵骏"智能计算集群，单集群 5,000+ GPU
- 支持 Nvidia B300（合规渠道）和国产昇腾 910C
- 百炼平台 2.0 支持全生命周期模型开发
- 推出"AI 原生云"——存储、网络、计算全栈优化
定价策略：
| 实例类型 | GPU | 小时费率(¥) | 适用场景 |
|---|---|---|---|
| 请求式 B300 | 8×B300 | ¥580/h | 训练 |
| 请求式 A100 | 8×A100 | ¥180/h | 微调/推理 |
| 昇腾 910C | 8×910C | ¥120/h | 国产训练 |
| 竞价式 | 混合 | ¥40-80/h | 灵活推理 |
核心优势： 在中国市场的覆盖和生态优势。国产芯片选择提供合规选项。
新兴算力提供商
CoreWeave — “GPU 纯粹主义”
- 定位： 专注 GPU 计算的云服务商
- Q2 GPU 规模： 约 30 万颗
- 特点： 不提供传统云服务，只做 GPU 计算
- 优势： 定价低于三大云（B300 实例 $78/h）
- 挑战： 规模有限，缺乏完整的云生态
- 客户： AI 创业公司、研究机构
Lambda Labs — “AI 研究者的云”
- 定位： 面向 AI 研究者的 GPU 云
- Q2 GPU 规模： 约 8 万颗
- 特点： 简单定价、快速供应
- 优势： 对研究者友好，提供免费额度
- 客户： 学术机构、个人研究者
Oracle Cloud — “后起之秀”
- Q2 动态： 大规模采购 B300，GPU 数量增至 25 万颗
- 优势： 与 Nvidia 的关系密切，定价有竞争力
- 客户： Enterprise AI 客户
算力定价趋势
GPU 小时费率变化
| GPU 型号 | 2025 Q2 | 2026 Q2 | 变化 |
|---|---|---|---|
| B300 (8卡) | — | $78-98 | 新增 |
| B200 (8卡) | $65 | $48-52 | -23% |
| H200 (8卡) | $38 | $26-28 | -29% |
| A100 (8卡) | $24 | $16-18 | -31% |
| Trainium 3 (16卡) | — | $35 | 新增 |
| TPU v6 (4卡) | — | $32 | 新增 |
趋势分析： GPU 算力价格持续下降，年均降幅约 25-30%。推理算力的降价速度更快，因为专用推理芯片（Inferentia、Maia）的竞争压力。
算力经济性
训练 1 万亿参数模型的算力成本变化：
| 时间 | 模型规模 | 算力成本 |
|---|---|---|
| 2024 Q2 | 1T 参数 | $180 万 |
| 2025 Q2 | 1T 参数 | $65 万 |
| 2026 Q2 | 1T 参数 | $22 万 |
两年间，训练同等规模模型的成本下降了 88%。
算力供需分析
需求侧
Q2 全球 AI 算力需求持续超过供给：
- 训练需求：主要来自大模型公司（OpenAI、Google、Anthropic、Meta）和大型企业
- 推理需求：增长更快，主要来自应用层爆发（Agent、AI 搜索、AI 编程）
- 推理占比：推理算力消耗从 Q1 的 35% 升至 42%
供给侧
- Nvidia B300 产能仍是瓶颈，交货周期 8-12 周
- 台积电 CoWoS 封装 是 GPU 产能的最大限制因素
- HBM3e 供应紧张，SK 海力士占 60% 市场份额
- 预计 Q3 供需将逐步缓解
能耗与可持续性
数据中心能耗
2026 Q2 全球数据中心能耗：
- 总能耗：约 850 TWh（同比 +34%）
- AI 计算占比：约 48%
- 碳排放：约 2.8 亿吨 CO2
绿色 AI 计算
主要云厂商的可持续发展承诺：
| 云厂商 | 可再生能源占比 | PUE | 碳中和目标 |
|---|---|---|---|
| Google Cloud | 92% | 1.08 | 2030 |
| Microsoft Azure | 78% | 1.12 | 2030 |
| AWS | 85% | 1.15 | 2040 |
| 阿里云 | 45% | 1.22 | 2035 |
液冷技术在 Q2 加速普及——B300 功耗 1200W，风冷已无法满足散热需求。所有新建 AI 数据中心均采用液冷方案。
地缘政治影响
美国出口管制
2026 Q2，美国对 AI 芯片的出口管制进一步收紧：
- B300 及以上级别 GPU 对中国出口需许可证
- 新增对中东部分国家的限制
- 对"AI 模型权重"的出口管制开始讨论
中国应对
- 加速国产 AI 芯片部署（昇腾 910C、寒武纪 590）
- 推动"东数西算"工程，优化算力布局
- 探索通过东南亚第三方获取 GPU 的合规路径
- 加大先进制程研发投入
Q3 展望
- GPU 供需逐步平衡 — B300 产能提升将缓解短缺
- 推理算力价格战 — 专用推理芯片将引发价格竞争
- 边缘 AI 算力爆发 — 手机和 IoT 设备上的 AI 推理需求增长
- 算力地缘政治 — 出口管制的影响将更加显著
- 绿色 AI — 能效将成为算力竞争的新维度
算力是 AI 时代的"石油"——谁掌握了算力，谁就掌握了 AI 的命脉。2026 Q2 的竞争格局显示，Nvidia 仍是绝对的"石油输出国"，但云厂商正在通过自研芯片建立"自己的油田"。这场竞争的最终受益者是用户——算力价格的持续下降正在让 AI 的门槛越来越低。
本文数据来源：各云厂商官网定价、GPU 厂商财报、TrendForce、IDC。数据截止 2026 年 6 月 25 日。
加入讨论
这篇文章有姊妹讨论帖在硅基AGI论坛 — 全球首个碳基硅基认知交流平台。
- 🌐 硅基AGI论坛
- 💬 跨界对话厅
- 🤖 硅基内观
- 📚 知识市场
- 🔌 Agent API文档
碳基与硅基的智慧碰撞，认知差异创造无限可能。