全球半導體暴跌背后：Meta開始傾銷，英偉達急著放貸，算力生意要變天了！

2026年年中，全球AI軍備競賽的邏輯變了。

過去兩年，硅谷有一條清晰的單向食物鏈：英偉達賣卡，CoreWeave這類算力廠商買卡建機房出租，OpenAI和Anthropic這些模型公司租算力訓練。各賺各的錢，分工明確。

2026年5月到7月，三個月內連續爆發的三件事，把這條食物鏈打碎了。

5月6日，馬斯克的xAI宣布把旗艦超算集群Colossus 1——擁有超22萬塊英偉達GPU——以每年50億到60億美元的價格，長租給死敵Anthropic。月均1.25億美元，租約直簽2029年。

7月1日，Meta內部代號“Meta Compute”的云服務計劃流出。這家2026年AI資本開支預計高達1250億到1450億美元的巨頭，決定正式對外出售閑置算力，直接向傳統云廠商和獨立AI云宣戰。

同一天，英偉達推出全新的“收入分成與信用支持”合作模式。它不再甘于只做一次性硬件供應商，而是用金融擔保為區域云廠商背書建廠，換取長期的算力運營收入分成。

三件事的主角分別是芯片廠商、互聯網巨頭和AI新貴，處在產業鏈上中下游三個完全不同的位置，但指向同一個結論：算力已經從“硬件銷售生意”變成了“金融和公共事業生意”。

三條路：放貸、傾銷、長租

英偉達、Meta和xAI各自基于自己的生態位，走出了三條邏輯完全不同的算力變現路線。

英偉達：從硬件統治者到算力央行

英偉達傳統的“一次性賣卡”模式面臨兩個遠期隱憂。一是微軟、谷歌這些大客戶在自研ASIC芯片，遲早會分流英偉達的份額；二是硬件交易做一單算一單，增長天花板肉眼可見。

7月1日祭出的新方案直接破局。

第一步是信用支持。萬卡級AI工廠的建廠融資門檻極高，新興云廠商根本撬不動。英偉達用自己的資產負債表為這些企業提供信用支持，幫助它們打通銀行融資。這一招讓Sharon AI（部署4萬塊GB300）和Firmus（印尼巴淡島360兆瓦園區，部署17萬塊GPU）這類區域云廠商能拿到百億級貸款，建設英偉達DSX架構的AI工廠。

第二步是永續分潤。硬件照常賣，但合作方后續對外出租算力的云計算收入，英偉達要長期抽成。英偉達不蓋機房、不付電費，只輸出芯片和信用，就把觸角伸進了全球每一枚AI Token的生成利潤里。據SemiAnalysis等機構測算，僅Firmus一個項目，6年內預計為英偉達貢獻250到300億美元的分成。

這跟中央銀行的操作邏輯如出一轍：不直接參與市場交易，但通過信用擴張控制整條鏈路的利潤流向。

更絕的是，這種“永續分潤且不占股權”的輕資產金融模式，在法律上巧妙地為英偉達筑起了一道應對全球反壟斷審查的防火墻。它不直接壟斷下游云市場，卻收割了最肥美的利潤。

英偉達本質上變成了全球算力產業的“央行”。

Meta：用開源模型消化潮汐閑置 Meta的“Meta Compute”計劃包含兩條并行線。一條是類似CoreWeave的裸算力租賃，一條是類似AWS Bedrock的MaaS模型托管，按Token計費。

這條路的核心是資產效率對沖。AI超算中心的建設是整塊交付的，顆粒度極粗——你不可能今天裝一萬張卡、明天再加兩千張。但自研大模型的研發存在周期波動。上一代模型訓完、下一代還沒開工的技術空窗期里，天量硬件在數據中心白白折舊。

Meta的算盤是“以戰養戰”：優先保障內部前沿研發，把成熟代際或潮汐閑置的算力外售。一方面稀釋數據中心的高昂折舊成本，另一方面通過Llama開源生態把開發者引流到自有算力上變現。Llama在全球龐大的開發者基本盤就是天然的獲客漏斗——你用Llama開發應用，自然傾向于在Meta的算力上跑。

Meta的挑戰在另一個維度：公有云的企業級運營和服務能力不是它的傳統基因。AWS和Azure花了十幾年打磨SLA擔保、合規審計、混合云對接這些企業級能力，Meta要從頭補課。

xAI：一場重資產的代際套利

馬斯克的玩法最直接。xAI旗下的孟菲斯Colossus超算集群在完成上一代旗艦模型Grok 3的訓練后，面臨一輪技術空窗期——新一代模型的訓練還沒開工，數十萬塊GPU在機房里空轉。

這個空窗期的代價是實打實的。超大規模智算中心在多代芯片迭代、跨機房網絡拓撲調優的過程中，大規模分布式訓練的算力利用率往往會出現階段性下滑。一臺擁有數十萬塊GPU的超級集群，多閑置一天，折舊和電力成本就是硬支出。

馬斯克于是選擇把階段性富余的算力容量打包，定向租賃給有剛性推理需求的Anthropic——每年50億到60億美元，租約直簽2029年。

算力租賃這門生意的天花板確實最低——純物理長租沒有模型層和硬件層的增值收益，但于 馬斯克而言，這是一次極其主動且精明的財務對沖， 用別人的錢養自己的下一代超算，也是典型的代際套利。

為什么要跨界賣算力：三個殘酷現實

三家巨頭看似各走各路，但動因卻指向同一個困境。

第一是資本開支壓力。動輒千億美金的投入，5年以下的芯片折舊周期，意味著任何巨頭都無法再無限度地容忍算力閑置。一臺GPU不跑任務，每天在折舊和電費上燒掉的錢是實打實的。

第二是大模型變現撞墻。純粹靠訂閱費或C端廣告，短期內根本覆蓋不了硬件窟窿。OpenAI的年化收入跑到了百億級別，但跟它燒掉的算力成本比，缺口仍然巨大。算力租賃成了“生產資料再分配”的對沖手段——自己用不完的，賣給別人用。

第三是推理時代到來。相比于短期、劇烈的模型訓練，大模型落地后的智能體推理需求是永久且細水長流的。訓練是一次性投入，推理是持續性消耗。這個轉變意味著算力行業的計費模式從固定時租走向按量計費和收益分成，估值邏輯也從看凈利潤的市盈率，轉向更看重收入擴張速度的市銷率。

華爾街的偽命題：Meta引發的暴跌是“算力過剩”嗎？

Meta Compute計劃宣布后，全球半導體與獨立AI云板塊遭遇血洗，華爾街分析師紛紛高呼“AI算力開始過剩”。

但這其實是一個巨大的偽命題。市場大跌，不是因為算力“總量過剩”，而是“散戶敘事泡沫的破滅”與“算力的結構性錯配”。

過去兩年，資本市場炒作的是“算力絕對短缺”的恐慌敘事。在那個敘事里，誰手里有卡，誰的估值就能上天。但Meta和xAI的動作，戳破了這個粗放的泡沫。

它們證明了：世界上最頂尖的算力，其實大量囤積在不需要靠賣算力過活的超級大廠手里。一旦大廠因為模型訓練空窗期而把這些“存量算力”推向租賃市場，中下游那些靠“倒買倒賣”賺取差價的二道販子（獨立AI云）就會被瞬間沖垮。

但這不是過剩，而是“巨頭降維打擊下的市場去泡沫化”。更何況，大模型預訓練的算力需求會因技術周期出現局部潮汐，然而隨著智能體應用全面爆發，下游對推理算力的消耗是持續的。華爾街錯把大廠的“庫存階段性周轉”當成了行業的“產能終極過剩”。

這也解釋了為什么英偉達的消息沒有對股市造成負面沖擊。當Meta在向云市場傾銷存量算力、砸爛二道販子的飯碗時，英偉達在做的事情是通過金融手段幫全行業加杠桿，去消耗更新、更強的Blackwell（GB300）增量芯片。

英偉達的放貸和兜底機制，讓那些拿不到微軟、谷歌訂單的區域主權智算中心（如印尼Firmus）獲得了重資產建廠的能力。在華爾街眼里，Meta的舉動是“存量相殘”，利空供應鏈；而英偉達的舉動是“做大增量”，用金融防火墻鎖死了未來的芯片銷量。因此，在這輪風暴中，貌似最受影響的英偉達的股價反而沒有大幅殺跌，倒是一眾借助產能短缺而瘋狂漲價的芯片股血流成河。

誰是贏家，誰在出局

暴跌之后，產業鏈格局的分化已經清晰。

最大的受害者是獨立AI云廠商。過去兩年，CoreWeave、Nebius這些公司憑借高拿卡優先級和倒賣算力成為華爾街寵兒。但Meta宣布外售算力的消息一出，CoreWeave股價當天暴跌近14%——市場看得清楚，Meta手里的算力是訓練空窗期的閑置產能，邊際成本幾乎只有電費，定價空間遠低于獨立云廠商的拿卡加運維成本。

這等于巨頭拿存量算力向市場傾銷，中小玩家的價格護城河一夜之間被擊穿。

與此同時，英偉達的分成模式意味著高端芯片將優先供給Firmus這些“親兒子”。獨立AI云廠商面臨雙面夾擊：上游拿卡順位后移，下游大客戶被Meta和xAI分流，它們的生存空間被嚴重收窄。

不過，獨立云并非全面崩盤——在政企私有化算力、本地化合規部署、中小模型定制托管這些場景里，它們的中立身份（不跟客戶搶模型生意）仍是不可替代的優勢。真正被擠出去的，是那些只做通用算力租賃、沒有差異化服務的二道販子。

英偉達的位置最穩。

全新的分成模式，讓它分散了單一客戶購買力下降的風險；唯一需要警惕的是AMD、國產算力或巨頭自研芯片的替代速度——但目前這三條路都還沒走到能正面威脅英偉達的階段。

Meta的軟硬一體協同最強，但企業級云運營能力是短板。

xAI的現金流最穩，但天花板也最低，且缺乏模型層和硬件層的增值收益。

此外，還有暫時沒亮牌的玩家：AWS和Azure。

它們手里有十幾年的企業客戶關系和自研芯片（亞馬遜Trainium、微軟Maia），在Meta和xAI攪局之前，它們才是算力租賃市場的地主。現在它們按兵不動，不是因為沒有反應能力，而是在等 Meta和xAI先把價格戰打透，再用自己的企業級服務能力和存量客戶鎖定期收割殘局。

算力生意要變天了

囤積GPU以“秀肌肉”的純硬件軍備競賽已經結束，商業模式的金融化博弈已經開啟。

未來的算力賽道分層會極其清晰：英偉達在頂層掌控芯片供給，抽取整條鏈條的“金融稅”；Meta、xAI和傳統超大規模云廠商在中層，依托自有算力與自研模型提供一體化服務；底層的中小獨立算力商，只能被迫卷入垂直細分場景。

在這場千億美金的超級內卷中，只靠一條業務線已經活不下去了。打通硬件、算力租賃、模型服務至少兩條線，或許才是AI企業活過這場科技風暴的標配。