智算规模增146% 一半算力吃灰给零售的提醒

“算力为何成了兵家必争之地”冲上热榜的同一天，另一组数字给出了冷静的注脚。截至2026年9月底，全国智能算力规模同比增长146%，全国在用智算中心超过500座；而行业调查显示，西部一座千卡级智算中心上架率不到50%，已上架服务器的实际利用率连30%都摸不到，一年亏损超过三千万元。算力在扩张，利用率在掉队，这个剪刀差是理解当前AI产业最直接的一把尺子。

投资曲线和利用率曲线在分叉

投资侧的曲线很陡。CINNO 与 IC Research 的统计显示，2026年第三季度中国智能算力中心产业投资规模约7288亿元，同比增长34.4%，较2025年同期增加1864亿元。单个项目的体量也在放大，呼和浩特的中国移动智算中心扩容项目合约额27亿元、建筑面积约44500平方米、IT总功率120兆瓦，投运后总算力20100P，其中智能算力16700P。

利用率侧的曲线却平缓得多。500多座在用智算中心里，能稳定跑到七成以上负载的是少数，多数在30%到50%之间徘徊。原因不复杂：算力的需求方集中在少数头部模型公司，而供给方是分散在各地的机房。供给按行政区布局，需求按商业逻辑集中，两者天然错配。

为什么空转的机房还在建

因为算力被当成基础设施而不是商品。基础设施的逻辑是先行建设、等待需求，商品逻辑是按需生产、即时变现。当算力被纳入地方产业规划，建设决策就不再只由投资回报决定，于是出现“建好了再找客户”的路径。这条路在公路、港口上曾经成立，因为需求会随经济自然增长；但算力需求高度依赖少数买家的资本开支节奏，等待期可能很长。

对零售企业意味着什么

第一层含义是价格。算力供过于求，短期会压低推理成本，这对用AI做客服、内容生成、图像处理的零售企业是利好。过去一次批量生成十万条商品文案的成本高到无法承受，现在可以做到单条成本忽略不计。成本下降会改变很多业务的可行性边界，比如为每个SKU生成独立的详情页文案。

第二层含义是选型。算力过剩的另一面是供应商过剩，市场上会出现大量“算力+模型+应用”打包的方案商。零售企业在这种环境里最容易犯的错，是被低价算力绑定到一套不匹配的技术栈上。选型的判断标准不该是单价，而是这套方案能不能接入自己的商品、库存、会员三套主数据。

零售用算力的三个真实场景

第一个是需求预测，需要的是稳定的小规模推理而不是大规模训练，对算力单价敏感但对峰值不敏感。第二个是内容生成，需要的是批量推理与图片渲染，对单价极度敏感。第三个是门店视频分析，需要的是边缘算力而不是中心算力，把视频传回中心既不经济也不合规。三个场景的算力形态完全不同，用同一份采购合同覆盖，必然有场景浪费。

空转的机房暴露了什么问题

暴露的第一个问题是需求侧的准备不足。企业买了算力却不知道怎么用，因为没有数据、没有场景、没有能把模型接进业务流程的人。这不是算力问题，是组织问题。暴露的第二个问题是评估体系的缺失，项目上线后没人测算单位决策成本，于是“用了AI”本身变成了成果。

暴露的第三个问题是区域错配。西部机房电价低、绿电占比高，呼和浩特项目的绿电使用占比达到88%，90%的算力资源服务京津冀，网络时延控制在3.5毫秒。这些条件在成本上很有竞争力，但需要客户愿意把训练任务放到西部、把推理任务放在离用户近的地方。这种分层调度能力，目前只有少数大客户具备。

零售企业该怎么用这条信息

第一，把AI预算从“买算力”转向“买结果”。算力会持续降价，今天锁定的长期合约，明年可能变成负资产。按调用量付费、按项目付费，比自建机房更符合当前的供需格局。第二，把场景按频次排序，先做高频低风险的场景，用短周期验证，而不是一上来就做全链路的智能决策。

第三，把可验证性写进合同。要求供应商提供可复现的评测结果，而不是演示视频。这一点在生成式引擎时代尤其重要，因为品牌内容一旦被模型引用错误，纠错成本远高于采购成本。算力争夺看起来是基础设施的故事，落到零售企业身上，其实是一道关于“什么时候买、买多少、买什么形态”的采购题。

算力降价之后哪些业务变得可行

推理成本下降会重写一批业务的可行性。第一类是商品内容规模化，为每个SKU生成独立的标题、卖点、详情描述，过去受限于人力只能覆盖头部商品，现在可以覆盖长尾。第二类是评论与口碑的结构化分析，把海量文本拆成可统计的维度，过去只能抽样，现在可以全量。第三类是多语言出海内容，小语种市场的内容成本被压到可以接受的水平。

不可行的业务同样要看清。需要实时性的场景，比如门店视频的实时异常识别，成本瓶颈不在算力单价而在带宽与边缘部署；需要高准确率的场景，比如财务对账，模型输出的可解释性不足，人工复核成本反而更高。把“降价就能做”当成普遍结论，是这一轮算力扩张里最常见的误判。