AI算力鸿沟：企业基础设施投入增速超成本掌控
速览
VentureBeat Pulse Research调查发现，企业的AI基础设施投资增速远超其对成本的掌控能力：仅21%实现规模化生产，GPU利用率半数以下，超六成计划一年内更换供应商。选购决策更看重集成度和总拥有成本，而非单纯token价格。同时，从GPU算力向内存带宽的转变尚未引起足够重视，反映出一个“计算鸿沟”——投资先行，但经济可见性和控制力严重滞后。
AI 深度解读
背景
VentureBeat 通过其 Pulse Research 系列发布了一项针对企业 AI 基础设施与计算支出的调查，旨在揭示当前企业在部署 AI 时的实际状况、投资意愿以及成本可见性。调查于 2026 年第二季度（6 月）进行，样本覆盖 107 家员工超过 100 人的企业，集中在中间市场（101–250 人占 36%，251–1,000 人占 27%），角色涵盖管理者（38%）、个人贡献者（28%）、副总裁/总监（19%）和 C 级别（13%），其中 45% 是 AI 解决方案的最终决策者。行业分布以技术/软件（26%）、医疗/生命科学（15%）、金融服务（13%）和零售/电商（12%）为主。由于样本属于单波次自选调查，结果应视为方向性信号而非精确测量，尤其偏向早期采用者和中间市场，不代表最大规模超大规模运营商的视角。
核心内容
调查的核心发现是存在一个“计算鸿沟”（compute gap）——企业在 AI 基础设施上的投资速度远超其衡量和控制这些成本的能力。具体而言，只有约五分之一（21%）的企业在规模化生产环境中运行 AI，但投资意愿却远超这一成熟度：未来一年企业计划评估的最大单一领域是 AI 专用云（45%），而目前几乎没有任何企业使用这类基础设施。与此同时，已部署的计算资源处于低效运行状态——83% 的企业报告 GPU 利用率仅为 50% 或更低，且不到一半（44%）的企业能够严格追踪 AI 计算的实际成本。企业正在以比他们能够核算已有资产更快的速度购买更多基础设施。
部署成熟度与投资意愿的错位
调查显示，企业 AI 部署的成熟度曲线仍处于早期：38% 处于实验阶段（运行概念验证，尚未进入生产），37% 已有部分工作负载进入生产但未覆盖全组织，仅 21% 在规模化生产环境中运行 AI，另有 4% 尚未开始任何 AI 工作负载。这意味着后续的决策主要由仍处于部署早期的组织做出，其计算足迹和成本即将大幅增长。
当前使用的基础设施：超大规模云与模型 API 主导，专用 GPU 云几乎缺席
目前企业运行 AI 最常用的平台是 Google Cloud（48%），其次是 Microsoft Azure（29%）、AWS（22%）和 Oracle Cloud（22%）。模型方面，Google 的 Gemini 模型使用率最高（41%），紧随其后的是 OpenAI（40%），Anthropic 为 12%。仅有 6% 的企业运行自有本地或托管 GPU 集群，4% 使用自定义开源自管理栈。而专用 AI 云（如 CoreWeave、Lambda、Crusoe、Nebius、Together、Fireworks 等）的使用率均低于 2%。当前基础设施仍以超大规模云和 API 调用为主。
计划切换或新增供应商的高意愿
明确多数（64%）的企业计划在未来十二个月内切换或新增基础设施供应商，其中 38% 计划在未来一个季度内行动——这一流失意图对于如此基础性的类别来说异常高。当选择供应商时，企业最看重的是与现有栈的集成能力（41%）和总拥有成本（TCO，35%），而广告价格（每百万 token 成本）仅占 8% 的决定因素。此外，随着推理规模扩大，从 GPU 计算向内存带宽的转变这一前沿约束几乎未被纳入视野：约五分之一的企业要么对此不了解，要么尚未着手应对。
GPU 利用率与成本可见性
调查显示，83% 的企业 GPU 利用率低于 50%，其中 44% 低于 25%。仅有 44% 的企业能够严格追踪 AI 计算成本，这意味着大多数企业对其单位计算成本缺乏清晰认识。这种低可见性正与快速增长的支出形成矛盾，加剧了计算鸿沟。
额外发现：企业评估的重点领域
未来一年，企业计划评估的 AI 基础设施重点包括：AI 专用云（45%）、GPU 云（41%）、边缘 AI 基础设施（35%）、AI 推理平台（33%）、AI 训练平台（28%）、AI 数据平台（26%）、AI 安全平台（22%）等。尽管目前专用 AI 云几乎未被使用，但评估意愿最高，表明企业正积极寻找下一代计算资源。
关键要点
- 计算鸿沟定义：企业 AI 基础设施投资速度远超其衡量和控制成本的能力，导致投入与可见性严重脱节。
- 部署成熟度低：仅 21% 的企业在规模化生产环境中运行 AI，76% 仍处于实验或部分生产阶段。
- GPU 利用率极低：83% 的企业 GPU 利用率不到 50%，大量计算资源闲置。
- 成本追踪薄弱：不到一半（44%）的企业能严格追踪 AI 计算成本，多数企业无法看清单位成本。
- 供应商流失风险高：64% 企业计划在 12 个月内切换或新增供应商，38% 计划在下一季度内行动，表明市场远未稳定。
- 选择标准偏向集成与 TCO：41% 看重与现有栈的集成，35% 看总拥有成本，仅 8% 以每百万 token 价格为决定因素。
- 专用 AI 云需求初现：尽管当前使用率极低（<2%），但 45% 企业计划在未来一年评估 AI 专用云，预示着基础设施迁移浪潮。
- 前沿瓶颈不被重视：推理规模扩大带来的内存带宽限制，约五分之一企业尚未意识到或未着手解决。
- 当前基础设施格局：超大规模云（Google Cloud 领先 48%）和模型 API（Gemini 41%、OpenAI 40%）仍是主流，自有 GPU 集群占 6%。
意义与影响
这项调查揭示了 AI 基础设施市场的一个关键矛盾：企业正在以近乎盲目的速度投入资金，却缺乏有效管理成本的能力。这种“计算鸿沟”可能导致资源浪费、投资回报率低下，并促使企业加速寻求可观测性更强的工具或服务。对于云服务商和 AI 基础设施提供商而言，高切换意愿意味着市场格局可能