一张H100显卡，租还是买？

2026年，一张NVIDIA H100显卡的市场价约2.5万美元（约18万人民币），一台8卡H100服务器约20万美元。对于一家AI创业公司来说，这意味着一笔不小的投入——买两台服务器就要40万美元，够烧半年。

但GPU租赁市场在2026年发生了剧变。2025年，租用一张H100显卡的价格约2.5美元/小时。2026年，这个价格降到了约1.5美元/小时——一年降了40%。这意味着，如果你每天使用8小时，租一张H100一年的成本约4400美元，而买一张H100的价格是2.5万美元。租比买便宜了80%以上。

更关键的是，2026年算力市场不再是"买不到GPU"的卖方市场，而是"挑花眼"的买方市场。NVIDIA的产能大幅提升，AMD的MI300系列开始抢市场份额，华为昇腾910C完成了5nm量产，连Google和Amazon都在用自研芯片提供算力租赁服务。GPU供给的极大丰富，正在重塑整个AI算力经济。

2026年算力云平台格局

第一梯队：云计算三巨头。 AWS（Trainium2和NVIDIA H100）、Azure（NVIDIA H100和AMD MI300X）、Google Cloud（TPU v5和NVIDIA H100）仍然是算力租赁的最大玩家。2026年，三大云厂商的AI算力租赁收入合计超过400亿美元，同比增长约60%。它们的优势是：算力充足、生态完善、企业级SLA保障。劣势是：价格不是最低的。

第二梯队：算力新贵。 Lambda Labs、CoreWeave、Vast.ai、RunPod等专业GPU云平台在2026年快速增长。它们的价格普遍比三大云厂商低20-40%，而且提供更灵活的计费方式（按分钟、按秒计费）。CoreWeave在2026年Q1的营收突破30亿美元，估值超过300亿美元，成为AI算力租赁领域最大的"黑马"。

第三梯队：去中心化算力。 Akash Network、Render Network、io.net等去中心化算力平台在2026年开始崭露头角。它们通过聚合全球闲置GPU资源（矿工、游戏玩家、小型数据中心），提供极其便宜的算力——价格可以低至传统云厂商的20%-30%。但稳定性和可靠性仍然是去中心化算力的软肋。

中国市场：异构算力百花齐放。 华为云（昇腾910C）、阿里云（含光800+和平头哥自研芯片）、百度云（昆仑芯）、字节跳动（火山引擎自研芯片）都在2026年提供了大规模算力租赁服务。华为昇腾910C的算力租赁价格约为NVIDIA H100的60%，在国产替代政策的推动下，在政府和国企市场占据了主导地位。

租vs买：2026年的决策框架

什么时候租？ 如果你的AI工作负载是"间歇性"的（比如每天只用4-8小时，或者每周只训练几次模型），租GPU远优于买GPU。如果你的需求是"短期"的（比如做一个3个月的AI项目），租GPU是唯一合理的选择。如果你的需求是"不确定"的（还不确定AI产品能否跑通PMF），租GPU可以让你在不确定性中保持灵活性。

什么时候买？ 如果你的AI工作负载是"持续"的（每天24小时满载运行），买GPU可能比租GPU更划算。以H100为例，如果每天使用24小时，租一年的成本约1.3万美元，买一张的成本是2.5万美元。买GPU的"回本周期"大约是2年。如果你的需求是"长期"的（至少2年以上），且利用率高（超过70%），买GPU可能更经济。

混合策略。 2026年，最聪明的AI公司采用"混合策略"：核心的、持续的工作负载用自己的GPU（或长期租赁合同），突发的、间歇的工作负载用云GPU。这种策略兼顾了"成本"和"灵活性"。

2026年算力采购的三个陷阱

陷阱一：只看价格，不看"真实性能"。 不同云平台的"同一张H100"性能差异可能达到20-30%。原因在于：网络带宽（GPU之间的互联速度）、存储IOPS（数据加载速度）、虚拟化损耗（多少性能被虚拟化层吃掉）。不要只看"每小时多少钱"，要看"每TFLOPS多少钱"。

陷阱二：忽略了"迁移成本"。 在不同云平台之间迁移AI工作负载的成本很高——需要适配不同的API、不同的存储系统、不同的网络配置。选择一个云平台后，切换成本很高。所以在选择时要考虑"长期锁定"效应。

陷阱三：低估了"运维成本"。 如果你选择买GPU自建服务器，你需要考虑运维成本——电力（一台8卡H100服务器功率约10kW，一年电费约8万元）、冷却（GPU服务器需要专业散热方案）、运维人员（至少需要0.5-1个工程师）。这些隐性成本加起来，可能让"自建"的性价比优势消失。

算力市场的"去NVIDIA化"趋势

2026年算力市场最关键的变化是"去NVIDIA化"——越来越多的AI推理工作负载不再需要NVIDIA GPU。AMD的MI300系列在推理场景下性能接近H100，但价格只有60%。Google的TPU v5在Gemini模型的推理上性能优于H100。华为昇腾910C在国产政策驱动下，在政府、金融、电信等行业的推理场景中大规模部署。

对于AI公司来说，2026年最重要的算力决策不是"租还是买"，而是"是否一定要用NVIDIA"。如果你的AI工作负载是"推理"（而非"训练"），在非NVIDIA芯片上运行可能可以节省50-70%的算力成本。NVIDIA的CUDA生态仍然是训练领域的护城河，但在推理领域，这个护城河正在被快速填平。