最近有一条消息在算力圈子里讨论度不低英伟达暂停了部分AI云收入分成协议。如果只是扫一眼标题很容易把它当成一次普通商业条款调整。但把时间拉回过去两年你会发现这个动作背后有另一个分量过去很多AI云厂商的GPU供给不是靠公开市场采购而是靠和英伟达生态的深度绑定换来的收入分成就是这种绑定里最常见的一种对价。现在这个对价机制在部分合作中被暂停链条上所有角色的账都要重新算。我更想强调的判断是英伟达暂停部分AI云收入分成协议表面上是在调整商业条款实际上是把GPU从“卖产品”进一步变成“管分配”之后的一次重新定价。它真正改变的不是某几家云厂商的合同而是整个AI算力产业链上“谁掌握分配权”这件事。芯片厂商、AI云厂商、企业客户和开发者都会在这轮调整里重新排位置。下面我分几个层面来拆。1. 芯片厂商为什么愿意和云厂商签分成协议1.1 稀缺算力下的另一种“补货”方式在AI算力最紧缺的那段时间很多AI云厂商面临一个非常现实的问题不是没有客户而是拿不到卡。公开市场的GPU价格高交期长而且大客户往往优先。这时候一个新成立的GPU云厂商如果只靠自己采购很容易被现金流和供给周期拖死。收入分成协议就是在这样的背景下出现的。芯片厂商联合生态伙伴或通过投资主体把GPU优先供给给选定的云厂商云厂商在后续运营中把一部分收入分成给上游。对云厂商来说它解决了最难的“卡从哪里来”的问题对芯片厂来说它没有把这些GPU放到公开市场去卷价格而是放进自己的生态里形成利益绑定。我在接触一些AI云创业团队时发现最让他们头疼的经常不是模型效果而是开机数量。今天多了几百张卡明天可能因为上游策略调整又少了几百张。算力供给在这种生态里从来都不是一个纯粹的市场价格问题。1.2 分成协议对双方都是一把双刃剑从商业逻辑上看这种协议很容易理解但它并不是没有代价。对芯片厂商来说收入分成意味着它把一部分商业回报押在了下游运营能力上。如果云厂商客户跑不出来分成就是账面上的数字如果云厂商成长起来又可能反过来成为自己直接客户的竞争者。这里存在天然的张力。对云厂商来说分成协议换来的供给稳定性同时也带来了战略上的深度依赖。一旦上游调整协议、暂停分成、改变供给优先级云厂商的商业模式就要跟着变。换句话说这种协议在缓解算力短缺的同时也把风险集中到了一个点位上。所以当“暂停分成协议”的消息出现时它不是孤立事件更像是一种累积压力的释放。2. 这个时间点按下暂停原因比表面复杂2.1 最直接的一层来自监管的关注从行业公开讨论看监管对AI算力市场集中度的关注是很多分析里最先提到的一个原因。芯片是AI基础设施里的关键资源如果一家芯片厂商既向云厂商卖卡又从云厂商的收入里分成等于在上下游同时获得议价权。这种结构在商业上很强但也更容易成为监管审查的对象。具体到哪家公司、哪个监管机构、进展到哪一步公开信息并不完整这里不做过度推断。但可以确定的一点是当一个领域的头部玩家同时控制供给、价格和下游分成时继续扩大这种绑定关系的边际代价会越来越高。2.2 更深一层市场供需和商业模式都在变过去两年AI算力的供需状态一直在变。早期的“有多少卡都能租出去”逐步变成了“不同规格、不同区域、不同时延要求下的结构性紧张”。市场上也出现了更多选择替代芯片、推理优化、私有化部署、算力租赁平台。当供给端不是绝对稀缺时芯片厂商通过收入分成锁定需求的价值就会下降。与其绑住一两家云厂商分享未来收益不如把卡卖给更多元的客户群体或者用更直接的定价方式获得现金回报。此外分成协议的管理成本很高。协议里涉及收入确认口径、GPU使用率、租赁定价、审计规则每一层都可能产生争议。当GPU云市场的利润率被进一步压缩时这种复杂结构就显得不那么划算了。2.3 还有一层销售策略在转向过去芯片厂商的重心是“把卡卖给云厂商”因为云厂商有资金、有客户、有运营能力。现在越来越多的企业和机构愿意直接采购GPU自己做训练或推理集群。直接销售的好处很明确现金流更确定客户关系更近还可以在软件生态、部署服务、后续迭代上绑定得更深。一旦销售策略往这个方向转收入分成协议的位置就变得尴尬。它既不像标准硬件销售那样干净又不像纯投资关系那样清晰。这里要特别说明我并不是说英伟达会彻底放弃所有分成合作。更合理的理解是它会选择性调整对核心生态伙伴保留更灵活的机制对非核心合作则收紧。暂停部分协议只是这个筛选过程的显性表现。3. 暂停协议真正改变的是算力的分配权3.1 从“卖芯片”到“管分配”如果只看业务层面英伟达是一家芯片公司。但过去几年它在做的事情已经远远超出“卖芯片”的范畴它决定GPU优先供给谁、以什么价格供给、通过哪家渠道供给甚至通过软件生态影响客户的最终选择。收入分成协议本质上是一种“分配权”的延展不仅决定货给谁还要决定后续收入怎么回流。暂停部分协议并不代表放弃分配权而是把分配的方式改成了更直接的销售、租赁、合作开发等多种组合。这里有个容易被忽略的信息量谁是“部分协议”里的“部分”本身就是分配权的一种体现。哪些云厂商还能继续分成合作哪些要改成纯采购哪些会被放到更边缘的位置这些选择会直接影响未来一个阶段的市场格局。3.2 上游集中度越高下游越要留后手暂停分成协议对云厂商最直接的影响是融资故事和供给预期都变得不确定了。过去一家AI云厂商可以说“我们有上游生态的深度支持所以能拿到稳定算力”现在这个叙事被打折了。对企业客户和开发者来说CPU、GPU这类基础设施的上游集中度越高下游就越需要留后手。我见过一些团队模型训练代码写得很扎实但资源完全绑在一家GPU云厂商上连数据快照、镜像、负载均衡都用了云厂商特有方案。一旦上游的商务条件或供给优先级发生变化迁移成本会高到让人放弃迁移。这不是说要同时用好几家云而是在架构设计时保持一种“可迁移姿态”至少要知道换一家供应商需要动哪些代码、改哪些配置、花多少时间。4. 三类角色如何重新算账不同角色对这次调整的感受完全不一样。我把它们分成三类放在同一张表里看角色过去的状态受此次调整的影响接下来最该做的事AI云厂商靠上游供给分成绑定获得GPU商业模型不确定性上升融资和成本测算都要改降低对单一供给路径的依赖同时优化GPU利用率自建算力的企业直接采购GPU较少受云厂商分成影响中长期影响是价格、交期和供货优先级的不确定性做多版本采购预算考察多种算力渠道使用云API的开发者只关心接口和单价不关心上游结构短期感知不明显长期可能面临价格和容量波动关注成本模型训练和推理任务保持可迁移4.1 AI云厂商融资故事变了AI云厂商是最直接的受影响方。过去融资时投资人会问“卡从哪来”创始人可以说“有上游分成协议支持”。现在这个答案不再稳。更实际的问题在于收入模型。分成协议暂停后原本可以缓慢支付的上游成本可能变成更急迫的采购付款压力。GPU云厂商需要在资金效率、GPU利用率和客户留存之间重新找平衡。我比较建议这类团队先做一次最保守的现金流测算假设上游分成收入全部归零、GPU采购价保持不变商业模式还成立吗如果成立说明抗风险能力强如果不成立那就需要尽快调整而不是等协议变化落地。4.2 企业客户不要把一个关键资源押在一家供应商上企业客户通常不会直接看到分成协议条款但它会通过价格和货源间接感知到变化。GPU算力的采购正在从“下订单等货”变成“优先级游戏”谁的战略价值高、谁的单子大谁更容易拿到货。在这个背景下企业客户最需要养成的习惯是把一个关键资源的需求拆成至少两个独立供给源。比如训练集群用一家推理集群用另一家或者主用一家GPU云同时预留一套可切换的轻量推理方案。这样做不是为了分散到越多越好而是为了给商务谈判留一个基本底牌。4.3 开发者短期感知不直接但长期影响成本对大多数开发者来说分成协议暂停并不会让API报错也不会让训练任务突然中断。但它会逐步影响云GPU市场中的定价结构、预留实例策略和容量可用性。如果开发者的日常工作是训练微调、推理部署我建议多留意一件事当前任务的运行成本是由哪些维度的计价构成的它的市场参考价是稳定的还是因为渠道补贴才便宜的把这个问题想清楚就能在供应商调价时不被动。5. 算力获取的五条路径与一套决策框架在讨论英伟达和AI云动态之后我想把话题落到更实的地方一个团队到底应该通过什么方式获取算力。目前比较常见的路径有五条。5.1 五条路径第一大型公有云厂商的GPU实例。特点是稳定、集成度高、合规成熟但单价经常偏高尤其在大规模长期训练场景下成本容易失控。第二专业GPU云。特点是资源弹性好服务更聚焦过去也更容易通过分成协议等方式拿到货。缺点是供给和商务条件受上游影响大稳定性需要重点评估。第三自建机房或托管。适合规模大、需求长期稳定、团队有基础设施能力的组织。长期成本可能更低但前期资本开支、运维和故障处理压力都不小。第四替代芯片和混合算力。包括其他厂商的GPU、AI加速卡以及CPU推理方案。这部分在特定场景下的性价比正在提升但不能无脑替代需要按模型和负载单独验证。第五多云组合和竞价型实例。把训练、推理、开发环境拆到不同供应商上用竞价实例降低非关键任务成本。缺点是架构复杂度和运维成本会上升。5.2 决策框架五个问题先问自己我一般建议团队不要急着比较价格而是先回答五个问题需求是连续的还是波峰的预算是项目制支出还是长期资产投入团队有没有专门的运维和基础设施能力对数据位置、时延、合规有没有硬性要求对单一供应商的容忍度有多低把这五个问题答案放在一起再去看五条路径选型就不会太偏。维度适合公有云GPU适合专业GPU云适合自建需求波动中高波动中波动低波动、高连续预算口径项目/运营支出项目/运营支出资本开支运维能力低要求中要求高要求数据合规看区域和服务等级看厂商合规储备完全自主迁移风险中中高低6. 普通团队现在最该做的三件事无论你是创业团队负责人、架构师还是一个人做AI应用的开发者面对上游商业条款调整有三件事现在就可以做。6.1 做一份算力成本与容量模型不要只在月底看账单。我建议把当前主要训练任务和推理任务分别列出估算每个任务的平均算力需求、峰值需求、运行时长、单位成本、单次失败重试成本。然后试算三种情形上游涨价、供给优先级下降、容量突然短缺。这样你至少能知道当变化发生时最该砍哪个任务最该保哪个任务。6.2 给代码和流程加一层抽象这里的“抽象”不是说一定要上一套复杂的云管理平台而是做到三件事数据集和模型权重可以脱离云厂商独有存储训练代码里的路径、环境变量和资源参数集中管理推理服务预留一套可切换的部署配置。哪怕只做这三件事当供应商切换时迁移成本也会比裸奔低很多。很多团队不切换本质上不是技术做不到而是迁移成本高到不值得。6.3 给供应商做一次风险体检可以按季度检查这些点上游供货合同是否还有效是否存在排他性或最低采购量条款现有GPU实例的预留折扣是否会随协议调整数据出云、镜像导出、快照迁移的流程是否跑通过关键系统是否有历史数据可用于重新部署是否有第二供应商的账号和灰度切换方案。这套检查不需要一次做完可以分两周逐项完成。只要做完你对整个算力供应链的掌控感就会明显不一样。注意不要等到上游条款真正变化才开始做迁移测试。迁移到第二供应商最合适的时机往往是当前供应商一切正常、没有竞争压力的时候。7. 不要只盯着芯片要盯着分配权回到最开始的判断。英伟达暂停部分AI云收入分成协议真正值得长期关注的不是某一家云厂商的合同变动而是AI算力市场正在进入一个新阶段芯片供给依然重要但更重要的变成了分配逻辑。谁决定GPU去哪个地区、进哪个机房、优先服务哪个客户谁就在塑造未来一到两年的AI竞争格局。收入分成协议只是这种分配权的一种表现形式。暂停它、调整它、换成别的形式都是同一件事的连续动作。对于普通团队最重要的事情不是去猜上游下一步会做什么而是理解自己所在的生态位置然后尽早在成本、容量、可迁移性和供应商集中度上留出安全垫。算力市场一定还会有新的协议、新的价格、新的合作形式出现但只要你的架构和商务安排能在变化中快速调整就不会在下一轮波动里被卡住。现在最值得行动的下一步是从自己的账单和部署架构开始做一次算力供应商风险体检。这件事不需要等别人给答案。