Anthropic 100亿美元租Meta算力：企业做AI，到底该租还是该买？

老实说，这篇文章可能会让一些云厂商不太高兴。但我觉得这个事值得拿出来好好掰扯掰扯。

目录

• 热点背后的真相：100 亿美元，买的是什么？
• 算力租赁 VS 自建服务器：一个被忽视的决策框架
• 三种场景，三种选型方案
• 我亲测过的几个方案，供你参考
• 总结：没有银弹，但有原则

热点背后的真相：100 亿美元，买的是什么？

今天一早，朋友圈就被这条消息刷屏了：Anthropic 正在和 Meta 谈一笔 2 年 100 亿美元的算力租赁协议，月付 4.17 亿美元，双方都可以提前退出。

图片来源：Unsplash

看到这条新闻，我的第一反应不是"哇，好有钱"，而是——连 Anthropic 这样的头部 AI 公司都不自己买卡了？

试想一下，Anthropic 是谁？Claude 系列的开发商，OpenAI 最直接的竞争对手，融资几十亿美元的 AI 独角兽。他们完全可以自己去找 NVIDIA 下单买 H200/B200，自己建数据中心。但他们没有。

他们选择了租。

这背后释放了一个非常强烈的信号：在 AI 算力这个战场上，租赁正在从"无奈之选"变成"理性之选"。

你看，100 亿美元、2 年，折合每天 1369 万美元。这相当于 Meta 把自己闲置的 GPU 算力打包卖给了 Anthropic。对 Meta 来说，数据中心的投资不再是成本中心，反而变成了利润中心。对 Anthropic 来说，不用一次性掏出几百亿美元建数据中心，想退还能退。

这不香吗？

算力租赁 VS 自建服务器：一个被忽视的决策框架

我过去一年至少和十几个做 AI 应用的朋友聊过这个话题，发现一个普遍现象：大部分人根本不考虑"租还是建"这个问题，上手就是买服务器。

老实说，这种思维习惯在 2023 年还可以理解——那时候 GPU 一卡难求，能买到就是胜利。但到了 2026 年，情况已经完全不一样了。

我画了一个简单的决策树，帮你判断：

你该算力租赁，如果——

• 业务需求波动大：今天跑训练，明天跑推理，后天可能改需求
• 现金流吃紧：一次性买几十块 GPU 对中小企业来说太沉重
• 不想养运维团队：服务器挂了、网络断了、散热坏了，都得有人管
• 想快速试错：新业务方向不确定，租 3 个月试试水，不行就退

你该自建服务器，如果——

• 7x24 小时满载运行：推理服务、在线业务，算力利用率 > 70%
• 对数据安全有严格合规要求：金融、医疗、政务场景
• 追求极致延迟：实时 AI 交互场景，网络延迟多一跳都不行
• 规模大到一定程度：比如你已经有 1000+ 张卡，自建 ROI 明显更高

核心原则很简单：算力租赁解决的是"灵活性和现金流"问题，自建解决的是"控制权和边际成本"问题。你的业务在哪个象限，就选哪个方案。

三种场景，三种选型方案

图片来源：Unsplash

场景一：中小团队做 AI 应用（1-10 人）

推荐方案：云服务器 + GPU 实例按需租用

说句实话，这个阶段的团队最不应该做的事就是买物理服务器。我见过太多初创团队一上来就花几十万买 GPU 服务器，结果业务方向 pivot 了，服务器闲置吃灰。

现阶段国内主流的方案对比：

我的建议：先在云上用按量付费跑通 MVP，确定业务模型后再谈长期资源规划。

场景二：中型企业做 AI 落地（10-100 人）

推荐方案：混合架构——核心业务自建 + 弹性业务上云

这是目前最务实的方案。你去看看国内的 AI 公司，但凡有点规模的，基本都是这个路子。

核心逻辑：
1. 线上推理等延迟敏感业务：自建小型 GPU 集群（10-50 张卡），保证稳定性和响应速度
2. 训练、实验、突发流量：走云上弹性资源，用完即释放
3. 冷数据存储：上对象存储，别拿 GPU 服务器当 NAS 用——这个错误我看到过太多次了

场景三：大型企业 / 重度 AI 需求

推荐方案：参考 Anthropic——策略性租赁

有趣的是，Anthropic 的选择恰恰说明了一个道理：即使你有钱到可以自建，租赁仍然可能是一个更优的财务决策。

100 亿美元 2 年，如果用来买硬件，大概能买 15-20 万张 H100。但 2 年后呢？B200 出来了，你的 H100 二手残值还剩多少？而租的话，到期退租，技术迭代的风险由出租方承担。

我亲测过的几个方案，供你参考

过去半年我一直在给自己的一些客户做 AI 服务器选型咨询，跑了几个实际的测试，简单说说感受：

1. 轻量推理用腾讯云 GN7（T4）
性价比很高，月费 3000 出头，部署 Stable Diffusion 或者 7B 以下模型推理完全够用。适合个人开发者或小团队起步。

2. 模型微调用阿里云 gn7i（A100）
如果你要微调 LLaMA 13B 或者类似规模的开源模型，A100 40G 是最低门槛。月费 8000 左右，比买一台 20 万的服务器划算太多了——因为你不会每天都在跑微调。

3. 国产化场景选华为云 Ascend 910B
如果你有信创需求，910B 是不错的选择。生态虽然比 CUDA 差一些，但华为在使劲推，适配的开源模型越来越多。别因为习惯问题就忽视这个选项。

4. GPU 租赁平台跑大规模训练
对于需要几十甚至上百张卡同时跑的大规模训练任务，建议走专门的 GPU 租赁平台（比如算力云、极客云这类）。按小时计费，训练完了就释放，不用养闲置资源。

图片来源：Unsplash

总结：没有银弹，但有原则

（全文完）

Anthropic 100 亿美元租 Meta 算力这件事，给我们提供了一个很好的思考样本：

• 如果你的业务还在试错阶段——租，别犹豫
• 如果你的业务已经稳定且满载——买，算算 ROI
• 如果既想稳定又不想被绑死——混合架构，两边都占

技术选型没有标准答案，但有一条原则永远不会过时：别因为"习惯"或"面子"做决策，要让数字说话。

希望这篇文章能帮你少走一些弯路。如果你现在正在纠结服务器选型，欢迎在评论区聊聊你的具体场景，我会尽量给出我的建议。

（全文完）