GPU云服务器涨价潮：Nebius 三个月内两轮提价，算力正在从买方市场变成卖方市场 老实说，做服务器导购这些年，我见过最魔幻的一幕，就发生在这个 9 月：同一个月里，一边是海外 GPU 云服务商拍着桌子涨价，一边是国内云厂商在网上喊"2 核 2G，68 块钱一年"。这两件事都是真的，都发生在 2026 年 9 月。所以我想把这条线捋一捋——涨的到底是什么，为什么涨，以及对你我这种要买服务器的人意味着什么。因为搞错了这件事，你的采购决策会错一整年。起点是 9 月 17 日。荷兰的 AI 算力租赁商 Nebius 给客户发了一封调价通知：自 10 月 1 日起，按需 GPU 云服务全线提价。H100 涨 17%、H200 涨 20%、B200 涨 19%、B300 涨 21%（来源：星岛环球网、格隆汇，2026-09-18 / 09-21）。这不是它今年第一次涨——这是三个月内的第二轮。B300 的租金从 7.85 美元/小时涨到 9.50 美元/小时，折成人民币，从 52 块钱涨到 63 块钱一小时。目录 一、先把事实摆出来：涨了多少，涨的是谁 二、为什么敢这么涨？因为议价权反转了 三、真正的推手不是 GPU，是内存 四、别误读：涨的是 AI 算力，不是所有云服务器 五、落到选购：涨价周期里，我建议你做三件事 六、总结 一、先把事实摆出来先把涨价清单摆上来，一目了然： 芯片 涨幅 生效时间 备注 H100 +17% 2026-10-01 2022 年发布的老卡，照样涨 H200 +20% 2026-10-01 B200 +19% 2026-10-01 B300 +21% 2026-10-01 从 7.85 → 9.50 美元/小时 几个关键事实，比数字本身更重要： 这是三个月内的第二次涨价。 行业里的事，一次叫波动，两次叫趋势。 B300 的累计涨幅已经到 56%。 半年不到，同一个东西贵了一半多。 需求能见度超过 24 个月，有客户已经预订到 2028 年第一季度。 卖方连"要不要卖给你"都开始挑了。 连 2022 年的 H100 都跟着涨 17%。 这点最值得琢磨——按摩尔定律，四年前的卡早该贬值了，现在反而在涨价。 你看，H100 涨价比 B300 更说明问题。当一个市场里，四年前的老硬件也能涨价，说明缺的不是"新"，缺的是"量"。二、为什么敢这么涨？因为议价权反转了Nebius 的调价通知发得非常硬气。没有客套的"由于成本原因我们遗憾地通知您"，而是直接告诉你：需求能见度 24 个月，后面还有人排队。这就是卖方市场（Seller's Market）。我记得 2024 年那会儿，技术圈流行一句话叫"算力过剩"，各种"AI 泡沫要破了"的论调满天飞，云厂商为了抢客户打得头破血流，算力几乎是求着人用。那时候买算力的是大爷。两年时间，攻守互换。举个生活里的例子。房子不好卖的时候，中介天天给你打电话，房东愿意坐下来跟你谈价格；房子好卖的时候，房东连面都不露，只让中介转告你一句："这个价，要不要？后面还有人排队。"现在的 GPU 算力，就是后面那套房。至于为什么反弹得这么快，原因不复杂：需求侧是 AI 大模型训练和推理的爆发，供给侧被几件事卡住了脖子——先进制程产能、CoWoS 封装、HBM 内存，每一环都不是说扩就能扩的。产能爬坡要按季度算，需求增长是按月算的。供需曲线一旦交叉，价格就没得商量。三、真正的推手不是 GPU，是内存这一节是全文最反直觉的地方，我建议你认真看。大家一提到 AI 算力，第一反应都是"显卡"、"GPU"。但 2026 年这轮涨价，真正的推手其实在内存。就在这个 9 月，谷歌供应链基础设施高级总监 Nikhil Cherian 公开透露了一个很有意思的细节（来源：36氪转快科技，2026-09-20）： AI 行业已经从"算力受限"快速转向"内存受限"； 高性能内存目前占单台 AI 服务器物料成本的约 75%； 为了突破瓶颈，谷歌建立了内部回收供应链，把退役服务器拆解，回收还能用的 DDR4 内存条； 谷歌甚至专门设计了硬件转接器，让上一代 DDR4 内存能插到新一代 AI 服务器上。 连谷歌都开始"捡破烂"了。你说这是缺钱吗？万亿市值的公司，真不缺这点采购费。这是结构性缺货——三星、SK 海力士、美光把先进产能和封装资源几乎全砸向了 HBM，因为 HBM 的利润远高于通用内存。结果就是"高端产能挤爆、中低端断供"，通用内存被挤出一片真空。讲得再直白一点：AI 这台机器的木桶，最短的那块板已经从 GPU 换成了内存。内存跟不上，你显卡再强也没用——模型权重、KV Cache、上下文窗口，全都要吃内存。花大价钱买的算力核心，因为"喂不饱"而闲置。这个账，云厂商比谁都算得清楚，所以涨价的时候就格外理直气壮：我手里稀缺的不是卡，是能跑起来的整套资源。四、别误读：涨的是 AI 算力，不是所有云服务器好，现在说回大家最关心的问题：这波涨价，会传导到我头上的 VPS 吗？我给一个可能让你意外的结论：短期不会，长期要防。先看清楚涨的是什么。Nebius 涨的是按需 GPU 实例——H100、B300 这些专供 AI 训练推理的稀缺算力，客户是 AI 公司和科研机构，它们对价格不敏感，但对"能不能拿到"极度敏感。而你日常用的那台 2 核 4G 通用云服务器/VPS，卖的是完全不同的东西：CPU、普通内存、SSD、带宽。它和 GPU 算力，不在一个战场。所以你才会看到今年最魔幻的画面：一边海外 GPU 按小时涨价 20%，一边国内通用云服务器打价格战，轻量服务器 2 核 2G 杀到 68 元/年、核心产品降价 55%。因为通用计算这块，产能是过剩的，厂商拼的是规模和生态。但传导链条是存在的，而且已经在走了：内存、SSD 涨价 → 云厂商的硬件采购成本上升 → 未来通用云服务器的"加内存、加硬盘"变贵。其实这条线我们今年已经在别的文章里聊过了：内存价格暴涨、SSD 一天三个价、存储进入超级周期。Nebius 涨价只是把这条链子又往下推了一格。结论就是那句话：通用 VPS 现在没涨，不代表明年不涨。该锁的价，早点锁。五、落到选购：涨价周期里，我建议你做三件事看热闹是没用的，得落在行动上。我做服务器导购这些年，涨价周期里最值钱的三个建议是这些。第一，算"单位有效算力成本"，别死盯着小时价。这是我最想纠正的一件事。很多人比价，就比"每小时多少钱"，然后挑最便宜的。这是典型的拿单价当成本。真实的成本是：一次任务的总成本 = （GPU 小时价 × 卡数 × 小时数）÷ 有效利用率 # 别只比"每小时多少钱"，那叫单价，不叫成本 def cost_per_task(hourly, gpus, hours, utilization): paid = hourly * gpus * hours # 你真正掏的钱 useful = paid * utilization # 真正干活的那部分算力 return paid, paid / useful if utilization else float("inf") # 便宜的卡：单价 2 美元，但利用率只有 20% print(cost_per_task(2.0, 8, 100, 0.20)) # 花了 1600，等效单价 8000 # 贵的卡：单价 3 美元，但利用率能到 80% print(cost_per_task(3.0, 8, 100, 0.80)) # 花了 2400，等效单价 3000 你看，便宜的卡反而更贵。 涨价之后，这个差距会被进一步放大。所以在 GPU 云普遍提价的周期里，第一件该做的事不是"找更便宜的小时价"，而是把你自己的利用率提上去——利用率从 20% 提到 60%，比你在外面砍下 20% 的价格，效果大得多。第二，在涨价周期里，"锁价"比"砍价"重要。涨价周期里，一次性的折扣是没用的，你需要的是"把未来的价格锁死"。包年包月、预留实例（Reserved Instance）、长期合同，本质都是拿"确定性"去换折扣——你承诺用满一年，厂商给你一个低于市场价的价格。在价格趋势向上的时候，这类合同的价值会被显著放大。但签之前，一定看清楚三件事： 计费口径：是按"开机时长"算，还是按"GPU 卡时"算？关机了还算不算钱？ 溢出价格：超出预留额度的那部分，按什么价计费？很多坑在这里。 退出门槛：能不能中途调整、能不能降配、违约金多少？ 第三，混合部署，别一把梭。这是我给中小团队的实在建议：训练用海外 GPU 云（按需、弹性、贵但拿到手），部署和推理放国内低价云或自建。原因很简单：训练是短时、高强度、吃稀缺算力的活儿，按需租最划算；而推理/部署是长时、低强度、吃通用资源的活儿，放在便宜的通用云服务器上成本低得多。我见过一个挺典型的案例。一个朋友做 AI 应用，一开始图省事，训练和推理全堆在海外 GPU 云上，账单一个月几万块。后来我让他拆开：训练还留在海外（这块确实没法省），把 API 服务、数据库、前端全迁到国内的轻量云上。一个月账单直接砍掉一大半，性能还没掉。用我们圈子里的话说：别一把梭，该省的地方要省。六、总结把这篇的核心再收一遍： Nebius 这轮涨价，涨的是稀缺的 AI 算力（GPU 按需实例），不是所有云服务器。 海外的 H100/B300 在涨，国内通用云服务器还在打价格战，两件事同时成立。 涨价的真正源头在内存的结构性短缺。 高性能内存占了 AI 服务器物料成本的约 75%，连谷歌都在拆退役服务器回收 DDR4。GPU 只是那个"看得见的符号"。 对买服务器的人，动作很明确：算有效成本而不是单价、在涨价周期里锁定长期价格、训练与部署分开做混合架构。 最后说一句我个人觉得最重要的：什么时候该买、该租、该锁价，取决于你对未来趋势的判断，而不是当下谁的价格更低。 看清趋势，你才知道自己是在省钱，还是在省钱省出了更大的亏。希望对你有用。（全文完）

AWS 中东机房被炸毁、可用区“永久消失”：你的云服务器数据凭什么只放在一个地方？ 老实说，"云"这个词是这二十年里最成功的一次市场营销。它把一堆机房、机柜、硬盘、交换机和空调，包装成了一个听起来没有重量、不会坏、永远在的东西。直到 2026 年 9 月，AWS 在自己的 Health Dashboard（健康面板）上写下那句很克制的话——"我们无法恢复这个区域内独家托管的资源和数据"——我才觉得这层包装被撕开了一道口子。这两天技术圈里在传的一件事就是：AWS 在中东的云资源，有一部分永久没了。不是宕机两小时，不是丢了几块盘，是整个区域的数据，官方判定"修不回来了"。这件事跟做服务器导购、做站长、买 VPS 的你我，关系比你想象的大得多。所以这篇文章，我想把它讲透：到底发生了什么，为什么"修不好"，以及今天你能做点什么。目录 先说清楚发生了什么 Region、AZ、高可用、容灾，是四个概念 为什么"修不好"：钱不是问题，物理层没了 别把 SLA 当保险单 一个老兵的实话：备份这件事，我们做得比欧美差 落到选购：今天你还能决定的三件事 总结 一、先说清楚发生了什么事情的脉络其实很清楚，只是国内媒体提得不多（来源：The Register，2026-09-16；AWS Health Dashboard）： 2026 年 3 月：无人机袭击了 AWS 在阿联酋的两个数据中心（这是当时就公开报道过的）。巴林区域（区域代码 me-south-1）的第一个可用区受损。 2026 年 4 月：又来一轮袭击，巴林第二个可用区被打掉，整个巴林区域彻底不可用。 2026 年 9 月 16 日：AWS 在健康面板上给出最终结论——巴林区域内独家托管的资源和数据，无法恢复。阿联酋区域的三个可用区里，mec1-az2 同样被判定无法恢复，另外两个（mec1-az1、mec1-az3）还在抢救。 AWS 的原话是这样的："The damage to our infrastructure spanned multiple Availability Zones and exceeded what our regional and multi-AZ services are designed to withstand. After a thorough assessment, we have determined that we are unable to restore access to the resources and data hosted exclusively in this Region."翻成人话：损坏范围跨了多个可用区，超出了我们区域级、多可用区服务的设计承受能力。经过完整评估，这个区域内独家托管的资源和数据，我们恢复不了。注意最后那句里的关键词——"独家托管（hosted exclusively）"。AWS 同时说，"大多数客户"通过两种方式活了下来：一是从放在其他区域的远程备份恢复，二是把还能访问的数据复制走，然后切到别的区域继续跑。你看，问题从来不是"云靠不靠得住"，而是"你有没有把数据的命，拴在一个区域上"。二、Region、AZ、高可用、容灾，是四个概念很多人把这几件事混着说，等到出事就全乱套了。我把它们拆开讲。 Region（区域）：地理上的一大片地方，比如巴林、法兰克福、东京。一个区域里包含多个可用区。 AZ（可用区）：一个或多个机房，独立供电、独立制冷、独立网络接入，物理上彼此隔开几公里到几十公里。 高可用（High Availability, HA）：抗的是单机、单机柜、单机房故障。虚拟机挂了、宿主物理机掉线、某个机房断电——靠多副本、多可用区部署来扛。 容灾（Disaster Recovery, DR）：抗的是整个区域级的灾难——战争、地震、大面积停电、光缆全断、洪水、人为误操作把整个账号删空。 这两层不是一回事，也不能互相替代。 AWS 自己在文档里说得很直白：多可用区部署能扛住单个位置的丢失，但挡不住区域级故障；要活过那种场面，必须有一套涉及另一个区域的灾难恢复计划。打个比方：AZ 就像同一栋楼里的不同楼层，每层都有独立的消防喷淋和电梯；Region 才是整座城市。楼塌了，你别指望再跑上 17 楼找个房间躲一躲。三、为什么"修不好"：钱不是问题，物理层没了有读者会问：云上数据不是有好多份副本吗？纠删码、多副本、快照，AWS 有钱有人有工程师，怎么就修不回来？因为副本和纠删码，绝大多数是在同一个区域内的不同可用区之间做的。这是设计上的最优解——同区域内部延迟低、带宽便宜、复制快。代价就是：区域一旦整体消失，副本一起消失。而"恢复"这件事，需要三个前提：机房还在、供电制冷还在、能上架新硬件。战争损毁同时打破了这三条。设备烧了、结构坏了、人进不去，你连一块新硬盘都没地方插。这背后其实是分布式系统里最质朴的一句话——「Everything fails, all the time.」（Werner Vogels，Amazon CTO）。云厂商用工程手段能把故障概率压到很低，但没法把故障概率压到零。物理世界收的税，一分都跑不掉。四、别把 SLA 当保险单我见过太多人把 99.99% 当成"我的数据不会丢"。这是个要命的误解。 SLA 承诺的是可用性，不是数据完整性。 它说"服务 X% 的时间能访问"，不说"你的数据一份都不会少"。 SLA 赔的是服务抵扣金（credit），不是你的数据、你的订单、你的客户。 你丢了三年数据，拿到一张下个月的账单折扣。 SLA 里几乎都写着"不可抗力不适用"。 战争、地震、政府行为，是最标准的不可抗力条款。 所以，SLA 是合同，备份是工程。这两样东西没法互相替代。试问，如果 SLA 能当保险单，为什么 AWS 这次还要专门去提醒客户"从其他区域的远程备份恢复"？因为它自己知道：合同管不了这件事。五、一个老兵的实话：备份这件事，我们做得比欧美差讲个真实的故事。前几年帮一位朋友处理一台被勒索软件加密的 VPS。上去一看，机器上的 backup 目录加密了，挂载的网盘同步目录也加密了——因为他把备份和源数据放在了同一个账号、同一个同步盘里。加密程序当然不会客气，一锅端。他三年的客户资料，就这么没了。我问他：有没有一份放在别的地方？他愣了一下，说"没想到会这么倒霉"。这就是问题所在。我们习惯把注意力放在"买哪家、多少核、几 G 内存、多少钱"上，却几乎不花时间和钱在备份这一件事上——因为备份不产生任何可见的产出，直到灾难发生的那一天。我认识的一些欧美小团队的规矩是这样的：数据必须能在两个不同的区域重建，而且每个月做一次真实的恢复演练。不是看备份文件在不在，是真的把机器拉起来、把应用跑通。行业里有个公认的原则，叫 3-2-1 备份法则： 3 份数据副本（1 份原数据 + 2 份备份）； 2 种不同介质或存储服务； 1 份放在异地（最好是别的服务商、别的城市，甚至别的国家）。 我再加一条自己的：0 次恢复演练，等于没有备份。六、落到选购：今天你还能决定的三件事热点事件看完就忘，等于白看。对买服务器的人来说，这件事其实给了三条很具体的行动建议。第一，机房选在哪，是要算风险的。地缘政治风险、自然灾害风险，这些平时不在你的参数表里，但出事时它们的权重是 100%。目前国内用户常选的机房位置：香港、日本、新加坡、美国西海岸、德国/荷兰，都属于相对成熟稳定的选择。中东、边境地区、局势紧张的地带，如果承载的是核心业务数据，要多留一个心眼。第二，备份放在哪，比备份做不做更关键。最低要求：不同服务商的账号 / 不同城市 / 不同国家。同机房不同机器，那不叫备份，那叫"一起死"。现在对象存储很便宜，异地备份一个月可能就一顿饭钱。# 每天一次增量同步，推到另一家服务商的对象存储 rclone sync /var/www/site-backup remote:my-bucket/server-backup \ --bwlimit 8M --transfers 4 --log-file /var/log/backup.log 配完记得做两件事：把恢复流程写下来（关键时刻人都是懵的），以及每季度真的恢复一次。第三，别把最重要的数据放在最便宜的机器上。反过来也一样：别因为机器贵，就假设它不会出事。 便宜 VPS 适合玩具项目、测试环境、临时业务；核心数据无论跑在哪台机器上，都得有异地备份这条命绳。七、总结回到那句被撕开的"云"。这次事件给我最大的提醒不是"AWS 不行了"，而是： 云不是永动机，可用区不是保险箱，SLA 不是保险单。 多可用区解决的是"机房坏了"，跨区域 + 异地备份解决的才是"区域没了"。 你花在备份上的钱，永远比数据丢失的代价便宜。 一台服务器、一个区域、一家服务商——这三样东西，任何一样出问题，都不该让你的业务归零。这不是悲观，这是工程。希望对你有帮助。（全文完）

Anthropic 花 116 亿美元租 CPU 算力：AI 服务器最贵的部分，可能不是 GPU 这两天技术圈里有条消息，热度不算最高，但我看完之后坐了好一会儿。9 月 24 日，CDN 和云安全的老牌厂商 Akamai 宣布大幅扩展与 Anthropic 的合作，双方签了一份为期 7 年、价值 116 亿美元（约 779 亿元人民币）的合同。协议里说得很直白：Akamai 用它的分布式 AI 基础设施和软件，满足 Anthropic 日益增长的 CPU 工作负载需求。116 亿美元对应的是 Akamai 额外 55 亿美元的资本支出；双方还可以把合同最多再扩大 90 亿美元。更有意思的是股权那一笔——Akamai 向 Anthropic 发行了认股权证，允许 Anthropic 最多买入 Akamai 5% 的已发行普通股，其中 2% 绑定这次承诺，剩下 3% 绑定后续追加。老实说，我看到"CPU 工作负载"这五个字的时候，第一反应是：终于有人把这件事摆到台面上了。过去两年，所有人张口闭口都是 GPU。英伟达的市值、H100 的租价、算力租赁的黄牛价——GPU 是 AI 叙事里唯一的明星。而 CPU，那个在你机箱里不起眼、还经常被人当成"过时货"的东西，突然被人一次性签了 116 亿美元。这不是小数字。它说明一个被 GPU 光环盖住的事实：AI 真正烧钱的地方，一半在 GPU，另一半在你根本没算过的 CPU 上。今天这篇文章，我就把这件事掰开揉碎讲清楚——它到底意味着什么，以及你做为一个要买服务器、买 VPS 的人，该从中读出什么。目录 一、116 亿美元买"不起眼"的 CPU，这笔账怎么算 二、GPU 负责炒菜，CPU 负责洗菜、切菜、传菜 三、为什么是 Akamai：又一个"把计算往前搬"的老故事 四、2026 年，什么样的服务器配得上 AI 工作负载 五、几句掏心窝子的建议 六、总结 一、116 亿美元买"不起眼"的 CPU，这笔账怎么算先把这个交易的逻辑讲清楚。Akamai 是干什么的？老网民可能记得，它是最早做 CDN 的那批公司之一，全球铺了几千个边缘节点，靠把图片、视频缓存到离用户最近的地方起家。后来做云安全、做边缘计算，本质上卖的是同一件东西：离用户近的机房和带宽。Anthropic 买的就是这个。注意，买的是"分布式的 AI 基础设施"，不是某一座巨型数据中心里的机柜。这中间的区别很关键。另一条同期的消息可以拿来对照：据 36 氪报道，Anthropic 还在洽谈一笔规模高达 1 吉瓦的数据中心容量交易，拟从阿波罗全球管理控股的开发商手里租赁算力容量。1 吉瓦是什么概念？大概相当于一个中等城市的用电量级。一边在谈巨型集中式机房，一边花 116 亿美元买分布式 CPU 算力。两条腿走路，而且都很坚决。你想想，一家做模型的公司在同一个月里既签集中式的电力大单，又签分布式的 CPU 大单，这说明什么？说明它对自己的负载结构非常清楚：GPU 的活儿高度集中，CPU 的活儿高度分散。而这，恰恰是大部分买服务器的人没想明白的地方。二、GPU 负责炒菜，CPU 负责洗菜、切菜、传菜我前两周跟一个做 AI SaaS 的朋友聊天，他跟我吐槽了一件事。他给团队租了两台 8 卡 GPU 机器，跑自家的 Agent 产品，账单一个月五位数。结果监控拉出来一看，GPU 利用率长期在 15%~20% 之间晃，反倒是 CPU 时不时打到 100%，磁盘 IO 队列排得老长。他问我："我是不是被骗了？"我说你没被骗，你只是把账算错了地方。一个 AI 请求，从头到尾到底发生了什么？ 请求进来，先排队、鉴权、限流——CPU 提示词拼装、分词（tokenize）、上下文裁剪——CPU 检索历史记忆、向量数据库查询、结果重排——CPU + 内存 + 磁盘 IO 真正送进模型的那一步，矩阵运算——GPU 模型吐出来的结果再后处理、解析成 JSON、调工具、写日志——CPU 如果是个 Agent，它还要去执行代码、读写文件、调 API、重试——CPU，而且是大量的 CPU 你看，最贵的那一步（GPU）只占了整条链路的一小段。前面洗菜切菜的是 CPU，后面传菜收银的也是 CPU。打个更直白的比方：GPU 是后厨那口猛火炉，CPU 是洗菜工、切配工、传菜员和收银员。 炉子再猛，没人切菜，照样出不了餐。而餐厅真正的用工成本，从来不在那口炉子上。9 月 24 日，Anthropic 的 Claude Code 云会话功能正式上线。这个功能的官方文档里有一句话特别值得琢磨：每个云会话运行在独立的隔离虚拟机中，托管环境默认限制网络访问，Git 凭据和签名密钥留在沙箱外。翻译一下就是：你在手机上点一个"帮我改这个仓库"，Anthropic 那边就得为你开一台隔离的虚拟机，把你的代码拉下来、跑起来、跑测试、再提交 PR。这一整套动作里，GPU 只参与"思考"那一小段，剩下的克隆、构建、执行、测试、打包，全是 CPU、内存和磁盘的活。换句话说，一个 Agent 会话就是一台小服务器。 用户越来越多，服务器就要越来越多。这就是为什么我说那句"AI 服务器最贵的部分可能不是 GPU"不是标题党。你去看那些公开的工程实践，几乎都会提到同一件事：在真实的推理与 Agent 服务里，CPU 往往是最先被打满的那个资源。不是因为它算得慢，而是因为排队、预处理、后处理、序列化、日志、沙箱，全都归它管。而这些东西，是没法"优化掉"的——它们是业务本身。三、为什么是 Akamai：又一个"把计算往前搬"的老故事要判断一个技术是真进化还是概念炒作，我的习惯是追溯它从哪里来。这条线索其实很清楚：单机 → C/S → B/S → 中间件 → 分布式 → 云。每一步，本质都是把东西往后端搬——把逻辑搬到服务器上，把数据搬到数据库里，把算力搬到数据中心去。云这一步走到了极致：算力集中到全球少数几个超大规模机房里，规模效应拉满，单位成本打到最低。代价是什么？延迟和带宽。所以过去十年，又出现了一个反方向的运动：把一部分计算往回搬，搬回离用户近的地方。CDN 是这条路的第一代产品——把图片、视频缓存在离你几十毫秒的节点上。边缘计算是第二代——不只是缓存内容，还把一部分计算逻辑放过去。Akamai 就是这条路上最老的那批玩家。它那几千个边缘节点，本来是拿来缓存静态资源的；现在，它要在这上面跑 AI 的 CPU 工作负载了。为什么这件事放在今天成立？因为负载结构变了。以前是"用户请求一篇文章"，现在是"用户派一个 Agent 去干活"。Agent 干活的链路里，有大量不需要 GPU、但需要 CPU 和内存的中间步骤——沙箱执行、文件处理、编解码、预处理、重试。这些活儿有三个特点： 不需要 GPU，所以放在昂贵的 GPU 机房是浪费； 量非常大，集中回源会让出网带宽和延迟都很难看； 可以就近消化，放在边缘节点上，用户感知的延迟直接砍半。 所以那句"AI 是绝对集中式的"结论，现在被撕开了一个口子。我的判断是：GPU 会越来越集中，CPU 会越来越分散。对做服务器导购的我来说，这句话比任何一份研报都有价值。因为它意味着，接下来会有相当一部分"AI 算力"需求，落在分布式的中小节点上——而那个东西，在市场上叫 VPS、叫轻量云服务器、叫独立服务器。这不香吗？四、2026 年，什么样的服务器配得上 AI 工作负载先把任务拆开看，不同任务的瓶颈根本不是一回事： 任务类型 真正的瓶颈 选型重点 Agent 沙箱 / 代码执行 单核性能 + 内存 独享核、KVM 隔离、NVMe RAG / 向量检索 内存带宽 + 磁盘 IOPS 内存配比、NVMe、内网带宽 小模型推理（7B 级） 内存带宽 + 核数 大内存、CPU 指令集支持 中大模型训练微调 显存 + 互联 GPU、显存、RDMA 看完这张表你会发现，前面三行——也就是绝大多数团队真正在干的事——跟 GPU 一点关系都没有。具体怎么选？我给你六条，都是踩过坑总结出来的：第一，别只看"几核几 G"的数字，先问是不是独享。 共享核的超卖机器，标称 8 核，实际跑起来可能只有 2 核的力气。做 Agent、跑容器、压编译，差别大得惊人。第二，内存比 CPU 更容易先爆。 Agent 场景下，一个 Python 进程 + 一个向量库 + 一个浏览器自动化，8G 内存什么都不够干。8 核 8G 是个坑，起步就该 8 核 16G。第三，磁盘一定要 NVMe，而且 IOPS 比容量重要。 很多人买服务器只看"500G 硬盘"，结果跑起来全是 IO 等待。磁盘 IO 是最容易被忽略的隐形瓶颈。第四，跑别人给的代码，就必须做隔离。 这一点我之前在《KVM 逃逸漏洞》那篇里专门讲过：容器共享内核，隔离强度天然不如 KVM 全虚拟化。跑自己写的代码无所谓，跑 AI 生成的、来源不明的代码，还是要认真对待。第五，别忘了出网流量这笔账。 分布式架构下，节点之间的同步、拉取、推送全是出网流量。很多便宜 VPS 卡的就是这一刀。买之前把流量包和超量单价算清楚。第六，计费方式要匹配负载形态。 Agent 是典型的突发负载——白天忙、晚上闲，或者反过来。这种负载用包年包月是浪费，用按小时或按量计费更合适。给几个具体的配置档位，供你参考： 个人学习 / 跑 Claude Code 类的云端对照环境：2 核 4G 到 4 核 8G，NVMe，够用 小团队跑多 Agent 并发：8 核 16G 到 16 核 32G，独享核，NVMe 自建 RAG 服务：16 核 32G 起步，重点看内存带宽、内网带宽和磁盘 IOPS 真要跑大模型推理：那是 GPU 机器的事，另说 五、几句掏心窝子的建议这些年我看过太多人买服务器买错——不是买贵了，是买偏了。第一，不要用 GPU 的钱去买 CPU 的活。 你那台月租五位数、GPU 利用率 15% 的机器，可能有一半的负载本来一台几百块的 VPS 就能扛。先把链路跑通，再用监控数据决定要不要上 GPU。第二，别被"AI 服务器"这个词吓住。 现在很多所谓的 AI 服务器需求，拆开看就是一台配置扎实的 CPU 机器：多核、大内存、NVMe、带宽足。真正的 GPU 需求，只集中在训练和中大模型推理那一小块。第三，先量化，再采购。 上线前把 CPU 利用率、内存水位、磁盘 IOPS、出网流量这四个指标盯住，跑满一周。数据会告诉你钱该花在哪。拍脑袋选型，是我见过最贵的错误。第四，也是我最想说的：别自己墙了自己。 很多人一听到"AI 算力"四个字，第一反应就是"那是大厂的事，我只配买台最便宜的"。你看 Akamai 这笔 116 亿美元的订单，买的恰恰是别人看不上眼的 CPU 和边缘节点。技术世界里，最贵的不一定是最重要的，最不起眼的往往才是真正在扛事的那个。这句话对你是这样，对你手里的服务器，也是这样。六、总结把这篇文章的要点收一下： 事实：Akamai 与 Anthropic 签下 7 年 116 亿美元的合同，为其提供分布式 AI 基础设施，满足 CPU 工作负载需求；合同可扩大最多 90 亿美元，并附带最高 5% 的认股权证。 逻辑：GPU 只负责整条链路里最贵的一小段，排队、预处理、工具调用、沙箱执行、日志这些"苦活"全在 CPU 上，而且随 Agent 普及而线性增长。 趋势：GPU 越来越集中，CPU 越来越分散。 边缘节点会承接相当一部分 AI 算力需求。 选型：独享核、大内存、NVMe、强隔离、够用的带宽、匹配负载的计费方式——这六条，比任何"AI 服务器"的营销词都实在。 老实说，看到这笔交易的时候我是有点感慨的。这么多年，行业喊着"算力为王"，喊得大家只认 GPU。结果真正的大客户拿出 116 亿美元，买的是一样被我们念叨了很多年、也忽视了很多年的东西。技术的价值从来不是靠热度定义的，是靠它在整条链路里扛了多少事定义的。希望对你有用。（全文完）

AI设计芯片的时代来了：服务器硬件迭代加速，2026年买服务器该等还是上车 老实说，这篇文章我犹豫了两天才动笔。原因很简单——我最近被一个之前从没遇到过的问题给问住了。后台连着收到好几条私信，几乎都在问同一件事："耗子叔，听说 Kimi K3 用 AI 48 小时就设计出了芯片，那我现在买服务器是不是傻了？会不会半年后就过时了？"你看，这个问题在一年前根本不会有人问。因为过去二十年，芯片迭代的节奏是确定的、可预测的——Intel tick-tock 让你知道明年会有新架构，AMD Zen 让你算得出下下代有几个 CCD。但现在不一样了。2026 年 7 月，技术圈发生的几件事，正在从根本上改变这个游戏的规则。目录 48 小时设计芯片，Kimi K3 到底干了什么？ 芯片设计周期从 18 个月到 48 小时——这意味什么？ 服务器硬件迭代速度要起飞了 等还是买？我的四字真言 三种场景，三种策略 写在最后：工具的宿命论 一、48 小时设计芯片，Kimi K3 到底干了什么？先给不太关注前沿动态的朋友补个课。7 月 16 日，月之暗面发布了 Kimi K3——2.8 万亿参数，MoE 架构，896 个 expert 每次激活 16 个，100 万 token 上下文窗口，原生多模态。这些数字你大概在别的地方也看到了，我就不重复了。但有一个细节，几乎所有报道都一笔带过了，却是我认为最值得深挖的：Kimi K3 跑通了完整的芯片设计流程，只用了 48 小时。什么概念？传统上，一颗芯片从架构定义到 RTL 代码，再到综合、布局布线、时序收敛、物理验证——这一整套流程，一个有经验的芯片设计团队，需要 18-24 个月。即便是最激进的 EDA 工具辅助，也很难压缩到 12 个月以内。而 Kimi K3，48 个小时。你说，这能不让人后背发凉吗？而且这还不是孤例。同期的 WAIC 2026 上，东方算芯展出了全球首颗软件定义近存计算 3D AI 芯片 DF1000，算力达到了 520 TFLOPS。美股半导体指数也已经跌入了熊市——资本市场在用脚投票，认为芯片的"稀缺性溢价"正在消失。硬件正在变得"不值钱"，而其根本原因，是 AI 让硬件设计变得"太便宜"了。二、芯片设计周期从 18 个月到 48 小时——这意味什么？你可能要说："48 小时设计芯片？那以后芯片岂不是满天飞？"理论上，是的。但这里面有一个 Core 的逻辑需要理清楚。芯片设计周期缩短，不等于芯片制造周期缩短。芯片制造是物理过程——光刻、蚀刻、封装——这些环节的周期不会因为 AI 而指数级压缩。台积电的 A14 制程还是得按部就班走，三星的 3nm 良率还是上不去。所以，关键的变化不在制造端，在设计端。设计端的变化，带来的直接影响是什么？是迭代速度——芯片的架构迭代、功能迭代、优化迭代，会快到你跟不上。过去你买一台服务器，它的 CPU/GPU 架构至少管 3-5 年。Intel 的 Ice Lake 用了两年才被 Sapphire Rapids 取代，AMD 的 Milan 用了一年半才出 Genoa。因为设计一颗新芯片太贵太慢了，大家只能"挤牙膏"。但现在不一样了。AI 把芯片设计的边际成本打到了地板价。芯片厂商可以像软件发版本一样发布芯片——v1.0、v1.1、v2.0，几个月一个版本。试想一下，如果 AMD 和 Intel 每 6 个月就迭代一次 CPU 架构，你去年买的 Zen 5 服务器，明年可能就被 Zen 6 的 1.5 倍性能按在地上摩擦。你的服务器还没折旧完，性能就被"降维打击"了。这不香吗？——对消费者来说当然香。但如果你刚花了 10 万块买了一台 GPU 服务器，三个月后出了新款，性能翻倍价格一样——你心里舒服吗？三、服务器硬件迭代速度要起飞了这不是科幻小说。迹象已经非常明显了。你看几条线：第一条：AI 芯片公司正在吃掉传统芯片公司的午餐。NVIDIA 的 H100 还没铺完，B200 就来了。AMD 的 MI300X 还没捂热，MI400 的 Roadmap 已经公布了。更不用提 Groq、Cerebras、Tenstorrent 这些新玩家，每家都在用 AI 加速自己的芯片设计。第二条：云厂商自研芯片的节奏在加快。AWS Graviton 已经走到了第四代，Google TPU 到了第六代，微软、Meta、字节全在自研。自研意味着什么？意味着他们可以针对自己的工作负载做定制化设计，然后用 AI 加速设计流程，快速迭代。第三条：美股半导体指数跌入熊市，市场在用脚投票。这说明什么？说明投资者认为芯片的"稀缺性溢价"正在消失。当芯片不再稀缺，服务器硬件必然降价。这是一个传导链条：芯片设计成本降低 → 芯片供给增加 → 硬件成本下降 → 云服务器/VPS 降价。而这，才刚刚开始。四、等还是买？我的四字真言好了，前戏够久了。我知道你最想问的是这个问题。在 AI 加速硬件迭代的时代，到底该不该现在买服务器？我的回答是四个字："该买就买"。你信不信，这个答案看起来很敷衍，但其实是我花了十年踩坑踩出来的。2018 年的时候，我一个朋友要买 GPU 服务器跑深度学习。当时 RTX 2080 Ti 刚出，一块要一万多。他纠结了一整个月，觉得"明年 Volta 架构就要出了，现在买不是傻吗"。结果呢？Volta 确实出了。但他也等了一整年没干成任何事。别人用 2080 Ti 已经把模型训完上线了，他还在等"最佳时机"。两年后他终于买了一台 A100——但你猜怎么着？H100 的路标已经出来了。这就是"等等党"的终极困境：你永远等不到"最佳时机"，但业务不会等你。硬件的铁律是：你买的不是硬件，是时间。你花 500 块一个月租一台 VPS，这一年下来不过 6000 块。但如果你因为"等降价"而错过了三个月业务窗口，这个成本可能是 6 万、60 万。当然，我说"该买就买"，不代表闭着眼睛乱买。恰恰相反——正因为迭代加速，你的选购策略反而要更精明。五、三种场景，三种策略我按场景给你三个策略，直接抄作业：场景一：跑业务（网站、电商、API、数据库）策略：现在买，签长租约。你是用服务器赚钱的，不是等服务器贬值的。选一台当前性价比最高的配置（比如 AMD EPYC 平台 + DDR5 + PCIe 5.0 SSD），签 1-2 年的合约，锁定价格。机器的钱三个月的业务收入就回来了，管它明年出不出新款。核心原则：不要让硬件焦虑绑架业务决策。场景二：做 AI 训练/推理策略：按需租用，不买断。AI 硬件的迭代速度是所有场景里最快的。今天 MI300X 够用，明天 B200 就是三倍性能。买断一台 GPU 服务器是最亏的——折旧速度比你还款速度还快。所以，租算力 > 买硬件。用 Lambda Labs、Vast.ai 或者国内各大云厂商的 GPU 实例，按月租、按小时租，灵活切换。（注：这里我就不展开讲算力租赁了，之前写过一篇 AI算力租赁，有兴趣的朋友去看那篇。）场景三：个人开发/建站/VPS 轻度使用策略：买最便宜的，把"迭代焦虑"假货扔给云厂商。你这个级别的用量，硬件迭代对你根本没影响。2 核 4G 的 VPS 三年前和三年后干的活是一样的——跑个 Nginx、挂个数据库、搭个 CI/CD。芯片迭代再快，跟你的 WordPress 站点没有半毛钱关系。买最便宜的轻量云，把省下来的钱花在刀刃上。六、写在最后：工具的宿命论我最近在翻《庄子》，里面有一段话我反复读了好几遍：人皆知有用之用，而莫知无用之用也。你会发现，那些天天关心"下一代芯片什么时候出"的人，往往是最少用服务器干活的人。而那些真正在用服务器创造价值的人，根本不关心这些——他们只关心"这台机器能不能帮我赚到钱"。服务器是工具，不是藏品。AI 加速硬件迭代这件事，对行业是好事，对消费者也是好事。但它不应该成为你"不做事"的借口。别让"等待最佳时机"成为你一事无成的遮羞布。你现在手上的机器，就是最好的机器。供你参考。（全文完）