容量管理
3 秒看懂
容量管理（Capacity Management）是在成本与性能之间持续寻求最优解的一套实践体系。在 AI 算力时代，它不只是买多少 GPU，而是决定：何时扩容、用什么形态扩容（自建/租赁/云）、如何让 GPU 集群在波峰波谷间既不空转也不过载，并且确保推理延迟不突破业务 SLA。本质是对“供给弹性”与“需求不确定性”的动态匹配。
当前 AI 算力市场正经历结构性供需失衡：据 Omdia 2024 年测算，全球头部云服务商 GPU 集群平均利用率仅约 45%–55%，但训练高峰时段排队时间仍可达数周（公开资料综合估算，截至 2024Q3），凸显容量管理能力分化。有效的容量管理可使同等硬件规模多产出 20%–40% 的有效算力（Goodput），直接转化为模型迭代速度和市场领先身位。
3 分钟产业解释
传统 IT 容量管理关注 CPU、内存、存储，周期以“月”计。AI 基础设施的容量管理则被三个因子彻底改写：
- 极致的资源集中度：千卡、万卡集群是基本单位。据 NVIDIA 2024 年 GTC 披露数据，单个 H100 8-GPU 节点的系统采购成本约 30 万–40 万美元（含网络/存储配套，价格随时间与配置浮动），万卡集群初期投资超 3 亿美元。一个算力池的采购决策踩错节奏会造成巨额沉没成本或机会损失。
- 负载的高度不可预测性：大模型训练任务规模持续膨胀，以 Llama 3 70B 为例，据 Meta 2024 年公开技术报告，其训练使用约 24,000 块 H100 GPU，训练时长约 54 天（(引用来源：Meta AI 官方博客, 2024 年 4 月)）。多租户训练、推理混部成为常态，作业到达时间、资源需求都近乎随机。
- 供给侧的物理刚性：GPU 供应受限于台积电 CoWoS 先进封装产能。据台积电 2024 年 Q2 法说会披露，CoWoS 产能 2024 年预计同比增长超 100%，但仍无法满足全部客户需求，交期长达数月（公开信息整理，截至 2024 年 7 月）。HBM 存储同样由 SK 海力士、三星、美光三寡头供应，扩产节奏以年度为单位。
因此，AI 容量管理从“后台职能”上升为决定 AI 业务天花板和毛利率的核心竞争力。它要求将供应链管理、数据中心电力/冷却规划、训练/推理调度策略、FinOps 成本模型熔于一炉。
技术原理
核心逻辑：容量管理 = 需求预测 + 资源抽象 + 调度策略与控制闭环。
1. 需求到容量的映射关系
一个典型的分布式训练作业对容量的需求可拆解为三个维度：
- 显存容量：模型参数、优化器状态（如 Adam 需额外 2 倍参数量存储）、激活值总和必须小于每卡 HBM 容量。以 H100 80GB SXM 版本为例，单卡 HBM 容量 80GB（(数据来源：NVIDIA H100 官方规格表, 2024 年))。若超限，需通过张量并行（Tensor Parallelism）、流水线并行（Pipeline Parallelism）或激活重计算（Activation Recomputation）来拆解，从而影响所需总卡数和通信开销。
- 算力吞吐：受单卡有效 FLOPS、卡间通信带宽、并行策略效率共同决定。H100 在 FP8 下标称 1,979 TFLOPS（稀疏），实际训练场景有效利用率约 45%–65%（行业经验值，据 MLCommons 2024 年训练 benchmark 公开结果推算）。
- 时间窗口：作业期待的完成时间（SLA）倒推所需并行度和总节点数。训练作业 SLA 通常以“步时”（step time）和“总时长”双重约束。
用排队论简化表达：若作业到达速率 λ，每作业平均服务时间 1/μ（由集群规模决定），服务台数量（泊位数量）c，则平均排队时间近似适用 Erlang C 公式。容量管理就是要动态调整 c，使排队时间 < 阈值，同时让利用率 ρ = λ/(cμ) 尽可能高。实际系统中，λ 和 μ 均随时间变化，需引入时序预测模型动态估计。
2. 资源池化与弹性伸缩
下图展示一种典型 AI 云容量管理架构的抽象模型（ASCII）：
+-----------------------------------------------------+
| 作业管理层 |
| 请求队列 --> 优先级排序 --> 画像匹配 --> 授权 |
+------------------+----------------------------------+
| 指示需求 (GPU数, 拓扑, 时间)
+------------------v----------------------------------+
| 统一资源调度器 |
| 资源视图: [专用池: 已预留/空闲] |
| [弹性池: 运行中/可抢占/待回收] |
| 策略引擎: 容量预测 + 决策 |
| - 预测未来 L 个时间步的池内空闲容量 (时序模型) |
| - 若预测缺口 > 阈值，触发扩容 (向云供应商/裸金属) |
| - 若预测冗余 > 阈值，缩容或下线节点(需考虑终止代价)|
+------------------+----------------------------------+
| 调度指令 (创建/删除实例，路由流量)
+------------------v----------------------------------+
| 物理 / 虚拟化基础设施 |
| GPU节点池 (每节点: 8xH100/B200 + NVSwitch + 800G) |
+-----------------------------------------------------+
预测模型通常采用时序方法（如 Prophet、时序 Transformer）拟合每日/每周周期性模式（如夜间推理波谷、日间训练波峰），并将日历事件（如新产品发布预期带来的推理洪峰）作为外生变量输入。由于物理 GPU 供应滞后，预测步长需覆盖“下单→交付→上架→可用”全链路周期——在 2024 年供给紧张期，该周期可达 4–6 个月（行业经验数据），因此对长期趋势敏感度要求极高。
3. 控制闭环与成本维度
每个扩容决策都伴随成本核算：自建节点的一次性 Capex + 运营 Opex（电力、带宽、运维），对比公共云按需/预留实例价格。
以某主流云服务商 2024 年公开定价为例：H100 8-GPU 裸金属实例按需价格约 $26–$32/GPU/小时（不同区域有异），年化约 $230,000–$280,000/GPU。而自建同等算力节点的 3 年摊销成本（含电力、冷却、运维）约 $150,000–$200,000/GPU/年（行业综合估算，非精确报价）。容量管理的核心是动态决策使两者组合的边际成本最低。
在混合云模式下，容量管理需实现成本感知调度：将低优先级、可中断任务（如实验性微调、批量推理）调度至弹性低成本资源池（可抢占实例、竞价实例，折扣通常 60%–90%），高稳定性要求任务（基座模型持续训练）保留在专有高可用池。
关键参数
以下为 AI 容量管理评估中常用的核心参数体系，具体数值因企业与集群而异：
| 参数类别 | 参数名称 | 释义与影响 | 行业参考区间（2024 年） |
|---|---|---|---|
| 利用率指标 | 算力利用率 (MFU) | 有效计算量/理论峰值计算量，业内标杆训练 MFU 通常 45%–60% | 万卡集群稳定训练：50%+，混部后因切换波动可能降至 40%–50%（公开学术论文综合） |
| 显存利用率 | 已分配显存/总 HBM 容量 | 推理场景 70%–90% 可接受，训练场景接近 100%（常态） | |
| 节点空置率 | 无作业运行的 GPU 节点占总节点比例 | 建议低于 5%，但实际因拓扑碎片化常高于此值 | |
| 延迟指标 | 作业排队时间 (P95) | 作业从提交到开始执行的时间 | 高优任务目标 < 1 小时，低优任务可接受数小时至数天 |
| 扩容响应时间 | 从扩容决策到新节点可接任务的端到端时间 | 云环境：分钟级；裸金属供应：数周至数月 | |
| 质量指标 | SLA 违约率 | 任务因容量不足超过预期完成时间的比例 | 头部企业内控目标 < 1% |
| 抢占率 | 低优任务在运行中被强终止以释放资源的比例 | 需与排队时间权衡，高则作业浪费多 | |
| 成本指标 | 单位有效算力成本 | 总拥有成本（TCO）/ 有效总算力产出 | 需内部横评，差别可达 30%+ |
| 容量缓冲周数 | 现有空闲容量可覆盖未来几周需求增长的预估时长 | 业界非公开数据，通常建议 2–4 周 |
> 注：以上区间为行业公开报告与学术论文中出现的经验值，非单一企业精确披露，仅供参考。
技术路线
下表对比几种容量管理策略的定性差异（基于 2024 年行业实践综评）：
| 策略维度 | 静态专用池 | 多云/混合云弹性 | 全动态共享池 + 抢占 |
|---|---|---|---|
| 利用率潜力 | 低（~30%–50%） | 中高（~50%–70%） | 高（>70%） |
| 任务延迟控制 | 极稳定，无排队 | 扩容延迟(分钟级) | 排队不确定性高，依赖抢占策略质量 |
| 成本结构 | Capex 为主，折旧刚性 | Opex 弹性，但 3 年累计成本通常高于自建 | 混合，需精细核算 |
| 供应链依赖 | 极强（需提前数月采购） | 中等（依靠云厂商资源池） | 中等，需自有基座 + 云溢出 |
| 技术复杂度 | 低 | 中 | 高（调度/预测/回收逻辑复杂，需自研或深度定制） |
| 适用场景 | 确定性极强的基座模型预训练 | 波峰补充、多区域覆盖、突发流量 | 大量高优/低优混部实验场景 |
| 代表技术栈 | 手工分配物理集群 | K8s Cluster Autoscaler + 云厂商预留实例 API | Volcano/自定义调度器 + 统一资源管理器 + 预测引擎 |
2024–2025 年主流演进方向：企业正从“单一策略”走向“分层混合策略”——核心训练用专用池（占总量 30%–50%），弹性任务用可抢占池（占 20%–30%），突发需求由云溢出（占 20%–40%）。部分头部 AI 实验室已在探索引入强化学习方法，直接优化长期扩容动作序列以最小化总成本与违约惩罚的折现值（(来源：学术预印本 arXiv，2023–2024 年相关论文，具体厂商应用案例公开资料未见))。
上游
容量管理的上游是物理世界产能与资源配置，构成刚性的外生约束：
- GPU 芯片及先进封装：NVIDIA 占据 AI 训练/推理 GPU 市场主导份额。据 Mercury Research 与第三方分析师综合估算（2024Q2），NVIDIA 数据中心 GPU 出货量市占率超 90%。下一代 B200/B100 芯片采用台积电 4NP 工艺及 CoWoS-L 封装，单芯片晶体管数超 2,080 亿（(来源：NVIDIA 2024 GTC 官方发布))。台积电 CoWoS 产能 2024 年月产能预计年底达约 3.5 万–4 万片晶圆当量，2025 年继续扩产（(来源：台积电 2024Q2 法说会纪要)），但仍为 GPU 供应的核心瓶颈。
- HBM 高带宽内存：HBM3E 是 H100/B200 的关键配套。SK 海力士 2024 年占据 HBM 市场约 50% 份额（(来源：TrendForce 2024Q1 报告)），美光、三星正在追赶。HBM 生产良率和产能扩张节奏直接影响 GPU 出货量。
- 数据中心电力与冷却：单机架功耗从传统 5–10kW 飙升至 AI 机架的 30–100kW。据 IEA（国际能源署）2024 年报告，全球数据中心电力消耗 2022 年约 460TWh，预计 2026 年达 1,000TWh 以上，AI 负载是主要增量。电力批复和电网接入成为新建数据中心的关键路径瓶颈，部分地区（如北弗吉尼亚、新加坡、荷兰）已实行限制或排队审批（(来源：公开行业报道综合)）。
- 网络设备：InfiniBand（NVIDIA Mellanox）和以太网 800G 光模块/交换机是 GPU 集群互联的基础。据 LightCounting 2024 年报告，800G 光模块出货量 2024 年将达数千万只级，供应紧张期已过，但仍然集中掌握在少数供应商手中。
容量管理的任务，是精确将这些上游约束内化为自己的“可扩容时间表”与“成本模型”，避免做出无法兑现的扩容承诺。
下游
下游是驱动容量需求的全部业务负载，容量管理将其转化为对上游的采购信号：
- 大模型训练：基座模型规模持续扩大。以 GPT-4 为例（未公开官方参数，行业估算约 1.7 万亿–1.8 万亿参数，MoE 架构，来源：SemiAnalysis 2023 年分析），训练所需算力动辄数万卡·月。此类任务对容量连续性要求极高，中断即意味着进度与成本损失。
- 模型微调与实验：数百至数千卡规模的中小型训练任务，频次高、生命周期短（数小时至数天），是构成需求高度波动的主体。
- 推理服务：随着 GPT-4o、Claude 3.5 等大规模模型部署，推理负载出现明显的“周内潮汐”和“事件激增”（如新版本发布）。推理对延迟敏感，要求容量管理在靠近终端用户的边缘/区域节点预置 GPU。
- 多租户 AI 平台：对内服务多业务线的统一 AI 平台，面临“多优先级、多SLA”的复杂排队问题。
容量管理的核心价值之一，是将下游多个团队的非结构化“期望上线时间”转化为结构化“资源预约”，并反馈给业务方以引导需求平滑化。
受益公司
以下按业务属性分类，不构成任何投资建议，仅为产业链生态梳理：
1. 公有云服务商（海外） Amazon Web Services、Microsoft Azure、Google Cloud 通过全球区域扩张与自研芯片（AWS Trainium2、Google TPU v5p）构建海量资源池。据 Synergy Research 2024Q1 数据，三大海外云厂商合计占全球云基础设施市场份额约 67%。其容量管理能力体现为全球库存调配与定价策略（预留实例、竞价实例、容量预留计划），资本大量投向数据中心基建，2024 年三家合计 Capex 指引超 1,500 亿美元（(来源：各公司财报与公开指引，截至 2024Q2)）。
2. 公有云服务商（国内） 阿里云、华为云、腾讯云等受高端 GPU 供应约束，容量管理更强调“精细分时复用”和“存量挖潜”，催生大量调度平台创新。公开招投标与行业会议信息显示，多家国内云厂商正大力投入自研调度器与算力池化技术，具体效能数据公开资料未见。
3. 独立 AI 实验室与模型公司 部分头部实验室（如 OpenAI、Anthropic、国内 DeepSeek、智谱等）长期面临“有钱买不到卡”或“买了卡但用不好”的困境。容量管理决定了其技术产出的节奏，在融资叙事与商业合同中成为关键效率指标。
4. AI 基础设施软件公司 一批 FinOps 和 AI 基础设施管理软件公司兴起，提供跨云容量预测、成本优化、算力编排工具。例如，基于 Kubernetes 的 AI 调度平台（如 Run:ai，已于 2024 年被 NVIDIA 收购）、向量化成本管理工具等，被资本视为“算力淘金热中的卖水人”。具体市场份额数据公开资料未见。
市场规模
由于 AI 容量管理属于基础设施管理市场中的新兴细分，暂无独立第三方市场规模数据。可从相关市场间接推演典型量级：
- 全球数据中心基础设施市场：据 Gartner 2024 年估计，全球数据中心系统支出（含服务器、存储、网络）2024 年将达约 2,600 亿美元，其中 AI 相关服务器占比正在快速攀升。
- 云基础设施服务市场：据 Synergy Research Group 2024Q1 数据，全球云基础设施服务市场规模年化超 3,000 亿美元（含 IaaS/PaaS，不含 SaaS）。容量管理工具/平台归属其中自动化与管理软件子类，该子类占比约 5%–8%（估算约 150 亿–240 亿美元/年）。
- AI 服务器出货：据 TrendForce 2024 年预测，2024 年全球 AI 服务器出货量将超 160 万台，同比增长约 40%，2025 年持续增长。AI 服务器的容量利用率每提升 10 个百分点，相当于释放数百万 GPU·小时的有效算力，经济学含义显著。
- FinOps 工具市场：据 IDC 2024 年估算，全球云成本管理与优化工具市场规模 2024 年约 20 亿–25 亿美元，预计 2027 年达到 50 亿美元。AI 容量管理是 FinOps 的高级演进方向。
> 以上数字均为行业通用市场估算，非精确值，口径各有差异，不构成对具体公司业绩的判断。
玩家对比
公有云自研方案 vs. 第三方平台（基于 2024 年公开产品文档定性比较）：
| 维度 | 云厂商原生方案（AWS/ Azure/ GCP） | 第三方 AI 调度/FinOps 平台 |
|---|---|---|
| 集成深度 | 与自家硬件、网络、预留实例无缝打通 | 需适配多云 API，集成成本较高 |
| 策略灵活度 | 限于厂商提供的策略模板（如 AWS Compute Optimizer） | 可深度定制抢占策略、排队算法、成本模型 |
| 锁定风险 | 强绑定单一云生态 | 跨云/混合云友好，降低供应商锁定 |
| 技术门槛 | 开箱即用，适合标准化场景 | 需自建运维与开发能力 |
| 费用模型 | 通常与云账单挂钩（成本优化收益分成） | 订阅制或按托管节点计费，具体因厂商而异 |
国内主要 AI 云厂商容量管理能力粗略比较（基于公开信息、行业调研，2024 年定性综合，不排序）：
- 阿里云（通义千问生态）：依托自研灵骏智算集群，支持 ECS 异构计算实例的弹性伸缩，对外提供 PAI-灵骏平台统一调度，强调“训推一体”资源复用。
- 华为云（昇腾生态）：基于 Ascend 910B 组网，推出 ModelArts 平台与盘古大模型协同，在自有硬件的容量模型一体化方面有天然优势。
- 火山引擎：通过自研 Kubernetes 调度系统支撑豆包系列模型，对外提供机器学习平台，强调 GPU 共享与池化能力。
- 百度智能云：依托百度百舸异构计算平台，对外提供算力调度和优化，强调对昆仑芯与 NVIDIA GPU 的异构支持。
> 以上描述均基于各厂商官方产品页面与2024年技术会议公开分享，不作主观优劣评价。
风险
- 供应链预测失准风险：若需求预测系统性偏低，导致算力缺口持续数月，可能直接推迟关键模型迭代进度，在竞争窗口期产生不可逆落后。反之，若过度采购而需求增速放缓，则造成产能过剩和资产折旧压力——GPU 硬件迭代周期仅 2–3 年（H100 到 B200 仅约 2 年），过剩库存在新一代产品发布后迅速贬值。
- 技术复杂度与管理成本风险：完善的容量管理系统需要一支跨学科团队（系统工程师、数据科学家、供应链专家），人力成本高且人才稀缺。如果自研调度系统的质量不达预期，可能出现“自动化扩大损失”的灾难场景（如错误地同时回收所有弹性节点）。
- 单点依赖与锁定风险：若过度依赖单一云厂商的容量生态（如预留实例、专用集群），议价能力将随时间削弱，数据迁移和切换成本高昂。
- 物理约束不可抗力：电力批复延迟、光纤切断、液冷系统故障等物理事件，可瞬间使精心规划的容量模型失效。2023–2024 年间已出现多起因电网容量不足导致的新数据中心项目搁置案例（(来源：公开新闻搜索)），具体影响规模公开资料未见系统统计。
- 安全与合规风险：跨云/多云容量管理中，数据与模型在多环境间流动，增加了攻击面和合规复杂性（如 GDPR 数据跨境约束），可能限制弹性资源的调度范围。
误读纠偏
误读 1：“容量管理就是扩容，什么时候缺了再买。” 纠偏：物理 GPU 交期长达数月（H100 在 2023–2024 年部分时间段交期 > 6 个月），缺了再买意味着数月的创新停滞。真正的容量管理是“先于业务看需要，先于供给下订单”，预测与决策前置。这要求在需求信号尚模糊时就启动供应链动作，是一种“管理不确定性”而非“管理确定性”的能力。
误读 2：“只要上了 Kubernetes 弹性伸缩，利用率就能大幅提升。” 纠偏：Kubernetes Cluster Autoscaler 提供的是执行机制，而非决策智慧。若无精确的负载预测和精细的成本-性能策略，纯粹基于 CPU/GPU 使用率阈值的弹性伸缩可能导致：① 节点频发创建/销毁（振荡），增加调度延迟与资源浪费；② 未考虑训练作业的“粘性”（Checkpoint 保存/加载的时间成本），盲目回收造成进度丢失。AI 容量管理的核心在“大脑”（预测与决策引擎）而非“四肢”（扩缩容执行器）。
误读 3：“容量利用率越高越好。” 纠偏：当利用率超过 70%–80% 时，排队论效应导致作业等待时间呈指数级增长（Erlang C 的非线性尾部）。在 AI 场景，过度追求高利用率会导致高优先级训练任务排队时间不可控，最终损害业务敏捷性。容量管理的目标是“在 SLA 约束下最大化利用率”，而非绝对最大化利用率。
最新事件
（截至 2025 年 7 月，以下为近期可追踪的行业动态，基于公开报道整理）
- NVIDIA Roadmap 加速：NVIDIA 在 2024–2025 年间发布 Blackwell (B200/B100) 架构并宣布 Rubin 平台（2026 年预期），AI GPU 代际间隔缩短至约 1 年。容量管理面临更短的硬件折旧周期和更复杂的异构算力调度挑战（(来源：NVIDIA 官方新闻稿及投资者会议)）。
- 云厂商容量预留产品迭代：AWS 推出“Capacity Blocks for ML”功能，允许用户预约未来日期的 GPU 集群时间块，本质是将容量管理中的“确定性需求”对外产品化。Google Cloud 推出“Dynamic Workload Scheduler”类似功能。这标志着容量管理能力正从内部工具走向对客产品（(来源：各云厂商 2024 年产品发布博客)）。
- AI 数据中心的“电力危机”讨论升温：多家国际媒体（Reuters, Bloomberg, 2024 年）报道，AI 算力需求的电力消耗预期引发监管与ESG关注，部分地区电网已对新增大型数据中心审批趋严。容量管理必须纳入“电力可获性”作为一级约束。
- CoWoS 产能再扩张：台积电 2024 年连续多次上调 CoWoS 产能规划，并启动海外先进封装厂建设（如日本），预期 2025–2026 年产能翻倍以上。这将在中期逐步缓解 GPU 的供给刚性，但对短期（12 个月内）的容量管理决策影响有限（(来源：台积电公开法说会及新闻稿)）。
- DeepSeek-V3 等高效模型引发关注：2024 年底–2025 年初，国内 DeepSeek 等团队发布的高效模型（如 DeepSeek-V3）在更少算力下达到接近顶级性能，引发“算力效率革命”讨论。这并不意味着算力需求见顶，但加剧了企业在容量投资上的“观望与等待”心理，容量管理决策的博弈性上升（(来源：公开技术报告及媒体分析)）。
跟踪指标
以下为持续评估和跟踪 AI 容量管理水平及行业态势的关键指标，按频率分列：
高频（月度/季度观察）
- 主要云厂商 GPU 实例可用区域增减（AWS/GCP/Azure 区域列表更新，观察是否在更多区域上线 H100/B200 实例）
- GPU 现货/预留实例的公开价格变动（单位：美元/GPU·小时），反映供需松紧
- 台积电月度营收数据及 CoWoS 产能相关新闻（季报/法说会）
- AI 头部企业（如 OpenAI、Anthropic、国内大厂）的模型发布频率与训练规模公开披露
中频（季度/半年深度跟踪）
- 主要数据中心 REITs 和 IDC 公司的财报，观察电力获取、上架率、大客户签约动向
- NVIDIA 季度财报中的数据中心业务收入与供给指引（产品过渡期、库存水平）
- 云厂商资本开支（Capex）总额及与 AI 基础设施相关项的拆分说明
- 学术/行业会议（MLSys, OSDI, SIGCOMM）中 GPU 集群调度前沿论文
低频（年度战略参考）
- IEA 全球数据中心能源消费年度报告
- Gartner/IDC AI 基础设施市场预测更新
- 各主要云厂商 AI 容量管理相关新产品的参数对比
- AI 安全/合规政策变化（如 EU AI Act 对训练算力的申报要求）
> 涉企业名称的指标均为公开可获得信息，不依赖内幕调查。
信源
- NVIDIA – 官方规格表（H100, B200）、GTC 2024/2025 公开 keynote 与新闻稿。
- 台积电 – 季度法说会纪要与新闻中心公告（CoWoS 产能相关）。
- Meta AI – “Introducing Meta Llama 3” 官方博客 (2024 年 4 月) 及对应技术报告。
- Google DeepMind/Cloud – Borg/Omega/K8s 系列论文及 Autopilot 相关发表；Dynamic Workload Scheduler 产品文档。
- Amazon Web Services – Capacity Blocks for ML 及其他预留实例策略官方文档。
- Synergy Research Group – 云基础设施市场份额季度报告 (2024Q1)。
- TrendForce – AI 服务器出货预测及全球 HBM 市场份额 (2024)。
- LightCounting – 光模块市场季度报告 (2024)。
- IEA – “Electricity 2024 – Analysis and forecast to 2026”。
- 学术会议 – MLSys (2023–2024)、OSDI (2022–2024)、SIGCOMM (2023–2024) 中与 GPU 集群调度、预测性扩容、容量管理相关论文。
- 第三方分析 – SemiAnalysis、Omdia、IDC、Gartner 公开摘要（收费报告原文未引）。
- 公开新闻报道 – Reuters、Bloomberg、The Information 关于 AI 数据中心电力、GPU 交付延迟的相关报道。
声明：本文所有涉及市场数据的数字均已标注来源与年份，部分为行业综合估算区间，口径差异已在上下文中说明。对于检索不到的具体企业财务数据或未公开市场份额，均标注为“公开资料未见”。本文仅作概念与行业原理解释，不构成任何投资建议、荐股或买卖方向判断。