算力租金一年翻了一倍，谁在为AI基础研究买单？

中科院自动化所研究员李国齐最近遇到了一个棘手的问题：他手里有想法、有团队，但缺算力。

“高端算力的租赁价格过去一年涨了快一倍。”李国齐在2026中国企业家论坛上透露了一个具体数字——去年还只要两三万块钱一台，今年就涨到了四万多块，几乎翻倍。

这组数字虽然来自一位研究人员的个人反馈，但它指向的是一个正在成形的结构性变化：在AI浪潮席卷之下，算力的获取不再是实验室里的技术问题，而成了掏钱的问题。

一、谁垄断了“最贵的实验设备”？

“一台”这个量词背后，通常指的是配备高性能GPU的计算节点。至于具体型号是A100、H800还是国产替代方案，以及是否包含存储和网络带宽，原文并未给出明确定义。但可以确定的是，这个数字反映的是科研机构在实际采购中感受到的市场价差。

李国齐所在的机构，是中国顶尖的人工智能研究机构之一。即便如此，它也在为算力发愁。

原因并不复杂：算力和数据的高度集中。在中国，能够大规模提供稳定、高效算力资源的企业屈指可数——主要是几家头部互联网大厂和云计算厂商。这些巨头自身就要支撑庞大的模型训练、推理和业务运算，留给第三方的算力余量有限。

供需关系一旦失衡，价格自然上行。这不是某个供应商单方面定价的结果，而是整个市场在AI投资热潮中的自然反应。

更深层的问题是：谁来为这部分增长买单？对于商业公司而言，算力是生产成本的一部分，可以通过产品和服务回收；但对于高校、科研院所的基础研究来说，这笔支出完全依赖财政拨款或社会捐赠，属于纯消耗性投入。

二、AI for Science：验证成本为何突然飙升？

如果说单纯的硬件涨价还能通过预算调整来消化，那么科研范式的转变则让问题变得更加棘手。

清华大学交叉信息院教授徐文强在会上提出了一个被低估的挑战——“AI for Science”（即利用人工智能推动科学研究）正在从根本上改变科研产出的形态。

传统的学术评价体系建立在“同行评议”之上：一篇论文写出来，交给几位领域内的专家来审稿、判断其科学性。但在AI辅助甚至主导的科研过程中，产出的数量和复杂度急剧膨胀，传统的人工审稿模式已经无法胜任。

于是出现了新的困境：即使借助AI进行形式化验证，验证本身也需要消耗大量的算力和人力。也就是说，科研不仅要在“做”的时候花算力，还要在“证明自己做对了”这件事上再烧一次算力。

这是一个双重加码的成本结构。

这也解释了为什么即便只是看一组算力租赁价格的涨幅，其意义也不仅限于市场层面。它反映的是整个科研基础设施的承压状态。

三、钱从哪来？十年期限的尝试

面对基础研究的资金困境，社会力量已经开始尝试新的资助方式。

会上提到，腾讯新基石科学基金会采取了“长线思维”的做法：对基础科学方向的资助可以持续长达10年，且不考核论文数量。这种机制的设计初衷非常明确——把科研人员从短期的论文产出压力中解放出来，让他们敢于去做真正有探索价值但短期内可能没有结果的项目。

基金会的钱从哪里来？数据显示，全国基金会科学慈善项目中，科技人才方向占比达到了55．8％，是第一大资金用途；而专门针对基础研究方向的慈善收入，在过去四年里增长了近10倍。

这说明两点：一是社会资本确实意识到了基础研究的重要性，并且在增加投入；二是增长速度虽然可观，但面对日益上涨的算力成本，这种增长是否能覆盖缺口，仍有待观察。

四、结构性后果：谁的入场券被抬高了？

算力租金翻倍看似是一个行业价格信号，但其实际影响会沿着以下链条传导：

首先是高校和研究机构的直接成本上升。许多原本可以做的小规模验证实验，现在可能需要重新评估预算可行性。部分低共识度的前沿项目可能会因为算力负担过重而被削减或延后。

其次是竞争格局的倾斜。能承担高额算力开支的团队更有优势跟进前沿课题，而中小科研力量由于资金限制，可能在关键技术方向上逐渐落后。长此以往，基础研究领域的创新活力是否会下降？这可能是一个需要政策制定者关注的问题。

最后是对AI创业公司的挤压。算力不仅是学术界的痛点，也是初创企业的生存压力。如果廉价算力持续收紧，AI创业公司的研发迭代速度将被拉长，行业洗牌可能加速。

当然，这一切的前提是：算力供应端不会在未来一两年内大幅扩容。从目前各大厂的资本开支计划来看，数据中心建设仍在快速推进，但这更多是为了满足商业大模型和企业服务的需求，而非专门为科研机构预留空间。

五、接下来看什么？

如果你是研究人员、政策制定者或AI行业的参与者，以下几个指标值得持续关注：

1。 算力租赁市场月度报价趋势：关注主流云厂商和高性能计算平台的GPU实例定价变化，特别是按使用时长划分的阶梯报价。 2。 国家自然科学基金及地方科研补助的实际增长率：对比算力成本的涨幅，判断科研经费能否跟上技术迭代的节奏。 3。 企业捐赠与基金会科研资金流向：追踪社会资金支持基础研究的比例和增速，这是市场化之外的关键补充渠道。 4。 国产算力芯片的出货量和应用范围：国产替代方案的成熟度将直接影响算力市场的供给弹性，进而决定价格天花板。 5。 算力共享机制的政策落地情况：政府是否有可能建立面向科研机构的算力普惠平台或补贴计划，这将直接缓解中小团队的接入压力。