一块英伟达H100显卡，算力满载功耗700瓦，计算跑一天就是算力16.8度电。你租它一小时，计算云厂商收你大概30块钱。算力这30块里，计算电费占不到2块，算力剩下的计算基本都花在了“怎么让你能用上这块卡”这件事上——这就是算力和云计算关系的起点。
算力是算力硬件本身能吐出的计算能力，单位是计算FLOPS，或者更接地气的算力“每秒能跑多少次矩阵乘法”。云计算不是计算算力，它是算力一整套把算力打包、切片、计算调度、算力卖出去的机制。打个比方：算力是发电厂的装机容量，云计算是电网和电表。没有电网，发电厂只能给隔壁村供电；有了电网，新疆的风电可以点亮上海的写字楼。
我去年帮一个小团队跑Stable Diffusion微调。他们买了四张RTX 4090，插在一台塔式服务器里，总共花了不到8万块。结果训练到第三天，电源烧了，连带主板一起报废。后来他们转用某云的A10实例，按小时计费，跑了五天，账单不到2000块。这里面有个关键细节：云厂商的机器不是简单堆显卡。他们做了定制主板、液冷机柜、冗余电源，还有一套调度系统，能把碎片化的GPU时间拼给不同用户。你半夜三点跑任务，可能和另一个时区的开发者共享同一张卡的不同时间片——这种“超卖”能力，才是云计算把算力成本压下来的核心。
但云计算不是万能胶。有些场景下，它反而拖后腿。比如高频交易，要求微秒级延迟。数据从交易所到云机房，光在光纤里跑一趟就几十微秒，再经过虚拟化层、容器网络，延迟直接飙到毫秒级。这种时候，算力必须放在本地，云计算只能做辅助的日志分析和模型回测。另一个例子是训练超大模型。微软给OpenAI建的超级计算机，上万张A100用专用网络直连，NVLink带宽900GB/s。这种规模的算力集群，云厂商不是不能建，而是建了之后很难拆成小块卖给普通用户——因为通信开销太大，切片之后性能断崖式下跌。所以你会发现，真正的大模型预训练，往往是直接租整个集群，甚至自建机房，而不是用标准的云服务器。
反过来，云计算也在改变算力的形态。以前买显卡，你关心的是CUDA核心数、显存带宽。现在用云，你关心的是“单价每token多少厘”“冷启动几秒”“能不能挂载我自己的镜像”。算力被抽象成了API。我见过一个做AI绘画的创业者，他根本不知道自己的模型跑在什么卡上，只知道调一次接口花0.003元。这种抽象让算力像自来水一样拧开就用，但也带来新问题：你无法针对硬件做深度优化。比如某些卷积算子，在A100上跑得飞快，换到H100反而因为架构变化变慢了。云厂商不会让你选具体卡型，你只能选“通用型”或“计算优化型”。
还有一个容易被忽略的点：算力过剩和算力饥渴同时存在。大厂囤了上万张卡，利用率可能不到40%。小团队想租几张A100，经常显示“库存不足”。云计算理论上能解决这个错配，但现实中，大客户签了长期预留协议，小客户只能抢 spot 实例，随时可能被踢掉。我认识一个做蛋白质折叠的博士生，他为了省点钱，专挑凌晨跑任务，结果有次被回收，三天的计算白费。后来他学乖了，用检查点机制，每半小时存一次模型。这种“和云厂商斗智斗勇”的经验，教科书上不会写。
算力和云计算的关系，不是简单的“硬件+虚拟化”。它更像一场博弈：算力追求极致的物理效率，云计算追求极致的调度效率。前者受限于硅基芯片的功耗墙和散热极限，后者受限于网络带宽和虚拟化开销。未来几年，边缘计算会把一部分算力从云里拽回来，而云厂商会继续把专用芯片（比如TPU、NPU）做成更细粒度的服务。最终，你不需要知道算力在哪，就像你不需要知道电是从哪个电厂来的一样。但如果你要跑一个延迟敏感或者通信密集的任务，最好还是自己攥着那块卡。