关于AI计算的分化，很少有人正在用正确方式读懂它。

前沿训练每个季度都在更加集中：数千块GPU必须放在同一个地方，并用线缆连成一体。但在2026年，训练只占需求的30%。其余70%是推理，而在hyperscaler（超大规模云）上运行推理，意味着你要为那种为最苛刻工作负载建造的基础设施付费，却用来做最简单的任务。
在分布式网络上，同样的推理本可以便宜45%到75%，而对任何在测算AI基础设施预算的人来说，这个差距就是全部故事。
训练出于必要性而集中；推理则被拆分，因为当你不再需要为一个不需要AWS利润率的工作负载支付这些利润率时，在规模上这样做就不再说得通。