美国 GPU 闲置现状（截至 2026 年 10 月）

两个概念：

1. 硬件物理闲置（Dark GPU，黑暗 GPU）：芯片已经采购，但还没上电、没部署进机房，放在仓库； 2. 算力利用率（MFU，模型浮点利用率）：服务器已经上电运行，但模型真正跑满算力的比例很低，属于算力浪费，不是硬件关机闲置。

1. 企业侧云 GPU 利用率（已上电，运行中集群）

Cast AI 2026 年 K8s 集群报告，抽样 AWS/Azure/GCP 上 2.3 万企业级集群：

企业客户 GPU 平均利用率仅 5%（95% 时间闲置） 合理人工调度目标约 30%，优秀调度集群上限约 50% 原因：企业抢卡锁预留资源，担心后续拿不到 GPU；但数据、模型、工程团队跟不上，大量预约资源空跑。

这个 5% 是企业客户，不是云厂商自营训练集群。

2. 美国头部 AI 大厂自营集群（MFU 模型浮点利用率）

Meta / Google：43%~46%，属于行业较高水平 xAI（55 万张 H100/H200 集群）：MFU 仅 11%。硬件上电，但大规模分布式训练下通信开销、调度问题，大量算力无法被模型有效利用

服务器持续通电，只是算力没有被模型充分利用。

3. 最新热点：AWS 的「黑暗 GPU」（物理闲置，GB300 机架）

2026 年 10 月最新爆料（Business Insider）：亚马逊 AWS 大量英伟达 GB300 机架已经采购入库，但目标数据中心电力容量不足，无法上电，只能放在中转仓库闲置，属于真正意义上的硬件闲置（Dark GPU）新浪财经。

8 月单月预计接收约 50 亿美元 GB300 机架，后续每月持续接收约 30 亿美元； 机房空间够，但美国部分区域电力、冷却配套跟不上，硬件只能堆在仓库等待电力扩容；- AWS 官方表述：提前囤硬件是商业策略，等电力就绪可快速上线，否认资产浪费。

4. 整体市场格局总结

1. 高端训练卡（H100/H200/GB300）：硬件供给依然紧缺。只是出现两类闲置： - 一类：已采购但缺电无法部署（AWS 仓库 GB300）； - 二类：已部署但模型利用率偏低（xAI 等实验室）。2. 中低端 GPU、推理卡、企业自建小集群：闲置严重，很多企业抢卡后缺少业务场景，锁卡闲置。3. 云厂商自营大模型训练集群利用率显著高于普通企业客户，Meta、谷歌的大模型训练集群可以做到 40%+MFU。

5. 背后驱动因素

1. 美国数据中心电力瓶颈：大量算力规划落地受电网容量限制，硬件到货快、电力扩容慢，催生 Dark GPU；2. FOMO 抢卡：AI 企业长期锁定算力配额，宁可闲置，也不愿后续无卡可用；3. 分布式大模型工程难度：数十万卡集群，多节点通信、负载均衡会显著压低 MFU；4. 需求分化：训练算力紧俏，推理算力供给逐步宽松。