算力之间（一）——从芯片到模型：算力产业链的商业结构与法律观察
当下人工智能的高速发展，正在逐渐改变企业取得和使用算力的方式。传统的企业建设信息系统，一般需要自行购买服务器、部署软件调试并组织运维。云计算发展后，企业无需直接购买全部底层设备，其可以按需对外租赁算力和网络资源。进入大模型时代，GPU算力需求快速增长，与算力相关的市场供给进一步分化为GPU实例、专属算力池、模型训练平台、模型API和AI智能体应用等不同产品形态。企业采购的对象也从传统的硬件设备，逐步延伸到资源使用能力、平台功能和模型能力的采购。
根据算力供给方式不同，交付的标的可能完全不同：可能是一批GPU服务器，可能是一年期的计算资源使用权，也可能只是一个模型API。同样的购买算力，但是背后的资产归属、参与主体、交付方式和故障责任却差距甚远。因此，所产生的法律问题也不尽相同。讨论算力法律问题，需要先回到产业链和交易结构本身。本文拟从算力如何形成、交易标的如何区分以及交易各方实际控制哪些资源出发，梳理算力产业链的基本结构和主要法律问题，为后续讨论设备采购、智算中心建设、算力服务准入、服务等级协议、模型服务和基础设施融资建立统一的分析框架。
一、从芯片到模型：算力如何形成
算力通常被理解为计算设备处理数据和执行任务的能力。这项能力依赖完整的运行环境，需要芯片在服务器中执行运算、存储和网络连接数据与设备、电力、制冷及运维一起保障系统持续运行。当计算能力需要独立面向客户出售时，还要由调度和管理系统将设备组织成可分配和计费的资源。
从产业结构看，算力从形成到应用大致经过三个过程：首先由芯片、服务器等设备组成可以稳定运行的计算集群，再通过运维系统将集群组织成可以分配、调用和计费的算力资源。最后依托这类算力资源完成训练和运行模型，形成模型API和各类AI应用。沿着这一过程，可以依次观察芯片与服务器设备、数据中心与智算中心、算力运营与调度、模型与应用四个环节。本文主要关注算力上述四个应用环节所对应的不同的法律合规框架。
（一）芯片与服务器设备：算力形成的硬件基础
算力产业的起点是芯片和服务器。GPU、CPU及其他加速芯片承担计算任务，服务器整机将芯片、内存、存储和其他部件组织为可运行的计算设备，高速交换机、光模块和网络系统负责集群内部的数据传输，供配电、UPS、液冷和其他温控设备则为高密度计算提供持续稳定的运行环境。
这一环节的参与主体包括芯片厂商、服务器厂商、设备代理商、系统集成商、中间贸易商和终端采购方。终端客户很少仅购买单颗芯片，实践中更常见的是采购GPU服务器、集群设备及配套管理软件，并由供应商提供运输、安装、调试、测试和维保。
软硬件与服务的组合交付模式项下，设备交易所涉法律关系不再限于实物买卖合同关系。就硬件部分，设备型号、配置参数、性能指标等内容，仍可纳入传统交付标的物的法律审查。例如采购路径、设备序列号、授权文件等资料，可作为核查设备来源、权属状态的相关凭证。货物交付与验收条款，用以划定标的物交付、价款支付及风险转移的时间节点。就配套软件，应明确其权利安排，区分系随设备一并授予使用许可、单独另行取得软件授权，抑或由供应商持续提供平台服务、运维服务。如涉及跨境采购的，尚需结合货物流转链路、最终用户及最终用途，评估进出口管制、报关通关、跨境支付以及货物被扣等相关法律风险。
（二）数据中心与智算中心：算力运行的物理基础
服务器需要放置在具备稳定电力、网络、制冷和运维条件的设施中。传统互联网数据中心（IDC）主要围绕机房、带宽、设备托管和运行维护提供服务。智算中心（AIDC）面向人工智能训练、推理等需求，通常更重视加速计算集群、高速互联网络和高密度供电制冷，并按业务配置算力调度、训练推理平台。
从项目结构看，无论数据中心还是智算中心，均可以分为以下三个层面：
数据中心或智算中心的资产持有、日常运营和对外服务，可以由同一主体完成，也可以由不同主体完成。采购方可以只租赁厂房，采购机电设备或服务器，运营方负责网络接入、设备维护、资源监控和故障处理，云服务商或算力服务商再面向客户提供算力服务。例如，根据润泽科技的公开年报显示，其数据中心采取“自投、自建、自持、自运维”的模式。那么其对外服务存在两种对客路径，一种是与电信运营商合作：润泽提供机房环境，电信运营商提供带宽等电信服务，并在向终端客户收费后与润泽结算。另一种是润泽直接与终端客户签约并收取费用。虽然相关数据中心由润泽投资建设和运维，直接面对客户、提供完整服务并收取费用的主体仍可能不同。而润泽科技发行的首批数据中心REITs，项目使用的共用变电站、综合管廊、输变电线路和光纤专线没有纳入基金底层资产，说明润泽科技未直接投资基础设施。
因此，分析一项数据中心或智算中心的法律合规业务时，既要看项目是否符合投资、规划、环保、消防等建设及运行要求，也要看实际由哪一主体对外签约并提供服务，再根据具体服务内容判断是否需要取得增值电信业务经营许可。还要同时核查实际运营主体、对客签约关系，以及供电、网络等关键设施的长期使用安排。
（三）算力运营与调度：把设备转化为可使用的资源
服务器投入运行后，还需要通过调度软件、网络、存储和运维系统进行统一管理。系统负责监控设备状态、分配计算任务、隔离不同客户的使用环境，并记录资源用量。经过这些处理，分散的服务器和GPU才能组成资源池，供不同客户按需使用。
算力通常有三种交付方式：客户独占整台服务器，或仅占一定规模的算力池，或与其他客户共享资源。费用可以按照卡时、实际用量、任务量或者使用期限计算。对客户来说，除了设备型号和数量，还要关注资源是否独占、任务是否排队、出现故障后多久恢复，以及维护期间能否切换到其他设备。这些因素共同决定客户实际获得的算力质量。
算力平台的作用也不完全相同。有的平台只发布供需信息，由资源方直接与客户签约和结算。有的平台直接向客户销售算力，负责定价、开户、资源分配、收费和故障处理。判断平台承担什么责任，主要看它是否以自己的名义提供服务，以及是否控制资源分配、收取费用并作出服务承诺。即使平台不持有GPU，也可能成为直接向客户承担责任的算力服务商。
（四）模型与应用：从计算资源延伸到业务能力
分析完算力如何形成、在什么环境运行以及如何提供给客户，本文进一步探讨算力如何转化为模型服务和AI应用。
客户租用GPU实例或者算力池，自行训练、部署模型的，购买的仍是算力资源。如果供应商进一步负责模型训练、微调和部署，或者直接提供模型API、MaaS和AI软件的，交易对象才从算力资源延伸到模型能力和应用功能。这一环节常见的交付方式主要有三类：一是供应商根据客户需求完成模型训练、微调或者部署。二是客户通过API调用供应商提供的模型；三是供应商将模型嵌入客服、办公、设计等软件，直接提供具体功能。客户看到的可能只是一个接口或者一项功能，后台则可能由应用开发者、模型厂商、云服务商和数据中心运营商共同支持。
根据交易内容的不同，涉及的法律问题也不同。客户只购买算力时，重点是资源配置、稳定性、故障恢复和费用结算。购买模型训练或微调服务时，还要明确训练数据如何使用、模型成果的归属以及能否迁移。使用模型API或AI软件时，则要进一步关注输出内容、数据处理、服务中断处理和第三方模型依赖等问题。企业通过API等方式向境内公众提供生成式人工智能服务的，还要结合具体业务判断是否适用《生成式人工智能服务管理暂行办法》，以及内容安全、安全评估、算法备案和生成合成内容标识等要求。判断规则是否适用，关键要看企业向谁提供什么服务、处理哪些数据，以及实际控制哪些业务环节。
二、市场中的“算力”具体如何交易及交易中需关注的核心法律问题
分析算力交易，核心问题看客户交易的标的。同样被称为“购买算力”，有的交易以设备所有权转移为终点，有的只在约定期限内开放资源，还有的把资源进一步封装成训练环境或模型能力。客户取得的内容越接近上层服务，底层设备、调度系统和运行规则通常就越多地留在服务方手中，收费方式与交付承诺也随之变化。
根据交付标的不同，可以将常见交易归纳为以下五类，同一采购项目也可能组合使用多种安排。
（一）设备采购以交付和验收为中心
设备采购中，客户支付价款，通常是为了取得GPU服务器所有权、约定的软件使用权以及安装调试成果。因此设备型号、状态、序列号、配套软件、测试条件和验收方法等参数为交付标的物的核心条款。且合同条款中应当设置迟延交付、性能不达标或其他交付瑕疵的责任承担。设备通过验收并完成权利转移后，客户原则上能够自行支配，此时责任和义务的承担转移至客户，供应商则主要承担约定的维保和技术支持义务。
（二）GPU资源交易以持续可用为中心
GPU实例、裸金属服务器和专属算力池交易，客户交易的重点则从设备本身转向一定期限内的计算资源使用能力。底层设备仍由供应商控制，供应商继续负责资源配置、网络、存储和运行维护。客户则按照固定期限、资源规格或实际用量付费。合同条款则需重点关注资源是否独占、何时开通、任务是否排队、维护时能否切换。
市场上常说的“租用GPU”，在法律关系上可能对应不同形态。若合同锁定特定服务器，由客户在约定期限内占有、使用，设备租赁的特征更明显。若供应商持续管理底层设备，通过平台分配资源并提供运行环境，则交易重心落在持续服务层面。
持续服务通常用服务等级协议（SLA）来约定。供应商未达到承诺时，协议以代金券补偿，并设申请期限和月度服务费上限。因此，此时协议需要重点关注可用率如何计算，以及哪些故障时间不计入其中。即使算力资源达到约定的可用率，也只能说明服务器或平台在大部分时间可以使用，并不保证客户的业务不会中断，也不保证模型训练一定成功。违约条款的设置，则还要看其承诺的是算力资源可用、平台正常运行，还是具体任务能够完成。SLA还应明确服务未达标后的处理方式。但这些限制性条款能否约束客户，还要看供应商是否进行了充分提示和说明，以及条款内容是否合理。如果供应商因故意或者重大过失造成客户损失，约定的补偿上限也可能背突破。因此，代金券和补偿上限只是协议中的责任安排，并不当然代表供应商最多只承担这些责任。
（三）训练平台需要区分资源可用与任务结果
训练平台在算力资源之外，还提供训练框架、运行镜像、数据集管理、任务调度、断点恢复和模型导出等功能。客户购买的是一套训练环境，底层设备、平台版本和资源调度仍由服务商控制。
以阿里云PAI-DLC为例，公共资源主要按照任务占用的节点数量和运行时间收费，资源不足时可能需要排队。包周期资源是客户提前按固定期限购买，平台通常会预留相应算力，使用较为稳定。竞价资源使用的是平台暂时空闲的算力，价格较低，但资源紧张时可能无法分配，已经运行的任务也可能被中断。这些模式的区别主要在于价格和资源稳定性，收费依据仍是资源占用情况，一般不以模型最终效果为准。训练任务中断的原因很多，可能来自硬件、网络、客户代码、数据质量、框架兼容或者平台调度。即使服务器处于可用状态，训练任务也可能中断，重新运行还可能产生新的费用。因此，合同需要分别约定算力是否可用、平台功能是否正常、任务失败后能否免费重跑，以及模型成果如何交付。
发生争议后，还要根据监控数据、任务日志和操作记录查明原因。服务商只承诺提供算力和训练环境，与服务商承诺按期完成训练或者达到特定模型效果，承担的责任不同。训练没有完成时，应先查清失败原因和服务商作出的具体承诺，再判断费用、重跑成本和损失由谁承担。
（四）MaaS和模型API以能力调用为中心
客户使用MaaS（模型即服务）或模型API时，通常无需再管理底层算力。使用训练平台时，客户需要选择计算资源、配置运行环境并提交训练任务。调用模型API时，客户只需提交提示词或业务数据，再接收模型返回的结果即可。此时，客户关注的重点变成模型能否稳定调用，以及返回结果能否支持实际业务。
计费方式也随服务内容发生变化。以阿里云百炼为例，自定义模型部署可以按月购买计算资源，也可以按实例的实际使用时间收费。调用文本生成模型则通常按照输入和输出的Token数量收费。同一平台还可能同时接入平台自有模型和第三方模型。对于部分第三方模型，客户实际与第三方服务商建立合同关系，由第三方提供技术支持并开具发票。因此，客户需要确认模型由谁提供、费用向谁支付、故障由谁处理，以及数据会传给哪些主体。
模型API是否能够返回结果，还要看服务是否稳定。调用额度、并发数量、响应时间以及模型或接口的调整，都可能影响客户业务。合同应当明确变更通知、服务中断和替代方案。客户还要确认输入数据如何使用。服务商是仅为完成本次任务临时处理，还是会保存数据并用于模型训练，两者需要分别约定。平台接入第三方模型的，还要明确数据会传给谁、保存多久以及能否再次使用。使用微调或知识库功能时，平台可能保存客户数据、模型参数、向量库和提示词模板。更换服务商前，应当确认这些内容能否导出和继续使用。涉及个人信息的，服务结束后还要按约定和法律要求返还或者删除。
（五）AI软件服务以完整业务功能为中心
AI软件直接向客户提供客服、办公、风控等具体功能。客户通常不需要选择GPU，也未必知道软件使用了哪一种模型。应用服务商负责整合云资源、基础模型和自身软件，并向客户交付完整功能。客户主要关注软件能否正常使用、业务流程能否持续运行。
应用服务商以自己的名义提供服务，就应当按照合同向客户负责。即使故障来自云服务商或者模型厂商，应用服务商通常也要先向客户承担责任，再根据上游合同向相关供应商追责。具体责任范围取决于应用服务商作出的承诺、合同中的责任限制以及故障原因。
因此，应用服务商在向客户作出承诺前，需要确认上游能够提供哪些保障。如果上游可以调整模型、接口或者服务范围，应用服务商就要提前准备通知、替代模型、接口改造和数据迁移方案，并约定上游故障后的补救和赔偿。告知客户存在上游依赖，只能说明服务结构，不能直接免除应用服务商的责任。
三、结语
算力业务名称相似，实际交易内容可能完全不同。购买服务器抑或是取得一组GPU资源、或进入训练平台和调用模型API，合同外观形式上都可以被描述为“购买算力”，但各方的权利义务、服务方的控制权以及交易各方承担的风险却不相同。
判断一项算力业务的合规标准，可以追问四件事：客户购买的具体内容是什么？履行的义务由谁承担？关键资源、系统和数据由谁控制？各主体对外经营的方式是什么？解决这四个核心的交易问题，产业链就从技术分工图转化为一张能够落到交付、许可、数据和责任的法律关系图。这也是本系列观察算力产业的合规框架的基本方法。后续文章将沿此方向继续向具体环节推进。
