torygreen

.@nvidia 正在把 170,000 台 GPU 放到印尼的一座島上。該園區在 2 週前宣布，預計於 2027 年第 1 季上線，這個時間表在美國眼下幾乎不可能。
GPU 不是卡關點，Nvidia 正以營收分潤的方式提供其中的 170,000 台。真正稀缺的是：要在一個重要的時間軸內，把這些設備插到能運轉的地方。
美國的互連排隊在許多地區可長達 5 年以上。裝在用戶端（behind-the-meter）的燃氣渦輪機需要 18 個月。這個落差如今就是整個選址遊戲。
而在美國端，還有更多摩擦不斷被加入。僅在 Q1 就大約有 $130B 的產能被卡住或延後。弗吉尼亞州是地球上最大的資料中心市場，最近才又新增了每度電 0.011 美元的電力稅，粗略算就是 $100M /年，適用於 1 GW 的園區。
選址過去是房地產決策。現在則是電力採購決策，而且最快的答案正在外移到海外。

$130B 在資料中心專案中遭阻擋或延誤，發生在第一季。這與今年這一個季度就涵蓋了 2025 全年的情況相符。
75 個專案。反對團體在三個月內從 396 翻倍至 833，覆蓋 49 個州。年初前六週內提出 300+ 項法案，14 個州提出暫停（moratorium）提案，而紐約州議會剛通過一項一年期的暫停措施，針對任何超過 20MW 的事項。Gallup 顯示有 71% 的美國人反對在家附近設置資料中心；相較於大約半年前，這一比例上升。
與此同時，超大型雲端供應商（hyperscalers）計畫僅今年在資本支出（capex）上就花 $690B ，彷彿這些事都沒有發生。
以下是為什麼這是結構性的、而非循環性的：反對行動現在會在專案甚至尚未提出申請之前就動員起來。只要有資料中心的謠言，就足以引發有組織的抵抗。產業整體的供應預測假設許可只是例行公事，但它很快就變成了巨大的瓶頸。
電力原本應該是限制因素。結果發現，限制因素是分區（zoning）會議。

目前人工智慧領域最有價值的房地產，是肯塔基州一座已關閉的鋁冶煉廠。
@AnthropicAI 與 TeraWulf 的霍斯維爾園區簽訂了一份 190 億美元、為期 20 年的租約，取得 401 兆瓦電力；該園區前身為冶煉廠，擁有約 480 兆瓦的既有電網接線容量。TeraWulf 去年的營收約為 $1B ，而這份單一合約的價值幾乎相當於其二十年營收。
真正的資產是電力接入點。晶片可以大量製造，但兆瓦電力無法在一夜之間創造出來。
每個坐擁閒置電力的比特幣礦工，都在轉型成為 AI 房東：
> Hut 8 與 Anthropic 簽訂了 70 億美元、為期 15 年的協議
> IREN 正在追逐一個數十億美元的園區
> Core Scientific、Cipher 和 Riot 都在進行同樣的轉型
Anthropic 現在正在整合多吉瓦的電力承諾，並在要到 2028 年才能全面運作的場址上，簽訂 15 至 20 年的義務合約。
它們從未獲利，卻先鎖定電網，並押注商業模式會迎頭趕上。

AI投資正以46%的速度超越AI收入。在2001年的電信泡沫期間，這個差距是32%。我們已經超過了電信泡沫時期的水準，並且仍在加速邁向2027年每年$1T 的資本支出。
代幣價格則呈現另一面。矽數據LLM代幣支出指數在5月達到每百萬代幣2.06美元的峰值。現在是1.62美元。六週內下跌20%。自2023年以來下跌超過90%。
代幣總支出大致每年翻倍。更便宜的代幣正在擴大市場，而不是摧毀它。問題在於，當價格下跌時，資本支出帳單不會縮水。無論你收取每百萬代幣2美元還是0.50美元，基礎設施成本都相同。
訓練曾是具有有限時間表的資本支出。推論則是經常性的。當代幣價格壓縮90%時，提供模型的利潤率也隨之壓縮。客戶群在增長，但單位經濟效益正在稀釋。
超大型雲端運算的定價是建立在GPU容量稀缺且買家別無選擇的世界中。容量仍然稀缺。但為其支付溢價利潤率的意願正在減弱。

.@nvidia 不再只是參與晶片製造的遊戲。它正將自己定位為AI基礎設施經濟的直接參與者。
從最近的公告來看，他們正在為資料中心提供資金，並從中獲取所產生的雲端收入份額。
兩個最近的合作夥伴關係完美地說明了這一轉變：
21萬顆GPU，對應六年內250億至300億美元的承諾採購量
> Sharon AI $SHAZ 在澳洲部署40,000顆GB300
> Firmus在巴淡島將170,000個加速器擴展至360MW
與此同時，Nvidia與合作夥伴推出了XFRA，這是一套液冷GPU系統，適用於分散式部署，甚至可在小規模環境中運作。目前正在進行100個單元的試驗，聲稱相較於超大規模資料中心，成本降低5倍，建置速度提升6倍。
這一轉變具有戰略意義。Nvidia正從銷售硬體轉向獲取這些GPU在生產中創造的收益份額。現在它涵蓋了晶片、系統設計、軟體，以及越來越多的融資業務，使得協調變得更加容易管理。
真正的限制在於別處：將你並未製造的GPU、由你無法控制的營運商管理的GPU，聚合到能像單一機器一樣運作的叢集中。
這正是此方法旨在解決的難題。

70%的公司表示他們有在使用AI。但實際在生產環境中運行的代理程式，不到十分之一。
這個落差出現在史丹佛AI指數中——這是目前最常被引用、偏誤最少的AI資料集，而且並非由與結果有利害關係的實驗室所發布。
光是Google去年就在AI基礎設施上花費了超過1500億美元。前沿實驗室的營收正以歷史性的速度攀升，而計算支出也隨之同步增長，並未像一般基礎設施在規模化後那樣，隨著營收佔比下降。
採用從來就不是瓶頸。真正的瓶頸在於運行一個永不中斷的工作負載——檢查工具、執行操作、保持狀態——同時不讓成本結構在收益複利之前就吞噬掉營收。這是基礎設施問題，不是智慧問題，而這也是為什麼70%的採用率只產生了個位數的部署率。
這兩個數字之間的落差，就是那個尚未有基礎設施來支撐的市場。

2026年的人工智慧限制不在於模型品質，而在於電網容量。
PJM剛公佈維吉尼亞州的容量價格飆升833%。該州目前約有40%的電力送往數據中心，且進口電力超過加州。都柏林消耗了愛爾蘭全國電網近80%的電力。法蘭克福則佔區域供電量的42%。
國際能源署認為，到2030年數據中心需求將再翻一倍，而美國正在開發的項目中，有一半集中在已經電網吃緊的地區。
我們在每token用電量上越來越精簡，人工智慧在單一任務層面也持續提升效率。但我們執行這些運算的地理位置並未改變。而這個地理位置是任何人都無法優化掉的限制。

花時間研究推理數據時，有個統計數字不斷浮現。
2026年70%的AI推理將在邊緣運行。不在超大型資料中心。不在AWS上。而是在工業系統、自動化設備及連網裝置上——對這些裝置而言，往返雲端伺服器不只是延遲問題，而是故障模式。
這1060億美元的推理市場之所以成長，並非因為人們對AI發送更多「聊天」查詢。而是因為AI被嵌入持續運作的實體基礎設施中，這些設施運作於沒有穩定網路的環境，且無法負擔等待時間。
超大型資料中心的建設確實存在。7250億美元的資本支出承諾也是真的。只是這些資源瞄準的是那30%。

顯然，接近實體技術與實際採用它幾乎沒有太大關聯。
加州是所有前沿AI實驗室的所在地。紐約的財富500強企業比任何其他州都多。但兩者都被科羅拉多州超越，該州的企業AI採用率達到了23.2%，而紐約僅為13.8%。
科羅拉多州和亞利桑那州所擁有的，並非更好的基礎設施或人才。而是一種在行業尚未表明安全之前就願意行動的態度。最接近技術的州，往往部署技術的速度最慢，因為它們在現有運作方式上投入最多。
到了2026年，仍有四分之三的美國企業沒有以任何有意義的方式使用AI，而每一個關於AI重塑經濟的頭條新聞，描述的都是一個77%企業尚未進入的世界。
儘管模型每個月都在變得更好、更便宜。但問題歸根結底還是分發問題，而解決分發的層級從來都不是打造產品的層級。

理論上，AI成本現在應該已經暴跌。
同樣的前沿級任務，在2023年GPT-4推出時每百萬代幣花費30美元，今天用GPT-5只需1.25美元。三年內下降了96倍，且是針對有公佈價格的命名模型。
按照任何正常規則，企業AI帳單應該急劇下降。然而，財富500強企業的平均AI預算從2024年的$7M 增加到2026年的$19M 。兩個預算週期內增長了近3倍。
原因：便宜的代幣不會被節省，而是被武器化。聊天機器人發射一次代幣就停止。而執行實際工作的代理，同樣任務會運行5到30倍以上，一旦推理變得如此便宜，你就會把它指向一切。每次降價解鎖的使用量都超過它所節省的。
成本中心沒有縮小。它從模型層轉移到了其下的基礎設施。那裡才是真正帳單的產生地，而大多數公司尚未打開它。

今年AI運算中悄悄地發生了一項逆轉，這改變了擴建實際上是為了什麼。
2023年，三分之二的AI運算用於訓練，即建立模型的實際工作。其餘較小部分用於推理，即模型建立後實際運行的工作。但這個比例悄悄地開始翻轉。
根據德勤（Deloitte）的說法，推理現在佔三分之二並且還在攀升，而用於運行推理的晶片在今年突破了$50B 。
這種翻轉之所以重要（而且不是百分比上的原因）的主要原因是：訓練和推理是不同的事物。訓練是爆發式的，在一個巨大的集群上進行，然後就結束了。推理永遠不會停止。每次有人發送提示或代理執行一個步驟時它都會運行，並且隨著你添加的每個用戶而擴展。一個是建設項目。另一個是永無止境的公用事業帳單。
關於AI基礎設施的每一個假設都是圍繞訓練建立的，因為錢都流向那裡。而錢現在轉向了不需要在單一集群中運行的負載。

以下是 AI 運算領域的分歧，許多人沒有正確解讀。
前沿訓練每季都更加集中——數千張 GPU 必須擺在同一個地方並相互連接。但訓練只佔 2026 年需求的 30%，其餘 70% 是推理。而在超大規模雲端上運行推理，意味著為最困難的工作負載所建的基礎設施，卻用來執行最簡單的任務。
在分散式網路上，同樣的推理可以便宜 45-75%。對於任何編列 AI 基礎設施預算的人來說，這個差距就是全部關鍵。
訓練因必要而集中。推理則走向分散，因為為了不需要 AWS 利潤率的工作負載而支付其費用，在規模化時就變得不再合理。