torygreen
用戶暫無簡介
2 年前，Google 每月處理 9.7 萬億個 AI token。
如今已超過 3,200 萬億個。這是增加了 330 倍。
由於沒有可靠的全球統計數字，因此 Google 的數字最好視為已公開揭露的下限。
即使成長速度放緩至每年 2 倍，僅 Google 一家到 2030 年每月就會達到 51,000 萬億個 token。
而這項工作負載將與如今有人開啟聊天機器人的情況大不相同。長時間運作的代理程式將保留上下文、將工作拆分為子任務、呼叫其他模型、重試失敗的操作，並相互驗證工作成果。一項指令就可能讓數十個模型持續運作數小時。
想像一家擁有 10,000 名員工的公司，每位員工在 8 小時的工作日中監督 20 個代理程式。在員工人數不變的情況下，這每天會產生 160 萬個代理程式工時的推理量。
到 2030 年，對全球各地的企業而言，運算成本將遠高於薪資，成為核心營運預算的一大部分。
如今已超過 3,200 萬億個。這是增加了 330 倍。
由於沒有可靠的全球統計數字，因此 Google 的數字最好視為已公開揭露的下限。
即使成長速度放緩至每年 2 倍，僅 Google 一家到 2030 年每月就會達到 51,000 萬億個 token。
而這項工作負載將與如今有人開啟聊天機器人的情況大不相同。長時間運作的代理程式將保留上下文、將工作拆分為子任務、呼叫其他模型、重試失敗的操作，並相互驗證工作成果。一項指令就可能讓數十個模型持續運作數小時。
想像一家擁有 10,000 名員工的公司，每位員工在 8 小時的工作日中監督 20 個代理程式。在員工人數不變的情況下，這每天會產生 160 萬個代理程式工時的推理量。
到 2030 年，對全球各地的企業而言，運算成本將遠高於薪資，成為核心營運預算的一大部分。
GOOGL0.00%
Anthropic 的一份合約正將 35 億美元的融資和整個 GPU 建置提前至當下。
據報導，Nscale 已與 Anthropic 簽署一筆約 $45B 的交易，正尋求在 IPO 前籌集 35 億美元，並已向投資人展示來自已簽訂租約的預計收入 $103B 。Nvidia 可能會提供此次募資額中的 $2B 。
Anthropic 的承諾為放款人提供了具體的承作依據，而 Nvidia 的資本則有助於提前實現自身的 GPU 銷售。Nscale 將兩者轉化為容量，趕在大部分收入到來之前完成建置。
有趣之處在於這個時間錯配。
租約可能持續數年，但 GPU 的經濟效益可能隨每個產品週期而改變。Nscale 實際上是在押注，今天的硬體將能維持足夠長的生產力，以賺取明天已簽約的收入。
據報導，Nscale 已與 Anthropic 簽署一筆約 $45B 的交易，正尋求在 IPO 前籌集 35 億美元，並已向投資人展示來自已簽訂租約的預計收入 $103B 。Nvidia 可能會提供此次募資額中的 $2B 。
Anthropic 的承諾為放款人提供了具體的承作依據，而 Nvidia 的資本則有助於提前實現自身的 GPU 銷售。Nscale 將兩者轉化為容量，趕在大部分收入到來之前完成建置。
有趣之處在於這個時間錯配。
租約可能持續數年，但 GPU 的經濟效益可能隨每個產品週期而改變。Nscale 實際上是在押注，今天的硬體將能維持足夠長的生產力，以賺取明天已簽約的收入。
NVDA-2.00%
- 3
- 7
資料中心正逐漸成為重要的信貸市場。
JLL 預計，北美長期融資發放額將從 $80B 2025 年增加至 $175B 今年，接著在 2028 年達到 $322B 。這三個預測年度合計約為 $722B 。
但這類資本的成本已經開始造成市場分化。由超大規模雲端服務商支持的建設案，貸款／成本比率可達約 85%，利差僅略高於 200 個基點；而與 AI 實驗室及新型雲端服務商相關的專案，定價可能高出 200–300 個基點，槓桿率卻只有 70–80%。
因此，在安裝單一 GPU 之前，兩個完全相同的兆瓦級專案就可能具有截然不同的經濟效益，純粹因為租約背後的承租方不同。
隨著這波建設變得更加依賴債務，每個 token 的成本將有越來越大的部分，在推論真正開始前數年，就由信貸市場決定。
JLL 預計，北美長期融資發放額將從 $80B 2025 年增加至 $175B 今年，接著在 2028 年達到 $322B 。這三個預測年度合計約為 $722B 。
但這類資本的成本已經開始造成市場分化。由超大規模雲端服務商支持的建設案，貸款／成本比率可達約 85%，利差僅略高於 200 個基點；而與 AI 實驗室及新型雲端服務商相關的專案，定價可能高出 200–300 個基點，槓桿率卻只有 70–80%。
因此，在安裝單一 GPU 之前，兩個完全相同的兆瓦級專案就可能具有截然不同的經濟效益，純粹因為租約背後的承租方不同。
隨著這波建設變得更加依賴債務，每個 token 的成本將有越來越大的部分，在推論真正開始前數年，就由信貸市場決定。
JLL-2.80%
同樣一兆瓦的電力，可支援多 30 倍的代理工作量。
@nvidia 表示，在 DeepSeek V4 Pro 上，Vera Rubin NVL72 相較於 GB300 NVL72 帶來了這樣的成果，且每 100 萬個 token 的成本最高降低 35 倍。
工作負載正是讓這不只是一般吞吐量基準測試的原因。AgentX 保留了實際代理使用中的棘手部分：不斷增長的上下文、重複的工具呼叫，以及在任務中途分支出去的子代理。
如果這些早期數據經得起 SemiAnalysis 的審查，對基礎設施的影響將相當重大。同樣的已簽約兆瓦數，突然就能支援更多可計費的代理工作，而不必等待另一座變電站或互連設施。
在電力受限的市場中，更優秀的機櫃能比電網更快創造新的容量。
@nvidia 表示，在 DeepSeek V4 Pro 上，Vera Rubin NVL72 相較於 GB300 NVL72 帶來了這樣的成果，且每 100 萬個 token 的成本最高降低 35 倍。
工作負載正是讓這不只是一般吞吐量基準測試的原因。AgentX 保留了實際代理使用中的棘手部分：不斷增長的上下文、重複的工具呼叫，以及在任務中途分支出去的子代理。
如果這些早期數據經得起 SemiAnalysis 的審查，對基礎設施的影響將相當重大。同樣的已簽約兆瓦數，突然就能支援更多可計費的代理工作，而不必等待另一座變電站或互連設施。
在電力受限的市場中，更優秀的機櫃能比電網更快創造新的容量。
- 1
- 1
記憶體正成為 AI 擴展問題中更重要的一環。
J.P. Morgan 估計，從 2024 年初到 2026 年底，DRAM 價格可能上漲超過 400%，而 SK hynix 預期短缺將持續至 2030 年。
這股壓力已經開始形塑堆疊的兩端。模型更加依賴 MoE、量化和 KV 快取效率，而 Nvidia 的 Rubin 則將每個 GPU 推向 288GB 的 HBM4 以及 22 TB/s 的頻寬。
多年來，我們一直將 FLOPs 視為主要的擴展變數。對於長上下文代理和推論密集型工作負載而言，從每 GB 中榨取更多智慧，可能同樣重要。
J.P. Morgan 估計，從 2024 年初到 2026 年底，DRAM 價格可能上漲超過 400%，而 SK hynix 預期短缺將持續至 2030 年。
這股壓力已經開始形塑堆疊的兩端。模型更加依賴 MoE、量化和 KV 快取效率，而 Nvidia 的 Rubin 則將每個 GPU 推向 288GB 的 HBM4 以及 22 TB/s 的頻寬。
多年來，我們一直將 FLOPs 視為主要的擴展變數。對於長上下文代理和推論密集型工作負載而言，從每 GB 中榨取更多智慧，可能同樣重要。
McKinsey 最新的《AI 現況》調查中有一項數據，應該會讓許多 SaaS 公司感到不安：
32% 的公司表示，由於程式撰寫代理可以在內部打造，他們已經跳過購買至少一項軟體產品或功能。
這並不代表公司停止購買軟體，而是代表「功能」層更難實現商業化。
如果內部團隊能在一兩天內重現一個狹窄的工作流程，供應商就需要用代理無法低成本複製的某些要素來證明訂閱模式的合理性：分銷管道、嵌入式資料、合規性、整合能力、網路效應，或掌握系統記錄來源。
在 McKinsey 的 AI 高績效企業中，將近一半已經因為這個原因跳過採購。
感覺程式撰寫代理可能會在壓縮工程人力之前很久，就先壓縮軟體功能的獨立價值。
32% 的公司表示，由於程式撰寫代理可以在內部打造，他們已經跳過購買至少一項軟體產品或功能。
這並不代表公司停止購買軟體，而是代表「功能」層更難實現商業化。
如果內部團隊能在一兩天內重現一個狹窄的工作流程，供應商就需要用代理無法低成本複製的某些要素來證明訂閱模式的合理性：分銷管道、嵌入式資料、合規性、整合能力、網路效應，或掌握系統記錄來源。
在 McKinsey 的 AI 高績效企業中，將近一半已經因為這個原因跳過採購。
感覺程式撰寫代理可能會在壓縮工程人力之前很久，就先壓縮軟體功能的獨立價值。
對代理程式而言，推理速度開始以遠不只是讓回應感覺更快的方式變得重要。
Cerebras 的新款 CS-4 宣稱推理速度最高可達 GPU 系統的 30 倍，在 GPT-OSS-120B 上達到 4,400+ tokens/秒。
對代理程式來說，這種速度會轉化為額外的推理預算。
在相同的 30 秒時間窗口內，更快的系統可以探索更多路徑、重試失敗操作、執行更多驗證，或使用更大型的模型，而不會讓使用者等待更久。
因此，每秒 tokens 數量正逐漸不只是一項延遲指標。
它可以直接改變代理程式在時間耗盡前能完成多少有用的工作。
Cerebras 的新款 CS-4 宣稱推理速度最高可達 GPU 系統的 30 倍，在 GPT-OSS-120B 上達到 4,400+ tokens/秒。
對代理程式來說，這種速度會轉化為額外的推理預算。
在相同的 30 秒時間窗口內，更快的系統可以探索更多路徑、重試失敗操作、執行更多驗證，或使用更大型的模型，而不會讓使用者等待更久。
因此，每秒 tokens 數量正逐漸不只是一項延遲指標。
它可以直接改變代理程式在時間耗盡前能完成多少有用的工作。
垂直 AI 公司會在某個時點不再看起來像 API 客戶，而開始看起來像模型公司。
Harvey 在六個月內從每月約 1 萬億個 Token 增長至 14.5 萬億個 Token。現在，它正以 Kimi K3 為基礎，利用特定領域任務、專家回饋及專有工作流程資料，對自有法律模型進行後訓練。
Thomson Reuters 也正朝著相同方向發展，打造自有法律模型。
這感覺像是相當自然的演進。
在低用量時，前沿 API 顯然是最佳選擇。當每月達到 10 萬億個以上的 Token 時，模型選擇開始變成毛利率決策。而且，如果你已經擁有工作流程、專家回饋及失敗資料，那麼你手上正好具備專門化開放權重基礎模型所需的所有要素。
對於規模成長到足夠大的公司而言，「AI 包裝層」階段最終可能只是暫時的。
到了某個時點，垂直應用程式也會開始將模型層整合到內部。
Harvey 在六個月內從每月約 1 萬億個 Token 增長至 14.5 萬億個 Token。現在，它正以 Kimi K3 為基礎，利用特定領域任務、專家回饋及專有工作流程資料，對自有法律模型進行後訓練。
Thomson Reuters 也正朝著相同方向發展，打造自有法律模型。
這感覺像是相當自然的演進。
在低用量時，前沿 API 顯然是最佳選擇。當每月達到 10 萬億個以上的 Token 時，模型選擇開始變成毛利率決策。而且，如果你已經擁有工作流程、專家回饋及失敗資料，那麼你手上正好具備專門化開放權重基礎模型所需的所有要素。
對於規模成長到足夠大的公司而言，「AI 包裝層」階段最終可能只是暫時的。
到了某個時點，垂直應用程式也會開始將模型層整合到內部。
KIMI+0.31%
- 1
編碼可能只是第一個代理人市場，而不是最大的市場。
自 2 月以來，每週活躍的 Codex 使用者成長：
> 法務領域 108 倍，
> 銷售領域 41 倍，
> 招募領域 41 倍，
> 行銷領域 26 倍。
工程領域僅成長 5 倍。
截至 6 月，代理型使用已佔企業客戶 Codex + ChatGPT 輸出 token 總量的 64%。
軟體可能是最容易開始的領域，因為相關工作具備結構化、需要大量使用工具，且相對容易驗證等特性。
如今代理人越來越擅長處理混亂的工作流程，成長開始出現在底層勞動力規模大得多的職能中。
這最終可能成為更大的轉變：代理人從協助人們產出軟體，轉而悄悄接手公司各個知識職能中的部分工作。
自 2 月以來，每週活躍的 Codex 使用者成長：
> 法務領域 108 倍，
> 銷售領域 41 倍，
> 招募領域 41 倍，
> 行銷領域 26 倍。
工程領域僅成長 5 倍。
截至 6 月，代理型使用已佔企業客戶 Codex + ChatGPT 輸出 token 總量的 64%。
軟體可能是最容易開始的領域，因為相關工作具備結構化、需要大量使用工具，且相對容易驗證等特性。
如今代理人越來越擅長處理混亂的工作流程，成長開始出現在底層勞動力規模大得多的職能中。
這最終可能成為更大的轉變：代理人從協助人們產出軟體，轉而悄悄接手公司各個知識職能中的部分工作。
大型語言模型有網際網路可供它們使用。具身 AI 沒有。
機器人需要大量的真實世界互動資料，而 ACE Robotics 估計，目前整個產業只有約 10 萬個有用的時數。
中國已經在嘗試製造這套資料集：訓練中心購買機器人，透過遠端操作讓它們完成真實任務，收集執行軌跡，然後再將這些資料回饋給機器人製造商。
因此，一些早期的人形機器人部署所做的不只是測試硬體。它們也正在生成下一代實體 AI 所需的訓練資料。
這讓具身 AI 的競賽看起來更像是一場搶先建立資料集的競賽。
機器人需要大量的真實世界互動資料，而 ACE Robotics 估計，目前整個產業只有約 10 萬個有用的時數。
中國已經在嘗試製造這套資料集：訓練中心購買機器人，透過遠端操作讓它們完成真實任務，收集執行軌跡，然後再將這些資料回饋給機器人製造商。
因此，一些早期的人形機器人部署所做的不只是測試硬體。它們也正在生成下一代實體 AI 所需的訓練資料。
這讓具身 AI 的競賽看起來更像是一場搶先建立資料集的競賽。
能力提升的速度快得離譜，而硬體預算幾乎沒有大幅增加。
> Qwen3.5-27B 在 2 月的 Artificial Analysis 上得分為 35。
> Qwen3.6-27B 在 4 月將這項成績提升至 38。
> Qwen3.8-27B 現在已達到 52，同時基本維持在相同的 27B 參數規模內。
而它的代理效能如今已接近那些規模大得多、服務成本也高得多的模型。
這對我而言，比又一次排行榜洗牌重要得多。
多年來，更好的 AI 基本上意味著擴充其底層硬體規模。如今，能力提升的速度遠快於部署規模的增長。
如果接近前沿的代理能在單一工作站上運行，更多工作就能留在本地並以低成本完成，而前沿 API 則成為處理最困難任務的升級途徑。
這可能會讓每個 GPU 所能提供的能力，成為值得關注的重要基礎設施指標之一。
> Qwen3.5-27B 在 2 月的 Artificial Analysis 上得分為 35。
> Qwen3.6-27B 在 4 月將這項成績提升至 38。
> Qwen3.8-27B 現在已達到 52，同時基本維持在相同的 27B 參數規模內。
而它的代理效能如今已接近那些規模大得多、服務成本也高得多的模型。
這對我而言，比又一次排行榜洗牌重要得多。
多年來，更好的 AI 基本上意味著擴充其底層硬體規模。如今，能力提升的速度遠快於部署規模的增長。
如果接近前沿的代理能在單一工作站上運行，更多工作就能留在本地並以低成本完成，而前沿 API 則成為處理最困難任務的升級途徑。
這可能會讓每個 GPU 所能提供的能力，成為值得關注的重要基礎設施指標之一。
AI 網路開始呈現出自身小型資本支出週期的樣貌。
@Cisco 以超大規模雲端業者 AI 基礎設施訂單 93 億美元結束 FY2026，並預期 AI 基礎設施營收明年將從約$4B 增至 75 億美元。Arista 剛實現 37.7% 的 YoY 成長，達到 30.4 億美元
我認為有趣的轉變在於，邊際 AI 資金開始流向何處。
建置初期主要著重於讓盡可能多的加速器上線。一旦叢集規模足夠大，如何讓這些 GPU 持續獲取資料並高效地彼此通訊，就會成為經濟效益中更重要的一環。
一部昂貴的 GPU 因網路無法跟上而閒置，基本上就是浪費掉的資本支出。
如果未來幾年的 AI 基礎設施支出，越來越取決於你能從已安裝的 GPU 中提取多少有效運算能力，而不只是你還能再買多少 GPU，我不會感到意外。
@Cisco 以超大規模雲端業者 AI 基礎設施訂單 93 億美元結束 FY2026，並預期 AI 基礎設施營收明年將從約$4B 增至 75 億美元。Arista 剛實現 37.7% 的 YoY 成長，達到 30.4 億美元
我認為有趣的轉變在於，邊際 AI 資金開始流向何處。
建置初期主要著重於讓盡可能多的加速器上線。一旦叢集規模足夠大，如何讓這些 GPU 持續獲取資料並高效地彼此通訊，就會成為經濟效益中更重要的一環。
一部昂貴的 GPU 因網路無法跟上而閒置，基本上就是浪費掉的資本支出。
如果未來幾年的 AI 基礎設施支出，越來越取決於你能從已安裝的 GPU 中提取多少有效運算能力，而不只是你還能再買多少 GPU，我不會感到意外。
CSCO-0.03%
- 1
- 2
幾年前，超大規模雲端服務商約占 S&P 500 資本支出的 16%。明年，其中五家的支出可能與其餘 495 家公司加總後一樣多。
Microsoft、Amazon、Alphabet、Meta、Oracle
BofA 目前估計，這五家公司在 2027 年的支出約為 1.07 萬億美元，而該指數中的其他所有公司約為 1.06 萬億美元。
這種集中程度的影響已開始遠超 GPU。
AI 的規模已大到運算需求開始帶動實體經濟。Goldman 估計，AI 已占美國設備投資約 15%，而 BloombergNEF 正追蹤 23.1 GW 的在建資料中心容量。
如今，少數超大規模雲端服務商的規劃決策，可能為其他所有人帶來電力、建築和網路領域非常實際的需求衝擊。
這讓我不禁思考，超大規模雲端服務商對 AI 的預測是否正悄悄成為自身的總體經濟變數。如果五家公司要負責如此多的新增投資，那麼它們對所需運算量預期的些微變化，都可能在整個供應鏈中引發連鎖反應。
Microsoft、Amazon、Alphabet、Meta、Oracle
BofA 目前估計，這五家公司在 2027 年的支出約為 1.07 萬億美元，而該指數中的其他所有公司約為 1.06 萬億美元。
這種集中程度的影響已開始遠超 GPU。
AI 的規模已大到運算需求開始帶動實體經濟。Goldman 估計，AI 已占美國設備投資約 15%，而 BloombergNEF 正追蹤 23.1 GW 的在建資料中心容量。
如今，少數超大規模雲端服務商的規劃決策，可能為其他所有人帶來電力、建築和網路領域非常實際的需求衝擊。
這讓我不禁思考，超大規模雲端服務商對 AI 的預測是否正悄悄成為自身的總體經濟變數。如果五家公司要負責如此多的新增投資，那麼它們對所需運算量預期的些微變化，都可能在整個供應鏈中引發連鎖反應。
- 1
網路上的代理型流量增長速度非常快，Cloudflare 因此專門為 AI 代理打造了一款瀏覽器（Kitesurf）。
代理基本上承襲了約 30 年來為盯著螢幕的人類所做的瀏覽器設計決策，而當你同時執行數千個工作階段時，其中許多都會變成不必要的額外負擔。
AI 驅動的網路流量在 2025 年期間幾乎成長了 3 倍，而來自 AI 代理與代理型瀏覽器的流量年增長了 7,851%。
以目前的估計來看，代理如今產生的網路請求約占 57%。
Kitesurf 的優點在於，它移除了分頁、擴充功能、主題、持久狀態與像素級精準渲染等功能，而這些改變帶來的差異非常顯著
• 螢幕截圖所需的 CPU 減少 3.1 倍
• HTML 擷取所需的 CPU 減少 3.8 倍
• 螢幕截圖所需的記憶體減少 4.7 倍
• HTML 擷取所需的記憶體減少 7 倍
實際經過時間約慢了 1.7-1.8 倍，但對於持續大規模運行的代理而言，運算與記憶體效率可能重要得多。
如果瀏覽器只是網路技術堆疊中第一個針對機器而非人類重新打造的部分，我一點也不會感到意外。
代理基本上承襲了約 30 年來為盯著螢幕的人類所做的瀏覽器設計決策，而當你同時執行數千個工作階段時，其中許多都會變成不必要的額外負擔。
AI 驅動的網路流量在 2025 年期間幾乎成長了 3 倍，而來自 AI 代理與代理型瀏覽器的流量年增長了 7,851%。
以目前的估計來看，代理如今產生的網路請求約占 57%。
Kitesurf 的優點在於，它移除了分頁、擴充功能、主題、持久狀態與像素級精準渲染等功能，而這些改變帶來的差異非常顯著
• 螢幕截圖所需的 CPU 減少 3.1 倍
• HTML 擷取所需的 CPU 減少 3.8 倍
• 螢幕截圖所需的記憶體減少 4.7 倍
• HTML 擷取所需的記憶體減少 7 倍
實際經過時間約慢了 1.7-1.8 倍，但對於持續大規模運行的代理而言，運算與記憶體效率可能重要得多。
如果瀏覽器只是網路技術堆疊中第一個針對機器而非人類重新打造的部分，我一點也不會感到意外。
NET+1.97%
- 2
記憶體短缺日益嚴重，現在甚至在產品出貨前就開始重新設計 GPU 格局，真是瘋狂。
@nvidia 現在正為 Rubin Ultra 測試較低堆疊層數的 HBM 方案。原本的 12-Hi HBM4e 設計可達到 14–16 Gbps，而新的最佳化 HBM4 路線可能會落在 11–12 Gbps。
其吸引力在於供應量。每個加速器使用較少的 DRAM 層數，就能讓相同的晶圓供應量分攤到更多 GPU 上。
但模型不會因為記憶體堆疊縮減而縮小。一旦必須分散到更多加速器上，網路與電力就會承擔代價。
預計 HBM 位元出貨量在 2027 年將成長 50–60%，但仍會無法滿足需求。因此，這項短缺將會影響圍繞其打造的叢集架構與營運成本。
@nvidia 現在正為 Rubin Ultra 測試較低堆疊層數的 HBM 方案。原本的 12-Hi HBM4e 設計可達到 14–16 Gbps，而新的最佳化 HBM4 路線可能會落在 11–12 Gbps。
其吸引力在於供應量。每個加速器使用較少的 DRAM 層數，就能讓相同的晶圓供應量分攤到更多 GPU 上。
但模型不會因為記憶體堆疊縮減而縮小。一旦必須分散到更多加速器上，網路與電力就會承擔代價。
預計 HBM 位元出貨量在 2027 年將成長 50–60%，但仍會無法滿足需求。因此，這項短缺將會影響圍繞其打造的叢集架構與營運成本。
NVDA-2.00%
大型科技公司的 AI 基礎設施承諾，遠遠超出了我們通常看到的資本支出數字。他們已承諾未來支付約 1.09 萬億美元的租賃款項，主要用於 AI 資料中心。
目前只有約 2850 億美元列為租賃負債，因為許多合約要等到設施開始營運後才會被確認。
真正的風險在於期限錯配。有些租賃期限長達 15 至 30 年，但晶片、模型和客戶需求可能在幾個產品週期內就會改變。運算需求可能持續成長，但個別設施和硬體配置的價值下降速度，可能遠快於為其提供融資的合約。
容量規劃正逐漸成為 AI 基礎設施中最棘手的問題之一。
目前只有約 2850 億美元列為租賃負債，因為許多合約要等到設施開始營運後才會被確認。
真正的風險在於期限錯配。有些租賃期限長達 15 至 30 年，但晶片、模型和客戶需求可能在幾個產品週期內就會改變。運算需求可能持續成長，但個別設施和硬體配置的價值下降速度，可能遠快於為其提供融資的合約。
容量規劃正逐漸成為 AI 基礎設施中最棘手的問題之一。
資料中心的能源需求增長速度如此之快，以至於電網無法跟上，而各家公司現在正用卡車運來燃氣渦輪機來繞過這個問題。
APR Energy 剛推出八個行動式機組，1.1GW，目標直指資料中心需求。
想想這意味著什麼。拖車上的渦輪機在各方面都比電網連接更糟，只有一點例外：你可以在幾個月內讓它運轉，而不是等上幾年。只有當等待時間正是扼殺你的因素時，支付這筆溢價才有意義，而目前在美國許多州，等待時間超過 5 年。
因此，建設不再等待電網，而是自帶電力。這就是瓶頸以實體形式呈現的樣子：發電機被運到場地上，因為目前沒有其他方式能取得這些兆瓦電力。
晶片從來都不是難點。電力才是，而當短缺嚴重到必須在現場燃燒天然氣來繞過它時，情況看起來就是這樣。
APR Energy 剛推出八個行動式機組，1.1GW，目標直指資料中心需求。
想想這意味著什麼。拖車上的渦輪機在各方面都比電網連接更糟，只有一點例外：你可以在幾個月內讓它運轉，而不是等上幾年。只有當等待時間正是扼殺你的因素時，支付這筆溢價才有意義，而目前在美國許多州，等待時間超過 5 年。
因此，建設不再等待電網，而是自帶電力。這就是瓶頸以實體形式呈現的樣子：發電機被運到場地上，因為目前沒有其他方式能取得這些兆瓦電力。
晶片從來都不是難點。電力才是，而當短缺嚴重到必須在現場燃燒天然氣來繞過它時，情況看起來就是這樣。
APR-2.25%
熱門話題
175.44 萬 熱度
2.8 萬 熱度
419.49 萬 熱度
18.33 萬 熱度
1306.53 萬 熱度