torygreen

.@nvidia 正在把 170,000 台 GPU 放到印尼的一座岛上。该园区在 2 周前宣布，并计划在 2027 年第一季度上线——这个时间表在美国当下几乎不可能实现。
GPU 并不是卡点，英伟达正在按营收分成的模式发放其中 170,000 台。真正稀缺的是：在一个关键、时间上说得过去的节点里，把它们接入到哪里。
美国的互联互通排队流程在许多地区要 5 年以上。装在用户现场（behind-the-meter）的燃气轮机会需要 18 个月。这个时间差现在已经成了整个选址博弈的核心。
而且，美国这边的阻力还在不断增加。仅在 Q1，约有 $130B 的产能就被阻塞或推迟了。弗吉尼亚——全球最大的数据中心市场——刚刚又新增了 0.011 美元/千瓦时的电力税；按 1 GW 的园区计算，就相当于 $100M 年。
选址过去是一项房地产决策。现在则是一项电力采购决策，而最快的答案正在转向海外。

$130B 在数据中心项目方面于第一季度被阻止或延迟。这与今年仅一个季度就覆盖了 2025 年的全部情况相吻合。
75 个项目。在三个月内，反对团体的数量从 396 增至 833，覆盖 49 个州。该年度前六周内提交了 300 多项法案，14 个州提出了暂停动议，而纽约州立法机构刚刚通过了一项为期一年的暂停，针对任何超过 20MW 的项目。Gallup 调查显示，71% 的美国人反对在家附近建设数据中心，较大约半年前的约一半有所上升。
与此同时，超大规模云服务商仅在今年就计划在资本开支上花费 $690B ，仿佛这一切都没发生。
真正让这件事具有结构性、而非周期性的原因在于：反对行动现在会在项目甚至尚未提交之前就已动员起来。关于数据中心的传闻就足以触发有组织的抵抗。行业的全部供应预测都假设许可只是走形式，但它很快正在变成一个巨大的瓶颈
电力本来应该是制约因素。结果发现，真正的制约是分区规划会议。

目前人工智能领域最值钱的地产，是肯塔基州一座已停产的铝冶炼厂。
@AnthropicAI与TeraWulf的霍斯维尔园区签署了一份为期20年、价值190亿美元、供电401兆瓦的租约。该园区曾是冶炼厂，拥有约480兆瓦的既有电网接入能力。TeraWulf去年营收大约$1B ；而这一份合同的价值，几乎相当于其二十年的营收总和。
核心资产在于电力接入。你可以生产更多芯片，但你无法在一夜之间创造出兆瓦级的电力。
每一个手里握着闲置电力的比特币矿工，正在变身AI房东：
> Hut 8与Anthropic签订了一份为期15年、价值70亿美元的协议
> IREN正在推进一个价值数十亿美元的园区项目
> Core Scientific、Cipher和Riot都在执行同样的转向策略
如今，Anthropic正在把多吉瓦级的电力承诺拼接起来，并在那些要到2028年才会全面投入运营的站点上签下15至20年的长期义务。
他们从未实现过盈利。他们先锁定电网，然后押注商业模式会随之赶上。

AI投资正以46%的速度超出AI收入。2001年电信泡沫期间，这一差距为32%。我们已经超过了电信泡沫的区间，并且仍在加速，预计到2027年年度资本支出将达到$1T 。
代币价格则揭示了另一面。硅数据LLM代币支出指数在5月份达到了每百万代币2.06美元的峰值。现在为1.62美元。六周内下跌20%。自2023年以来下跌超过90%。
代币总支出同比大约翻了一番。更便宜的代币在扩大市场，而非摧毁它。问题在于当价格下跌时，资本支出账单不会缩水。无论你每百万代币收费2美元还是0.50美元，基础设施成本都一样。
训练是一种具有有限时间线的资本支出。推理则是持续性的。当代币价格压缩90%时，服务模型的利润率也随之压缩。客户群在增长，但单位经济效应在变薄。
超大规模计算定价是为一个GPU容量稀缺、买家无处可去世界而构建的。容量仍然稀缺。但为此支付高额溢价的意愿正在减弱。

.@nvidia 不再仅仅参与芯片制造。它正将自己定位为AI基础设施经济中的直接参与者。
从最近的公告来看，他们正在为数据中心提供融资，并从中获取其所产生的云收入份额。
最近的两项合作完美地说明了这一转变：
21万块GPU，对应6年内承诺的250-300亿美元采购量
> Sharon AI $SHAZ 在澳大利亚部署4万块GB300
> Firmus 在巴淡岛将加速器规模扩大到17万块，总功率360MW
与此同时，英伟达及其合作伙伴推出了XFRA液冷GPU系统，用于分布式部署，即使是小规模。一个100单元的试验正在进行中，声称成本比超大规模低5倍，构建速度快6倍。
这一转变具有战略意义。英伟达正从销售硬件转向获取这些GPU在生产中所赚取的一部分。它现在覆盖了芯片、系统设计、软件以及越来越多的融资，使得协调变得更加可控。
真正的制约在于别处：将并非你制造的GPU，由你无法控制的运营商运营，聚合到行为如同单一机器的集群中。
这正是这种方法要解决的难题。

70% 的公司表示他们使用人工智能。但只有不到十分之一的企业在生产环境中运行着真正的智能体。
这一差距存在于斯坦福大学的 AI 指数中，这是目前最常被引用、偏见最少的人工智能数据集，并非由某个利益相关实验室发布。
仅谷歌去年就在人工智能基础设施上花费了超过 1500 亿美元。前沿实验室的收入正以历史性的速度增长，而计算支出也同步攀升，并未像通常基础设施规模化后那样在收入中占比下降。
采用从来不是瓶颈。瓶颈在于运行一个永不停止的工作负载，检查工具、采取行动、保持状态，同时成本结构不会在收益复利之前吞噬收入。这是一个基础设施问题，而非智能问题，这也解释了为什么 70% 的采用率只带来个位数的实际部署。
这两个数字之间的差距，正是一个尚未有人为其构建基础设施的市场。

2026年人工智能的制约因素不是模型质量，而是电网容量。
PJM刚刚发布了弗吉尼亚州容量电价833%的涨幅。该州目前约40%的电力输送给数据中心，并且进口的电力比加利福尼亚州还多。都柏林消耗着爱尔兰国家电网近80%的电力。法兰克福则占到区域供电量的42%。
国际能源署认为，到2030年数据中心的需求将再次大致翻倍，而美国正在开发的项目中有一半集中在已经使电网紧张的地区。
我们正越来越擅长压缩每个代币的焦耳消耗，并且人工智能在每项任务上的效率也在持续提升。但运行人工智能的地理位置并未改变。而这一地理位置正是无人能够优化掉的制约因素。

花时间研究推理数据，反复出现的一项统计是这样的：
到2026年，70%的AI推理发生在边缘。不是在超大规模数据中心，也不在AWS上。对于工业系统、自动化设备以及联网设备而言，与云端服务器之间的往返通信并非只是“延迟问题”，而是一种故障模式。
1060亿美元的推理市场之所以增长，并不是因为人们向AI发送了更多“聊天”查询；增长的原因在于，AI正在被嵌入到持续运行的物理基础设施中。这些基础设施运行在没有可靠网络的环境里，而且无法承受等待。
超大规模的建设确实存在。7250亿美元的资本开支承诺也确实存在。只是投向了那30%。

显然，离这种实体技术近几乎与真正采用它没有多大关系。
加利福尼亚州汇聚了所有重要的前沿AI实验室。纽约的财富500强企业数量比任何其他州都多。但两者都被科罗拉多州超过了：该州实现了23.2%的商业AI采用率，而纽约为13.8%。
科罗拉多州和亚利桑那州所拥有的，并不是什么更好的基础设施或人才。关键在于——在行业发出“安全”信号之前，它们就愿意先动手。离技术最近的州往往也是部署最慢的，因为它们在“事物如何按原有方式运行”上投入得最多。
到2026年，四分之三的美国企业仍未以任何有意义的方式使用AI；而关于AI如何重塑经济的每一条头条新闻，都在描绘一个这样的世界：77%的企业尚未进入。
尽管模型每个月都在变得更好、成本也更低，但最终仍归结为一个分发（distribution）问题；而解决分发的那一层，从来都不是构建产品的那一层。

理论上，人工智能成本本应已经暴跌。
同样的前沿级任务，在2023年GPT-4发布时每百万token成本30美元，如今GPT-5仅需1.25美元。三年间下降了96倍，且适用于所有公布价格的命名模型。
按照任何常规逻辑，企业AI账单本应大幅下降。然而，财富500强企业的平均AI预算从2024年的$7M 增至2026年的$19M 。两个预算周期内增长了近3倍。
原因在于：廉价的token不会被节省下来，而是被武器化。聊天机器人发射一次token就停止。而执行实际工作的智能体在相同任务上消耗5到30倍的token，一旦推理变得如此便宜，你就会将其指向一切。每次降价所释放的使用量都超过其节省的量。
成本中心并未缩小。它从模型层转移到了其下的基础设施层。真正的账单正在那里产生，而大多数公司尚未打开它。

今年，AI计算领域悄然发生了一次反转，而这种反转改变了基础设施建设的真正目的。
2023年，AI计算中三分之二的算力用于训练，即构建模型的实际工作。另一小部分用于推理，即模型构建完成后实际运行的工作。但这一比例开始悄然反转。
根据德勤的数据，推理目前占三分之二，且仍在攀升，而用于运行推理的芯片今年已突破$50B 。
这一反转之所以重要（且并非百分比原因），在于训练和推理是两种截然不同的工作负载。训练是爆发式的，在一个巨型集群上完成，然后结束。推理从不停止。每次有人发送提示词或代理采取步骤时，推理都在运行，并且随着你增加的用户数量而扩展。一个是建设项目，另一个是永远增长的费用账单。
关于AI基础设施的所有假设都围绕训练展开，因为资金曾流向那里。然而，资金现在正转向不需要位于单一集群中运行的工作负载。

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。