“AI 時代，誰是 token 的最低成本生產者，誰就擁有決定性優勢。”“未來三四年，最重要的事情是太空資料中心。”近日，知名科技投資人Gavin Baker在最新採訪中與主持人深入探討了輝達與Google之間的基礎設施戰爭，Gemini3和Scaling Law的影響，以及從Hopper向Blackwell晶片的轉變如何重塑了整個行業。Gavin Baker是Atreides Management的管理合夥人兼首席投資官（CIO），以其在公開市場上對科技趨勢，尤其是AI領域的深刻洞察而聞名。其中有關太空資料中心的觀點，也得到了馬斯克的認同：Gavin尖銳地指出，過去幾年所有AI公司都陷入“囚徒困境”：如果你放慢腳步，你就永遠出局；如果競爭對手不停，你只能繼續投。他認為，在模型進展上，Gemini 3 證明Scaling Law仍然成立。過去一段時間 AI 的主要進步則更多來自後訓練的兩條新縮放路徑，也就是帶驗證回報的強化學習與測試時算力，讓 AI 在新一代硬體還沒有完全到位時仍能繼續推進。Blackwell（GB200/GB300）和 AMD MI450 的出現，將帶來大幅降低每 token 成本的能力。Gavin強調，xAI 將是最快推出 Blackwell 模型的公司，因為它擁有最快的資料中心部署能力和大規模叢集調通經驗。Gavin還指出，過去 Google 是全球最低成本 Token 生產者，這給了他們巨大優勢。但隨著GB300開始量產，低成本時代將屬於 Nvidia 的客戶，如OpenAI、xAI 等。至於太空資料中心的建設，他認為這是未來三到四年最重要的事情，“現在這是一場巨大的淘金熱”。此外，他還分析了：AI 推理如何讓飛輪啟動，徹底改變資料和使用者反饋的價值邏輯；端側 AI 對算力需求的潛在衝擊，可能讓雲算力的爆發放緩；SaaS 公司在 AI 時代面臨的毛利困局，以及誰能抓住下一波風口。小編節選整理了部落格內容，資訊量巨大，enjoy！Gemini 3 與前沿模型整體進度主持人：公眾對 Gemini 3 的理解大多集中在擴展定律（Scaling Laws）與預訓練機制。你怎麼看當前的前沿模型整體進展？Gavin：Gemini 3 非常重要，因為它再次確認：預訓練的擴展定律仍然成立。關鍵在於，全世界沒人真正知道為什麼擴展定律成立。它不是理論，是經驗事實，而且被極其精確地測量、驗證了很多年。我們對擴展定律的理解，就像古埃及人對太陽運行的理解：能精確測量，卻完全不知道背後的物理機制。所以每一次確認都非常關鍵。基於擴展定律，其實 2024–2025 按理應該沒有任何 AI 進展。原因是：xAI 把 20 萬 Hopper GPU 做到完全“coherent”（訓練時 GPU 彼此同步共享狀態）之後，下一步就必須等下一代晶片。Hopper 時代的上限就是 20 萬片，你再擴都沒用。但真正的故事是： “推理（Reasoning）”救了整個 AI 行業如果沒有推理模型（OpenAI 在 2024 年 10 月推出的 Reasoning 系列），整個行業會從 2024 年中期到 2025 年底 陷入 18 個月停滯。推理帶來了兩條全新擴展定律：強化學習 + 可驗證獎勵（RL + Verified Rewards）“在 AI 中，凡是你能驗證的，你就能自動化。”測試時計算（Test-Time Compute）也就是讓模型在推理階段使用更多算力。這兩條擴展定律讓 AI 在沒有新 GPU 的 18 個月裡依然高速進步。xAI會最快訓練出 Blackwell 模型Gavin：Google 在 2024 推 TPU v6、2025 推 TPU v7。這些晶片性能飛躍巨大，相當於從二戰戰機跳到冷戰噴氣機。因為 Nvidia Blackwell（GB200）極度困難、延遲嚴重，Google 等於是提前拿到了下一代“材料”。Gemini 3 正是在更強 TPU 上驗證預訓練擴展定律的第一次大考，結果通過了。這意味著：Blackwell 時代訓練出來的模型會非常強。2026 年初會出現第一批真正的 Blackwell 模型。我認為最快的是 xAI。理由很簡單：黃仁勳曾說過，“沒有人比 Elon Musk 更快建資料中心。”Blackwell 這種超級複雜的晶片，需要海量叢集快速部署來“磨合”。只有 xAI 能做到最快部署、最多叢集、最快調通。所以他們會最先訓練出 Blackwell 模型。Google“低成本生產 Token”的戰略地位將被逆轉Gavin：過去 Google 是 全球最低成本 Token 生產者，這給他們巨大優勢：他們可以用低價（甚至負毛利！）讓競爭對手幾乎無法呼吸。這是極其理性的企業戰略。但當 GB300（比 GB200 更強）開始量產、並且能無縫替換進現有機房後，低成本時代將屬於 Nvidia 的客戶（OpenAI、xAI 等）。到那時，Google 就不再是最低成本生產者，就不能再輕易靠“負 30% 毛利”窒息競爭者。AI 行業經濟格局將大幅改變。為什麼 TPU v8 / v9 趕不上 GPU？主持人：為什麼會這樣？為什麼 TPU v8、v9 無法做到和 GPU 一樣優秀？Gavin：這裡有幾點原因。第一點：Google 做了更加保守的設計選擇原因之一我認為是他們的晶片設計流程本身比較特殊。半導體設計分為前端（Front-End）與後端（Back-End）。另外還有與台積電合作的晶圓代工環節。製造 ASIC 有很多方式，而 Google 的方式是：Google 主要負責前端設計（相當於建築師畫房子的圖紙）Broadcom 負責後端設計與量產（相當於施工方蓋房子，並負責與台積電合作）這是個粗略類比，但能說明問題。Broadcom 的半導體業務長期維持 50～55% 毛利率。我們不知道 TPU 的具體數字，但如果假設到 2027 年 TPU 業務規模達到 300 億美元，那麼 Broadcom 大概會從中賺走 150 億美元的毛利。對 Google 來說，這實在太貴了。當一個公司把 ASIC 業務做大到這種量級，就會出現一個非常明顯的經濟動力：把所有晶片設計和製造流程“收歸自研”。蘋果就是這麼幹的。蘋果的晶片沒有 ASIC 合作夥伴，前端蘋果自己做，後端蘋果自己做，生產也由蘋果直接管理台積電，因為他們不想為外包設計付 50% 毛利。當業務規模夠大時，你完全可以把 Broadcom 這類供應商的工程師挖走、薪水翻倍、甚至三倍，還可以省錢。如果 TPU 到 2028 年規模做到 500 億美元，那 Google 每年付給 Broadcom 的錢會變成 250 億。那 Google 完全可以去 Broadcom 把整個團隊全買走，把成本反而降下來。當然，出於競爭與監管原因 Google 不能真的這麼幹，但這些“經濟摩擦”已經影響 TPU v8 / v9 的設計節奏了。第二點：Google 引入了聯發科（MediaTek），在敲打 Broadcom這是一個明確的訊號：Google 對付給 Broadcom 的高額費用已經非常不滿。台灣的 ASIC 公司（包括聯發科）毛利要低得多，把他們引入，就是“第一槍”。第三點：SerDes 是晶片之間通訊的核心技術，但有價值上限Broadcom 的 SerDes 確實很好，但SerDes 的價值上限也就 100～150 億美元等級，絕沒到 250 億美元 這種程度，世界上還有其他優秀的 SerDes 供應商所以，Google 沒必要永遠被 Broadcom 卡住。第四點：Google 的保守設計，可能是因為供應鏈“分裂”要開始了Google 正在準備多家供應商平行工作（Broadcom + MediaTek）。這種“分裂的供應鏈”會讓設計更加保守，因為你要保證每家廠商都能按時做出一致的結果。這讓 TPU 的迭代速度變慢了。第五點：GPU 正在加速，而 ASIC 正在變慢這是行業最關鍵的趨勢。Nvidia 和 AMD 的回應是：“你們所有人都在造自己的 ASIC？好，我們就一年一代，讓你們永遠追不上。”GPU 的迭代速度現在是過去的 2 倍甚至 3 倍。而當你去做 ASIC（TPU、Trainium、各種自研晶片）時，你會突然意識到：“哦……原來造 ASIC 根本不是只做一個晶片這麼簡單！”你要同時解決：晶片本體、NIC（網路介面卡）、CPU、Scale-up 交換機、Scale-out 交換機、光模組、軟體棧、訓練框架、生態系統、整個供應鏈。你做出來一個小晶片，結果發現：“糟糕，我只是做了一個微小元件，而 GPU 廠商已經把整個巨型系統打通了。”第六點：做出“好 ASIC”需要至少三代Google TPU 的歷史就是活生生的例子：TPU v1：能用，但力量不足TPU v2：好一點TPU v3/v4 才開始接近真正“能打”Amazon 的 Trainium 也是一樣：Trainium 1：比 TPU v1 略好，但差不多等級Trainium 2：變強一點Trainium 3：第一次達到“可以接受”Trainium 4：預計才會真正成為好晶片這就是經驗積累 → 工程成熟 → 系統打磨，無法跳步驟。這意味著所有其他試圖“自研 AI 晶片”的公司都會發現自己根本追不上 Nvidia、AMD。第七點：最終，TPU 和 Trainium 也會變成“客戶自有工具鏈”你可以爭論具體年份，但方向是確定的。因為從第一性原理來說，當規模足夠大，把晶片從外包轉為自研是經濟必然。主持人：如果把視角拉遠一點，這一切的意義是什麼？三代 GPU、三代 TPU、三代 Trainium 之後，這場巨大戰爭將給全人類帶來什麼？Gavin：如果讓我給出一個事件路徑：第一步：Blackwell 時代的模型將極其強大。第二步：GB300（以及 AMD MI450）帶來每 Token 成本的大幅下跌。這會讓模型可以“思考更久”。當模型能思考更多步，就能做新的事情。我被 Gemini 3 第一次“主動幫我做事”震撼到：它幫我訂餐廳。以前模型都是給我生成文字、做研究，這次是直接辦成一件現實任務。如果它能訂餐廳，那就離訂機票、訂酒店、打 Uber、管日程、全面生活助理不遠了。大家現在都在談這個，但真的想像一下：這東西最終會跑在手機裡。這就是近期就會發生的未來。而且你看，現在一些非常“技術前沿”的大公司，他們超過 50% 的客服已經完全由 AI 處理了。客服是一個 4000 億美元的大產業。而 AI 特別擅長的一件事，就是“說服”，這正是銷售和客服的核心能力。從一家公司的角度想，如果把業務拆開，就是：做產品、賣產品、服務使用者。現在看，到 2026 年底，AI 很可能在其中兩塊已經非常拿手了。這又回到 Karpathy 說過的那句話：AI 可以自動化所有“可被驗證”的任務。凡是存在明確對錯結果的事情，你都可以用強化學習把模型訓練得非常強。主持人：你最喜歡的例子有那些？或者說未來最典型的？Gavin：比如讓模型自動訓練模型本身；比如全球帳目是否能對齊；比如大規模會計工作；或者銷售、客服這些“明確可驗證結果”的任務。如果這些在 2026 年開始全面落地，那麼NVIDIA Blackwell就有明確 ROI，然後領域繼續往前走，接著會迎來Rubin，再接著是 AMD MI450、Google TPU v9。ASI與大公司的“囚徒困境”Gavin：但最有意思的問題是：人工超級智能（ASI）到底會產生怎樣的經濟回報？過去幾年所有公司都陷入“囚徒困境”：如果你放慢腳步，你就永遠出局；如果競爭對手不停，你只能繼續投。微軟今年早些時候“猶豫”了 6 周，我想他們大概會說他們後悔。但是隨著 Blackwell、特別是 Rubin 的到來，經濟因素將會壓倒囚徒困境。因為數字實在太誇張了。你看那些買 GPU 最大的公司，都是上市公司，他們每季度都有審計過的財報，你完全可以算出他們的 ROIC（投入資本回報率）。而所有這些公司在大規模買 GPU 後，ROIC 比之前更高。有人說那是因為減少了營運成本，但那本來就是期待的 AI ROI。還有很多收入增長，其實來自廣告推薦系統從 CPU 遷移到 GPU 帶來的效率提升。但不管怎樣，ROI 已經非常明確。每家網際網路大廠內部，掌管營收的人都非常不爽，因為他們認為太多 GPU 被給了研究團隊：“你把 GPU 給我，我就能增長營收。”這在每家公司都是永恆的爭奪。主持人：我很好奇你有那些“潑冷水”的看法，會讓算力需求增長放緩？Gavin：最明顯的“空頭邏輯”是端側 AI（Edge AI）。三年後，只要手機稍微變厚一點、塞下更多 DRAM、電池短點續航，你就能在本地運行一個剪裁版 Gemini 5、Grok 4/4.1、ChatGPT，達到30–60 tokens/s，IQ 115 左右。而且這是免費的。顯然，這就是蘋果的戰略：在本地運行隱私安全的模型，只有需要時才呼叫雲端的“上帝大模型”。如果端側 AI 滿足90% 的需求，那這將是最嚇人的“空頭論點”。另一個風險是 scaling law 不再生效。但如果假設 scaling law 繼續有效，預訓練肯定還能撐一代；後訓練（RLVR 等）剛起步；推理階段的 test-time compute 也才剛開始。而且我們已經在取得巨大進展，比如模型能把越來越多上下文裝進“腦子”裡。長期來看，大上下文窗口可能是解決當前很多問題的關鍵。配合 KV-cache offload 這一類技術，它們潛力巨大。對 Meta、Anthropic、OpenAI的看法主持人：我們其實還沒有聊太多 Meta、Anthropic、OpenAI。我很好奇你對整個基礎設施層的看法。這三家是這個“大博弈”裡最關鍵的玩家。我們前面討論的所有趨勢，對這幾家公司會產生什麼影響？Gavin：我先談談對 frontier 模型整體的一些看法。在 2023–2024 年，我特別喜歡引用Erik Brynjolfsson（美國經濟學者） 的一句話。Erik 說：“基礎模型是歷史上增值速度最快的資產。”我認為他說對了 90%。我當時補了一句：“擁有獨特資料和網際網路等級分發能力的基礎模型，才是歷史上增值最快的資產。”但“推理” 的出現徹底改變了這一切。以前所有偉大網際網路公司的核心飛輪都是：做出好產品→ 吸引使用者 → 使用者產生資料 → 用資料改進產品 → 更多使用者 → 更多資料……Netflix、亞馬遜、Meta、Google都靠這套飛輪運轉十年以上，這也是為什麼它們擁有極強的規模回報。然而，這個飛輪在“無推理能力”的AI 時代是不存在的。你預訓練一個模型，把它丟到現實世界，它就那樣了。你可以做 RLHF，基於一些使用者反饋去調整，但那個過程噪音大、訊號弱、反饋難以精確量化，很難真正變成“可驗證獎勵”反饋回模型但推理讓飛輪開始轉動了。現在，如果大量使用者不斷提出某類問題，並持續對某些回答給出明確的正向或負向反饋，這些都能被轉化為可度量、可驗證的獎勵訊號，再反饋回模型做強化學習。我們現在還處在非常早期的階段，但飛輪已經開始轉動了。這是對所有 frontier labs 的格局影響最大的變化。主持人：你能具體解釋一下嗎？為什麼 reasoning 會讓飛輪成立？Gavin：如果大量使用者在問同一個問題，並穩定地偏好某些答案、不喜歡另一些答案，這就產生了一個穩定一致的獎勵訊號。而且這個獎勵訊號是可驗證的。模型就能把這些偏好再次學習回去。雖然現在還早、還很難做，但你已經能看到飛輪開始啟動。第二點，我認為非常重要的是：Meta。祖克柏在今年1 月曾說過一句話：“我高度確信，到2025 年的某個時間點，我們將擁有最強、最好的AI。”我現在不確定他是不是仍然能排進前 100 名。他當時的判斷可以說是錯得不能再錯。而我認為這是一個非常重要的事實，因為它說明：這四家美國前沿實驗室做到的事情，其實難度遠比外界想像的大。Meta 砸了巨額資金，也失敗了。Yann LeCun團隊出現動盪，他們甚至推出了那個著名的“10 億美元挖 AI 研究員”的計畫。順帶說一句，微軟也失敗了。他們雖然沒有像 Meta 那樣做明確預測，但微軟收購了 Inflection AI，當時他們內部也多次說：“我們預期自己的內部模型會迅速變強，未來 Copilot 會越來越多跑在內部模型上。”亞馬遜則收購了 Adept AI，他們有自己的 Nova 模型，但我不認為它能進入前 20 名。所以很顯然，這件事比一年前所有人以為的都要難得多。原因有很多，例如要讓一個巨型 GPU 叢集保持“同步一致”其實非常困難。許多傳統科技公司過去營運基礎設施時都以“節省成本”為核心，而不是以“性能複雜度”為核心。要讓一大堆 GPU 在大規模叢集裡保持高利用率，這是極其難的事情，而且不同公司在 GPU 維運能力上差距非常大。如果你最多能把兩、三十萬顆 Blackwell（GPU）跑到高效一致，而你的叢集只有 30% 的有效執行階段間，而你的競爭對手能做到 90%，那你們根本不在同一個維度競爭。這就是第一點：不同公司在 GPU 維運能力上存在巨大差距。第二點，這些 AI 研究人員喜歡談“品味”，我覺得很好笑。“你為什麼賺這麼多錢？”“因為我的品味很好。”所謂“品味”，其實就是一種對實驗方向的直覺判斷能力。而這正是為什麼這些人能拿很高的薪水。隨著模型規模繼續增大，你已經不能像以前一樣，先在一個 1000 GPU 的叢集上跑一次實驗，再把它複製到 10 萬 GPU 上。你必須直接在 5 萬 GPU 規模上跑實驗，而且可能要跑好幾天。機會成本極高。所以你必須有一支極強的團隊，知道應該把算力押在那些實驗上。然後，你還必須把 RL（強化學習）、後訓練、推理成本控制等所有部分都做到很好。整個流程極其複雜。做這一切，非常非常難。很多人以為簡單，但其實一點都不簡單。我以前做零售行業分析時常說：在美國任何一個行業，如果你能營運 1000 家門店，並讓它們保持整潔、燈光明亮、陳列合理、價格得當、員工友好並且不偷東西——你就能成為一家 200 億或 300 億美元的公司。但結果是，全美國只有 15 家公司能做到。真的非常難。AI 也是同樣的道理：要把所有環節都做到位，非常難。而這也讓所謂的“推理飛輪”開始拉開差距。更重要的是，這四家實驗室，XAI、Gemini、OpenAI、Anthropic，它們內部都有比公開型號更先進的“檢查點”。所謂檢查點，就是模型持續訓練過程中階段性的版本。它們內部使用的版本更強，它們又用這些更強的版本去訓練下一個版本。如果你沒有這些最新的 checkpoint，你就已經落後了，而且會越來越難追上。中國開源對 Meta 來說是“天賜禮物”。因為 Meta 可以用中國開源模型當成自己的 checkpoint，從而實現“自舉”（bootstrap）。我相信他們正在這麼做，其他公司也一樣。OpenAI的最大痛點：Per-token成本太高Gavin：回到公司競爭格局：XAI 將會是第一家推出 Blackwell 模型的公司，也是第一家在大規模推理場景中使用 Blackwell 的公司。這對他們來說是非常關鍵的節點。順便說一句，如果你現在去看 openrouter 的資料，xAI 已經佔據主導地位了。openrouter 可能只佔 API token 的 1%，但它是一個趨勢訊號：XAI 處理了大約1.35 兆 tokenGoogle 大約800–9000 億Anthropic 大約7000 億XAI 表現非常好，模型也很棒，我強烈推薦。你會看到：XAI 先推出模型，OpenAI 會隨後跟上，但速度更快。但是 OpenAI 現在最大的痛點，是它們的 per-token 成本太高，因為他們需要為算力支付溢價，而且合作方不一定是最擅長維運 GPU 的那批人。結果就是OpenAI 是高成本的 token 生產者。這也解釋了他們近期的“紅色警戒”。他們承諾了1.44 兆美元的未來 GPU 支出，這是一個巨大的數字，因為他們知道自己需要大量融資，尤其是如果 Google 繼續“把生態的經濟氧氣吸乾”，那 OpenAI 的壓力更大。他們會推出新模型，但在相當長的時間裡，他們仍然無法解決自己相對於 XAI、Google、甚至 Anthropic 的成本劣勢。Anthropic 是一家好公司，他們燒錢遠低於 OpenAI，但增長更快。所以我覺得必須給Anthropic很多的認可，而這很大程度上得益於他們和Google、Amazon在TPU和Trainium上的合作關係。Anthropic能夠從與Google相同的動態中受益，我認為這在這場精彩的“國際象棋”遊戲中非常具有指示意義。你可以看看Daario Jensen，可能有一些公開評論，他們之間有一些小小的交鋒。Anthropic剛剛和Nvidia簽了50億美元的合同。那是因為Dario是個聰明人，他理解關於Blackwell和Rubin相對於TPU的這些動態。所以Nvidia現在從原來的兩個“戰士”（XAI和OpenAI）增加到了三個戰士。這有助於Nvidia在與Google的競爭中佔據優勢。如果Meta能夠趕上，這也非常重要。我相信Nvidia會盡其所能幫助Meta，比如：“你這樣運行這些GPU，我們或許可以把螺絲擰緊一點，或者調整一下參數。”此外，如果Blackwell回到中國，看起來很可能會發生，那也非常好，因為中國的開源生態也會回歸。未來三到四年，最重要的是太空資料中心主持人：我總是很好奇關於資料中心的一些問題，比如你腦中有沒有關於非晶片方面的突破？Gavin：我認為未來三到四年世界上最重要的事情是太空中的資料中心，這對地球上建造電廠或資料中心的人都有深遠影響。現在這是一場巨大的淘金熱。大家都覺得AI很有風險，但我打算建一個資料中心，一個電廠來驅動資料中心。我們肯定需要它。但如果從最基本的原理來看，資料中心應該建在太空裡。運行資料中心的基本投入是什麼？是電力、冷卻和晶片。總成本角度來看，這就是全部的投入。在太空中，你可以讓衛星全天候在陽光下運行，而且陽光的強度高出30%。你可以讓衛星一直接收光照，這意味著外太空的輻照度比地球高六倍，所以你能獲得大量太陽能。其次，因為全天都有陽光，你不需要電池，而電池成本佔比巨大。所以太空中可用的最低成本能源就是太陽能。冷卻方面，在一個機架中，大部分重量和體積都是用於冷卻，而地球上的資料中心冷卻非常複雜，包括HVAC、CDU、液冷等。而在太空中，冷卻是免費的，你只需把散熱器放在衛星的背光面，這幾乎接近絕對零度，所有這些成本都消失了，這節省了大量開銷。每顆衛星可以看作是一個機架，也有人可能製造三機架的衛星。那麼如何連接這些機架呢？在地球上，機架通過光纖連接，本質上是通過電纜傳輸雷射。而唯一比光纖更快的，是通過真空傳輸雷射。如果你能用雷射把太空中的衛星連接起來，你就擁有比地球資料中心更快、更穩定的網路。訓練方面，這需要很長時間，因為規模太大。但推理（inference）方面，我認為最終訓練也會發生。考慮使用者體驗：當我問Grok問題並得到回答時，手機發出的無線電波傳到基站，然後進入光纖，經過紐約某個匯聚設施，再到附近的資料中心完成計算，最後返回。如果衛星可以直接與手機通訊，而Starlink已經展示了直接到手機的能力，那麼體驗將更快、更低成本。所以從最基本的原理來看，太空資料中心在各方面都優於地球上的資料中心。主持人：那麼阻礙因素是什麼？是發射成本嗎？還是發射可用性問題？Gavin：我的意思是，我們需要大量的太空飛船。像Starship這樣的飛船是唯一能夠經濟地實現這一目標的飛船。我們需要很多這樣的Starship。也許中國或俄羅斯能夠回收火箭，Blue Origin剛剛回收了一個助推器。這完全是一種全新的思考SpaceX的方式。很有趣的是，Elon昨天在採訪中提到，Tesla、SpaceX和XAI正在趨於融合，實際上確實如此。XAI將成為Tesla Optimus機器人的智能模組，Tesla Vision提供感知系統，而SpaceX將擁有太空中的資料中心，為XAI、Tesla、Optimus以及許多其他公司提供AI算力支援。這種融合非常有趣，每個公司都在為其他公司創造競爭優勢。如果你是XAI，有了與Optimus的內建關係非常好，Tesla又是上市公司，任何內部協議都會經過嚴格稽核，而太空資料中心又帶來了巨大優勢。此外，XAI還有兩家公司擁有大量客戶，可以幫助他們建立客戶支援和銷售AI代理系統。總的來說，這些公司正在以一種巧妙的方式融合在一起。我認為當xAI明年推出第一個Blackwell模型時，將是一個重要時刻。如何看待算力短缺的周期性問題主持人：歷史上人類經濟中短缺總會伴隨資本周期的過剩。如果這次短缺是算力，比如Mark Chen曾表示，如果給他們幾周時間，他們會消耗十倍算力。似乎算力仍然存在巨大短缺，但歷史規律表明短缺之後會出現過剩。你怎麼看這個規律在這項技術上的體現？Gavin：AI與傳統軟體根本不同，每次使用AI都會消耗算力，而傳統軟體不會。確實，每家公司都可能消耗十倍算力，結果可能只是讓200美元檔的服務更好，免費檔可能會加入廣告。Google已經開始用廣告為AI模式變現，這會給其他公司引入免費模式廣告的許可，這將成為重要的ROI來源。OpenAI等公司也會在服務中收取佣金，例如幫你預訂旅行，獲取一定收入。半導體行業中庫存動態會導致周期性波動。半導體的“鐵律”是客戶緩衝庫存必須等於交貨周期，因此出現庫存周期。我們最近沒有看到真正的半導體產能周期，也許自90年代末以來就沒有。原因是台灣半導體非常擅長整合和穩定供應，但現在他們的產能擴張未跟上客戶需求。我認為台灣半導體可能會犯錯誤，因為他們過於擔心產能過剩。他們曾經嘲笑Sam Altman，認為他不懂，他們害怕產能過剩。從另一個角度看，功率作為“限速器”對最先進計算玩家非常有利。如果功率受限，計算成本就不重要，你每瓦特獲得的算力越高，收入越高。建造資料中心的投資回報取決於單位功率的收益，這是對最先進技術非常有利的。至於能源解決方案，美國無法快速建造核電站，法律和環境限制太嚴格。解決方案是天然氣和太陽能，AI資料中心可以靈活選址，這也是為什麼美國各地，包括Abilene，會有大量活動，因為這裡靠近天然氣產區。渦輪機製造商正在擴張產能，比如Caterpillar計畫在未來幾年增加75%產能，所以電力問題正在得到解決。SaaS公司犯的“亞馬遜式錯誤”主持人：我們來談談SaaS吧，你怎麼看？Gavin：應用型SaaS公司正在犯和實體零售商對待電商時同樣的錯誤。實體零售商，特別是在電信泡沫破裂後，他們看到了亞馬遜，覺得“哦，它在虧錢，電商是低利潤業務。”從基本原理來看，怎麼可能效率更高呢？現在，我們的客戶自己去店裡，付運輸費，然後再付把商品運回家的費用。如果我們直接把貨物發給每個客戶，怎麼可能效率更低呢？亞馬遜的願景當然是，最終我們會沿街把包裹送到每戶人家。因此，他們當時沒有投資電商，雖然看到客戶需求，但不喜歡電商的利潤結構。這就是幾乎所有實體零售商在投資電商方面動作緩慢的根本原因。現在來看，亞馬遜在北美零售業務的利潤率甚至高於很多大眾零售商。利潤率會變化，如果客戶需求一項根本性的變革性新技術，不去接受總是錯誤的，這正是SaaS公司正在犯的錯誤。這些SaaS公司有70%、80%、甚至90%的毛利率，但他們不願接受AI帶來的毛利率。AI的本質是，每次都需要重新計算答案，而傳統軟體寫一次就能高效分發，這也是傳統軟體很好的商業模式。AI正好相反，一個優秀的AI公司毛利率可能只有40%。主持人：那為什麼他們還能夠早期產生現金流？Gavin：奇怪的是，由於效率提升，他們比傳統SaaS公司更早產生現金流，但不是因為高毛利，而是因為員工很少。看著這些公司很悲哀，如果你想運行AI代理，但不願意接受低於35%的毛利率，它永遠不會成功，因為AI原生公司就是以40%左右的毛利在運作。如果你試圖保持80%的毛利結構，等於保證在AI上失敗，這是絕對的保證。這很瘋狂，因為我們已有案例證明軟體投資者願意忍受毛利壓力，只要毛利潤美元總額合理，這就是雲端運算的存在證明。你可能忘了，Adobe從本地部署轉向SaaS模式時，不僅毛利下滑，收入也大幅下降，因為從一次性收費變為多年分期收費。微軟的情況沒那麼戲劇，但早期雲轉型的股票也很難，投資者覺得“天啊，你是個80%毛利的業務，現在毛利下降到50%”。但事實證明，只要毛利潤美元總額增長，這些毛利可以隨著時間改善。微軟買下GitHub，現在GitHub也成為Copilot的分發管道，這是一筆巨大的業務，毛利較低，但成功了。幾乎沒有一家應用型SaaS公司不能運行成功的AI代理策略。他們相較AI原生公司有巨大優勢，因為他們有現金流業務。我認為有機會出現新的“建設性激進者”，去告訴SaaS公司：別再這麼傻了。只需展示AI收入和毛利，說明真實的AI是低毛利的，並且對比風險投資支援的虧損競爭者。有些公司甚至可以暫時將毛利降為零，但他們有現成現金流業務。這是一套顯而易見的玩法，Salesforce、ServiceNow、HubSpot、GitLab、Atlassian，都可以運行。使用AI代理的方法很直接：先問自己，當前為客戶提供的核心功能是什麼？如何用代理進一步自動化？例如CRM，客戶做什麼？他們與客戶溝通，我們做客戶關係管理軟體，也做客戶支援。做一個可以執行這些功能的代理，以10%-20%的價格出售，讓代理訪問所有資料。目前的情況是，其他人開發的代理訪問你的系統，把資料拉走，最終你會被替換。這完全是因為企業想保持80%毛利，這是一場生死攸關的決策。除了微軟，幾乎所有人都在失敗。正如Nokia當年備忘錄所說，你的平台在燃燒，你可以跳到新的平台去撲滅火。 (51CTO技術堆疊)

瑞銀認為全球資料中心裝置市場毫無降溫跡象，當前在建產能高達25GW。基於極低空置率和超大規模廠商高資本開支，瑞銀將2026年市場增速上調至20-25%，並預測液冷技術將以45%增速領跑。AI資料中心建設成本結構性變化，高強度投入將至少持續到2027年，且AI變現已初現端倪。瑞銀在5日發佈的最新深度報告中認為，全球資料中心裝置市場“毫無降溫跡象”。據瑞銀Evidence Lab的最新監測資料顯示，全球資料中心產能正處於快速擴張期，當前在建產能高達25GW，現有營運產能約為105GW。分析師Andre Kukhnin團隊在報告中指出，考慮到在建項目向實際產能的轉化，以及超大規模雲廠商持續高企的資本開支，行業在2025年實現約25-30%的增長後，強勁勢頭將延續至2026年。基於強勁的在建項目資料及極低的空置率，瑞銀宣佈上調該行業的中期增長預期，預計2026年包括電力、製冷及IT裝置在內的市場增速將達到20-25%。這一樂觀預測直接反駁了近期市場關於“AI泡沫”的論調。瑞銀強調，生成式AI（GenAI）的採納率正呈現指數級增長，雖然變現尚處於早期階段，但已出現年化經常性收入（ARR）達170億美元的實質性收益。這種技術應用的深化，疊加AI伺服器更短的生命周期帶來的替代需求，支撐了整個產業鏈的長期景氣度。01. 上調增長預期液冷技術領跑瑞銀在最新報告中，更新了對全球資料中心裝置市場的核心假設。該行預計，繼2025年市場規模增長25-30%之後，2026年的增速將維持在20-25%的高位，隨後的2027年為15-20%，並在2028-2030年間保持10-15%的穩健年化增長。這一預測的信心來自於多重資料的交叉驗證。據瑞銀分析，北美、歐洲和亞太地區的資料中心空置率持續處於歷史低位（分別為1.8%、3.6%和5.8%），顯示出供不應求的市場格局。同時，瑞銀Evidence Lab的管道資料表明，如果規劃中的產能如期於2029年上線，即便不考慮新增項目，2025-2029年的年複合增長率（CAGR）也將達到21%。在細分領域中，製冷市場表現尤為突出。隨著AI晶片功率密度的提升，瑞銀預計到2030年，製冷類股將保持約20%的年複合增長率，其中液冷技術（Liquid Cooling）將以45%的增速領跑，成為增長最快的細分賽道。02. 資本開支強度不減單兆瓦價值量提升針對市場對資本開支（Capex）可持續性的疑慮，瑞銀通過成本結構分析指出，AI資料中心的建設成本正在發生結構性變化。報告顯示，與傳統資料中心相比，AI資料中心的每兆瓦設施成本增加了約20%，這主要受製冷和電力基礎設施升級的驅動。然而，更關鍵的變化在於IT裝置成本的激增——由於AI晶片價格昂貴，IT裝置在總成本中的佔比大幅提升，其每兆瓦成本是傳統的3-4倍。這種結構使得客戶對設施端（Facility）的價格敏感度降低，從而利多上游裝置供應商。關於超大規模雲廠商的財務狀況，瑞銀指出，儘管資本開支佔銷售額（Capex/Sales）的比重較2023年翻了一倍以上，達到25-30%，但目前的資本開支仍佔行業經營性現金流（OCF）的75%左右，處於可控範圍。瑞銀科技硬體團隊預測，這種高強度的投入將至少持續到2027年。03. AI變現初現端倪避險泡沫風險對於投資者最為關心的“回報率”和“變現”問題，瑞銀在報告中提供了積極的早期證據。瑞銀估算，目前主要AI原生應用的年化經常性收入（ARR）已達到170億美元，約佔當前SaaS市場總量的6-7%。瑞銀強調，GenAI作為一種技術，其採納速度是前所未有的。麥肯錫的最新調查也顯示，過去12個月中，企業通過使用AI實現的收入增長平均為3.6%，成本下降平均為5%。儘管如此，瑞銀也提示了潛在的物理約束風險。電力供應被視為最大的瓶頸，尤其是在歐洲，部分一級樞紐的電網連接排期已延至2030年代。此外，瑞銀預計資料中心將佔美國2025-2030年電力增量的60%以上，這對電網可靠性和裝置交付構成了挑戰。但在瑞銀看來，這些瓶頸更多推高了現有資產的價值，而非終結投資周期。04. 技術迭代帶來的贏家與輸家隨著機架功率密度從傳統的10kW向AI時代的100kW甚至更高邁進，基礎設施的技術架構正在發生深刻變革。瑞銀特別提到了向800V直流（DC）架構轉型的趨勢，預計這一技術將在2028年底至2029年初廣泛部署。這一技術轉變將重塑競爭格局。瑞銀指出，中壓（MV）裝置需求將保持穩定，但低壓（LV）交流裝置面臨被更高電壓直流配電替代的風險。在此趨勢下，擁有完整中壓產品線及創新能力的廠商防守性更強。 (硬AI)

高盛在3季度業績發佈及調研後，對中國網際網路行業策略大轉向：把“雲與資料中心”提到了首選類股，排到了遊戲和出行之前。AI帶來的算力需求和資本開支（Capex）擴張，已經是最確定的增長邏輯了。1、最大預期差：雲與資料中心成為“新王” ☁️高盛這次非常堅決，把雲和資料中心類股從原來的第三提升到第一。邏輯很硬：AI訓練和推理的需求持續爆發，加上巨頭們都在搞“多晶片策略”，資料中心的訂單量非常飽滿。核心邏輯：不僅是輝達，國產晶片的供應上來後，算力基建的利用率和回報率都在提升。2、AI助手的“入口之戰”是個大隱憂 🤖報告專門討論了一個長線風險：字節跳動的“豆包手機助手”。這東西能直接在作業系統層面（OS-level）幫使用者跨APP操作，比如比價、點外賣。這對現有的APP生態是個降維打擊。雖然目前微信等巨頭因為安全隱私原因封鎖了它的介面，但這種“超級AI代理”對使用者流量入口的爭奪，是未來幾年最大的變數。字節系App現在霸榜iOS免費榜前五中的四席，攻勢很猛。3、本地生活：燒錢該結束了，關注利潤修復 🛵外賣和即時零售打得太凶，三季度行業大概虧了700億人民幣，太誇張了。高盛判斷，這種非理性的補貼戰不可持續。格局推演：美團、阿里、京東的市場份額最終可能會穩定在 5:4:1。美團：雖然長期單均利潤預期被微調（從0.8元降到0.7元），但在這個價位，壞消息已經Price-in了，隨著補貼退坡，利潤修復是大機率事件。4、最新的“核心股票池”名單 📝根據最新的類股偏好，高盛更新了首選名單：雲/資料中心：阿里巴巴、萬國資料、世紀互聯。遊戲（防守反擊）：騰訊、網易。出行（格局穩固）：滴滴、滿幫。電商（新面孔）：快手（新增為關鍵推薦，看好其AI模型Kling的突破和電商變現）。5、估值怎麼看？ 📊現在中概網際網路類股的2026年預期市盈率（P/E）中位數大概是18倍。之前的上漲主要靠殺估值修復（Multiple Expansion），接下來的漲幅，必須得靠實打實的每股收益（EPS）增長來驅動了。所以，選利潤兌現能力強的公司，比單純博反彈要穩妥得多。總的來說，風向變了，硬科技基礎設施（資料中心）的優先順序在上升，而純流量變現的生意面臨AI新玩法的挑戰。 (硬AI)

作為人工智慧融資競賽中的關鍵參與者之一，摩根士丹利正在考慮通過一種被稱為“重大風險轉移”（SRT）的方式，出售其部分資料中心相關敞口。此前，德意志銀行也在評估如何管理其數十億美元的資料中心貸款風險，考慮的方案包括做空一籃子AI相關股票。隨著人工智慧引發的投資狂潮將資料中心行業推向估值頂峰，一些身處風暴中心的華爾街巨頭正從狂熱中抽身，開始審慎地評估並尋求管理其巨大的風險敞口。12月4日，據彭博報導，作為AI基礎設施競賽關鍵融資方之一的摩根士丹利，正在考慮通過所謂的“重大風險轉移”（Significant Risk Transfer, SRT）來剝離其部分資料中心貸款風險。該行已就一項與AI基礎設施業務貸款組合相關的SRT交易，與潛在投資者進行了初步會談。此舉緊隨德意志銀行此前的內部討論。德意志銀行也在評估如何管理其數十億美元的資料中心貸款風險，考慮的方案包括做空一籃子AI相關股票，或採用“合成風險轉移”（Synthetic Risk Transfer）交易。兩家跨國大行的相似舉動，共同指向一個日益清晰的訊號：在巨大的市場機遇面前，對潛在泡沫和過度集中的擔憂正促使頂級投行採取切實的避險行動。對於投資者而言，這意味著一直為AI熱潮提供資金彈藥的銀行體系，已經開始為潛在的市場回呼建構防禦。大摩尋求風險轉移摩根士丹利正探索多種方式來降低其在資料中心領域的風險。據上述媒體報導，除了與投資者初步商討SRT交易外，該行也在探索其他避險或銀團分銷部分資料中心風險的途徑。重大風險轉移（SRT）是銀行管理信貸風險、最佳化資本充足率的金融工具，通過向機構投資者出售與貸款組合相關的信用連接票據（credit-linked notes），銀行可以將潛在的違約風險轉移出去，從而釋放資產負債表空間以進行新的放貸。儘管與資料中心風險敞口掛鉤的SRT交易在整個信貸風險轉移市場中仍屬新興領域，但摩根士丹利的探索凸顯了其前瞻性的風險管理考量。不過，報導稱，相關討論尚處於早期階段，無法保證最終一定會達成交易。摩根士丹利的謹慎態度，源於其在該領域的深度參與。該行是AI基礎設施融資的核心參與者之一。今年10月，摩根士丹利為Meta Platforms Inc.位於路易斯安那州裡奇蘭縣的Hyperion資料中心項目的一個特殊目的載體（SPV），安排了超過270億美元的債務融資和約25億美元的股權融資。此外，該行還牽頭了TeraWulf Inc.、Cipher Mining Inc.和Applied Digital Corp.近期的三筆高收益債券發行，所得資金部分用於支援新資料中心設施的建設。摩根士丹利的策略師預測，到2028年，大型雲端運算公司在資料中心基礎設施上的支出將高達約3兆美元，其中一半預計將通過債務市場融資。如此巨大的融資需求意味著銀行體系可能面臨對少數幾家公司的過度風險集中。一個例證是，甲骨文公司（Oracle Corp.）的債務違約保護成本近幾個月大幅飆升，摩根士丹利一份研究報告認為，為該公司建設貸款提供融資的銀行及其他貸款方，可能是背後關鍵的驅動因素。德銀已經採取防禦避險措施摩根士丹利的行動並非孤例，此前德意志銀行已表露出類似的擔憂。據媒體報導，德意志銀行高管已在內部討論如何管理該行向AI和雲端運算行業提供的數十億美元貸款風險。該行將資料中心融資視為其投行業務的“豪賭”，主要向服務於Alphabet、微軟和亞馬遜等“超大規模”科技巨頭的企業提供貸款。為避險潛在的下行風險，德意志銀行考慮的方案包括做空一籃子AI相關股票，以及通過合成風險轉移（SRT）交易為部分貸款購買違約保護。這些討論的背景，是銀行已為瑞典集團EcoDataCenter和加拿大公司5C等提供了超過10億美元的債務融資以支援其擴張。華爾街投行的審慎姿態，與全球監管機構和市場懷疑論者日益增長的警示聲音遙相呼應。新加坡金融管理局（MAS）在其近期的《金融穩定評估》報告中明確指出，科技和AI類股正呈現“相對緊張的估值”，並警告稱市場樂觀情緒的逆轉可能引發“急劇回呼”。一些知名投資者則用實際行動表達了看空立場。因電影《大空頭》而聞名的投資者Michael Burry，其管理的Scion Asset Management基金已將大量倉位用於做空AI熱潮的代表性公司。 (invest wallstreet)

AI算力需求爆發正重塑資料中心投資版圖：2025年全球資本支出將超兆美元，微軟、亞馬遜等巨頭單年砸下數百億美元建智算中心，中國「東數西算」疊加新能源優勢，年內智算項目已超300個，投資規模近千億元。液冷、核能、模組化與REITs平行，綠色、高密度、可擴展成為資本追逐的新標竿，資料中心正從成本中心升級為AI時代的核心資產。人工智慧正催生對算力的旺盛需求，促使企業投入數十億美元用於基礎設施建設。然而，由於未來需求的不確定性，投資人需謹慎決策。AI is fueling high demand for compute power, spurring companies to invest billions of dollars in infrastructure. But with future demand uncertain, investors will need to make calculated decisions.在人工智慧熱潮下，算力正成為本世紀最關鍵的資源之一。在全球各地的資料中心，數百萬台伺服器全天候運轉，處理支撐人工智慧的基礎模型與機器學習應用。這些資料中心所需的硬體、處理器、記憶體、儲存和能源共同構成算力，而市場對算力的需求似乎永無止境。Amid the AI boom, compute power is emerging as one of this decade's most critical resources. In data centers across the globe, millions of servers run 24/7 to process the foundation getels and machine learning 組合, that ​​nandal, enerity, learning needed to operate these data centers are collectively known as compute power—and there is an unquenchable need for more.我們的研究表明，到2030年，全球資料中心需投入6.7億美元才能跟上算力需求的成長步伐。其中，AI處理負載能力的資料中心預計需5.2億美元支出，而支撐傳統IT應用的資料中心預計需1.5億美元支出。總體而言，到2030年資本支出總需求接近7億美元——無論以何種標準衡量，這都是一個驚人的數字。Our research shows that by 2030, data centers are projected to require $6.7 trillion worldwide to keep pace with the demand for compute power. Data centers equipped to handle AI processing loads are projected to repowerp.2 pped to handle AI processing loads are projected to repowers 25.2 5% 5.表 5% applications are projected to require $1.5 trillion in capital expenditures. Overall, that's nearly $7 trillion in capital outlays needed by 2030—a staggering number by any measure.為了滿足這一需求，算力價值鏈上的公司必須在快速部署資本和審慎決策之間取得平衡。要提高資料中心投資獲得豐厚回報率，企業可分階段推進項目，並在每一步評估投資回報率。但未來需求的不確定性使得精確的投資計算難以實現。To meet this demand, companies across the compute power value chain must strike a balance between deploying capital quickly and doing so prudently. To improve the odds that their data center investments willnvide scan return, scom smooo, s​​hool inscan wills scoms shd, scoms s​​hd, scom swhe scom, s​​stal, s​​an shd, scom, scom, sh.com each step. Still, a lack of clarity about future demand makes precise investment calculations difficult.算力價值鏈極為複雜——從建造資料中心的房地產開發商，到為其提供電力的公用事業公司，再到生產晶片的半導體企業，以及託管數兆太字節資料的雲端服務超大規模供應商均涵蓋其中。這條價值鏈上的領導者們深知，必須加大算力投資以推動人工智慧發展加速。然而，他們面臨的挑戰是艱難的：決定將多少資本分配到那些項目，同時卻無法確定人工智慧未來的成長與發展會如何影響算力需求。超大規模雲端服務提供者是否會繼續承擔成本壓力？還是企業、政府及金融機構會透過新的融資模式介入？在人工智慧使用量持續激增的情況下，資料中心需求是否會進一步上升？還是會隨著技術進步使人工智慧對算力需求的依賴減少而下降？The compute power value chain is complex—from the real estate developers that build data centers to the utilities that power them, to the semiconductor firms that produce chips to the cloud service hypersers that hosta caler produce chips to the cloud service hypersers that hosta caliv. must invest in compute power to accelerate AI growth. But their challenge is formidable: deciding how much capital to allocate to which projects, all while remaining uncertain of how AI's future growth and dedopment will impx or will enterprises, governments, and financial institutions step in with new financing models? Will demand for data centers rise amid a continued surge in AI usage, or will it fall as technological advances make AI usage, or will it fall as technological advances make less compute有一點毋庸置疑：此事利害攸關。過度投資資料中心基礎設施可能導致資產閒置，而投資不足則意味著落後。本文基於麥肯錫的研究分析，為算力價值鏈上的各類企業整理了未來五年的投資格局。儘管這些預測經過嚴謹論證，但我們也承認人工智慧是一個快速發展的領域。我們的分析雖然基於深入研究的假設，但仍存在一些無法量化的關鍵不確定性。One thing is certain: The stakes are high. Overinvesting in data center infrastructure risks stranding assets, while underinvesting means falling behind. This article, based on McKinsey research and analysis, provides com cross crossue. the next five years. Despite the rigor behind these forecasts, we acknowledge that AI is a radically evolving space. Our analysis is built on thoroughly researched hypotheses, but there are critical uncertainties that ununcertainet or unccan.預測算力需求曲線Predicting the compute power demand curve企業要決定在算力上投入多少，首先應精準預測未來需求——鑑於人工智慧產業變化如此之快，這絕非易事。我們的研究表明，到2030年，全球對資料中心容量的需求可能會接近三倍，其中約70%的需求來自人工智慧工作負載（見圖1）。但這一預測取決於兩個關鍵不確定性因素：To decide how much to invest in compute power, companies should first accurately forecast future demand—a challenging task given that the AI sector is shifting so rapidly. Our research shows that global mand de dataabout so rapidly。 of that demand coming from AI workloads (Exhibit 1). However, this projection hinges on two key uncertainties:人工智慧用例。人工智慧的價值體現在應用層面——企業如何將人工智慧轉化為實際業務價值。如果企業未能從人工智慧中創造實質價值，算力需求可能達不到預期。相反，變革性的人工智慧應用可能會推動比當前預測更大的需求。AI use cases. The value in AI lies at the application layer—how enterprises turn AI into real business impact. If companies fail to create meaningful value from AI, demand for compute power could fail short of expect age 決定, current projections suggest.快速創新周期和顛覆變革。人工智慧技術的持續進步，例如處理器、大語言模型（LLM）架構和功耗，可能會顯著提高效率。例如，2025年2月，中國的大語言模型參與者DeepSeek揭露，其V3模型在訓練和推理效率方面實現大幅提升，與GPT-4o相比，訓練成本大幅降低18倍，推理成本降低36倍。然而，初步分析表明，這類效率提升可能會被更廣泛人工智慧市場中激增的實驗與訓練活動所抵消。因此，從長期來看，效率提升或許不會對整體算力需求產生實質性影響。。 that its V3 model achieved substantial improvements in training and reasoning efficiency, notably reducing training costs by approximately 18 times and inferencing costs by about 36 times, pared . types of efficiency gains will likely be offset by increased experimentation and training across the broader AI market. As a result, efficiency gains may not substantially impact overall compute power demand over the long demandm.僅人工智慧需求就需5.2兆美元的投資AI demand alone will require $5.2 trillion in investment我們測算，2030年，算力價值鏈上的各類企業僅為滿足全球人工智慧需求，就需向資料中心投入5.​​2億美元。這一數字基於廣泛的分析和關鍵假設，包括到2030年預計需要156吉瓦（GW）與人工智慧相關的數據中心容量，2025年至2030年期間將增加125吉瓦。這5.2兆美元的數字反映了滿足人工智慧計算能力不斷增長的需求所需的巨額投資規模——這一龐大的資本投入，也凸顯了未來挑戰的艱巨性。We calculate that companies across the compute power value chain will need to invest$5.2 trillion into data centers by 2030 to meet worldwide demand for AI alone. We based this figure on extensive anawide demand for AI alone. We based this figure on extensive analysis and key assaings projects projects, 375), g sadvvvv) AI-related data center capacity demand by 2030, with 125 incremental GW added between 2025 and 2030. This $5.2 trillion figure reflects the sheer scale of investment required to meet the wing mand for meet the compute scale of investment required to meet the wing mand for meet the compute scale ofinvestmentremed magnitude of the challenge ahead (see sidebar “The scale of investment”).鑑於未來算力需求存在不確定性，我們建立了三種投資情景，從需求受限到加速成長（見圖2）。在第一種情境中，成長大幅提速，2025年至2030年期間將增加205吉瓦，這將需7.9億美元的資本支出。本文採用的是第二種情景：需求有所增長，但不及第一種情景，預計資本支出為5.2兆美元。第三種情境為需求較受限的情況，未來五年新增容量78吉瓦，總資本支出為3.7 億美元。Amid the uncertainty about future needs for compute power, we created three investment scenarios ranging from constrained to accelerated demand (Exhibit 2). In the first of our取 three scenarios, growth relbit 2). In the first of our取 three scenarios, growth relelerates signal accly 20 月added between 2025 and 2030. This would require an estimated $7.9 trillion in capital expenditures. The second scenario is the one we use in this article: Demand grows, but not groas we use in this article: Demand 實體$5.2 trillion. In our third scenario, in which demand is more constrained, with 78 incremental GW added in the next five years, the total capital expenditure is $3.7 trillion .2025-2030 年預測：人工智慧驅動的全球資料中心資本支出總額（按類別與情境劃分）單位：兆美元Global data center total capital expenditures driven by Al,by category and scenario, 2025-30 projection, $ trillion無論那種情景，這些投資數額都極為驚人，背後有多重因素驅動：In any scenario, these are staggering investment numbers. They are fueled by several factors:生成式人工智慧的大規模應用。支撐生成式人工智慧的基礎模型，其訓練與運作需要大量算力資源。訓練和推理工作負載都在推動基礎設施的成長，預計到2030年，推理將成為主要的工作負載。Mass adoption of gen AI. The foundation models that underpin gen AI require significant compute power resources to train and operate. Both training and inference workloads are contributing to infrastructure growth, with inference expected to ben contributing to infrastructure growth, with inference expected to become 30.企業整合。在各行業（從汽車到金融服務）部署人工智慧驅動的應用程序需要大量的雲端運算能力。隨著應用場景不斷增多，人工智慧應用將愈發複雜，會整合為特定領域量身定製的專用基礎模型。Enterprise integration. Deploying AI-powered applications across industries—from automotive to financial services—demands massive cloud computing power. As use cases grow, AI applications will grow more sophisticated, integrating specialed.激烈的基礎設施競賽。超大規模供應商和企業正在競相建立專屬人工智慧算力以獲得競爭優勢，這推動了越來越多的資料中心的建設。這些「建設者」（下文將進一步描述）希望透過實現規模效應、優化資料中心技術堆疊，最終降低算力成本，從而鞏固競爭優勢。Competitive infrastructure race. Hyperscalers and enterprises are racing to build proprietary AI capacity to gain competitive advantage, which is fueling the construction of more and more data centers. These "builders” (as furbe des pib) descr3 3000m ”(achieving scale, optimizing across data center tech stacks, and ultimately driving down the cost of compute.地緣政治考量。各國政府正大力投資人工智慧基礎設施，以增強安全、經濟領導和技術獨立性。Geopolitical priorities. Governments are investing heavily in AI infrastructure to enhance security, economic leadership, and technological independence.這些投資將流向何處？Where is the investment going?需要說明的是，我們對人工智慧基礎設施 5.2 兆美元的投資預測存在一定侷限性—— 該分析可能低估了所需的總資本投入，因為我們的估算僅量化了五類算力投資者中的三類，即建設者、能源供應商以及技術研發與設計商。這三類投資者直接為人工智慧發展所需的基礎設施和基礎技術提供資金支援（詳見側邊欄「五類資料中心投資者」）。約15%（0.8兆美元）的投資將流向建設者，用於土地、材料和場地開發。另有25%（1.3兆美元）將分配給賦能者，用於發電和輸電、冷卻和電氣裝置。最大的投資份額，即60%（3.1兆美元），將流向技術開發者和設計師，他們為數據中心生產晶片和計算硬體。另外兩種投資者原型，運營商（如超大規模提供商和共址提供商）和人工智慧架構師（他們構建人工智慧模型和應用）也投資於計算能力，特別是在人工智慧驅動的自動化和數據中心軟件等領域。但由於這類投資與他們的整體研發支出有重疊，因此難以單獨量化其在算力上的具體投入規模。To qualify our $5.2 trillion investment forecast for AI infrastructure, it's important to note that our analysis likely undercounts the total capital investment needed, as our estimate quantifies capital investment for only three out of five compute power investor archetypes—builders, energizers, and technology developers and designers—that directly finance the infrastructure and foundational technologies necessary for AI growth (see sidebar “Five types of data center investors”). Appximate 是 15 cent 你。 materials, and site development. Another 25 percent ($1.3 trillion) will be allocated to energizers for power generation and transmission, cooling, and electrical equipment. The largest share of investment, 60 will ($3. produce chips and computing hardware for data centers. The other two investor archetypes, operators, such as hyperscalers and colocation providers, and AI architects, which build AI models 和center software. But quantifying their compute power investment is challenging because it overlaps with their broader R&D spending.五類資料中心投資者Five types of data center investors儘管預計需要如此龐大的資本投入，但我們的研究顯示，當前投資規模仍落後於需求。在數十次客戶訪談中我們發現，執行長們不願全力投資算力產能，因為他們對未來需求的洞察力有限。對人工智慧採用是否會繼續快速上升的不確定性，以及基礎設施項目有很長的前置時間，使得企業難以做出明智的投資決策。許多公司不確定今天對人工智慧基礎設施的大規模資本支出是否會在未來產生可衡量的投資回報率。那麼，企業領導者如何能自信地推進他們的投資呢？首先，他們可以確定自己的組織在計算能力生態系統中的位置。Despite these projected capital requirements, our research shows that current investment levels lag demand. In dozens of client interviews, we found that CEOs are hesitant to invest in compute power capacity at maximum levels be hesitant to invest in compute power capacity at maximum levels be hesit. about whether AI adoption will continue its rapid ascent and the fact that infrastructure projects have long lead times make it difficult for companies to make informed investment decisions. Many comcommend are unsure wheake informed investment decisions。 measurable ROI in the future. So how can business leaders move forward confidently with their investments? As a first step, they can determine where their organizations fall within the compute power ecosystem.人工智慧基礎設施投資者的五大類型Five archetypes of AI infrastructure investors這場兆級美元的人工智慧算力投資競賽背後，究竟是誰在主導？我們已明確說明五類核心投資者類型，每類都面臨獨特的挑戰與機遇，同時也詳細測算出它們未來五年的潛在投入規模。Who are the investors behind the multitrillion-dollar race to fund AI compute power? We have identified five key investor archetypes, each navigating distinct challenges and opportunities, and detailed how much they could spstinct challenges and opportunities, and detailed how much they could spend in the next five spendy.1. 建設者 Builders核心身份：房地產開發商、設計公司和建築公司，正在擴大大量資料中心的容量。Who they are: real estate developers, design firms, and construction companies expanding data center capacity人工智慧工作負載的資本支出：8000億美元。AI workload capital expenditure: $800 billion非人工智慧工作負載的資本支出：1000億美元。Non-AI workload capital expenditure: $100 billion關鍵投資：土地和材料採購、熟練勞動力、場地開發。Key investments: land and material acquisition, skilled labor, site development機遇。建設者若能優化選址，可搶佔核心區位、縮短建設周期，並儘早融入營運反饋，從而實現數據中心更快部署與更高運營效率。Opportunities.Builders that optimize site selection can secure prime locations, reduce construction timelines, and integrate operational feedback early, ensuring faster deployment and higher data center effency.挑戰。技術人員與建築工人的勞動力短缺可能影響人力供給，而選址限制可能壓縮可選場地範圍。與此同時，機架功率密度的增加可能會帶來空間和冷卻方面的挑戰。Challenges.Labor shortages could impact technician and construction worker availability, while location constraints could limit site selection options. Meanwhile, increased rack ges density could create space and cooling lenlen.解決方案。具有前瞻性的建設者能夠找到核心挑戰的應對之策，為其投資決策增添確定性。例如，一些建設者透過採用模組化設計來解決勞動力短缺問題，這種設計簡化了建設過程，例如在場外建造大型元件，然後在現場組裝。Solutions.Forward-thinking builders can find solutions to core challenges, adding certainty to their investment decisions. For example, some are solving the labor shortage issue by adopting mod alsigns that solving the labor shortage issue by adopting mod alsigns that cesstreams sargeion can be assembled on-site.2. 賦能者 Energizers核心身份：公用事業公司、能源供應商、冷卻/電氣裝置製造商和電信運營商，他們正在為人工智慧數據中心建設電力和連接基礎設施。Who they are: utilities, energy providers, cooling/electrical equipment manufacturers, and telecom operators building the power and connectivity infrastructure for AI data centers人工智慧工作負載的資本支出：1.3兆美元。AI workload capital expenditure: $1.3 trillion非人工智慧工作負載的資本支出：2000億美元。Non-AI workload capital expenditure: $200 billion核心投資領域：發電（發電廠、輸電線路）、冷卻解決方案（空氣冷卻、直接晶片液體冷卻、浸沒式冷卻）、電氣基礎設施（變壓器、發電機）、網絡連接（光纖、電纜）。Key investments: power generation (plants, transmission lines), cooling solutions (air cooling, direct-to-chip liquid cooling, immersion cooling), electrical infrastructure (transformers, generators), net connectivity) (networkn,able)機遇。能源供應商若能擴大電力基礎設施規模，並在可持續能源解決方案方面開展創新，將能更能掌握超大規模雲服務供應商日益增長的能源需求所帶來的機會。Opportunities.Energizers that scale power infrastructure and innovate in sustainable energy solutions will be best positioned to benefit from hyperscalers' growing energy demands.挑戰。現有電網的薄弱環節可能導致資料中心供電受阻，而處理器密度不斷提升所帶來的熱管理難題仍是一大障礙。此外，賦能者還面臨清潔能源轉型的要求和漫長的電網連接審批流程。Challenges.Powering data centers could stall due to existing grid weaknesses and solving heat management challenges from rising processor densities remains an obstacle. Energizers also face clean-energy transition re解決方案。鑑於超過 1 兆美元的投資面臨風險，賦能者正在尋找方法提供可靠的電力，同時推動投資回報率。他們正在對新興發電技術進行大量投資，包括核能、地熱能、碳捕獲與儲存以及長期能源儲存。同時，他們正加強，盡快提升各類能源的上線容量既涵蓋再生能源，也包括天然氣、化石燃料等傳統能源基礎設施。當前的變化在於，能源需求的規模已極為龐大，這催生了以空前速度建設發電產能的新緊迫性。隨著需求——尤其是對清潔能源的需求——的激增，預計發電量將迅速增長，可再生能源預計到2030年將佔能源結構的45%到50%，而今天僅佔約三分之一。Solutions.With over $1 trillion in investment at stake, energizers are finding ways to deliver reliable power while driving ROI. They are making substantial investments in emerging power-generation technologies—including captures, ) capgeage, 片面They are also doubling down on efforts to bring as much capacity online as quickly as possible across both renewable sources and traditional energy infrastructure, such as gas and fossil fuels. What ismands nowa is a遠 that the build power capacity at unprecedented speed. As demand—especially for clean energy—surges, power generation is expected to grow rapidly, with renewables projected to account for approximately 45 to 50 percent to 20 energy 2003, 000 energy 30day 50 enerper 20030,3. 技術研發與設計商 Technology developers and designers核心身份：為資料中心生產晶片和計算硬體的半導體公司和IT供應商。Who they are: semiconductor firms and IT suppliers producing chips and computing hardware for data centers人工智慧工作負載的資本支出：3.1兆美元。AI workload capital expenditure: $3.1 trillion非人工智慧工作負載的資本支出：1.1兆美元。Non-AI workload capital expenditure: $1.1 trillion核心投資領域：圖形處理單元（GPU）、中央處理單元（CPU）、記憶體、伺服器和機架硬體。Key investments: GPUs, CPUs, memory, servers, and rack hardware機遇。技術研發與設計商若能投資於具備可擴展性、面向未來的技術，且擁有明確的需求洞察力作為支撐，將能在人工智慧計算領域獲得競爭優勢。Opportunities.Technology developers and designers that invest in scalable, future-ready technologies supported by clear demand visibility could gain a competitive edge in AI computing.挑戰。少數幾家半導體公司控制著市場供應，抑制了競爭。產能建設仍不足以滿足當前需求，與此同時，人工智慧模型訓練方法與工作負載的變化，使得特定晶片的未來需求難以預測。Challenges.A small number of semiconductor firms control the market supply, stifling competition. Capacity building remains insufficient to meet current demand, while at the same time, shifts in AI model trainture method and while at the same time, shifts in AI model 大chips.解決方案。在算力競賽中，技術研發與設計商的潛在效益最大，因為正是它們提供了承擔實際計算工作的處理器與硬體。目前市場對其產品的需求旺盛，但它們的投資需求也最為龐大——未來五年將超過 3 億美元。少數幾家半導體公司對行業供應有著不成比例的影響，使他們成為計算能力成長的潛在瓶頸。技術開發者和設計師可以透過擴大製造能力並多樣化供應鏈來緩解這一風險，以防止瓶頸。Solutions.Technology developers and designers have the most to gain in the compute power race because they are the ones providing the processors and hardware that do the actual computing. Demand for their products is currently high, but the grle 造成 highnes the grolducts is currently0,five years. A small number of semiconductor firms have a disproportionate influence on industry supply, making them potential chokepoints in compute power growth. Technology developers and designers can mitigate this ifyrby expanding and un​​ywperion this risk by bottlenecks.4. 運營商 Operators核心身份：超大規模提供者、共址提供者、GPU即服務平台以及透過提高服務器利用率和效率來優化計算資源的企業。Who they are: hyperscalers, colocation providers, GPU-as-a-service platforms, and enterprises optimizing their computing resources by improving server utilization and efficiency人工智慧工作負載的資本支出：未包含在此分析中。AI workload capital expenditure: not included in this analysis非人工智慧工作負載的資本支出：未包含在此分析中。Non-AI workload capital expenditure: not included in this analysis核心投資領域：資料中心軟件、人工智慧驅動的自動化、訂製矽片。Key investments: data center software, AI-driven automation, custom silicon機遇。業者若能有效率擴大規模，同時平衡投資回報率（ROI）、性能與能源消耗，將可望引領產業長期發展。Opportunities.Operators that scale efficiently while balancing ROI, performance, and energy use can drive long-term industry leadership.挑戰。人工智慧託管應用尚不成熟，可能導致長期投資回報率（ROI）的計算難以清楚量化。資料中心營運效率低正推高成本，但人工智慧需求的不確定性仍在繼續擾亂長期基礎設施規劃和採購決策。Challenges.Immature AI-hosted applications can obscure long-term ROI calculations. Inefficiencies in data center operations are driving up costs, but uncertainty in AI demand continues to disrupt long-term.解決方案。儘管如今的數據中心已處於較高的運行效率水平，但人工智慧創新的迅速發展仍要求運營商同時優化能源消耗與工作負載管理。部分運營商透過投資更有效的冷卻解決方案和增加機架堆疊能力在不犧牲處理能力的前提下減少空間需求，從而提高資料中心的能源效率。另一些運營商正在投資人工智慧模型開發本身，以建立需要較少計算能力來訓練和運行的架構。Solutions.While data centers today operate at high-efficiency levels, the rapid pace of AI innovation will require operators to optimize both energy consumption and workload management. Some operators are improving energy dataeffect inject insticution and 周長increasing rack stackability to reduce space requirements without sacrificing processing power, for example. Others are investing in AI model development itself to create architectures that need less compute power to be trained and operateditectures that need less compute power to be trained and operated.5. 人工智慧架構師 AI architects核心身份：人工智慧模型開發者、基礎模型提供者、建構專有AI能力的企業。Who they are: AI model developers, foundation model providers, and enterprises building proprietary AI capabilities人工智慧工作負載的資本支出：未包含在此分析中。AI workload capital expenditure: not included in this analysis非人工智慧工作負載的資本支出：未包含在此分析中。Non-AI workload capital expenditure: not included in this analysis核心投資領域：模型訓練與推理基礎設施，演算法研究。Key investments: model training and inference infrastructure, algorithm research機遇。人工智慧架構師若能發展出平衡效能與低算力需求的架構，將引領下一波人工智慧應用浪潮。而投資於AI能力的企業可以透過開發符合其需求的專用模型來獲得競爭力。Opportunities.AI architects that develop architectures that balance performance with lower compute requirements will lead the next wave of AI adoption. Enterprises investing in proprietary AI capabilities can eds competitiveness by 字詞 specialtail bys specialtail.挑戰。人工智慧治理相關問題，包括偏見、安全和監管，增加了行業複雜度，可能會減緩發展。與此同時，推理構成了一個主要的不可預測成本組成部分，企業正面臨難以證明人工智慧投資的明確投資回報率的困難。Challenges.AI governance issues, including bias, security, and regulation, add complexity and can slow development. Meanwhile, inference poses a major unpredictable cost component, and enterprises are facing dicis ultare facs解決方案。大規模人工智慧模型不斷升級的計算需求正在增加訓練它們的成本，特別是在推理方面，即訓練有素的人工智慧模型將他們學到的知識應用到新的、未見過的數據上以做出預測或決策的過程。具有先進推理能力的模型，如OpenAI的o1，需要顯著更高的推理成本。例如，與該公司的非推理型GPT-4o相比，OpenAI的o1的推理成本高出六倍。為降低推理成本，領先的AI企業正通過稀疏啟動、知識蒸餾等技術優化模型架構。這些方案能夠減少AI模型產生回應時所需的算力，提升營運效率。Solutions.The escalating computational demands of large-scale AI models are driving up the costs to train them, particularly regarding inference, or the process where trained AI models apply their learned knowledge to newsion, sdics dataly their learns formly their learndeen to newsion, sdics dataorv. capabilities, such as OpenAI's o1, require significantly higher inference costs. For example, it costs six times more for inference on OpenAI's o1 compared with the company's nonreasoning GPT-4. optimizing their model architectures by using techniques like sparse activations and distillation. These solutions reduce the computational power needed when an AI model generates a response, making operations more icient.人工智慧基礎設施發展的關鍵考量因素Critical considerations for AI infrastructure growth企業在規劃人工智慧基礎設施投資時，需應對多種潛在結果。在需求受限的場景下，受供應鏈限制、技術變革及地緣政治不確定性影響，人工智慧相關資料中心的產能建設可能需要 3.7 億美元資本支出。而在需求加速成長的場景下，這些阻礙因素得到緩解，投資規模或高達 7.9 億美元。緊跟不斷變化的行業格局，對於制定明智且具戰略性的投資決策至關重要。投資者必須考慮的不確定性因素包括：As companies plan their AI infrastructure investments, they will have to navigate a wide range of potential outcomes. In a constrained-demand scenario, AI-related data centercapacityilliondisruptions, and geopolitical uncertainty. These barriers are mitigated, however, in an accelerated-demand scenario, leading to investments as high as $7.9 trillion. Staying on top of the evolving landscape is instical landscapeking informed. uncertainties investors must consider include:技術變革。模型架構的突破，包括計算利用效率的提高，可能降低對硬體和能源的預期需求。Technological disruptions. Breakthroughs in model architectures, including efficiency gains in compute utilization, could reduce expected hardware and energy demand.供應鏈限制。勞動力短缺、供應鏈瓶頸和監管障礙可能會延遲電網連接、晶片供應和數據中心擴展——減緩整體人工智慧的採用和創新。為瞭解決關鍵晶片的供應鏈瓶頸，半導體公司正在投入大量資本建設新的製造設施，但由於監管限制和上游裝置供應商的長前置時間，這種建設可能會停滯。Supply chain constraints. Labor shortages, supply chain bottlenecks, and regulatory hurdles could delay grid connections, chip availability, and data center expansion—slowing overall 過程investing significant capital to construct new fabrication facilities, but this construction could stall due to regulatory constraints and long lead times from upstream equipment suppliers.地緣政治緊張局勢。關稅波動與技術出口管制可能為算力需求帶來不確定性，進而潛在影響基礎設施投資與人工智慧的發展。Geopolitical tensions. Fluctuating tariffs and technology export controls could introduce uncertainty in compute power demand, potentially impacting infrastructure investments and AI growth.競爭優勢的角逐The race for competitive advantage在人工智慧驅動的計算時代，贏家將是那些能夠預判算力需求並進行相應投資的企業。算力價值鏈上的各類企業，若能主動掌握關鍵資源（土地、材料、能源容量和計算能力）將可望獲得顯著的競爭優勢。為實現有把握的投資，它們可採取三管齊下的策略。The winners of the AI-driven computing era will be the companies that anticipate compute power demand and invest accordingly. Companies across the compute power value chain that proactively secure critical resources — land, erialscity, gy as enerftd enerure critical resources—land, aterialscity, cat enerle enerftd enerft, enery, part, enerityenertercomenerftdedge. To invest with confidence, they can take a three-pronged approach.首先，投資者需要在不確定性中理解需求預測。企業應儘早評估人工智慧計算需求，預判需求的潛在變化，並制定具備可擴展性的投資策略，以適應人工智慧模型及應用場景的演進。其次，投資人需探索提升計算效率的創新路徑。具體而言，可優先投資於兼具成本效益與能源效率的計算技術，在最佳化性能的同時，管控能耗與基礎設施成本。第三，投資者可建構供應端韌性，確保人工智慧基礎設施在不過度投入資本的前提下持續成長。這將需要投資者確保關鍵投入（如能源和晶片），最佳化選址，並為供應鏈注入靈活性。First, investors will need to understand demand projections amid uncertainty. Companies should assess AI computing needs early, anticipate pot ential shifts in demand, and design scalable investment strategies that can ential shifts in demand, and design scalable investment strategies that can ential shifts in demand, and design scalable investment strategies that can ential shifts in deals of designal mod . innovate on compute efficiency. To do so, they can prioritize investments in cost- and energy-efficient computing technologies, optimizing performance while managing power consumption and infrastructure motside Third, the can pun​​ion sem. without overextending capital. This will require investors to secure critical inputs such as energy and chips, optimize site selection, and build flexibility into their supply chains.在成長與資本效率之間取得平衡至關重要。戰略投資不只是一場擴巨量資料基礎設施規模的競賽，更是一場塑造人工智慧未來的競爭。Striking the right balance between growth and capital efficiency will be critical. Investing strategically is not just a race to scale data infrastructure—it'sa race to shape the future of AI itself. （DeepKnowledge）

數字經濟爆發下，全球資料中心耗電量佔比逐年攀升。據統計，2024年中國資料中心能耗總量1660億千瓦時，約佔全社會用電量的1.68%，同比增長10.7%。2024年全社會用電增速為6.8%，資料中心用電量增速遠高於全社會用電量平均增速【1】。資料中心能耗已成為不可忽視的能源消耗領域。隨著人工智慧技術的迅猛發展，AI相關行業正經歷著前所未有的快速增長和技術迭代。這一變革不僅推動了社會的進步，也帶來了對計算能力的巨大需求。智能計算中心，作為AI技術發展的核心基礎設施，正面臨著前所未有的挑戰。01AI行業的快速發展AI技術的進步和應用場景的拓展，使得智能計算中心的建設成為推動行業發展的關鍵。技術的快速迭代要求資料中心能夠迅速適應新的計算需求，保持技術的領先地位。02高密散熱的需求關注隨著AI計算密度的增加，散熱問題成為智能計算中心必須面對的挑戰。高密度計算裝置產生的熱量如果不能有效管理,將直接影響資料中心的穩定性和效率，甚至可能導致裝置損壞和性能下降。03液冷技術的應用為瞭解決高密度散熱問題，液冷技術作為一種高效、環保的冷卻解決方案，已經成為智能計算中心散熱管理的重要趨勢。液冷技術能夠有效降低資料中心的能耗，提高裝置的散熱效率，是應對高密度散熱挑戰的有效手段。隨著晶片功耗增長加速，在面對不同業務需求時,製冷解決方案變得更多多樣。隨著機架功率密度的不斷攀升，行業內普遍認同，40～60kW/Rack已經達到了風冷極限，超過這個能力邊界，無論是考慮到散熱能力還是散熱成本，必須開始部署液冷。資料中心製冷從完全風冷邁向風液混合製冷，不同機架功率密度的製冷解決方案推薦如圖1所示。▲ 圖1 不同功率密度機櫃製冷解決方案機櫃功率密度在20～25kW以內時，常規遠端風冷方案即可解決伺服器散熱需求。當機櫃功率密度進一步提升，單機櫃功率密度在25～45kW時,就應該開始考慮近端風冷的解決方案。風冷方案再疊加背板熱交換器（Rear Door Heat Exchanger,RDHx），可以進一步解決單機櫃60kW以內的散熱需求。單機櫃功率密度在40～60kW時，就可以開始考慮採用液冷，但根據伺服器或晶片不同，也可以更早開始採用液冷。即使採用液冷，根據風液比不同，伺服器仍然有5%～50%的熱量需要通過風冷散熱來解決，風液混合將成為大多數高熱密度機櫃散熱方案。根據伺服器供液溫度要求，室外一次側需選擇不同的散熱方案。伺服器供液溫度要求大於40℃時，室外一次側散熱可以採用完全自然冷的解決方案，當伺服器供液溫度要求較低時，室外一次側需要採用機械冷卻。在單機櫃功率密度小於40kW時，考慮伺服器類型，往往更多選用風冷技術。為實現PUE要求，各類自然冷技術在機房空調裝置中已經大量應用。從節能技術維度，可以分為三類:01風側自然冷方案通過利用室外低溫空氣直接為資料中心供冷。在實際應用中有兩種方案:直接空氣自然冷，直接引入自然界新風對資料中心進行冷卻，但該方案受空氣質量、濕度等因素限制，適用場景較為有限。間接空氣自然冷，借助換熱器實現自然界低溫空氣與資料中心高溫空氣的熱交換，以降低機房溫度。此類方案可有效解決空氣質量及濕度問題，但在夏季室外溫度較高時，其應用仍會受到限制。02水側自然冷方案通過利用低溫水源或者水蒸發潛熱來為資料中心供冷。在過往的水側自然冷應用案例中，有直接引入湖水為資料中心供冷的方式，但此方案受水質條件，以及可能對當地生態環境影響的限制，應用範圍較窄。另一種通過水蒸發利用自然冷的方式應用則更為普遍，常見的冷卻塔及間接蒸發冷裝置等，在開啟水噴淋的情況下，均屬於水側自然冷，通過水的蒸發潛熱利用自然冷源。03氟泵自然冷方案通過氟泵來驅動冷媒循環，付出少量機械能，在室外低溫時將室外自然冷源的冷量通過冷媒相變傳遞至機房，從而達到降低機房降溫的效果。一般氟泵自然冷和壓縮機製冷整合在一個系統裡，當室外低溫時，壓縮機停止運行，啟動氟泵完成製冷循環。當時外溫度較高時，則需要啟動壓縮機來完成製冷循環。以上自然冷方式可以單獨應用，或者組合應用，充分挖掘室外自然冷潛能，實現節能效果。近期在資料中心領域應用比較多的混合雙冷源方案，即為一種組合式的自然冷方案。機房空調設計兩組盤管，層疊安裝。高溫迴風首先經過第一組盤管進行預冷，此時預冷冷源可以是氟泵自然冷，也可以是冷卻塔提供的冷卻水，之後通過第二組盤管，第二組盤管可以是氟泵自然冷，也可以是壓縮機機械製冷，根據製冷需求進行自動切換，詳見圖2所示。▲ 圖2 兩種不同雙冷源自然冷方案通過“預冷+補冷”的控制思路，實現自然冷源利用最大化，從而實現空調裝置高能效，有效幫助降低資料中心PUE。以資料中心常用100kW空調為例，採用上述自然冷技術的機組，在以下區域應用，可以達到的製冷因子CLF如表1所示。在空調機組100%輸出的條件下，水側自然冷通過利用更長時長的自然冷，製冷因子更低，見表2所示。在空調機組75%輸出條件下，可以看到氟側機組的能效提升更快，在北京以及上海，均可表現出比雙冷源機組更好的節能效果，見表3所示。隨著負載率進一步降低，在空調機組50%輸出條件下，氟泵自然冷機組的能效已經全面優於水側自然冷雙冷源機組。不管採用那種雙冷源，北方全年室外環境溫度更低，可以收穫更好的節能效果。隨著負載率降低，氟泵自然冷工作時長顯著增加，氟泵功耗遠小於水泵功耗，在各地均可獲得更好的節能效果。可以看到，利用“預冷+補冷”設計方案，兩類雙冷源方案可達到系統級的製冷因子相當，在選擇具體方案時，需結合項目地自然條件進行選擇。液體冷卻是指利用高導熱性能的流體介質（諸如25%丙二醇諸如25%丙二醇，去離子水、冷卻液或製冷劑）而不是空氣來冷卻資料中心。液體直接參與資料中心關鍵發熱源(如伺服器內部高性能晶片)的熱量交換過程。液冷技術縮短了熱傳導路徑，使得熱量能夠更直接、更有效地從熱源匯出，進而顯著降低了對伺服器內部風扇輔助散熱的依賴，從而降低整體能耗與噪音水平。資料中心液冷技術的應用可細分為兩大主流類別：直接到晶片（Direct-to-Chip, DTC）冷卻技術，常被稱為冷板冷卻，其特點在於將冷卻液直接匯入至伺服器內部，通過緊貼晶片的冷板結構實現高效熱交換。浸沒式冷卻技術，該技術將整個或部分伺服器元件完全浸沒於非導電冷卻液中，實現熱量的全面、均勻散發。在DTC配置中，液體不直接與電子元件接觸，液體冷卻劑被泵送到解決伺服器內部電子元件散熱的冷板上。雖然大部分熱量都被冷板帶走了，但仍然需要風扇來幫助去除電路板層面的熱量，儘管風量和風速都非常低。在這種情況下，一些設計通過空氣將熱量從伺服器機箱交換出去，而另一些設計則需要在機架或行級使用熱交換器將熱量傳輸到主冷卻回路，具體見圖3冷板液冷系統原理圖。▲ 圖3 冷板液冷系統原理圖CDU是液體冷卻系統中必不可少的元件，可在整個系統中均勻分配冷卻液。CDU建立了一個獨立的二次側回路，與提供室外散熱的一次側回路隔離開,並調節和控製冷卻液的流量以保持二次側回路所需的溫度和流量。其次，CDU要採用高耐腐蝕性的不鏽鋼材質,確保與冷卻液的完美相容，有效防止腐蝕。設計上尤其要注重關鍵器件的冗餘備份，如電源、泵、感測器及過濾器等，確保系統在任何情況下都能穩定運行。同時，CDU需內建精準溫控系統，能有效消除伺服器CPU和GPU的熱衝擊問題。此外，配備補液罐以滿足長期運行需求，並設有自動排氣裝置以排除空氣，保持冷卻效率。1）供液溫度冷板液冷系統的供液溫度設計需充分考慮不同晶片及伺服器製造商的特定要求，如Dell可能接受高達32℃甚至更高的供液溫度，而Nvidia則設定在25℃至45℃的較寬範圍內。需要注意的是，必須嚴格避免供液溫度過低，以防止水蒸氣凝結現象的發生，這可能嚴重損害IT裝置的正常運行。此外，系統還需具備強大的穩定性，確保在一次側流量出現波動時，二次側仍能維持穩定的供液溫度，以保障整體散熱效能與裝置安全，見圖4所示。▲ 圖4 一次側流量波動,二次側仍可保障穩定供液溫度2）供液流量冷板液冷系統的供液流量設計是確保高效散熱與穩定運行的關鍵環節。CDU（冷量分配單元）在此過程中扮演著核心角色，負責精確調控一次流體與二次流體的流量。具體而言，二次流體需維持穩定的流速進入IT裝置，以在裝置滿載時能夠有效從冷板中帶走所有熱量，保持IT入口溫度的恆定。同時，一次流體的流量則根據需散熱的熱量動態調整，並依據CDU的接近溫度（ATD）進行調整，見圖5所示。▲ 圖5 一次側流量波動,二次側仍可保障穩定回液溫度為了確保流量控制的精準性，系統要採用壓差控制並輔以即時監控，以確保系統中的洩漏不會導致壓力下降。此外，通過CDU內，泵與電源的冗餘設計，系統能夠在關鍵業務場景下保障流量的連續供應，進一步提升整體系統的可靠性與穩定性。3）過濾要求冷板液冷系統要求冷卻液順暢通過冷板內極其微小的通道，這些通道的寬度可精細至低於50微米，甚至達到30微米以內。堵塞不僅會限制流量，甚至可能完全中斷IT裝置的冷卻,導致維護成本急劇上升，因此系統對冷卻液的過濾精度提出了嚴格標準。通常，這一精度需低於冷板通道的最小尺寸，業界經驗傾向於採用25微米或更細的過濾等級。此外，為確保系統長期保持清潔狀態，CDU（冷量分配單元）需持續進行線上過濾，這是維護系統高效運行與延長使用壽命的關鍵措施。4）流體選擇在設計冷板液冷系統的初期，選擇合適的流體化學成分及可靠的供應商非常重要。一旦確定流體策略，後續的任何更改都將涉及繁瑣且成本高昂的清洗與淨化過程。此外，流體的選擇還會在偵錯階段帶來顯著複雜性，包括循環測試、雜質沖洗以及系統氣泡的排除，這些工作對於每台伺服器及整體解決方案的順利運行都至關重要。在整個系統使用周期內，對液體的持續關注同樣不可或缺，需定期進行pH值、外觀、抑製劑濃度及污染物水平的檢測，以確保其性能穩定與系統的持續高效運行。同時，所有冷卻液均需遵循嚴格的儲存與處理規範，並配備適當的個人防護裝置以保障操作安全。在冷板液冷系統的二次側流體選擇中，存在三種主流方案。首先，去離子水配方液換熱效果優越，然而其腐蝕風險不容忽視，需採取額外措施加以防範。其次，乙二醇配方液雖具備一定的防腐能力，但其毒性相對較大，且在環保要求較高的地區，其排放處理成為一大現實問題。最後，丙二醇配方液作為Intel、Nvidia等業界巨頭推薦的選擇，由於其防腐效果更好，成為眾多使用者信賴的優選方案。在選擇時，需綜合考慮流體性能、成本、環保要求及安全性等多方面因素，以做出最適合自身需求的決策。5）故障預防和檢測在冷板液冷系統中，除了二次流體網路內其他感測器的監測外，CDU的嚴密監控與管理是預防並儘早發現故障的關鍵。資料中心尤為關注洩漏問題，大部分洩漏案例發生在manifold與伺服器軟管快速斷開附件處，對IT裝置影響很小。但伺服器機箱內部的洩漏，特別是發生在內部manifold、軟管與冷板之間的洩漏，則對IT裝置構成重大威脅。因此，實施額外過濾與感測器在內的防錯系統至關重要，這些措施不僅能在熱交換性能下降時提供預警，還能有效遏制人為錯誤導致的污染物增加或液體質量漏檢風險，從而全面提升系統的穩定性與安全性。液體輔助DTC冷卻：機箱級、閉環的獨立產品，帶有冷板、泵和散熱器，針對處理器的局部熱點。熱量通過伺服器內部的液體-空氣熱交換器消散。與液體-液體DTC冷卻相比，這種液體輔助DTC產品不需要和伺服器外部的液體進行熱交換，也不需要CDU或其他液體基礎設施或對現有基礎設施進行修改，同時能夠解決高密度點。全液冷板冷卻：目前大部分DTC冷卻伺服器僅覆蓋高功率、高發熱部件，如中央處理器（CPU）、圖形處理器（GPU），其他部件仍需通過風扇提供的氣流進行冷卻，包括記憶體、儲存、硬碟驅動器/固態驅動器、外圍元件互連高速通道/開放計算項目（OCP）卡和電源單元。全液冷板冷卻配置將為所有部件配置冷板，並使用液體進行冷卻，完全消除風扇，進一步提高電源使用效率（PUE）。根據執行階段液體的狀態，DTC還可以進一步分為單相和雙相兩類。在單相系統中，液體冷卻劑始終保持液態。在雙相系統中，液體冷卻劑蒸發以將熱量從液體中轉移出去，然後通過熱交換器冷凝並轉換回液態。負壓液冷：有三個氣密性較好的液腔，分別是主真空腔、儲液腔、輔真空腔。主真空腔和輔真空腔交替保持高真空度確保工藝冷媒從伺服器冷卻環路流回，儲液腔保持較低的真空度使工藝冷媒流進伺服器冷卻環路。二次泵採用低揚程潛水泵，安裝於儲液腔內部，當檢測到二次側供液溫度低於機房的露點溫度時，潛水泵將停止工作以確保不會有凝露產生。配有真空泵等負壓系統（包含氣液分離器、消音排氣口,空氣流量感測器），用以保證三個腔體的真空度。三個腔體各配有兩個氣動開關閥,一個接通真空泵，另一個接通大氣相連的氣液分離器，用於控制各個腔體的真空度，以確保液體順利循環。伺服器不同，伺服器運行的冷卻液體溫度不同。根據水溫，冷板液冷有不同的製冷系統架構設計方案。當一次側水溫在W32及以下時，一次側冷源不能完全依靠冷卻塔全年供應，需要補充額外的機械製冷，即冷凍水冷源機組，常見可用的冷凍水冷源機組有水冷冷水機組、風冷冷水機組等。1）同源液冷方案和風冷部分均採用冷卻塔同源冷卻塔方案，不同末端例如液冷部分（XDU）以及水冷型空氣處理機組（AHU）等所需負荷都由同一冷卻塔進行供應。2）非同源液冷方案採用冷卻塔，風冷部分採用機械製冷或冷機非同源方案，包括高水溫不同源風冷和高水溫不同源冷凍水方案。當採用不同源風冷補冷方案時，精密空調和液冷CDU分別採用不同的冷卻塔或乾冷器；當採用不同源冷凍水方案時，空氣處理機組（AHU）冷源採用冷水機組,液冷部分（XDU）冷源採用冷卻塔，見圖6所示。▲ 圖6 風液混合系統製冷架構3）風液方案：機房已有風冷精密空調裝置，需要部署少量液冷機櫃，此時集中式風液型CDU方案是優選方案。CDU和液冷機櫃間通過軟管連接，液冷伺服器中的熱量通過冷板，Manifold，以及管路傳遞至風液CDUSB 隨身碟管，最後散至機房，再通過機房空調將所有熱量帶至室外，見圖7所示。▲ 圖7 風液方案系統製冷架構在做液冷方案選擇時，需要考慮伺服器可接受的冷卻液溫度，以及機房條件，來選擇適合的製冷系統架構方案。在當前的AI算力範式下，擴大算力的一個基本邏輯是不斷提高“堆疊”密度，由此帶來（單位空間內）的能量密度持續上升，將進一步推動液冷技術的應用。基於此，對於未來智算中心液冷技術發展方向可以概括為以下兩點：目前主流的冷板式液冷仍然存在較大比例的熱量需要風冷解決，這對智算中心的複雜度造成了很大影響。進一步降低風冷佔比,是進一步提升單機櫃功率密度、降低資料中心複雜度的迫切需要。傳統冷板方案可進一步最佳化伺服器和冷板設計，將主要發熱器件儘可能使用冷板散熱，單相浸沒式液冷、全覆蓋冷板液冷也是可以大力發展的方向。單相浸沒式液冷在解決高功率晶片擴熱問題後，可以實現100%液冷。全覆蓋冷板方案可以較好地適配AI伺服器，而不用考慮普通伺服器的通用性要求。進一步降低風冷佔比後，可能會面臨以下難點：晶片層面由於製程改進的效果越來越有限，利用先進封裝技術將多個較小的晶片拼裝為一體的Chiplet技術正得到普遍的應用，其中的一個重要趨勢是3D堆疊，這意味著單位面積上的電晶體數量會繼續高速增長，如何將晶片封裝內的熱量有效的傳匯出來，將成為行業面對的一大挑戰。機櫃層面以NVIDIA GB200 NVL72為代表的解決方案目前採用風液混合模式，櫃內互聯採用大量的銅纜，對散熱風道的設計形成了一定的阻礙。隨著機櫃功率的進一步提高，需要提高冷板在各節點內的覆蓋率，向全液冷的方向演進。隨著AI晶片功率的進一步提升（1500W-2000W以上），風冷散熱器已達瓶頸（1000W），單相水冷板也將很快到達散熱能力瓶頸（1500W），相變散熱技術是必然的方向，包括相變浸沒液冷和相變冷板液冷。相變冷板又包括泵驅兩相（Pumped twophase）冷板和自驅動兩相（Passive 2-Phase）冷板等方向。相比較而言，泵驅兩相冷板國外有較多的研究，但其複雜度較高、可靠性問題比較難以解決；自驅動兩相冷板的技術基於環路熱管（LHP）技術，挑戰更大，但其具有解熱能力強、高可靠、易維運、長壽命等優點。 (零氪1+1)

在過去一百多年裡，整個世界的電力系統基本都建立在交流電（AC）之上。不管是家庭插座、工廠裝置，還是資料中心的空調、水泵、伺服器，幾乎都依賴 AC 供電。但隨著 AI 的迅速崛起，GPU 訓練叢集功率飆升，單櫃從過去的 5kW、20kW，一路邁向 60kW、100kW，甚至未來的兆瓦級。傳統 AC 架構複雜、損耗高、效率天花板明顯，開始難以支撐 AI 時代的超高功率需求。於是，一個被忽視了百年的問題重新回到舞台中心——資料中心的核心供電方式，正在從 AC 轉向 DC（直流）。這並不是簡單的技術切換，而是資料中心能源體系的一次根本性變革。一、AI 推動供電架構升級：傳統 AC 模式逐漸面臨瓶頸傳統 AC 架構之所以面臨挑戰，原因主要來自三個方面：第一，能效損耗不斷放大。AC 架構從高壓到機櫃，會經過多級變壓、整流、逆變，再進入伺服器後還要再次轉換為 DC。每一級都會造成 1%–3% 的損耗，累計損失可達 7%–12%。在 AI 超大規模叢集中，這是一筆極為可觀的能耗。第二，裝置鏈路複雜、佔地大、可靠性受影響。UPS、柴油發電機、多個變壓器和開關櫃構成了 AC 架構的基礎設施。這些裝置既佔空間、成本高，也增加了潛在故障點。第三，AI 負載波動快，對響應速度要求更高。GPU 訓練任務會出現毫秒級的用電波動，傳統 UPS 不擅長處理這類頻繁的“突髮型”功率需求。這些問題促使行業重新思考供電體系的底層結構。二、DC 供電的優勢逐漸凸顯當資料中心的基礎能源體系以 DC 為主時，整體效率、可靠性和成本結構都將發生顯著改善。全 DC 架構的效果主要體現在以下幾點：能效提升 7%–10%:由於減少了 AC↔DC 的多次轉換，DC 供電鏈路更短、損耗更低。建設成本可降低約 35%:大量 UPS、PDU、變壓器和開關櫃可以被移除或減少，使建設投資明顯下降。系統可用性提升:DC 架構更簡單、裝置更少，配合超級電容可實現更快速的負載響應，整體可用性可提升到遠超傳統 AC 的水平。與新能源的適配性更高：燃料電池、太陽能、電池儲能本身輸出就是 DC，使得資料中心可直接接入多種 onsite 電源。因此，DC 架構不僅是提高能效的手段，也與全球“雙碳”背景和大規模可再生能源接入需求高度匹配。三、現場發電 + DC 供電：資料中心出現新的“能源形態”燃料電池能直接輸出 ±400V 或 800V 的 DC 電，與伺服器本身的 DC 需求天然匹配。結合超級電容系統，它形成了適合 AI 資料中心的“穩態 + 瞬態”供電模式：燃料電池 提供穩定持續的基礎功率，超級電容 負責應對瞬時功率波動，配合 DC 配電母線，就能構成一個響應速度快、架構精簡的全新供電體系。值得注意的是，這種 onsite DC 發電結構能夠支援“孤島運行”，即使電網故障也能維持正常供電。這對於電力供應緊張的地區（如北美部分區域）非常具有現實意義，也讓資料中心擺脫“電網限電”和“等待供電接入”的建設瓶頸。四、±400 V 與 800 V：DC 架構的兩條技術路線±400 V（雙極性）安全性更高行業應用更成熟EMI 噪聲較低成本相對更低適合現階段多數 DC 資料中心落地。800 V（單端）效率最高功率密度最大對絕緣與電磁干擾要求更高多用於未來超高密度 AI 伺服器場景。結合行業發展情況來看，中短期以 ±400V 為主流，長期高密度場景會逐步轉向 800V，兩者並不是替代關係，而是互補的選擇。五、DC 架構對資料中心基礎設施帶來的結構性改變未來 DC 資料中心可以減少的裝置比例：去除100% UPS 系統，去除100% 柴油發電機，去除90% 的變壓器，去除65% 的開關櫃，去除50% 的 PDU，這是 DC 架構的最大變化：供電鏈路從“層層堆疊”變為更輕量、更直接、更高效的結構。這樣的簡化帶來三個直接影響：減少佔地，讓更多空間用於 IT 部署，降低故障機率，提高可用性，建設周期縮短，部署靈活度更高，對於大規模擴容的 AI 資料中心來說，這些因素都具有非常高的實際價值。六、與零碳資料中心的發展高度一致DC 架構與碳捕捉、餘熱利用、吸收式製冷等技術的整合更加自然，這主要源於：新能源裝置本身輸出 DC，可直接與高壓直流母線連接，去掉柴油機後可避免大量碳排放。隨著國際大型科技公司紛紛提出 2030–2040 年零碳資料中心建設目標，DC 供電體系可能成為未來政策與行業趨勢中被重點採用的技術路線之一。AI 叢集規模正在急速擴大，傳統 AC 架構的能效、響應速度和成本模型都在逐漸難以適應這一趨勢。隨著現場發電、超級電容和 DC 配電技術成熟，資料中心的供電方式正在經歷一次自下而上的結構性調整。短期內，AC 依然會大量存在；但從高密度 AI 叢集、現場能源系統和零碳資料中心的發展趨勢來看，DC 會在越來越多的場景中成為核心供電方式。對於行業而言，AC→DC 不是概念變化，而是一次面向 AI 時代的底層基礎設施升級。(零氪1+1)