AI算力受限因素已从芯片层面转移至能源供给

前几日读到一则消息，Anthropic 与 Lambda 签订了一份高达350亿美元的云计算合同，而 Lambda 的投资方之一是 Nvidia。

坦白讲，这则新闻让我颇为意外。

原因并非金额——OpenAI 去年刚完成1220亿美元的融资。而在于这份协议背后的深意：

Anthropic 已不再局限于模型训练阶段，它在囤积"土地资源"。

350亿，以当前 AI 数据中心的市场行情计算，大约能锁定400兆瓦的算力规模。这个数字堪比一座中等城市的总用电负荷。

我做过一项推算：若每兆瓦可承载10万块 H100，那么400兆瓦就意味着4000万张 GPU。至于这能让 Claude 完成多少轮推理运算，想必各位都心知肚明。

许多人仍在热议"谁的模型更胜一筹"——GPT-5、Claude Sonnet 5、GLM-5.2。

然而在这些讨论的底层，一个更为根本性的制约条件正逐渐显露：

能源。

但核电站从立项到投产需要7至10年，"远水难救近火"。

耐人寻味的是，这一瓶颈并非骤然显现。

我回顾了过去三年的 AI 竞争态势，每一轮瓶颈都在逐级下沉：

每一年，AI 竞赛的约束层级都在向下迁移一步。时至2026年，最底层已变成实体世界的电力与土地资源。

去年我出席了一场 AI 行业内部交流会，与会的几位创业公司创始人提及一个现象：

有一支做推理引擎的团队表示，他们原计划今年推出一款新模型，却被电力审批流程拖住——数据中心获批三个月后，电网接入仍处于排队等待状态。

"我们缺的并非技术，而是变电站。"

此言乍听颇为荒谬，却道出了真实状况。

另一个迹象是：越来越多的科技巨头开始自建发电设施。据路透社调查，美国目前有57座离网电厂正在建设或规划中，专门用于为单一数据中心供电。

开发商绕开电网审批队列，自行发电——这表明电网扩容速度已无法匹配 AI 的建设节奏。

我有一位从事数据中心业务的朋友，最近半年交谈最多的话题不是芯片，而是"你那有电吗"。

老实说，这让我颇感唏嘘。

这一趋势对中国而言意味着什么？

我近期查阅了一些数据：

2025年，中国全社会用电量首次跨越10万亿千瓦时大关，超过欧盟、俄罗斯、印度、日本四国之和。这一数字是美国总量的2.5倍。

更为关键的是，中国在全球电力设备供应链中占据上游环节。风电、光伏、变压器、稀土加工——这些构成 AI 基础设施的"水电煤气"。

但问题同样显而易见：

美国的数据中心去年耗电183太瓦时，超过俄亥俄州全年的用电总量。而中国5月份互联网数据服务用电量同比暴涨45.4%，远超全社会用电量6.9%的增速。

电力缺口，中美两国都存在，只是表现形式有所差异。

美国是"建设速度过快，电力供应滞后"；中国是"需求增速过猛，供给亟待补课"。

聊到这里，我想回归一个更务实的问题：这对从事 AI 产品开发的人有何启示？

当前 AI 产品的竞争格局，正从"模型能力"向"算力成本"转变。相同的 Prompt，在不同算力基础设施上运行的成本差异，可能比模型自身的性能差异更为悬殊。我接触过一些团队，模型选型仅关注 benchmark 分数，却未核算推理成本——结果上线后才发现，每千次调用的成本高出对手3倍，商业逻辑完全无法成立。

去年业界争抢 H100，今年则开始争抢电力资源。我有一位投资圈的朋友透露，他们现在评估项目时，开场白已从"你们采用什么模型"变成了"你们的算力