AI大模型为何离不开矿业

先讲一个可能让不少人听着别扭的现实。

每当我在行业交流场合谈起“AI与矿业”，总会有人客气地笑一笑，接着很快把话题岔开。这个笑容代表什么，老葛心里很清楚：采矿这件事，跟人工智能到底能扯上什么关系？

但就在去年，微软宣布未来五年将在全球数据中心累计投入800亿美元；谷歌、亚马逊的资本支出同样高得惊人，一个数字比一个更大。与此同时，铜价也在悄悄刷新历史高位，全球头部铜矿企业的股价随之明显走强。

在很多人眼中，这不过是两则彼此无关的消息。但在我看来，它们其实说的是同一件事。

01 算力走到最后，拼的是电

很多人把人工智能（AI）想成一种纯软件，仿佛它只存在于云端，漂浮在虚拟世界里。然而，这其实是一个很大的认知偏差。

实际上，像ChatGPT这样的AI系统，每生成一次回答，背后都要调动成千上万块图形处理器（GPU）进行高负荷计算。训练一个领先的大语言模型，所耗费的电力甚至相当于一座小城市数月的用电规模。正如OpenAI首席执行官山姆·奥特曼所说，当下限制AI继续发展的最大约束，不是算法，也不是数据，而是能源供给。这不是夸大其词，而是非常严肃的工程现实。

以英伟达最新一代AI芯片为例，单卡功耗已经超过1000瓦。一个部署满这类芯片的数据中心，耗电规模几乎等同于一座中型工厂。放眼全球，这样专门服务AI的数据中心正以成百上千的数量加速建设。根据国际能源署（IEA）的预测，到2030年，全球数据中心的用电需求将实现翻倍，届时其用电量预计将占全球总电力消耗的4%以上。

那么，这关键的4%电力，到底从哪里来？这已经成为AI产业与全球能源系统必须共同回答的核心问题。

要建设电厂、铺设输电线路、搭建变电站，以及所有把电力送入数据中心的基础设施。

而这一整套体系，都离不开大量铝、铜以及各类金属材料。其中，铜的地位尤其突出。

02 为什么偏偏离不开铜？

铜凭借极高的综合性价比（导电性能仅次于银，但成本却远低于银），在导电材料中拥有难以替代的战略价值。到了人工智能（AI）时代，这种底层需求正在被迅速放大。从高压输电线路（每公里往往需要数吨铜），到大型数据中心（无论是服务器、配电系统还是冷却装置，用铜量通常都以百吨计），铜都是支撑输电与散热不可缺少的关键材料。

更关键的是，为AI数据中心供能的能源结构正在持续向可再生能源切换，而风电、光伏和储能系统的单位用铜密度，普遍是传统火电的3到6倍。这就形成了一条非常坚实的物理需求链：AI大模型→算力需求→电力消耗→电网及发电设施建设→铜资源消耗。链条上的每一个环节，对应的都是真实且庞大的基础设施投入，而不是概念层面的炒作。

国际投行高盛的研究也印证了这一趋势。其报告指出，在AI驱动的数据中心扩张，以及全球老旧电网升级需求叠加之下，到本十年末，全球铜需求预计将增长约60%。虽然此前市场对单个数据中心用铜量的估算曾因单位换算错误而出现明显偏差（比如把“200吨”误写成“50万吨”），但修正后的数据依旧清楚指向一个确定的结构性增长方向。基于这一判断，高盛仍维持铜价在2027年达到每吨10,750美元的预测，并强调电网升级的紧迫性正让铜逐步具备“新石油”式的战略属性。

所以，AI的竞争不只是算法和算力的竞争，从更深层看，它还是能源与关键资源，尤其是铜，供给能力的竞争。

03 供给端的压力，比需求端更棘手

需求端的逻辑已经足够震撼。

但作为一个矿业从业者，真正让我焦虑的，其实是供给端。

一座铜矿从发现到正式投产，平均要花多少年？

答案是：16年至20年。

这不是效率高低的问题，而是地质勘查、环保审批、基础设施配套、融资落实等环节决定的客观周期。没有什么捷径能够跳过去。

过去十年里，受上一轮大宗商品低迷影响，全球矿业公司普遍压缩资本开支，结果导致新矿山勘探和开发投入明显不足。

换句话说：

眼下AI需求在快速加速，而铜矿供给却是典型的慢变量。两者之间的时间错位，正在逐步拉出一个结构性的供需缺口。

我曾在刚果（金）工作，那是全球铜矿资源最富集的地区之一。即便在那里，一个新项目从立项推进到产出第一吨铜，至少也要七八年时间。

AI不会停下来等你。市场也不会停下来等你。铜价其实已经开始用自己的方式表达态度。

04 不止是铜——AI还离不开哪些矿产？

铜是最大的一块，但绝不是全部。

服务器芯片中会用到不少稀土元素，它们被应用在永磁电机上，用来驱动数据中心冷却系统中的风扇和泵。

大规模储能系统——用于平抑可再生能源波动、保障数据中心连续供电——则需要锂、镍、锰、钴等材料。

数据中心所需的钢结构建筑，离不开铁矿石和焦煤等原料。

AI硬件中的散热系统，也会大量采用铝合金。

如果把AI整条产业链从头到尾拆开看，你会发现几乎每一个物理层面的支撑背后，都有矿产资源在默默打底。

科技公司讲述的是软件系统的故事，但承载这些软件运行的硬件，本质上都是实打实的金属与矿石。

这也正是为什么我会说：AI时代，同样是矿业的黄金阶段。

05 在AI时代，矿业公司能做些什么？

这才是老葛真正想表达的重点。

AI不只是矿业的下游需求来源，它也正在反过来改变矿业自身的运行方式。

过去，勘探找矿往往需要地质师花上数年时间，反复进行漫长而艰苦的找矿工作。如今，AI可以整合卫星遥感、地球物理以及历史钻探等数据，开展多源异构数据的综合分析，大幅压缩这一过程所需的时间。

过去，设备维护主要依赖经验判断和定期停机检修。现在，AI模型可以通过实时监测振动、温度、电流等数据，提前识别故障风险，尽可能降低非计划停机。

矿山生产调度和矿石配矿本质上是非常复杂的优化问题。人工排班与传统软件的效果都有局限，而AI调度系统则可以进行实时动态优化，提升整体回收率和产能利用效率。

老葛这两年一直在专注做这件事——利用AI帮助矿山提效、降本。这不是概念包装，而是我们正在一步步落地推进的真实业务。

结尾，老葛说句实在的

AI浪潮之下，全球资本都在追逐算力、芯片和模型。

但很少有人回过头去追问：这一切赖以成立的物理基础到底是什么？是谁在背后托底？

我见过太多投资人，对英伟达和各类算力芯片的商业逻辑非常熟悉，却不知道一座铜矿从发现到投产究竟需要多少年。

他们买的是AI的叙事，却忽略了——没有铜和各种矿产金属，就不会有数据中心、算力，更不会有AI。

矿业，才是AI时代真正意义上的“底层基础设施”。

作者简介：矿业老葛(葛云博)，拥有15年矿业投资并购与运营实战经验。曾先后任职于达索系统Geovia、中国五矿集团、埃尔拉多黄金等全球知名矿业与科技企业，历任董事 / 总裁、矿山总工程师、技术总监等核心管理职务，主导或参与的跨境矿业并购项目总金额超过百亿，主导完成20多亿项目融资。熟悉澳大利亚JORC标准、加拿大NI-43-101报告标准及中国矿业规范，擅长矿业项目尽职调查、资源量核实、储量估算、成本优化、财务模型搭建以及跨境项目落地操盘，曾为紫金矿业、洛阳钼业、中国黄金、山东黄金等数十家头部矿业企业提供技术支持与培训。

经手的矿业项目已过百，见过的矿多，踩过的坑也不少。用最直白的话，讲最真实的矿业投资逻辑。