2025年的AI，不仅改变了技术叙事的节奏，也深刻重塑了宏观经济的逻辑。AI对美国GDP的拉动已超越消费，表面看似繁荣，实则背后是一次“用资本喂养未来”的豪赌。硅谷科技评论（SVTR）AI创投库显示，推理成本的持续下降，掩盖不了算力基础设施支出的指数级攀升——这是一种结构性错位：技术规模化了，但商业闭环尚未跟上；模型效率提高了，但利润模型仍在迷雾中。

英伟达最新创纪录的财报数字，与股价的瞬间波动形成了鲜明对比，昭示出一个时代的矛盾：资本既相信AI的明天，又担忧它的今天。SVTR认为，我们正站在AI工业化时代的临界点，从“软件吞噬世界”走向“硬件吞噬资本”。

图片

一、从“芯片革命”到“电力瓶颈”：算力已成美国经济新支柱

2025年，《华尔街日报》首次提出这样一个观点：AI相关资本开支已超过所有消费支出对GDP的贡献。这意味着，美国经济的增长越来越依赖于一个特定的行业形态：数据中心、芯片、电力与冷却系统组成的AI基础设施。

而这背后是高度资本密集、资源密集的现实：Meta的数据中心一度吞噬了俄勒冈州11.4%的总电力；AWS正在为Anthropic建设一个高达2.2GW的计算集群；谷歌、微软与OpenAI则将核能视为未来AI供电的关键。

SVTR 点评：我们正在目睹一次少有的科技变迁：AI从“云端智能”变为“实体资本工程”。这不仅改变了硅谷的资产结构，也使得曾经边缘的能源、地产和制造业成为AI产业链关键玩家。

二、推理成本在降，推理需求在爆炸：成本下降难敌需求增长

几乎所有AI公司都强调“推理成本正在下降”，以支撑其乐观叙事。OpenAI曾公开表示，其单位推理成本每年下降一个数量级。

图片

然而，这种说法忽略了更关键的问题：查询体量和复杂度的爆炸性增长，远远超过了成本下降的幅度。据OpenRouter统计，过去一年，大语言模型的使用量增长了30倍，复杂度也随之上升。更重要的是，“推理鲸鱼”（Inference Whales）现象频繁出现：一些用户仅支付200美元订阅费，却消耗了高达3.5万美元的计算资源。

图片

此外，新一代“Agent AI”模型比传统聊天机器人推理成本高出4至15倍，使得AI公司的单位盈利能力被进一步稀释。

SVTR 点评：技术进步正在成为财务负担。推理效率提升带来了使用规模的“反噬效应”，就像城市道路越修越宽，交通却更拥堵。推理成本下降，是幻象中的局部均衡，不是整体系统的闭环。

三、AI数据中心不是“虚拟空间”：它们是吞噬土地、电力和水的工业怪兽

截至2025年，美国50个州全部拥有AI数据中心，德州以346个项目位居第一。新建数据中心平均占地相当于7个橄榄球场，所需电力、冷却与土地资源正成为本地政府的重大负担。

以Meta在乔治亚州牛顿县的项目为例，当地居民因数据中心建设导致水井干涸而发起抗议。而在宾州，有AI数据中心计划位于两个流域上方，可能抽干整片地区的饮用水。

图片

四、资本狂奔背后：AI公司并未找到可持续的盈利模型

尽管OpenAI、Anthropic、xAI等公司正全力推进“垂直整合”，从租用转向自建数据中心与电力系统，但这并未改变盈利逻辑的失衡：

  1. OpenAI预计在2029年前仍无法实现盈利；
  2. xAI在自建数据中心同时，还需“进口”整座发电站；
  3. CoreWeave在2024年资本支出是其年收入的4倍以上。

问题的核心并非是否拥有硬件，而是用户是否愿意为这些成本买单。

SVTR 点评：控制“算力的所有权”不等于控制“盈利的主动权”。基础设施的主权化是一种自保行为，不是利润来源。除非用户为AI付出与其价值匹配的价格，否则“自建”只是把亏损从租金转移到了折旧摊销。

五、电力才是AI的真正瓶颈，而非算力

2025年，AI行业的基本矛盾逐渐清晰：电力约束已经超过了算法约束。

图片

微软计划重启三里岛核电站；谷歌与Kairos Power合作推进小型模块化反应堆（SMR）；Meta与Amazon均已开始为其数据中心配备专属可再生能源。

但尽管AI企业在能源领域投入空前，美国电网的扩容仍面临三大难题：

  1. 成本转嫁：目前电网升级费用通常被“平均分摊”，导致居民电价上升；
  2. 监管真空：数据中心往往以马甲公司名义申请建站，避免公众反对；
  3. 扩容滞后：多数电力公司在2030年前难以满足AI电力需求。

SVTR 点评：AI行业最大的不确定性并不在芯片制造，而在公共能源系统。未来五年，决定AI扩张极限的，可能不是NVIDIA的出货量，而是谁来为电力基础设施买单。

六、是泡沫，还是基础设施的“必要泡沫”？

这一轮AI浪潮是否是泡沫？答案或许是双重的：

是泡沫——当前商业模型极不稳定，数据中心像房地产项目一样烧钱、抢地、推预期，尚未形成盈利闭环。

却又不是纯粹的泡沫——这些投资可能为整个数字经济的下一阶段奠定物理底座，就像当年的Cisco为互联网普及修通了“数据高速公路”。

图片

SVTR 点评：包括大模型在内的AI基础设施或许是这个时代的铁轨，它不保证早期每一家公司都能盈利，但它将决定未来经济运行的最高速度。

七、AI的未来，取决于工业系统的“升级逻辑”

今天，AI不再只是关于算法优化的故事。未来五年的关键变量，我们认为在于：

  1. 是否能突破电力与冷却系统的物理限制；
  2. 是否能构建新的能耗效率模型；
  3. 是否能在Token经济之外，建立真实可持续的商业价格体系。

这是一场硬件、能源、金融与技术交汇的超级竞赛。

AI的算力扩张正在从“技术奇点”演化为“工业极限”。如果说AI的过去属于科学家，那么它的未来将由电网工程师、能源政策制定者和硬件产业工人共同塑造。

摩根大通分析师表示，他们没有看到 GenAI 支出过剩的迹象 ，预计顶级云提供商将在 2026 年从强劲的自由现金流中为至少 15% 的资本支出增长提供资金。私人人工智能实验室、主权基金和 CoreWeave 等新进入者也在增加未部署的资本。推理模型的采用只是在拐点，代理人工智能仍处于早期阶段，中国的云支出才刚刚开始，这表明到 2027-28 年需求将持续增长。

人工智能现在是美国经济最大的增长驱动力，但它建立在截至 2025 年根本不稳定的经济基础上。投资者和技术专家都在重新考虑人工智能的进步和投资是否能够以同样惊人的速度继续下去：效率提升、新的硬件范式和新的能源能否保持繁荣？或者，单位成本下降和总成本膨胀之间的不匹配最终会完全破坏商业模式吗？

一、人工智能的经济学

2025年7月，《华尔街日报》报道指出，人工智能相关的资本支出（如数据中心硬件和基础设施）对美国2025年GDP增长的贡献，已超过所有消费支出的总和。这个令人震惊的数据，凸显了人工智能在2025年对美国经济和文化产生的深远影响。

人工智能几乎已经渗透到日常生活的各个方面，从自动泊车到冲泡咖啡无所不包。面对这种无处不在的AI浪潮，文化反应呈现出两个极端：一方面是推动下一次工业革命的“加速主义者”，另一方面则是预言人类社会将被人工超智能取代的悲观论者。围绕AI即将迎来突破的讨论声量持续上升，资本市场对此也有所反应：截至2025年8月，“七巨头”（Magnificent 7）公司已占据标普500指数总市值的30%以上，这在很大程度上归因于市场对这些公司将在AI广泛应用中受益的预期。

随着投资者对AI在一级市场和二级市场上的投资热潮可能演变为泡沫的担忧加剧，AI批评者迅速提醒政策制定者和风险投资人：目前尚无一家依赖第三方数据中心的前沿AI公司实现盈利。尽管AI公司高调以媲美职业运动员的薪酬待遇招募顶尖AI研究人才，但AI尚未盈利的根本问题在于：当前用户的使用收入，与模型的开发和部署成本之间存在严重不匹配。

简单来说，这些前沿AI公司并未向模型用户收取足够的费用来覆盖其训练、开发和运行模型的高昂成本。尽管如此，这些公司面向公众的宣传仍普遍保持乐观，原因之一是推理成本（inference cost）持续下降。OpenAI在2025年3月致美国国会的公开信中曾指出，AI能力的单位成本每年下降一个数量级。

图片

然而，这种叙事忽略了另一个重要变量：AI能力的市场需求正快速增长，不仅要求更大、更强的模型，也需要更高频、更复杂的模型应用。无论是开箱即用的标准模型训练规模，还是模型使用频率与复杂性，都大幅上升。有数据显示，过去十年中，AI模型训练数据集规模增长了35万倍，而计算成本仅下降了100倍。

计算成本不仅取决于半导体等专为AI场景打造的硬件技术进步，还包括运维这些技术所需的土地、建筑、电力、冷却系统与网络基础设施。这些专为大规模服务器运行而建造的建筑群被称为AI数据中心。无论是升级现有数据中心，还是新建数据中心，对于AI模型的开发者来说，都是极其昂贵的投资——不管是自行承担，还是通过计算资源合作伙伴进行。

问题是：这种高度依赖基础设施的模式，能否真正支撑AI的商业逻辑？尽管数据中心一直是互联网及其盈利型在线服务的基础设施之一，但AI公司正在对其提出前所未有的存储和算力需求。截至2025年8月，AI对数据中心的算力需求已远超其当前所能提供的能力。为了弥补这一失衡，全球正掀起一波数据中心投资热潮，尽管许多投资已启动，但这仍无法保证AI企业最终能实现盈利。

二、每次查询成本与查询复杂性和数量

截至2025年8月，AI系统所面临的压力可简化为两个核心维度：运行一次查询的成本，以及查询的体量与复杂度。

查询成本

在AI语境中，将模型训练学习数据模式的过程称为“训练”，而使用已训练好的模型来回答用户问题的过程称为“推理（Inference）”。技术专家们普遍称赞推理成本的“大幅下降”，指出以相同基准性能训练模型的成本，已呈数量级下降。

若想真正理解各家公司在降低推理成本上的进展，需要先了解AI模型的“计价单位”：Token（令牌）。AI公司将推理成本细化为“Token”为单位，也即模型在处理用户查询时所消耗的计算资源。

举例来说：一个大语言模型（LLM）聊天机器人的查询成本，可能取决于用户输入的单词数量；而代码编辑类的查询成本，可能由代码行数决定。输入Token反映用户查询的长度与复杂度，输出Token则体现模型回应的复杂度。通常我们看到的推理成本下降图表，会以“每百万Token所需美元成本”来呈现，说明在更先进模型与硬件架构下，处理等复杂度查询的成本变化。

图片

然而，这类关于“推理成本极大下降”的说法在多个方面可能存在误导。

首先，不同复杂度的任务在成本改善上的幅度并不一致：复杂任务的成本确实下降显著，但简单任务的降幅却相对有限。

图片

其次，许多分析报告引用的是“用户端”推理成本，而非“企业自身”所承担的真实推理成本。有分析对比了私有部署推理（即企业或个人自建计算集群）与公共推理（即通过模型服务商购买算力）的成本，发现模型服务商通常以“贴钱”策略来换取规模化使用和市场占有率——远低于企业自建部署的真实成本。

查询复杂度与体量

截至2025年8月，“推理成本下降”已成为共识，但“查询的体量与复杂度”却常被忽视。事实上，AI系统的整体算力需求，正在以数量级的速度超越推理成本下降的幅度。

这背后的原因在于：

  1. 模型规模变大，训练数据量激增；
  2. 模型能力提升，用户输入更复杂；
  3. 查询总量爆发式增长。

查询复杂度上升

随着AI应用场景的多样化与用户对准确性的期待提升，前沿AI公司持续以更大规模的数据集训练模型，导致训练所需算力不断增加。

图片

尽管推理成本在下降，但训练成本却因为模型数据量与复杂度的上升而出现数量级增长。

图片

查询体量激增

这些性能更强的模型，因用户体验提升而迅速获得更广泛的用户群。例如，据OpenRouter（一家LLM使用数据追踪平台）统计，大语言模型的使用量在过去一年增长了30倍。

但与此同时，每一次查询本身的Token成本也大幅上涨——因为任务本身更复杂、模型响应更长。以Anthropic的报告为例，其“Agent型AI模型”（注：下图未显示）在处理同样复杂度任务时，推理成本是普通LLM聊天机器人的4~15倍。

图片

面对这一趋势，包括OpenAI、Cursor在内的模型提供商，纷纷设置Token上限，试图避免高频用户“刷模型”导致的亏损。

尽管模型托管的真实成本按Token计算，但市场上许多产品依旧采用“包月不限量”或“封顶式定价”，而不是按Token计费。这就产生了所谓的“推理鲸鱼（Inference Whales）”：即极度高频使用模型的用户。例如，有的用户在仅支付每月$200订阅费的前提下，实际消耗了价值高达$3.5万的Token资源。

随着模型不断升级，用户往往坚持只使用“最强模型”，而不愿接受更高的订阅价格，即便新模型的训练成本高出数倍乃至数量级。

效率提升 vs 使用失控

Token单价下降与模型复杂度和使用量激增之间的张力，掩盖了整个AI基础设施正在承受的巨大压力。

每一次模型能力升级或用户量增长，都意味着数据中心需要扩容，甚至新建设施，以满足推理能力的要求。这也意味着：更高的电力消耗、更快的硬件更新与更高的投资强度。

NVIDIA预测，2027年的AI服务器机架功耗将达到2025年标准机架的30倍，主要由于芯片密度与功率持续上升。

图片

麦肯锡在2025年4月发布的报告预测：

  1. 到2030年，AI数据中心将消耗170~220吉瓦的电力
  2. 全球数据中心为满足算力需求需投资6.7万亿美元
  3. 其中仅AI相关算力部分就需投资5.2万亿美元

三、计算的物理极限

AI数据中心是什么？

AI数据中心是物理意义上的高性能计算设施（HPC），专用于存储模型数据、训练模型，并为用户执行推理任务。这类数据中心的硬件包括专为AI优化的半导体、主备电源、网络设备与冷却系统。

图片

AI数据中心的主要成本来源包括：专为AI模型开发与推理设计的半导体芯片、维持中心运行所需的电力，以及为安置和冷却系统所需的土地与水资源。

什么是AI半导体？

AI半导体是专为大规模并行数据处理而设计的芯片，通常集成有高带宽内存（HBM），从而无需依赖外部内存。这些AI优化芯片（如GPU）具备传统中央处理器（CPU）所不具备的并行运算特性。

AI半导体的网络架构日益采用多种加速器组合，如GPU、FPGA（现场可编程门阵列）与ASIC（专用集成电路）等。

半导体种类概览：

  1. GPU：最初为处理图像与视频并行任务而设计，现广泛用于AI模型训练与推理，能同时处理成千上万个简单任务。
  2. ASIC：专为AI栈设计的并行计算硬件，用于提升效率。
  3. TPU（张量处理单元）：Google设计的专用ASIC，专攻深度神经网络中的大规模矩阵运算，应用于Gemini等Google AI工具中。
  4. FPGA：可现场重构的集成电路，适合自定义电路架构，常用于降低AI系统的延迟。

尽管AI算力需求飞速增长，数据中心运营商却必须在“持续升级硬件”与“实现盈利”之间做出权衡。许多模型构建者倾向于使用最先进的硬件来训练与运行模型，以显著降低功耗。然而，即使数据中心可因硬件升级而收取溢价，不少AI模型已针对特定芯片做了优化，使得替代硬件变得不受青睐。

此外，大多数AI芯片的生命周期往往不到三年。

以CoreWeave为例，这家云计算公司在2024年的资本开支为其年收入的4倍。截至2025年8月，“七巨头”（Magnificent 7）企业的总收入中，有8%来自NVIDIA向Meta、Amazon、Microsoft、Google与Tesla销售GPU的贡献。

AI数据中心如何供电？

AI的支持者与批评者都认为：AI数据中心庞大的能源消耗构成其规模化发展的关键障碍之一。

举例而言，Google的数据中心在2024年消耗了3080万兆瓦时的电力，是2023年的两倍多，是2014年的七倍多。而一户美国家庭每年平均用电量为1.05万千瓦时，因此Google的数据中心相当于290万户家庭的总用电量。

电价远高于水价，因此选址时电力供应优先级高于水源。当部分地区缺水时，企业转向电力制冷，进一步放大了能耗。

电网使用情况

数据中心电力需求的持续增长，正对本地电网构成日益严重的压力。例如，Meta的数据中心在2024年11月消耗了俄勒冈州11.4%的总电力，部分专家预测其未来或将占据路易斯安那州超15%的电力。美国法律规定，地方政府必须保障辖区内所有实体（包括数据中心）的供电。

在亚利桑那州，截至2025年8月共有151个数据中心。该州的主要电力公司APS早在2023年就预测：未来其电力需求中有55%将来自数据中心，而以2023年的基础设施水平来看，到2030年将远远无法满足这种需求。全美范围内，预计2035年数据中心用电量将是2025年的两倍。

图片

电网扩容与成本分摊问题

为满足AI数据中心所需，电网必须升级、扩建，并接入新的能源源头。但关键问题是：由谁来承担这些升级的巨额成本？是所有用户共同分摊，还是应由高负载数据中心单独承担？

截至2025年8月，电网升级费用通常“被平均分摊”给所有用户——理论上应与用电负载成比例，实际上却并不公平。一项能源研究指出：大型用户缴纳的电费无法覆盖其带来的设备升级成本，这意味着：

“要么电力公司将成本转嫁给其他用户，要么其股东承担亏损。”

另一项研究指出：由政府设定的电价激励政策，正在促使数据中心等大型项目扩张，同时损害普通民众利益，这一过程缺乏透明。

2025年6月发布的一项研究显示：到2030年，数据中心与加密货币设施的能源需求可能使全美电价平均上涨8%。在某些地区，如拥有140个数据中心的“数据中心走廊”Ashburn，电价可能上涨高达25%。

尽管Microsoft等公司声明不会转嫁用电成本至个人用户，公众仍普遍反对数据中心建设，原因在于开发过程长期缺乏透明度。部分地方如加州，已提出数据中心与居民分开定价；Santa Clara一名规划委员甚至称：

“数据中心就像城市的绦虫——不断吞噬、膨胀，占用资源，不致命，但也不会让你更健康。”

企业应对策略与能源替代方案

部分企业已开始考虑“数据中心+能源”一体化布局。例如：

  1. Meta：在亚利桑那州梅萨新建的数据中心旁，建设300MW的太阳能电场与电池组；
  2. Google：承诺未来仅使用无碳排放的电力，探索太阳能、风能、地热、核能等；
  3. 美国能源部（DOE）：2025年8月公布11项先进核能项目，将给予联邦资金支持，入选公司包括：Aalo Atomics、Oklo、Last Energy、Radiant Industries 等。

数据中心如何冷却？

图片

除了电力消耗巨大，AI数据中心还需大量冷却。Google与Meta等企业每年消耗数十亿加仑水用于设备降温。美国能源部数据显示，2014年数据中心年用水量为56亿加仑，到2023年已达到174亿加仑，其中84%由“超大规模（hyperscale）数据中心”消耗。

值得注意的是：AI数据中心的用水负担不仅来自服务器冷却，还包括因其兴建而启动的电厂降温负担。

公共影响与居民反对

在乔治亚州牛顿县，一座Meta数据中心建设后导致邻近居民水井干涸、水源污染，引发广泛抗议。宾夕法尼亚州的另一个项目甚至规划在两个流域上方打井，可能抽干周边民众的饮用水。

为了缓解公众疑虑，Meta承诺将在2030年前，向亚利桑那州Mesa地区“返还”多于其使用量的水资源。Amazon与Apple则承诺使用回收水。还有企业通过马甲公司或改名隐匿项目真身，以避免引起反对。

2025年7月，白宫发布《美国AI行动计划》，其中建议为AI数据中心提供《清洁水法》《清洁空气法》及NEPA等环保法规的“豁免条款”。

替代冷却方案

为减少用水依赖，部分企业探索：

  1. 闭环冷却系统：循环使用冷却水；
  2. 自然冷却（free cooling）：寒冷地区采用外部空气降温。

AI数据中心建在哪里？

图片

电力资源依然是数据中心选址的首要因素，其它影响因素还包括税收政策、光纤接入、施工劳动力、自然灾害等。

截至2025年8月，美国50个州均建有数据中心。德克萨斯州以346个数据中心位列第一，能耗也最高。

到2024年8月，全球平均每3天就有一个新数据中心投入使用。但由于2029年前75-85%的数据中心容量已被预订，所以新增需求只能靠新建满足。

Hyperscale数据中心规模之大，前所未有

这类AI超大规模数据中心通常需要相当于7个橄榄球场的土地，早期可“改仓库”的传统方案已不适用。

例如：

  1. Digital Gateway项目：2025年8月被叫停，该项目原计划占地2100英亩、耗电相当于75万个家庭；
  2. Stargate项目（OpenAI）：建设中，预计创造10万个岗位（多为临时工）；
  3. 地块价格上涨：适合AI项目的地块价格上涨高达40%；
  4. 地产商参与模式：

收购/租赁潜在选址；

配电后再“翻地转售”；

建设“暗壳”“亮壳”数据中心并出售/出租。

OpenAI在其Stargate项目的RFP中，列出了合作方需考量的量化与定性指标。

政策动态与前沿尝试

联邦政府对加速数据中心建设高度关注：

  1. 2025年7月，特朗普政府宣布在宾州投资900亿美元建设AI基础设施；
  2. 同月签署行政令，要求简化联邦AI数据中心项目审批流程；
  3. 2025年4月，能源部公布16处联邦土地，可用于数据中心选址。

此外，企业也在探索极端选址方案：

  1. Google：Project Natick，在海底部署AI数据中心，预期运行25年，能效比陆地高40~60%；
  2. 太空数据中心设想：利用太空低温环境与太阳能；
  3. 加州高铁走廊土地租赁：作为AI中心与光伏系统的复合利用提案。

四、算力的新寡头格局

随着算力变得至关重要，且其供给扩张成本高昂，算力正在成为“新石油”：少数几家大型科技公司主导了市场格局，后来者要么选择与这些巨头合作，要么被迫自行构建基础设施。

截至2025年4月，美国前四大数据中心运营商——Amazon Web Services（AWS）、Microsoft、Google 和 Meta——掌控了全美42%的数据中心容量。Anthropic、OpenAI、Gemini（原DeepMind）和Llama 等前沿AI公司当前都依赖这些巨头提供的算力资源，尽管部分企业已展现出改变现状的野心。

超大规模云服务商（Hyperscalers）

在美国，Amazon与Microsoft是云算力的两大主力供应商，其次是Google和Meta：

  1. Amazon Web Services（AWS）：全球运营100多个数据中心，部署超过140万台服务器，除南极洲外在所有大洲都有布局；
  2. Microsoft Azure：通过其Azure平台在全球运营超过400个数据中心；
  3. Google Cloud：在全球11个国家设有数据中心，2023年云基础设施市场份额约为8%，位居Amazon与Microsoft之后；
  4. Meta：全球第四大数据中心运营商，在美国及海外拥有自建和租赁数据中心。

硬件生态对比

各大云服务商在硬件依赖方面存在显著差异：

  1. AWS 使用由以色列芯片公司 Annapurna Labs 为其设计的 Trainium 与 Inferentia 芯片，这些芯片相比NVIDIA产品体积更小、更易散热；
  2. Google 自研的 TPU 芯片是专为深度学习优化的ASIC，不对外销售，仅用于其内部数据中心；
  3. Meta 通过其 MTIA（Meta Training and Inference Accelerator）项目自研芯片，并搭配NVIDIA GPU；
  4. Microsoft 主要依赖NVIDIA GPU，并从云计算公司 CoreWeave 租赁部分资源——后者2024年近三分之二的收入即来自于Microsoft，高于2023年的35%。

核心客户关系

部分超大规模云服务商主要为自身AI项目提供算力，部分则与外部客户建立关键合作关系：

  1. Google 的AI算力主要服务于旗下 Gemini 和 DeepMind 项目，并与NVIDIA合作构建开发者开放生态，将Gemini模型部署至使用 NVIDIA Blackwell 芯片的私有数据中心。Gemini将成为首个面向私有部署开放的大型模型；
  2. Meta 的开源Llama模型运行于自有算力平台，也支持在本地集群部署，同时兼容AWS与Azure；
  3. AWS 与 Microsoft 承担“算力即服务（Compute-as-a-Service）”角色：
  4. AWS：2025年8月，Anthropic将其指定为首选云服务商，作为回报，Amazon向Anthropic投资80亿美元；
  5. Microsoft Azure：自2019年起对OpenAI投资超过130亿美元，换取包括20%利润分享、OpenAI只能使用Azure作为独家云服务商等权利。

2025年1月，Microsoft 与 OpenAI 对协议进行了修订，允许 OpenAI 在必要时使用其他云服务商的算力，包括Microsoft的竞争对手。

扩张计划

几乎所有超大规模服务商都在持续加码数据中心建设：

  1. AWS
  2. 2025年初宣布将在宾夕法尼亚州、乔治亚州、俄亥俄州扩建；
  3. 印第安纳州新建占地1200英亩、2.2GW的数据中心，为Anthropic服务；
  4. 该项目隶属于“Project Rainier”，目标是构建一个比Anthropic当前集群大5倍的计算集群；
  5. 2025年4月有报道称AWS暂停部分租赁承诺，AWS回应称为“常规容量管理”。
  6. Microsoft
  7. 2025年1月宣布将在全球AI数据中心投资800亿美元；
  8. 2025年3月，部分美国和欧洲数据中心项目被取消，转而由Google与Meta接手。
  9. Google
  10. 2025–2026年将在北美投资250亿美元建设新数据中心，涉及德州、弗吉尼亚州、南卡罗来纳州、印第安纳州；
  11. 同时还在印度投资60亿美元建设6GW数据中心，在英国投资10亿美元建设100MW设施。
  12. Meta
  13. 预计未来数年投资数千亿美元，仅2025年就可能投入高达720亿美元；
  14. 资金部分来自出售价值超20亿美元的现有土地和资产，部分来自私人信贷；
  15. 2025年启动的新中心包括位于俄亥俄州的“Prometheus”、路易斯安那州的“Hyperion”，预计分别运行1GW与5GW；
  16. 然而，Meta在佐治亚州牛顿县的一个项目被批评导致居民饮水干涸，引发了对其新项目的担忧；
  17. Prometheus 是现有园区的扩建部分，采用临时帐篷结构以加速建设。

尽管加速扩张，截至2025年8月，Meta的算力需求仍超出其自有数据中心能力，不得不依赖AWS、Microsoft的云服务，并已与Google Cloud签署价值100亿美元、为期6年的算力使用协议。

五、推进垂直整合：算力寡头之外的新竞赛

在超大规模（hyperscale）数据中心快速扩张的同时，前沿AI公司、传统数据中心运营商和AI硬件制造商也在积极争夺AI云计算资源。他们各自从不同路径切入，一方面寻求构建自主控制的算力基础设施，另一方面也希望利用已有资源和市场机遇，参与AI基础设施的价值链升级。

一、前沿AI公司：走向“自建+自产+自供”

OpenAI：构建自主数据中心和电力系统的排头兵

OpenAI 是目前最公开讨论“自建数据中心与供电系统”的AI公司之一。根据其2025年运营模型，OpenAI预期2029年前仍无法实现盈利，但其长期合作方 Microsoft 可能会从合作协议中持续受益。

  1. 2025年1月，OpenAI 宣布启动 “Stargate 项目”，计划在2025至2029年间向美国AI基础设施投资 5,000亿美元。出资方包括软银、Oracle、MGX和OpenAI自身。
  2. 2025年7月，OpenAI 与 Oracle 合作，在德州 Abilene 建设 4.5GW 数据中心，同时正式解除与微软的算力独家绑定协议。
  3. 该项目预计 最早于2026年夏天上线，2027年初全部竣工。
  4. 是否包括“芯片组装”尚未明确，但 Altman 已多次表达希望“重塑AI芯片栈”的宏伟目标。2025年8月，他再次表示：“未来OpenAI将花费数万亿美元用于数据中心建设。”

xAI：快速部署、自带发电站的激进玩家

截至2025年8月，xAI 正在建设一系列名为 Colossus（巨像） 的超级计算机集群：

  1. 第一台 Colossus 超算部署于孟菲斯，仅用 122天 完成，远快于业内预期；
  2. 然而，当地居民投诉：涡轮机未经许可排放有害气体，造成哮喘与慢阻肺（COPD）频发；
  3. 2025年7月，xAI 宣布将为新数据中心“进口”一座发电站，但未披露来源；
  4. 同月，xAI 通过发债融资 120亿美元，并收购位于密西西比州 Southaven 的一座退役燃气电厂用于Colossus 2项目供电。

DeepSeek：中国AI实验室代表

关于领先的中国AI实验室 DeepSeek 使用的数据中心，公开信息不多，但其研究论文表明：模型训练采用的是 NVIDIA GPU，业内普遍认为这些芯片由其主要投资方 高毅资本（High-Flyer Capital Management） 提供。

  1. DeepSeek 运营自建数据中心，因此可按企业客户需求定制算力架构，具备较高弹性与优化空间。

二、传统数据中心玩家：借势AI基础设施浪潮再度崛起

Oracle：云计算“翻身战”中的激进参赛者

Oracle 近年来快速转型成为AI算力服务商：

  1. 与 OpenAI 合作 Stargate 项目，预计该合作每年将为其带来 300亿美元收入，远超其2025财年 245亿美元的整体云服务营收；
  2. 2025年6月宣布：未来两年将投资 近500亿美元 于数据中心建设；
  3. 其中在德州 Shackelford County 建设的 1.4GW 数据中心，因电力匮乏将完全使用 本地燃气发电；
  4. Oracle CEO Larry Ellison 曾称云计算是“胡扯”，但于2025年3月表示：“我们要成为全球最大云基础设施数据中心运营商，数量将超过所有竞争对手之和。”

CoreWeave：以太坊矿工转型为AI算力关键玩家

CoreWeave 成立于新泽西，最初从事以太坊GPU挖矿堆栈建设，如今已成为AI云计算市场的明星新秀：

  1. 运营多个客户专属数据中心，服务对象包括 IBM、Microsoft、NVIDIA 及众多中小AI公司；
  2. 2025年3月IPO，尽管财务模式受到争议，其创始人在上市前出售了 5亿美元股权；
  3. 截至2025年8月，市值超过 500亿美元，较IPO上涨 135%+；
  4. Microsoft 贡献了其2024年 近2/3营收（2023年为35%）；
  5. 2025年3月与OpenAI签署 5年119亿美元合同，OpenAI同时获得 3.5亿美元股权。此举被解读为OpenAI削弱对微软依赖的关键一步。

Foxconn：从代工王国走向AI算力

  1. 2025年8月，富士康宣布其来自AI数据中心的营收首次超过制造业务（后者占其年营收的20%-30%）；
  2. 在 台湾与美国 同步建设数据中心，并与 软银 合作为Stargate项目提供设备；
  3. 2025年7月，富士康完成与东元电机（TECO）的股份互换，增强其AI数据中心装配能力。

三、AI硬件厂商：从卖芯片到建数据中心

Groq：对标NVIDIA的AI芯片厂商

Groq 专注生产AI专用芯片，是 NVIDIA 的直接竞争对手之一，与之不同的是：

  1. Groq 自建并运营基于自家芯片构建的数据中心，布局于美国、加拿大、沙特、芬兰；
  2. 最新数据中心设于芬兰首都 赫尔辛基，得益于当地地热资源与寒冷气候，能效极高；
  3. 截至目前，Groq 未公开其AI数据中心的具体客户；
  4. 2025年6月，NVIDIA CEO 黄仁勋宣布将在 德国、意大利、亚美尼亚推进基础设施建设，并预测未来两年内欧洲AI算力将增长10倍。

四、根本性失衡：谁付电费 ≠ 谁能盈利

尽管AI公司正在推进垂直整合，从“租”转向“自建”，但这并未改变AI行业当前的盈利结构性失衡：

  1. 即使直接连接电力来源、绕过数据中心“中间商”，电力使用成本本身并没有显著降低；
  2. 除非模型用户的价格体系大幅提升，否则算力经济模型难以闭环；
  3. 中间商角色的削减，不等于单位电价结构优化。

换言之，控制基础设施的“所有权”与实现盈利之间，并无简单等价关系。

五、基础设施泡沫 ≠ 没有价值

虽然当前AI基础设施建设浪潮可能存在“泡沫”风险，但其带来的网络、电网、绿色能源等系统性升级，却可能成为长期价值的源头：

“例如，互联网泡沫时期Cisco推动的网络基础设施扩张，最终为互联网普及奠定了基础。”

AI基础设施的集体建设浪潮，或将以类似方式为未来AI生态的规模化应用打下不可替代的底层能力基础。

六、人工智能真正的瓶颈：电力

如果对 AI 公司的融资和美国政府对数据中心建设的鼓励持续下去，那么到 2030 年，美国 AI 数据中心的总容量可能在 2025 年基础上增加 2.7 倍。然而，要让数万亿美元的新基础设施顺利上线，必须对现有电网进行实质性升级，并获取新的能源来源。超大规模云厂商（Hyperscalers）早已预见到电力瓶颈，即便在那些因靠近电网而被选中的区域，也在积极探索替代能源，并严控 AI 模型运行中的用电去向。

微软正投资开发新的电源来服务其数据中心，其中包括在 2024 年 10 月与 Constellation Energy 签署合同，重启位于宾夕法尼亚州三里岛（1979 年部分熔毁事故现场）的核电站。Meta 也在为数据中心寻找专属电力来源，包括在亚利桑那州建设与数据中心配套的太阳能发电场，专门为其新设施供电。

类似地，谷歌在 2025 年 8 月宣布与 Kairos Power 和田纳西河谷管理局（TVA）达成协议，自 2030 年起，将 Kairos 在橡树岭的 Hermes 2 电站输出的最高 50 兆瓦电力输送到 TVA 电网，从而服务于田纳西和阿拉巴马的谷歌数据中心。谷歌承诺其数据中心将完全使用零碳能源，并已在地热能、裂变能、聚变能和太阳能等多种能源上进行投资。AWS 数据中心同样通过“可再生能源匹配”实现了 100% 使用无碳能源，使亚马逊在过去五年中成为全球最大的可再生能源企业买家。

核能和其他可再生能源的支持者寄望于 AI，认为其可以成为推动下一代核能和能源基础设施建设的核心客户，而这些基础设施未来可能不仅服务于数据中心，还会服务于整个电网。然而，即使这一愿景成真，速度也可能不足以缓解 AI 公司在 2025 年 8 月所面临的经济失衡。需求的增长或许会比技术降本更快，这一模式已在半导体价格的飞涨中得到了验证。政府在调控能源价格方面可能发挥缓冲作用，但前提是这些成本需要被转嫁给电网的其他用户。

七、AI 基础设施扩张的可持续性

AI 目前已成为推动美国经济增长的最大单一驱动力，但截至 2025 年，其背后的经济基础却并不稳固。投资人和技术专家都在重新思考：AI 的进步与资本投入是否还能以如此高速的节奏持续下去？效率提升、新的硬件范式以及新型能源，是否足以维持这场繁荣？抑或是单位成本的下降与总成本的膨胀之间的矛盾，最终会彻底击垮这一商业模式？

除非模型能够在更高效的方式下实现同等性能（例如从 Transformer 架构演进到全新范式），AI 的未来将不再主要取决于算法层面的进步，而是取决于工业级基础设施的经济学逻辑。