在人工智能（AI）热潮背后，一个鲜为人知但至关重要的问题正在浮出水面：算力不再是唯一瓶颈，“电力”开始成为大规模 AI 基础设施扩展的制约因素。OpenAI 的 Sam Altman 与微软的 Satya Nadella 坦承：他们都“不确定”究竟需要多少电力，却正在加速冲刺。本文将从多个维度解读这一新挑战：现实背景、核心陈述、原因分析与未来影响。
一、AI扩张 vs 基础设施压力
文章指出，长期以来业界认为“算力（如 GPU / 模型训练能力）”是 AI 扩展的主要瓶颈。
然而，随着数据中心、训练模型规模迅速扩大，美国近年来电力需求虽增长缓慢，但数据中心和 AI 负载的需求却在上升，导致电力基础设施建设成为新的挑战。
Nadella 在播客中直言：“我现在的问题不是芯片供应，而是电力——我有很多芯片库存，但是找不到‘热壳体’（ready shells，已具备接电设施的数据中心建筑）来插进去。”
二、两位的关键观点
- Satya Nadella：电力 ≫ 算力
Nadella 表示：“在这个需求-供应循环里，你其实无法预测。重点是最大的问题不是算力过剩，而是电力也就是建造、接近电力的能力”。
他补充道：“如果不能这样，我可能真的有一堆芯片库存，但插不进去。”
- Sam Altman：效率提升反而可能推高需求
Altman 指出，如果“单位智能”的成本（比如算力／模型运行效率）骤降，那么使用量可能会上升远超降幅，即所谓的“杰文斯悖论”(Jevons paradox)：“如果明天智能单位的成本下降100倍，你会看到使用量上升远超过100倍。”
他同时指出，他们正在投资包括核能、聚变、太阳能储热在内的新型能源项目，但目前尚未能大规模部署。
三、为何“电力”成为新的瓶颈？
数据中心和 AI 基础设施不仅要考虑芯片、算力、模型，也要考虑：电源接入、冷却、厂房建设、能源合同、地点选址等“重物理”问题。文章称，这些对于以往以“软件＋芯片”快速扩展的公司来说，是一个完全不同的世界。
在美国，过去十年电力需求相对平稳，但近五年数据中心对电力的需求开始上升，超过了电网和发电厂新增容量的预测。
此外，AI 基础设施需“靠近电力”，建造数据中心空壳（warm shell = 接近完成、可快速安装设备的厂房）比单纯买芯片慢很多。Nadella强调这就是当前的问题。
四、影响与未来走向
对基础设施投资者：如果电力需求预测错误，可能出现“过度建设”或“闲置资产”的风险。
对AI公司策略：不仅要买算力，也要抢电力接入、冷却系统、厂房地点、合同期限等。对于像 OpenAI 和微软这样的公司来说，算力可能已不是最紧迫的瓶颈，而是“建厂 + 电力接入 +时间”能力。
对能源行业／可持续发展：AI能源需求上升可能加速对清洁能源（太阳能、聚变、核能等）与能源储存技术的需求。Altman提到了他们投向太阳能储热设备、聚变初创公司，但这些尚未大规模上线。
对生命周期成本与商业模式：如果运行 AI 模型的电力成本大幅上升，那么模型成本、用户收费、服务定价等可能受到冲击。另一方面，如果人工智能效率大幅提升，则使用量可能爆发式增长，进一步推高基础设施压力。
地缘/政策风险：不同国家／地区在电力／基础建设方面差异很大。若某地电力供给不足，将限制 AI 基础设施布局。文章暗示这是全球 AI 竞争（尤其美国 vs 中国）中值得注意的维度。
五、结语
当下，AI 扩张已不仅仅是算法、数据、模型的游戏，更是一场“电力 +基础设施 +建筑 +时间表”的竞赛。OpenAI 的 Sam Altman 与微软的 Satya Nadella清楚地指出：我们还不知道“究竟需要多少电力”——但他们知道这个问题必须解决。对于所有关心 AI 未来的人而言，这意味着从“软件思维”转向“硬件＋能源思维”的必要转变。