近日，风险投资机构 a16z 宣布成立一支规模达 11 亿美元的“机器时代基金”（Machine Age Fund）。该基金将聚焦 AI 相关的物理层基础设施投资，涵盖芯片、内存、网络、存储、数据中心、机器人及家用 AI 设备等关键领域。
a16z 联合创始人 Ben Horowitz、普通合伙人 Martin Casado 及管理合伙人 Raghu Raghuram 在随后的对谈中阐释了设立该基金的战略逻辑：随着 AI 模型能力的提升与应用的大规模落地，行业瓶颈正从算法模型本身转移至支撑其运行的底层基础设施。
AI 算力需求为何尚未见顶？
a16z 核心判断之一在于，AI 对计算资源的需求仍处于上升通道。早期大模型主要应用于单轮对话，而进入推理模型与 Agent（智能体）阶段后，单次任务的计算链条显著延长。强化学习、思维链技术及长期运行的 Agent，本质上均通过增加推理消耗来扩展模型能力。
与此同时，AI 的应用边界正在快速拓宽。从编程辅助到处理信用卡更新、订阅管理及邮件整理等日常事务，Agent 正逐渐承担起“新型员工”的角色。尽管当前 Agent 仍存在幻觉、安全风险及效率波动等问题，但其作为知识工作者的潜力巨大。a16z 认为，编程仅是起点，未来科学发现、材料研发、生物技术及机器人等领域都将深度融入 AI 工作流。
Martin Casado 将 AI 类比为蒸汽机或电力，指出人类可能需要数十年才能完全发掘其在各领域的计算价值。此外，AI 具备“自催化效应”，即利用 AI 优化训练代码甚至设计下一代 AI 系统。只要增加 GPU 投入仍能带来性能提升，算力需求曲线便难言见顶。
供给短缺：不止于 GPU
若需求侧表现为算力消耗的加速，供给侧则面临严峻的产能滞后。数据显示，主要云厂商（Hyperscalers）今年的资本开支合计已超 7000 亿美元，并有望向 1 万亿美元迈进，这直接反映了来自前沿实验室及企业客户的强劲需求。
关键基础设施产能已被提前预订至 2028 年，部分头部内存厂商现有订单需三年产能方可交付。这与上世纪 90 年代末互联网泡沫时期“基建超前于需求”的情况截然不同，当下是需求已现而供给严重不足。
Bern Horowitz 指出：“电力、冷却、内存、GPU，可以说什么都缺。”一套完整的 AI 集群不仅需要计算芯片，还依赖高带宽内存、网络互联、电源及冷却系统。向外延伸，更涉及数据中心建设、电网接入及发电能力。随着 AI 服务器功率密度从传统的 5-10kW 激增至 100-150kW，液冷已成为前沿数据中心的必要配置。此外，高压电网改造、专业施工人员短缺以及长达三至五年的建设与交付周期，均成为制约 AI 发展的物理瓶颈。
AI 基础设施亟待重构
面对短缺，简单的扩产并非唯一解，a16z 更看好由此引发的基础设施架构变革。现有设施多非专为 AI 负载设计，因此需从计算类型、内存组织、芯片通信及功耗分配等基础层面进行系统性重构。
从经济账来看，训练一个前沿模型成本高达 30 亿至 50 亿美元，若推理端能通过定制芯片提升 20% 的效率，即可创造约 20 亿美元价值，足以覆盖 ASIC 开发成本。这为初创公司在英伟达主导的市场中提供了生存空间。Martin 分析，即便巨头占据大部分市场，剩余 5% 的细分场景也足以支撑大型公司，且产业链在快速扩张期往往呈现碎片化特征。
这一趋势正吸引大量拥有芯片、系统及供应链经验的“系统级创始人”投身硬件创业。与纯软件创业不同，硬件项目需统筹设计、制造、产能及配套集成，且前期投入巨大。当前 AI 实验室对算力的极度渴求，使得客户愿意在产品交付前签署协议，加之资本市场对重资产项目接受度提高，共同构成了“机器时代基金”的投资逻辑。
过去二十年，“软件正在吞噬世界”是硅谷的核心叙事；而在生成式 AI 时代，软件能力飞速迭代，承载智能的物理机器却成为同步扩张的短板。a16z 押注的“机器时代”并非指 AI Scaling 的终结，而是预示着若要智能继续快速演进，其背后的物理基础设施必须经历一场彻底的重建。
注：封面/首图由 AI 辅助生成