很多人对AI竞赛的理解，还停留在发布会的热闹里：比谁模型参数更大、跑分更高、推理速度更快。
但扒开底层物理账本你会发现，这套叙事已经过时了。
一个冰箱大小的AI服务器机柜，重量比得上一台皮卡；到2027年，单机柜峰值耗电等于65户家庭同时开足家电，它排出来的热量，要30台燃气锅炉一起烧才能匹敌。
这不是科幻段子，是IEA实打实的测算。 行业里流传一句金句：算力的尽头是电力。这句话流传很广，但它只说对一半。真正卡住AI扩张的，从来不是“地球上有没有足够多的电”，而是一整条环环相扣的系统链条：发电、电网、变压器、散热、内存、封装、资金，甚至还有老百姓愿不愿意在自家旁边建数据中心。
AI的战争，早就从软件算法的PK，悄悄变成了一场笨重、漫长、门槛极高的制造业与能源工程大战。
智能本质上，
就是用电 “烧” 出来的
我们抛开所有花哨的产品宣传，回归最朴素的物理逻辑：AI生成Token，本质就是电能进入晶体管，驱动比特翻转，不停做矩阵乘法，最后吐出文字、图片和视频。
这里有一个很有意思的公式，把有效智能拆成四个因子相乘：可用电力×硬件能效×算法效率×设备利用率。 这四个环节是串联的短板效应，任何一环拖后腿，其他环节再强都发挥不出来。
这也解释了为什么AI的瓶颈一直在不停搬家：前两年所有人抢GPU，卡源就是最大门槛；等GPU产能慢慢跟上，大家发现HBM高带宽内存、CoWoS先进封装排不上号；到今天，最头疼的卡点变成了变压器、燃气轮机、并网指标。
很多人压根没注意到这些不起眼的工业零件，却能把动辄几百亿的数据中心项目死死卡住。
还有两个物理常识，是看懂整个行业的钥匙。
第一，能量守恒。机柜吃进去多少电，几乎全部变成热量。供电和散热根本就是一件事，供电能力上去了，散热方案跟不上，机器直接过热降频甚至报废。风冷早就扛不住下一代高密度机柜，液冷从加分项变成了必选项。
第二，搬数据远比算数据贵。芯片做一次加法消耗的能量微乎其微，但把数据从内存搬到芯片里，能耗要高出几百倍。 这就是为什么最近几年，所有硬件创新的方向高度统一：想尽一切办法缩短数据移动的距离。HBM堆叠内存、先进封装、NVLink高速互联、共封装光学，底层目标全都是一件事——减少数据搬运的能耗损耗。
很多人以为现在的芯片已经摸到物理天花板，其实不是。朗道尔原理划定的理论下限，我们现在还差着好几个数量级。 真正的天花板，不在物理公式里，而在工厂排产表、电网十年规划、地方议会的投票记录上。
扎心的杰文斯悖论：
效率越提，用电越猛
这里有一个特别反直觉的现象，也是很多人理解不了AI用电的根源：软硬件每年都在疯狂提效，跑同一个任务的能耗年年暴跌，但全球AI的总用电量，反而在加速暴涨。
这就是经典的杰文斯悖论。 当年瓦特改良蒸汽机，烧煤效率大幅提升，大家本来以为煤炭消耗会变少，结果恰恰相反：动力成本下降之后，蒸汽机遍地普及，新增需求直接盖过了效率节省下来的资源，煤炭总消耗量一路飙升。
AI现在正在复刻这个剧本。 IEA的数据很直观：2025年AI专用数据中心用电量暴涨50%，而全球总用电量只涨了3%。 为什么效率提升挡不住耗电暴涨？
三个原因叠加在一起：
第一，单任务成本下降，大家愿意随时随地调用AI；
第二，模型能力持续突破，视频生成、智能体这类新任务，一次请求的能耗是普通问答的几百上千倍；
第三，前沿大模型训练本身的算力需求，还在指数膨胀。 放到国内看更直观，国家数据局披露的数据，国内日均Token调用量短短一年多，从千亿级别冲到140万亿，增长上千倍。大家调用AI的频次，早就超出了所有人早期的预估。 很多人幻想：等模型足够高效，AI就不会那么费电。大圣想说，这个愿望很难实现。效率提升不是来帮我们省电的，它是用来解锁更多消耗算力的新场景的。
最核心矛盾：
芯片按年迭代，电网按十年规划
AI世界最撕裂的地方，是两套完全不同的时间时钟撞在了一起。 芯片一年一代，数据中心两年左右就能建好投产；可电网、大型变压器、燃气轮机的交付周期动辄三四年，核电规划落地更是要十年起步。
这是AI扩张最大的底层矛盾。 AI厂商按季度上调算力目标，但是支撑它的能源基建，是按十年维度规划的。订单已经签出去一大堆，硬件准备好了，电接不进来，一切都是空谈。
现在美国大型电力变压器交付周期最长四年，燃气轮机积压订单够工厂生产六年。很多规划里的吉瓦级数据中心，卡在并网环节动弹不得。彭博的数据显示，美国原定2026年投产的12吉瓦数据中心，只有三分之一真正动工。 巨头们被逼出了一条退路：自建燃气电厂，就地发电。但这条路代价极高，AI算力负载波动极大，一秒之内负载就可以上下跳动50%，自备电厂要预留很高的冗余，成本直接翻倍。
核电是更长期的解药，微软、Meta、亚马逊都签下了核电购电协议，但第一批小型堆要等到2030年前后才能落地，解决不了当下的饥渴。 电价也在这个过程里持续暴涨，美国PJM电力市场容量价格几年翻了十倍。电不再是便宜的配套资源，变成了决定项目盈亏的核心变量。 以前大家建数据中心，逻辑是先买GPU，再找地方通电；现在反过来，先锁定稳定电力容量，再谈算力建设。
瓶颈向内转移：
机柜本身，正在变成一座小型电站
顺着链条往机柜内部看，变化同样颠覆认知。 早年Hopper机柜大概40千瓦，Blackwell来到140千瓦，下一代Rubin Ultra机柜预期直奔600千瓦。密度提升的背后，是一套底层物理逻辑：GPU要尽可能紧紧靠在一起，缩短互联距离，集群效率才够高。芯片堆得越密，功率密度就越恐怖。 高密度直接击穿了传统方案。
供电上，老的54伏配电扛不住巨大电流损耗，行业集体转向800伏高压直流，抄起电动车的电力技术；散热上，风冷彻底出局，全液冷成为标配；负载剧烈波动，又逼着每一个数据中心配套大容量储能电池，用来缓冲冲击，甚至反过来参与电网调峰。 一个很有象征意义的细节：英伟达新一代机柜分出Max Q、Max P两个功率版本，用来适配不同地区不一样的电网条件。
放到几年前谁敢想象？芯片规格，要向下迁就当地电网的供电能力。芯片公司，被迫变成电力工程公司。
还有一个持续转移的瓶颈：算力争夺，慢慢从GPU，转向HBM内存和先进封装。 很多人不理解，为什么算力瓶颈不在计算核心？因为大模型推理绝大多数时候，卡在读取权重、读取上下文缓存，也就是 “内存墙”。算力闲着等数据，才是常态。 解决办法就是HBM堆叠内存+CoWoS先进封装，把内存和GPU贴得足够近。代价就是存储、封装产能瞬间变成紧俏资源。SK海力士的HBM产能早就被提前订满，台积电CoWoS产能疯狂扩产，订单依然塞不下。
有意思的连锁反应来了：晶圆产能优先供给HBM，挤压普通DRAM产能，手机、PC的内存涨价，消费电子反而要为AI算力竞赛买单。这就是产业链牵一发而动全身的残酷现实。
看不见的两道门槛：
钱，还有普通人的许可
前面聊了电、热、芯片，还有两个约束，常常被行业报告一笔带过，却能直接决定项目生死。
第一个是资本。四大云巨头今年资本开支合计接近7000亿美元，规模已经超过全球油气开采投入。 这笔钱大到单靠企业自有现金流扛不住，必须持续在债市、股市融资。刚好我们上一篇聊过，现在华尔街已经不再无脑为 AI增长故事买单，融资门槛持续抬高。 很多项目，签了算力协议、规划了吉瓦规模，但是 “签约、在建、通电” 是三件完全不同的事。OpenAI的星际之门计划宣传5000亿投资，真正落地通电的容量，只是规划里很小一部分。很多光鲜的宏大算力蓝图，随时可能因为资本市场收紧而搁浅。
第二个约束，是社会许可。这个门槛最慢，也最难用钱和技术搞定。 美国大量数据中心项目，因为居民反对电价上涨、噪音、用水、燃气排放被叫停或者推迟。单季度几百亿规模的项目搁浅，上百个州议会抛出数据中心管制法案，甚至有全州暂停建设的提案。 居民的抵触不是不讲道理：在电力紧张的区域，大规模数据中心确实会推高本地电价。 变压器可以加班制造，芯片可以扩产，但是社区的信任，只能一点点沟通重建。未来优秀的数据中心，不再只是一个耗电的负荷，还要变成电网的调节资源，靠储能参与调峰，分摊电网升级成本，才有机会拿到入场券。 有人脑洞大开，把算力送上太空，谷歌、SpaceX还有国内团队都在探索轨道数据中心。太空太阳能充足，也没有居民投诉，但真空散热、星间通信带宽、发射成本都是巨大拦路虎。与其说是当下的解决方案，不如说它侧面印证了地面并网、民意阻力有多棘手。
单点传奇的时代结束了，
链条才是胜负手
大圣我一路梳理下来最大的感受：AI行业的评价标尺，已经彻底换了。 过去三年，谁能拿到更多GPU，谁就能领跑；接下来，比拼的是一整条复杂长链的综合组织能力。 你可以做出惊艳的模型，设计出顶尖芯片，但如果拿不到稳定电力、配套不了液冷、抢不到HBM封装、融不到持续资金、过不了民意和监管关卡，一切都是空中楼阁。
瓶颈会不断游走：今天是变压器，明天可能是资本市场的耐心，后天是地方民众的态度。整条链条里，最不起眼的零部件、最枯燥的基建规划，随时都可能变成卡脖子的短板。 我们总喜欢仰望大模型、超级智能这些宏大概念，很容易低估工业制造、能源网络这些厚重、沉默的底座。
AI不是一场代码天才的独角戏，它是一场属于工程师、电网规划师、芯片制造工人、能源运营商的系统工程。 未来AI竞赛的赢家，未必是参数最猛、跑分最高的那一个，而是能把整条长链条稳稳兜住的玩家。
💬 互动话题
以前我们都觉得 AI 拼算法和芯片，看完你觉得，接下来 AI 算力扩张最大的卡点会落在哪个环节？评论区聊聊你的看法。