Dwarkesh Patel：關于AI數據中心投資、能源和建造周期的思考

近日，AI分析師Dwarkesh Patel在其SubStack賬號上發表了一篇題為《Thoughts On the AI buildout》的文章，作者包括Dwarkesh Patel和另一位AI分析師Romeo Dean。

這篇分析文章背后也反映了資本市場對當下AI算力和基礎設施建設巨額投入所產生的AI投資泡沫的擔憂。「明亮公司」此前也曾提及，擔憂的一個原因是，今年AI數據中心的投資規模在4000億美元上下，但AI產生的營收僅約600億美元——投資和收入差距過大。

但在這篇分析中，Patel和Dean更關注數據中心建設的具體細節和財務數字，他們首先引用了之前Sam Altman在9月23日博客中的一個愿景：“希望創建一個每周能生產一吉瓦（GW）新增 AI 基礎設施的工廠“。

Sam Altman在博客中還說：“實現這一愿景將極其困難，我們需要數年時間才能達到這個里程碑，并且它需要在技術棧的每一個層面進行創新，從芯片到電力，再到建筑和機器人技術。但我們一直為此不懈努力，并相信這是可能實現的。在我們看來，這將是有史以來最酷、最重要的基礎設施項目。”

Patel和Dean認為，真正決定數據中心建造價值的可能不僅僅是其所反映出的芯片和算力（占總投入的60-70%），而且更要看整個建設的速度。這背后的原因是，GPU技術的快速迭代導致其折舊周期大約僅有3年，而數據中心整個建筑的折舊周期是十幾甚至二十年，如果晚交付一個月導致的GPU閑置，就意味著巨大的折舊成本。

因此，看起來運營成本較低的能源（比如核電），因為其較長的交付周期，實際上成本并不算低；反而是燒天然氣的燃氣輪機因其較靈活的部署，進而有更好的效果。這也反映了為何GE、西門子能源、三菱等燃氣輪機廠商也在近期獲得了更多投資者的關注和更好的資本市場表現。

除了能源之外，Patel和Dean指出，目前美國的建設工程人才也存在瓶頸——整個數據中心的設備如果要大規模、快速地交付，需要大量機械工程師等方面的人才，美國“去工業化”后實際上并不具備這種條件。

在此基礎上，Patel和Dean還討論了中國在整個數據中心算力基礎設施上的優勢，包括在電網、能源、建設建造工程人才方面的優勢，以及對標臺積電、AMSL等核心設備的企業追趕速度，長期來看可能“會默認中國是贏家”。

以下為「明亮公司」編譯的內容（有刪節）：

Sam Altman表示，他希望“創建一個每周能生產一吉瓦（GW）新增AI基礎設施的工廠”。

要實現這一愿景需要什么？這在物理上是否可行？這對不同的能源來源、從晶圓廠到燃氣輪機工廠等所有上游領域的資本支出（CapEx），以及對中美競爭意味著什么？

這些都不是簡單能回答的問題。我們寫這篇博客文章是為了加深對這些問題的理解。我們對自己了解到的一些東西感到驚訝。

晶圓廠資本支出的剩余

僅憑2025年一年的盈利，英偉達就能覆蓋臺積電過去3年的全部資本支出。

臺積電在過去5年的總資本支出為1500億美元。這些資金用于許多方面，包括建設整個5納米和3納米節點（分別于2020年和2022年推出），以及英偉達現在用于制造數據中心芯片的先進封裝技術。僅憑臺積電20%的產能，英偉達就創造了1000億美元的盈利。

假設臺積電的節點在5年內折舊——這是一個極其保守的估計（新建的先進晶圓廠的盈利周期超過5年）。這意味著，在2025年，英偉達將把約60億美元的臺積電折舊資本價值，轉化為2000億美元的收入。

再往供應鏈上游看，英偉達一年的收入幾乎與包括ASML、Applied Materials、Tokyo Electron在內的五家最大半導體設備公司過去25年的研發和資本支出總和相當。

我們認為這種情況最適合描述為“晶圓廠資本支出富余”。

我們之所以強調這一點，是因為如果你天真地猜測什么會是第一個限制長期AI資本支出增長的上游環節，你不會想到銅線或變壓器——你會從人類有史以來制造的最復雜的東西開始，也就是制造半導體的晶圓廠。我們驚訝地發現，建造這些晶圓廠的成本與人們已經愿意為AI硬件支付的價格相比，簡直是小巫見大巫！

如果英偉達愿意，他們甚至可以補貼全新的晶圓廠節點。我們不認為他們會直接這樣做（或者他們會嗎？想想和英特爾的交易），但這顯示了“晶圓廠資本支出”有多么富余。

數據中心上游供應商將不得不擴大生產

在過去的二十年里，數據中心的建設基本上是利用了美國去工業化后遺留下的電力基礎設施。我們訪談的一位業內人士說，直到最近，幾乎每個數據中心背后都有一個故事。谷歌第一個運營的數據中心就建在一個前鋁廠的對面。這些超大規模數據中心運營商習慣于改造舊鋼廠和汽車廠的電力設備。

一旦某個行業變得更具現實意義，美國就能迅速而高效地利用前一個行業的“軀殼”。但現在我們進入了一個不同的階段。超大規模數據中心運營商不僅在以前所未有的更大規模建設新的數據中心，而且是從零開始建設，并相互爭奪相同的資源——其中之一就是熟練勞動力。

即使是麥肯錫也認為這些資本支出數字并非天方夜譚（到2030年累計6.7萬億美元的資本支出意味著2030年當年約為2萬億美元）。

要讓你每年部署2萬億美元的AI資本支出，就必須有其他人在生產價值2萬億美元的所有其他數據中心組件，而不僅僅是芯片。數據中心的上游供應商——那些生產從銅線到渦輪機、變壓器和開關設備等一切的公司——將需要建造更多的工廠。

問題在于，這些工廠的成本必須在幾十年的生命周期內攤銷。按照通常的利潤率，只有當這種AI需求能持續10-30年時，這些工廠才值得建造。

建造這些工廠的公司并非對通用人工智能（AGI）深信不疑——它們是經營了幾十年的工業企業，利潤率低，并且曾被多次需求波動所傷害。在21世紀初，電力需求似乎將要爆炸式增長，因此像通用電氣（GE）、西門子等燃氣輪機制造商大規模擴張了生產能力。然后需求崩潰，給他們留下了巨大的（幾乎導致破產的）過剩產能。

如果不僅晶圓廠存在資本富余，其他數據中心組件也存在，那么超大規模數據中心運營商能否簡單地支付更高的利潤率來加速產能擴張？特別是考慮到芯片目前占數據中心資本支出的60-70%，這些巨頭或許會告訴那些建造另外30%組件的公司不要擔心長期需求：“我們只需幾年的超高利潤率就能讓你們回本。”

最大的燃氣輪機制造商（GE Vernova、西門子能源和三菱電機）預計在未來5年內從燃氣輪機中獲利1000億美元。這對應約100吉瓦的發電能力。這些公司所有部門的合計資本支出約為每年50億美元。

如果超大規模數據中心運營商愿意為這100吉瓦的發電能力支付2000億美元而不是1000億美元（例如，為了激勵更快的交付），他們實際上將覆蓋這些渦輪機制造商（按當前速度計算）整整20年的全部資本支出。

要建造100吉瓦的數據中心，超大規模數據中心運營商無論如何都需要投資數萬億美元。發電成本僅占數據中心成本的7%左右。如果天然氣最終成為最快擴大發電能力的方式，那么為了確保電力能盡快上線，將發電成本翻倍至14%可能是非常值得的。

我們認為，對于數據中心的大多數組件，類似的情況可能都成立。不要低估供給的彈性。

即將到來的勞動力瓶頸？

勞動力實際上可能成為最嚴重的短缺——我們不能簡單地像蓋章一樣憑空制造出更多工人（至少現在還不能）。

位于阿比林的1.2吉瓦Stargate數據中心設施擁有超過5000名員工。當然，隨著我們擴大規模，效率會提高，但粗略計算，要建設100吉瓦，似乎需要417,000人。而這還只是2030年AI電力消耗預測的低端。我們將需要體育場那么多的電工、重型設備操作員、鋼鐵工人、暖通空調技術員……等等。

作為參考，美國有80萬電工和800萬建筑工人。我們聽說這個勞動力群體正在迅速老齡化，但至少在未來幾年內，通過重新分配和提供高薪應該能夠緩解勞動力瓶頸。

到2020年代末，4000億美元以上的ARR是能實現的

Anthropic和OpenAI每年的AI資本支出（在2025年主要由亞馬遜和微軟間接完成）似乎在1000億美元左右。

在過去兩年里，OpenAI和Anthropic的收入每年增長三倍。到2025年，它們合計有望實現200億美元的收入。

這意味著他們在資本支出上的花費是收入的5倍。這種情況可能會隨著時間改變——更成熟的行業通常資本支出低于銷售額。但AI增長非常快，所以現在投入比賺的多是合理的。

目前，美國的AI資本支出為每年4000億美元。為了讓AI在短期內不成為一個泡沫，目前正在建設的數據中心需要在其生命周期內產生4000億美元的收入。它們能做到嗎？

谷歌、Facebook等公司已經向我們展示，如果你能創造一個對數十億人有適度用處的產品，你每年就能產生數千億美元的收入（僅廣告一項，谷歌+Meta每年就賺4000億美元）。

OpenAI正在接近10億未變現的免費用戶，我們認為僅憑其現有產品，收入從120億美元擴展到1000億美元是可能的（一個愿景就是：GPT-5為廣告變現和超級應用鋪平道路）。問題更多在于他們是否能在3-5年內做出一個看起來有前景且經濟上有用的GPT-6（或其他產品），從而使他們的收入達到4000億美元以上的范圍。

當然，收入問題最終取決于你的時間線。如果AI真正兌現其承諾，那么它至少可以與白領工資相提并論，后者每年達數十萬億美元。

你認為到2020年代末，AI模型能完成軟件工程師的大部分工作嗎？如果全球2700萬軟件工程師都使用每月1000美元的超級AI Agent計劃，使他們的生產力翻倍（花費其薪水的10-20%），那將已經是3240億美元的收入。

交付周期（Lead Times）

建造一個新的吉瓦級以上的數據中心大約需要兩年時間——這還不包括調試新一代芯片所需的時間。這意味著，如果你想在2030年部署2萬億美元的資本支出，你需要在2028年就做好規劃。按照目前的性能/功耗和性能/價格趨勢，2萬億美元大約對應66吉瓦的AI數據中心容量。

在過去幾年里，超大規模數據中心運營商和實驗室想要的算力總是比他們之前計劃開發的要多。如果這些巨頭計劃未來5年復合年增長率（CAGR）為30%，但最終希望平均達到40%（在2030年達到2萬億美元的資本支出），那么在2030年，他們將需要彌補相對于長期計劃的20吉瓦的缺口。

Elon Musk（在他還沒有一家AI公司的時候，傳統的超大規模數據中心運營商本應預先承諾建設產能）通過做一些瘋狂的事情來解決他的限制。普通人是否能在只計劃了30或40吉瓦的情況下，造出60吉瓦的全新產能，尚不清楚。

如果AI需求持續超過預先規劃，壓縮數據中心建設時間線的壓力將會巨大。問題是：這對能源來源和數據中心設計意味著什么？一些能源的交付周期比其他能源長得多，而一些數據中心設計更適合快速部署。

在數據中心總擁有成本中，芯片的成本壓倒了其他一切。這是因為：一、芯片非常昂貴；二、數據中心的外殼（建筑）可以在12-20年內折舊，而芯片每3年就完全折舊（并且必須更換）。

因此，在選擇能源時，你可以非常清楚地看到優先順序：

1.交付周期-數據中心的外殼晚建成一個月，就意味著占成本絕大部分的芯片閑置一個月。

2.非芯片資本支出-在3年周期內，這比電力運營支出昂貴得多。

3.電力運營支出（OpEx）。

所以你可以理解為什么天然氣比目前的核反應堆更受青睞。核電的運營支出極低，但交付周期極長且資本支出高昂。天然氣可能不是可再生能源，但你可以在數據中心旁邊設置幾十臺燃氣輪機，讓你的芯片快速運轉起來。

太陽能電池板本身非常便宜，但在平衡夜晚和季節性差異時成本可能很高。如果你完全依賴太陽能，你必須建造大量的過剩容量（考慮到15-25%容量因子，1吉瓦的數據中心需要4-7吉瓦的太陽能容量）并增加大量的電池。否則，你昂貴的芯片在冬天或晚上就有閑置的風險。

太陽能發電場還占用巨大的土地面積，并需要大量的安裝勞動力——祝你好運——能雇傭30,000人在沙漠中鋪設20,000英畝的太陽能電池板和電池，只為給一個1吉瓦的數據中心供電。目前世界上最大的太陽能園區是中國青海的共和塔拉灘光伏電站。它產生的電力足以為約3吉瓦的平滑連續功率供電——但這需要15吉瓦的峰值容量——意味著720萬塊太陽能電池板——面積相當于七個曼哈頓。

除了交付周期和成本，你可能會問，哪種能源在物理上足夠充裕以供應這種需求？答案是，幾乎所有能源都夠。即使是對于2020年代末最爆炸性的AI場景，所提到的任何能源的理論極限都比需求高出幾個數量級。

脫離電網？

一個關鍵問題是數據中心是否會“脫離電網”——即在現場發電而不是連接到公用電網。一些最大的數據中心已經在這樣做了，例如Meta的Orion或xAI的Colossus。

為什么數據中心想要自己發電而不是依賴電網？他們試圖繞過并網延遲。現在將大型新電源連接到電網需要超過5年的時間。

在過去20多年里，美國的電力消耗一直持平或緩慢增長。電網運營商現在預計，由于AI數據中心、制造業回流和電氣化同時發生，需求將大幅增加。

ERCOT的年度能源預測。誰能想到他們也對AGI如此深信不疑？

一個潛在的解決方案：杜克大學的一項研究發現，如果數據中心同意在0.25%的時間內（每年約22小時）削減負荷，就可以釋放出76吉瓦的備用輸電容量。大多數輸電線路的平均運行負荷遠低于其容量——瓶頸只在需求高峰時出現。

但即使超大規模數據中心運營商能夠完美地利用這76吉瓦，在樂觀的AI場景下，這也只夠用到2026-2028年。之后，要么電網擴張，要么數據中心脫離電網。

數據中心規模的分布

單個數據中心的規模分布會是怎樣的？以下是為什么我們最終可能會看到一種遍地都是100兆瓦（MW）數據中心的景象的論點：

如果你可以在這里那里建一個中型數據中心，你就可以吸收電網中的任何多余容量。你可以用一個100兆瓦的數據中心進行這種套利，但在1或10吉瓦的規模上，電網中沒有局部的多余容量——那么大的電力本身就相當于一個電網的規模！

對于像預訓練這樣的學習任務，你需要大塊連續的計算資源。但我們已經進入了一個強化學習和中期訓練的階段，學習過程涉及大量推理。而最終的愿景是某種形式的持續學習，即模型廣泛部署在經濟中，并在工作中/從經驗中學習。這似乎與中型數據中心相容，這些數據中心容納著數以萬計的AI實例在工作、創造收入并從部署中學習。

這是另一種愿景。1-10吉瓦的數據中心，然后在設備端進行推理。基本上沒有中間地帶。

如果我們進入一個垂直整合、工業化生產離網數據中心的世界，也許你想做的就是買一大塊地，在現場建一個大工廠，盡可能多地生產獨立的計算大廳和電力/冷卻/網絡模塊。當你的公司總共需要50吉瓦時，你不會費心在這里那里為100兆瓦建設定制的基礎設施。一個很好的類比是，一個管理著數十億美元資金的風投不會看任何小于千萬美元級別的交易。

一臺每周產出一吉瓦的機器

今天的數據中心建設類似于在自家車道上造汽車：引擎從德國運來，變速箱從日本運來，線束從底特律運來，然后一個機械師花幾個月在現場組裝。每個數據中心都是在1-2年內定制建造的，網絡、機電管道系統（MEP）和機架都是一件件組裝起來的。

用這種方式，你不可能達到每周一吉瓦的速度。

你能有預制的計算大廳嗎？完全布線的機架、冷卻系統、電力設備、電池——在工廠里組裝好，作為完整的模塊運送。這樣一來，就不是18個月的現場施工，而是將滑軌模塊推入到位。

設計空間出奇地靈活。液冷可以實現500千瓦-1兆瓦的機架，但這需要完全不同的管道和施工。如果太陽能占主導，也許你可以完全采用直流到直流（DC-to-DC）的方式（太陽能板產生直流電，芯片需要直流電），跳過所有的交流轉換步驟。每個設計選擇都會影響其他選擇——能源來源影響冷卻方法，冷卻方法影響機架密度，機架密度影響建筑設計。

順便說一句，如果AI最終被證明是一個泡沫，我們離AGI的距離比硅谷想象的要遠得多，那么會留下什么持久的價值呢？你可以講一個故事，說互聯網泡沫為互聯網后來創造的所有價值鋪平了道路。對于這次AI建設熱潮，類似的東西是什么？

占資本支出70%的GPU在3年后就一文不值了。建筑物和電力基礎設施可以持續幾十年，但對于非AI工作負載來說是過度建設的。也許持久的價值是這種新的工業能力：按需快速制造和部署大規模計算基礎設施的能力。就像互聯網泡沫給我們留下了地下的光纖一樣，也許AI泡沫會給我們留下一個工業化的數據中心供應鏈和一個擴建的電網。

實際上，加密貨幣為當前的AI浪潮做了這件事。例如，正在幫助OpenAI在阿比林建設Stargate的Crusoe公司，最初就是為了在廢棄的天然氣上建設比特幣挖礦數據中心而成立的。

從長遠來看，默認會獲勝的是中國嗎？

為什么中國不會默認獲勝？對于這次工業規模擴張所需的除芯片外的所有組件（太陽能電池板、高壓變壓器、開關設備、新的電網容量），中國都是全球主導的制造商。中國每年生產1太瓦（TW）的太陽能光伏產品，而美國生產20吉瓦（GW）（即使是這些，電池和晶圓本身也是在中國制造的，只有最終的模塊在美國組裝）。

中國不僅發電量是美國的兩倍多，而且其發電量的增長速度是美國的10倍以上。這一點之所以重要，是因為電力建設可以被導向新的數據中心站點。中國國家電網可以與阿里巴巴、騰訊和百度合作，在對AI建設最有幫助的地方建設產能，避免美國不同超大規模數據中心運營商之間為爭奪現有產能而進行的零和博弈。

在長遠時間線上，中國是否具有優勢？中芯國際可能最終會趕上臺積電[也許上海微電子（SMEE）或新凱來（SiCarrier）會趕上阿斯麥，長鑫存儲（CXMT）和長江存儲（YMTC）會趕上SK海力士和美光，北方華創（NAURA）和中微半導體（AMEC）會趕上Applied Materials, LAM, Tokyo Electron 和 KLA]——出口管制不會永遠保持領先優勢。如果在2030年之前沒有出現純軟件的智能爆炸，而AI只是變成了一場涵蓋從機器人到太陽能電池板、電池再到鋼鐵的整個供應鏈的大規模工業競賽，那么為什么最終不是中國領先呢？中國的差異化優勢不正是這種快速和大規模的基礎設施建設嗎？

Semianalysis預測，明年中國實際能夠出貨的芯片將比今年少，主要是因為國內高帶寬內存（HBM）生產的限制。但我們想知道，這在中長期內有多大關系。

GPU在3年內完全折舊（因為新的設計和更好的底層工藝節點使前幾代產品變得無關緊要）。而建設新數據中心的交付周期只有一到兩年——數據中心的整體設計可能會被重新改造，以適應工業規模的垂直整合。

所有這些都讓我們思考，是否每3年，AI競賽就完全重新開始。雖然我們可能能夠限制中國到2028年（甚至可能通過光刻技術的瓶頸限制到本十年末）的生產，但為什么這在2030年之后還重要呢？

兩種情景：AI寒冬和AI爆發

為了理解這類問題，我們認為把數字放入電子表格中非常有幫助。即使情景是憑空捏造的，它們也能讓你感覺到，在這些情景成真的世界里，哪些條件必須成立。例如，問這樣一個問題很有趣：考慮到硬件價格和性能的趨勢，2030年2萬億美元的資本支出將對應多少電力？5000億美元呢？

我們決定繪制兩種不同的潛在軌跡：

1.爆發式增長：AI投資平穩增長，然后在AI自動化帶來的蓬勃經濟增長（2035年GDP增長30%）的推動下開始加速。

2.AI寒冬：投資增長在2029年左右崩潰，然后從2032年起以平穩的5%年增長率增長。

以下是兩種情景下到2040年的AI資本支出和AI電力消耗：

在爆發式增長的情景中，Sam Altman關于領先公司每周1吉瓦的愿景將在2036年實現。但在那個世界里，全球AI的電力消耗將是美國當前發電量的兩倍。

作者：MD

出品：明亮公司