人工智能的繁荣通常以芯片来描述。英伟达GPU、台积电的制造产能、高带宽内存和先进封装技术主导了讨论，因为在过去几年里，计算硬件一直极其难以获取。

到2025年底，全球已安装的人工智能计算基础设施大约代表了总计31.2吉瓦的数据中心电力容量。

这一数字特别有用，因为它不仅包含了人工智能加速器直接消耗的电力。芯片本身大约占12.5吉瓦的电力需求，但一旦计入CPU、内存、网络、存储、冷却、电源转换及其他数据中心系统，总设施需求大约是2.5倍。

这给了我们一个衡量人工智能革命的物理单位：吉瓦。

如果人工智能需求继续以接近当前轨迹的速度增长，那么本十年剩余时间里的核心问题可能不再是世界是否需要更多人工智能算力，而是世界能否在合适的时间、合适的地点获得足够的电力来满足这一需求。

AI需求可能远超当前基础设施的承载能力

人们很容易认为，在经历了过去几年的非凡扩张之后，增长自然应当放缓。AI数据中心的容量从2022年底的不足1吉瓦，短短三年后增长至约31吉瓦。

显然，这样的增长速度无法永远持续下去。

但这并不必然意味着对AI计算的需求必须急剧放缓。

AI消费的本质正在发生变化。第一代生成式AI主要由人类发起。人们向ChatGPT提问、生成图像、请求代码或搜索信息。模型响应后，计算便告结束。

代理式AI则根本不同。

一个AI代理可能从人类那里接收一条指令，然后代表该人类执行成百上千次操作。它可能进行推理、搜索、调用其他模型、查阅文档、运行软件、评估自身结果、纠正错误并重复这一过程。

不再是人类的一次请求产生一次计算事件，而是一次人类请求最终可能产生成千上万次计算。

推理模型也强化了这一趋势。能力更强的系统在给出答案前，越来越多地投入大量计算进行思考。可见输出的量可能仅适度增加，而支撑这些输出所需的计算量却大幅攀升。

这意味着，行业真正的需求单位正在从人类发起的AI请求次数转变为更接近代表人类及其他机器执行的机器工作量。

当物理AI时代来临

即便如此，这可能仍低估了接下来的发展。

当今大多数AI计算都与数字活动相关：写作、编程、搜索、分析、图像生成、客户服务和企业自动化。

自动驾驶汽车和人形机器人引入了全新类别的需求。

机器或自动驾驶汽车内部执行的推理主要发生在边缘端，因此不应简单叠加到数据中心的电力消耗上。但每一支智能机器车队背后，都催生了巨大的集中式计算需求。

自主系统需要训练、仿真、合成数据生成、视频处理、强化学习、世界模型开发、软件测试以及持续的车队学习。

想象一下，数千万辆自动驾驶汽车从数十亿英里的行驶中学习，或者数亿个机器人不断生成关于物理世界的信息。

人工智能的机器用户数量最终可能远超人类用户数量。

这就是为什么不受约束的AI需求曲线可能保持异常陡峭。

从2025年的约31.2吉瓦起步，一个合理的需求轨迹（围绕趋势存在极大波动范围）可能如下所示：

这并不意味着到2030年全球实际会拥有1,000吉瓦的运营中AI数据中心。而是意味着，如果电力、芯片、建设和资本不受限制，对计算能力的经济需求可能足以支撑接近这一水平的规模。

需求与供给之间的差异

若全球对AI基础设施的需求为1,000吉瓦，而实际能供电的只有200吉瓦，那么实际容量便是200吉瓦。

剩余的需求并不会消失，而是转化为稀缺性。

而稀缺性则带来更高的利用率、更高的价格、对现有基础设施更丰厚的回报，以及消除瓶颈的巨大动力。

这就是为何投资者不应将最终建成的AI基础设施数量与AI的潜在需求混为一谈。一个受供给约束的行业，可能同时经历需求的爆发式增长和物理部署的缓慢推进。

事实上，这或许正是即将发生的景象。

前所未有的杰文斯悖论

在需求激增的同时，AI计算正变得异常高效。

新一代芯片每瓦特提供的计算量大幅提升。模型变得更加高效。量化技术降低了内存和计算需求。更优秀的软件提升了利用率。专用芯片降低了推理成本。

通常，效率的大幅提升会减少电力消耗，而AI可能反其道而行之。

随着智能生产成本下降，社会会发现更多利用智能的方式。

结果可能是同时出现：每瓦特智能的大幅提升与总瓦特消耗的大幅增长。

这便是经典杰文斯悖论在机器智能领域的应用。

如今，考虑到AI效率提升后的AI需求或许会呈现如下趋势……2030年达到515吉瓦，而非1,000吉瓦。

芯片仍是制约因素

半导体行业在过去几年里一直在竞相扩大生产。截至2025年底，约12.5吉瓦的AI芯片功率支撑了总计约31.2吉瓦的AI数据中心容量。

如果GPU供应量以每年约45%至75%的速度增长——这一比例基于行业对AI半导体持续增长的预期，是一个合理的近似值——那么从芯片端来看，理论上到2030年可支撑约325吉瓦的容量。

这将代表半导体生产的一次非凡扩张。

然而，即便如此，这可能仍远不能满足不受限制的AI需求。

即使有这样的增长，到2030年，芯片端也只能满足约63%的需求。

更重要的是，芯片制造具有一些特性，使其作为瓶颈相对更容易被攻克。台积电可以建造晶圆厂。内存制造商可以增加产能。先进封装设施可以扩建。英伟达及其供应商可以重新设计系统并扩大制造规模。

但即便如此，在我们的例子中，到2030年仍短缺190吉瓦。

这一切都不容易，也不便宜，但巨大的利润为解决问题提供了巨大的动力。

电力可能更为复杂。

电力增长正成为制约因素

仔细审视电力问题后得出的最重要结论之一是，世界并非必然面临电力枯竭。

预计本十年后半段，全球发电量将大幅增长。太阳能、风能、天然气、核能发电以及电池储能均在扩张。到2030年，全球预计新增的电力总量，远超传统数据中心预测所需的增量能源。

因此，说“AI将耗尽电力”过于简化了问题。真正的挑战在于可交付的电力。一家超大规模企业计划在得克萨斯州建设2吉瓦的数据中心，无法依靠挪威的富余水电或中国西部的新太阳能项目来解决其问题。

它需要大量可靠的电力：

这是一个截然不同的挑战。

数据中心建设速度可超越电网

人工智能数据中心有时仅需一至三年即可建成，而大型输电项目、变电站、发电项目及并网升级则可能耗时五年、十年甚至十五年。这种时间上的错配，或将成为AI基础设施繁荣的标志性特征之一。

一家公司或许能迅速购得数十亿美元的GPU，建好容纳它们的厂房，并已有客户急切等待使用这些算力——却猛然发现，当地电力系统无法供应所需电力。

正因如此，获得已通电兆瓦级电力的能力，最终可能变得与获得GPU同等重要，甚至更具战略意义。

电网并非唯一电力来源

最大的误区在于假设未来每一座AI工厂都必须耐心等待传统公用事业并网。超大规模运营商有充分动力寻找替代方案。一个日益明显的解决方案是现场天然气发电。

与其要求公用事业公司建设足够的发电和输电设施来服务庞大的AI园区，数据中心运营商越来越倾向于在电表后自建部分电力设施。

这种方法并未消除所有限制。燃气轮机本身已变得难以采购，管道建设、环保审批及设备供应同样需要时间。

电池能让现有电力基础设施更具价值

电池储能提供了绕过瓶颈的另一条途径。

电池本身不产生电力，但它能显著提升现有电网连接所能支撑的计算基础设施规模。

电力系统通常设计为能够承受短期的极端峰值需求。然而，这些峰值可能每年仅出现在少数几个小时内。

如果AI数据中心能够储存能量、在关键时期降低负载或暂时转移部分工作负载，那么或许可以在不将整个电力系统围绕理论最大负荷来建设的情况下，接入更多的计算能力。

训练任务、模拟、合成数据生成以及其他对时间不太敏感的工作负载，可以在电力充裕时全力运行，并在电网紧张时期暂时缩减规模。

这种灵活性可以大幅提高现有电力系统所能容纳的AI基础设施量。

AI 并非每时每刻都需要每一兆瓦电力

传统工业负荷往往无法在电力短缺时简单关停。AI 则不同。

部分推理必须即时完成，但相当一部分计算任务在时间或地点上具有迁移潜力。

因此，AI 具备一种特性，使其可能与以可再生能源为主的电力系统高度兼容：计算在时间和地理上具有部分可替代性。

AI 的灵活性越强，理论上的铭牌装机容量就越不重要，而电力的智能调度则愈发关键。

数据中心本身最终可能表现得像一个巨大的可控电池——在电力供应充裕时消耗大量能源，在电网受限时降低消耗。

电力约束依然严峻

然而，这一切并不意味着电力问题就此消失——到2030年，缺口可能相当可观。

到本十年末，电力或许只能支撑约40%不受约束的AI需求。

而在我们的示例中，到2030年将面临315吉瓦的缺口。

这造就了所能想象的最为引人入胜的经济格局之一。

全球可能存在着数百吉瓦的盈利计算需求，正等待着电力的到来。

稀缺商品或将成为“通电兆瓦”

在生成式AI热潮的第一阶段，稀缺资源是GPU。

随后，稀缺范围扩展至HBM、先进封装、网络设备及数据中心空间。

下一个日益稀缺的资源可能是：当下可用的兆瓦电力。

无论如何，AI增长似乎面临两大显著瓶颈——电力与芯片。

高回报或致电力预测持续攀升

对于将当前电力预测视为上限的做法，还有另一理由需持谨慎态度。经济因素会改变供应格局。

假设额外增加一千兆瓦的AI基础设施能产生数十亿美元的年经济价值，但电力短缺却阻碍其建设。那么解决电力问题的价值将变得无比巨大。

突然间，那些曾看似不经济的高成本替代方案开始变得合理。

AI计算价值与电力基础设施成本之间的差距越大，消除电力瓶颈的激励就越强烈。

若底层AI需求接近1000吉瓦，推动实际部署超越当前已知极限的经济压力将变得非同寻常。

地外解决方案

在下一篇文章中，我将探讨SpaceX（以及特斯拉）在解决AI瓶颈方面的作用。

SpaceX不会仅仅利用AI效率提升来减少电力消耗——它可能利用这些提升，将轨道上几乎无限的太阳能和物理空间转化为远超当前的AI计算能力。