从马斯克到山姆·奥特曼：AI为什么正在从软件产业走向基础设施？ 一个建设供给，一个打开需求，人类正在第一次工业化生产智能 导言 过去三年，围绕AI投资始终存在一个挥之不去的问题：这么多算力，未来究竟谁来用？GPU越来越多，数据中心越来越大，资本开支不断上升，电力甚至开始成为AI发展的现实约束。于是另一种声音也越来越强：AI基础设施是不是建得太多了？ 有意思的是，2026年夏天，埃隆·马斯克与山姆·奥特曼分别从这个问题的两端，给出了两个完全不同、却能拼在一起的答案。 马斯克谈的是供给：他的AI蓝图已经从多少块GPU、多少个机架，推进到10GW、20GW级别的计算能力。 山姆·奥特曼谈的则是需求：他设想如果过去六年半Token使用量的增长再次发生，未来全球人均每月甚至可能消耗数千亿Token。 一个在思考人类怎样生产足够多的智能，另一个在思考人类最终会消费多少智能。把两人的讲话放在一起，一条更大的产业线索浮现：AI正在从以模型和软件为中心的产业，走向以算力、数据中心和能源为底座的基础设施产业。 人类可能正在第一次尝试工业化生产一种过去无法大规模复制的东西：智能。 一、马斯克：AI开始进入GW时代 过去几年，资本市场习惯用GPU理解AI——一家企业拥有多少块H100、B200，往往被视为衡量AI实力的重要指标。但马斯克最近讨论AI基础设施时，越来越频繁地使用另一个单位：GW——吉瓦。10GW，20GW。这是一个重要变化，因为到了这个尺度，AI已经不再是简单的芯片问题。 GPU不会自己运行。它需要服务器，需要HBM，需要高速网络，需要光模块和交换机，需要液冷，需要数据中心，需要变压器和输电线路，最后需要规模巨大的能源供应。一条越来越完整的AI工业链，就这样被倒逼出来了： GPU/ASIC → Memory → Network → Cooling → Data Center → Power 过去人们把AI看成软件，模型没有重量，Token看不见。但当计算规模进入GW时代以后，我们突然发现：AI的产品是虚拟的，生产AI的工厂却越来越物理，最终重新落回几个最古老的工业要素——硅、铜、水、土地和电。 这也是为什么马斯克谈AI时，越来越像一个工业家，而不仅是互联网时代的科技企业家。建设GW级AI计算能力，与其说是在建设软件平台，不如说是在建设一套新的工业体系。 二、山姆·奥特曼：这么多算力，谁来消费？ 如果马斯克面对的是供给问题，那么山姆面对的恰好是需求：需求究竟有多大？ 山姆最近在YC的对谈中做了一个大胆的推演。大约六年半以前，OpenAI内部使用Token最多的人，一个月大约消耗10万个Token，在当时这已经是一个非常大的数字。而今天，全球平均每人每月使用的Token数量，已经大约达到当年的这个水平。如果类似的增长再持续六年半，未来全球平均每人每月可能使用大约5000亿个Token。 从10万到5000亿，大约是500万倍。这并不意味着GPU、电力、存储都需要同比例增加——芯片性能会提高，算法会改善，利用率会提高，所以”500万倍”不能简单转换成硬件需求。 需要说明的是，这是山姆在YC对谈中的一次即兴推演，并非OpenAI的正式预测。但即便只是一个数量级上的设想，它背后的判断仍值得认真对待：智能价格下降以后，人类对智能的需求可能不会减少，反而会被不断打开。 为什么？因为今天我们仍习惯用互联网时代的方式理解AI——打开ChatGPT，问20个问题，就是20次交互。但未来可能完全不同。一个人可能拥有投资、法律、旅行、医疗、编程等多个Agent，人睡觉以后它们仍在工作，阅读文件、分析数据、编写程序，彼此调用其他模型。 于是AI的使用单位开始变化：Prompt → Token → Agent-hour → Machine Labor。今天我们衡量一个人问AI多少问题，未来真正重要的是：一个人的背后，有多少机器智能每天替他工作。这才是山姆Token预测背后更大的含义。 三、一个建设供给，一个打开需求 把马斯克与山姆放在一起，事情变得非常有意思。马斯克正在建设越来越大的计算能力，山姆则认为智能越来越便宜以后，人类会不断发现新的智能需求。 于是： Compute增加 → 单位智能成本下降 → AI应用增加 → Agent增加 → Inference增加 → Compute需求再次增加 一个正反馈循环开始形成，可以称之为Intelligence Flywheel——智能飞轮。 它很像19世纪经济学家杰文斯发现的现象：蒸汽机效率提高以后，人类并没有因此减少煤炭消费，相反因为使用蒸汽动力越来越便宜，越来越多行业开始采用，煤炭总消费反而增加。 AI可能正在发生同样的事。GPU越来越快，Token越来越便宜，表面上应该需要更少的计算资源。但举一个算术演示：如果计算成本下降100倍，而AI使用量增加1000倍，总计算需求仍会增加10倍。 因此未来AI产业最重要的问题，并不是GPU会不会越来越快，而是AI需求增长速度，会不会长期超过效率提高的速度。如果答案是肯定的，算力短缺就可能不仅是一个阶段性现象。 四、从GPU到GW：AI正在变成基础设施 这也解释了AI产业正在发生的一次重要”计量单位变化”：最初是GPU，随后是Rack，然后是Cluster，现在开始进入GW，下一个单位甚至可能是TWh——太瓦时。 当一个产业开始用GW和TWh衡量自己的规模，它就不再只是软件产业或半导体产业，而是同时涉及半导体、存储、网络、光通信、数据中心、液冷、电网、天然气、核能、土地以及资本市场。 这与互联网时代存在重要区别。互联网最伟大的商业模式之一是”轻资产”，软件复制成本接近于零。AI却不同——更强大的模型、更长的上下文、越来越多自主运行的Agent，都需要真实的计算，计算需要芯片，芯片需要电，电需要基础设施。 所以AI正在形成一种特殊的产业结构：最先进的软件，建立在越来越庞大的重资产体系之上。AI因此正在从”运行在基础设施上的软件”，逐渐成为基础设施本身的一部分。 五、为什么NVDA之后还有一条很长的产业链 AI投资也不能再简单理解为”买GPU”。 NVDA处在通用AI计算核心，AVGO进入定制ASIC和网络体系，MU代表Memory，ANET、CRDO、MRVL面对数据移动问题，VRT面对供电和散热问题。 再往外，则是变压器、电网、天然气、核能以及整个数据中心基础设施。 真正应该问的已经不是下一代GPU性能提高多少，而是全球生产一单位智能，需要多少物理资源？假设未来生产一单位智能所需的计算资源下降90%，但全球智能消费增加100倍，总基础设施需求仍可能增加10倍。 所以决定AI基础设施周期规模的，是两条曲线之间的竞争：AI需求增长速度，与效率提高速度。两者之差，最终决定GPU、Memory、Network、Cooling和Power究竟需要扩张到什么程度。 六、但是，还有第三个问题：谁来付钱？ 如果文章写到这里就结束，很容易得出一个过于乐观的结论：AI基础设施越建越多，而且永远不够。但资本市场还有一个比Token和GW更古老的问题：谁来付钱？这也是Jim Chanos等AI资本开支怀疑者不断提出的问题。 山姆告诉我们Demand可能很大，马斯克告诉我们Capacity必须很大，黄仁勋提出AI Factory。但资本市场最终必须问：Return在哪里？这些机器最终必须创造现金流，因此真正完整的AI经济链条应该是： Token → Intelligence → Productivity → Revenue → Cash Flow → ROIC → CapEx 如果这条链能持续成立，今天规模惊人的AI基础设施投资，可能只是新工业革命的早期阶段。但如果链条断在中间——Token增长1000倍，Compute增长100倍，CapEx增长10倍，Revenue只增长2倍——再伟大的技术革命，也可能制造巨大的资本泡沫。 铁路确实改变了美国，但大量投资者曾经破产；互联网确实改变了世界，但2000年前后大量电信基础设施投资，同样造成过巨大资本损失。技术革命是真的，不意味着每一美元投入都是正确的，这是理解今天AI热潮的一条重要界线。 七、Token不是最后的答案，ROIC才是 未来真正值得观察的，不只是全球每天生成多少Token，更是几个越来越现实的比例：Revenue / Token，每单位使用创造多少收入；Revenue / GPU，每一美元计算资产能产生多少商业价值；Revenue / MW，每一兆瓦AI电力最终生产多少经济产出；以及ROIC / AI CapEx，资本回报率能否长期高于资本成本。 这些指标最终决定今天正在发生的事，究竟更接近一次新的工业革命，还是一次规模巨大的资本过度建设。 但即便资本市场最终要面对这场审判，一个更底层的变化已经在发生——文明正在增加一种新的基础设施。 八、人类正在第一次工业化生产”智能” 农业文明最重要的生产资料之一是土地，工业革命把煤炭、机器和电力变成新的生产资料，信息革命把计算机和网络变成基础设施。而AI正在增加一种过去无法大规模复制的东西：智能。 过去，智能主要存在于人的大脑里。培养一个医生需要十几年，书籍可以复制知识，但能够理解、判断并采取行动的”智能”本身很难复制。AI第一次改变了这个约束：如果一个成熟的Agent可以复制一百万份，人类第一次拥有了大规模复制认知劳动的可能。 这意味着智能开始具有工业品的某些特征——它可以生产，可以复制，可以运输，可以计量，可以定价，也可以被大规模消费。 AI可能是人类创造过最虚拟的产品之一，它没有重量，没有固定形状，只表现为屏幕上的文字、图像、声音和代码。但为了生产越来越多这样的智能，人类却不得不建设越来越庞大的物理世界：更多芯片，更多数据中心，更多电网，更多能源，更多资本。 马斯克正在解决的是：如果世界需要这么多智能，我们怎样建设足够大的生产能力？山姆·奥特曼试图回答的是：如果智能越来越便宜，人类究竟能消费多少智能？ 一个建设供给，一个打开需求，两条道路最终汇聚到同一个地方：AI正在从软件产业走向基础设施，人类正在第一次尝试工业化生产智能。 但无论智能多么特殊，它最终仍逃不过几个古老的经济规律：能源是有限的，资本是有成本的，投资最终必须产生回报。所以决定这场AI革命最终规模的，可能既不是5000亿Token，也不是10GW或20GW，真正的问题更朴素：人类每投入一美元去生产智能，最终能创造多少新的经济价值？ 如果答案足够大，今天看到的AI基础设施建设可能仍只是开始。如果答案不够大，再宏伟的智能工厂，也终究要面对资本回报率的审判。 作者说明： Civilization OS（文明操作系统）是作者提出的一套文明分析框架，旨在通过“操作系统—功能—能力—概率—演化—结果—反馈”的动态链条，解释不同文明为何在相似条件下走向不同的历史道路。
|
