從馬斯克到山姆·奧特曼：AI為什么正在從軟件產業走向基礎設施？

一個建設供給，一個打開需求，人類正在第一次工業化生產智能

導言

過去三年，圍繞AI投資始終存在一個揮之不去的問題：這麼多算力，未來究竟誰來用？GPU越來越多，數據中心越來越大，資本開支不斷上升，電力甚至開始成為AI發展的現實約束。於是另一種聲音也越來越強：AI基礎設施是不是建得太多了？

有意思的是，2026年夏天，埃隆·馬斯克與山姆·奧特曼分別從這個問題的兩端，給出了兩個完全不同、卻能拼在一起的答案。

馬斯克談的是供給：他的AI藍圖已經從多少塊GPU、多少個機架，推進到10GW、20GW級別的計算能力。

山姆·奧特曼談的則是需求：他設想如果過去六年半Token使用量的增長再次發生，未來全球人均每月甚至可能消耗數千億Token。

一個在思考人類怎樣生產足夠多的智能，另一個在思考人類最終會消費多少智能。把兩人的講話放在一起，一條更大的產業線索浮現：AI正在從以模型和軟件為中心的產業，走向以算力、數據中心和能源為底座的基礎設施產業。

人類可能正在第一次嘗試工業化生產一種過去無法大規模複製的東西：智能。

一、馬斯克：AI開始進入GW時代

過去幾年，資本市場習慣用GPU理解AI——一家企業擁有多少塊H100、B200，往往被視為衡量AI實力的重要指標。但馬斯克最近討論AI基礎設施時，越來越頻繁地使用另一個單位：GW——吉瓦。10GW，20GW。這是一個重要變化，因為到了這個尺度，AI已經不再是簡單的芯片問題。

GPU不會自己運行。它需要服務器，需要HBM，需要高速網絡，需要光模塊和交換機，需要液冷，需要數據中心，需要變壓器和輸電線路，最後需要規模巨大的能源供應。一條越來越完整的AI工業鏈，就這樣被倒逼出來了：

GPU/ASIC → Memory → Network → Cooling → Data Center → Power

過去人們把AI看成軟件，模型沒有重量，Token看不見。但當計算規模進入GW時代以後，我們突然發現：AI的產品是虛擬的，生產AI的工廠卻越來越物理，最終重新落回幾個最古老的工業要素——硅、銅、水、土地和電。

這也是為什麼馬斯克談AI時，越來越像一個工業家，而不僅是互聯網時代的科技企業家。建設GW級AI計算能力，與其說是在建設軟件平台，不如說是在建設一套新的工業體系。

二、山姆·奧特曼：這麼多算力，誰來消費？

如果馬斯克面對的是供給問題，那麼山姆面對的恰好是需求：需求究竟有多大？

山姆最近在YC的對談中做了一個大膽的推演。大約六年半以前，OpenAI內部使用Token最多的人，一個月大約消耗10萬個Token，在當時這已經是一個非常大的數字。而今天，全球平均每人每月使用的Token數量，已經大約達到當年的這個水平。如果類似的增長再持續六年半，未來全球平均每人每月可能使用大約5000億個Token。

從10萬到5000億，大約是500萬倍。這並不意味着GPU、電力、存儲都需要同比例增加——芯片性能會提高，算法會改善，利用率會提高，所以”500萬倍”不能簡單轉換成硬件需求。

需要說明的是，這是山姆在YC對談中的一次即興推演，並非OpenAI的正式預測。但即便只是一個數量級上的設想，它背後的判斷仍值得認真對待：智能價格下降以後，人類對智能的需求可能不會減少，反而會被不斷打開。

為什麼？因為今天我們仍習慣用互聯網時代的方式理解AI——打開ChatGPT，問20個問題，就是20次交互。但未來可能完全不同。一個人可能擁有投資、法律、旅行、醫療、編程等多個Agent，人睡覺以後它們仍在工作，閱讀文件、分析數據、編寫程序，彼此調用其他模型。

於是AI的使用單位開始變化：Prompt → Token → Agent-hour → Machine Labor。今天我們衡量一個人問AI多少問題，未來真正重要的是：一個人的背後，有多少機器智能每天替他工作。這才是山姆Token預測背後更大的含義。

三、一個建設供給，一個打開需求

把馬斯克與山姆放在一起，事情變得非常有意思。馬斯克正在建設越來越大的計算能力，山姆則認為智能越來越便宜以後，人類會不斷發現新的智能需求。

於是：

Compute增加 → 單位智能成本下降 → AI應用增加 → Agent增加 → Inference增加 → Compute需求再次增加

一個正反饋循環開始形成，可以稱之為Intelligence Flywheel——智能飛輪。

它很像19世紀經濟學家傑文斯發現的現象：蒸汽機效率提高以後，人類並沒有因此減少煤炭消費，相反因為使用蒸汽動力越來越便宜，越來越多行業開始採用，煤炭總消費反而增加。

AI可能正在發生同樣的事。GPU越來越快，Token越來越便宜，表面上應該需要更少的計算資源。但舉一個算術演示：如果計算成本下降100倍，而AI使用量增加1000倍，總計算需求仍會增加10倍。

因此未來AI產業最重要的問題，並不是GPU會不會越來越快，而是AI需求增長速度，會不會長期超過效率提高的速度。如果答案是肯定的，算力短缺就可能不僅是一個階段性現象。

四、從GPU到GW：AI正在變成基礎設施

這也解釋了AI產業正在發生的一次重要”計量單位變化”：最初是GPU，隨後是Rack，然後是Cluster，現在開始進入GW，下一個單位甚至可能是TWh——太瓦時。

當一個產業開始用GW和TWh衡量自己的規模，它就不再只是軟件產業或半導體產業，而是同時涉及半導體、存儲、網絡、光通信、數據中心、液冷、電網、天然氣、核能、土地以及資本市場。

這與互聯網時代存在重要區別。互聯網最偉大的商業模式之一是”輕資產”，軟件復製成本接近於零。AI卻不同——更強大的模型、更長的上下文、越來越多自主運行的Agent，都需要真實的計算，計算需要芯片，芯片需要電，電需要基礎設施。

所以AI正在形成一種特殊的產業結構：最先進的軟件，建立在越來越龐大的重資產體系之上。AI因此正在從”運行在基礎設施上的軟件”，逐漸成為基礎設施本身的一部分。

五、為什麼NVDA之後還有一條很長的產業鏈

AI投資也不能再簡單理解為”買GPU”。

NVDA處在通用AI計算核心，AVGO進入定製ASIC和網絡體系，MU代表Memory，ANET、CRDO、MRVL面對數據移動問題，VRT面對供電和散熱問題。

再往外，則是變壓器、電網、天然氣、核能以及整個數據中心基礎設施。

真正應該問的已經不是下一代GPU性能提高多少，而是全球生產一單位智能，需要多少物理資源？假設未來生產一單位智能所需的計算資源下降90%，但全球智能消費增加100倍，總基礎設施需求仍可能增加10倍。

所以決定AI基礎設施周期規模的，是兩條曲線之間的競爭：AI需求增長速度，與效率提高速度。兩者之差，最終決定GPU、Memory、Network、Cooling和Power究竟需要擴張到什麼程度。

六、但是，還有第三個問題：誰來付錢？

如果文章寫到這裡就結束，很容易得出一個過於樂觀的結論：AI基礎設施越建越多，而且永遠不夠。但資本市場還有一個比Token和GW更古老的問題：誰來付錢？這也是Jim Chanos等AI資本開支懷疑者不斷提出的問題。

山姆告訴我們Demand可能很大，馬斯克告訴我們Capacity必須很大，黃仁勛提出AI Factory。但資本市場最終必須問：Return在哪裡？這些機器最終必須創造現金流，因此真正完整的AI經濟鏈條應該是：

Token → Intelligence → Productivity → Revenue → Cash Flow → ROIC → CapEx

如果這條鏈能持續成立，今天規模驚人的AI基礎設施投資，可能只是新工業革命的早期階段。但如果鏈條斷在中間——Token增長1000倍，Compute增長100倍，CapEx增長10倍，Revenue只增長2倍——再偉大的技術革命，也可能製造巨大的資本泡沫。

鐵路確實改變了美國，但大量投資者曾經破產；互聯網確實改變了世界，但2000年前後大量電信基礎設施投資，同樣造成過巨大資本損失。技術革命是真的，不意味着每一美元投入都是正確的，這是理解今天AI熱潮的一條重要界線。

七、Token不是最後的答案，ROIC才是

未來真正值得觀察的，不只是全球每天生成多少Token，更是幾個越來越現實的比例：Revenue / Token，每單位使用創造多少收入；Revenue / GPU，每一美元計算資產能產生多少商業價值；Revenue / MW，每一兆瓦AI電力最終生產多少經濟產出；以及ROIC / AI CapEx，資本回報率能否長期高於資本成本。

這些指標最終決定今天正在發生的事，究竟更接近一次新的工業革命，還是一次規模巨大的資本過度建設。

但即便資本市場最終要面對這場審判，一個更底層的變化已經在發生——文明正在增加一種新的基礎設施。

八、人類正在第一次工業化生產”智能”

農業文明最重要的生產資料之一是土地，工業革命把煤炭、機器和電力變成新的生產資料，信息革命把計算機和網絡變成基礎設施。而AI正在增加一種過去無法大規模複製的東西：智能。

過去，智能主要存在於人的大腦里。培養一個醫生需要十幾年，書籍可以複製知識，但能夠理解、判斷並採取行動的”智能”本身很難複製。AI第一次改變了這個約束：如果一個成熟的Agent可以複製一百萬份，人類第一次擁有了大規模複製認知勞動的可能。

這意味着智能開始具有工業品的某些特徵——它可以生產，可以複製，可以運輸，可以計量，可以定價，也可以被大規模消費。

AI可能是人類創造過最虛擬的產品之一，它沒有重量，沒有固定形狀，只表現為屏幕上的文字、圖像、聲音和代碼。但為了生產越來越多這樣的智能，人類卻不得不建設越來越龐大的物理世界：更多芯片，更多數據中心，更多電網，更多能源，更多資本。

馬斯克正在解決的是：如果世界需要這麼多智能，我們怎樣建設足夠大的生產能力？山姆·奧特曼試圖回答的是：如果智能越來越便宜，人類究竟能消費多少智能？

一個建設供給，一個打開需求，兩條道路最終匯聚到同一個地方：AI正在從軟件產業走向基礎設施，人類正在第一次嘗試工業化生產智能。

但無論智能多麼特殊，它最終仍逃不過幾個古老的經濟規律：能源是有限的，資本是有成本的，投資最終必須產生回報。所以決定這場AI革命最終規模的，可能既不是5000億Token，也不是10GW或20GW，真正的問題更樸素：人類每投入一美元去生產智能，最終能創造多少新的經濟價值？

如果答案足夠大，今天看到的AI基礎設施建設可能仍只是開始。如果答案不夠大，再宏偉的智能工廠，也終究要面對資本回報率的審判。

作者說明：

Civilization OS（文明操作系統）是作者提出的一套文明分析框架，旨在通過“操作系統—功能—能力—概率—演化—結果—反饋”的動態鏈條，解釋不同文明為何在相似條件下走向不同的歷史道路。