基础设施：建设吉瓦级 AI 工厂

课堂用五个部分描述 AI 工厂：数据、算法、计算、能源和数据中心。缺少任何一项，模型能力都无法稳定交付。

传统云计算可以把大量相对独立的服务器分布在不同机房。大模型训练却需要成千上万块加速器在高速网络中共同完成一次计算，集群越大，对同步、网络和故障处理的要求越高。

吉瓦级园区的出现来自三股力量叠加：

1. 单次前沿训练使用的芯片数量上升；

2. 推理从少量 API 调用扩展到大规模用户和 Agent；

3. 云厂商希望一次建设足够长周期的电力与土地资源。

但 1 GW 不是简单的容量数字。它意味着园区要处理与一座大型工业设施相当的负荷，还要把大量 GPU 组织成一个低时延网络。Chase 强调，八栋建筑如果共同承担一个训练任务，在计算意义上仍然是一台机器。

这会把基础设施竞争从“有没有机房”推向四条同时受约束的链：

Crusoe 的创业起点是把油田原本被燃烧掉的伴生气转成现场计算。早期瓶颈是能源被困在没有输电条件的地方；移动式数据中心把计算搬到能源旁边。进入大型 AI 园区后，问题又变成土地、变电、燃气轮机、施工人员、冷却设备和高速网络能否同时到位。

任何一项短缺都可能让其余资产闲置：

GPU 充足、变电不足 → GPU 无法通电
电力充足、冷却不足 → 机柜不能满载
机房完工、网络不足 → 大集群效率下降
硬件齐备、模型需求不足 → 产能利用率下降

这使 AI 基础设施不能用单一供需曲线解释。市场会不断解决当前最贵的约束，然后把稀缺性推向下一环。真正持久的能力不是永久控制某一种短缺，而是更快识别并协调新的瓶颈。

Abilene 所在区域拥有大量风电和太阳能，电价有时甚至会降到负值。但廉价能源不等于可供 AI 使用的稳定电力。可再生能源存在时段波动，输电线路也可能无法把远处电力送入园区。

Crusoe 的方案把几种资源叠加：

• 通过专用变电站接入电网；

• 使用风光电降低长期能源成本；

• 建设约 350 MW 的燃气发电能力提供可控电力；

• 根据工作负载重要性采用不同可靠性等级；

• 让电池、备用系统和负载调度共同参与稳定电网。

关键不是追求每一兆瓦都获得同样可靠性，而是匹配工作负载。实时推理对中断和时延高度敏感；训练任务可以定期保存检查点，短时中断后恢复。两种负载对备用电源的经济价值不同。

可以用四个变量描述一项 AI 负载的电力弹性：

负载弹性 =（可减少功率 ΔP，可持续时间，响应速度，恢复成本）

这意味着 AI 园区不仅是电网的巨大负荷，也可能成为可调节负荷。它能否真正参与电力调度，取决于模型任务是否允许暂停、迁移和恢复，而不是数据中心运营商单方面宣布“可调”。

Chase 用每兆瓦成本把吉瓦级资本开支拆开。仅电力和建筑部分约为 19.2M 美元/MW：

基础设施建成后，价值捕获取决于公司停在哪一层。课堂先给出最基础的 GPU IaaS：只出租计算容量，年收入约 15M 美元/MW。

会计折旧、技术代际和经济寿命不是同一个概念。新一代 GPU 可能在性能和能效上显著领先，但旧 GPU 只要仍能以高于运营成本的价格出租，就可以继续产生现金流。

CoreWeave 在 2026 年第二季度电话会上披露，新签的一份 A100 合同延续到 2029 年。A100 架构发布于 2020 年，这意味着九年后仍有客户愿意按有吸引力的价格购买其算力；旧卡的经济寿命可以明显长于最初一代客户合同。⁶

购置决策和继续运行决策应分开：

是否购置旧一代设备：
未来收入 > 购置成本 + 运营成本 + 机会成本

已经拥有设备后是否继续运行：
未来收入 > 电力 + 运维 + 占用容量的机会成本

云抽象可以延长旧硬件寿命。用户购买的是 API、任务吞吐或服务等级，不需要知道每次请求落在哪一代 GPU。平台可以把低优先级、批量或成本敏感任务路由到旧设备，把高价值、低时延任务留给新设备。

Chase 用 Abilene 解释了为什么计算会被搬到能源附近。当地风电和光伏因税收激励快速扩张，但输电能力没有同步增长，一度出现负电价。Crusoe 的做法不是继续等待电网把这些电送往传统数据中心，而是把高耗能计算直接建在电力富余的地方。

但训练集群不能只是靠近便宜电力。Abilene 的八栋建筑通过同一套高速后端网络连接，使一次训练任务可以跨越多个数据大厅运行。选址因此同时受两项条件约束：当地能否持续提供大规模电力，以及计算设备之间能否保持足够紧密的连接。²

Chase 把 AI 工厂的产出称为“数字劳动”。这个词最有价值的部分，不是宣称 GPU 等同于员工，而是指出一部分过去只能通过雇佣人获得的认知服务，开始可以通过资本开支复制。

自动化的连续过程可以表示为：

工业机器：资本进入力量、速度和重复动作
计算机：  资本进入可形式化、规则明确的任务
AI：      资本开始进入难以写成规则的非例行认知任务

宏观经济学中的任务框架把自动化定义为：资本开始完成原本由劳动承担的任务。AI 没有改变这条基本机制，却可能改变两项重要边界。第一，优秀认知能力过去高度依附于具体的人，难以复制；模型、上下文、软件和算力开始把其中一部分转成可重复部署的数字资本。第二，AI 可能参与科研、工程和技术改进，也就是参与识别和解决“下一个瓶颈”。⁷⁸

吉瓦级项目的竞争不只在最终每兆瓦成本。电力许可、设备排期、施工队伍和供应链协调可能让项目延迟数年。在算力供给紧张、芯片快速迭代的阶段，早 18 个月通电可能比长期成本低 5% 更有价值。

模块化建设试图把数据中心从一次性工程变成重复制造：标准化电力模块、冷却模块和机房单元，在工厂完成更多装配，再运到现场连接。它降低的不只是人工成本，也降低进度不确定性。

因此，基础设施公司的核心能力可以写成：

可用算力 = 规划容量 × 按时上电率 × 集群效率 × 利用率 × 可靠性

名义宣布多少 GW 并不等于真正交付多少计算。只有电力、建筑、IT 设备、网络和软件在同一时间可用，资本开支才会转成 token 产能。

AI 数据中心是一条从能源到可用智能的工业生产链。吉瓦级园区之所以难，不是因为某个单项技术不可解决，而是电力、热管理、网络、施工、硬件和工作负载必须同时到位；当前瓶颈被解决后，稀缺性会继续迁移。

每兆瓦经济性取决于建设边界、上电速度、设备利用率和公司销售的产品层级。越向托管模型和最终任务延伸，收入强度可能越高，软件与需求风险也越大。更深一层，AI 工厂把一部分认知生产能力从人力投入转成可复制资本，使基础设施问题与劳动稀缺性、收入分配和技术增长直接连接起来。