AI最先耗尽的可能不是芯片，而是电

人工智能的竞争，正在发生一次容易被忽视的重心转移。

过去几年，人们谈AI，首先想到的是GPU。英伟达的H100、Blackwell供不应求，算力成为大模型军备竞赛中最稀缺的资源。但马斯克很早就提醒：芯片短缺不会永远是最大的瓶颈，真正的问题最终会变成电力。

2024年，马斯克曾表示，AI发展最初受制于芯片供应，之后限制因素将越来越多地转向电力。到2026年，他又进一步判断，AI部署“从根本上说”受限于电力，甚至可能很快出现“造出来的芯片比能够通电运行的芯片还多”的局面。

这听起来夸张，但数据正在追赶他的判断。国际能源署预计，全球数据中心用电量将从2024年的约460太瓦时迅速增长，到2030年前后接近甚至超过1000太瓦时。仅AI及其他数字服务带来的增量，就已经相当于一个大型工业国家的新增电力需求。

美国尤其明显。劳伦斯伯克利国家实验室最新测算显示，到2030年，美国数据中心用电量在基准情景下可能达到649太瓦时，占全美用电量约11.8%；不同情景下，这一比例可能达到9.5%至15.3%。换句话说，美国每消耗大约十度电，就可能有一度以上流向数据中心。

这意味着，AI公司的竞争逻辑也在改变。过去的问题是“能不能买到GPU”，未来的问题越来越可能变成“买来的GPU插在哪里”。训练一个更大的模型，可以通过采购更多芯片解决；但如果一座数据中心需要几百兆瓦甚至上吉瓦电力，就已经不是科技公司的供应链问题，而变成了电厂、电网、变压器和审批制度的问题。

马斯克自己的xAI就是最直接的例子。其孟菲斯Colossus超级计算机迅速部署了大规模GPU集群，但巨大的用电需求迫使项目寻找额外能源来源。AI基础设施扩张到一定规模后，服务器机房事实上已经越来越像一座高耗能工业设施。

更麻烦的是，芯片和电力属于两个完全不同的产业周期。GPU可能一年更新一代，数据中心也可以在数月内完成设备扩容，但大型发电机组、输电线路和变电设施往往需要数年建设。全球大量新能源项目已经陷入并网排队，输电网扩张速度明显跟不上发电和数据中心建设速度。

于是AI时代出现了一个反常现象：最先进的数字产业，开始重新寻找最传统的资源。Meta、微软、谷歌等科技公司开始直接介入核电、天然气、可再生能源与储能项目。过去科技公司租服务器，如今它们不仅要买芯片，还要锁定土地、水资源和几十年的电力供应。

IEA预计，到2035年，为满足数据中心新增用电需求，可再生能源仍将承担最大增量，但天然气、核电也会同步扩张。天然气的优势在于稳定和建设速度，而核电最大的价值，则是能够持续提供高负荷基荷电力。

这也解释了为什么AI正在重估能源资产的价值。最近几年，一些原本为比特币挖矿准备电力资源的企业开始转向AI数据中心，因为市场真正看重的并不只是厂房，而是已经拿到的电网接入容量。在某些地区，一块拥有几百兆瓦可用电力的土地，甚至比服务器本身更加稀缺。

芯片可以跨州运输，模型可以复制，电力却具有极强的地域属性。一个地方有没有变电站、输电容量够不够、天然气管道在哪里、电价是多少，都会直接决定数据中心能否建设。

因此，AI竞争正在从半导体产业链进一步延伸到能源系统。英伟达依然重要，先进制程依然重要，但GPU只有通电以后才能产生Token。一个国家即使拥有足够多的芯片，如果电网建设速度长期落后于数据中心投资，算力同样无法真正落地。

这也是为什么中国电力体系越来越频繁地出现在全球AI竞争的讨论中。AI最终比拼的并不只是实验室里谁训练出了更聪明的模型，而是谁能够以足够低的成本、足够快的速度，把成百万张芯片持续稳定地运行起来。到了这个阶段，发电量、电网建设能力、储能、电价甚至电力设备供应链，都可能成为新的竞争变量。

当然，“缺电”并不意味着世界没有足够的能源。真正稀缺的是能够在正确地点、正确时间，以合理价格稳定供应的数据中心级电力。太阳能和风电建设速度快，却存在间歇性；核电稳定，却建设周期长；天然气灵活，但受到燃料成本和碳排放约束；储能能够削峰填谷，却仍需要庞大的资本开支。

所以AI能源问题最终不是寻找某一种能源，而是重新设计整个电力系统。马斯克曾判断，未来储能能够显著提高现有电网的实际利用率。这个方向可能比简单建设更多电厂更加重要：当数据中心成为全天候高负荷用户，电源、储能和电网必须同时扩张。

过去半导体行业有一句话：算力就是生产力。AI时代可能还要补上后半句：电力就是算力。

当市场仍在追逐下一代GPU、下一代模型和下一家AI独角兽时，一场规模更大、持续时间更长的资本开支周期已经在幕后展开。它的主角未必只是芯片公司，而可能包括电网、电气设备、核电、燃气轮机、储能与新能源企业。

AI革命看起来发生在云端。但支撑云端的，最终仍是地面上的发电厂、输电线路和变压器。这或许才是马斯克所谓“AI真正的挑战是电力”背后，更值得资本市场注意的含义。