马斯克预言并非危言耸听！以后货币不是黄金美元，而是“瓦特”？

2026年，人工智能行业出现了一个值得关注的变化：科技巨头投入大量资金采购芯片，却越来越难以回避一个看似传统的问题——电从哪里来？曾经，决定人工智能企业竞争力的关键指标是模型参数、芯片数量和算法性能。

如今，电力供应能力、数据中心建设速度和能源成本，也正在成为影响人工智能产业发展的重要因素。马斯克对这一变化有过明确判断。

他曾公开强调中国发电能力相对于美国的规模优势，认为电力基础设施将在未来科技竞争中发挥越来越重要的作用。这一判断并非没有现实依据。

2026年1月28日，国家能源局公布的数据显示，截至2025年底，中国累计发电装机容量达到38.9亿千瓦，同比增长16.1%。其中，太阳能发电装机容量达到12亿千瓦，风电装机容量达到6.4亿千瓦。

仅风电与太阳能发电装机规模，就已经达到18.4亿千瓦左右。美国的发电装机规模明显低于中国，但需要强调，装机容量不等于实际发电量，更不能直接等同于可供人工智能使用的稳定电力。

不同能源的利用小时、输电条件和供电稳定性，都影响最终能够投入使用的电力规模。中国的优势不仅来自装机规模，还来自长期形成的电源建设、电网输送和工业设备制造能力。

2025年，中国风电和太阳能发电量分别达到约1.13万亿千瓦时和1.17万亿千瓦时，合计占全国发电量的22%左右。与此同时，风电和太阳能新增发电量持续增长，成为能源供应增量的重要来源。

不过，电力规模优势并不能自动转化为人工智能技术优势。真正决定算力竞争力的，是能否将电力、芯片、通信、冷却和软件系统有效结合，让昂贵的计算设备保持稳定运行。

马斯克旗下xAI在美国孟菲斯建设Colossus超级计算中心时，就遇到了这类问题。大型GPU集群不仅需要持续供电，还会在训练过程中产生剧烈的负载变化。

因此，项目必须协调公共电网、现场发电设备和储能系统，而不是简单地增加服务器数量。美国能源部支持的研究也反映出电力需求增长压力。

2024年发布的报告预计，到2028年，美国数据中心用电量可能占全国总用电量的6.7%至12%。这是一个预测区间，并不意味着12%已经成为必然结果。

更值得关注的是，2026年6月，美国劳伦斯伯克利国家实验室发布更新报告，将2030年美国数据中心用电占比的基准预测定为11.8%，不同情景下的预测区间为9.5%至15.3%。

这说明，数据中心电力需求已经不再是未来某一天才需要考虑的问题，而是产业扩张过程中必须面对的现实约束。

所谓未来的货币可能是“瓦特”，并不是说黄金和美元将被电力直接取代，而是意味着稳定、低成本、可以大规模供应的能源，正在成为人工智能时代的重要生产要素。

在人工智能行业，模型能力的竞争正在向工程执行效率、算力基础设施和部署成本延伸。对于xAI而言，模型研发并不是一个可以脱离硬件独立推进的软件项目。

计算资源能否及时投入使用、实验能否快速完成、产品能否在不同硬件环境下稳定运行，都直接影响技术迭代的速度。

这套工作方式建立在一个基本判断之上：许多被工程团队视为理所当然的时间和性能限制，未必真正来自物理规律，也可能只是长期形成的开发习惯、组织流程或技术架构造成的。

因此，xAI在启动项目时，通常会围绕财务回报、运算效率或物理条件设定关键指标，再从目标倒推需要的软件、硬件和基础设施。团队倾向于删除不必要的环节，重新检查延迟和性能方面的假设，而不是直接接受既有方案。

按照工程师的经验，清理冗余设计有时能够带来两倍至八倍的性能改善，但具体效果取决于所处理的系统。传统预训练项目往往需要较长的实验周期，而xAI内部部分新架构的开发已经能够维持每天多次迭代的节奏。

团队同时探索不同架构，并依靠超级计算基础设施减少训练启动过程中的障碍。在某些情况下，新的服务器机架完成安装后，几个小时内便可以参与训练。

这种速度并不完全来自模型工程师的个人能力，更依赖计算资源的组织方式。硬件部署、训练任务调度和软件开发之间的衔接时间越短，研究人员就越能够在有限时间内验证更多假设。

xAI内部的研发项目通常提前进行资源规划。即使某些模型尚未进入正式开发阶段，相关的计算需求和架构方向也可能已经确定。

超级计算中心的建设充分体现了这种工程模式。xAI早期建设大型计算中心时，需要同时处理土地使用、电力接入、服务器安装、供电稳定性和冷却系统等问题。

团队曾以122天完成首个大型计算中心建设的速度作为重要成果。其中，电力保障是最复杂的环节之一。

高密度GPU集群在执行训练任务时，负载可能发生非常剧烈的变化，短时间内出现兆瓦级功率波动。为保障训练任务连续运行，团队与当地电力公司协调，并配置了80多台移动发电机。

当外部电网无法继续承担相应负荷时，计算中心需要能够切换至其他供电来源。由于训练任务对供电中断极为敏感，供电切换不能简单依赖发电机启动和停止。

发电机涉及机械转动过程，响应速度受到限制，而电池储能系统能够更快处理短时负载变化。因此，供电保障需要结合本地电容、电池组、发电机和市政电网等不同层次的设备。

这意味着，先进人工智能模型的训练速度，已经与电力工程和能源管理能力紧密联系在一起。在计算中心建设过程中，土地使用和审批安排同样影响施工进度。

早期项目利用当地针对临时性土地改造的审批安排，加快了相关工程的启动。基础设施团队还需要直接解决芯片运行中的技术问题。

一次硬件部署过程中，相关芯片的软件出现故障，马斯克在会议后联系了对应的软件团队，后者于次日提供补丁。不过，基础设施建设的高速推进，也意味着团队必须持续处理新的设备兼容性、电力和冷却问题。

计算中心的建设并非一次完成后便进入稳定状态，而是需要随着模型需求和芯片数量的变化不断调整。与计算中心建设同步进行的，是xAI内部软件团队的小规模运作模式。

在一名早期工程师加入时，公司工程人员大约只有100人，明显少于部分大型人工智能实验室。团队没有为每个人划定严格的长期职责边界，工程师往往根据当前项目需求承担工作。

这名工程师最初参与了Grok与X平台的集成，随后转向后端系统的可靠性和扩容，又独立开发桌面端工具，并参与Imagine产品发布以及iOS客户端开发。在他加入移动端团队时，相关开发人员只有三人。

尽管人员有限，团队仍需要应对持续增加的用户需求和产品更新。较为扁平的组织结构减少了跨部门沟通的层级。

在部分项目中，工程师可以直接与客户沟通，了解真实需求，再修改代码并推进部署。这种机制的优势在于减少信息传递过程中的损失。

客户提出需求后，如果必须依次经过销售、管理和研发等多个环节，原始问题的细节容易在转述中被简化。但组织灵活性并不意味着完全没有技术约束。

对于高风险操作，团队仍保留必要的检查程序。代码和基础设施也可能因为新需求重新引入此前删除的功能。

例如，在开发需要适配大量硬件的系统时，工程师曾移除针对多个视频编码器的特殊处理，随后发现部分高分辨率显示设备出现兼容问题，于是重新加入相关逻辑。人工智能辅助编程进一步改变了这种组织模式。

xAI工程师已经尝试使用多个AI智能体协同完成大型代码任务。其中一项核心生产API的重构工作，由一名工程师协调约20个智能体推进。

在这种工作方式下，人类工程师不再需要亲自完成所有基础代码，而是将更多精力用于架构设计、需求判断、实现方案选择和结果检查。不过，AI生成代码也可能制造新的复杂性。

对于原本只需要少量代码就能实现的功能，AI可能生成远超实际需要的实现方案，甚至降低可维护性。因此，团队在招聘中十分重视候选人是否能够识别问题的本质，并优先寻找简单有效的解决办法。

在Microhard项目中，临时方案与长期架构并行推进的做法较为常见。团队需要在交付客户需求的同时，不断调整最终系统的设计。

对于模拟人类电脑操作的人工智能系统，团队曾确定一个重要目标：模型执行任务的速度至少要达到人类的1.5倍。这一要求改变了技术选择。

相比单纯增加模型规模和推理能力，团队更加重视运行速度、计算效率和部署成本。小模型架构在这一思路下具有一定优势。

模型规模较小，可以降低部分计算开销，提高迭代和部署效率。相关研发中的一次模型迭代周期，曾从约四周缩短至约一周。

更快的实验周期，又允许团队同时探索更多技术路线。工程师提到，部分阶段能够并行开展约20项实验。

这种模式也推动了Microhard的人类模拟器项目。该项目试图解决的，并不是工业机器人在现实世界中的运动问题，而是数字环境中的重复劳动。

工业机器人主要替代或辅助人类完成实体操作，数字人类模拟器则面向键盘、鼠标和计算机屏幕构成的工作环境。它试图通过识别屏幕信息、作出操作判断并执行任务，完成原本由人工处理的数字工作流程。

不过，真实业务流程的复杂性往往超过最初预期。团队曾在一个客户项目中通过访谈了解员工操作流程，并据此设计自动化方案。

然而，一周后系统仍然在某些环节反复出错。工程师前往现场观察才发现，员工实际工作包含20多个此前未在访谈中说明的操作步骤。

这些步骤并非刻意隐瞒，而是工作人员长期重复执行后，已经把它们视为不需要特别解释的习惯性动作。团队还在公司内部测试过虚拟员工。

部分真实员工在工作交流中接到虚拟员工发送的消息，却不知道对方并非真人，甚至根据消息前往办公位置寻找对应人员。在模型能力方面，工程师发现部分数字员工能够处理此前没有专门训练过的任务，并在内部演示中取得超出预期的效果。

他将这种现象归因于模型具有一定的泛化能力。大规模部署则提出了新的经济性挑战。

假设需要同时运行100万个数字模拟器，按照每个模拟器占用一台计算设备的方式规划，就需要数量庞大的硬件资源。即使模型能够实现预期功能，部署成本也可能限制商业化规模。

为寻找更具成本效率的方案，团队曾考虑利用特斯拉车辆搭载的车载计算设备运行模型。这一构想建立在车辆大量时间处于停放状态的假设之上。

工程师当时提到，北美地区约有400万辆特斯拉汽车，其中一半以上配置第四代硬件，车辆约80%的时间处于停放或充电状态。如果能够获得车主授权，并向车主支付相应报酬，理论上就可以利用部分闲置车载计算资源运行数字模拟器。

团队曾将车载计算设备与云端虚拟机及独立GPU硬件进行成本比较，认为在特定方案下，前者可能具有更高的资本效率。但这仍然属于潜在部署路径，不能等同于大规模车载计算网络已经建成。

具体推广计划在相关交流中也尚未公开。无论最终采用何种硬件形式，部署经济性都会影响数字员工的商业价值。

如果单个任务节省的人工成本无法覆盖模型运行、设备使用和维护成本，再高的自动化能力也很难形成可持续业务。Microhard项目内部设有明确的收入目标，工程师可以根据项目提前或延期的时间，估算相应的年度收入影响，但没有披露具体金额。

在内部资源使用上，较充足的计算条件进一步扩大了实验空间。工程师可以尝试在普通创业公司难以承担的模型训练方案，减少单次实验成本对创新尝试的限制。

不过，更多实验也意味着需要更有效的评估体系。在处理互联网数据和模型真实性的问题时，xAI工程师认为，训练数据的数量和质量只是影响模型结果的部分因素，训练方法、评估方式以及模型权重更新同样重要。

简单学习输入与输出之间的对应关系，可能使模型具有较强的模仿能力，却未必能够准确处理此前没有遇到的问题。当Grok等产品出现明显错误并收到反馈时，相关问题会被转交给工程团队。

尚在工作的成员可以临时组成讨论小组，由其中一人负责推动解决，随后进行复盘。对于Imagine等产品的集中发布阶段，工程团队曾采用持续循环的开发方式。

白天收集反馈，夜间推进新功能和修复，模型出现变化后再同步调整客户端功能。这种高强度工作方式持续了约两三个月，参与人员需要长期保持较高的工作投入。

在部分模型研发阶段，团队还曾连续数月在临时集中办公区域工作。办公室设置了睡眠舱和床铺，以便工程师在长时间开发期间短暂休息。

这些安排能够在短期内集中人员解决问题，但也反映出极高研发速度对工作时间和人员承受能力的要求。从个人工程师的角度看，xAI最突出的吸引力之一，是技术想法与实际结果之间的距离较短。

一名曾有多次创业经历的工程师发现，加入xAI后，自己完成某些项目的速度反而超过独立创业时期。原因并非个人工作能力突然发生变化，而是大量原本需要独自建设的基础服务已经存在，遇到专业问题也能迅速获得同事协助。

对于复杂工程而言，理论上能够实现，与真正制造出稳定运行的产品之间，仍然存在大量具体工作。xAI内部还曾估算，主代码仓库平均每次代码提交对应的价值约为250万美元。

一名工程师在某个工作日完成五次提交，便据此谈到相当于1250万美元的价值。这一数字更适合被理解为内部用于描述工程人员潜在产出杠杆的估算，而不是每提交一次代码就能直接创造250万美元已实现收入。

真正值得关注的是，少量工程师如何依靠共享基础设施、自动化工具和快速决策机制，管理规模远大于传统个人工作范围的系统。

当一个工程师可以同时协调多个AI智能体、直接修改关键软件模块，并利用大型计算集群进行实验时，技术人员的作用正在从具体执行扩展到系统设计、资源调度和结果判断。由此产生的竞争优势也不再局限于单个模型的参数规模。

企业能否缩短实验周期、降低推理成本、快速部署硬件，并让工程师直接处理真实客户的问题，同样会影响人工智能产品的发展速度。xAI的实践展示了一种高度集中资源、缩短管理链条并依赖高强度工程协作的研发路径。

它能够在部分任务上取得明显的速度优势，但也伴随着基础设施投入、技术可靠性和人员工作强度等方面的挑战。人工智能系统最终能否形成可持续的商业价值，仍取决于模型能力、计算成本、实际工作效果和部署规模之间能否建立合理关系。

工程速度可以缩短技术验证的周期，却不能替代对成本、安全性和真实需求的检验。