四大科技巨头联手造AI神话，谷歌砸2000亿建算力，基建才是底牌

训练一个顶级AI大模型，耗电量能跟一座中型城市的全年用电量相比。谷歌2026年的AI基建支出目标接近2000亿美元，微软、Meta也在同一个量级规划数据中心扩张。

这不是在买软件，是在建一套新的物理世界基础设施。

但有一件事几乎没有人在正面回答：把这么多钱砸进去，下一代模型的能力门槛到底在哪里？持续堆算力这条路还走不走得通？在芯片、电力、散热这三道物理关卡面前，这场AI军备竞赛的真实胜算，到底掌握在谁手里？

训练下一代旗舰模型，算力需求还要再上一个数量级

大模型训练的核心操作，是让数以万计的专用芯片同时跑矩阵乘法，持续跑几个月。每一块GPU每秒执行数百万亿次浮点运算，每次运算消耗电力、产生热量。GPT-4这个量级的模型，单次训练消耗超过10²⁴次浮点运算，折算成电力，相当于数万户普通家庭的全年用量。

而业界目前讨论的下一代旗舰模型，算力需求普遍认为要在现有基础上再扩大十倍。

十倍，不是增长百分之十，是数量级的跃升。

这不是优化代码能解决的问题。更多参数需要更多计算，更多计算需要更多芯片，更多芯片需要更多电力——这是物理规律在起作用，跟算法水平无关。

还有一个经常被忽略的细节：现代大型训练集群的散热系统，成本有时候能接近芯片本身。一个十万张GPU量级的集群满负荷运行时产生的热量，需要工业级液冷系统才能带走。这些设施的建设周期以年计算，不是拍板采购芯片就能立刻开跑训练。

所以谷歌接近2000亿美元的年度AI基建预算，真实含义不是"买很多显卡"，而是在建一套新的物理基础设施——规模上接近建电网、建港口的工程量级。

规模化定律在收窄，下一代竞赛同时在两条线上打

过去五年，AI领域有一条被反复验证的规律：参数量扩十倍、数据扩十倍、算力扩十倍，模型能力就会出现质变式跃升。这套规模化定律是整轮AI大爆发的底层逻辑。

但从2024年底开始，业界开始严肃讨论：这条规律还管不管用？

从GPT-3到GPT-4，能力提升是肉眼可见的量级差异。之后的模型，在很多基准测试上的进步幅度在收窄。用同样的投入再堆十倍算力，换来的能力提升是否还有同等回报？

这个问题的答案目前没有定论，但它已经逼着头部AI公司开始走另一条路：不只是在训练阶段堆算力，同时在推理阶段让模型"想更长时间"。

OpenAI的o系列模型，以及随后各家跟进的思考模型，核心逻辑就是这个：与其把所有钱砸进训练更大的基础模型，不如让同一个模型在回答问题前，先跑一套自我推导和验证的流程。

举个实在例子：同样一道复杂推理题，普通模型直接输出答案，思考模型会先推一遍、发现问题、再推一遍，在输出之前跑完完整的验证链路。消耗的是推理阶段的算力，而非训练阶段的算力。

但这条路并不是在替代超大规模训练投入。恰恰相反，要训练出能进行有效长链推理的基础模型，对训练数据质量和规模的要求更高。

我的判断是：下一代AI竞赛同时在两条战线开打——训练更强的基础模型，以及让现有模型在推理时更聪明。两件事都吃算力，方向不同，要求不同。谁能在两条线上同步跟进，谁才真正有座位。

芯片是脖子，电力是地基，供应链决定谁能留在牌桌上

另外还有一点，让这场基础设施竞赛变得格外复杂的，是整条供应链的制约结构。

训练大模型的核心芯片，绝大部分依赖台积电先进制程代工。NVIDIA高端GPU、谷歌自研TPU、各家定制芯片，全部要走同一条产线。这条产线的产能是有限的物理约束，不是市场定价能直接调节的问题。

各家公司的AI基建规划，表面上在抢芯片数量，实质上抢的是台积电的产能排期，普遍需要提前12到18个月下订单。

这里要注意一个结构性的风险：有足够的钱，但供应链卡住，钱也换不来更多芯片。这是为什么头部公司同步加大自研芯片投入——谷歌的TPU已经迭代到第七代，Meta和亚马逊也在推进自研路线。战略价值不是完全取代NVIDIA，而是在特定工作负载上降成本，同时在供应链上多一条安全通道。

电力这道关卡同样无法绕开。一个十万GPU量级的训练集群满负荷运行，需要几百到超过一千兆瓦的持续电力供应。美国很多地区的电网是按几十年前的工业用电标准设计的，承载不了这种量级的新增负荷。

所以你会看到科技巨头开始直接下场投资核电站——微软重启三英里岛核电站，谷歌和亚马逊都签署了新建小型核反应堆的协议。这不是做慈善，是因为传统电网跟不上需求增速。

从客观技术指标来看中国这条路径：算力基建的大规模投入在推进，但受高端GPU出口管制影响，可获取的顶级训练芯片在数量和代际上受到约束。应对路径是加速自研：华为昇腾系列等国产芯片与顶级NVIDIA产品仍有差距，但整条国产芯片生态链在快速建立中。差距在收窄，但还没消失，这是实情。

另一个经常被外部忽视的点是：国内电力基础设施的完整度和电网承载能力，在支撑大规模算力建设上反而有结构性优势。电力这道关卡，是美国目前面临的最真实的工程瓶颈，而这恰好是国内基建体系相对扎实的地方。

这场竞赛的终点没人能确定，但谁在浇地基谁才还在桌上

学界和工业界对"持续堆算力能走到哪里"这个问题，目前有明显分歧。乐观派认为规模化路线还有至少两到三个数量级的空间，继续推进会出现我们现在无法预见的能力涌现。悲观派认为在架构没有突破的情况下，纯堆算力已在接近收益递减区间，下一个量级的能力跳跃需要新的训练方法或模型架构。

两派都有认真的技术论据，两派也都有可能是错的。这是目前最诚实的表述。

可以确定的是：接下来三到五年，AI基础设施的建设速度会是人类工业史上最密集的基建浪潮之一。芯片产线、数据中心、电力配套、散热系统、高速互联网络，会在全球范围内同步扩张。

谁会先建成下一代超大规模训练集群，谁会因为电力或芯片供应卡住被迫踩刹车，谁手里的自研芯片能真正扛起工作负载——这些问题的答案，在未来几年会逐一浮出水面。

训练一次次世代旗舰模型要烧掉一座城市的电，这个事实本身已经告诉了我们这场竞赛的性质：它不是软件比赛，是工程和资源的角力。

在这场角力里，谁在物理世界里握着更稳的地基——电力、芯片、供应链——才真正握着这场竞赛的底牌。

这场竞赛的终点在哪里，今天没有人敢打包票。但在那个终点到来之前，持续往地基里浇混凝土的人，至少还在牌桌上。

停止浇混凝土的那一天，就是离场的那一天。

参考资料

新华社，《Google owner Alphabet to increase AI capital expenditure to record levels in 2026》

人民网，《Global AI infrastructure race intensifies as tech giants plan unprecedented data center expansion》

环球网，《Next-generation AI model training requirements push power and compute demands to new thresholds》

央视新闻，《AI infrastructure spending boom reshapes global energy and chip supply chain dynamics》