AI算力的下一轮预期差，可能不在模型，而在电力和基础设施瓶颈

副标题：模型可以按周迭代，电力、并网、液冷和高密度机房不会按周交付。

【WebX新资产系列｜AI算力 04】

先看一个项目现场，不看概念。

一笔 AI 基础设施预算已经批下来，服务器到了，GPU 板卡到了，机柜也排好了。外部看到的，是设备进场；现场真正等的，是这批设备能不能稳定跑起来。

这中间有一张很慢的工程表：变电站排期、配电冗余、单机柜功率、液冷调试、网络联调、客户负载迁移、调度系统磨合。哪一项卡住，交付节奏都会被拉长。

所以这一篇我想从一个更笨、更真实的问题开始：模型需求已经很强，设备也在进场，但这些投入最后能不能落成可持续服务？

我的判断比较简单。AI 基础设施真正难的地方，可能不是买到设备，而是让设备在电力、冷却、网络和运营系统里长期稳定地工作。

这个判断不热闹。

但基础设施本来就不是靠热闹运行的。

这里不是某个真实案例，而是一个分析模型。它要看的不是某家公司花了多少钱，而是一笔 AI 基础设施投入从预算到可用服务，中间会被哪些慢变量拦住。

这句话听起来没那么兴奋。

但基础设施本来就不是靠兴奋运行的。

市场喜欢看快变量。模型更新很快，芯片迭代很快，订单传闻也很快。可电力接入、并网节奏、液冷改造、机房承载和客户迁移，都是慢变量。慢变量不太适合当标题，却常常决定一轮建设热潮最后留下的是优质资产，还是一批很贵的设备。

最先被低估的，通常是那些慢东西

AI 行业的叙事节奏太快了。

一个新模型出来，大家会立刻讨论推理成本、上下文窗口、多模态能力和应用场景。一个 GPU 供给变化出来，市场会很快把它传导到服务器、光模块、CPO、整机厂和云厂商预算里。

这些都重要。

但如果把 AI 算力只放进这两类框架，容易漏掉一张更笨的表：工程表。

工程表里没有太多漂亮词。它写的是电力容量有没有批下来，并网窗口排到什么时候，变压器和配电设备能否跟上，液冷方案是否完成验证，高密度机柜能不能稳定满载，客户什么时候迁移负载，运维团队能不能把故障、温度、能耗和网络延迟压住。

这张表不性感。

但它很诚实。

它会告诉我们，一座算力中心从“规划容量”到“可用资源”，中间隔着多少物理世界的约束。纸面上的 MW、机柜数和 GPU 数量，是前半段；客户可以持续调用、收入可以覆盖电费和折旧，是后半段。

中间如果接不上，前半段越大，后半段的压力也越大。

这也是我对 AI 算力第四篇最想强调的判断：模型需求确实在推动基础设施扩张，但基础设施扩张不是一个同步发生的魔法。芯片可以按订单交付，机房和电网不一定按同样速度交付；服务器可以进场，客户负载不一定马上跑满；液冷可以写进方案，现场工程不一定立刻成熟。

研究这条线，不能只看谁被需求照到。

还要看谁能把需求接住。

这里有一个容易被忽略的差别：建设能力和运营能力不是同一件事。

建设能力解决“有没有”的问题，运营能力解决“能不能长期用”的问题。前者靠采购、施工、项目管理；后者靠电力稳定、散热冗余、客户排程、故障响应和成本控制。AI 机房如果只完成前者，还只是一个投入项目；只有后者跑顺了，它才开始接近一类可研究的基础设施资产。

这也是为什么我不太愿意把这条线写成“缺什么就买什么”。买设备是动作，稳定交付是能力。一个是订单新闻，一个是经营系统。

电力不是一个词，是三道门

写到电力，最容易偷懒。

一句“AI 算力缺电”，看起来很有力量，但其实太粗。真正的电力问题至少有三层。

第一层是容量。

AI 机房和传统机房的功率密度不是一回事。高密度 GPU 集群上架以后，单机柜功率、配电冗余、散热路径、UPS、变压器容量都会被重新审视。一个园区有土地、有楼、有机柜，不代表它立刻具备承载 AI 负载的能力。

第二层是节奏。

电力不是想接就接。并网、变电站、配电系统、施工、验收、消防、客户导入，都有自己的周期。模型可以几周迭代一次，电力工程不会按周交付。这里的时间差，可能会把一部分“已经规划的算力”卡在上线前。

第三层是稳定性。

训练任务和推理任务的负载形态不同。训练更像一段高强度的大项目，推理更像持续调用的服务。机房要承受的不只是峰值功率，还有波动、冗余、冷却、调度和 SLA。电接上只是开始，接上以后长期稳定运行，才是更难的部分。

所以我更愿意把 AI 机房的电力问题拆成三句话：

有没有足够的容量。

能不能按客户节奏接入。

接入以后能不能长期稳定地跑。

这三道门都过了，电力才不只是配套。它会变成算力交付的一部分。

这里也能解释为什么不同公司在这条链里的位置差异很大。

微软、Alphabet、Meta、Amazon、Oracle，以及国内的阿里云、腾讯云、火山引擎，更接近需求和预算的发起端。它们要回答的是：AI 需求能不能转成云资源、客户收入和可持续服务。

英伟达、AMD、Intel、华为昇腾、寒武纪、沐曦、壁仞等，更多在芯片和加速卡供给端。它们决定计算能力的入口，也决定设备更新速度。

戴尔、慧与、Supermicro、联想、浪潮信息、工业富联、超聚变等，则偏向服务器整机、系统集成和集群交付。它们要把芯片、主板、网络、电源、散热和机柜工程变成可部署系统。

但到了电力和机房这一步，主角开始往后移。

Vertiv、施耐德电气、Eaton、台达电子，更多出现在 UPS、配电、热管理、机柜、电源系统和数据中心基础设施环境里。英维克、科华数据等公司，则更多和冷却、电源、数据中心基础设施场景相关。Equinix、Digital Realty、万国数据、世纪互联、润泽科技这类数据中心承载和运营侧公司，要把电力容量、机房空间、网络连接和客户上架组织成可运营资源。

这不是在列名单。

名单没有意义，位置才有意义。

同样被放进 AI 算力链，有的公司卖设备，有的做工程，有的经营机房，有的承接客户负载。它们面对的账本完全不同。设备交付方看订单和毛利，电源与冷却厂商看工程导入和项目节奏，IDC 运营方看电价、上架率、客户结构和长期合同，算力服务商则更直接面对利用效率、客户续约、融资成本和折旧。

概念会把它们揉成一团。

经营账会把它们重新拆开。

比如同样面对高密度机柜，设备公司关心的是订单能不能按期交付、材料和供应链成本能不能控制；供配电和冷却公司关心的是方案能不能进入客户工程标准、项目验收能不能顺利；IDC 运营方关心的是电价、上架速度、客户结构和合同周期；专业算力云则更直接面对客户调用是否连续、价格是否下行、融资成本和折旧能不能被服务收入覆盖。

这些差异写得越清楚，文章越不容易滑向“概念受益”。我希望读者看到的是位置，而不是名单；看到的是账本，而不是热词。

公开数据已经把数据中心推到电网面前

这件事不能只靠感觉。

IEA 在 2025 年发布的《Energy and AI》里给过一组估算：2024 年全球数据中心用电约 415 TWh，占全球用电约 1.5%；到 2030 年，基准情形下这个数字预计会增至约 945 TWh。IEA 还提醒，如果电网和接入风险处理不好，约 20% 规划中的数据中心项目可能面临延迟。

这组数字有用，不是因为它看起来大。

它有用，是因为它把 AI 算力从科技公司的预算表，推到了电网规划、地方基础设施、能源调度和产业承载能力的讨论里。

再看 LBNL 给美国能源部做的《2024 United States Data Center Energy Usage Report》。报告估算，美国数据中心用电在 2023 年达到 176 TWh，占美国全年用电约 4.4%；到 2028 年，不同情景下可能达到 325-580 TWh，对应美国用电的 6.7%-12.0%。

这个区间很宽。

宽区间本身就是提醒：未来不是由“AI 需求强不强”单独决定。它还取决于 GPU 加速服务器部署节奏、机房效率、冷却路线、电力接入和客户负载结构。

换成更直白的话，AI 算力已经从一个 IT 支出问题，变成基础设施协同问题。

它不再只和芯片、服务器、云厂商有关，也和电网、土地、冷却、供配电、IDC 运维坐到同一张桌子上。

这一步很重要。

当一个技术方向开始要求更多物理世界配合，它的资产属性会变得更复杂。它不再只看谁技术更强，也要看谁能把技术需求接成稳定服务。没有稳定服务，设备再贵也只是设备；能被持续调用、能覆盖成本、能形成长期客户关系，才有资格进入资产研究。

微软那组披露，提醒我们别把资产寿命混在一起

大厂投入仍然要看，但不能只看总额。

微软在 2025 年 4 月 30 日披露 FY25 Q3 财报电话会内容。

注：这里的 FY25 Q3 指的是微软 2025 财年第三财季，对应截至 2025 年 3 月 31 日的季度，不是自然年 2025 年三季度。

微软当季资本性支出含融资租赁为 214 亿美元，现金支付的物业和设备支出为 167 亿美元。更有意思的是，公司把云和 AI 相关投入拆成两类：大约一半投向可支持 15 年及以上商业化的长寿命资产，另一部分则与 GPU、CPU 等更短寿命资产有关。公司还提到，FY26 相关支出增速预计低于 FY25，并且短寿命资产占比会更高，这类资产和收入更直接相关。

这段披露的价值，不是告诉我们微软花了很多钱。

市场早就知道大厂在花钱。

它真正有用的地方，是把 AI 基础设施拆成了两种寿命：一种是数据中心、土地、电力和机房底座，周期更长；另一种是 GPU、CPU 等计算设备，更新更快，折旧更快，和收入兑现更贴近。

这两类东西不能混在一起看。

设备先到，电力没有接好，资源用不起来。

机房先建好，客户负载没有上来，资产会闲着。

客户需求很强，但网络、冷却、调度和运维跟不上，收入也不能完整释放。

Meta 的披露也在提示同一件事。公司在 2025 年二季报中把全年相关支出指引收窄至 660-720 亿美元，并说明 2026 年费用增长的重要驱动来自基础设施成本，包括折旧增长和更高运营成本。

Alphabet 在 2024 年四季度财报中也提到，预计 2025 年资本性支出约 750 亿美元，用于加速 AI 和云基础设施投入。

这些数字不能被简单理解成“投得越多越好”。

投入越大，后面的成本结构越不能含糊。设备寿命、机房寿命、电力成本、折旧节奏、客户负载和收入确认，会把 AI 基础设施从一个故事拉回一张经营账。

我更关心的也是这张账。

大厂预算往下走以后，哪些环节只是阶段性吃到项目，哪些环节能形成持续服务能力；哪些资产会被长期使用，哪些设备会快速折旧；哪些公司能把工程交付变成客户粘性，哪些公司只是被一轮建设周期带起来。

这些问题比“投了多少钱”更靠近资产质量。

如果从这个角度看，AI 基础设施的研究顺序会变一下。过去很多讨论先问需求有多强，再问设备够不够。现在还要加一层：这笔投入进入物理世界以后，哪一部分能被摊到更长周期，哪一部分会很快进入折旧，哪一部分会随着客户负载直接影响收入确认。

这个拆法会让判断更慢，但也更接近现实。

液冷和高密度机柜，最后都要回到现场

液冷这几年被写得太多。

很多文章一写液冷，就开始讲冷板、浸没式、CDU、管路、冷却液、PUE。名词越写越多，读者越看越累。

我更愿意把它放回机房现场。

高密度 GPU 集群上架以后，传统风冷能力会遇到边界。单机柜功率提高，散热就不再是装修问题，而是上架、满载、稳定运行、故障责任和客户验收的问题。

液冷如果成熟，可能提高同样空间下的承载效率，让机房接住更高密度的负载。

液冷如果不成熟，问题也很现实：改造成本高，运维复杂，故障责任难划分，客户接受度不稳定。任何一个细节处理不好，都会拖慢资产效率。

所以液冷不能只看渗透率。

它要看工程经验，要看客户导入，要看后续维护，要看能耗改善是不是真的能被运营账吸收。

这里的公司生态位也要拆开。做冷却部件、换热系统或机房环境设备的公司，更多面对项目交付和技术路线选择；做数据中心运营的公司，要承担更长周期的电力、客户、折旧和运维压力；做算力云服务的公司，则要把客户调用、价格、资源调度和融资成本一起装进账本。

同样叫“液冷受益”，账本完全不同。

如果不拆清楚，就会把一个工程问题写成概念问题。

这也是我对 AI 算力后半段更谨慎的原因。它不是没有机会，相反，它可能比前端设备更能体现基础设施属性。但也正因为如此，它不能只靠叙事。工程能力、交付经验、客户结构、运维体系和成本控制，都要逐步验证。

还有一个小细节：液冷不是孤立升级。它会牵动机房设计、管路布置、维护流程、备件体系、客户验收和保险责任。一个方案在实验室里成立，不代表在多客户、多批次、多负载的机房里也能顺滑运行。这里面任何一环不顺，都会从技术问题变成经营问题。

风险反证要提前写：瓶颈会筛资产，也会放大错误

“瓶颈”这个词很诱人。

一旦某个方向被称作瓶颈，市场很容易自动把它理解成稀缺、涨价、景气、好资产。

研究不能这么省事。

电力紧张确实可能提高优质机房、低成本电力、快速并网能力和高密度承载资源的稀缺性。但它也会放大错误投入的代价：电价上行、并网排队、设备闲置、客户迁移、折旧压力，都可能同时出现。

瓶颈不是天然利好。

它只会把好资产和差资产拆得更开。

我会用三个条件看它是不是值得继续跟踪。

先看它有没有真的卡住交付。电力接入不够，客户资源就不能按计划上线；冷却能力不足，高密度机柜就很难稳定运行。这个卡点如果只是概念，意义不大；如果已经影响交付节奏，重要性会提高。

再看它能不能被快速替代。有些问题加班扩产能解决，有些问题要靠并网、工程经验、资质、客户验证和长期运维，节奏完全不同。

最后看它能不能变成商业结果。一个环节不能只停留在“很重要”，还要能变成订单、服务收入、长期合同、成本优势或客户粘性。

伪瓶颈也不少。

有些只是短期供给错配，产能上来后很快缓解。有些是概念先行，真实订单还没跟上。有些是客户愿意试用，但还没有形成稳定付费。有些是技术路线还在摇摆，资产投入过早反而容易被下一代方案替代。

电力、液冷、IDC、光互联、算力调度，都可能出现真瓶颈，也都可能被写成伪叙事。

关键不在名词。

关键在验证。

我会把验证拆得更具体一点。

第一，看电力是不是从规划口径进入可用口径。很多项目早期会讲规模、园区、机柜和远期容量，但真正能决定客户上架的，是可以在什么时间接入、能承受多大负载、冗余设计是否足够。

第二，看冷却是不是从样板间进入日常运维。示范项目跑通不难，难的是多客户、多批次、多负载下还能稳定维护。液冷系统一旦进入日常机房，就不只是设备效率问题，也会影响责任划分、备件体系、现场团队和客户验收。

第三，看客户是不是从试用进入持续使用。AI 基础设施最后不是卖给新闻稿，而是卖给训练任务、推理调用、企业客户和开发者工作流。客户使用越稳定，电费、折旧和运维成本越容易被账本吸收；客户使用越摇摆，前面的建设动作越容易变成压力。

所以这一篇最后落到一件慢事：把叙事放回工程和运营现场。

电能不能接上，机柜能不能稳定跑，液冷能不能从示范走到规模交付，IDC 能不能把客户上架组织成稳定服务，这些问题听起来慢，但它们会决定一轮建设热潮最后留下什么。

AI 算力的下一轮预期差，不一定来自更大的模型发布，也不一定来自更强的 GPU 供给，而可能来自谁能把模型需求稳定落到电力、机房、冷却、网络和持续运营上。

这句话不刺激。

但资产研究本来也不该只追刺激。

这也是我会继续盯这条线的原因。

慢并不等于没有变化。它只是提醒我们，AI 算力后半段的研究，不能只跟着新闻节奏走，还要跟着工程节点、交付验收、客户迁移和运营账本走。热度会把所有环节都推到台前，但最后能留下来的，往往不是最会讲故事的环节，而是那些能把电力、冷却、机房、客户和运维长期组织起来的公司与资产。

慢，才是基础设施的性格。

AI 算力不是跑在云上的抽象能力，它最后要落在电、机房、冷却和运营里。

落不下来，再大的模型需求也是悬在空中的预算。

本文仅作为产业研究、商业模式研究、公开信息整理和资产化路径分析，不构成任何证券、基金、虚拟货币或其他金融产品的投资建议，不构成买卖依据，不涉及交易撮合、账户开立、产品销售、收益承诺或投资顾问服务。文中涉及的公司、项目、协议或资产类别，仅作为公开信息研究样本，不代表推荐。