夜雨聆风我们先看一组让人睡不着觉的数字。
2024年，全球数据中心耗电约415太瓦时，占全球用电的1.5%左右；到2025年这个数字已经逼近460–490太瓦时。2025年全球数据中心电力消耗达到约460–490太瓦时，同比增长17%。按国际能源署的基准预测，到2030年将达到约945太瓦时，接近全球用电量的3%。如果把全球数据中心当成一个国家，它2025年已经是世界第十一大用电国。 Axis IntelligenceAIMultiple
水的账更隐蔽，也更刺眼。训练GPT-3一次，光在微软美国数据中心的冷却环节就可能消耗约70万升淡水，全链路算下来达到数百万升。联合国今年的报告给出一个更骇人的远景：到2030年，全球数据中心的用水量可能相当于13亿人一年的全部需求。
这不是环保议题。这是一道投资题。
因为当一项技术开始撞上电力、水、散热这些物理资源的硬墙时，真正决定未来十年财富分配的，不再是"谁的模型更聪明"，而是"谁能绕开这堵墙"。今天我想把这堵墙拆开给你看，看清它由什么构成，然后看清——钱，应该往哪几个方向流。
一、先把单位换掉：FLOPS是个会骗人的指标
绝大多数人盯着AI看的指标是算力，是FLOPS，是"多少张H100"。这个视角在2023年是对的，在今天已经开始失效。
真正的瓶颈不在"算得快不快"，而在"算一次要烧掉多少焦耳、放出多少热、蒸发多少水"。换句话说，衡量这个行业的单位，正在从"每秒多少次运算"，悄悄换成"每一次有用计算消耗的能量"。 谁能把后面这个数字压下一个数量级，谁就重新定义了整个游戏。
这是我想给你的第一个、也是最值钱的判断：别再用算力的眼光看AI，要用能效的眼光看。 一个还在数FLOPS的投资人，和一个已经在数焦耳的投资人，未来十年会站在完全不同的位置上。
那么，能量到底烧在哪儿了？答案会让很多人意外。
二、撞墙的本质：芯片大部分的电，不是花在"算"上
我们直觉里以为，AI芯片的电都烧在了计算上。错。
现代芯片真正的能耗大头，是数据搬运——把数据从内存搬到计算单元，算完再搬回去。这个来回的搬运，消耗的能量远超计算本身。这就是计算机科学里那个老问题：冯·诺依曼瓶颈。在AI时代，它从一个工程细节，升级成了决定行业天花板的物理约束。
斯坦福团队说得很直白：像ChatGPT、Claude这样的大模型，持续不断地在内存与处理单元之间搬运海量数据；在传统2D芯片上，数据被迫挤过少数几条拥挤的长通道。 ScienceDaily
想清楚这一点，整个投资地图就豁然开朗了——因为所有真正的出路，本质上都在干同一件事：要么别搬数据，要么干脆用物理特性直接把数据算出来。
这条主线一旦立住，你再去看市面上那些眼花缭乱的新技术名词，就不再是一盘散沙，而是同一个故事的不同章节。
三、两条赛道：降需求 vs 增供给
应对这堵墙，宏观上只有两个方向，聪明的钱会同时盯着、并且对冲。
一条是"增供给"——给AI找到又便宜、又干净、又稳定的电。
一条是"降需求"——让每一次计算消耗更少的能量。
这两条赛道理论上可以互相替代：如果能源足够便宜，效率压力就缓解；如果效率突破十倍，能源危机也缓解。我们先看正在发生真金白银的那条——能源。
增供给：巨头已经在抢核电
这不是PPT概念，是已经落地的资金流向。截至2026年5月，几乎每一家科技巨头都签下了核电协议。13个已公布项目承诺了超过9.8吉瓦的核电容量，用于支撑下一代AI基础设施。 Smrintel
微软重启三里岛核电站（就是1979年那个出过事故的），通过一份160亿美元、为期20年的购电协议锁定835兆瓦电力；谷歌向Kairos Power承诺采购500兆瓦；亚马逊向X-energy投资7亿美元，用于最多12台Xe-100小型模块化反应堆；Meta以最高6.6吉瓦的规模领跑。亚马逊还和Talen能源签了为期17年、1.92吉瓦的购电协议，并投资200亿美元在宾州建设。 SmrintelIrecruit
逻辑很硬：AI负载7×24小时运行，数据中心无法容忍断电，而电力是超大规模计算最大的运营成本之一。在这种环境下，核电可能不再是可选项，而是结构性必需品。 sec
所以围绕能源端，有一整条产业链值得跟踪：小型模块化反应堆（SMR）的开发商、铀燃料供应、电网改造、以及更远的可控核聚变。但这里我要泼一盆冷水——而且这盆冷水，恰恰是这篇文章最该被记住的地方。
一个被忽略的物理天花板：清洁能源解决了"脏"，解决不了"热"
很多人的乐观停在这样一句话上：等核聚变成了，能源又便宜又干净又无限，一切迎刃而解。
这句话错了一半。
热力学第二定律告诉我们：人类在地球上产生的所有能量，无论来源多干净，用到最后都会退化成废热。 核聚变、核裂变、烧煤——只要是地球自身产生的能量（区别于本来就照过来的太阳辐射），最终都得靠地球向太空辐射散掉。这跟温室效应是两个独立的机制：温室气体是拦住了该散出去的热，而废热是凭空多出来的热。
今天，全球人为废热摊到地表大约只有0.03瓦/平方米，比温室效应的辐射强迫小了约两个数量级，所以它今天还不是问题。但请注意这个"今天"。 一旦聚变真的让能源近乎免费，人类的能源消耗就会爆炸式增长——这是经济学里反复验证的杰文斯悖论：东西越便宜，用得越凶。当人类总能耗涨上几个数量级，废热本身就会成为新的、绕不过去的天花板。
这个推论的杀伤力在于：它给两条赛道排了座次。
增供给（能源）永远只是缓冲。它能把危机往后推、换个形式，但它有终极的物理上限。而降需求（能效）才是唯一没有上限的方向——因为你省下的每一焦耳，都不会变成废热排进大气。
对投资人来说，这是更深一层的判断：押能源，是在押周期；押能效，是在押趋势。 能源端的机会是真实的、必要的，但它是对冲、是阶段性的；而长期的、确定性的、不受能源价格波动影响的价值，全在能效这一侧。
下面，我们把这一侧拆开。
四、降需求：一张按时间地平线分层的投资地图
"降需求"不是一个技术，而是一组成熟度天差地别的技术。把它们混为一谈，是业余投资者最容易犯的错。我按落地的时间和风险，分成三层。
第一层：近期、确定、无聊但赚钱
这一层的技术已经在量产、在被验证，确定性高，想象空间有限，但现金流真实。
包括先进封装与3D堆叠（把内存和计算叠起来，缩短数据搬运的距离）、液冷与浸没式冷却、以及模型层面的量化与稀疏化（用更低的比特、更稀疏的结构，让模型本身就更省电）。其中液冷的价值很具体：闭环液冷数据中心可将直接用水量降低70–90%。 Presenc AI
斯坦福那块3D芯片是个标志性信号——研究者此前只在实验室做出过3D芯片，而这是第一次在商业代工厂里造出、并展现出明确的性能提升。这意味着"缩短数据搬运距离"这件事，正从论文走进产线。 ScienceDaily
这一层的投资逻辑是确定性，不是爆发性。它是底仓，不是彩票。
第二层：中期、有真实场景、未经规模验证
这一层是我认为当前风险收益比最值得花心思的地带：存内计算和神经形态芯片。
存内计算是直接冲着冯·诺依曼瓶颈去的——它让数据"存"和"算"在同一个物理位置完成，数据根本不需要长途搬运。原理上，它利用欧姆定律，让存储的电导值与代表输入的电压相乘，电流沿位线汇总，在单个时钟周期内完成一次完整的向量-矩阵乘法。这正是AI运算最核心、最高频的操作。 PatSnap
进展是实打实的。2026年初，清华、华为、字节的联合团队在ISSCC上发布了基于28纳米工艺的混合存内计算芯片；中国的存内计算企业已经有量产产品落地，比如一款算力256 TOPS、功耗仅35瓦的存内计算智能驾驶芯片，并且是业内首家量产可做浮点运算的存内计算芯片。在训练侧，也出现了让模拟芯片逼近数字芯片训练精度的新算法。 36Kr
神经形态芯片则更进一步，直接模仿大脑神经元"存算一体"的工作方式。剑桥团队今年用一种改进的氧化铪做出的类脑器件，通过模仿大脑同时处理和存储信息的方式，有望将能耗降低多达70%。 ScienceDaily
这一层的钱也在涌入：Innatera为基于脉冲神经网络的类脑处理器融资1500万欧元，Semron为使用忆容器的模拟存内计算融资730万欧元，Fractile为存内计算芯片拿到1500万美元种子轮。市场结构上，存内计算在2025年占模拟AI芯片市场38%的最大份额，而边缘AI与物联网设备是最大的应用场景。 Future MarketsPrecedence Research
注意这个"边缘"——这是第二层技术的关键楔子。它们暂时还撼动不了数据中心的训练市场，但在手机、汽车、传感器这些低功耗推理场景，已经有真实的立足之地。投资的入口，往往就在这种不起眼的楔子市场里。
第三层：长期、颠覆性、九死一生
这一层是"押对一个翻百倍、押错归零"的赌注：全光计算（用光子而非电子来算，几乎不发热）、超导与低温计算、以及可逆计算。
资金已经在试探：光子技术拿下了大额融资，Celestial AI的光子fabric技术获得2.5亿美元C1轮，由富达领投；Vaire Computing为绝热可逆计算融资450万美元。光子/光学AI被预测为模拟AI芯片里增速最快的细分。 Future Markets
这一层不该是你的主仓，但值得用小仓位、长期限去埋伏。它的价值不在于明天兑现，而在于一旦某条路线跑通，整个能效曲线会被重新画过。
五、一个回到原点的洞见：大脑，是宇宙给出的存在性证明
讲到这里，有必要回到一个最朴素的事实。
人脑只用大约20瓦——一只灯泡的功率——就完成了今天的AI要消耗兆瓦级电力才勉强逼近的认知任务。这中间隔着的，是好几个数量级的能效鸿沟。
这个事实常被误读成一个浪漫的方案："既然大脑这么省电，能不能把人脑接进网络，借用它的算力？"——这条路在物理上走不通：大脑不是用来做矩阵乘法的通用计算机，脑机接口能读写的神经元数量相对860亿是九牛一毛，而"借用"更是科幻而非路线图。
但这个20瓦的事实，真正的意义不在于"借用大脑"，而在于它是一份存在性证明：它向整个行业宣告——低能耗的智能，在物理上是可能的，因为它已经在你的颅骨里运行了几十万年。
我们租不到大脑，于是退而求其次，做一件更聪明的事：把大脑的工作方式，逆向工程进硅片。 这就是神经形态计算的全部底层逻辑。你会发现，前面第二层那条最值得关注的赛道，它的终极蓝图，其实就刻在我们自己的脑子里。
结语：钱该往哪儿投
把整篇文章收成几句话：
第一，换掉你的衡量单位。停止数FLOPS，开始数焦耳。这是一切判断的起点。
第二，两条赛道、分清主次。能源（增供给）是必要的、确定的，但它是对冲、是周期，且有废热这道终极天花板；能效（降需求）才是没有上限的长期主线。
第三，在能效赛道里分层下注。先进封装和液冷是确定的底仓，存内计算和神经形态是风险收益比最优的中场，光子和可逆计算是用小仓位埋伏的长期期权。
第四，记住那三条筛选纪律：这项技术有没有今天就能切入的真实负载（边缘推理和数据中心训练是完全不同的赌注）？它的楔子市场在哪？它是想替代GPU，还是补充GPU——历史上，所有声称"替代GPU"的几乎都死了，活下来的都是"异构共存"的那一类。
AI这场革命，表面上是智能的竞赛，骨子里是一场能量效率的竞赛。看懂这一层的人，会在所有人还盯着模型参数惊叹的时候，悄悄把目光投向那些决定"每一焦耳能买到多少智能"的公司。
那里，才是下一个十年真正的矿脉。
（声明：本文为技术演进方向的分析框架，不构成任何具体投资建议。作者非持牌投资顾问，文中提及的公司与技术仅作行业说明，最终配置判断请自行决策并咨询专业人士。）
