夜雨聆风将AI发展比作新能源车——依赖庞大电力、前期投入巨大——这个类比已触及核心：AI的终极瓶颈不在算法，而在于能源与算力堆砌背后的经济账能否算得过来。 当科技巨头以千亿美元押注算力基础设施时，一个尖锐问题浮出水面：这场豪赌，究竟通往智能未来，还是另一场互联网泡沫的赛前预演？
一、算力缺口：从“芯片荒”到“词元荒”
算力紧张已从预警变为现实。2026年以来，全球AI产业出现了一个新挑战——“词元短缺”。词元是大模型处理信息的最小单元，词元短缺本质上是算力短缺的具象表达。全球AI模型聚合平台OpenRouter数据显示，2026年第一季度，每周词元消耗量翻了两番。
企业层面，紧张态势更为触目。Anthropic调整了Claude模型使用条款以遏制高峰时段过量使用；亚马逊直言“产能限制”拖累增长；OpenAI甚至暂停或放缓了Sora等非核心项目的资源投入，将宝贵算力集中于直接创收业务。
更值得关注的是算力消费范式的质变。AI正从“辅助工具”向“任务代理”跨越，代理可自主操作电脑完成代码编写、跨软件协作等复杂任务，单次任务算力消耗提升数个数量级。同时，顶尖模型广泛采用“推理时扩展”技术——模型在回答前进行多轮内部分析，单任务可运行数小时，消耗数百万级词元。算力需求正从“技术尝鲜”转向“业务刚需”。
二、电力围城：Token经济的物理天花板
“AI的尽头是能源”，这句话正在被数据验证。
单芯片层面：一块英伟达H100 GPU满负荷运行，单卡峰值功耗达700瓦，每年耗电3740度，相当于3个中国普通家庭一整年的用电量。
单次训练层面：GPT-3单次训练耗电128.7万度，相当于美国121个家庭一年用电量。百度文心一言单次训练需1万台GPU连续72小时满负荷运转，耗电够1万户家庭用一年。
集群层面：字节跳动甘肃数据中心部署超20万台AI芯片，日均耗电180万度，相当于5万人小镇月均总用量。一座1吉瓦超大型AI算力中心，年用电量可达87.6亿度，其中仅电源模块转换损耗就高达10亿度。
宏观层面：中国数据中心年度用电量从2019年的824亿千瓦时增至2024年的1660亿千瓦时，到2030年或达3900亿至8200亿千瓦时。机构预测，2027年中国AI算力需求将增10倍，电力缺口或达1.2亿千瓦，相当于12个三峡电站装机容量。
这种供需矛盾已触发实际事件。2026年以来，长三角、珠三角已发生6起算力倒逼供电的事件，其中一次为保障AI算力中心供电，临时调整了周边工厂的生产用电计划。
三、英伟达“亲儿子”的困境：算力好卖，赚钱难
CoreWeave——这家以租用英伟达芯片为核心业务的AI云厂商，被戏称为英伟达“亲儿子”——的最新财报，为算力泡沫论提供了最鲜活的注脚。
光鲜的一面：2026年Q1营收20.8亿美元，同比增长112%。订单积压高达994亿美元，同比激增284%。本季与Meta签下210亿美元新协议，全球四大AI模型厂商已全部成为其客户。CEO宣称“2026年全部产能已预售一空”。
残酷的另一面：GAAP净亏损从去年同期的3.15亿美元扩大至7.4亿美元。调整后运营利润率仅1%，而去年同期为17%。技术与基础设施成本暴涨127%，销售及市场费用增长超五倍。债务规模接近250亿美元，利息支出高达5.36亿美元。
更令人担忧的是趋势：本季新增算力环比下降42%，但资本支出仅环比减少不到20%——单位算力建设成本在上升。公司给出Q2营收指引不及预期，盘后股价暴跌超9%，市值单日蒸发约300亿人民币。
CoreWeave的处境揭示了算力租赁模式的根本矛盾：上游芯片价格高企，建设成本先于收入确认，规模越大、亏损越深。当公司每营收1美元就要亏掉0.28美元时，这种“融资买芯片—建数据中心—租算力—再融资”的循环，与金融加杠杆并无本质区别。
四、中美算力鸿沟：代际差距的真实刻度
中美算力差距并非叙事，而是可量化的现实。截至2025年初，美国算力规模2400 EFLOPS，中国1053 EFLOPS，美国是中国的2倍有余。美国科技巨头中，仅Meta一家就计划2026年底部署超120万张高端GPU，年投入超1450亿美元；谷歌拥有的AI总算力相当于500万块英伟达H100，一家企业占全球总量的1/4。
最具冲击力的对比：Amazon、Microsoft、Alphabet、Meta四家公司2026年资本开支高达7250亿美元，同比猛增77%。每一家单拎出来的算力规模，都已超过中国所有AI企业之和。
在模型层面，美国前沿大模型已进入十万亿参数时代。Anthropic的Mythos达10万亿参数，训练成本估算100亿美元；马斯克的xAI同时训练7个模型，含6万亿和10万亿参数模型；OpenAI迭代一轮4万亿参数模型仅需一个月。中国最强模型DeepSeek V4 Pro总参数1.6万亿，差距约6倍，能力评估落后美国前沿约8个月。
五、结论：泡沫与否，关键看“落地”
AI是否因算力形成泡沫？答案不在算力本身，而在应用端能否产生覆盖资本开支的现金流。
乐观情形：AI如互联网，经历基建狂热后渗透各行业，基础设施过剩最终降低使用成本，催生新应用。九峰山实验室已发布氮化镓电源模块，可使超大型算力中心一年省电近3亿度；全国首个跨三地算电协同调度已验证成功，让算力成为“柔性电力负荷”——技术仍在进步。
悲观情形：如果2-3年内企业级AI无法在财务上证明价值，资本市场对“增长故事”的耐心将耗尽。退潮时，那些单纯依赖“堆显卡”而缺乏核心技术或应用场景的公司将最先裸泳。
CoreWeave的千亿订单与巨额亏损并存，提醒我们一个朴素的真理：从“规模竞赛”转向“系统价值”的兑现，才是AI跨越泡沫鸿沟的唯一标尺。 当算力中心从“吞电兽”变为“印钞机”，繁荣才算真正落地；否则，烧钱堆出的算力，终将成为资产负债表上冰冷的折旧数字。
