夜雨聆风上周有一条新闻看得我有点恍惚：Chevron（雪佛龙，就是那个加油站随处可见的石油巨头）在财报电话会上得意洋洋地宣布，他们给微软建了一座 2.67 吉瓦的天然气发电厂，专供 AI 数据中心使用。2.67 吉瓦是什么概念？差不多够 200 万个美国家庭用电。而这一切，只是为了跑大模型。
同一周的另一条新闻是：MIT 出来的 AI 公司 Liquid AI 发布了一个 26 亿参数的小模型，直接跑在树莓派上，每秒能吐 30 个 token，完全不需要云，不需要 GPU。
把这两件事放在一起看，你会发现 AI 行业正在上演一场诡异的"精神分裂"：一群人在不惜一切代价堆算力，连化石燃料公司都成了最大赢家；另一群人却在拼命把模型做小、做轻，恨不得塞进你的智能手表。这不是简单的技术路线之争，这背后是整个 AI 产业在"能不能持续"这个问题上的集体焦虑。
一场 100 亿美元的豪赌
先说说"暴力堆料派"最近的疯狂。
8 月 4 日，Bloomberg 曝出 Anthropic 和 AI 云初创公司 Volta 签了一笔 100 亿美元的六年长约。Volta 今年初才成立，背后还有一家比特币挖矿公司 Bitdeer 帮忙建数据中心。这个数据中心在挪威，133 兆瓦装机容量，全用 Nvidia 最新的 Vera Rubin 架构芯片。而 Anthropic 前几天刚和 Amazon 续签了 50 亿美元，跟 SpaceX 也谈了合作——一条新闻标题总结 Anthropic 最近的状态就是："不是在签云计算合同，就是在去签合同的路上。"
不仅是 Anthropic。TechCrunch 8 月 6 日独家报道，AI 公司 Mirendil 跟 Google Cloud 签了 1 亿多美元的合同，用来规模化他们的"自我改进 AI"。OpenAI 更夸张，据说正在谈一个 5000 亿美元的数据中心项目，地点在俄亥俄。
坦白讲，这些数字已经大到失去了实感。100 亿美元、5000 亿美元——你很难想象这到底是多大的工程，但你可以想象一件事：这些钱烧完之后，AI 公司必须从用户身上赚回来。而目前，没有任何一家 AI 公司是盈利的。
雪佛龙和微软：石油公司成了 AI 军备竞赛的最大赢家
更魔幻的是，这轮 AI 基建狂潮的最大受益者，不是 Nvidia，不是云厂商，而是化石燃料公司。
WIRED 在 8 月 6 日发了一篇深度报道，标题直接戳破窗户纸："两家化石燃料公司正在驱动数据中心繁荣"。文中提到，美国油气管道巨头 Williams 正在为 Meta 建 6 座"离网"天然气电厂——其中 4 座就在俄亥俄。这些电厂不接公用电网，专供 Meta 数据中心。Williams 还顺手在俄亥俄郊区铺了一条 9 英里的天然气管线，高管在财报会上直言："我们故意把管道建大了，这样以后周边其他数据中心要气，随时可以接进来。"
翻译一下：AI 不止在抢 GPU，还在抢天然气。
更"精彩"的是 Chevron 给微软建的那座 2.67 吉瓦电厂。WIRED 扒出了它的环评许可——光这一座厂，每年就能排放超过 1150 万吨二氧化碳当量，约等于 Guatemala（危地马拉）一个国家的年排放量。而 Chevron 的发言人说："我们的设计符合联邦和州的环保要求。"这话翻译过来就是：法律允许范围内，我们能排多少排多少。
Williams 的四座电厂加起来，环评许可的年排放量是 960 万吨。虽然公司说实际不会那么高——"可能会低三分之二"——但问题是，这些电厂签了 10 到 12.5 年的供电协议（Chevron 和微软签了 20 年）。无论 AI 模型未来怎么优化，这些烟囱在这 20 年里都不会消失。
环保组织 Friends of the Earth 的副总监说了一句很扎心的话："科技公司和石油公司结盟最可怕的地方在于，这给了本该被淘汰的行业一根救命稻草。"
说实话，我读到这段话的时候有点恍惚。五年前我们还在谈"绿色 AI"、"碳中和数据中心"，五年后 AI 公司直接拉石油公司入伙，烧天然气比烧柴火还猛。OpenAI 的 Sam Altman 不是一直在说 AI 能解决气候变化吗？现在气候变化的加速器就是他自己的数据中心。
"你的 GPU 没问题，问题是数据根本喂不进去"
有意思的是，砸了这么多钱搞基建，很多 AI 公司发现瓶颈根本不在算力上。
TechCrunch 上 F5 发的一篇赞助文章（虽然是品牌内容，但数据和观点有参考价值）指出了一个被多数人忽视的问题：GPU 不差算力，GPU 差的是数据。
文章打了个比方：AI 基础设施像一座冰山。水面之上是人人都能看到的东西——LLM、AI 应用、GPU 集群，这些占了 90% 的预算和关注度。水面之下才是真正决定成败的部分——存储系统、网络、流量管理、安全策略、数据传输管道。用 F5 产品营销高级副总裁 Nirav Shah 的话说："所有人都在关注那看得见的 10%，但决定投资回报的是下面那 90%。"
这个比喻其实不新鲜，但我感觉它切中了一个真实痛点：企业在 AI 上的钱大部分花在了最"性感"的地方——买 GPU、选模型、搭应用——可生产环境里 GPU 利用率经常不到 50%，因为数据传不过来。就像一个装配线上的工人，手速再快，前面工位的东西送不过来，也只能干等。
F5 的解决方案架构师 Mark Menger 说得更直白："症状看起来像算力问题，根因往往是数据饥饿。"而且 AI 工作负载有个特点——小问题会被放大。传统应用里延迟增加几毫秒可能无所谓，AI 训练和推理场景里，一个网络抖动就能让整批 GPU 集体摸鱼。
Uptime Institute 2025 年的报告里有个数据很刺眼：超过一半的企业表示最近一次重大宕机的损失超过 10 万美元，五分之一的损失超过 100 万美元。而 AI 工作负载让这种风险放大了好几倍——闲置的 GPU 是数据中心里最贵的资产，没有之一。
我的感觉是，这就是典型的"军备竞赛陷阱"：你看到对手在买 GPU，你也买；GPU 跑不满，你觉得是 GPU 不够多，继续买。没人停下来看看是不是输油管裂了。
集装箱里的数据中心，和跑在手机上的模型
不过也不是所有人都在走"越大越好"的路线。另一群人正在用一种完全相反的思路解决问题。
AI 基础设施公司 Runware 8 月 4 日发布了一款叫"Sonic Inference Pod"的模块化数据中心——说白了就是一个装在标准货运集装箱里的微型数据中心，拉到现场接上电就能用。Runware CEO Flaviu Radulescu 说得很实在："推理需求的增长速度远超过数据中心建设速度。"传统数据中心从选址到投产可能要几年，而 Runware 的 Pod 用几天就能部署好。它还有一个闭环冷却系统，不耗水——这点在缺水的地区确实是个卖点。
目前 Runware 已经有 10 个 Pod 分布在美国、欧洲和亚太，客户包括 Higgsfield AI 和 Wix。他们去年拿了 5000 万美元 A 轮融资。
如果 Runware 是在基础设施层面做"小型化"，那 MIT 出来的 Liquid AI 就是在模型层面把这件事推到了极致。
8 月 5 日，Liquid AI 发布了一个 26 亿参数的开源模型 LFM2.5-2.6B。参数规模看着不起眼——现在谁还记得 30 亿以下的模型？——但你看看它的跑分：在指令遵循、工具调用等 benchmark 上，它几乎碾压了 Google 的 Gemma 4 E2B（51 亿参数）和 E4B（80 亿参数），在 ToolSandbox 上得了 77.83 分，超过了四倍于自己体量的阿里 Qwen3.5-9B（76.44 分）。在 BrowserComp+ 评测中，它和 Qwen3.5-9B 几乎打平（26.89 vs 27.23）。
但这些数字还不是最让我震惊的。真正让我愣住的是：这模型能跑在树莓派上，每秒 30 token，内存占用不到 2.5GB。在苹果 M5 Max 上能跑到每秒 220 token。用 H100 持续压测，单卡一天能吐出 13 亿 token。
Liquid AI 的后训练负责人 Maxime Labonne 在接受 VentureBeat 采访时解释了他们的逻辑："我们不想跟最大的那些云模型竞争。我们瞄准的是另一类用户——当云模型不可用的时候，你才需要用边缘模型。"他举的例子很具体：隐私敏感的企业场景、没有稳定网络的车辆和机器人、需要 24 小时在后台待命的个人助理。
更有意思的是，Liquid AI 不是把模型训完就扔出来。他们做了四阶段后训练流水线，最后一步直接在生产级 agent 框架里训练——包括 Hermes Agent 和 OpenClaw。模型在训练过程中就要学会处理真实世界的工作流：做研究、写代码、管理文档、调工具、自动化任务。Labonne 说这是个"意外之喜"——他们本意是提升 agent 能力，结果模型在数学、代码、指令遵循上全面进步了。
这事的意义不在于"又一个开源小模型"。它代表一种思路：不是所有 AI 都需要一个数据中心在背后撑着。有些任务根本不需要 4000 亿参数，26 亿参数够用了。你在手机上调个日历、自动归个档、记个会议纪要，让一个 26 亿参数的小模型在本地跑，跟用云端的 GPT-5 效果可能差不了多少，但成本是零——除了你自己手机的电费。
两条路，哪个才是对的？
说实话，我不觉得这两条路有对错之分。
"暴力堆料派"的逻辑很简单：AGI 还没有实现，而通往 AGI 需要越来越多的算力。如果你相信 Moore's Law 式的 scaling 还能继续，那现在砸钱建基础设施是理性的——谁有最多的 GPU，谁就有最大的概率先到达 AGI。Anthropic 签 100 亿美元合同、OpenAI 建 5000 亿美元数据中心、Chevron 给微软烧天然气，本质上都是这个逻辑的延伸。
"效率至上派"的逻辑也很朴素：不是所有场景都需要最聪明的模型。绝大多数企业的日常工作——预约日程、整理文档、调用 API、填写表单——用一个小而精的模型就够了。把大模型当瑞士军刀用，就像开坦克去买菜，油费比菜钱还贵。
而且这两条路并不互斥。Anthropic 一边签着 100 亿美元的云计算合同，一边招揽芯片设计团队——毕竟当你每年在云上烧几十亿美元，你自然会想：与其给云厂商交租，不如自己设计芯片。OpenAI 在 6 月已经发布了和博通合作的自研推理芯片 Jalapeño。Google 有自己的 TPU，Meta 在做 MTIA。本质上，这是"暴力堆料派"意识到了堆料的极限，开始往"效率"的方向修正。
反过来，Liquid AI 的 Labonne 也承认"最好的模型一定还在云端"。他们的目标不是取代 GPT-5，而是做一个在特定场景下足够好用、便宜到可以忽略不计的替代品。
所以我感觉，AI 基础设施并没有在"撕裂"，它只是在长成它该有的样子：云端负责探索上限，边缘负责填满下限。就像电网不会因为有了核电站就淘汰 AA 电池，AI 的世界也需要不同尺度的基础设施。
最后想留一个问题：当 Anthropic 为了训练下一代 Claude 需要烧掉挪威 133 兆瓦的电力，而你的手机上跑着 Liquid AI 的小模型在帮你记明天的会议——这两种 AI，真的是同一种东西吗？
参考链接
"Your GPUs aren't the problem: AI's real bottleneck is data delivery" — TechCrunch (F5 Brand Studio)https://techcrunch.com/sponsor/f5/your-gpus-arent-the-problem-ais-real-bottleneck-is-data-delivery "Is the future of data centers portable? Runware builds a pod to find out" — TechCrunchhttps://techcrunch.com/2026/08/04/is-the-future-of-data-centers-portable-runware-builds-a-pod-to-find-out "Anthropic signs $10B deal with AI cloud startup Volta" — TechCrunchhttps://techcrunch.com/2026/08/04/anthropic-signs-10-billion-deal-with-ai-cloud-startup-volta "Two Fossil Fuel Companies Are Driving the Data Center Boom" — WIREDhttps://www.wired.com/story/chevron-williams-driving-data-center-boom "Anthropic is hiring an AI chip design team" — TechCrunchhttps://techcrunch.com/2026/08/05/anthropic-is-hiring-an-ai-chip-design-team "No cloud, no GPUs, no problem: Liquid AI's new model LFM2.5-2.6B brings powerful AI agents to devices as small as a Raspberry Pi" — VentureBeathttps://venturebeat.com/technology/no-cloud-no-gpus-no-problem-liquid-ais-new-model-lfm2-5-2-6b-brings-powerful-ai-agents-to-devices-as-small-as-a-raspberry-pi