近日，一位前谷歌员工在X上发声，介绍了当前AI算力市场的残酷真相，瞬间引发围观。
连平时喜欢吹嘘“技术万能”的马斯克，也亲自转发并发出提醒。
他说，电力不足是一种过于简化的说法，把大规模计算能力以极高速度上线，一切都很难。
如果时间是现在的两倍，会相对容易，但事实并非如此。
所以，问题不能简单归咎于缺电。这更像是一场虚拟代码与物理世界正面冲突引发的“工业雪崩”。
故事要从今年第二季度说起。
硅谷的AI玩家们突然集体悟出一个道理，单体大模型再聪明，也有局限，不如搞“组团打卡”的多智能体架构。
让一个主控模型当项目经理，把复杂任务拆解后分发给一群小模型，有的查数据库，有的调接口，有的写代码。
为省钱，企业纷纷用开源模型替代昂贵的闭源服务。这套组合拳效果惊人，但算力消耗随之失控，某些公司的算力流量一夜之间暴涨5倍。
更麻烦的是延迟。如果前一个步骤要等300毫秒的跨洋传输，整个智能体系统就会当场“中风”。
有人问，美国机房挤不下，把算力搬去亚洲或澳大利亚不行吗。
技术上可行，但物理规律不允许。
光速有极限，几千公里的光纤延迟，会把原本流畅的AI交互拖慢到拨号上网时代。硅谷巨头只能死磕本土数据中心。
算力需求快速膨胀，GPU却卡在机房里进不去，租赁市场上演了一场荒诞的阶层分化。
第一梯队是超大规模云巨头。稳定可靠，但一开口就是3到5年的长约，价格贵到离谱。哪怕掏出几十亿美金，最新旗舰硬件也没现货，只能排队干等。
第二梯队是AI原生云。价格便宜、合同灵活，成为中小公司的选择，但GPU会像廉价Wi-Fi一样莫名掉线。买这些算力的公司，得安排团队7×24小时守着，随时重启节点。
第三梯队是独立运营商，多是矿工转型。买几排机柜，接通水冷和电源，就敢打出AI算力出租的招牌。但这些机房背后没有云计算管理能力，前谷歌专家的评价很直接，“在实践中基本不可用”。
黄仁勋不断宣称产能正在扩大，可为什么到了终端，大家还是觉得无算力可用。
因为真正的瓶颈不是芯片，而是变压器、散热管道和高压电网。
以前一个标准机柜功率也就10到20千瓦，到了GB200、B300的NVL72时代，单机柜直接飙升到120到132千瓦。
这个密度，风冷吹出来的风能把烤肉烫熟，必须上液冷。但目前全球只有不到40%的数据中心完成了液冷改造。
要通电，还得靠大型变压器。
如今在美国，一台大型变压器的交付周期已经拉长到128周，整整两年半。
于是出现了滑稽的一幕。
软件团队几周迭代出新技术，硬件厂商几个月推出新芯片，电网公司却冷冷地告诉你，想要接入100兆瓦电力，请先到2028年的队列里领个号。
为了搞到电，巨头们已经急到“挖旧资产”。微软签约重启曾发生核事故的三里岛核电站，亚马逊把数据中心建在核电厂隔壁，谷歌则押注微型核反应堆。
重工业的产能与建设周期，以年甚至十年来计算；而硅谷AI军备竞赛的倒计时，以周甚至天来计算。
这场竞赛的本质已经变了。
它不再只是实验室里的脑力比拼，而是一场重工业级别的基础设施建设竞赛。
谁能在物理世界里更早抢到电网配额、更快把变压器运进机房、更稳地搞定132千瓦机架的散热，谁才能拿到通往下一个时代的门票。
在这道难题面前，光靠写代码，真的救不了硅谷。
热门跟贴