AI算力投资规模与巨头策略 - OpenAI计划建设10吉瓦Stargate项目，其野心可能是该规模的十倍，达到5万亿美元级别投资[3] - 黄仁勋及咨询公司预测未来五年数据中心基础设施投资规模达5-7万亿美元[5] - OpenAI与英伟达、AMD、博通分别达成10吉瓦、6吉瓦、10吉瓦合作意向，累计26吉瓦，按每吉瓦500亿美元计算达1.5万亿美元[7] - OpenAI包下三星和海力士每月90万片晶圆产能，占DRAM市场1/3，HBM市场60%[7] - xAI横扫美国70%以上燃气涡轮发电机库存，Colossus-2数据中心使用160台涡轮发电机[38] - Meta在爱达荷州或俄亥俄州建设5吉瓦数据中心，规模占大半个曼哈顿[8] 投资逻辑与风险权衡 - 公司普遍采取"Power First"策略，认为电力资源获取决定模型训练能力与市场份额[14] - 投资不足风险远大于过度投资风险，未获得最佳AI模型可能导致生存危机，而过度投资风险有上限[14] - 过度投资可转化为内部效率提升或资产转售，GPU等硬件易于转卖其他公司[15] - 公司宁愿承受华尔街对过度投资的质疑也不愿在竞争中落后[15] - 大规模数据中心经济效益显著，Google在爱荷华州建1吉瓦AI数据中心比分布式每年节省5亿美元运营成本[18] 算力需求与技术演进 - GPT-4训练需16000张H100显卡耗时90天，GPT-4.5需25000张GB200显卡耗时90-120天[19] - AI军备竞赛推动算力需求从万卡集群向十万卡、百万卡集群演进，数据中心规模从30兆瓦向1吉瓦、5吉瓦发展[19] - 算力应用比例从两年前训练占60-70%转变为推理占六成，未来推理可能占比80%以上[20] - 训练型数据中心可建在能源丰富地区如德州西部，可靠性要求可降至99.9%，无需靠近城市[24] - 推理型数据中心需靠近用户，训练型数据中心需要大规模集群集中计算[23] 美国电力供应挑战 - 美国电力系统年增速低于1%，过去20年经济发展与电力发展脱钩[25] - 数据中心占美国新增电力负载40%，年需增加80吉瓦发电量，但实际仅增50-60吉瓦，年缺口20吉瓦[26] - 20吉瓦缺口相当于2-3个纽约市发电量水平[27] - 2024年数据中心预计新增8吉瓦用电，60%靠天然气发电，40%靠光伏、风能和储能[29] - 太阳能容量系数仅25%，核电达93%，天然气达85%，不同发电技术实际输出差异大[32] - 美国电网建设缓慢，长距离传输线需7-12年审批，几乎无大规模传输线新建项目[49] 供应链瓶颈与技术突破 - GE Vernova涡轮发电机年产能不足100台，峰值2019-2020年达70余台，每台30-50兆瓦[37] - 变压器交期从3个月延长至18-24个月，美国仅一家公司年产25万吨硅钢，中国宝钢年产200万吨[42] - 英伟达推出800伏直流供电标准，可将1兆瓦机柜传输损耗从54伏时的22%降至0.6%[44] - 现有415伏交流电转54伏直流电架构下，1吉瓦数据中心需50万吨铜，800伏标准可解决铜短缺问题[45] - 800伏直流电架构可将端到端效率从92-98%提升至98.5-99%[46] 中美基础设施建设对比 - 中国2024年电力建设495吉瓦，美国仅50吉瓦[48] - 中国电网集中规划，美国局部规划且审批复杂，受土地所有者制约[49] - 中国一年太阳能装机容量相当于全球其他国家总和，设备成本为美国一半[53] - 科技公司采取自建发电站策略，将发电设施建在数据中心附近以规避电网限制[51]