AI与科技第 17 期 ·

以为只要买GPU就够了？AI基础设施战争的真正胜负手

AI基础设施竞争的真正瓶颈不是芯片，而是先确保电力和内存的企业才能赢得这场战争

安光涉（Oswarld）· OZ Talking 作者与编辑

以为只要买GPU就够了？AI基础设施战争的真正胜负手

开篇

订阅者朋友，先给您一个数字。690万亿韩元。

这是2026年五家大型科技公司宣布将投入基础设施的金额。相当于韩国年度GDP的约30%。可即便有这笔钱想花，也有企业花不出去。就是微软。萨蒂亚·纳德拉CEO亲口承认了这一点。GPU堆在仓库里，却没有电可以插。有800亿美元的Azure1​订单积压，但物理上根本无法让服务器运转起来。

2026年2月的最后一周，大型科技公司的公告接连不断。2月17日Meta与英伟达的GPU合作伙伴关系，2月24日Meta与AMD的合约，同一天谷歌宣布德州数据中心计划。大多数报道都只聚焦在“又一笔GPU交易”上。而我认为，这些公告其实在讲述另一个故事。

今天要说的就是这个故事。不是谁买了更多GPU，而是真正的瓶颈究竟在哪里。

AI基础设施战争的结构：三个轴心

要构建AI基础设施，需要同时具备三样东西。

第一是高算力芯片。也就是GPU、TPU2​这类AI专用半导体。第二是电力基础设施。要真正运转这些芯片，需要数据中心和电力。第三是消耗性内存芯片。也就是HBM3​、DRAM、NAND这类半导体，负责在AI模型运算期间承载数据。

问题在于，目前没有任何一家企业能同时掌控这三者。所以现在发生的事情是：各家企业一边砸下690万亿韩元，一边拼命弥补自己薄弱的那个轴心。

我们一个一个拆开来看。

第一轴：高算力芯片——只有三个选项的市场

能够从外部采购的高算力AI芯片，实际上只来自三个地方。英伟达GPU、AMD GPU、谷歌TPU。这就是常说的寡头垄断4​。而且是相当结构性的寡头垄断。从软件生态（英伟达的CUDA5​）到封装技术，再到与台积电的关系，新玩家想要进入这个市场，是需要花上好几年的项目。

因此，大型科技公司如今正在正式化其供应源多元化战略。Meta是最鲜明的案例。<2月17日，Meta与英伟达签署了数百万颗规模的Blackwell、Rubin GPU长期合作协议，一周后的2月24日，又与AMD签订了最高6GW规模的Instinct GPU多年期合约。>与此同时，Meta也在开发自研的MTIA芯片。

马克·扎克伯格是怎么说的呢？他说这是“为实现算力多元化迈出的重要一步”。这等于是正式宣布不能依赖单一供应商。AMD CEO丽莎·苏将这份合约形容为“一项多年、多代际的合作，将为Meta的工作负载提供优化的高性能、高能效基础设施”。

谷歌则朝着另一个方向前进。凭借自研TPU v7 Ironwood强化推理6​专用芯片战略的同时，与Anthropic签订了超过100万颗TPU的供应合约，并开始向外部Neocloud销售。也就是说，谷歌不打算把TPU留给自己用，而是要像英伟达一样对外出售。

不过这里有一点不能误解。英伟达并没有崩溃。英伟达在通用性和软件生态上依然占据压倒性优势。只是在大规模推理工作负载7​中，TPU或ASIC8​这类定制芯片开始在成本效率上占据优势。市场正在从垄断结构转向多层结构。

第二轴：电力基础设施——“有钱却没有电”

在我看来，这是最物理、也最严峻的瓶颈。

谷歌在2月24日宣布，将在德州威尔巴杰县新建数据中心，并称已在德州电网签约超过7,800MW的净增电力。按1GW约相当于70万户家庭用电量计算，7,800MW的规模超过了韩国釜山、仁川、大邱三座城市人口的总用电量。此外还包括与AES合作建设清洁能源，以及采用风冷方式将用水量降到最低。

Meta正在俄亥俄州建设1GW规模的Prometheus数据中心，并计划在路易斯安那州建设最高5GW规模的Hyperion。扎克伯格亲自提到的场地规模，约为汝矣岛面积的20倍。

为什么需要这么多电力？因为AI正在结构性地推高电力需求。美国能源信息署EIA预测，美国商业用电需求将在2025年增长3%，2026年增长4.5%；国际能源署IEA则预计，到2030年全球数据中心的电力消耗将是目前的两倍。

但这里有个真正的问题。电力变压器的交货周期已经延长到128周（约2.5年）。也就是说，即便现在下单，也要等到2028年下半年才能拿到货。这意味着，即使有钱，也得等上两年半。

正因如此，德州正在成为炙手可热的数据中心选址。因为那里有独立电网ERCOT9​，监管灵活，且土地广袤。谷歌选择威尔巴杰县并非单纯的土地问题，关键在于提前确保了电力供应。像微软这样没能充分确保电力的企业会发生什么，我们已经亲眼见到了——GPU正躺在仓库里睡大觉。

最近还有消息称，软银、美国以及OpenAI雄心勃勃推进的Stargate项目10​，也因电力短缺问题，取消了原本集中在德州建设的计划，改为缩小规模或分散建设。

第三轴：内存——AI正在吞噬内存

第三个轴心，是与韩国关系最密切的故事。

HBM 2026年的产能实际上已经全部售罄。SK海力士在2025年10月的财报发布会上表示，其HBM、DRAM、NAND的2026年产能“实际上已完全售罄”，美光则宣布将彻底退出消费级内存市场，只专注于AI数据中心客户。

为什么会变成这样？这里有结构性原因。

HBM3E相比标准DDR5，需要约3倍的晶圆面积。也就是说，为一块AI加速器配上内存，需要占用相当于三块普通内存的产线。内存厂商越是专注于HBM生产，我们智能手机和笔记本电脑里用的普通内存就越少。

结果已经显现出来了。三星将DDR5 32GB模组价格从149美元上调至239美元，涨幅约60%。DDR5合约价格更是暴涨超过100%。也有人提到，由于消费级内存短缺，索尼PS6的发售可能会延期（这并非索尼官方证实，而是来自主机游戏专业媒体的传闻）。

那么这种情况会持续到什么时候？SK海力士管理层在摩根大通的会议上表示，有信心认为内存上涨周期可能持续到2027年，甚至2028至2029年。他们认为，即便CSP11​们双重、三重下单，供应短缺现象仍将持续。

这里还有一点值得特别指出。LTA（长期供应合约）的主导权已经逆转。过去内存过剩时，是供应商主动推销合约；而现在，谷歌、微软这类云服务企业反而主动找上门来，请求锁定供货量。这是内存从单纯零部件升级为战略资产的信号。

而且随着AI推理时代的到来，内存需求结构也在发生变化。以前需求集中在AI训练（training）上，如今重心正转向推理（inference）。随着KV缓存12​成为新的内存需求驱动因素，每台服务器所需的DRAM容量在增加，企业级SSD（eSSD）的需求也随之上升。

美银美林（BofA）预测，2026年HBM市场规模将达到546亿美元，同比增长58%，并将SK海力士选为全球内存行业的首选股。

Oswarld视角

老实说，看着这场竞争，我想起了在GTM战略师时期经常见到的一种模式。

这种模式就是——瓶颈会转移。产品每克服一个制约，瓶颈总会转移到别处。AI芯片供应增加了，电力就被卡住；确保了电力，这次轮到内存被卡住。

从这个角度来看，目前处于最有利位置的企业是哪家？我认为是谷歌。自研TPU生态、德州7.8GW电力、以及与Anthropic的AI技术栈合作，谷歌在三个轴心中拥有最均衡的组合。

Meta选择了芯片多元化（英伟达+AMD+MTIA三足鼎立）这一精明的战略。但这只是分散供应风险的策略，并不能解决瓶颈本身。Meta真正的变数在于路易斯安那州5GW规模的Hyperion何时能真正投入运转。

微软目前处境最为艰难。对英伟达的依赖度高，在电力确保方面也最为落后。积压的800亿美元未满足订单意味着，此时此刻，微软仍在不断错失变现的机会。

而且，不能不提韩国的故事。SK海力士和三星是三大轴心中掌控内存这一轴心的核心玩家。SK海力士在HBM市场的份额约为50%到62%，这一份额在HBM4上很可能得以延续。作为数据分析师，这个数字意味着一件很简单的事：AI基础设施每增加一个单位，其中就有一半以上的可能性用的是SK海力士或三星的内存。

不过也有一点需要保持警惕。市场总是存在周期。目前内存短缺具有结构性，这一点没错，但2027至2028年SK海力士龙仁工厂和三星新工厂投产后，供应量将迎来增长的时点。到那时，需求是否依然超过供应，还是重新转为供应过剩，将成为检验这一周期的真正试金石。

结语

我来为大家梳理一下，这次一系列公告中真正重要的信息是什么。

AI基础设施的竞争，已经从比谁买了更多芯片，转向比谁先确保了电力和内存。变压器交货周期长达2.5年，HBM产能全部售罄。这些都不是靠软件或算法能解决的问题，而是彻头彻尾的物理制约。

690万亿韩元的资金在倾泻而下，可为什么电力和内存却依然短缺？您明白了吗？这个数字所展示的，不是意志的强弱，而是瓶颈的深度。

最后，我想向大家提一个问题。这些基础设施投资最终能收回成本吗？AI服务创造的收益，是否能以足够快的速度增长，从而证明这些物理投资的合理性，目前还没有确切答案。下次，我们就来聊聊这个问题——也就是AI基础设施的盈利方程式。

参考资料与延伸阅读

作者安光涉是世宗大学经营学教授，也是 OBF（Oswarld Boutique Consulting Firm）首席顾问。他在大学教授经营数据管理、商业分析等统计与数据分析课程，同时在产业现场负责 GTM 与人工智能战略咨询，设计技术与商业的连接方式。他曾发表关于 AI 对话系统记忆架构（HEMA）的学术论文，并运营每日策展全球 AI 论文的 Daily Arxiv 项目。他毕业于高丽大学技术经营专业研究生院与 KMBA，著有《把思考交出去的人：Homo Brainless》。

注释

  1. Azure：微软的云服务平台。企业无需自行搭建服务器、数据库、AI模型，即可租用这套基础设施。 ↩

  2. TPU（Tensor Processing Unit）：谷歌自主设计的AI专用芯片。如果说GPU是“万能工具箱”，那么TPU就是“只拧特定螺栓的电动螺丝刀”。通用性较低，但在AI运算上成本效率更高。 ↩

  3. HBM（High Bandwidth Memory）：紧贴AI加速器搭载的高带宽内存。数据传输速度比普通DRAM快数十倍，但生产时需要标准DRAM三倍的晶圆。原理类似于在高速公路上直接架设加油站。 ↩

  4. 寡头垄断：市场供应集中在少数几家企业手中的结构。与独占（1家）不同，是由2到3家企业瓜分市场大部分份额的形态。AI芯片市场就是英伟达、AMD、谷歌TPU的三方寡头垄断。 ↩

  5. CUDA：英伟达开发的GPU编程环境。全球AI研究人员和开发者数十年积累的代码都与之绑定，是转向其他芯片时最大的转换成本所在。 ↩

  6. 推理（Inference）：AI模型在实际服务中回应用户请求的过程。与最初构建模型的训练（Training）不同，推理需要在服务运行期间持续进行。AI商用化程度越高，推理基础设施所占比重就越大。 ↩

  7. 工作负载（Workload）：计算系统需要处理的作业总量。AI推理工作负载，指的是实时响应用户查询的作业。 ↩

  8. ASIC（Application-Specific Integrated Circuit）：专为特定用途设计的半导体。灵活性低于GPU，但在对应作业上效率高得多。谷歌TPU、亚马逊Trainium都是典型的ASIC。 ↩

  9. ERCOT（Electric Reliability Council of Texas）：德州独立电网。与美国联邦电网相分离，因此监管更为灵活，这也是德州成为数据中心热门选址的原因之一。 ↩

  10. Stargate项目（Stargate Project）是一项大规模公私合营计划，专注于开发驱动下一代AI所需的物理和数字基础设施，总规模达5000亿美元。 ↩

  11. CSP（Cloud Service Provider）：云服务提供商。指AWS（亚马逊）、Azure（微软）、GCP（谷歌）这类企业。 ↩

  12. KV缓存（Key-Value Cache）：AI模型在推理时为记住之前对话脉络而存储的数据。对话越长，KV缓存越大，内存消耗呈指数级增长。可以理解为AI“记住对话”所需付出的内存成本。 ↩

延伸阅读

AI与科技

2026年，三道安全阀同时松脱

稀土、核军备、能源霸权——读不懂结构，剩下的只有情绪

第 16 期 ·
AI与科技

用脑电波训练机器人？中美现在疯狂投资的原因

AI的下一本教材不是“书”，而是“人类的大脑”本身

第 12 期 ·
AI与科技

机器人时薪只要5美元的世界，人类该做什么

问题已经不再是机器人做得有多好，而是变成了人类要做什么

第 3 期 ·