How the AI Boom Could Reindustrialize America

SpaceX 计划 2027 年与 Nvidia 合作发射首个轨道数据中心，AI 算力短缺或将推高价格 10 倍。

AI 最大风险不是泡沫，而是算力不够

Gavin Baker 是 Atreides Management 联合创始人兼首席投资官。作为长期科技投资者，他不只盯着模型榜单，而是把 AI 实验室的 token 消耗、数据中心的电力和审批、芯片的融资结构，以及 SpaceX 的轨道基础设施放进同一张账里。这场对谈最锋利的地方在于：他一面极度看多 AI 算力需求，一面也提醒，真正会让项目倒下的，可能不是方向错了，而是资本和需求兑现的时间差。

这期回答了 8 个问题：

1. 为什么人人看 AI 算力会过剩，嘉宾却押注 2028 年前会严重短缺？
2. AI 的真实付费需求究竟有多小，又为什么 token 消耗已经爆发？
3. AI 产品如何从“帮你总结”跨入“替你提出行动建议”？
4. 企业为什么不会把核心智能完全交给一家前沿模型公司？
5. 数据中心真能让小镇税收增长 10 倍、让蓝领重新受益吗？
6. 英伟达最难复制的优势，为什么不是 GPU 性能而是融资能力？
7. 即使 AI 长期方向正确，为什么一轮债务驱动的过建仍可能引爆泡沫？
8. 当陆地电力、散热和人工越来越贵，轨道算力会不会成为新供给？

被问到数据中心会否像历次技术周期一样因过建而损害供给侧回报时，Baker 给出了一个和市场主流担忧相反的答案。他称，即便把目前已经预测到、计划在 2028 年前落地的建设全部算进去，市场依然“没有可用容量”；而电力接入、地方审批和政治阻力，还可能继续推迟这些项目。于是，问题不再只是“机房会不会建多”，而是项目能不能按期通电、按期交付。

他的判断很直接："everybody's worried about over supply. I'm like more worried about massive massively under supply."（所有人都担心供给过剩；我反而更担心大规模、极其严重的供给不足。） 他进一步推演，若缺口扩大，token 的价格甚至可能上涨 10 倍。token 可以理解为模型处理和生成信息时计费的基本单位；它涨价，等于 AI 的使用门票涨价。届时，大公司和富裕用户可以买到更多智能，普通用户和小公司则被挤出去，形成所谓的“算力不平等”。

这意味着，AI 基建最重要的能力未必是买到某一代最强芯片，而是穿透电力、土地、审批和建设周期，真正拿到可用容量。反对数据中心的人若只成功阻止新增供给，结果未必是更低的资源消耗，反而可能是更贵、更不均等的算力分配。当然，这仍是供需推演：如果 AI 在真实经济中的扩散慢于预期，“严重短缺”的叙事也会被需求不足改写。

被追问当前算力回报是否建立在过度乐观的需求假设上时，Baker 没有否认需求仍很集中，反而把这当成“需求尚未真正展开”的证据。对谈中估计，创造约 800 亿美元收入的 AI 公司背后，真正重度、持续付费的用户可能不到 3,000 万；Baker 甚至认为，实际数字可能低于 1,000 万。与全球 15 亿知识工作者相比，这个分母小得惊人。

但少数用户的消耗已经很夸张。在企业内部，最高 token 消耗的工程师，支出可能是中位数工程师的 10 倍，甚至 100 倍。Atreides 自己的内部 token 消耗从 3 月到 8 月增长了 100 倍；在获得 Grokbot Enterprise 后，仅两个人开始使用，就可能让支出在一个月内再增 10 到 20 倍。于是，需求并不是平均地、一点点地增长，而像先有少数人把水龙头拧到最大。

"There's one and a half billion knowledge workers. Like, it feels like we're nowhere on the demand side and we're massively supply constrained."（全球有 15 亿知识工作者。需求侧感觉我们几乎才刚开始，但供给已经被严重卡住了。） 这意味着，供给规划若只看今天有多少聊天用户，会低估真正的需求曲线。更大的变量是：高价值岗位能否先把单人 token 消耗推高，再把工作方式扩散给更多知识工作者。边界也很清楚：当前消费高度服从幂律，少数 AI 原生公司和少数重度用户撑起了大头，能否跨过这道门槛、进入普通企业，仍未被证明。

两人讨论 Claude Code、Grokbot 等工具如何改变个人工作流时，Baker 描述了一次很具体的效率跳跃。他此前用 AI 做播客摘要、Substack 摘要、X 摘要，还做股票和话题的情绪追踪。用 Claude Code 做这些事，可能需要数小时的搭建和调试；换成 Grokbot 后，每一个 bot 只需 7 到 12 秒就能生成，而且他认为结果更好。

这不是单纯把“搜索”变得更快。Baker 已开始让一个 bot 汇总其他 bot 当天学到的信息，再向它追问："What are the recommended actions?"（你建议我采取哪些行动？） 主持人给出的工程端变化也很能说明问题：最成熟的工程师，已经从大约 20% 的代码由 AI 协助生成，跃迁到 90% 以上。代码场景特别容易先跑出来，因为结果相对可验证、文档也相对完整；但它展示的是一条更大的产品路径。

这意味着，下一代 AI 的竞争指标不再只是“摘要写得好不好”“回答像不像人”，而是能否持续读取用户的工作上下文，提出可信的下一步动作，并获得授权去执行。届时 token 不只是花在检索和写作上，而会进入监控、比较、规划和自动化流程。反面也不能忽略：Baker 承认他们仍在尝试这类能力的前沿。从“给建议”到用户真正点击“yes, go”，让系统自动采取行动，中间隔着可靠性、权限和信任三道门。

被问到 Microsoft 在前沿模型竞争中失手后是否仍有机会时，Baker 的回答是：企业未必需要把命运押在单一前沿模型上。他认为未来会是“模型组合”，也就是不同模型各做擅长的任务。企业可先选择能力强的开源基础模型，再用自己的数据进行 RL，也就是强化学习，以及监督微调，让模型学会本公司的规则、术语和工作方式。

他举了 Fireworks Nexus 的例子。客户可以挑选前沿模型，也可以选定某个开源模型，再围绕 Goldman Sachs、Morgan Stanley、JP Morgan、Fidelity 或 a16z 等机构各自的数据进行定制，最后让一个路由层在后台透明调度模型。Baker 还称，Grokbot 背后已经组合了 Gemini 3.7 Flash、Grok 4.6 和部分 Opus 模型。这说明，多模型路由不是纸面架构，而是在产品里开始出现。

"you want to own and control your intelligence, its capabilities, its cost."（你会想拥有并控制自己的智能：它的能力，以及它的成本。） 这意味着，企业 AI 的价值可能向“智能抽象层”集中：谁能让客户保留数据控制权、管理能力边界和调用成本，又能在不同模型间无缝切换，谁就可能占住入口。可这不是装一个中间件那么简单。它要同时面对前沿实验室、Microsoft、Databricks、Palantir、推理服务商和垂直应用公司的竞争；模型持续更新、数据隔离和路由体验，任何一项做差都会让“主权”变成口号。

谈到美国社会对数据中心、能耗和 AI 基建的抵制时，Baker 认为行业最大的问题是讲故事的方式错了。行业常说“要领先中国”，或者承诺 AI 将来能治愈癌症，但对普通居民而言，这些都太远。他认为更有效的说法应该是：一座数据中心进城，能给当地带来多少税收、多少工作和多少基础设施投资。

他的论据相当具体。在表后发电——即项目自带或就近配置电源、减少对公共电网直接挤压——等条件下，数据中心进入一个小镇后，当地税收不只是翻倍，可能达到原来的 10 倍。他还拿弗吉尼亚州 Loudoun County 举例：这里既有极高的人均收入，也有最高密度的数据中心，用来反驳“数据中心只会被放到富人不住的地方”。与此同时，电工、管道工和 HVAC 技工，也就是暖通空调技术人员，会因建设需求获得更高收入；在他的表述中，上大学的净现值，即扣除学费和时间成本后的经济回报，甚至可能不如学一门紧缺技工手艺。

"It's probably the best thing that has ever happened to workingclass Americans."（这可能是发生在美国工薪阶层身上最好的事。） 这意味着，AI 基建要获得社会许可，靠的不是宏大使命，而是可核验的地方账本。行业必须拿出具体小镇、具体税收、具体岗位，而不是只展示一个聊天机器人。主持人的提醒同样构成边界：数据中心行业仍背负举证责任，必须让普通人感到日常收益，而不能要求社会先为遥远承诺买单。

被问到英伟达为何能在自研 ASIC、TPU 和各种加速器竞争中维持中心位置时，Baker 把焦点从芯片性能转向融资。ASIC 是为特定任务定制的芯片，理论上可在某些工作负载上更高效；但数据中心不是买一块芯片，而是一个数百亿美元、需要长期资本支持的系统工程。性能领先一次，并不代表资本愿意押注十年。

他给出了一笔账：一座价值 500 亿美元的英伟达数据中心，可能只需要 150 亿美元的股权支票，剩余 350 亿美元可以融资。原因之一是英伟达可提供残值保证，即设备未来如果卖不出去或价值低于预期，厂商承担一部分底线风险。只要这项保证低于英伟达卖出芯片获得的毛利，它就能承受；若项目经营超预期，英伟达还可以通过收入分成获得上行。于是，Blackstone、KKR、Apollo 等资金方更容易给项目承保。

"Jensen's data centers are financable."（Jensen 的数据中心是可融资的。） 这意味着，英伟达的护城河不仅是 GPU，还包括把硬件、供应链、金融条款打包成一个资本市场理解的资产。其体系已覆盖九类芯片，并牵动代工产能、DRAM、NAND、激光器、电容等供应链。竞争者即使芯片更快，若需要更多股权、面对更高利率、集成更复杂，客户的有效成本仍可能更高。需要保留的是，嘉宾关于英伟达锁定全球 70% 到 80% 供应的说法只是口头估计；硬件本身也有流片后芯片无法正常工作的风险。

嘉宾在极度看多需求后，主动回到金融市场历史上的泡沫规律。他列举铁路、钢铁厂、汽车、电视、广播、个人电脑和互联网：每一次真正深刻的新技术，都会先让资本市场兴奋，估值被推高，随后又诱发过度建设。也就是说，“技术是真的”与“这一轮投资不会泡沫化”，从来不是同一句话。

眼下的诱惑确实很大。Baker 根据 Nebius 和 CoreWeave 的披露推算，Nebius 的项目回收期可以做到 9 到 10 个月；如果把算力投到现货市场，回收可能更快。SpaceX 因为能更快上线大型集群，回收期在他的判断中甚至可能更短。这种接近一年以内的回报，会让更多人相信扩张越快越好。好消息是，当前多数 AI 基建仍主要由经营现金流支持，而非完全依赖债务。

但只要融资结构转向债务，项目的容错率就会骤降。"You can't be off in the time."（你不能在时间点上判断错。） 债权人要的是按时还本付息，不会因为你“三年后终将成功”就延后账单。需求最终会到，不代表它会在设备折旧、利息支出和偿债节点之前到。于是，AI 长期方向正确，并不能保护每一个数据中心资产价格。这里正是 Baker 自己没有完全化解的矛盾：他相信 2028 年前会严重短缺，同时也承认，资本市场可能在短缺真正兑现之前，抢跑到过建和泡沫里。

在讨论地面电力、散热、人工和材料约束如何限制算力扩建时，Baker 把轨道数据中心描述得比大众想象得小得多。它不是漂浮在太空的五角大楼，而更像一架飞机大小的单元：装着约 72 颗芯片的一组机架，外面展开太阳能翼。其冷却方案是放在太阳同步轨道上，让散热器始终处于机架阴影中，通过辐射把热量排到太空。

他算了一笔地面与轨道的成本账。每 GW 地面算力约需 500 亿美元，其中约 350 亿美元是 IT 设备，余下约 150 亿美元用于电力、冷却、人工及相关设施。这后半部分会在地球上持续通胀：电工工资、铜等材料、接电和散热系统都越来越贵。若 Starship 的重复使用兑现，单次发射成本可能低于 10 亿美元，轨道方案就不再只是昂贵的实验，而可能替代地面那 150 亿美元中不断膨胀的一部分成本。

"an increasing fraction of the world's compute is going to be in orbit."（全球算力中会有越来越大的份额进入轨道。） 这意味着，未来供给可能分层：低延迟、强互联的训练仍放在地球，因为光速限制和延迟是真实约束；可容忍特定延迟的推理负载，则可能逐步外移。Elon 与 Jensen 已共同设计 Reuben rack，计划在 2027 年第四季度发射。但这条路押注 Starship 的成本曲线能兑现，且 Baker 也承认地面数据中心不会消失。轨道算力首先更像补充性的摆动产能，而非替代一切的终局。

把“算力真正的风险不是过剩，而是人为制造的短缺”和“高回报不等于没有泡沫，债务会把时间误差变成生死线”放在一起，表面上像矛盾，实际指向同一件事：AI 基建不是一道判断“需求会不会来”的选择题，而是一道同时处理物理供给、融资期限和需求扩散速度的系统题。

需求可能真的爆发，正如重度工程师的 token 消耗能达到中位数的 10 倍到 100 倍；供给也可能真的卡在电力、审批和人工上。但这不自动保证每一座机房、每一笔融资、每一种芯片都会赚钱。能把英伟达设备变成“可融资资产”的能力，和能让企业“控制自己的智能”的产品能力，本质上都在解决同一个问题：在不确定里降低关键资源失控的概率。

对读者而言，最该关心的也许不是哪家模型下个月登顶，而是自己处在这张链条的哪一环。你是被 token 价格影响的使用者，是要把核心数据交给模型的企业，还是会被电力、建设和融资节奏重塑工作机会的人？AI 的竞争已经从模型回答得多漂亮，进入谁能持续获得、支付并分配稀缺算力的阶段。