算力背后是电力

AI 竞争常被写成模型、GPU 和资本支出的竞争。这些都对，但还少了一层更基础的约束：电力。

训练和推理都要落在数据中心里。IEA 提到，传统数据中心功率通常在 10 到 25MW，而 hyperscale AI 数据中心需求可以超过 100MW。这个量级已经接近城市基础设施问题。

当电力成为瓶颈，AI 竞争就会被重新定价。

资本开支只是开始

IEA 的跟踪显示，大型科技公司的数据中心投资仍在上升。资本可以买服务器、芯片和土地，但不能立刻买来电网容量、冷却条件、审批速度和社区接受度。

因此，AI 产能不再只是财报里的 capex 数字。项目能不能并网，电价是否稳定，水资源是否紧张，地方政府是否支持，都会影响服务上线速度和单位成本。

模型公司越往平台化走，越绕不开这些问题。

推理会扩大需求

很多讨论把能源压力和训练大模型绑定在一起。实际更值得关注的是推理。Agent、视频生成、实时语音、企业自动化和多任务并行都会把推理需求推高。

一次聊天可以很短，一个长程 Agent 任务可能持续运行很久。它会反复调用模型、读写工具、等待反馈、重试失败步骤。用户越习惯把工作交给 Agent，数据中心负载越难回到过去。

AI 能力扩散到日常工作后，能源问题会更长期。

基础设施会进入产品竞争

未来 AI 产品的价格、速度和可用性，会越来越受基础设施影响。便宜稳定的电力、靠近用户的节点、合理的冷却方案和灵活的调度能力，都会变成产品竞争的一部分。

这对行业判断很重要。只看模型发布，会低估基础设施公司的价值；只看芯片供给，也会忽略电力和并网的硬约束。

AI 竞争正在从软件故事变成能源、土地、电网和资本共同参与的工业故事。