算力核算陷阱，困住千亿AI基建

博通可向Anthropic提供最高420亿美元贷款，用于算力基础设施建设。英伟达表示，随着英伟达系统逐步部署，计划向OpenAI投资至多1000亿美元。AMD已向主要客户发行认股权证，其行权条件部分与吉瓦级GPU采购量挂钩。

资金显然充足，可支撑AI基础设施建设。更棘手的问题在于，这些承诺最终能落地多少实体算力。行业越来越习惯用吉瓦来描述AI基础设施规模。OpenAI与英伟达已公布计划，至少部署10吉瓦的英伟达算力系统。OpenAI还与AMD单独签署正式协议，覆盖6吉瓦GPU算力；同时与博通达成另一项合作，建设10吉瓦由OpenAI自研的加速器与网络系统。这些数字看起来体量相当，但描述的对象并不相同。

签约采购1吉瓦GPU，不等于建成1吉瓦的数据中心算力。签约云算力不等于已经安装到位的硬件；号称已落实的基础设施，也未必配套有内存、网络、冷却与供电系统来投入运行。

这种区分至关重要，因为AI基础设施已经演变为系统工程问题，而不只是半导体产能问题。采购订单只是产能等式里的一环。芯片制造、封装、内存以及配套基础设施，共同决定需求多久可以转化为可用系统。

英伟达Vera Rubin参考设计可以直观体现这一规模。其公开的100兆瓦AI工厂方案包含40000片Rubin GPU以及12PB HBM4内存。按该参考设计简单线性推算，每1吉瓦算力大约需要40万片GPU和120PB HBM4。这只是示例，并非通用的AI算力换算系数。

仅内存需求就十分庞大。三星预计，到2027年HBM将占据行业DRAM晶圆产能近30%，当前占比约20%。三星同时指出，HBM与普通DRAM共用晶圆产线，一方产能扩张会挤压另一方可用产能。

下一个挑战是处理器之间的互联。大型AI集群需要交换机、网卡以及大量高速光链路。在机柜层面，持续走高的功率密度，还要配套液冷系统、冷却液分配设备、大型供电系统，调试交付流程也变得更加复杂。

因此GPU只是庞大工业系统里的一个组件。整条供应链涵盖半导体厂商、内存供应商，还有冷却设备商、电气承包商、公用电力公司以及发电企业。

项目开工之后，这一点会体现得尤为明显。JLL估算，全球建设一座50兆瓦数据中心大约需要18个月。开发商甚至提前两年采购部分设备，但2025年有57% 的数据中心项目工期延误至少三个月。在美国，仲量联行统计设备平均交付周期约42周，相比2019年高出83%。变压器和开关柜平均交付周期约43周，发电机组大约需要51周。也就是说，签约1吉瓦算力，距离真正可以投入使用还遥遥无期。

靠近电网侧，这种差异会变得更加关键。半导体产能具备较强的可调配性：晶圆可以在不同客户之间重新分配，部分生产工序也可以切换供应商。但变电站、输电线路或者燃气管道属于固定地点配套设施，无法随意转移。

这就让电力供应成为AI落地的核心制约因素。Enverus预测，2026至2030年，美国新增数据中心用电需求中将有22.5吉瓦依靠表后发电，约占同期美国新增数据中心总装机容量的36%。该预测包含29.6吉瓦燃气发电。

开发商实际上把发电设施当成数据中心项目的一部分，而不是被动等待传统电网扩容。这种方式可以缩短部分建设周期，但又带来新的约束：燃气轮机、发动机、变压器、管线以及各类审批许可。Enverus本身也提醒，即便理论上可以获取电力资源，也不代表场地可以直接开工建设。

如今围绕AI兴起的各类融资架构，放大了这些实体基建约束的影响。OpenAI与英伟达公布的合作计划包含至少10吉瓦英伟达算力系统，对应数百万片GPU。英伟达称，随着系统部署，计划向OpenAI最高投入1000亿美元。项目首批1吉瓦算力计划在2026下半年采用Vera Rubin落地。重点在于，该合作公告仅为意向书，并非具备约束力的采购合同。

OpenAI另外与AMD签署正式协议，采购多代产品合计6吉瓦GPU算力。首批1吉瓦采用MI450系列产品，计划2026下半年启动部署。AMD还向OpenAI授予最多1.6亿股AMD认股权证，行权条件部分绑定GPU采购里程碑。

OpenAI与博通还有另一项合作，建设10吉瓦由OpenAI自研的加速器与网络系统，计划2026下半年启动部署，2029年底完工。

这些公告不能简单叠加，视作相互独立的数据中心容量。它们描述的是同一套基建工程里不同层级的资源。

Meta与AMD的合作案例，就能说明这种区分的重要性。AMD对外称这项广泛合作覆盖最高6吉瓦，但提交给美国SEC的文件显示，Meta仅对首期1吉瓦做出具有法律约束力的承诺。Meta持有的最多1.6亿股AMD认股权证，要全部行权，采购量最终需要达到6吉瓦。宣传口径里的总规模，和当前具备约束力的承诺并不等同。

Anthropic则是另一个例子，体现融资与硬件采购正在深度绑定。据报道，Anthropic的IPO招股书表示，博通同意向该公司提供最高420亿美元贷款，用于基建融资。据悉这笔资金大约可以覆盖其五年1252亿美元TPU算力采购承诺中的三分之一。预计Anthropic将在2027年成为博通最大的芯片设计客户。

这并不意味着底层算力需求是虚假的。但它说明供应商、客户、投资方与资金提供方的角色边界正越来越模糊。同一笔未来算力，现在会出现在多个统计口径里：半导体订单、云算力采购承诺、数据中心项目、融资负债，最终还会被AI企业列为已落实算力。

每一份披露文件单独看或许都属实。问题在于，市场会把它们直接相加，当成相互独立的实体算力。这就是行业大规模使用吉瓦指标背后的核算难题。吉瓦是精确的电功率单位，但用来衡量AI算力规模时，准确度大打折扣。

以上并不代表AI基建热潮无法落地。半导体厂商正在扩产，内存供应商增加HBM产能，数据中心开发商提前采购设备，同时寻找传统电网之外的供电方案。

更大的制约或许在于时间。资金承诺可以快速敲定；GPU采购协议可以提前数年签署；云客户甚至可以在机房还没动工前就锁定算力。只有当半导体、内存、网络、机柜、冷却、供电全部在同一地点就位，可用算力才真正形成。

工期延误一年，不只是推后施工计划。它会影响设备利用率、融资成本、折旧测算，以及整条基建供应链的收入节奏。

正因如此，随着AI建设推进，公告里的吉瓦数字参考价值会下降。更好的衡量指标或许是通电可用算力交付周期：从资金承诺，到建成一套可以实际承载业务负载的可用系统，需要多久。AI行业已经证明，它有能力为海量未来算力筹措资金。下一个考验，是实体基础设施能否跟上。