AI算力催生硅谷白领智元竞赛各方观点

BigNews 03.22 08:30

观点：

观点组1: AI价值重心正从通用大模型向垂直小模型与端侧智能迁移，终端设备与行业数据构成新护城河，开源与私有化部署成为主流路径。

观点作者：张璐

科技公司更多选择自己做AI，而非科技行业反而更倾向于通过外部合作引入AI能力；76%的企业AI应用来自外部购买解决方案。许多传统行业数据高度敏感，不适合全部上云，因此更倾向采用围绕具体业务优化的垂直小模型，通过本地或私有化部署满足监管与数据隐私要求，同时减少幻觉、提升实效。

观点作者：张璐

B端场景更注重无幻觉、重复性与一致性，而非极致智能；'模型即Agent'趋势下，在大模型之上叠加外壳难以建立壁垒，一旦市场验证成功，大厂可快速复制整合。初创企业应基于对产业的理解，利用开源模型和高质量行业数据进行针对性解决方案。

定资本开支转为可变运营成本，押注20亿终端设备构成的分布式算力生态，把AI入口牢牢锚定在用户手中。

观点组2: 算力效能瓶颈正倒逼架构革命，液冷、专用芯片与推理优化取代单纯堆叠GPU，能效比与实时交互能力成为新竞争标尺。

观点作者：戴尔科技

PowerEdge XE9712服务器搭载72颗GB300芯片，推理性能较H100提升50倍，能效比提升5倍，实现实时万亿参数LLM推理。液冷已从可选项变为必选项，因为GB300晶体管密度高到空气无法承载其热量。这场变革标志着AI战争焦点从“谁能训练更大模型”转向“谁能更快更便宜地跑通模型”。

观点作者：张璐

当前AI能耗问题日益突出，美国基础设施薄弱导致电力供应紧张，微软已出现GPU闲置现象。初创企业正探索新型模型架构，目标是将能耗降低至现有水平的十分之一甚至百分之一。除Scaling Law外，优化能耗效率已成为与算法、大数据、算力并列的核心发展方向。

观点作者：黄仁勋

英伟达预测到2027年相关采购订单将达1万亿美元。Blackwell和Vera Rubin平台的算力爆发，使Token消耗成为工程师效能放大器——未来顶尖工程师年薪50万美元，需配套至少25万美元价值的Token配额，否则将被视为未释放10倍效率潜力。这背后是对高效、低延迟、高吞吐推理能力的系统性工程需求。

观点组3: AI已从技术竞赛全面转向规模化产业部署，核心挑战在于真实业务场景中的落地能力而非模型参数大小。

观点作者：张璐

问题已经从要不要用AI，变成了如何在真实业务中规模化部署AI。大模型本身已经不再稀缺，真正稀缺的是数据、执行力和可落地的应用场景。当AI进入金融、保险、医疗、物流等行业时，每一个垂直领域本身就是万亿级别的市场，加起来超过美国GDP的50%。

观点作者：张璐

2025年被视为AI应用爆发年，产业态度从‘是否要做’转变为‘必须加速落地’。ToB仍是主要投资方向，垂直领域初创企业可通过行业合作获取独特数据，构建小模型，满足隐私与监管要求，并利用端侧部署降低算力依赖。

观点作者：吴泳铭

大量数字化工作将由数以百亿计的AI Agent来支撑，而这些AI Agent将由模型产生的Token支撑运行，成为人类与数字世界交互的主要载体。阿里成立Token Hub事业群，旨在构建'创造Token、输送Token、应用Token'的AI生产力供应链，聚焦B端AI原生工作平台。

观点组4: 全球AI军备竞赛本质是基础设施重资产化转型，科技巨头正从轻资产利润中心演变为高杠杆、高折旧的算力投资者，商业回报高度不确定。

观点作者：美股研究社

Amazon、Google、Microsoft和Meta Platforms为AI数据中心投入6500亿美元，已不再是单一产品竞争，而是一场堪比光纤泡沫或云计算初期的基础设施军备竞赛。当前全球AI服务市场规模仅约350亿美元，投入产出比严重失衡，科技巨头不得不发行债券维持开支，资产负债表显著杠杆化。

观点作者：产联社CLS

四大科技巨头2026年AI和云基础设施资本开支预计将超6000亿美元，亚马逊两天发债近540亿美元，Alphabet募资320亿美元，摩根士丹利预计超大规模云企2026年借款额达4000亿美元。这折射出海外巨头逻辑：从短期租赁转向长期自建算力基座，不惜重金锁定未来数年算力资源。

观点作者：Kevin Roose

硅谷白领正陷入‘智元（Token）军备竞赛’，工程师KPI从代码行数转向Token消耗量，OpenAI工程师单周刷2100亿Token，Anthropic用户月账单超15万美元。企业预算被重新洗牌，英伟达CEO黄仁勋提出将Token配额设为年薪一半的‘第四大薪酬支柱’，凸显算力支出已成刚性、不可逆的运营成本。