谷歌AI基建负责人：电力是根本约束，而非芯片
TREE NEWS 报道， 谷歌今年资本开支预计超过2000亿美元，绝大部分用于数据中心建设。谷歌AI基础设施负责人Amin Vahdat在近期一次深度对谈中系统梳理了这场建设背后的技术逻辑与战略取舍，并明确指出：电力是AI基础设施扩张最根本的瓶颈，而非芯片或制造产能。
“电力是我们面临的最fundamental约束，”Vahdat表示，”其他所有问题我们似乎都知道如何在一段时间内解决；电力则是长期binding问题。”
为什么这不仅仅是谷歌的事
这一判断对跨资产类别的投资者具有直接参考价值。谷歌偏好与公用事业并网而非自建独立电源，承诺自行承担因接入所需新增的输电线路和变电站建设费用，并承认供需错配可能以年为单位存在——这些信号共同指向电力作为战略投入要素的结构性重估。
公用事业公司、独立发电商、核电开发商、变压器与开关设备制造商，以及电网软件供应商，都处于这一需求的下游。另一面是，电力可得性可能限制超大规模厂商及其供应商的部署时间表，为那些基于近乎无限扩展假设而定价的AI相关股票注入新的执行风险。
Goodput：真实故障条件下的问责逻辑
Vahdat将FLOPS定性为”虚荣指标”，认为真正有意义的度量是”goodput”——在真实故障条件下实际交付的有效产出。在10万加速器规模上，故障每天发生多次，甚至可能每小时多次。每一次故障都可能迫使系统回滚至上一个检查点，消耗算力却不产生有效工作。
这一框架对评估AI资本开支效率至关重要。如果相当一部分已装机容量因故障、恢复和软件缺陷而损失，那么头条芯片出货量和理论吞吐量就高估了实际可用于训练和服务的有效产能。
智能体重塑数据中心架构
Vahdat将长程智能体的崛起视为过去一年内影响数据中心设计的最大结构性变量。由于智能体将人类移出请求循环，响应延迟可从秒级压缩至毫秒级，请求密度呈数量级提升。关键在于，大量编排工作——解析响应、判断下一步行动、从本地DRAM、远端内存、SSD或HDD中抓取上下文——运行于CPU而非加速器之上。
“加速计算需求在上升，但CPU、网络、存储等传统数据中心组件的需求也在暴涨，”他说。这挑战了AI资本开支本质上等同于GPU/TPU交易的假设。CPU厂商、内存与存储供应商以及网络设备制造商，可能获得比市场共识更大的份额。
TPU首度拆分：推理经济的信号
谷歌第八代TPU首次分拆为两颗独立芯片：8i用于推理，8t用于训练。Vahdat将这一决策定性为对推理市场规模预判的直接结果——推理在其生命周期内可能占市场的30%至60%。两颗芯片均保留执行对方工作负载的能力，以对冲预测风险。
对投资者而言，这次拆分是关于AI栈价值迁移方向的信号：从纯训练工作负载转向常开推理服务，其中每token成本、能效和利用率经济性占据主导。
光路交换与轨道数据中心
谷歌约15年前率先将光路交换引入数据中心，通过在三维空间内精确控制MEMS微型反射镜角度，在纯光域内完成数据路由。在TPU集群中，该技术可在毫秒级内将故障机架的光路重新指向备用机架，直接压缩goodput损失。Vahdat同时确认，谷歌已将轨道数据中心列为正式推进的moonshot项目，核心逻辑在于能源优势：太空中无大气衰减使可用功率天然高出约40%，太阳同步轨道可实现98%至100%的日照覆盖，而地面设施通常仅为28%至35%，叠加后的能量密度优势可达3至4倍。
投资者关键要点
- 瓶颈是电力，不是芯片。公用事业、电网设备、核电和储能是超大规模需求的直接受益者；电力可得性是AI产能时间表的真实执行风险。
- AI资本开支远不止GPU。随着智能体改变工作负载形态，CPU、DRAM、SSD、HDD和网络设备的需求同步暴涨。
- 软件是产能的重要来源。Vahdat表示，软件与模型优化对谷歌每六个月将token服务能力翻倍的贡献”很可能不少于硬件”——这提醒投资者，效率提升可部分抵消硬件支出。
- 推理是增长市场。TPU 8i/8t的拆分反映了推理将主导算力需求的预期，利好与推理服务经济性相关的供应商。
- 故障率不容忽视。在10万加速器规模上，每日故障是常态。评估AI基础设施声明时，投资者应关注goodput，而非理论吞吐量。
