摘要

Terafab真正要争夺的不是一座芯片厂，而是马斯克生态的算力主权。 计划把 Tesla、SpaceX、xAI 从芯片设计、制造一路整合到部署应用，终极目标是年产 1 TW AI 算力，并将 80%-90% 部署到太空。张璐把它形容为一个“巨大的跨公司的工业操作系统”，但判断落地周期和资金需求都会远超马斯克自己的预期。
太空数据中心在未来两三年并不是一笔成熟的创业押注。 宇宙辐射、芯片封装、发射、维护与故障维修都面临重大技术和成本问题；若服务地球应用还要承受 latency。张璐给出的成熟窗口是七年甚至十年。“如果都要探索在太空里建数据中心，为什么不在临近的加拿大建？”
SpaceX需要用“整个太空经济”而非火箭与 Starlink 支撑万亿美元级上市叙事。 张璐认为，轨道部署还对应马斯克更深的诉求：“他不希望有任何政府去监管他。”在太空管辖、轨道执法与月球资源归属都模糊的阶段，SpaceX既可能成为太空经济的主要支持者，也可能成为未来规则制定方。
比轨道数据中心更近的机会，是服务一个“AI native、robotics native”的太空产业。 微重力工厂可探索地球上难以形成的晶体、材料与蛋白质结构；AI还能管理卫星交通和数据交易，机器人则可从月壤提取水、氢、氧，搭建月球“加油站”。真正的空间算力需求要等这些本地应用形成规模后才成立。
当前更可投的是地面 AI infrastructure 的效率层，以及其他太空基础设施。 Interconnect、optical switch、能耗、memory、security、推理成本与系统整合都有明确瓶颈；创业公司还必须回答，是服务未来的大集群，还是自己重资产建设集群。张璐的直接结论是：“我觉得不是一个好时机，我觉得还是有点太早。”
NVIDIA正在从 GPU 公司改写为生产 token 的“AI工厂”，推理则把收入从一次性需求变成持续性现金流。 训练与推理的算力占比已从约 70%-80% 对 10%-20% 走向五五开，未来可能倒挂为 20%-30% 对 60%-70%；Jensen Huang据此预计，Blackwell 与 Vera Rubin 到 2027 年对应的数据中心收入可能超过 1 万亿美元。
Agent时代会同时抬升 CPU、GPU、LPU、NPU 等异构算力，平台控制力比单颗芯片的胜负更重要。 NVIDIA用 Vera CPU 补上工具调用、代码执行、多 Agent、强化学习与 simulation，并把 Groq 的低延迟、高吞吐推理能力纳入 Vera Rubin；即使 CPU 未必永远胜过 AMD，掌握整机、整柜和一站式采购仍是巨大的集成优势。
企业级 AI 已进入预算、部署与退出同时加速的阶段。 受监管行业更偏好私有云或本地部署的小语言模型，以兼顾准确性、隐私、延迟和成本；Fusion Fund网络中的企业最高已有 120 亿美元 AI 预算，部分不到十人的公司一年收入从零增至 2,000 万美元。金融、医疗、保险、工业与供应链是可能最快落地的方向，去年部分成立不到两年的被投公司被收购并获得 10-20 倍回报。

精读

1. Terafab要把马斯克生态变成一套工业操作系统

曼祺概括的计划是：马斯克在 3 月 21 日提出联合 Tesla、SpaceX 和 xAI，自建从芯片设计、制造到部署应用的全栈产能，终极目标为年产 1 TW AI 算力，其中 80%-90%进入太空。
张璐认为这不是突然冒出的构想。马斯克长期想把芯片、基础设施、模型和终端掌握在同一体系里，核心是“不想被别人去卡住我自己算力未来发展的一个延展空间”。
她以 Google Gemini 的快速提升作参照：自有 TPU、算力、模型与数据，使系统级优化和成本优化更容易。马斯克则想把这种全栈能力进一步接入汽车、机器人、卫星和物理世界，形成“巨大的跨公司的工业操作系统”。

2. 太空数据中心首先撞上辐射、维护与延迟

张璐的第一层保留是宇宙辐射：它对芯片性能的影响“比大家想象的要大很多”，包括 TPU 等芯片应采用何种封装保护，目前仍有现实技术问题。
发射成本即使能被 SpaceX 持续压低，也只是总成本的一部分。大型集群发生硬件故障后，日常运维和维修都极其昂贵，“更高的其实是维护成本”。
算力服务谁同样关键。若支持未来的卫星、机器人和其他太空 AI，本地计算可以降低延迟；若近期主要把结果传回地球，距离带来的 latency 会削弱经济性。
张璐用一个刻意朴素的反例检验能源与冷却叙事：加拿大水、电资源丰富、气候寒冷又地广人稀，“为什么不在临近的加拿大建数据中心”，而要直接跃迁到太空？

3. 万亿美元级 SpaceX需要一个“太空经济”估值框架

张璐明确认为 Terafab 与 SpaceX 上市相关：市场传出的预期估值达到万亿美元量级，而“从来没有公司以这么高的价格去上市”，仅靠火箭发射和 Starlink 很难讲完整。
马斯克希望 SpaceX代表的是 space economy——太空生态、基础设施及其全部潜在市场价值。Terafab、月球基地、轨道服务和边缘计算因此既是长期规划，也是支撑估值想象空间的资产。
她同时强调马斯克确实“一以贯之”：上市叙事并不意味着愿景是假的；如果太空 AI 应用最终形成海量需求，就近建设数据中心的路径可以成立，只是技术和需求成熟仍需时间。

4. 监管真空可能比太阳能更能解释轨道部署

张璐对马斯克动机的尖锐判断是：“他想在太空里面建数据中心，其实很核心的一点是他不希望有任何政府去监管他。”1 TW 规模若落在特定国家，会面对大量监管批准和政治协调。
太空虽有部分国际组织管理低轨轨道，却没有类似领土、领空的清晰管辖体系。谁发射卫星、谁负责移除的规则即使存在，也缺少明确的持续执行者。
这让轨道与月球资源呈现“先到先得”的意味：先发射更多卫星就可能占据稀缺轨道。马斯克不仅可能成为太空经济的主要支持者，也可能成为“未来整个太空经济的一个规则制定方”。

5. 太空工厂是更近的 AI 与机器人应用

张璐认为近期最值得关注的场景之一是太空工厂。微重力或无重力环境可能形成地球上没有的新晶体、材料和蛋白质结构，或制造更完美、对称的晶体，为受材料瓶颈限制的产业提供新选项。
她的核心定义是，太空“天然叫 AI native、robotics native”。把人送上去还要建设维持生命、健康和安全的生态；机器人所需的生存支持更少，因此自动化不是替代人工，而是产业成立的前提。
这也解释了太空数据中心更可信的长期路径：先有太空工厂、卫星网络和机器人系统，再由本地集群支持本地 AI，而不是先把地面工作负载搬上轨道。

6. 卫星交通和月球加油站已勾勒出本地算力需求

Fusion Fund一家被投公司用 AI 管理卫星交通，减少卫星碰撞、资产损失和太空垃圾；在管理过程中还可促成卫星数据交易，把高质量数据用于矿产检测、山火预警和气象等地球应用。
另一家公司建设太空“加油站”：机器人从月壤提取水，再分离出氢和氧，三者均可服务火箭或太空飞行。若该路径成立，飞船无需从地球携带全部燃料，可在月球补给。
张璐设想每颗卫星都能成为小型 edge device。只有当卫星数据、自动化设施和太空 AI 应用达到足够数量，就近的数据中心才同时具备需求基础和 latency 优势。

7. 轨道数据中心的创业窗口可能还需七到十年

曼祺提到已在做太空计算服务的美国公司 Starcloud；张璐也知道该公司，并称其正与前述月球加油站项目讨论合作。马斯克的愿景确实已加速资本关注。
但她不认为这是未来两三年的成熟机会：轨道数据中心可能需要七年甚至十年的技术周期，等待封装、发射、维护成本成熟，也等待太空经济产生足够多的本地工作负载。
对创业者，她的回答没有模糊空间：“我觉得不是一个好时机，我觉得还是有点太早。”更合理的观察期是未来三到五年，再按太空生态实际增长速度决定是否进入。
资本结构也是边界：数据中心是重资产生意，创业公司要想清楚，是亲自拥有集群，还是提供让集群更高效的软硬件与太空基础设施服务；后者当前更适合初创企业。

8. Terafab带出的近期机会集中在集群效率层

张璐把机会从“再做一颗芯片”扩展为完整 AI infrastructure：数据中心成本、耗电、网络、存储和系统协同都决定实际性能，基础设施本身将像能源与交通一样形成护城河。
她举出的具体标的是下一代 interconnect 与 optical switch。AI耗电不仅来自训练，大量电力花在 communication 和传输；更快、低耗的互联是大规模部署的前提。
资本风向也在改变：过去只投软件的大型 VC 开始进入 deep tech，重点寻找能解决 AI 基础设施瓶颈的硬件和软件。Terafab更像需求信号，而不是要求所有公司复制它的资本开支。

9. NVIDIA正在把自己改造成生产 token 的 AI工厂

张璐在 GTC 观察到，Jensen Huang不再把 NVIDIA定义成芯片或 GPU 公司，而是“全栈式的人工智能基础设施公司”，核心叙事是支持下一阶段的 token economy。
产品单位也从一颗芯片变成生态：她回忆自己求学时，一家公司一年发布一两颗芯片已很快；本届 GTC则一次发布七颗芯片，并连同 interconnect、推理基础设施和软件平台整体推出。
NVIDIA卖的“不只是一张卡或者一个芯片”，而是包含 GPU、CPU、网络、存储、CUDA、Agentic AI 和 inference 部署方案的完整系统。客户的采购问题也从选哪家芯片，变成向谁购买整套 AI工厂。

10. 推理把算力需求变成持续性现金流

张璐将训练称为“一次性的现金流”：模型在某一阶段集中消耗大量 GPU；推理则会随着产品使用持续发生，尤其当 Agent长期在线、频繁调用工具和数据之后，它成为“持续性的现金流”。
她回忆，早期讨论中的算力结构约为 70%-80%用于训练、10%-20%用于推理，如今已接近五五开；未来可能倒挂为训练 20%-30%、推理 60%-70%。
Jensen对 Blackwell 和 Vera Rubin 的判断也建立在这项假设上：到 2027 年，对应的数据中心收入可能超过 1 万亿美元，前提是 token 消耗及推理负载远高于早期训练需求。

11. Agent让 CPU重新进入 AI算力的核心位置

Fusion Fund此前的行业研究已发现，部分新模型架构在 CPU 上比 GPU 更高效。张璐据此判断，未来 AI训练和部署不会只由一种计算架构完成。
Agent不只是生成 token，还要持续调用工具、执行代码、协调多个 Agent；强化学习、simulation 等流程也大量依赖 CPU。Agent从偶发问答变成持续运行后，CPU需求会同步上升。
NVIDIA此次推出 Vera CPU，并将其定义为面向 Agentic AI 和 reinforcement learning 的处理器，据称效率比传统 CPU 有两倍提升；首批合作方包括阿里巴巴、字节跳动、Oracle 和 Meta。
掌握 CPU还有平台意义：若 CPU仍在别人手中，NVIDIA就无法完整定义整机、整柜性能。即使未来 AMD的单颗 CPU更强，NVIDIA的一站式采购和集成优势仍可能非常大。

12. Groq与两笔早期收购补齐了 NVIDIA平台

Fusion Fund去年有五家公司被收购，其中两家买方是 NVIDIA：贾扬清创办的 Lepton AI，以及焦建涛创办的 Nexusflow。两家公司成立均不到两年，NVIDIA从年初接触到收购、内部整合都推进很快。
张璐透露 Lepton随后进入 NVIDIA的 DGX 平台，成为其 GPU 云布局的一部分。具体整合细节受限制不能展开，但网站快速跳转和产品上线体现了 NVIDIA“看到能力就立刻收进生态”的执行方式。
Groq成立于 2016 年，创始人曾是 Google TPU项目核心成员；其路线不是修补 GPU，而是重新设计低延迟、高 token 吞吐的推理路径。优势受特定模型规模限制，却能补足 GPU加 CUDA的通用训练与推理能力。
据节目引用的报道，交易价格约 200 亿美元，并采用非独家技术授权加人才收购的特殊结构。张璐直言，Groq单看芯片“不值得英伟达付的这个价格”，价值在于让 Vera Rubin拥有 CPU、GPU、推理加速器、网络和存储的完整故事。

13. 全栈竞争最终会延伸到世界模型与真实三维数据

张璐观察，当前具备相对完整全栈能力的是 Google、NVIDIA与 Apple；Apple欠缺自己的 AI模型，但芯片、产品和终端完整。Meta等公司也在通过投入和收购补芯片能力。
她把模型演进概括为语言模型、multimodal、Agent，再到世界模型；后一阶段不仅需要模型，还需要高质量的三维真实世界数据。
这正是她看好马斯克生态的原因：Tesla提供交通、工厂和真实视野数据，SpaceX拥有工程、卫星和太空数据，未来还可能加入人形机器人相关数据。其他公司可能只有视频，马斯克拥有的是多样化“三维世界的真实数据”。

14. xAI的人事震荡体现了马斯克的速度与代价

张璐认为联创陆续离职可能说明模型能力提升速度低于马斯克预期；他的目标不是追赶而是超越，因此一旦判断方向有误，就会迅速调整。她以“done is better than perfect”概括创业中的调整逻辑。
他招人时却极具耐心：张璐认识的一位联创被马斯克连续说服三年。加入后，团队常工作到凌晨五六点，因为马斯克可能凌晨一两点到公司继续头脑风暴。
她给出的浓缩评价是“一个很有魅力的暴君”：愿景、内驱力和招募能力都极强，但他把目标置于人情、得失和牺牲之前，“觉得不行他马上做调整”。
张璐不因此对 xAI悲观。并入 SpaceX后，它能调动 Tesla和SpaceX的人才和资源，以及真实世界、卫星和太空数据，已不是普通初创公司；SpaceX未来若受太空经济托举，xAI也可能随之加速。

15. Google TPU的优势主要存在于 Google全栈内部

Google投资 TPU已超过十年，说明其很早便意识到推理的重要性。TPU与 Google的模型、数据、现金流和应用反馈共同优化，构成 Gemini快速提升的重要基础。
张璐记得 Google内部使用 TPU时，training cost约为 OpenAI ChatGPT的三分之一；关键不是芯片孤立胜出，而是系统级性能与成本优化。
第三方缺少 Google完整技术栈，使用 TPU时性能和成本都会打折。曼祺补充，Google通过 JAX等软件体系及支持 Google校友创业，可能逐渐扩大熟悉这套架构的开发者群。
张璐仍不认为 TPU短期会有效威胁 GPU：金融、医疗、保险等行业的 AI渗透可能还不到 1%，总需求足以容纳多种架构；NVIDIA同时用 CUDA和更完整的平台提高迁移成本。

16. 企业级 AI的预算、收入与退出通道正在同时打开

张璐看到的共识是，金融、医疗、保险等高监管行业更需要垂直小语言模型，并在本地或私有云部署。它们追求低延迟、低幻觉、数据隐私和成本优化，而不是把全部数据交给通用大模型。
数据本身还不是资产：企业要先做 data curation，再加入安全与隐私中间层，才能连接 AI应用。Fusion Fund约有 45 位全球千强企业 CTO的 CXO网络，其中最高一笔企业预算达到 120 亿美元，一些金融、保险公司三四个月即可完成新的人工智能技术整合。
医疗是张璐最看好的垂直方向之一：美国医疗约占 GDP的 20%，礼来与 NVIDIA达成数十亿美元合作，ChatGPT和 Claude也推出医疗专属产品；高质量数据、小模型和 federated learning有助于降低机构对数据隐私的顾虑。
金融、医疗、保险的整合速度可能最快，物流、供应链和工业 Physical AI也在扩张。部分不到十人的 B2B团队一年收入从零增至 2,000 万美元，因为传统企业更愿与初创公司合作，而不愿把核心数据交给大型科技平台。

17. 美国市场以快速采购和并购循环放大小团队价值

张璐把全球 AI人才聚集美国归因于商业化效率：JPMorgan Chase等传统银行正快速整合 AI；Koch Disruptive Technologies可把技术导入旗下企业，合作周期甚至只有一两个月。
Fusion Fund去年五家公司被收购，其中四家成立不到两年，部分交易带来 10-20 倍回报。张璐承认更希望公司长期做大，但这种“短平快”的退出促进资金、人才和连续创业者循环。
曼祺在结尾把组织形态概括为两端：Tesla、SpaceX和 NVIDIA走向超级垂直整合；她还以个人开发者 Peter Steinberg 的 OpenClaw为例，认为个人或极小团队做出产品后被大平台吸收，是相对确定的创业机会之一；节目后记称 Peter在 OpenClaw走红后很快加入 OpenAI。
她还以 Groq约 200 人、200 亿美元交易估算，“相当于一个人就值一亿美元”。
张璐接下来仍会围绕第四期基金推进投资：去年投十家公司，今年计划再投七至十家，并支持三家公司上市。个人重点是 inference cost、能源、memory、security和系统整合，以及医疗机器人、微型或纳米机器人；太空经济则仍是未来两三年的重点观察和投资方向。

100年美国金融史告诉我们的当下油价冲击期间如何配置仓位