SemiAnalysis 的 Jeremie Eliahou Ontiveros：数据中心与电力全景

摘要

• 模块化现场燃气发电正成为 AI 数据中心最快的通电路径，已有可信的超大规模云厂商和 AI 实验室项目瞄准 2026-27 年落地。 Jeremie 区分了单机约 500 MW、交付缓慢的大型涡轮机，以及可工厂化生产的 3-4 MW 往复式发动机和 15-40 MW 航改型燃气轮机。Elon Musk 的 Memphis 站点 2024 年已有约 250-300 MW 的现场涡轮机，2025 年可能再增加约 500 MW；Stargate Abilene 则计划部署 300 MW，以及 160 MW 的 GE Vernova 航改型燃气轮机：「现在比的就是上市速度」（“Today it’s all about time to market.”）。

• 真正持久的机会不只是新增燃气需求，而是燃气设备正在替代柴油备用发电机。 项目可以在等待并网期间用燃气作为主电源，接入电网后再保留同一套设备作为备用；如果训练 GPU 在下行期转为服务高可用推理，这一能力的价值还会进一步上升。Andrew 质疑这类过渡性支出到 2028 年可能消退；Jeremie 则反驳称，燃气与柴油设备的成本大致相当，但燃气要求靠近管道，这会成为选址的决定性约束。

• SemiAnalysis 认为，超大规模云厂商的资本开支将继续显著高于华尔街预测，因为前瞻性的建设和预租赁指标仍在陡峭上行。 在 2024 年和 2025 年均增长约 50%后，其测算隐含 2026 年增长约 35%-40%、2027 年增长 25%-30%，5 家主要买家 2026 年年度资本开支将超过 5000 亿美元。Meta 含蓄透露可能再增加约 400 亿美元、将资本开支推向接近 1000 亿美元，也支持美元计价的同比增量大致相当这一判断。

• 最大的会计风险，是 GPU 按 4 年寿命折旧，取代当前服务器约 5.5-6 年的使用寿命假设。 Andrew 转述 Jim Chanos 的说法称，Meta 整体资产的使用寿命为 11-12 年；按 Andrew 的回忆，GPU 当时按约 3 年折旧；他还称 Chanos 的另一种测算隐含了 20 年寿命。历史上的高性能计算系统支持 5-6 年使用寿命，但 Jeremie 承认，如今 GPU 正被以最大利用率运行，其损耗是否更快「谁也说不准」。一个项目仍可能显示约 40% 的 EBIT 利润率，但如果使用寿命缩短，未来某个季度可能确认约 100 亿美元的减值损失。

• CoreWeave 的优势在于执行速度：裸金属市场的技术差异有限，但这一策略也埋下了严重的周期风险。 通过接手加密矿工的棕地项目、部分项目在不到 1 年内交付，CoreWeave 约 2 年签下超过 2 GW 的容量，而传统建设周期为 18 个月至 4 年。错配十分明显：「最长的 GPU 合同是 5 年，数据中心合同却是 15 年」；一旦替换需求消失，公司将面临 10 年的租金敞口。

• Oracle 正以投资级资产负债表复制「CoreWeave 路径」，接受长久期基础设施负债，以赢得巨额 AI 合同。 Andrew 援引泄露数据称，一项约 15 年、价值 150亿-200亿美元的 Crusoe 承诺，可能支撑一份约 5 年的 OpenAI 合同；客户合同到期后，Oracle 既有巨大的上行空间，也可能每年承担超过 10 亿美元的义务。Oracle 希望 GPU 容量还能把 OpenAI 的 CPU、存储和前端工作负载吸引至 OCI，但 SemiAnalysis 目前几乎没有看到 GPU 托管带来更广泛云业务增购的证据。

• 偏远地区将获得更多份额，但廉价燃料或寒冷气候无法替代劳动力、物流、输电和可靠电网供电。 West Texas、Applied Digital 的 Ellendale 站点，以及 Crusoe 已宣布的 Wyoming 项目，都显示出集群正在离开成熟都市圈。完全孤岛式发电可以加快上线，但 Jeremie 称电网是「现场能拥有的最佳电力」；没有输电能力，Permian 等地只能依赖昂贵的过渡电源。节目也讨论了 Alaska 的可能性，但 Jeremie 表示自己尚未专门评估该地区。

• 更好的芯片不太可能单独令用电需求骤降，而机器人进展也会慢于语言模型。 Nvidia 正大幅提升单位功耗吞吐量，但头部实验室会把这些能效收益投入更强的前沿模型，因为「赚钱的是前沿模型」，电力需求与系统价格因此仍然高度相关。在机器人领域，2 级移动系统可能在 1-2 年内成为值得关注的趋势，但现实世界训练数据稀缺，未来几年快速进化到强 4 级人形机器人的可能性不高。

精读

1. 模块化燃气发电正在压缩 AI 集群通电所需时间

• Jeremie 开场判断，现场天然气发电将迎来一轮激增；主角不是单机约 500 MW、交付周期长达数年的大型涡轮机，而是可以工厂化生产、部署速度快得多的小型模块化系统。

• 当前有两种架构正在获得关注：3-4 MW 往复式内燃机，本质上是「巨型汽车发动机」，供应商包括 VoltaGrid 和 Caterpillar；以及 15-40 MW 航改型燃气轮机，主要由 GE Vernova 和 Caterpillar 供应。Jeremie 预计，2026-27 年会有可信的超大规模云厂商和 AI 实验室项目同时采用两类设备，涡轮机的势头可能略胜一筹。

• 项目规模已经开始变化。Memphis 2024 年约有 250-300 MW；Elon Musk 2025 年可能再增加约 500 MW；Stargate Abilene 预计部署 300 MW，以及 160 MW 的 GE Vernova 航改型燃气轮机。「现在比的就是上市速度。」

• 这些装机可能从柴油发电机预算中分流，而不是带来完全增量的设备需求：燃气在等待并网期间提供主电力，变电站接入后再转作备用。Jeremie 认为 Memphis 已经采用了这一模式，Abilene 也可能如此。

2. 并网后，备用电源仍有价值

• Andrew 的质疑是：花费数亿美元采购最终只用于备用的燃气设备，听起来更像上行周期的权宜之计，而不是可持续到 2028 年的设计选择；尤其是在电池性能改善、廉价柴油足以覆盖剩余停电风险的情况下。

• Jeremie 的反驳是，备用电源一直都是一种看似闲置、但不可或缺的支出；按少数实际运行小时摊算，柴油发电成本可能高达每 MWh 数千美元。西班牙大停电说明，即使设备极少运行，数据中心运营商仍然极度重视不间断运行。

• 燃气还能在周期不同阶段保留灵活性。训练集群最初可能可以容忍停电，但在下行期，所有者可能停止租用新增容量，转而让现有 GPU 服务推理，此时高可用性就变得重要。「只是从柴油切换到燃气。」

• 他不认同燃气与柴油之间存在明显成本鸿沟：可比的 Caterpillar 柴油发动机和天然气发动机，价格与成本结构大致相近。真正的区别在于地理条件——柴油需要储油罐，燃气则要求靠近管道。

3. 前瞻指标显示，超大规模云厂商资本开支的美元增量仍在加速

• 卖方模型通常假设 2025 年之后资本开支增速回落至高个位数或低两位数。Jeremie 认为，半导体周期很少平滑地停在平台期：历史上更常见的是强劲且持续的上行，最终再进入下行周期。

• SemiAnalysis 看到，自建项目开工量正在飙升，超大规模云厂商的预租赁仍处于异常高位。由于预租赁容量要在未来才能投产，这些承诺是下一年度支出的直接前瞻指标，指向高两位数增长，而不是增速稳定。

• 增长轨迹十分惊人：2023 至 2024 年资本开支增长约 50%，2025 年再增约 50%，预计 2026 年增长 35%-40%，2027 年增长 25%-30%。5 家主要买家仅 2026 年资本开支就可能超过 5000 亿美元；目前所有信号仍然是「上、上、上」。

• SemiAnalysis 发布研究后，Meta 给出了最清晰的早期信号：2025 年资本开支约为 650亿-700亿美元，其含蓄指引暗示 2026 年接近 1000 亿美元。按百分比计算，这是增速放缓；但按绝对金额计算，支出大致再增加 400 亿美元。

4. GPU 折旧确实存在不确定性，但看空逻辑经常被误述

• Andrew 转述 Jim Chanos 的看空框架：据称 Meta 整体资产的使用寿命为 11-12 年，而 Andrew 回忆 GPU 当时按约 3 年折旧；Andrew 还称 Chanos 的另一种测算隐含了 20 年寿命。Jeremie 给出的数字不同：服务器约 6 年，按他的回忆 Meta 为 5.5 年，CoreWeave 的服务器则为 6.4 年。

• 公开的高性能计算系统和行业经验支持约 5-6 年的使用寿命。真正需要保留的风险在于工作负载强度：如今运营商试图从昂贵 GPU 中「榨出每一瓦电的全部价值」，历史 HPC 系统的寿命未必能完全套用。「说实话，现在谁也说不准」；使用寿命从 6 年缩短至 5 年或 4 年，仍是合理风险。

• SemiAnalysis 估算，Oracle 最大的 OpenAI 类项目在扣除总部管理费用前，项目层面的 EBIT 利润率可以达到约 40%。但如果硬件只能使用 4 年而不是 6 年，相关公司最终可能确认一笔高度集中的减值损失，某个季度的损失规模或达到约 100 亿美元。

5. 项目合同经济性，比公司整体混合指标更重要

• 为避免 Andrew 提出的「高速扩张银行错觉」——巨额新增部署掩盖早期项目回报不佳——SemiAnalysis 按项目逐一建模 GPU 云业务，分别列出基础设施资本开支和运营费用，而不是从合并口径的增长倒推出盈利能力。

• 数据中心成本、运营纪律、融资条件和网络架构，会造成截然不同的结果。仅 1 年前，一些 neocloud 还面临 15%-20% 的债务成本和 20%以上的股权成本；Oracle 高效的大集群网络就是资本开支优化的一个例子。

• 这些变量叠加后，模型结果可能从一家普通 neocloud 约 5%-10% ARR 的水平，推升至 25%-30% AR 的业务——这是 Jeremie 的表述。节目没有定义 ARR 与 AR 这两个标签之间的区别。

• 超大规模云厂商似乎也采用类似的项目承销方式，锁定 4-5 年合同，除非出现重大问题或 AI 失败，否则 ARR 基本有保障。长期合同之所以重要，是因为大部分资本开支都在前期发生。

6. CoreWeave 靠先交付容量，在商品化市场中胜出

• Jeremie 认为，面向 OpenAI、Anthropic 和超大规模云厂商的大型裸金属 GPU 合同，比传统云服务更接近标准化商品：供应商负责建设设施、安装机器并完成网络连接，上层几乎没有多少差异化软件。

• 长期看，最低成本结构应当胜出；但在当前供给短缺阶段，速度占据主导。CoreWeave 约 2 年签下超过 2 GW，原因在于它承担了其他公司不愿承担的财务风险，并较早与加密矿工合作——后者已经拥有电力和变电站。

• 这种棕地策略绕开了绿地建设周期。成熟数据中心运营商通常从开工到产生收入需要 18 个月至 4 年，而部分与 Core Scientific 相关的容量不到 1 年就实现了部署。「速度才是真正让他们拿下这些合同的原因。」

• CoreWeave 的成本可能并非行业最低，但规模带来了信任，也为垂直整合创造了空间，包括通过收购 Core Scientific 实现整合。公司采用了专门为 AI 优化的基础设施方案，而传统运营商仍在沿用常规云业务打法。

7. CoreWeave 与 Oracle 都背负危险的久期错配

• Andrew 的反驳仍值得保留：CoreWeave 优化的恰恰是上行周期最有效的策略——极致速度、激进承诺和风险吸收。需求只要暂停 6 个月，就可能暴露出那些只有在每一块 GPU 都有买家的时候才显得明智的负债。

• Jeremie 完全同意：「最长的 GPU 合同是 5 年，数据中心合同却是 15 年」（“Your longest GPU contract is going to be five years; your data center deal is going to be 15 years.”）。如果最初的 GPU 合同无法续上，企业可能还要承担 10 年租金，却没有对应收入。

• 因此，这种承销本质上是一个长期押注：OpenAI 和更广泛的 AI 行业会持续消耗 GPU 与电力，让后续硬件代际和客户合同不断填满同一批设施。它并不是认为合同期限错配已经凭空消失。

8. Oracle 用资产负债表押注 CoreWeave 式路径

• Oracle 的策略是由投资级信用背书的「CoreWeave 路径」。这一信用地位让它能够接触 Digital Realty 等经验丰富的运营商；但 Oracle 同时也在 Crusoe 身上押下了非传统赌注，当时后者在纸面上仍像一家没有传统高可用资质的加密矿企。

• Andrew 援引泄露数据称，约 5 年的 OpenAI 收入由 Crusoe 约 15 年、据称价值 150亿-200亿美元的设施承诺支撑。如果 OpenAI 不续约，Oracle 可能还要在之后 10 年每年支付 10 亿美元以上。

• 战略上行空间并不止于 GPU。Oracle 直到 2016-17 年才进入云业务，规模仍远小于竞争对手超大规模云厂商；如今它希望 GPU 容量能吸引 OpenAI 的 CPU、存储和传统前端工作负载，约 7 亿周活用户就是这些需求的例子。

• SemiAnalysis 目前还没有发现太多这类增购正在发生的证据，而且 GPU 基础设施可以轻易连接到其他云服务商。不过，Andrew 的更广泛判断经受住了 Jeremie 的审视：Larry Ellison 在错过第一轮云计算浪潮后押下了一个「大胆的大赌注」，目前看来回报正在兑现。

9. 决定下一批集群扩张位置的，是电力接入和基础设施，而不只是寒冷气候

• Jeremie 不认同 AI 设施仍将集中在大城市周边的前提。West Texas 正在扩张；Applied Digital 位于 North Dakota 的 Ellendale 站点「离所有地方都非常远」；Crusoe 也宣布在 Cheyenne 附近开发 Wyoming 大型项目。

• 更偏远的部署预计会继续增加，但劳动力和物流可能压过气候或土地优势。开发商需要把数千名工人带到现场，确保设备可靠运输，并获得光纤、天然气和电力基础设施。节目提到 Alaska 的可能性，但 Jeremie 表示自己尚未专门评估该地区。

• Permian Basin 展示了缺失的关键条件：天然气充足，却缺乏足够的输电基础设施。完全孤岛式发电可以缩短上市时间，但成本高昂；Jeremie 称电网是「现场能拥有的最佳电力」，理想状态是让燃气发电最终转为备用。电网供电还意味着更低的电价和更高的正常运行时间。

10. 效率提升被再投资于智能，而不是电力节省

• Andrew 的看空情景是，物理瓶颈迫使行业出现效率跃升：如果未来 GPU 的耗电量降低 50%，即便算力需求仍在增长，GW 级数据中心也可能变得过度建设。Jeremie 接受供给过剩「完全有可能」，并不认为这是荒谬的尾部风险。

• 但云计算历史指向相反方向。Azure 披露的用电量增长与收入增长大体同步：更高效的 CPU 降低了单位成本，但客户消耗了足够多的新增算力，使总电力需求继续上升。

• Nvidia 的路线图已经在大幅提升单位功耗吞吐量，但系统价格和总功耗也同步上升，Blackwell 的 2 颗计算 die 就是明显例子。硬件效率提升是真实存在的；未决问题在于，客户会把节省下来的收益留存，还是用来生成更多 token、获得更强能力。

• 头部实验室选择能力提升，因为最好的前沿模型能带来最强的经济回报。Anthropic 在代码领域的领先地位吸引了使用量，而更便宜的中端模型正面临蒸馏、开源公司、中国实验室和大型实验室的竞争。因此，「赚钱的是前沿模型」，行业仍有动力把能效收益转化为更强智能。

11. 机器人近期更可能实现 2 级普及，而非以 LLM 速度跃迁

• SemiAnalysis 将机器人划分为 0 级刚性机械臂、灵活的抓取与放置系统、2 级移动四足机器人，以及较弱的 3 级和较强的 4 级人形机器人。这套分类有意简化，但有助于区分当前能力与可投资的阶段性节点。

• 移动机器狗等 2 级系统已经开始初步量产，未来 1-2 年可能成为一个值得关注的趋势。强 4 级人形机器人仍处于研究阶段，Jeremie 几乎没有看到它们在未来几年内落地的证据。

• 现实世界数据是瓶颈。语言模型继承了数万亿个互联网 token，而机器人没有可比规模的高质量动作数据；因此，即使进展不断，机器人也很难实现类似 LLM 的加速。

• 对劳动力的结论仍然谨慎。ChatGPT 能够综合先进研究，却也会自信地坚持说「blueberry 里有 3 个 B」；机器人还要面对更多现实世界的物理挑战。Jeremie 更倾向于使用电子表格类比：自动化改变了会计师的工作，而不是消灭会计师，人的价值或许会转向判断力、关系和信任。