Anthropic 和 OpenAI 通过更小型的数据中心交易加速上线 AI 算力

据报道，Anthropic 和 OpenAI 正在寻求 20 至 30 兆瓦的站点，尽管两家公司已承诺建设以数百兆瓦乃至吉瓦计的 AI 基础设施。这些规模较小的 Anthropic OpenAI 数据中心交易，能让两家实验室在其最大园区建成前获得可用的计算能力。

这一动向并不意味着任何一家公司放弃了大型基础设施项目。相反，它揭示了 AI 产品需求增长速度与大型数据中心建设所需时间之间日益扩大的错配。

训练能力不断提升的模型，仍然需要庞大且高度互联的计算集群。为数百万个独立请求提供服务，即推理，则提出了不同的要求。只要运营方能够管理延迟、可靠性、安全性和成本，这类工作负载通常可以分布在规模较小的区域设施中。

这种差异使得这场据报道的选址活动不只是新一轮算力采购。Anthropic 和 OpenAI 正在构建由不同站点承担不同任务的算力组合。为了获得大型项目无法立即提供的能力——速度——它们也在接受更高的运营复杂度。

据报道，这些交易瞄准 20 至 30 兆瓦规模

眼下的变化，是寻找能够更早开始承载 AI 工作负载的小型已供电站点。

据 CNBC 报道的小型站点洽谈，Anthropic 曾探索在英国和北欧国家达成潜在协议。四名熟悉相关对话的人士向该媒体透露了 Anthropic 的活动。

两名消息人士称，OpenAI 也考察过北欧地区的机会。另一名消息人士知晓两家公司都参与的讨论，以及可能在美国以类似规模部署的计划。

据报道，谈判涉及 20 至 30 MW 范围内的设施。这仍是意义重大的工业基础设施，但远小于近期 AI 公告中占据主导地位的园区规模。

兆瓦衡量的是电力，而非计算性能。一座设施的实际产出取决于其芯片、网络、冷却系统、软件和实际利用率。尽管如此，在最终硬件配置公开之前，电力容量仍提供了一种比较项目的通用方式。

两家公司均未在该报道中宣布完成任何 20 至 30 MW 的协议。Anthropic 拒绝置评；OpenAI 则表示，其会根据性能、可靠性、时间安排、成本和工作负载需求评估基础设施机会。

这一区别很重要。现有证据支持的是一项据报道的采购策略，而非已确认的新站点组合。地点、供应商、硬件、启用日期及合同条款仍未披露。

不过，OpenAI 清晰说明了其更广泛的目标。一位发言人告诉 CNBC，该公司正在构建多元化的算力组合，以满足全球需求。这种表述将小型设施纳入既有扩张战略，而非将其描述为 Stargate 的替代方案。

Anthropic 也采取了类似的广泛策略。它利用主要云平台和基础设施专业服务商提供的容量，而非依赖单一站点、单一供应商或单一芯片架构。

据报道的地域范围同样符合运营逻辑。北欧市场可提供较凉爽的气候、成熟的能源系统和经验丰富的数据中心运营商。英国使算力更接近庞大的商业市场，而新增的美国站点则可支持本土流量和监管需求。

这些优势并不保证能够快速部署。可用电网容量、输电能力、规划审批、设备交付和本地支持，仍将决定一个名义上的站点能否真正投入使用。

关键在于“可用算力”。在电力、冷却、网络和加速器系统能够在生产环境中协同运行之前，一个规划中的大型园区对 AI 产品团队价值有限。

Structure Research 分析师 Jabez Tan 将其吸引力概括为“实现可用算力的速度”。他告诉 CNBC，在一个已通电的地点获得数兆瓦容量，可能比等待大得多的电力配额更为实际。

多个较小的容量模块也可以累积成可观的算力。只要底层工作负载不要求所有加速器参与同一项高度同步的计算，这种方法便尤其有效。

这正是据报道的谈判规模直接指向推理的原因。它也解释了为何较小型项目正与巨型训练园区并行出现，而不是取而代之。

Anthropic OpenAI 数据中心交易如今服务于两条时间线

大型园区满足长期模型雄心，而小型部署则应对近期稳定服务产品的压力。

Anthropic 和 OpenAI 仍在推进规模大得多的基础设施项目。它们公开的计划包括将分阶段交付算力的多年期项目。

OpenAI 在 2026 年 4 月表示，其已超过 Stargate 到 2029 年确保 10 GW 美国 AI 基础设施的原始目标。该公司还表示，在此前 90 天内，其规划增加了超过 3 GW 的容量。

该公司的Stargate 基础设施计划将算力描述为连接模型开发、产品使用、收入和进一步基础设施投资的投入要素。OpenAI 承认融资结构可能变化，但强调算力必须按时到位。

Anthropic 也通过多家合作伙伴作出了类似承诺。其扩大的Amazon 算力协议覆盖最高 5 GW 的容量，用于训练和部署 Claude。

Anthropic 表示，该协议包括位于亚洲和欧洲、用于国际推理的容量。该公司还预计，到 2026 年底，近 1 GW 的 Trainium2 和 Trainium3 综合容量将可供使用。

另一项已披露项目展现了更长的开发周期。TeraWulf 宣布与 Anthropic 签订为期 20 年的租约，涵盖肯塔基州 Hawesville 约 401 MW 的关键 IT 负载。

根据肯塔基州租约文件，首批容量预计将在 2027 年下半年交付。该设施计划在 2028 年初达到其规划的满载水平。

这一时间表说明了小型交易背后的核心压力。AI 公司不能让当前产品的可靠性完全依赖于计划在未来几年建成的园区。

用户会通过响应变慢、服务限制、功能不可用或性能不稳定感受到算力约束。开发者则会通过速率限制，以及不确定模型能否支持生产流量来感受到这种压力。

企业客户又增加了一层要求。他们期待合同层面的可靠性、稳定的延迟、可预测的区域可用性，以及对数据驻留要求的合规。这些需求往往更倾向于多个区域部署，而非一个遥远的计算中心。

因此，这两条时间线解决的是不同问题。巨型园区支持前沿训练和异常庞大的未来需求池；在这些园区建设期间，小型站点可以承载区域推理、专用工作负载或溢出流量。

这种划分也降低了对单一建设进度的依赖。一个大型地点的审批延迟或输电问题，不会阻止所有规划中的算力单元陆续上线。

不过，多元化并不会消除基础设施风险。它只是将风险形态从集中转变为协调。

使用众多设施的公司，必须维护兼容的模型版本、安全控制、监控系统和网络策略。它还必须能够在故障发生时绕行流量，同时避免造成不一致的用户体验。

硬件多样性带来了另一项挑战。为某一加速器平台优化的模型，在另一平台上高效运行前可能需要额外工程工作。当集群采用不同芯片、内存系统和网络设计时，性能比较也会变得更困难。

Anthropic 的协议表明了这项工作为何已成为战略重点。其容量横跨 Amazon 芯片，以及通过其他主要云平台提供的基础设施。OpenAI 同样正与不断扩大的云、芯片、融资和建设合作伙伴群体合作。

因此，这并非简单比较谁公布的数字最大。更有价值的比较在于：有多少算力真正投入运营、支持哪些工作负载，以及每家实验室如何高效利用这些算力。

这让交付团队承受压力。他们必须在产品需求超过供给之前，将一系列合同和建设项目转化为可靠的计算资源。

推理改变了理想的数据中心布局

小型站点策略之所以可行，是因为推理通常比前沿模型训练更容易跨地点拆分。

训练大型模型需要许多加速器在更新同一组参数时快速交换数据。机器之间通信缓慢，会使昂贵的芯片等待而非计算。

这一要求有利于拥有高带宽网络和精密协调系统的密集集群。将一次训练任务分散到远距离地点，可能引入损害性能的延迟。

推理发生在训练之后。它是已部署模型处理提示词、编写代码、分析文档或完成其他用户请求时所执行的计算。

许多推理请求彼此独立。伦敦的一名 Claude 用户，通常不需要与此刻服务加州 ChatGPT 用户的同一物理集群。

因此，只要每个地点部署了正确的模型、具备足够内存和适当的安全控制，流量就可以在多个站点之间路由。随着产品采用率增长，这使区域算力更加实用。

工作负载构成也在改变。CNBC 援引 JLL 的预测称，推理将在 2027 年超过训练，成为主导 AI 工作负载。

同一预测显示，推理在 2025 年占全球数据中心工作负载的 9%。预计到 2030 年，这一比例将达到 37%，而训练为 13%。

这些数字是预测，而非确定结果。它们取决于持续的产品采用、可行的 AI 经济性，以及满足需求所需的充足电力和硬件。

不过，这一趋势有助于解释，为何 Anthropic 和 OpenAI 会希望在其最大园区启用前获得较小型站点。训练仍然集中，而日常使用则产生广泛且持续的推理请求流。

智能体会强化这一模式。一次传统聊天机器人交互可能只需要一个回复；而智能体在搜索文档、编写代码、检查结果和修改工作时，可能反复调用模型。

因此，一次用户操作可能会产生一连串推理任务。更长的推理过程、多模态输入和持续的工具使用，都会增加每次可见回复背后的计算量。

区域站点也能提升响应速度。物理距离并非延迟的唯一来源，但更近的服务地点可以减少网络传输距离，并在网络拥堵时提供另一条路径。

数据驻留要求同样会影响部署选址。一些组织需要在获批准的司法辖区内处理或存储特定信息。区域基础设施让模型提供商有更多选择来满足这些要求。

模型本身并不需要在每个区域开发。提供商可以在大型集中式集群中训练模型，分发获批准的模型版本，并从多个地点提供服务。

这种架构仅在高层面上类似内容分发。AI 推理需要大量加速器容量、专用网络、精细调度，以及针对敏感输入数据的控制措施。

规模更小不代表更容易。一座 20 MW 的 AI 设施仍需要可靠的电力输送、冷却设备、服务器、网络连接和技术人员。它还必须保持高利用率，才能证明所投入资源的合理性。

如果各地区的需求波动显著，分散部署可能会降低利用率。一个地点可能面临流量激增，另一个地点则有闲置加速器，却因政策或网络限制而无法承接相同请求。

运营商可以通过工作负载调度和地理流量管理缓解这一问题。然而，每增加一项规则，分布式推理表面上的简洁性就会进一步降低。

模型更新也会带来类似复杂性。团队必须推出新的权重和服务软件，同时避免不同区域出现不兼容的行为。发布影响质量或可靠性时，他们还需要快速回滚流程。

可观测性变得至关重要。提供商需要判断响应缓慢究竟源于模型、服务软件、网络，还是底层硬件。

对企业买家而言，这种基础设施设计对服务质量的影响，可能比另一项遥远的容量公告更直接。一个邻近且已投入运行的推理站点，可能比数年后才落地的大型项目更重要。

对开发者而言，最有价值的信号将是 API 可靠性、延迟一致性、速率限制变化和区域可用性。这些指标能够揭示，已报道的容量是否确实改善了基于其构建的产品。

真正的较量是速度与集中化之间的平衡

核心权衡已不再是小型数据中心与大型数据中心的对比，而是更快部署与集中式基础设施效率之间的取舍。

大型园区具备难以在分散站点间复制的规模经济。单一项目可以集中进行电力采购、冷却、实体安全、网络设计和维护。

集中式基础设施也适合前沿训练所需的高强度通信模式。工程师可以围绕既定的硬件架构设计整座设施，并将其作为一个系统进行优化。

缺点在于执行周期。大型项目需要合适的土地、大规模公用事业承诺、输电升级、许可、施工劳动力、冷却系统，以及数量庞大的电气设备。

任何一个组件延迟都可能推迟整个园区的投产。变压器、变电站、涡轮机、芯片和网络设备遵循不同的供应链，因此可能形成多个瓶颈。

社区阻力又增加了一个变量。居民和公共官员越来越多地质疑大型数据中心对电费、用水、噪声、土地使用和地方税收安排的影响。

OpenAI 曾试图通过社区承诺和公开说明其冷却系统来回应这些关切。不过，每个项目仍面临因地点而异的条件。

当电力和基础设施已具备时，较小的现有站点可以绕过部分流程。它们还可以采用模块化建设，在安装前实现更多设施组件的标准化。

为 OpenAI 在 Abilene 使用的基础设施提供支持的 Crusoe，正在推进这一思路。该公司正投资建设可在工厂制造、再运往具备可用电力地点的小型设施。

这些模块化数据中心旨在比完全依赖传统大型建设的项目更快部署。这一战略为 Anthropic 和 OpenAI 之外的行业参与者提供了参照。

这并不意味着小型设施在所有情况下都更优。这种方法只是将工作重心从施工排期转移到集群管理。

AI 实验室必须协调由多个运营商和公用事业公司控制的容量。它还可能需要在每个地点协商不同的服务义务、硬件更新周期和安全流程。

成本也可能变得更难比较。可立即投入使用的设施，可能与提前数年预留的容量适用不同商业条款。

这些实验室还必须决定，哪些工作负载应获得稀缺的短期容量。面向消费者的聊天服务、编程代理、企业 API、模型评估和研究任务，可能会争夺相同的加速器。

如果工作分配不当，更快部署带来的优势可能被抵消。一个新近可用的集群，如果软件不兼容或网络不足而无法高效使用，其帮助也十分有限。

这正是“组合”一词重要的原因。实验室并非只是收集兆瓦容量，而是在将工作负载特征与交付日期、地点、芯片类型和可靠性要求进行匹配。

Anthropic 的布局体现了这种平衡。其规划容量包括非常大规模的云服务承诺、肯塔基州的一处大型专用站点，以及据报道规模较小的区域性洽谈。

OpenAI 所宣布的规模更大，但结构上相似。Stargate 提供长期框架，而多元化的合作伙伴和地点组合可以满足更近期限的需求。

因此，两家公司之间的竞争部分取决于执行能力。宣布的容量可以支撑战略叙事，但运营中的容量才能支撑实际产品。

能够迅速部署小型集群的实验室，可以在竞争对手等待更大站点时改善可用性。过度分散的实验室则可能形成昂贵且难以管理的基础设施版图。

最终胜出的设计很可能仍将是混合模式。大型园区将承接受益于极高集中度的工作负载，而较小的集群将服务更看重地点和时效的需求。

这一结论不如彻底颠覆基础设施模式那般引人注目，却更具影响力，因为它改变了行业衡量进展的方式。

新闻稿中最大的数字只能说明部分情况。交付日期、工作负载部署、利用率、延迟和可靠性，决定了容量能否转化为竞争优势。

小型站点并未消除电力约束

较小的需求可能更容易部署，但仍要争夺电力、设备和社区认可。

据报道的 20 至 30 MW 范围，只有与吉瓦级园区相比才算温和。相对于大多数商业建筑而言，它代表着庞大且持续的电力负载。

多座此类设施同样可以重现一个更大型项目的总体需求。分布式部署改变的是地理位置和排期，并不会让基础能源需求消失。

现有已通电站点尤其有价值，因为新的电网连接可能需要数年才能完成。这种稀缺性可能会加剧 AI 实验室、云服务提供商、工业用户和其他数据中心客户之间的竞争。

最佳选址需要的不只是电力。它们还需要可靠的光纤连接、合适的冷却条件、实体安全、本地技术专长，以及获取所需加速器硬件的能力。

北欧市场具备若干吸引人的特征，但并不是容量无限的储备库。电网约束、产业政策、天气条件和地方监管因国家和地区而异。

跨境运营也带来法律问题。提供商必须管理各司法辖区的数据保护、客户合同、出口规则和安全要求。

环境影响同样无法用简单论断概括。电力碳排放较低的地区，仍可能面临输电限制，或承受来自家庭和工业的竞争性需求。

用水量取决于冷却设计和气候。闭环系统可以减少持续用水，但并不能消除建设和发电所带来的更广泛资源足迹。

据报道的洽谈也留下了商业层面的不确定性。两家实验室均未披露哪些提供商将拥有设施、供应芯片，或承担建设和利用率风险。

长期承诺可以保护运营商免受需求不确定性的影响。但如果模型效率提升，或硬件进步快于预期，它们也可能让买方面临风险。

效率提升并不会自动降低总电力需求。计算成本下降可能会鼓励更多使用、更复杂的请求，以及此前在经济上不可行的新产品。

相反的风险同样存在。如果企业采用速度低于预期，部分预留容量可能长期未被充分使用。

因此，推理预测应谨慎看待。预测的工作负载份额描述的是一种可能的行业路径，而非经过验证的需求时间表。

可靠性构成另一项考验。多个站点可以防范单个地点失效，但前提是应用能够在不违反客户要求的情况下在它们之间迁移。

区域容量还必须安全地接收模型更新。更广泛的物理覆盖范围意味着更多运营边界，也意味着需要监控更多系统。

网络安全责任可能分散在 AI 实验室、云服务提供商、数据中心运营商和连接服务供应商之间。当事故需要迅速处置时，明确责任归属至关重要。

硬件可用性仍是另一项瓶颈。没有合适加速器的已通电建筑并非可用的 AI 容量，正如没有电力的已交付芯片无法支撑生产服务。

这些限制解释了 OpenAI 为何将性能、可靠性、时效和成本并列。优化一个维度可能会恶化另一个维度。

一个随时可用的站点可能采用不那么熟悉的硬件。一个高效集群可能距离目标用户过远。一个理想区域可能无法在所需期间提供电力。

Anthropic 和 OpenAI 拥有足够的需求，可以同时推进多种选择。规模较小的 AI 公司通常议价能力更弱，也更难消化部署延迟。

即便双方都面临基础设施约束，这种不平衡仍可能强化大型实验室的地位。它们可以跨多个提供商预留容量，而较小的客户只能依赖云服务中剩余的可用资源。

因此，这一策略可能会在买方层面加深基础设施集中度。若同样少数几家 AI 公司签约了大部分合适容量，更多站点并不必然意味着市场更具竞争性。

监管机构和企业客户应关注这一区别。地理分布与市场多样性并不是一回事。

三项信号将显示该战略是否奏效

接下来的证据应来自运营表现、已披露的交付里程碑，以及对分布式推理的持续投资。

第一个信号是 Anthropic 或 OpenAI 是否确认较小规模的部署，并说明它们何时投入运营。已签约容量、已安装硬件和生产流量代表三个不同的里程碑。

一项没有投产时间表的公开协议，几乎无法增加多少确定性。一个已经在承接客户请求的站点，则能支持这样一种观点：在巨型园区落地前，较小项目可以填补缺口。

第二个信号是产品表现。开发者应关注更稳定的 API 延迟、更广的区域可用性、更少与容量相关的限制，以及高峰需求期间更高的可靠性。

这些结果将表明，新增基础设施正进入产品层面，而非仍停留在规划数字上。持续的服务限制则可能意味着，容量到位得过慢，或一经投入便立即被需求消耗。

第三个信号是基础设施供应商是否继续建设标准化的小型设施。Crusoe 的模块化项目提供了一个早期参照，而其他运营商可通过自身部署来验证或削弱这一模式。

不断增长的可直接投入使用的区域集群供应，将使组合式采购更为容易。后续推进有限则意味着，电力、设备和经济性仍倾向于支持数量更少的大型开发项目。

最大的园区公告依然重要。前沿模型训练需要集中的计算资源，两家公司也都预计 AI 需求将持续增长。

但围绕小型站点的讨论揭示了一场更迫切的竞争。Anthropic 和 OpenAI 需要的是能够按产品节奏投入运行的基础设施，而不只是按建设节奏推进。

对于开发者和企业采购方而言，实际问题很直接：Claude 和 OpenAI 服务是否会变得更易获得、更可预测，并在地域部署上更具灵活性？

请将这些结果与兆瓦级公告一同追踪。最重要的 Anthropic 与 OpenAI 数据中心交易，将是那些能在需求再次变化前，把电力、芯片和建筑转化为可靠 AI 容量的交易。