芯片到位前，得州 AI 数据中心已耗资数十亿美元
即使开发商尚未安装让人工智能成为可能的先进芯片，得州 AI 数据中心的成本如今也已高达数十亿美元。彭博社一项最新成本拆解追踪了得州一座大型设施背后的预估开支，展示了 AI 园区如何从一项传统的科技采购，转变为一个工业级项目。
引人注目的并非某一栋建筑格外昂贵，而是每一层基础设施都必须支撑巨量且持续不断的计算负载。土地、变电站、冷却设备、备用系统、光纤、施工劳动力和融资成本，都会在运营商获得实质性收入之前出现。
这也构成了 AI 基础设施竞赛背后的核心矛盾。企业希望迅速获得计算能力，但支撑这些能力的实体系统却需要数年才能建成。OpenAI、Meta、Microsoft、Google、Amazon、Oracle 及其基础设施合作伙伴，既在彼此竞争，也在与施工进度赛跑。
账单早在服务器到位前就已开始累积
在第一块加速器处理请求之前，一座 AI 数据中心就已成为一项数十亿美元的承诺。
彭博社的成本拆解审视了在得州建设一座大型 AI 设施所涉及的开支。这项估算涵盖的远不止一座装满计算机的仓库，而是一个围绕供电、散热、网络连接和运营连续性构建的集成系统。
场地本身只是起点。开发商必须获得足够的土地，用于建设计算设施、电力设备、供水系统、储存设施、安保设施以及未来扩建空间。大型园区还需要预留空间，将工业设备与道路、相邻物业和输电基础设施隔开。
土地准备工作可能包括平整、排水、地基、进场道路和公用设施走廊。当园区包含多栋建筑而非单一结构时，这些要求会进一步增加。开发商也可能预留超过首期建设所需的土地面积。
建筑外壳必须承载异常沉重的设备，同时防范天气、灰尘、振动和火灾。内部布局需要精确规划电缆、网络光纤、冷却管道和维护通道。细微的设计调整，都可能波及多个工程系统。
接下来是电力架构。与许多传统企业系统相比，AI 服务器每个机架的耗电量要高得多。机架是容纳服务器、网络设备和配套硬件的标准化机柜。
高机架密度意味着建筑需要更多变压器、开关设备、母线、电池和配电设备。开关设备负责控制并保护整个设施内的电路。这些组件必须承受巨大负载，同时不能形成单点故障。
大型项目还可能需要新的输电连接或专用变电站。接入电网并不只是另一项建设任务，它可能决定一座已建成的建筑是否拥有足够的电力运行。
由于输电能力可能落后于需求，开发商越来越多地考虑现场发电。这一选择又会引入另一套建设计划，涉及涡轮机、燃料连接、排放控制和额外许可。
冷却系统构成了一套并行体系。AI 加速器会同时进行大量计算，在密集部署的机架内产生集中热量。随着功率密度提高，传统风冷的效果会不断下降。
因此，许多设施会让液体更靠近处理器循环。液冷通过冷却液传递热量，而不是仅依赖经过调节的空气。它需要泵、热交换器、管道、监控系统，以及用于防止电子设备附近发生泄漏的专用设备。
开发商必须在协调一致的阶段中建设所有这些系统。变压器供应延误可能让已建成的服务器机房闲置。冷却系统重新设计可能改变电力需求。电网接入推迟，则可能让昂贵设备在缺乏可靠能源供应的情况下等待。
这就是为什么总成本不能简单地按每平方英尺建设价格来理解。建筑只是容器。真正昂贵的部分，是为那些全天候消耗巨量电力的机器打造可靠的工业环境。
为什么得州 AI 数据中心成本持续攀升
得州提供了土地空间和能源专业能力，但这些优势并不能消除千兆瓦级项目所需的基础设施投入。
得州吸引数据中心开发商的原因十分明确。这里拥有大片土地、成熟的能源产业、不断增长的可再生能源发电能力，以及服务高耗电企业的经验。其许可和税收政策也推动了相关开发。
这些优势帮助项目聚集在包括 Abilene、El Paso 和得州西部其他地区在内的区域。项目集聚可以带来承包商、光纤线路和能源基础设施的便利，但也会让需求集中于同一批劳动力和设备市场。
项目规模的变化十分迅速。一吉瓦等于十亿瓦的电力容量。接近这一规模的 AI 园区，其能源需求已类似于大型工业综合体。
彭博社此前报道称，OpenAI 使用的 Abilene 园区在建成后预计将消耗约 1.2 吉瓦电力。该项目包括八栋大型建筑，施工期间雇用了超过 6,000 名工人。
这一案例说明，开发商不能把电力视作接近施工尾声时才订购的服务。电力供应能力从一开始就塑造了项目的选址、布局、融资和工期。
电力设备也已成为瓶颈。变压器用于调节电压，使电力能够穿越电网并安全抵达计算设备。大型变压器属于专业产品，对材料和制造工艺有复杂要求。
彭博社发现，美国的建设热潮部分依赖进口变压器、开关设备和电池。其关于电力设备的报道描述了供应限制：即使投资者资金充裕，建设仍可能因此推迟。
面对漫长的变压器交付周期，开发商的选择有限：可以在项目每项细节尚未最终确定前就订购设备，承担工期风险，或者围绕能够更早获得的组件重新设计。每种选择都可能推高成本。
劳动力又增加了一层压力。AI 园区需要电工、焊工、管道安装工、混凝土施工团队、网络专家和调试工程师。调试是检验互联系统能否在真实负载下安全运行的最终流程。
同一地区的多个大型项目会争夺这些工人。开发商可能需要增加班次、提供临时住房和交通安排，或接受更高的承包商报价。速度之所以昂贵，是因为压缩复杂工期需要更多协调和冗余安排。
融资成本也会在施工期间不断累积。一座园区可能在首批计算能力投入使用前多年持续吸收资本。延误会拉长这一时期，并推迟租户或云客户带来的预期收入。
这解释了合作伙伴关系和特殊融资工具日益普及的原因。开发商、科技公司、基础设施基金和贷款机构会分担所有权、建设风险和长期租赁义务。
例如，Meta 和 BlackRock 宣布将合作建设 El Paso 一座一吉瓦设施。BlackRock 管理的基金将持有 80% 的权益，Meta 保留 20%，并成为首个租户。
彭博社报道称，仅开发建设就将耗资约 140 亿美元。该估算不包括先进计算芯片，而一座完整的吉瓦级 AI 设施成本可能是这一数字的数倍。
这种结构将一部分前期负担移出 Meta 的资产负债表，但并未消除经济风险。该项目仍取决于市场对昂贵计算能力的长期需求。
因此，得州 AI 数据中心成本同时反映出三重压力：项目规模更大，开发商希望更快建成，关键设备依然难以采购。得州可以让建设成为可能，但无法让这些约束消失。
真正昂贵的是芯片周边的整套系统
AI 加速器最受关注，但只有当整个设施能够持续为其供电、冷却和连接时，它们才有价值。
先进处理器仍是 AI 园区最大的成本类别之一。训练和运行大型模型需要数千块通过高速网络连接的加速器。这些机器必须以足够快的速度交换数据，才能作为一个协调一致的计算集群运行。
然而，配套基础设施决定了这些芯片能否兑现承诺的性能。缺乏足够电力、冷却或网络容量的处理器，会成为被搁置的资本。
这种关系始于机架。传统云设施通常围绕使用中央处理器的服务器设计，而 AI 设施则会在每个机架中部署更多图形处理器或专用加速器。
这些加速器执行模型训练和推理所需的并行计算。推理是指使用训练完成的模型生成答案、图像、预测或行动的过程。
更高的计算密度使更小物理区域内的电力负载增加。电缆、配电单元和冷却连接都必须承受这种集中度。设施无法只是在旧有布局中添加更多芯片。
网络同样重要。AI 训练会将工作分配给许多处理器，通信速度过慢就会让昂贵硬件处于等待状态。运营商会投资高带宽交换机、光连接和冗余光纤路径，以减少这些停顿。
存储系统也必须以高速传输训练数据。一个集群可能拥有巨大的处理能力，但如果存储系统无法足够快地提供信息，它就无法持续保持高效运转。
这些系统在运行中会产生热量。计算设备消耗的几乎所有电力最终都会转化为热能。排除这些热量还需要额外的电力和机械设备。
因此，冷却设计已成为计算机架构的一部分。工程师必须决定冷却液如何到达机架、热量如何离开建筑，以及系统在设备故障或极端天气下如何运行。
用水量取决于所选的冷却系统和当地条件。蒸发式系统可降低部分电力需求，但会消耗水资源。闭环系统会循环冷却液，可减少直接用水需求，尽管仍需要散热设备。
更广泛的电力供应同样重要。电网接入可能需要进行输电升级，这些升级将同时服务园区和周边地区。如果项目发生变化，或始终未达到其提议规模，监管机构必须决定由谁承担这些投资成本。
美国能源部报告称，数据中心在 2023 年消耗了约占全国 4.4% 的电力。其能源使用报告预计，到 2028 年，这一比例可能升至 6.7% 至 12% 之间。
这一范围之所以很大，是因为未来需求取决于建设进度、芯片效率、模型使用情况和运营行为。但它仍说明，电力规划已从设施层面的议题转变为国家基础设施问题。
国际能源署在其 Energy and AI 评估中得出了类似结论。AI 的增长不仅依赖软件研究，也同样依赖电力系统、发电资源和电网投资。
可靠性进一步推高了成本。运营商无法接受装有极其昂贵硬件的集群频繁中断。设施会使用电池、发电机、冗余连接和重复配置的冷却设备，以维持关键系统运行。
冗余意味着购置可能在大部分使用周期中闲置等待的资产。其价值会在其他组件发生故障时显现。取消这些保障措施可以降低建设成本，却会提高代价高昂的停机风险。
电力中断可能使训练工作停摆，并延缓模型开发。冷却故障可能迫使设备在高温损坏组件之前下线。网络问题则可能降低本来运行正常的集群生产力。
这使 AI 基础设施成为一项系统级投资。芯片、建筑、公用事业设施和软件必须按正确顺序到位。只有每一层都协同运作，设施才能实现其价值。
速度正在与建设现实发生碰撞
AI 竞赛奖励率先获得的产能，而建设工程会以重新设计、延期和昂贵的闲置资产惩罚仓促决策。
科技公司将计算能力视为竞争优势。更多产能可以支持更大规模的训练、更快的产品开发和更多客户请求，也能为商业回报难以预测的实验提供空间。
这种激励促使企业在尚未完全了解模型或用户需求将如何发展的数年前，就提前预留基础设施。等待确定性可能意味着落后；建设过于激进则可能导致持有无法带来足够回报的产能。
Abilene 扩建项目展示了这些计划如何变化。在涉及融资和 OpenAI 需求的讨论后，OpenAI 与 Oracle 终止了就额外阶段进行的谈判。随后，Microsoft 同意接手两栋计划中的建筑。
Abilene 过渡并未令这一实体项目失去意义。它表明，即使预定客户发生变化，选址仍可能具有吸引力。
预计 Microsoft 的新增项目将使该园区达到十栋数据中心建筑和约 2.1 吉瓦的计算容量。Crusoe 还计划为此次扩建建设一座 900 兆瓦发电厂。
这一事件揭示了一个核心风险。建筑和变电站的使用寿命很长，但 AI 硬件战略可能在数月内变化。因此，开发商可能在未来租户敲定其架构之前，就已承诺投入混凝土和电气设备。
同样的不匹配也会影响冷却系统。为某一代处理器准备的设计，可能需要针对机柜密度不同的后续一代作出调整。这些变化可能改变管道、泵、电力分配和楼层布局。
开发商试图通过模块化建设来管理这一问题。模块化园区将工作划分为可重复建设的建筑或设备单元。每个阶段都可在整个场地完工前投入运营。
模块化提升了灵活性，但并不能消除共享依赖。一座变电站延期可能影响多个模块。即使单体建筑已经就绪，输电限制仍可能限制整个园区。
保险是另一项不确定因素。吉瓦级设施集中了高价值设备、复杂冷却系统、天气暴露风险和运营依赖关系。保险公司必须评估在这一规模下缺乏有限历史先例的风险。
融资结构同样假定，租户将持续具备能力和意愿进行长期付款。大型科技公司的租约能够支持建设债务，但也将项目与单一客户的战略和信用质量绑定。
看空的观点并不要求相信 AI 需求会消失。需求可以增长，但个别项目仍可能令人失望。产能可能落在错误地点、采用错误硬件，或成本高到客户难以接受。
AI 系统也可能变得更高效。更好的芯片、模型压缩和改进的软件可以降低特定任务的计算需求。效率提升往往会推动更多使用，但开发商无法提前数年确定两者之间的平衡。
因此，利用率是一项关键指标。大型设施只有在设备持续执行有用工作时才能创造价值。低利用率意味着昂贵的处理器、电力合同和建筑带来的收益低于预期。
商业问题并不在于人们是否使用 AI，而在于 AI 服务收入能否证明为提供服务所需的完整基础设施栈是合理的。
这种压力首先传导至超大规模云服务商。Amazon、Microsoft、Google 和 Oracle 向客户出租计算能力。Meta 则主要为自有产品、广告系统、研究及可能面向外部的计算服务建设基础设施。
它也传导至模型开发商。OpenAI、Anthropic 和其他实验室需要长期获得计算资源，却并不总是拥有底层设施。这些承诺有助于基础设施合作伙伴获得融资。
投资者面临相关问题。他们可以为寿命长的资产提供资金，但其经济性取决于快速变化的技术。一项二十年期融资安排可能支撑运营商会多次更换的设备。
这才是 AI 数据中心竞赛中真正的对手。它不是一家企业与另一家企业的较量，而是软件行业对速度的需求，与电力、建设和资本较慢的经济规律之间的冲突。
德州社区正成为成本模型的一部分
开发商现在必须将公众阻力、公用事业账单、用水担忧和监管延误，与工程支出一并纳入考量。
数据中心并非脱离周边环境而运行。它接入区域电网，使用当地道路，雇用建筑工人，产生噪声，并可能依赖水资源。随着园区规模扩大，这些影响愈发明显。
德州最初为扩张提供了尤为有利的环境。其规模、能源市场和开发政策吸引了大型科技公司和基础设施专家的项目。
由此形成的项目储备改变了政治层面的考量。州和地方官员日益关注居民用户是否可能承担电网扩容成本。社区也开始质疑税收激励与长期就业之间的关系。
数据中心创造了大量建筑岗位，但相对于其土地和电力需求，运营所需员工数量可能有限。地方领导人必须权衡暂时性的经济活动与长期基础设施承诺。
水是另一项紧张来源。冷却技术决定直接耗水量，而发电也可能在其他环节增加间接用水。区域条件十分重要，因为同一种设计在干旱地区可能产生不同后果。
噪声可能传播到设施边界之外。冷却风扇、电气设备和备用发电机都以工业规模运行。拟建场址附近的社区越来越多地要求设置退距、噪声限制和监测措施。
德州州长 Greg Abbott 呼吁制定规则，要求采用节水型冷却系统，并加强对电力和用水情况的报告。他还表示，数据中心不应增加居民用户的成本。
拟议的德州监管规定包括重新考虑税收激励措施，并为附近社区增加保护。预计该州 2027 年立法会议将进一步审议这些问题。
这一政策转向十分重要，因为不确定性本身就有成本。开发商可以为已知设备和劳动力编制预算，却很难为并网暂停、税收规则变化或地方审批延迟定价。
项目可能通过增加现场发电、水循环利用、噪声控制或社区基础设施来应对。这些新增措施可以减轻当地影响，但也会扩大初始资本需求。
一些开发商认为，专用发电能够避免其设施给电网带来负担。批评者则回应称，燃气发电厂会将排放和燃料基础设施带入附近社区。
闭环冷却带来了类似的权衡。它可以减少直接用水，却无法消除热量。设施仍需要设备将热量排放至周围环境。
公众审查最终可能改善项目设计。明确标准可以让开发商在开工前了解必须承担哪些成本，也能减少围绕谁应为电网升级付费的争议。
更棘手的问题涉及投机性产能。公用事业公司可能收到多个大型并网请求，但并非每个拟建园区都会完成。为最终消失的项目建设基础设施，可能使其他用户面临风险。
因此，开发商必须证明的不只是技术雄心。他们需要融资、已承诺的客户、设备订单、可信的建设进度表和可行的供电方案。
这些要求会放缓竞赛，但也检验项目是否真实存在。纸面上最便宜的方案，如果依赖无法获得的电力或尚未解决的地方审批，最终可能变得昂贵。
德州 AI 数据中心的成本正越来越多地包含政治许可。行业不能再假定可用土地和拟议的电网连接就能保证顺利投入运营。
三项信号将显示这笔账是否划算
AI 建设热潮的下一阶段，将由投运容量、持续利用率以及谁承担基础设施风险来评判。
第一项信号是实际投入商业运营的容量。已宣布的吉瓦数不等同于已通电的建筑。项目必须完成建设、接入电力、安装设备并通过运营测试。
涉及变压器、涡轮机、输电线路或冷却系统的延误，将揭示供应链能否匹配科技公司的进度安排。频繁延期将削弱“仅凭资本即可解决产能短缺”的说法。
第二项信号是设施启用后的利用率。运营商很少披露每一项细节，但云服务收入、租约承诺、芯片部署和客户需求可以表明新增产能是否具有生产力。
高利用率将支持在巨额成本之下继续建设。空置空间或硬件安装延迟则表明，建筑到位的速度快于盈利性需求的形成速度。
投资者还应关注企业将产能描述为紧张还是可用。持续短缺支持新项目；可用产能不断增加却没有相应收入，则会对融资假设施加更大压力。
第三项信号是监管机构和公用事业公司如何分配基础设施成本。德州在并网、报告要求、税收激励和居民电价保护方面的决定，将影响远超该州范围的项目。
要求开发商为更多输电设施或专用发电提供资金的规则，将提高直接建设支出。它们也可能保护社区免于补贴投机性项目。
这些信号之所以重要，是因为 AI 数据中心热潮正从宣布阶段进入执行阶段。企业已经明确了自身雄心；如今，它们必须证明实体基础设施能够按时落地，并带来可接受的经济回报。
Bloomberg 的拆解让这一挑战变得清晰可见。决定性的支出并非某一颗处理器、某一栋建筑或某一座发电厂，而是在超大规模下同时交付所有组成部分的要求。
对开发者和企业采购方而言，实际问题很直接：哪些已宣布的园区将转化为可靠的计算能力，哪些又会停留在成本高昂的规划阶段？
关注已通电的兆瓦数、实际客户承诺以及新的公用事业规则。这些指标将显示，得州 AI 数据中心成本是在支撑持久的基础设施，还是暴露出一个建设速度快于需求合理支撑能力的行业。
