算力即权力：人工智能竞争的叙事正在改变

人工智能（Artificial Intelligence，AI）行业的叙事，似乎正在发生一次悄然的变化。

过去几年，人们谈论算力，通常把它放在“基础设施”这个抽屉里。模型公司负责算法、数据与产品，芯片公司提供计算设备，云厂商建设数据中心。算力很重要，但它更像模型背后的生产资料：可以买、可以租，也可以在不同供应商之间切换。

现在，这条边界正在消失。

前沿实验室开始参与芯片架构，锁定吉瓦级数据中心，介入能源、网络、机架和冷却系统。它们不再只问“还能获得多少算力”，而开始问“能否按照下一代模型的需要，重新设计算力”。

算力由此不再只是模型之外的成本和供给条件，而开始进入模型能力本身。

从基础设施，到模型能力

这场变化最容易被误解成一轮普通的资本开支扩张：模型越来越大，所以公司需要买更多芯片、建设更多机房。

但数量增长只是表象。更深的变化，是人工智能系统使用计算的方式正在改变。

预训练主要在模型发布前消耗算力；新的推理模型却会在回答问题时继续计算。智能体不再只生成一段文字，而会规划任务、调用工具、检查结果并反复修正。同一个用户请求，可能触发几十、几百甚至更多步骤。

如果递归自我改进（Recursive Self-Improvement，RSI）——即系统利用人工智能持续改进自身模型、软件或硬件——逐渐变得可行，这个循环还会进一步加快。通用人工智能（Artificial General Intelligence，AGI）是否已经临近，仍然存在巨大争议；但即使不接受这个前提，推理时计算与智能体执行的增长，也足以让基础设施的重要性上升。

模型竞争因此开始从“谁能完成一次最大规模训练”，转向另一个更持续的问题：谁能以更低成本、更短周期，稳定生产更多有用的智能？

到了这一步，算法与基础设施就很难继续分开。

芯片决定哪些计算可以被高效执行；内存与网络决定模型能否扩展；数据中心决定集群可以多快上线；能源决定系统能够运行到什么规模。它们共同决定模型的实验速度、推理价格和产品上限。

硬件与设施不再只是承载模型的容器，而成为模型能力函数的一部分。

四种机制，把物理资源变成模型优势

为什么控制基础设施会影响模型竞争？我认为至少存在四种机制。

第一，降低单位智能成本。

真正影响产品普及的，不是一次训练花了多少钱，而是每完成一个有价值任务需要多少计算、能源和等待时间。一个模型如果能力相近，却能把推理成本降低一半，就可以服务更多用户、执行更多步骤，也更容易进入低客单价和高频场景。

第二，缩短实验周期。

前沿研究不是完成一次训练便结束，而是不断修改数据、算法和系统，再验证下一轮结果。如果计算资源需要反复排队，或者扩容依赖外部供应商的统一节奏，模型团队的学习速度就会受限。基础设施建设速度，本身会变成模型迭代速度。

第三，提高供给确定性。

当整个行业同时争夺先进芯片、电力和机房，现货采购并不能保证关键时期的资源。长期锁定芯片、数据中心和能源，表面上增加了固定投入，实质上是在为未来的实验和产品需求购买确定性。

第四，实现软硬件联合优化。

通用芯片必须服务不同客户，前沿实验室却知道自己的模型结构、底层算子、内存移动和推理模式。模型团队把这些信息反馈给芯片、网络与数据中心团队，硬件便可以围绕真实负载设计；新的硬件能力又会反过来改变模型架构与产品形态。

一旦这个循环开始转动，硬件就不再位于模型研发的下游，而会直接进入研发闭环。

前沿实验室正在变成工业组织

Google 是这条路径最成熟的案例。

它的第七代张量处理单元（Tensor Processing Unit，TPU）Ironwood 已面向云客户提供服务。Google 对这套体系的描述很直接：模型研究者会影响芯片设计，新的芯片又会加速模型研究。单枚芯片、芯片间网络、内存、软件和 Gemini 模型被放在同一个系统目标下优化。

xAI 展示的是另一种能力：建设速度。

根据公司披露，Colossus 集群在 122 天内建成，又在 92 天内扩展到约二十万枚图形处理器（Graphics Processing Unit，GPU）。这个数字不能自动证明模型一定更强，但它说明一家前沿实验室已经把拿地、供电、组网、部署与运维变成自己的核心执行能力。它优化的不只是训练代码，也在优化“从空地到算力”的时间。

OpenAI 则同时向芯片和数据中心延伸。

2026 年 6 月，OpenAI 与博通公布了首款自研推理芯片 Jalapeño。官方材料称，芯片架构根据模型、底层算子、内存、网络与产品需求共同设计，目前已有工程样品运行模型负载；但最终性能仍在测量，大规模部署计划从 2026 年底开始。这是一个重要信号，却还不是量产结果。

与此同时，OpenAI 把 Stargate 定义为长期算力平台，并明确采取合作伙伴主导的建设方式。它并不试图成为所有数据中心、能源和芯片资产的唯一所有者，而是希望影响设计、锁定容量并协调扩建。

Anthropic 进一步说明了为什么“控制”不等于“拥有”。

它把亚马逊云科技（Amazon Web Services，AWS）作为主要云与训练合作伙伴，参与 Trainium 芯片的底层内核、软件栈和下一代硬件优化。Anthropic 不拥有亚马逊的数据中心和芯片，却能够把自身模型负载带入硬件设计，并获得大规模长期资源。

这些公司的路径并不相同：Google 长期自研，xAI 快速自建，OpenAI 自研与合作并行，Anthropic 深度绑定合作伙伴。共同点不是资产全部归自己，而是它们都在把基础设施的关键决策拉近模型团队。

前沿实验室由此不再只是软件组织。它们越来越像一种新的工业组织：既要理解模型，也要处理芯片供应、工程建设、能源合同、资本结构和公共关系。

关键不是拥有，而是控制

如果把“垂直整合”理解成什么都自己生产，很容易得出错误结论。

一家模型公司没有必要建设晶圆厂，也未必需要持有每座数据中心。人工智能基础设施迭代很快，合作能够分散技术路线风险，也能利用芯片公司、云厂商和能源开发商已经积累的专业能力。

真正应该观察的是四种控制权：

能否让芯片、网络和系统设计响应自己的模型需求；
能否在关键阶段获得稳定、可调度的计算容量；
能否决定扩建速度，而不是被动等待市场供给；
能否看清并持续降低每单位智能的真实成本。

自研、自建、合资、长期合同，都可能实现这些目标。资产所有权只是手段，模型能力与供给确定性才是结果。

这也解释了为什么前沿实验室一边越来越重，一边仍然需要庞大的合作网络。它们不是要取代整条产业链，而是要获得足以影响产业链的规模、信息与议价权。

企业竞争为什么会升级为主权竞争

当算力规模继续扩大，企业会碰到一组无法独立解决的问题。

先进芯片受到全球供应链与出口制度影响；数据中心需要大量土地、审批、输电和发电资源；巨额长期投资依赖金融体系；模型训练与部署还涉及数据、安全和国家竞争。

这使算力天然跨过企业边界，进入公共政策和主权能力。

欧盟委员会在 2026 年 4 月披露，已有 19 个人工智能工厂和 13 个配套节点投入运行，并预计 2021 至 2027 年间，欧盟、成员国与参与国对超级计算和人工智能工厂的总投入将达到 100 亿欧元。更大规模的人工智能超级工厂仍属于后续融资与部署目标，不能与已投运设施混为一谈。

英国的国家算力路线图更加直白。英国政府称，数千枚新芯片已经通过公共研究算力体系投入使用；同时计划在 2030 年前投入最高 20 亿英镑，将公共人工智能研究算力扩大二十倍——按路线图口径，由 2025 年的 21 提升至 2030 年的 420。后一个数字是目标，不是今天的产能。更值得注意的是，英国还为主权人工智能部门与人工智能安全研究保留专用算力，把公共访问、战略控制和安全写进同一份路线图。

美国能源部的 Portsmouth 项目则展示了国家如何统筹企业无法单独调动的物理资源。2026 年 3 月，项目在联邦场址举行破土仪式，私人开发商承诺建设大型人工智能数据中心及配套发电能力。公布的 10 吉瓦是建设承诺，不是已经上线的算力；但联邦土地、环境治理、能源建设和私人资本已经被放入同一个项目。

这些案例并不意味着国家会亲自拥有所有芯片和数据中心。更可能出现的形式，是政府掌握土地、能源、许可、融资、采购和安全规则，企业负责技术与运营。双方共同构成一种新的算力工业体系。

算力即权力，究竟是什么意思

“算力即权力”不是说拥有最多芯片的人必然拥有最强模型，更不是说算法、人才、数据和产品不再重要。

它意味着，当智能逐渐成为一种通用生产要素，控制智能的生产条件就会产生三种权力。

第一种是生产权：谁可以持续制造更强、更便宜的智能。

第二种是分配权：谁可以决定智能以什么价格、向哪些用户和地区开放。

第三种是保障与限制权：在芯片短缺、能源紧张或地缘冲突时，谁能够保证自己的系统继续运行，又能够限制竞争者获得关键资源。

模型榜单衡量的是一个时间点上的能力。算力控制权决定的，则是一家公司或一个国家能否持续参加下一轮竞争。

因此，未来的人工智能力量可能不只是一家模型公司，也不只是一家云厂商。它会是一个能够把电力变成计算、把计算变成模型、把模型变成产品，再用产品收入建设下一代基础设施的循环。

谁能让这个循环转得更快、更稳，谁就更接近长期权力。

重资产不自动等于强大

这个判断仍然需要边界。

首先，更多算力不自动产生更好模型。错误的技术路线、薄弱的研究团队和缺少用户反馈，可能让昂贵集群变成低效资产。

其次，垂直整合会放大固定成本。芯片和数据中心的建设周期很长，一旦模型架构、计算范式或需求增长不及预期，公司可能被旧路线锁定。原本为了获得确定性建设的资产，也可能变成财务负担。

再次，算法效率仍然可能改变竞争格局。更好的模型结构、压缩方法、开放软件和商品化硬件，都可能降低规模优势。算力是一项权力来源，却不是决定一切的宿命。

对国家也是如此。建设一座数据中心不等于获得算力主权；如果先进芯片、软件栈、人才和能源仍然高度依赖外部，建筑本身只是一层外壳。

所以，真正的能力从来不是简单地“拥有更多”，而是能够把物理资源转化为持续改善的智能，并让每一轮智能进步反过来降低下一轮基础设施的成本。

权力游戏刚刚开始

人工智能行业表面上仍在竞争模型，底层却正在竞争生产模型的工业体系。

芯片、网络、数据中心和能源曾经是舞台背后的设施，现在开始进入模型优化层；前沿实验室曾经像软件创业公司，现在开始承担工业组织的职能；国家曾经把算力视为数字经济基础设施，现在开始把它视为安全、增长与战略影响力的来源。

这可能是人工智能叙事中最重要、也最容易被低估的一次转变。

最强模型只是某个时点的结果。能够持续生产更强、更便宜智能的物理能力，才可能决定未来竞争的节奏、边界与秩序。

算力即权力的游戏，刚刚拉开序幕。

参考资料

资料核验截至 2026 年 7 月 31 日。

JVC