AI 投资博主 Rob May：AI 基础设施的瓶颈正从芯片迁移到电力、散热与网络

人人都知道 AI 需要算力——这句话本身就是投资的问题所在。当共识已经充分定价，需要的恰好只是完美，才勉强持平。AI 投资博主 Rob May 在最新一期 Investing in AI 中提出一个框架：真正持久、高利润的 AI 机会不在基础模型或 GPU，而在让 GPU 跑起来的那些物理与数字基础设施。

这个思路来自 Howard Marks 的二阶思维。一阶思维是反应式的：AI 在增长，所以买芯片公司。二阶思维问下一个问题：如果数百万颗 AI 芯片部署下去，什么会出问题？什么必须适应？什么会变得不可或缺？

历史反复验证这个模式。1920 年代，一阶交易是福特、通用和轮胎厂；但更大的经济故事是汽车普及催生的一切——州际公路、郊区房产、汽车旅馆、免下车快餐。没有人看着一辆 Model T 在给麦当劳下注，但汽车确实是麦当劳成为麦当劳的重要原因之一。移动互联网同样如此：2007 年的一阶交易是苹果和基站公司，但真正让 Uber（2009）和 Instagram（2010）成为可能的是始终在线、GPS 定位的连接。瓶颈悄悄从手机转移到了云存储和移动数据网络。

Rob May 把这种规律称为约束迁移：解除一个瓶颈，经济学就转移到下一个跟不上的环节。他引用自己此前的分析指出，大约 120 吉瓦的新数据中心容量已排期到 2028 年 8 月，而历史上只有约一半的排期容量能按时交付。原因不是钱也不是芯片——是变压器、燃气轮机和电网互联排队，目前排队周期已达 24 到 48 个月。Flex 首席执行官 Revathi Advaithi 在最近一次财报电话会上也直言，AI 正越来越成为一个基础设施故事，更具体地说，是一个电力故事。

在这个框架下，他认为约束正在四个层面展开：电力——AI 数据中心每机架功耗远超传统云设施，电网并非为此而建，迫使定制发电和高压输电升级；散热——下一代 GPU 机架的发热量超出风冷能力，迫使液冷和浸没式冷却迁移，但液冷只是把热量从机架移到屋顶和供水系统，问题并未消失；网络——十万颗以上 GPU 组成一台超级计算机需要先进光模块、硅光子和超高速交换，在这个规模上网络就是计算机；边缘推理——并非每个查询都应前往吉瓦级园区，延迟和成本推动推理向手机、PC、汽车和工业设备迁移，小模型使这变得可行。

他特别指出一个无聊的牛市：那些几十年低估值、不起眼的工业和公用事业公司，突然坐在了当代最重要技术建设的必经之路上。他关注三个板块——暖通与工业冷却、电力与铀矿、光纤与光器件。一级市场和二级市场的打法不同：风投押注材料和物理层面的突破，如下一代冷却液、小型模块化反应堆和光子学初创，这些周期长、资本密集，但突破可能彻底重置一个约束；公开市场则关注那些订单簿刚刚变成战略资产的成熟电气设备商。

不过 Rob May 也承认这个二阶交易本身正在变成共识，电力和散热的故事很快就是下一个拥挤的赛道。他由此提出第三个问题：一旦电力和散热解决，约束会去哪里？他的判断是利用率与编排——让昂贵的 GPU 集群真正忙起来而不是昂贵地闲置。这恰好也是他参与的推理优化工具 Taskrouter 所在的领域，读者在评估这个判断时应把这一利益关系纳入考量。

他最后给出一个检验框架：评估任何 AI 基础设施公司，问三个问题——今天的约束是什么？这家公司是否拥有这个约束？它是否为下一个约束做好了准备？如果一家公司至少两个问题答不上是，它只是在搭这波热潮的便车，而非从中捕获价值。