AI风向标0908丨14.8GW背后,大模型到底需要多少算力?(上篇)
01DAILY SIGNALS
今日科技新闻
01字节跳动借了296亿美元，继续砸钱做AI
字节跳动近期获得约296亿美元银团贷款，最初计划融资200亿美元，但由于银行认购需求旺盛，最终扩容至296亿美元，近30家银行参与。这也是2026年以来亚洲第二大美元计价贷款，仅次于软银的400亿美元融资。贷款期限为3年，并可延长至最长5年。
02华为用量产数据回应“韬定律”散热问题
华为何庭波最新研究进一步回应“韬定律”的一个关键问题：芯片通过3D逻辑折叠提高晶体管密度后，会不会带来更严重的功耗和散热压力？公开的麒麟2026数据显示，在相同制程节点下，相比麒麟9030 Pro，其晶体管密度提升55%，功耗下降41%，CPU主频提升13%。这意味着，在先进制程继续突破越来越困难的情况下，除了继续拼“几纳米”，通过芯片架构创新提升性能，也正在成为另一条技术路线。
03国产AI芯片收入增长，现金流压力也在上升
2026年上半年，国产AI芯片“四小龙”收入集体增长：摩尔线程营收17.36亿元，同比增长147%；沐曦13.2亿元，增长45%；壁仞12.4亿元，增长近20倍；天数智芯9.46亿元，增长192%。但卖得越多，对现金的需求也越大。为了提前锁定晶圆、HBM等紧缺产能，沐曦上半年预付款达到约22亿元，较去年底增长163%；与此同时，多家公司存货和应收账款也明显增加。
02THE TOPIC
14.8GW背后，大模型到底需要多少算力？
9月7日，据The Information报道，从去年10月以来，Anthropic已经签下了至少14.8GW的新增算力容量协议。按照目前已经披露的云计算、芯片和数据中心协议估算，未来十年的潜在成本最高可能达到5170亿美元。
与此同时，Anthropic还在为接下来的IPO做准备。路透此前报道称，公司正在接近敲定一笔约150亿美元的循环信贷额度。
看到这里，先说一个概念：GW，GW是一个功率单位。1GW等于10亿瓦。
14.8GW换成我们更熟悉的电费，中国居民第一档电价因地区不同，大致在每度电0.4—0.6元左右，例如广东约0.64元/度、江西约0.60元/度、四川约0.53元/度。
我们简单按0.6元/度来算。
如果14.8GW的设备真的全天24小时满负荷运行，那么一天消耗的电量大约是14.8GW × 24小时 = 3.552亿度电。
对应的电费大约是：2.13亿元一天。
当然，这只是一个为了帮助理解规模的极简换算。
实际AI数据中心不会按照居民电价结算，也不一定全年满负荷运行；不同地区、峰谷时段、长期购电协议都会影响真实电价。
而且14.8GW本身也不是Anthropic今天实际消耗的电力，而是未来几年已经签约和规划涉及的计算容量。
但即便只是一个粗略换算，也足以说明它的量级。与此同时，我们上面说的也是按照中国的用电来计价，如果换成美国，整体的用电金额可能会更夸张，但是对于他们说最头疼的不光光是费用，而是“电不够用了”。
这里的“缺电”，并不是说美国全国已经没有足够的发电量，而是AI数据中心的用电需求增长得太快，原有的电网和电力基础设施跟不上了。
过去很长一段时间，美国用电需求增长相对缓慢，电网也是按照这种节奏建设的。但AI出现以后，一个新的数据中心可能一上来就需要几百MW，甚至向GW级发展。
美国能源信息署预计，受大型计算设施特别是数据中心推动，美国正在经历2000年以来最强的一轮持续用电增长。更直观的是，美国劳伦斯伯克利国家实验室预计，到2030年，数据中心可能消耗美国11.8%左右的电力，在不同情景下甚至可能达到9.5%—15.3%。
问题在于：数据中心可以两三年建起来，电网却没有这么快。
建设新的发电设施、变电站和高压输电线路，再到最终并网，往往需要更长时间。而且美国不同地区的电网相对分散，即使别的地方有电，也不意味着能够马上把这些电送到数据中心集中的地方。
这个矛盾现在已经开始真正出现。
以美国最大电网PJM为例，2026年上半年输电拥堵成本已经升至约60亿美元，同比增长43%；而全球数据中心最密集的北弗吉尼亚，正是拥堵比较严重的地区之一。
德州的情况更加夸张。
2023年以来，申请接入德州电网的大型数据中心等项目需求已经从约48GW增加到超过474GW。虽然其中包含大量重复申请和可能最终不会建设的“幽灵需求”，但增长速度已经快到德州开始暂停部分新的数据中心并网，并重新审核哪些项目真的会落地。
而中国面对的情况又不太一样。
中国拥有庞大的电力系统和数据中心建设能力，但在AI算力扩张上，还有一个更加现实的约束：高端AI芯片。
所以如果把两边的情况稍微简化一下，会出现一个很有意思的差异：美国有先进芯片，但正在想办法给越来越多的芯片找电；中国有庞大的电力和基础设施能力，但还在想办法让更多国产芯片撑起AI计算。
但是不管缺什么，在AI时代下，有一种东西是大家都缺的，那就是：可用的算力。
什么是算力？
算力，就是计算机处理数据、完成计算的能力。
比如我们问AI：“这张图片里有没有一只猫？”AI并不是像人一样真正“看见”了一只猫。图片首先会被转换成大量数字，然后这些数字进入神经网络，经过一层又一层计算，最后模型得出一个结果：这里大概率有一只猫。
模型越来越大，需要处理的数据越来越多，背后的计算也越来越复杂。能够以多快的速度、多大的规模完成这些计算，就是我们所说的算力。
那算力从哪里来？
最直接的答案就是：芯片。
我们平时电脑里的CPU当然也有算力，但到了大模型时代，真正被大量使用的是更擅长并行计算的GPU和各种AI加速芯片。
这也是为什么过去几年，只要聊AI算力，就绕不开英伟达。
从A100、H100、H200，到后来的Blackwell，再到新一代Rubin，英伟达一直在提供越来越强的AI计算能力。
除了英伟达以外，各个大厂都在构建属于自己的芯片。
Google有自己的TPU，Amazon有Trainium，AMD有Instinct；中国也有华为昇腾，以及寒武纪、摩尔线程、沐曦等AI计算芯片。
所以我们平时听到的：英伟达算力、国产算力、昇腾算力、云上算力……
有1万张GPU，就有1万张GPU的算力吗？
答案其实是：不一定。
这也是为什么现在的大模型公司里，还有一项非常重要的能力：AI Infra，也就是AI基础设施。
如果说芯片解决的是“有没有算力”，那么AI Infra解决的是：怎么把这些算力真正用起来。一家公司买了1万张GPU，并不意味着它立刻就拥有了1万张GPU的有效算力。这些GPU要被装进服务器，通过高速网络连接；训练数据要快速送到每一张卡上；不同GPU之间还需要不断交换计算结果。
模型太大，一张卡装不下，还要把模型拆到几十、几百甚至几千张GPU上共同计算。其中任何一个环节跟不上，都可能出现一种非常昂贵的情况：GPU买回来了，但GPU在“等”。
所以AI Infra真正要解决的是：怎么把芯片、服务器、网络、存储、软件、电力和散热组织成一套高效运行的计算系统。
同样是1万张GPU，两家公司因为集群调度、通信效率和软件优化不同，最终真正能够用于模型训练的有效算力可能差很多。
而这些效率最终都会变成成本。
同一个模型，如果训练时间能够缩短；同样一张GPU，如果每天能够完成更多计算；同样1万张卡，如果能够让更多芯片保持高效工作——这些看起来只是工程上的优化，最后节省的都是真金白银。
所以今天的大模型竞争，其实至少有两层：上面是模型能力的竞争，下面是AI Infra效率的竞争。
模型规模越大，下面这一层就越重要。
从一张GPU，到万卡集群
一张GPU当然可以运行AI。但训练今天最前沿的大模型，一张卡远远不够。于是工程师会先把多张GPU装进一台服务器，再把大量服务器通过高速网络连接起来。
最后就形成了我们经常在新闻里看到的：万卡集群。
所以“万卡集群”并不是一张超级大的显卡，而是想办法让上万张AI芯片像一台巨型计算机一样共同工作。
模型训练的时候，这些GPU需要不断交换数据。
其中一张卡计算得很快，但如果它算完以后要等其他卡，整个系统的效率还是会下降。
所以当算力规模越来越大，竞争的重点也开始从：谁能让更多芯片一起高效工作。
这也是为什么AI算力发展到今天，高速网络、交换机、光模块、HBM甚至软件系统的重要性都在上升。
算力已经从一张芯片，变成了一套系统。
那训练一个大模型，到底需要多少算力？
这里还有一个特别容易产生误解的地方。
我们经常看到新闻说：“某个模型用了1万张GPU训练。”
于是很容易理解成：1万张GPU = 这个模型需要的算力。
其实不是。
举一个极端简化的例子：1000张GPU训练100天；和1万张GPU训练10天；两者消耗的总计算资源可能处于接近的数量级。
所以真正衡量训练一个大模型需要多少计算资源，至少要同时看：什么芯片 × 多少张 × 跑多长时间。
还要再加上模型规模、训练Token数量、芯片利用率和算法效率。
这也解释了为什么AI公司如此执着于建设更大的集群。
对于前沿模型公司来说，更大的集群意味着：同样一次实验，可以更快跑完。
以前需要三个月训练的模型，如果能够缩短到一个月，团队就可能多做几轮实验、更快发现问题，也更早开始下一代模型。
所以算力在模型竞争里买到的，其实还有一样非常重要的东西：时间。
再回到Anthropic的14.8GW
到这里，再看开头的14.8GW，它背后是一座座数据中心、一排排服务器、大量AI芯片，以及把这些芯片连接起来的网络、存储、软件、电力和散热系统。
这也是为什么AI公司发展到今天，越来越不像我们过去理解的一家纯软件公司。为了训练下一代模型，它们开始提前锁芯片、锁数据中心，甚至开始锁电。
Anthropic签下14.8GW，本质上也是在提前锁定未来几年继续训练和迭代Claude所需要的基础设施。
而且，这还只是训练算力。
模型训练完成之后，每一次用户和Claude对话、每一次AI写代码、每一个Agent执行任务，其实还会继续消耗另一种算力：
推理算力。这个我们明天再聊。
END NOTE
我是 Ninili，坚持｜热爱｜努力搬砖｜初心依旧