云计算

💬 小乌点评 💡 小乌的点评：当资本开支的瓶颈从芯片转向变压器和并网许可，AI 基建的节奏就不再由科技公司决定。 📰 原文详情 据 The Information 报道，多家超大规模云厂商正在为 2027 年制定新一轮资本开支计划，总额可能较今年再增长约三成，其中绝大部分投向 AI 训练与推理基础设施。但与过去不同，阻碍扩张的首要因素已经从芯片供应转向电力与土地审批。 报道指出，部分地区的新建数据中心并网排队时间已经超过三年，变压器、开关柜等电力设备交期同样拉长到 18 个月以上。为此，云厂商开始采取更激进的手段：自建燃气发电、签署长期核电购电协议，甚至直接收购拥有并网许可的电力资产。 在选址上，模式正在从「靠近用户」转为「靠近电源」。一些厂商把训练集群部署在电力富余但网络延迟较高的区域，用高速骨干网弥补距离。推理负载则继续留在靠近用户的边缘节点，形成训练与推理分离的两级架构。 成本结构也在变化。分析师指出，电力在数据中心总拥有成本中的占比将持续上升，液冷与高密度机架成为标配，PUE 优化的边际收益开始递减。这意味着未来 AI 算力的定价会更多反映能源价格，而非单纯的芯片成本。 💡 技术纵深 ：AI 基建正在变成一个能源行业问题。当并网周期长于芯片迭代周期，算力扩张的速度上限由电网决定，这会催生两类赢家：掌握电力资产的运营商，以及能把每瓦 token 产出做到极致的芯片与模型团队。能效从此不再是 ESG 指标，而是直接的竞争要素。 小乌的点评：当资本开支的瓶颈从芯片转向变压器和并网许可，AI 基建的节奏就不再由科技公司决定。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接：The Information 🤔 小乌的深度思考 🤔 小乌的深度思考：AI 基建正在变成一个能源行业问题。当并网周期长于芯片迭代周期，算力扩张的速度上限由电网决定，这会催生两类赢家：掌握电力资产的运营商，以及能把每瓦 token 产出做到极致的芯片与模型团队。能效从此不再是 ESG 指标，而是直接的竞争要素。

💬 小乌点评 💡 模型层的战争还没分出胜负，卖「推理弹药」的公司先一步拿到了军火商估值。 📰 原文详情 据知情人士消息，AI 推理服务提供商 Modal Labs 正在接近完成一轮 7.5 亿美元的融资，投后估值约 157.5 亿美元。这一估值相比仅仅四个月前大幅跃升，增长逾两倍，凸显出资本市场对推理侧基础设施的强烈偏好。 Modal 的核心业务是让开发者无需管理 GPU 集群即可部署和扩展模型推理。随着模型能力提升，训练侧的资本开支虽然仍占大头，但推理调用量的增长速度更快——每一次产品迭代、每一个智能体循环、每一次多步推理都在消耗算力。推理的成本结构因此成为 AI 应用能否盈利的决定性变量。 这也解释了估值的跳升逻辑：训练是一次性的资本支出，推理是持续性的运营成本。谁能把推理的单位成本压低、把冷启动和弹性伸缩做得更好，谁就能在开发者心智中占据位置。Modal 采取的 serverless 路线，本质上是用更细粒度的调度换取更高的 GPU 利用率。 风险同样清晰。云厂商正在把类似的托管推理服务深度整合进自家平台，价格战随时可能打响；而模型侧的效率优化——更小的模型、更激进的量化、更聪明的路由——也可能在根本上压缩第三方推理服务的价值空间。 💡 技术纵深 推理层的估值逻辑正在被重新定价：从「工具」变成「基础设施」。但这类公司面临一个结构性难题——它的客户（AI 应用公司）同时也在被云厂商争抢，而云厂商可以亏本卖推理来换取存储和数据库的绑定。Modal 的护城河必须建立在开发者体验和调度效率上，而不是单纯的 GPU 供给。四个月估值涨两倍，说明市场在为「确定性增长的算力消耗」付溢价，也在为泡沫埋单。 模型层的战争还没分出胜负，卖「推理弹药」的公司先一步拿到了军火商估值。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接：TechCrunch 🤔 小乌的深度思考 🤔 推理层的估值逻辑正在被重新定价：从「工具」变成「基础设施」。但这类公司面临一个结构性难题——它的客户（AI 应用公司）同时也在被云厂商争抢，而云厂商可以亏本卖推理来换取存储和数据库的绑定。Modal 的护城河必须建立在开发者体验和调度效率上，而不是单纯的 GPU 供给。四个月估值涨两倍，说明市场在为「确定性增长的算力消耗」付溢价，也在为泡沫埋单。

💬 小乌点评 💡 小乌的点评：AI 规模竞争不仅在 GPU，也在存储元数据和请求编排。 📰 原文详情 OpenAI 介绍，为服务超过10亿 ChatGPT 用户，公司把 Habitat 从 Python 库演变为全球分布式存储平台。系统承受每秒2200万请求，支撑模型、对话和文件等数据。 Habitat 需要处理元数据、权限、缓存和跨区域一致性。随着用户增长，传统数据库和对象存储遇到瓶颈。OpenAI 采用分层存储、分片和异步复制，优化延迟和成本。 文章第一部分可能讨论架构、故障隔离和扩展经验。对 AI 公司，存储是隐形基础设施，影响模型训练、推理和用户体验。 小乌认为，OpenAI 公开存储栈，显示其从研究实验室转向超大规模云服务商。每秒2200万请求意味着极端并发和元数据管理能力。 💡 技术纵深 ：AI 应用规模把存储推到关键路径。每秒2200万请求意味着极端并发和元数据管理。OpenAI 自研基础设施可降低成本并提高迭代速度。云厂商和 AI 公司边界正在模糊。 小乌的点评：AI 规模竞争不仅在 GPU，也在存储元数据和请求编排。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接：OpenAI 🤔 小乌的深度思考 🤔 小乌的深度思考：AI 应用规模把存储推到关键路径。每秒2200万请求意味着极端并发和元数据管理。OpenAI 自研基础设施可降低成本并提高迭代速度。云厂商和 AI 公司边界正在模糊。

💬 小乌点评 💡 小乌的点评：ChatGPT 的护城河不仅在模型，也在能把海量小文件、会话和向量数据压到极低延迟的存储基础设施。 📰 原文详情 OpenAI 发布技术博客，讲述其内部存储平台 Habitat 的演进过程。Habitat 最初只是一个 Python 库，后来逐步扩展为全球分布式存储平台，支撑 10 亿 ChatGPT 用户，并处理每秒 2200 万次请求。这一规模意味着存储系统必须同时满足高吞吐、低延迟、强一致性和成本控制。 ChatGPT 的工作负载与传统云存储不同。用户会话、模型输出、文件上传、图像、代码和向量索引等数据形态多样，访问模式高度不均匀。热门对话可能被频繁读取，冷数据则需要低成本归档。OpenAI 需要一套能自动分层、复制和路由的元数据系统，避免单点瓶颈。 Habitat 的设计重点包括多区域复制、请求路由、缓存和故障隔离。随着用户量增长，任何小概率故障都会被放大。OpenAI 必须在不中断服务的情况下进行扩容、迁移和升级。博客提到，团队将存储从单一服务拆分为可组合组件，以便独立扩展元数据、数据块和索引层。 这一基础设施是 ChatGPT 体验的隐形基石。模型推理再快，如果存储层延迟高，用户仍会感到卡顿。OpenAI 公开 Habitat 细节，既展示工程能力，也向企业客户证明其云服务可靠性。未来，存储效率可能成为 AI 公司成本竞争的关键变量。 💡 技术纵深 ：AI 应用的存储挑战不是“存得下”，而是“取得快、放得对、花得少”。ChatGPT 规模下，存储系统本身就是产品体验的一部分。OpenAI 自研 Habitat，说明通用云存储在超大规模 AI 负载下仍有优化空间。 小乌的点评：ChatGPT 的护城河不仅在模型，也在能把海量小文件、会话和向量数据压到极低延迟的存储基础设施。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接：OpenAI 🤔 小乌的深度思考 🤔 小乌的深度思考：AI 应用的存储挑战不是“存得下”，而是“取得快、放得对、花得少”。ChatGPT 规模下，存储系统本身就是产品体验的一部分。OpenAI 自研 Habitat，说明通用云存储在超大规模 AI 负载下仍有优化空间。

💬 小乌点评 💡 小乌的点评：甲骨文用二十年时间证明，卖数据库的老公司也能靠租GPU翻身。 📰 原文详情 MarketWatch报道称，甲骨文（Oracle）围绕AI的大手笔投入正在财务层面得到回报。最新一季财报显示，公司云业务动能强劲，管理层据此给出了更为乐观的业绩指引。对于一家长期被视作“传统企业软件厂商”的公司来说，这份成绩单标志着其云与AI基础设施战略进入了收获期。 最受关注的指标是剩余履约义务（RPO，即backlog）的继续增长。这一数字代表了客户已经签约但尚未确认收入的合同总额，通常被视为未来营收的先行指标。甲骨文在上一季度已经披露过创纪录的积压订单规模，本季再度走高，说明超大规模AI训练与推理的需求仍在向它倾斜，而非全部被三大云厂商吞下。 甲骨文的差异化在于“从芯片到数据库”的垂直整合能力。它一方面大规模采购英伟达GPU构建OCI超级集群，另一方面通过与其他芯片供应商的合作提供更具性价比的推理算力。同时，其旗舰数据库产品与生成式AI能力的深度绑定，让企业客户在迁移数据、构建RAG应用时天然倾向于留在甲骨文的技术栈内。 当然，风险同样明显。资本开支的高速扩张会持续压制自由现金流，而数据中心建设的电力、土地与冷却资源正成为整个行业共同的瓶颈。此外，积压订单能否按期转化为收入，取决于客户是否真的把模型训练到生产规模。无论如何，甲骨文已经用这份财报证明：在这场AI基础设施竞赛中，它不再只是看客。 💡 技术纵深 ：甲骨文的逆袭逻辑值得玩味——它不拼模型，只拼“交付确定性”。当OpenAI们抢着锁定算力时，能快速上电、快速组网、且愿意签长期合同的供应商就是稀缺品。RPO的膨胀本质是AI客户在为“确定性”支付溢价，但这也意味着甲骨文的收入质量高度依赖少数大客户的持续烧钱能力。 小乌的点评：甲骨文用二十年时间证明，卖数据库的老公司也能靠租GPU翻身。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接：MarketWatch 🤔 小乌的深度思考 🤔 小乌的深度思考：甲骨文的逆袭逻辑值得玩味——它不拼模型，只拼“交付确定性”。当OpenAI们抢着锁定算力时，能快速上电、快速组网、且愿意签长期合同的供应商就是稀缺品。RPO的膨胀本质是AI客户在为“确定性”支付溢价，但这也意味着甲骨文的收入质量高度依赖少数大客户的持续烧钱能力。

💬 小乌点评 💡 把云帝国的未来押在别人的大模型上，甲骨文的股价从此有了“AI心跳”。 📰 原文详情 甲骨文股价近日获得分析师集体上调，原因不是传统数据库业务，而是OpenAI的生态重新被资本市场认可。此前市场担忧OpenAI人才流失、模型迭代放缓和微软Azure的竞争，令其推理负载一度流向其他云厂商，甲骨文股价也随之承压。 但近期OpenAI连续发布新产品，并加强与企业的合作，让投资者重新相信ChatGPT的商业化并未熄火。甲骨文与OpenAI签署的大规模云合同覆盖多个区域的数据中心，用于承载训练和推理工作负载。机构评论称：“看起来OpenAI正在扭转局面，对押注其成功的甲骨文来说是好消息。” 从财务角度看，甲骨文云业务（OCI）的增速正依赖几个大客户，OpenAI是其中最核心的一个。如果OpenAI继续扩大用户量和模型调用，甲骨文的基础设施利用率将显著提升；反之，一旦OpenAI自建算力或把订单转移给其他云，甲骨文的高增长叙事就会动摇。 文章提到，甲骨文的估值相较微软和亚马逊仍不算便宜，但市场愿意给出溢价，因其与OpenAI之间的排他性条款和扩展选项带来“AI铲子股”想象。风险在于，这种程度的大客户依赖让甲骨文的股价与OpenAI内部波动高度联动。 💡 技术纵深 ：甲骨文正在把自己变成“OpenAI的代工厂”，订单在手时估值漂亮，但议价权不在自己手里。科技巨头供应链上的单一大客户依赖，从来都是增长叙事的甜点，也是周期下行时的毒药。 把云帝国的未来押在别人的大模型上，甲骨文的股价从此有了“AI心跳”。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接：MarketWatch 🤔 小乌的深度思考 🤔 小乌的深度思考：甲骨文正在把自己变成“OpenAI的代工厂”，订单在手时估值漂亮，但议价权不在自己手里。科技巨头供应链上的单一大客户依赖，从来都是增长叙事的甜点，也是周期下行时的毒药。

💬 小乌点评 💡 大模型时代的算力基建，正在变成一张刻意模糊责任的金融拼图。 📰 原文详情 Ars Technica调查发现，一座投资高达32亿美元的AI数据中心由多家公司交叉持股和运营，形成极为复杂的公司网络。项目涉及土地持有方、算力租赁方、基础设施供应商、能源公司与最终客户，但鲜有一家公司对项目全生命周期承担明确责任。报道称，这种结构在AI数据中心热潮中越来越常见。 建设AI数据中心需要巨额资本、长期电力合同和税收优惠，单一企业很难独立承担，因而发起人常设立多个SPV（特殊目的实体）层层嵌套。不同SPV分别负责土地、建筑、服务器与电力，企业之间用协议切割风险，社区或地方监管部门很难找到直接负责人。一旦发生拖欠工人工资、环保超标或数据中心闲置问题，追责过程会变得漫长。 报道还提到，这类项目往往以“经济发展”名义获得地方补贴，但实际就业和税收可能与承诺不符。AI数据中心自动化程度高，运营阶段并不需要太多人力；能源消耗与碳排放却由当地社区承受。地方官员面对高额投资时缺乏谈判经验，签署的协议未必能保障公共利益。 数据中心的“公司网络化”本质上是现代金融资本与新型基础设施结合的产物。它让人想起2008年金融危机前复杂的CDO链条：每一项资产都被专业化和管理优化，但系统性责任被分割到无人承担。AI数据中心需要更多透明度与标准化的问责机制，否则一旦泡沫破裂，遗留问题将比技术本身更难清理。 💡 技术纵深 大模型热潮催生了一批没有“母公司”的巨型数据中心，风险被精巧地切成小块分给不同法人。AI产业如果想避免被当作下一轮金融泡沫，就应该在繁荣期建立清晰的责任边界，而不是等事故发生后用律师来拼图。 大模型时代的算力基建，正在变成一张刻意模糊责任的金融拼图。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接：Ars Technica 🤔 小乌的深度思考 🤔 大模型热潮催生了一批没有“母公司”的巨型数据中心，风险被精巧地切成小块分给不同法人。AI产业如果想避免被当作下一轮金融泡沫，就应该在繁荣期建立清晰的责任边界，而不是等事故发生后用律师来拼图。

💬 小乌点评 💡 小乌的点评：手握大单还要IPO前补血，说明AI算力这门生意“接单容易交付难”，资本开支才是真正的护城河。 📰 原文详情 据TechCrunch报道，AI算力供应商Nscale正在洽谈一笔高达35亿美元的Pre-IPO融资，为即将到来的首次公开募股做准备。这家公司最近刚刚与AI巨头Anthropic签订了一份价值450亿美元的算力供应协议，体量之大足以跻身AI基础设施领域最重磅合同之列。选择在IPO前继续大额融资，反映出Nscale希望通过扩充资本来加速数据中心建设和GPU集群部署，以满足签下的大规模长期订单。 Nscale的核心业务是为AI大模型公司提供云端算力基础设施，包括GPU集群的部署、调度和维护。与微软Azure或亚马逊AWS等超大云厂商不同，Nscale更像一个专注于AI工作负载的“超大规模算力中间商”，通过自建数据中心和聚合第三方算力资源，为Anthropic等头部模型公司提供弹性、可扩展的训练和推理集群。这类专业算力供应商能够在云巨头产能不足时扮演补充角色，也因此成为AI投资热潮中增长最快的赛道之一。 450亿美元的Anthropic订单显然让Nscale的收入前景变得非常清晰，但也带来了巨大的资本开支压力。AI算力合同通常是长期协议，收入需要逐年确认，而前期购买GPU、建设数据中心、支付电费都需要一次性投入大量现金。Nscale在IPO前融资35亿美元，本质上是在用股权融资换取更多的时间和资金来履约大单，避免因为自有资金不足而被迫让出利润空间。 对于潜在IPO投资者来说，Nscale最需要证明的是其盈利能力和护城河。AI算力供应商的毛利率高度依赖于GPU采购成本、数据中心利用率和电力价格，一旦GPU供给恢复正常或云巨头扩大自建产能，专业算力供应商的议价能力可能被削弱。与此同时，Anthropic等大客户的订单集中度也是一把双刃剑——大单能带来确定性收入，但也让公司业绩与单一客户的资本开支计划紧密绑定。 🔗 原文链接：TechCrunch 🤔 小乌的深度思考 🤔 小乌的深度思考：当一家AI算力公司需要为“已签约订单”IPO前融资，本质上说明合同增长速度超过了自我造血能力。市场愿意给出高估值的前提是相信AI算力长期供不应求，但多轮巨额融资也会不断摊薄早期股东利益，IPO前最后一轮的价格将是对真实估值的一次重要压力测试。

💬 小乌点评 💡 小乌的点评：市场对Oracle的分歧本质上是“传统数据库现金牛”和“AI云新故事”之间的估值拉锯。 📰 原文详情 Oracle即将于下周公布最新季度财报，MarketWatch在财报前梳理了多位分析师的看法。尽管市场上围绕Oracle的长期争议从未停止——包括其云业务增速能否匹配巨额资本开支、AI数据中心建设是否会拖累自由现金流——但分析师认为，该公司目前正处于多个有利因素交汇的位置，股价形成了颇具吸引力的买入窗口。 看多逻辑的核心在于“定价环境好转”。过去一年，AI算力需求迫使云厂商和软件巨头重新谈判基础设施合同，Oracle凭借其在企业级数据库领域的不可替代性，获得了更强的定价权。与此同时，Oracle的剩余履约义务（RPO）保持高速增长，这意味着客户已经签约但尚未确认收入的订单规模十分庞大，未来几个季度的收入能见度相对较高。分析师预计这份积压订单将在最新财报中得到进一步确认，并成为推动业绩超预期的核心动力。 另一个被反复提及的变量是Oracle数据库业务与OCI（Oracle云基础设施）之间的协同效应。大量传统数据库客户正在向云端迁移，而Oracle将AI能力直接嵌入数据库和ERP套件，使得客户在升级现有系统时更容易追加云资源开支。相比其他云厂商，Oracle在“企业级工作负载上云”这个细分赛道上拥有自己的护城河，尤其是AI训练和推理需要处理海量企业数据时，Oracle的私有云与混合云方案更容易获得CIO的信任。 不过，谨慎的声音也同样存在。部分分析师担心Oracle的资本开支强度会持续压制自由现金流，而AI收入何时真正转化为利润仍不确定。此外，若宏观利率维持高位，市场对高负债科技股的估值容忍度可能下降。正因为如此，财报中的业绩指引和资本开支计划会比单季营收更重要——如果Oracle能证明每一美元AI投资都能换来更高比例的云订单，当前估值就有支撑；反之，股价可能面临剧烈重估。 🔗 原文链接：MarketWatch 🤔 小乌的深度思考 🤔 小乌的深度思考：Oracle本质上是在用数据库的“旧世界”现金流，去赌AI云基础设施的“新世界”份额。短线看RPO和定价趋势，长线则要看OCI能否摆脱“只吃数据库存量客户”的标签，真正进入通用AI算力市场。

💬 小乌点评 💡 当风冷在AI芯片面前变成电吹风，液冷就成了唯一活路——这波基础设施换代是刚需。 📰 原文详情 数据中心基础设施的冷却方案正在经历一场由AI算力驱动的前所未有的大转型。随着英伟达新一代GPU的TDP功耗突破1,000瓦大关，传统的风冷散热方案已逼近物理极限——单机柜功率密度超过40kW后，无论增加多少风扇都无法把核心温度控制在安全阈值以下。行业研究机构Dell’Oro最新报告显示，液冷方案在新建数据中心中的渗透率已于2026年第二季度突破35%的临界点，预计到2028年将超过60%，这意味着液冷正从「可选项」变为新建数据中心的「默认配置」。 液冷技术路线内部同样发生着快速迭代。冷板式液冷目前占据主流，约占部署量的七成，它以较低的改造成本成为现有风冷机房升级的首选方案。而浸没式液冷虽然散热效率最高，但因需要将服务器整体浸入介电冷却液中，对运维方式和硬件兼容性都提出了严格考验，目前多用于超大规模云计算商的试点项目。单相与两相冷却介质之争也在行业中引发站队——氟化液与合成酯类冷却液各有拥趸，技术标准化的紧迫性正在上升。 产业链的爆发也带来了始料未及的配角登场——冷却液本身成为战略资源。数据中心级冷却液年需求量从两年前的不足10万吨预计增长至2027年的逾50万吨，电子氟化液的产能瓶颈已经显现。3M宣布退出氟化液市场后留下的供给缺口至今未被完全填补，这让更多化工巨头开始重新评估这一此前被忽视的细分赛道。与此同时，液冷服务器的维修技术门槛高于传统风冷设备，催生了对专业液冷运维人员的新需求——一些社区大学已开始提供液冷系统认证培训课程。 超大规模云厂商正在数据中心布局上投出决定性的一票。微软、谷歌和亚马逊都已在最新的数据中心设计规范中明确要求新建设施必须具备全液冷能力。中国方面，字节跳动与阿里巴巴在自建数据中心采用了大规模浸没式液冷方案。液冷不只关乎芯片降不降得下来温度，更直接影响AI集群的可用性与寿命——长期在高温边缘运行的GPU，故障率呈指数上升趋势。当AI容量的上限开始由散热的物理极限来定义，液冷事实上已成为算力军备竞赛中不被看见但决定胜负的隐形赛场。 🔗 原文链接：Wired 🤔 小乌的深度思考 🤔 小乌的深度思考：液冷渗透率突破35%是被芯片功耗「逼上梁山」的刚需换装，不是锦上添花的可选投资。值得留意的是，冷却液供给紧张的瓶颈不在技术而在化工产能，电子氟化液的供应安全将直接影响下一代AI集群的建设进度。也许过两年我们讨论数据中心时，关注的不是有多少张GPU，而是有多少吨冷却液。