Latest / The Long View / 2026-08-01 · 深度｜AI 算力的三本账：芯片、债务与环境

Transcript

2026-08-01 · 深度｜AI 算力的三本账：芯片、债务与环境 · The Long View

0:07
欢迎收听The Long View的深度特辑。
0:09
今天我们花一整期，回答一个问题—造一座AI算力工厂，
0:15
到底要付出什么。
0:18
过去三年，全世界最贵的一件事，是给人工智能造"算力"，
0:23
也就是那些堆在数据中心里、专门做AI计算的芯片和机器。
0:28
你每次跟聊天机器人对话、每一次它生成一段文字或一张图，
0:32
背后都是成千上万块这样的芯片在运转。
0:35
这场建设的规模已经大到，它同时是一个硬件问题、
0:39
一个金融问题，和一个环境问题。
0:44
而平时的新闻，很少把这三样放在一起讲。
0:46
今天，我们就把它们放在一起，拆成三本账。
0:52
第一本账，是硬件的账。
0:54
芯片公司AMD，正在向那家几乎垄断了AI芯片的公司—英伟达—发起一次真正的挑战。
1:02
我们讲，英伟达那条叫CUDA的护城河，
1:05
到底是什么，为什么这么难跨。
1:08
第二本账，是金融的账。
1:10
这么多芯片、这么多数据中心，钱从哪来？
1:15
答案越来越是一个字—债。
1:18
我们讲一个叫"AI项目三位一体"的框架，
1:21
还有英伟达是怎么把自己变成"AI的中央银行"的。
1:26
第三本账，是物理世界的账，也是最容易被忽视的一本—这些芯片吃掉多少电、
1:32
多少水，制造和报废又留下多少污染。
1:36
先提醒一句，这也是今天从头到尾要守的一条线：前两本账，
1:42
来自半导体分析机构SemiAnalysis，
1:45
是有明确立场的深度分析，是他们的判断，
1:48
不是板上钉钉的事实；
1:51
第三本账，来自科技媒体The Verge，
1:55
是一篇建立在采访和研究之上的报道。
1:57
分析帮你看清结构，报道帮你看见代价—两样都要，
2:03
但得分得清哪样是哪样。
2:05
我们从硬件开始。
2:07
先搞清楚两个概念。
2:08
第一个是GPU。
2:09
GPU的全称是图形处理器，最早是给电子游戏画画面用的，
2:14
它擅长的，是同时做成千上万个简单的计算。
2:18
后来人们发现，训练人工智能模型，恰好也是这种"大量简单计算同时做"的活儿。
2:25
于是GPU从游戏显卡，变成了AI时代最抢手的硬件，
2:29
英伟达也靠它，从一家小众芯片公司，变成了全世界市值最高的公司。
2:36
第二个概念，是这一段的核心，叫CUDA。
2:39
CUDA是英伟达在二〇〇六年前后推出的一套软件。
2:43
你可以这样理解：芯片本身是一块硬件，
2:46
但工程师要让它干活，得用软件去指挥它。
2:50
CUDA就是这套指挥系统，它包括编程的语言、
2:54
现成的工具、大量写好的程序库。
2:56
英伟达花了将近二十年，把全世界的AI工程师，
3:00
都训练成了用CUDA的人。
3:03
这就是"CUDA护城河"的意思—它护住英伟达的，
3:06
其实不是芯片本身有多快，而是全世界的软件、
3:10
全世界的工程师习惯，都长在CUDA上。
3:13
你就算造出一块一样快的芯片，工程师也不愿意换，
3:16
因为换过去，很多软件得重写，很多坑要重新踩。
3:21
护城河，是软件和习惯，不是硅片。
3:25
你把这句话记住，因为它是这一整段的钥匙。
3:29
现在说这篇报道。
3:30
据SemiAnalysis的这篇深度分析，
3:33
主笔是Dylan Patel和他的团队。
3:36
这里要强调一句，这是理解今天整段的关键—这是一篇分析，
3:40
不是报道，它通篇是SemiAnalysis用自己的模型和供应链调研得出的判断和立场，
3:47
你要把它当作他们的观点来听，而不是中立的事实。
3:51
他们的核心判断，有一个很清楚的演变，
3:54
而这个演变本身，比结论更值得听。
3:58
他们说，当年发第一篇AMD软件文章的时候，
4:01
给AMD追上英伟达的机会打了零分，因为AMD的软件当时一塌糊涂—他们自己就是AMD软件最大的bug提交者，
4:10
连续好几个月都是，几十个AMD工程师在帮他们处理报错。
4:15
半年后，他们把这个判断上调到了"有意义的机会"，
4:19
而且是在市场对AMD情绪跌到谷底、大多数人觉得他们太乐观的时候上调的。
4:26
而这一篇，他们再次上调—从"有机会"上调到"很有机会成功，
4:31
只要AMD解决两个大风险"。
4:34
他们把功劳记在AMD的领导层上，说AMD的首席执行官苏姿丰—就是Lisa Su—很快就跟他们通了话，
4:43
采纳了很多建议；
4:44
他们看到的是一家终于意识到软件重要性、
4:47
并且有紧迫感的AMD。
4:49
你注意到没有—一家分析机构，公开说自己的建议在影响一家几千亿美元公司的战略，
4:55
这本身就是这个行业的一个奇特现象。
4:58
接下来这一段，可能会颠覆你的直觉：论芯片本身，
5:02
AMD并不落后，甚至领先。
5:05
SemiAnalysis说，AMD最新的这款芯片，
5:08
叫MI455XMI455XMI455XMI455XMI455XMI455X，
5:11
是从晶圆厂出来的、最先进的芯片。
5:14
几个具体的数字：它是第一款用台积电两纳米工艺的数据中心芯片，
5:19
而竞争对手都还在三纳米；
5:22
它用了台积电最先进的封装，把总共三千四百七十平方毫米的逻辑硅片塞进一个封装里，
5:29
是目前单个封装里硅片最多的；
5:32
它带的高带宽内存，也就是HBM，一共四百三十二G B，
5:38
而英伟达和谷歌的对应产品只有二百八十八G B；
5:42
内存带宽做到每秒二十三点三T B。
5:45
换句话说，AMD用堆料，堆出了纸面上领先的性能。
5:50
SemiAnalysis的原话是，AMD在硅片工程上又做到了。
5:55
但这里有个微妙的地方，也是分析的价值所在。
5:59
SemiAnalysis指出，尽管AMD塞了多得多的硅片，
6:02
它的性能优势其实相当"温和"—因为它在GPU的微架构设计上，
6:07
还落后英伟达一截。
6:10
也就是说，AMD是靠"堆料"来弥补设计上的差距。
6:14
这就引出了那个核心问题—问题恰恰印证了开头那句话，
6:18
护城河不在硅片。
6:21
SemiAnalysis说，AMD要成功，
6:23
必须解决两个风险，而这两个都不是芯片本身的问题。
6:27
第一个风险，是系统工程的问题。
6:30
这里要先解释一个词，叫机架级系统。
6:34
以前一块GPU是一块GPU，但现在的AI计算，
6:37
需要把几十上百块GPU用高速网络连成一个"整体"，
6:42
像一台超级机器一样协同工作，这一整套东西装在一个机柜里，
6:47
就叫机架级系统。
6:49
AMD第一套这样的系统，叫Helios，
6:52
把七十二块MI455XMI455XMI455XMI455XMI455XMI455X连成一个整体。
6:56
但它的量产爬坡很慢。
6:58
原因很技术，我帮你翻译一下：因为AMD有一个叫SerDes的信号传输设计比较弱，
7:05
它有高达百分之八十五的背板，需要额外加装叫"重定时器"的元件来修复信号，
7:12
每个机架要用超过五百五十个博通的芯片，
7:16
而且在量产时还遇到了背板可靠性的麻烦。
7:19
你不用记住这些名词，只要记住一件事：把七十二块最先进的芯片，
7:24
可靠地连成一台机器，本身就是一门极难的系统工程，
7:29
而这正是英伟达多年积累、AMD一时补不上的优势。
7:35
第二个风险，更根本，也更讽刺。
7:39
SemiAnalysis说，AMD工程师内部最大的抱怨是—他们缺稳定的GPU集群，
7:46
用来做软件开发和自动化测试。
7:50
也就是说，一家造AI芯片的公司，自己内部却没有足够稳定的芯片给自己的工程师用。
7:57
这听起来荒谬，但它在AI编程时代变得尤其致命。
8:01
为什么？
8:03
因为现在很多编程，是靠AI智能体来做的—每个智能体也要占用GPU，
8:08
去测试自己写的代码，一个人可以同时开几十个智能体，
8:12
需求量一下就暴涨了。
8:15
SemiAnalysis说，AMD内部可用于开发的GPU容量，
8:19
比英伟达少了一个数量级以上，而这直接拖慢了它软件进步的速度。
8:25
他们举了很具体的例子：在一个叫vLLM的关键软件上，
8:31
AMD本来在冲刺，想让它的测试通过率追平英伟达，
8:35
结果因为AMD领导层临时把集群抽走去别处用了，
8:40
进度直接大幅倒退。
8:42
他们反复在说同一件事—AMD的工程师是拼命的，
8:45
卡住他们的，是领导层在算力分配上的短视。
8:50
还有一个耐人寻味的细节：SemiAnalysis提到，
8:53
AMD对标CUDA的那套软件，叫ROCm，
8:56
它最重要的一些部分，还有那些真正懂"第一性原理"的推理工程团队，
9:01
大多在中国、在上海。
9:04
他们的原话是—ROCm软件栈里最重要的几块，
9:08
是在中国造的。
9:10
这是一句带着分量的观察，放在今天中美科技博弈的背景下，
9:14
尤其值得留意。
9:17
这一段里最反直觉的，是钱的部分。
9:19
SemiAnalysis披露，AMD用了一个很巧妙的财务安排，
9:24
给Meta和OpenAI接近百分之一百零五的股权返利折扣。
9:29
机制大致是这样：AMD拿出自己的股票期权，
9:33
当AMD的股价涨到六百美元这个水平、
9:36
并且这些客户买够了算力，就触发全额返利。
9:40
SemiAnalysis算下来的结论很夸张—他们说，
9:43
配上这个结构，Helios机架算下来，
9:46
每百万token的成本几乎是负的，等于AMD在白送Helios机架，
9:51
还额外倒贴百分之五，送给OpenAI这家旧金山的非营利机构。
9:57
为什么要这么干？
9:58
因为对AMD来说，抢下OpenAI、
10:00
Meta、Anthropic这样的头部客户，
10:03
本身就是打破CUDA护城河最关键的一步—只要头部客户开始认真用AMD，
10:09
全世界的软件生态，就会跟着往AMD迁移。
10:14
信号也确实在变强：Anthropic已经公开宣布，
10:17
要部署两吉瓦的AMD芯片；
10:19
微软在二〇二三年，曾经因为内存和软件问题抛弃过AMD，
10:23
跳过了好几代产品，现在又回来了，宣布要部署MI455XMI455XMI455XMI455XMI455XMI455X的Helios，
10:30
而SemiAnalysis判断，OpenAI会是这批机架的最终用户。
10:35
这一段的落点，是一个"有条件的乐观"：AMD在硅片上追上、
10:40
甚至反超了，但护城河从来不在硅片，而在软件和系统。
10:45
只要AMD解决内部集群和系统量产这两个问题，
10:48
它就很有机会拿下市场份额。
10:52
但SemiAnalysis也提醒—AMD拿份额，
10:54
不等于英伟达会变差，因为整个蛋糕在飞速变大，
10:58
英伟达的营收还会继续猛涨。
11:01
再强调一遍，这整段是SemiAnalysis的量化观点，
11:05
不是中立事实。
11:07
他们对AMD的判断，在一年里从零翻到"很有机会"，
11:11
这个反复本身，就说明这是一个还在剧烈变化、
11:14
充满不确定性的赌注。
11:16
硬件的账就讲到这里。
11:17
我们进第二本账，金融的账。
11:20
第一段讲的是芯片本身，这一段，我们讲更上游的问题：这么多芯片，
11:26
钱到底从哪来。
11:29
这一篇同样来自SemiAnalysis，
11:31
主笔是Daniel Nishball和团队，
11:34
同样是分析、是他们的量化判断，不是中立事实。
11:38
先说一个背景。
11:39
过去，AI的建设主要是几家巨头用自己的利润在造—谷歌、
11:44
亚马逊、Meta、微软、甲骨文，它们赚了钱，
11:48
拿钱去买芯片、建数据中心，这叫"现金流出资"。
11:51
但过去一年，这件事开始变了。
11:54
先是甲骨文，然后是Meta，现在连一向财大气粗的谷歌，
11:59
都开始转向借债。
12:00
为什么？
12:02
因为需求太大，利润跟不上了。
12:06
SemiAnalysis给出的数字很惊人：到二〇二九年，
12:09
跟AI相关的债务规模会超过七万亿美元，
12:13
成为仅次于美国房贷市场—大约十三万亿—的第二大资产支持债务市场。
12:20
而从二〇二四到二〇二九年，AI的累计资本开支会达到大约十一万亿美元，
12:27
光二〇二八年一年，就超过两万亿。
12:31
这么大的窟窿，主要得靠信贷市场，也就是借债，
12:34
来填。
12:36
要理解这场债务游戏，SemiAnalysis提出了一个很好用的框架，
12:40
叫"AI项目三位一体"。
12:43
它说的是，任何人想造一批AI算力，都必须同时凑齐三条腿。
12:49
这里要先引入一个词，叫Neocloud，
12:51
直译是"新云"，指的是那些不做别的、
12:54
专门买大量GPU然后租出去的公司，比如CoreWeave、
12:59
Firmus、SharonAI。
13:01
你可以把它想成"AI时代的算力包租公"。
13:04
那这些包租公，要凑齐哪三条腿呢？
13:08
第一条腿，叫资本，就是借钱，但今天的放贷方有个硬要求：你得先有一个"接盘合同"，
13:15
或者一家投资级巨头给你兜底，他们才肯借钱给你。
13:20
第二条腿，叫接盘，英文是offtake，
13:24
说白了就是"有人保证长期租你的算力"，
13:28
但要拿到接盘合同，你得先有股本金去下芯片订单；
13:33
而要融到股本金，投资人又要先看到你已经有接盘方和放贷方在位。
13:38
第三条腿，叫数据中心，你得说服机房运营商，
13:42
把地方租给你，可他们更愿意直接跟微软这样的巨头，
13:46
签十到十五年的长约，凭什么租给你一个信用不明的包租公？
13:51
你听出来了吧—这是一个死循环：要借钱得先有接盘，
13:56
要接盘得先有股本，要股本得先有借钱和接盘，
14:00
还要有机房。
14:02
三条腿互相卡着。
14:05
SemiAnalysis说，这不是不可能凑齐，
14:07
但每一单，都得靠巧妙的结构设计、靠私募股权在中间牵线、
14:12
再加上一点老派的冒险精神。
14:14
这个死循环还带来一个具体的痛点：市场上其实有一大批小买家，
14:19
很想要算力。
14:21
比如那些拿了风投的AI创业公司，它们手里有钱，
14:24
但它们要的是"大集群、短合同"—租一年、
14:28
甚至更短，好赶紧做出成绩、去融下一轮。
14:32
可现在的包租公，大多只肯签五年的长约，
14:35
逼得这些创业公司要么多付钱、要么租得比想要的少、
14:39
要么用上自己不想用的芯片。
14:42
做推理服务的公司尤其如此，它们绝不肯签超过一年的合同，
14:46
宁可不要算力，也不愿承担长期锁定的风险。
14:51
所以在短租这块，现在还是个卖方市场，
14:54
个别还肯做一年租约的包租公，甚至要求客户预付高达百分之百的合同金额—等于客户一次性把整个集群的钱都垫了，
15:04
包租公自己不掏一分钱现金，理论上是"无限的回报率"。
15:09
死循环怎么破？
15:10
答案是，英伟达自己下场了。
15:13
英伟达搞了一个叫"兜底"的项目，英文是backstop，
15:17
机制是这样的：英伟达向这些包租公，做一个"照付不议"的承诺—也就是保证，
15:24
这批GPU的算力，会有一个最低收入；
15:27
作为交换，如果实际租金超过这个保底线，
15:31
英伟达要从超出的部分里分一杯羹。
15:34
这一下，死循环就破了。
15:37
放贷方一看，英伟达用它AA级的投资级信用给你兜底，
15:41
那我就敢借，借的期限跟兜底一样长；
15:44
有了钱，包租公就能去开拓那些以前碰不到的短期租户；
15:49
英伟达甚至更进一步，开始直接去租数据中心、
15:53
再转租给包租公，把三方的复杂交易，简化成两方。
15:58
三条腿，一下都活了。
16:01
SemiAnalysis给了这个角色一个很精准的比喻：英伟达正在成为"AI的中央银行"。
16:07
中央银行是干什么的？
16:10
是在别人都不愿意出手的时候，提供流动性，
16:13
撑住经济活动，直到别人愿意接手为止。
16:17
市场上那一大堆小买家，想买GPU、也付得起，
16:20
但拿不出信用评级去说服放贷方，英伟达就站出来，
16:25
当这个"最后贷款人"。
16:27
具体的数字：英伟达的兜底一般是六年期，
16:30
在这六年里，它承诺按事先谈好、逐年变化的价格来买算力。
16:36
SemiAnalysis算，在一种典型情形下，
16:39
英伟达的平均抽成率大约是百分之十八到二十，
16:43
而且这笔收入几乎是纯利润、还年年都有。
16:48
但他们也点出一句关键的话—没有这个兜底，
16:51
这个集群，根本就不会存在。
16:54
已经落地的例子，目前都在亚太。
16:57
澳大利亚的SharonAI，一个七十二兆瓦的AI工厂，
17:01
在六年兜底下要扩到四万块英伟达的GB300300芯片，
17:06
兜底总值四十八点八亿美元，折算下来，
17:10
等于英伟达给每块GPU每小时保了大约两点三美元的底。
17:15
印尼巴淡岛的Firmus，一个三百六十兆瓦的集群，
17:18
预计六年带来两百五十到三百亿美元的客户收入—SemiAnalysis说，
17:25
这个兜底，让Firmus的业务规模，
17:28
一下放大了一个数量级。
17:31
那英伟达图什么？
17:32
SemiAnalysis的解读很精彩。
17:35
它说，你可以把英伟达的买家，想象成四个一圈套一圈的池子，
17:40
越往里越窄，但英伟达从每一圈赚的钱越深。
17:45
最外面一圈，是所有买芯片的人，英伟达只赚一次硬件的钱；
17:49
往里一圈，是把芯片拿去做租赁生意的包租公，
17:53
是回头客，但英伟达赚的还是硬件钱；
17:57
再往里，是拿到英伟达官方认证、给了优先供货和技术支持的包租公；
18:03
最里面一圈，才是那些又是认证、又拿了兜底的包租公—对这一圈，
18:09
英伟达把一次性的硬件买卖，变成了经常性的、
18:12
近乎纯利润的收入流，还拿到了对下游租赁经济的一部分索取权。
18:17
SemiAnalysis的总结是一句话：英伟达既把蛋糕做大了，
18:22
又切走了更大的一块。
18:25
但SemiAnalysis也老老实实列了这个模式的几个障碍，
18:30
这些是听这一段时，要一起装进脑子的"另一面"。
18:35
第一，巨头的兜底能力不是无限的，一旦它们的资产负债表撑不动了，
18:40
超出那个五年模板的项目，就没人肯借了。
18:43
第二，放贷的银行，大多还在学习曲线的很早期，
18:48
对AI集群的真实成本、对"token经济"一知半解，
18:53
还躲在投资级兜底这块盾牌后面。
18:57
第三，也是最要命的—目前几乎没有一个像样的GPU租金价格指数，
19:01
也没有一个活跃的市场，能告诉你一块用过的GPU到底还值多少钱。
19:07
这在别的行业是不可想象的：你给一栋楼、
19:09
一架飞机放贷，都知道它二手能卖多少，
19:12
但GPU不知道。
19:14
换句话说，这套可能高达七万亿美元的债，
19:17
很大程度上，是建立在一个还没人真正知道怎么给它定价的资产上。
19:22
这，就是这一段最值得记住的悬念。
19:26
SemiAnalysis顺便还提了一句竞争的暗线—英伟达之所以要加速自己下场租数据中心，
19:33
是因为它得跟谷歌抢，谷歌也在用类似的兜底方式，
19:37
对外兜售自家的TPU芯片。
19:40
说完金融，我们进第三本账，物理世界的账，
19:43
也是最容易被忽视的一本。
19:45
前两段都是SemiAnalysis的分析，
19:48
是从资本市场和工程的角度看这场建设。
19:51
这一段，我们换一副眼镜，也换一种材料的性质。
19:55
这一篇来自The Verge，记者是Justine Calma，
19:59
一位专门跑环境线的记者。
20:02
跟前两篇不同，这是一篇报道，不是分析—它建立在采访、
20:06
实地走访和一批学术研究之上，把抽象的"AI能耗"，
20:11
落到了具体的工厂、具体的排放、具体的社区冲突上。
20:16
它问的，是一个前两段都没问的问题：造这一切，
20:19
物理世界要付出什么代价。
20:22
先给一个数字，感受一下这条曲线有多陡。
20:25
英伟达来自数据中心业务的季度营收，二〇一八年是六亿美元，
20:29
到二〇二六年，是六百二十三亿美元，八年涨了一百倍。
20:34
而美国，是全世界数据中心最多的国家，
20:37
还在大建特建—报道引的一份统计里，光弗吉尼亚州就有七百五十多座、
20:44
得州有五百六十多座。
20:46
这些庞然大物，正一栋一栋地，盖到美国人的家门口。
20:51
这条营收曲线的另一面，就是这一段要讲的账。
20:54
先说电。
20:55
The Verge引述的研究，给了一组很有画面感的对比：训练一个像Meta的Llama3.13.13.1那样大的模型，
21:02
所产生的空气污染，相当于在纽约和洛杉矶之间开车往返一万次，
21:07
大约是九十三年的驾驶量。
21:09
这个估算，来自加州大学河滨分校的研究者任少雷，
21:13
和加州理工的同事。
21:15
任少雷这个人值得一提—他在中国北方一个煤矿区长大，
21:19
小时候要二十四小时关着窗，挡外面街上积的黑碳，
21:23
家里还得用水箱存水、一天一天省着用。
21:27
他现在研究的，正是数据中心对周边社区空气和水的影响，
21:32
那些每次你在聊天框里敲一句话时看不见的代价。
21:36
他和同事那项研究还估算，到二〇二八年，
21:39
AI带来的公共健康成本可能超过两百亿美元，
21:43
到二〇三〇年，每年可能因空气污染，导致一千三百人过早死亡。
21:49
再看总量。
21:49
作为对比，美国的电子游戏，一年大约耗电三十四T W h—T W h是太瓦时，
21:57
你可以理解成一个衡量用电量的大单位。
22:00
而美国数据中心里这些AI服务器的年耗电，
22:03
二〇一七年只有两T W h，到二〇二三年涨到超过四十，
22:09
劳伦斯伯克利国家实验室预测，到二〇二八年，
22:13
可能冲到一百六十五到三百二十六。
22:16
低的那个数，就已经大约等于八百七十万个美国家庭一年的用电。
22:20
二〇二五年，AI的耗电很可能已经超过了比特币挖矿，
22:25
占到全球数据中心用电的将近一半。
22:29
再说水，这是很多人想不到的一笔账。
22:32
给这些芯片供电、还要给它们降温，都要用水。
22:35
The Verge引述的估算是，二〇二五年AI可能用掉了三千一百二十五亿到七千六百四十六亿升水，
22:44
差不多是全世界人一年喝掉的瓶装水那么多。
22:48
但任少雷提醒了一个更关键的点：光看年度总量，
22:51
是不完整的。
22:53
因为数据中心用水是"尖峰式"的—天气最热的时候，
22:57
它降温最费水，而这恰恰是当地社区自己也最缺水、
23:01
最容易干旱的时候。
23:03
他给了一组对比：用水高峰时，一个普通家庭的用水量，
23:07
可能是平时的一点五到两倍五倍，而一个数据中心，
23:11
可能是平时的六到十倍，一些超大项目，
23:14
甚至可能是三十倍。
23:16
他算，照这个趋势，到二〇三〇年，美国数据中心可能需要每天，
23:21
多出多达十四点五亿加仑的尖峰供水能力，
23:26
满足这个需求，要花高达一百亿美元—而这笔钱，
23:31
往往落在那些本就资金不足的小社区水务系统头上。
23:35
The Verge这篇报道，有一个很好的结构，
23:37
叫"从摇篮到坟墓"，把一块GPU从出生到报废的全过程，
23:43
都算了一遍账。
23:44
先说"出生"，也就是制造。
23:47
波恩大学的博士生Sophia Falk和同事，
23:50
真的把价值几万美元的显卡，扔进工业搅拌机，
23:54
研究它们到底是什么做的。
23:57
她发现，英伟达一款叫A100100的芯片，
23:59
百分之九十的质量是重金属，主要是铜、
24:03
铁、锡、镍。
24:05
光是铜，一块A100100大约要一点四公斤。
24:08
而训练一个GPT4级别的模型，可能要用一千一百到八千八百块A100100，
24:14
这意味着最终，可能要开采、并且倾倒多达七吨的有毒元素。
24:21
AI的热潮，正在加剧全球的铜短缺—而大型铜矿最大的风险之一，
24:27
是"酸性排水"，会污染附近的水源。
24:30
再说制造过程里的化学品。
24:33
报道提醒，芯片制造从一开始，就留下过一笔"有毒遗产"—硅谷所在的圣克拉拉县，
24:40
就是全美国联邦"超级基金"污染治理点最多的地方，
24:44
因为当年芯片厂地下储罐泄漏的化学品，
24:46
污染了饮用水。
24:48
今天，生成式AI又在催生一批新的芯片厂。
24:52
台积电已经在亚利桑那州的凤凰城建厂，
24:55
给英伟达造Blackwell芯片；
24:57
而当地居民最担心的，是一种叫PFAS的"永久性化学品"—它跟肾癌、
25:04
睾丸癌等健康风险有关联，可能污染本就干旱脆弱的水源。
25:09
就在去年凤凰城的一个半导体行业大会上，
25:12
主办方的负责人在演讲里直接问：我们有足够的能源撑下去吗？
25:16
他自己的答案是—没有。
25:20
一位叫Cheryl Orosco的退休居民，
25:24
对记者说，"这太可怕了……这是我们永远的家"，
25:29
说着，把手按在了胸口。
25:32
最后说"坟墓"，也就是电子垃圾。
25:35
研究者Alex de Vries-Gao—就是那个靠追踪加密货币能耗出名的人—估算，
25:42
到二〇三〇年，AI服务器每年可能产生十三万到二十二万五千吨电子垃圾，
25:48
相当于丹麦、挪威或奥地利这样一个国家的全部电子垃圾。
25:53
而全球每年产生的电子垃圾里，只有大约百分之二十二被正规回收，
25:58
剩下的，流入"非正规"部门—常常是在低收入国家，
26:03
由工人、甚至可能有童工，徒手拆解，靠焚烧、
26:08
填埋，来提取值钱的金属，把铅、铬这些有毒物质，
26:13
释放到空气和地下水里。
26:15
报道还点了一句：美国至今没有批准那份限制有害废物跨国转移的国际公约，
26:21
所以有调查发现，美国的回收商，把电子垃圾运到了海外。
26:26
一篇好的报道，会给反方留位置，这篇也不例外。
26:30
反方最有力的一个数字是：数据中心在二〇二四年，
26:34
只占全球用电的百分之一点五。
26:37
听起来不多，对吧？
26:40
但研究者Sophia Falk的回应是—重要的不是当前的绝对值，
26:43
而是数据中心能耗那种指数级的增长速度。
26:48
另一位研究者补了一刀：AI正在挤占本该用于别处的电，
26:52
比如，我们想电气化交通系统，现在却因为AI多用了电，
26:57
而受了阻。
26:58
英伟达自己的辩护，是"效率"。
27:00
它在给The Verge的邮件里说，
27:02
它最新的Blackwell Ultra架构，
27:04
比上一代效率高五十倍，过去六代架构，
27:08
每兆瓦的推理吞吐量提升了一百万倍。
27:11
英伟达可持续发展的负责人打了个比方—如果汽车的燃油效率也这样提升，
27:16
一加仑汽油，就够往返月球一趟了。
27:20
但报道紧接着，点破了这个辩护的软肋，
27:23
这也是这一段最深的一层：效率提升，反而可能刺激人烧掉更多资源。
27:30
这在经济学里，有个名字，叫"杰文斯悖论"—一样东西用起来越省，
27:36
人们反而用得越多，总消耗不降反升。
27:41
研究者Falk提了一个更根本的问题：一个AI模型，
27:45
可能规模翻倍，只为了换来百分之二的能力提升—这值得吗？
27:50
她说，我们需要一个"够了"的概念—这个模型已经足够好了，
27:55
我们到底在哪里停下来。
27:57
这一段的落点是：这篇报道，最有价值的，
28:00
不是任何单一数字，而是它把"你在手机上，
28:04
跟聊天机器人说一句话"，和"某个社区被抽干的水、
28:09
某个孩子在拆解你的旧显卡"，用一条链子连了起来。
28:13
它反复引用研究者的一句话是—当我们用AI的时候，
28:17
我们容易忘记，这对我们周围真实的世界是有影响的，
28:21
这是一种眼不见、心不烦。
28:24
作为报道，它没有替你下结论说AI不该建，
28:28
它做的，是把这本一直被算在账外的账，
28:31
摆到了桌面上。
28:33
好，三本账讲完了，我们回到开头那个问题—造一座AI算力工厂，
28:38
到底要付出什么。
28:40
第一本账，硬件的账，告诉我们：真正的壁垒，
28:44
不是芯片有多快，而是软件生态和系统工程，
28:48
那条二十年积累下来的护城河；
28:51
AMD在硅片上追上来了，但护城河还在。
28:55
第二本账，金融的账，告诉我们：这场建设的规模，
28:59
已经大到利润喂不饱，只能靠债，一笔可能冲到七万亿美元、
29:04
却还没人真正学会怎么给它定价的债，而英伟达，
29:09
正在把自己变成撑住这一切的"中央银行"。
29:12
第三本账，环境的账，告诉我们：所有这些芯片、
29:17
这些机架、这些债，最后都要落到物理世界里—落到电网、
29:22
落到水、落到某个社区的空气和某个国家的垃圾场里。
29:27
把三本账放在一起，你会发现它们其实指向同一件事：AI算力的真实成本，
29:34
远比我们盯着的那个芯片价格要深。
29:37
它藏在软件的护城河里，藏在债务的结构里，
29:39
也藏在那些眼不见、心不烦的地方。
29:43
理解了这三本账，你再去看任何一条关于"英伟达又涨了""某公司又建数据中心了"的新闻，
29:49
就不会只看到表面的那个数字了。
29:52
最后再提醒一句，也是我们今天从头到尾在守的一条线：前两本账来自SemiAnalysis，
29:58
是有明确立场的分析，是他们的判断，
30:01
不是板上钉钉的事实；
30:03
第三本账来自The Verge，是建立在采访和研究之上的报道。
30:09
分析帮你看清结构，报道帮你看见代价—两样都需要，
30:13
但要分得清哪样是哪样。
30:15
这一期深度就到这里，感谢你听到最后，
30:19
我们下期见。