太陽每秒鐘向外輻射的能量，大約是3.86乘以10的26次方瓦，這一數值是當前人類社會全球總發(fā)電量的一百萬億倍以上。而部署在晨昏太陽同步軌道上的衛(wèi)星，其太陽能板幾乎可以不間斷地接收到光照，一年下來所接收的能量是在地球中緯度地區(qū)同樣面積太陽能板接收能量的8倍。
捕日者計劃與衛(wèi)星公司Planet Labs合作，在距離地面650公里的低地球軌道上，部署一個由81顆衛(wèi)星構成的AI計算集群。按照設計，這些衛(wèi)星將在半徑1公里的空域內協同工作，彼此之間的距離維持在100到200米。該計劃預計在2027年初發(fā)射首批兩顆試驗衛(wèi)星，以驗證方案的可行性。
盡管谷歌曾經表示，其在一年內已將旗下Gemini模型的單次查詢能耗降低了33倍，但很顯然，谷歌仍然需要電力。
在太空中利用太陽能發(fā)電并非新的概念，但長期以來受困于一個核心難題，那就是如何高效、安全地將產生的電力傳輸回地面。無論是采用微波束還是激光束，能量在傳輸過程中的損耗和對地面環(huán)境的潛在影響都使其難以大規(guī)模實施。
“捕日者計劃”的思路則選擇繞開了這個環(huán)節(jié)。它并不打算將數據傳回地球，而是在太空中直接利用這些電力進行計算，只將計算完成后的結果傳回地面。
地面上的TPU超級計算機集群，使用的是定制化的低延遲光學芯片互連技術，每個芯片的吞t量能達到每秒數百吉比特（Gbps）。
而目前商用的衛(wèi)星間光通信鏈路，數據速率通常只在1到100Gbps的范圍內，這遠不能滿足AI計算集群內部大規(guī)模數據交換的需求。谷歌提出的解決方案是采用密集波分復用技術，理論上可以讓每條衛(wèi)星間鏈路的總帶寬達到每秒約10太比特（Tbps）。
谷歌對外解釋了很多關于“捕日者計劃”的難題以及解決辦法，比如如何控制集群編隊、如何抵抗輻射等等。
但谷歌并沒有解釋該如何散熱。
這是一個非常棘手的物理問題，真空中是沒有空氣對流的，熱量只能通過輻射方式散發(fā)出去。谷歌曾經在一篇論文中提到，需要使用先進的熱界面材料和熱傳輸機制，并且最好是被動式的以保證可靠性，從而將芯片產生的熱量高效傳導至專用的散熱器表面進行輻射。關于這部分的技術細節(jié)，論文中并未提供太多信息。
事實上，將數據中心送入太空的想法并不只有谷歌一家。就在谷歌公布計劃的前幾天，一家名為Starcloud的初創(chuàng)公司已經發(fā)射了搭載英偉達H100芯片的衛(wèi)星，并宣稱要建設一個擁有5吉瓦功率的天基數據中心。埃隆·馬斯克也曾表示SpaceX“將會做”太空數據中心。
2025年5月，中國的之江實驗室與國星宇航合作的“三體計算星座”首批12顆計算衛(wèi)星已成功發(fā)射并組網。
所以在送AI去太空這個問題上，雖然聽起來很新穎，但是大家的目的都是一樣的，想用電，那就去那里上面拿，地面上電不夠你們用的。
造成AI對電饑渴這一局面的，主要歸罪于英偉達。這家公司的GPU產品，從Ampere架構到Blackwell架構，僅僅過了4年，功耗就增長了數倍。
一個使用Hopper架構GPU的服務器機架，額定功率約為10千瓦；而到了Blackwell架構，由于GPU數量的增加，機架功率接近120千瓦。
而且，由于現在GPU的單位都是萬。數萬塊GPU相互交流的時候還要借助英偉達的互聯技術NvLink技術以提升交流效率。而每一條NvLink的鏈路功耗就有4到6瓦，兩塊GPU之間有18條鏈路，這些NvLink又要集中到NvSwitch上以實現非阻塞連接，而一個NvSwitch的功耗是50到70瓦。
若一個GPU集群擁有1萬塊H100，那就需要157個NvSwitch和9萬條NvLink鏈路。那其公號大概就是要730千瓦到1100千瓦之間。
還沒完，GPU在散熱方面也是耗電大戶。最常見的8卡H100服務器，如果采用的是風冷系統，功耗就要達到150瓦，所以一個萬卡集群，光是散熱就需要187千瓦。
當前，大型科技公司之間的競爭，其衡量標準已經從傳統的計算能力單位，轉向了能源消耗單位“吉瓦”（GW）。像OpenAI和Meta這樣的公司，都計劃在未來幾年內增加超過10吉瓦的計算能力。
作為一個參照，AI行業(yè)消耗1吉瓦的電力，足以供應大約100萬個美國家庭的日常用電。國際能源署在2025年的一份報告中估計，到2030年，人工智能領域的能源消耗將翻一番，其增長速度幾乎是電網自身增長速度的四倍。
高盛預測，到2027年全球數據中心電力需求預計將增長50%，達到92吉瓦。而美國數據中心電力需求在總電力需求中的占比，將從2023年的4%，增長到2030年的10%。此外，高盛還指出一些大型數據中心園區(qū)的電力接入請求，單個項目確實能達到300兆瓦到數吉瓦的級別。
但是，有意思的來了。
NextEra Energy是北美最大的可再生能源公司，而跟蹤美國公用事業(yè)板塊表現的代表性行業(yè)ETF名為XLU。過去52周，NextEra的漲幅為11.62%，ETF XLU的漲幅為14.82%，但同期標普500指數的漲幅卻達到了19.89%。
如果人工智能行業(yè)真的面臨嚴峻的電力短缺，那么作為電力供應方的能源公司和公用事業(yè)板塊，理應獲得超額的市場回報，而不是連大盤都跑不過。
對此，納德拉講出了一個關鍵線索。他說“電網接入審批需要5年”，而且“輸電線路建設則需要10到17年”。
而與此同時，GPU的采購周期是以季度來計量的，數據中心的建設周期通常為1到2年，人工智能需求的爆發(fā)速度則是以季度為單位在變化。
這些時間尺度之間存在著數量級的差異，由此產生的時間錯配，正是納德拉說AI缺電的的本質所在。
而且對于納德來來說還有一個當下沒辦法解決的煩惱。2020年微軟曾宣布，在保護生態(tài)系統的同時“實現碳負排放、用水凈增并實現零廢棄”。
然而現實情況是，目前微軟數據中心所使用的電力中，近60%仍然來自包括天然氣在內的化石燃料。這所產生的年度二氧化碳排放量，大約相當于54000戶普通美國家庭的排放總和。
另一方面，國際能源署在2025年10月發(fā)布的《可再生能源報告》中指出，全球發(fā)電能力的增長速度，可能會超過包括人工智能在內的新增電力需求。
報告提出，在2025至2030年這五年期間，全球可再生能源裝機容量將增加4600吉瓦，這一增量的規(guī)模，大致相當于中國、歐盟和日本三個經濟體當前裝機容量的總和。更進一步，報告預計這五年的新增裝機容量，將是之前五年增量的兩倍。
這里要特別要提到的就是核能。核能是唯一能夠提供穩(wěn)定、大規(guī)模、低碳電力的選擇。傳統大型核電站的問題是建設周期長、成本高、風險大。但小型模塊化反應堆(SMR)正在改變這個局面。SMR可以像制造飛機或汽車一樣在工廠里批量生產標準化模塊，然后通過鐵路或公路運輸到現場進行組裝，類似于"樂高積木"式的建造方式。
SMR的單機容量只有50-300兆瓦，比傳統核電站的1000-1600兆瓦小得多，但這恰恰是它的優(yōu)勢。更小的規(guī)模意味著更短的建設周期、更低的初始投資、更靈活的選址。SMR可以在工廠里批量生產，然后運到現場組裝，大幅降低成本和風險。
SMR是當下最火最潮的發(fā)電方式。谷歌曾與Kairos Power簽署協議，購買了500兆瓦的SMR核電，這是科技公司首次直接投資SMR技術。微軟則是在2024年1月，聘請了曾在Ultra Safe Nuclear Corporation（USNC）的核戰(zhàn)略與項目總監(jiān)，來擔任微軟核技術總監(jiān)。其目的就是開發(fā)SMR以及更小的微型模塊化反應堆（MMR）。
換句話說，微軟缺的不是電，而是時間。
相較于能源方面，減少AI自身的功耗也是一條重要的發(fā)展方向。
奧特曼的觀點是，每單位智能的成本每年下降40倍，很可能我們幾年后就不需要這么多基礎設施了。而且如果突破持續(xù)，個人級通用人工智能可能在筆記本上運行，進一步減少發(fā)電需求。
奧特曼曾寫過一篇文章，以自家產品為例，解釋過這個問題。文章中寫到，從2023年初的GPT-4模型到2024年中的GPT-4o模型，僅僅過了一年，每個token的成本，降低了大約150倍。在算力不變的前提下，同樣的業(yè)務，在AI不同的發(fā)展階段，所需要消耗的電力就會減少。
他說這種幅度的價格下降，如果僅僅依靠硬件成本的線性降低是無法實現的，其背后必然包含了算法優(yōu)化、模型架構改進和推理引擎效率提升等多方面的綜合作用。
斯坦福大學2025年人工智能指數報告(HAI）中證實了這個說法，報告中寫到：在18個月內,達到GPT-3.5水平(MMLU準確率64.8%)的AI模型調用成本，從2022年11月的20美元/百萬token驟降至2024年10月的0.07美元/百萬token，成本下降了280倍。
在硬件方面，GPU現在增加了兩個新的能效衡量單位:TOPS/W(每瓦萬億次運算)和FLOPS per Watt(每瓦浮點運算次數)。這樣的單位，是為了能夠更直觀地看到能效方面的突破。
比如Meta發(fā)布的第五代AI訓練芯片Athena X1，在低精度的前提下，能效比達到了32TOPS/W，較前代提升200%，空載功耗下降87%。英偉達H100哪怕在FP8這樣低精度的范圍里，其能效比也只有5.7TFLOPS/W。
不過對于一些高精度的訓練任務，仍然需要使用H100，這也是為什么Meta要大規(guī)模采購幾十萬塊英偉達的GPU。
Epoch AI的研究數據顯示，機器學習硬件的能效正以每年40%的速度提升，每2年翻一番。新一代AI芯片的能效提升顯著。
英偉達的H200 GPU相比上一代H100，能效提升了1.4倍?？雌饋磉€有很大的提升空間。
從宏觀角度看，數據中心本身的能效才是最值得關注的數字。通常使用PUE(能源使用效率)來衡量數據中心的能耗情況。
PUE的理想值是1.0，意味著所有電力都用于計算，沒有浪費在冷卻和其他輔助系統上。十年前，數據中心的平均PUE是2.5，現在是1.5，谷歌的最新數據中心已經降至1.1。這意味著同樣的計算任務，現在只需要當年一半的電力。液冷技術、免費冷卻、AI驅動的能源管理系統正在繼續(xù)推低這個數字。
但無論哪種結局，能源行業(yè)都因為AI而完成了重塑，即便未來AI的需求減少，能源行業(yè)的興盛也會推動其他行業(yè)發(fā)展。
快報
根據《網絡安全法》實名制要求，請綁定手機號后發(fā)表評論