在不少欧美观察者眼里，中国科技这些年的接连突破，始终是一道难解的题。要看清其中的关键，不妨先看看当下最热门的人工智能产业，在美国正遭遇什么。

人工智能正在渗透到各个角落。在硅谷，技术人员中流行一种叫“token maxing”的做法，就是比拼谁消耗的token更多。

token是驱动AI模型的基本数据单位，通常对应一个词或一个符号，人们借此炫耀自己用了多少AI。用量确实惊人。

AI模型交易平台OpenRouter的数据显示，今年1月到3月，平台每周处理的token数量翻了两番。问题在于，支撑AI的产业并没有以同样的速度扩张，一场供应紧缩可能正在逼近。

事实上，AI公司已经难以跟上需求，近来甚至开始限制部分工具的使用。大型模型开发商Anthropic最近修改了服务条款，劝阻大量用户在高峰时段占用算力。

OpenAI则关停了视频生成工具Sora，把稀缺的计算资源转投到更赚钱的业务上。在整个技术栈上，各家公司都在设法用现有的处理能力去满足需求。

短缺的究竟是什么？AI模型的运行依赖性能强大的处理器，也就是GPU（图形处理器）。

这些芯片安置在大型数据中心里，成千上万块GPU通过光网络等设备连接在一起。眼下，科技界满足当前需求所需的处理能力正在耗尽。

这一点之所以关键，在于“推理”，即模型回应用户提问的过程，每次都要消耗算力。用AI的人越多，需要的计算资源就越多。

AI需求呈指数级增长，处理能力很难跟上。

AI公司的首要对策是砸巨资建数据中心。今年，亚马逊、Meta、微软等美国五大云服务商在AI数据中心上的投入接近7000亿美元。

资金充裕的Anthropic和OpenAI也在大手笔签订各类协议，锁定所需资源。对科技公司来说，答案就是不停地建。

砸钱最终或许有效，但扩充产能需要时间。在美国，不少数据中心项目遭到当地居民反对，他们担心项目消耗电力、土地和水资源，工期因此拖延。

更紧迫的是，行业正在用光装备数据中心的设备。变压器、开关这类过去很少有人在意的“老派”设备如今严重短缺，部分交付周期长达三到五年。

另一个问题出在处理器本身：GPU的生产速度和数量都满足不了数据中心的需求。在支撑AI的各层技术中，短缺无处不在，这也正是这轮紧缩更令人担忧的地方。

供应商确实在扩产，但软件和硬件的节奏完全不同。人们已经习惯AI每隔几个月就有大幅进步，而硬件扩产需要两到四年，因为必须真正建起实体工厂。两者之间存在根本性的脱节。

半导体行业还有几个关键瓶颈，核心部件掌握在少数公司手里。第一个是英伟达。

这家全球市值最高的公司占据了全球AI算力的三分之二以上，如今它的芯片已经售罄。第二个是台积电。

英伟达的芯片要靠台积电生产，而台积电的晶圆产能同样不足。处理器供不应求，上游的晶圆又跟不上，层层叠加，让这轮紧缩更难缓解。

业内大人物也在想办法。OpenAI首席执行官奥尔特曼公开谈到算力短缺的压力；马斯克则提出要建设名为Terafab的芯片工厂，自己解决芯片供应问题。

但无论是新建晶圆厂还是扩大芯片产量，都绕不开前面提到的那条规律：硬件扩产需要实打实的时间。

把这些环节放在一起看，美国AI产业面临的是多层同时承压的局面：GPU售罄，晶圆产能不足，变压器、开关要等三到五年，数据中心项目因居民对电力、土地和水资源的担忧而延误。任何一层出现短板，都会拖住整个产业的脚步。

在这些环节中，电力是最底层的一环。芯片要装进数据中心，数据中心要接上电网，而美国居民反对数据中心时，电力正是他们担心的问题之一。

同样的问题，在中国呈现出另一番局面。2024年，中国全年发电量约10.16万亿千瓦时，约占全球三分之一。

2022年启动的“东数西算”工程，把训练和离线计算放到风光资源丰富的西部枢纽，让算力靠近电力。支撑这一布局的，是中国长期建设的特高压电网，2013年，中国的特高压交流电压标准被国际电工委员会采纳为国际标准电压。

AI时代的竞争，并不只发生在代码和算法之间。美国的困境说明，当一项新技术需要大规模落地时，芯片、晶圆、设备和电力缺一不可。

芯片和晶圆厂的瓶颈需要时间去解，而在电力这一层，中国已经打下了厚实的底子。

欧美之所以至今看不透中国科技为何接连爆发，很大程度上是因为忽视了这一层：充足而可调度的电力，是新技术大规模落地最底层的支撑。