AI的最大瓶颈：能源与散热

a16z · 2026-01-26🎬 在 YouTube 观看原视频 →

摘要

本期 a16z 增长基金合伙人 David George 与 Monique 深入探讨了 AI 产业当前面临的最大瓶颈以及增长阶段投资的宏观格局。随着大型科技公司年资本支出飙升至约 4000 亿美元——其中绝大部分投向 AI 基础设施和数据中心建设——能源供应已成为最紧迫的制约因素。核能复兴、天然气就近部署等方案正在推进，但 David 预测未来五年能源将始终是核心瓶颈。紧随其后的是散热（冷却）问题：当芯片密度和功耗持续攀升，如何在避免芯片熔毁和环境灾难的前提下高效散热，将催生新一轮创新浪潮。

除基础设施层面外，讨论覆盖了 AI 市场规模、商业模式进化、应用层公司的毛利与粘性、竞争格局以及 a16z 的投资策略。核心论点包括：AI 的市场机遇远超传统软件市场（美国白领薪酬支出占 GDP 的 20%，而软件支出仅占 1%）；这一次与 2000 年互联网泡沫不同，因为需求信号清晰且建立在已有互联网与云计算基础之上；ChatGPT 仅用 2 年达到 Google 用 11 年才实现的 3650 亿次搜索量；尽管面临输入成本下降和定价压力，消费端 AI 产品的粘性出乎意料地强。David 还分享了评估 AI 公司商业质量的框架，以及初创企业挑战现有软件巨头的三条路径：UI/UX 重构、新数据获取和商业模式创新。

正文

一、科技市场与增长投资的新格局

David George 开场从宏观视角切入：科技市场比以往任何时候都大，美国前十大市值公司中有七到八家是科技企业，"科技已经吞噬了整个市场"。与此同时，公司保持私有化的时间越来越长——这一趋势自增长基金成立以来持续加速。对 a16z 而言，这既是机遇也是挑战：既能在私募市场更长时间地参与公司成长，又必须高度关注 DPI（实收分配）和回报实现。

然而，最大的变量是 AI 的出现。David 指出，AI 公司正以前所未有的速度扩张规模，所需投资金额也远超以往任何技术周期。"这将是未来十到十五年我们做新投资的巨大顺风。"

二、AI 基础设施的超级建设周期

David 提供了一组令团队内部都觉得"过于保守"的数据：仅以大型科技公司最近一个季度的资本支出（CapEx）年化计算，总额已约 4000 亿美元，其中绝大部分流向 AI 基础设施和数据中心。最关键的是，承担这一巨额建设负担的恰恰是全球最强大的公司——Google、Meta、Amazon、Microsoft——它们有能力承受潜在的产能过剩。

"基础设施正在为市场未来所需的全部训练和推理需求而建设，这对所有构建在 AI 之上的公司而言都是重大利好。" David 强调，底层基础设施越完善，应用层的创新空间就越大。

三、成本骤降与能力跃升：超越摩尔定律

在基础设施大规模建设的同时，AI 的投入成本（输入成本）和质量正在发生戏剧性变化。David 展示了一组关键数据：过去两年，访问这些模型所需的成本下降了超过 99%——相当于 100 倍级别的降幅，速度远超摩尔定律。与此同时，模型在前沿能力上大约每七个月以双倍因子的速度提升。

a16z 的内部判断是：AI 最终将像电力或 Wi-Fi 一样普及。"你不会在朋友家使用电力时说『让我分摊几分钱电费』，AI 在足够长的时间尺度上也会是同样的情况。"这种成本-质量的剪刀差为在 AI 之上构建全新的产品与能力创造了极为有利的条件。

四、市场规模：从软件到白领劳动力

David 将 AI 的市场机遇与上一轮"移动互联网+云计算"周期（创造了约 10 万亿美元的新市值）做了对比，认为 AI 的影响将远超前者。他用一个简单的算式说明：美国软件支出约占 GDP 的 1%，而白领薪酬支出约占 GDP 的 20%。这意味着 AI 可触达的市场空间大约是传统软件市场的 20 倍。

关于价值分配，David 的经验法则是：约 90% 的价值流向终端客户，10% 流向服务他们的公司。"但这 10% 仍然是天文数字般的市值。"他以 iPhone 为例：用户实际支付约 1000 美元，但对高收入用户而言其价值远高于此，差额即为消费者剩余——但 Apple 仍然是一家极其出色的企业。类似地，Google 每年从每个美国用户身上获得的收入约 150-200 美元，远低于其实际创造的价值。

Monique 补充了一个深刻类比：如果 Google 当年就知道用户愿意为 ChatGPT 这样魔幻般的产品付费，其市值不可估量。"这让我们重新思考在新世界中如何看待货币化。"

五、这一次为什么不同：需求信号与全球分发

面对"基础设施大规模建设是否类似 2000 年光纤泡沫"的质疑，David 给出了系统性的反驳。

供给端： 承担建设的不是电信时代的弱势公司，而是全球最强的科技巨头。资金来源方面，银行通过私募债权渠道提供融资，保险公司也在间接参与，这反而意味着建设具有相当的稳定性。

需求端： 这才是更关键的区别。David 引用了一组震撼数据：ChatGPT 达到 3650 亿次年搜索量仅用了 2 年，而 Google 用了 11 年——速度是后者的 5.5 倍。原因在于 AI 建立在全球互联网和云计算的基础之上：全球已有超过 50 亿互联网用户、人手一部智能手机，不需要分发新硬件。

"超过一半的全球互联网人口已经使用过 AI 工具，月活用户在 15 亿到 20 亿之间。这种分发速度前所未见。"这意味着供给端的建设很可能以比当年宽带建设更可预测的方式被利用。

每日活跃用户在 ChatGPT 上的日均使用时长达 28-29 分钟，对比 Instagram 的 50 分钟和 TikTok 的 70 分钟，这已经是真实、可观的时间投入和消费者价值。Monique 还观察到，Google 搜索的 AI 摘要功能已显著影响多家上市公司的引荐流量和用户参与度——这正在重塑消费者与企业的互动方式。

六、商业模式进化与定价歧视能力

David 指出 AI 相较传统互联网的一个关键优势：可以实现有效的价格歧视（Price Discrimination）。Google 和 Facebook 无法知道你愿意多付钱，因此只能对每个用户收取大致相同的"隐性价格"。但 AI 的商业模式结构完全不同——

如果采用最简化的"价格×数量"（P × Q）框架分析：Q（用户量）的增长空间有限（Google/Facebook 级已达 20 亿量级），但 P（单用户收入）有巨大上升空间。Google 和 Facebook 过去十年将单用户货币化提升了约 8 倍，David 认为 AI 产品也具备类似的潜力。

"你会看到一种进化——从订阅到某种形式的广告变现（可能是类似于联盟营销的东西），虽然这种模式在今天的互联网上属于'边缘产业'，但 AI 将赋予它全新的面貌。"他建议与会者亲自尝试深度研究（Deep Research）产品来做购物调研，体验将远超传统搜索。

消费者粘性方面，David 提到过去 12 个月市场向消费者投放了大量免费替代品，但对 ChatGPT 的业务几乎没有任何影响。"我在肯塔基的父母用 ChatGPT，就算出了稍好一点的新模型，他们也不会切换。"反直觉的是，这一次消费端反而比 API 端更具粘性——开发者只需改一行 API 调用即可切换模型供应商。

七、关键瓶颈之一：能源

Monique 引出了核心问题："当前能源是否足够支撑这轮建设？" David 的回答直截了当：在现有能源生产方式下，能源确实是瓶颈。

a16z 在这一领域的布局主要聚焦核能（Nuclear Power）：
- 三里岛核电站（Three Mile Island）有望重新启动；
- 大型科技公司正将数据中心直接建在核电站附近；
- 西得克萨斯等地丰富的天然气资源可用于就近部署大型训练集群。

David 的判断是：芯片和基础设施的产能通常会逐步匹配需求——虽然总是存在错配期——但"在未来五年，能源可能始终是最关键的瓶颈"。这也是为什么 a16z 对核能领域如此兴奋并积极投资。

八、关键瓶颈之二：散热

Monique 进一步指出，当能源问题被逐步解决后，瓶颈将转移到另一个尚未被广泛关注的领域：散热（Cooling）。"你会看到围绕散热问题出现一整波创新——当你搞清楚了怎么生产所有这些能源之后，接下来就是怎么给这一切降温，既要避免芯片熔毁，也要避免让海洋沸腾、让世界融化。"

David 以 xAI 为例说明了建设数据中心本身的极端挑战：xAI 在规定时间内建成了当时全球最大的数据中心，用时仅为其他公司完成同等规模建设的四分之一。为此他们不得不买断多州区域的所有备用发电机，并从其他项目抽调劳动力。这揭示了在物理世界中建设 AI 基础设施的复杂性和工程极限。

九、AI 应用公司的商业质量：毛利、粘性与客户获取

当讨论转向 AI 应用层公司的商业模型时，David 分享了他的评估框架。

最看重的两大指标：
1. 毛留存率（Gross Retention Rate）： 在 100 个客户中，有多少在持续使用？目标标准是 90% 以上的客户留存。这直接反映了产品的核心价值主张。
2. 客户获取的便利性（Ease of Customer Acquisition）： 即有机客户需求、客户愿意支付的价值相对于获客成本（营销或销售）的比例。

关于毛利率（Gross Margin），David 承认当前存在大量争议。a16z 的态度是：相对成熟 SaaS 行业更为宽容。核心假设是：只要模型层存在多家竞争者，输入成本将持续大幅下降——过去两年已下降 99%，所有迹象表明这一趋势将继续。

"如果毛利率、留存率和客户获取便利性这三者必须排序，我会更看重后两者的优秀程度，然后在前者上给公司更多的'疑点利益'。"他强调并不是投资零毛利率的公司，但 70% vs 80% 的毛利率差异在当前阶段没那么关键。

十、竞争格局：模型层的竞争推动成本下降

David 对模型层的竞争状况保持乐观。GPT-5 的发布是非常可信的替代品，将对 Anthropic 形成定价压力；Google 的 Gemini 模型在编码领域也展现出令人鼓舞的进展和进步。

"只要市场上有多家参与者，你就会持续看到成本下降。"这一判断对应用层公司至关重要——输入成本的持续走低意味着应用层公司的毛利率将随时间自然改善。

他观察到，许多以"研究大脑"起家的 AI 创始人，经过近五年市场洗礼和竞争压力，已经变成了"冷酷的资本家"。"他们不会在没有财务回报的情况下进行完全非理性的研发投入。"

十一、收入持久性：什么类型的 AI 应用最"粘"？

David 对 AI 应用收入的持久性给出了层次化判断：

高粘性领域：
- 医疗文书（Medical Scribe）：深度嵌入医生工作流；
- 客户支持（Customer Support）：品牌互动风格和规则引擎的深度整合；
- 高端金融分析：复杂规则和工作流难以替代。

Monique 补充了客户支持的粘性来源：一旦建立了覆盖多种场景的故障排除工作流，客户几乎不会试验性更换供应商。David 总结："整合越深、公司特有规则越多、工作流构建越复杂——产品就越粘。"

粘性待定的领域：
- 内部工具软件开发替代品；
- 低端网站原型构建；
- 各类实验性使用场景。

David 预测市场将出现持续的"分叉"：一些工具被用于原型设计，另一些则真正用于构建和部署应用。"我不认为公司会用'氛围编程'（Vibe Code）搞出一套 Salesforce.com——这不值得，也不是核心能力。"

十二、定价模式的未来

关于按席位定价（Seat-based）与按用量定价（Usage-based）的争论，David 提供了历史视角：

在客户支持领域，"按任务完成定价"走得最远——因为可以明确判断一个任务是否被解决。但在其他领域，这种模式仍处于极早期。"终端客户想买的是按席位和按消费量定价的东西，你必须满足市场现状。"

David 的核心观察是：衡量价值和捕获价值是两回事。 "蒸汽机的发明并没有按它替代了多少人类劳动来定价——竞争力量介入后，它在一个合理的竞争水平上定价，产生资本回报，同时向终端客户交付了远超定价的价值。"他认为 AI 将遵循同样的逻辑：大量消费者剩余流向用户，但仍能构建极其优秀的高市值公司。

十三、增长阶段的机遇：私募市场的结构性膨胀

David 展示了增长投资的宏观图景：

"高增长的新技术公司部分几乎全部生活在私募市场中。"David 认为这一趋势具有长期性，不会很快逆转。

十四、a16z 的 AI 增长投资策略

David 将 a16z 增长基金的 AI 策略分为两个路径：

路径一：势头不可否认的公司。 如 Cursor、Decagon、ElevenLabs、Anthropic 等——这些公司的增长曲线一目了然，a16z 可以在较早阶段进入（经常是增长基金参与的第一笔外部资金）。"我们比别人更早进入很多这样的公司，这给了我们'控球权'和后续轮次的参与通道。"

路径二：全球顶尖团队的极早期押注。 这里强调"顶尖"——仅限全球前五的团队。这些投资的形状不同：增长阶段的资金以更早的方式投入，商业结果的不确定性更高，但因为团队质量极高，下行风险受到人才市场需求的保护。

"即使项目不成功，这样的团队被收购或重新配置的可能性也很高，因此这构成了非对称的资本配置——商业风险很高，但资本风险可控。"

十五、上市公司会被 AI 颠覆吗？

针对"哪些上市公司不会被 AI 颠覆"的提问，David 提供了一个三维分析框架。初创企业要想击败现有巨头，需要在以下三方面同时发力：

  1. UI/UX 的彻底重构： Salesforce 的本质是一系列"无聊的清单和表格"，用户主动输入信息。AI 应该能够"替你做事情"而非"为你保存记录"。如果出现一个主动式的、预知你需求的界面——"我不需要你输入，我知道你在做什么，我来告诉你该做什么"——这就是颠覆性机会的起点。

  2. 数据获取方式的革新： Salesforce 的护城河在后端的结构化数据库。如果一个初创公司能够将所有非结构化数据导入类似 Databricks 的平台，并通过全新方式查询和利用这些数据，就可能绕开 Salesforce 的数据库护城河。

  3. 商业模式的创新： 以颠覆性的定价方式——例如不是按席位而是按任务结果定价——对抗 Salesforce 的按席位收费模式。

"但要同时做到这三点才真正有机会。"David 坦言尚未找到具备"杀死 Salesforce"的杀手级创意的初创公司，但 a16z 已经在围绕这些系统中的"机会窗口"进行了大量投资。

十六、投资组合构建与团队文化

在投资组合结构上，David 透露 a16z 增长基金的配置跟随早期阶段团队的布局：AI 基础设施和应用是最大的机会领域；其次是美国活力主义（American Dynamism）——受益于 SpaceX、Palantir 等公司的人才溢出，以及自动驾驶和视觉能力等非 GenAI 技术的进步；AI 赋能医疗（AI-Enabled Health）也将持续活跃但规模略小；加密货币方面则与 a16z 的加密团队深度协作，尤其看好稳定币（Stablecoin）赋能领域。

David 理想中的状态是"100% 的投资都是跟投（Follow-on）"——因为这意味着早期团队全面占据市场份额。但在实际操作中，最佳创意和最佳进入时机才是决策准则，而非预设的新投资与跟投的目标比例。

关于团队，Monique 提到两支团队的员工敬业度评分均高达 91%。David 强调增长团队与早期团队的深度交织是 a16z 的核心优势："我们 80% 的新投资都已有早期团队成员的既有关系。真正的超额收益来自市场和产品的洞察——这是与早期团队紧密捆绑才能获得的杠杆。"

结语

这场持续一个多小时的讨论勾勒出了 AI 增长投资的完整图景：从底层基础设施的能源与散热瓶颈，到模型层的竞争与成本下降，再到应用层的商业质量评估和定价模式演进。David George 的核心判断可以浓缩为三个层次——基础设施层面，能源和散热将是未来五到十年最关键的物理约束；市场层面，AI 建立在已有互联网和云计算基础之上，其分发速度与需求确定性远超以往任何技术周期；投资层面，对顶级团队的信任、对市场洞察的执着、以及对商业模式进化的耐心，构成了 a16z 增长基金在 AI 时代的投资哲学。