亚马逊一家云计算巨头每年在数据中心基础设施上的资本支出就超过1000亿美元,这个数字大致相当于哥斯达黎加的整个GDP,甚至超过了卢森堡或立陶宛的GDP总量。
据研究机构Omdia的数据显示,其他主要云计算厂商的投资规模同样惊人:谷歌的资本支出达到820亿美元,超过了斯洛文尼亚的经济体量;微软投入750亿美元,超过乌干达的GDP;Meta投资690亿美元,超过巴林的经济产出。
Omdia预测,2025年全球数据中心资本支出将突破6570亿美元,这意味着自2023年的3300亿美元以来,投资规模几乎翻了一倍。
这些令人震惊的数字主要源于企业对计算能力的持续渴求,以推动AI开发,期望未来能够获得回报。尽管麦肯锡公司今年早些时候的报告显示,许多企业高管对当前在AI基础设施上的大量投资能否在短期内产生可衡量的投资回报持怀疑态度。
Meta在第二季度财报中也透露,为其推荐系统提供动力的传统机器学习模型正在带来利润,而非公司的生成式 AI项目。
然而,数据中心运营商很乐意为那些不断要求更多AI功能基础设施的客户提供服务,这正是"淘金热中卖铲子"的绝佳例子。
在其最新的云计算和数据中心市场快照中,Omdia表示,至少在短期内,对AI计算资源的需求继续超过供应。最近推出的GPT-5等更新、更大模型的开发正在推动训练需求。
同时,AI的广泛采用正在推动推理需求。Omdia声称,发达经济体的大部分人口都在某种程度上使用AI,仅ChatGPT用户就超过7亿,每日访问量超过1.2亿次。
深入分析数据中心投资,Omdia表示,在未来几年内,IT设备仍将是数据中心成本清单上的最大项目。即便如此,物理基础设施的支出增长速度会更快,这是由于需要在发电、配电和热管理方面采用新解决方案,以应对那些高温大功耗的AI服务器。
数据中心机架的计算密度正呈指数级增长,这需要在冷却和供电方面进行"重大而持续的创新",而所有这些IT基础设施所需的能源很可能促使运营商投资现场发电设备和微电网即服务。后者是指服务公司为数据中心运营商提供现场发电服务。
展望未来,Omdia表示数据中心建设的速度正在加快,最大站点的容量正在扩大,多吉瓦设施(相当于加拿大等国家的整个当前容量)正在出现。
这些项目已经在筹备中。Meta已经宣布了几个多吉瓦园区,计划从2026年开始上线,而德勤洞察最近的一份报告声称,一些目前处于早期规划阶段的站点可能会超过5吉瓦。
Q&A
Q1:数据中心投资规模有多大?
A:根据Omdia的数据,仅亚马逊一家的年度数据中心资本支出就超过1000亿美元,相当于哥斯达黎加的整个GDP。全球数据中心资本支出预计2025年将突破6570亿美元,比2023年的3300亿美元几乎翻了一倍。
Q2:为什么数据中心投资增长这么快?
A:主要原因是企业对计算能力的持续需求,以推动AI开发。新型大语言模型如GPT-5的开发推动了训练需求,同时AI的广泛采用(如ChatGPT用户超过7亿)也推动了推理需求,导致对AI计算资源的需求持续超过供应。
Q3:未来数据中心会有什么变化?
A:数据中心建设速度正在加快,规模也在扩大。未来将出现多吉瓦级别的超大型设施,Meta已计划从2026年开始建设几个多吉瓦园区,一些规划中的项目甚至可能超过5吉瓦,相当于加拿大等国家的整个电力容量。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。