7500 亿美元

7500 亿美元。

这笔钱足够买下两家波音，外加一家洛克希德·马丁。

OpenAI 准备在 2030 年之前，把这笔巨款全部换成芯片、机房和电力。

结果呢？

公司高层给出的内部定调只有四个字：极度短缺。

7500 亿美金砸下去，连一个人工智能公司的胃口都填不满吗？

常人眼里的预算超支，在硅谷是一场算力底层消耗逻辑的彻底质变。

在早期的预训练时代，做大模型就像建化工厂。

工程师把全世界能抓到的网页、图书、论文和代码倒进反应釜，集中烧上几个月。

模型训练完成的那一刻，最昂贵的资本开支阶段就告一段落了。

用户在对话框里输入一句话，模型顺着概率输出一段文字，单次调用的电费只有几厘钱。

算力是前期的固定资产投资，后面的日常调用是低成本放水。

为什么现在突然不够用了？

因为大模型开始学会了思考。

过去的大模型回答问题全凭直觉模式匹配，算力消耗一次性结清。

现在的推理模型拿到一个难题，后台会启动数以万次的逻辑推演与自我博弈。

它会同时尝试几百条推导路径，碰到死胡同立刻倒车，重新调用工具、检索证据。

要把一道复杂的数学难题或上万行底层代码解对，模型在后台所燃烧的测试时算力，是普通对话的上万倍。

算力不再是建厂时的一次性打桩成本。

它变成了模型每次运转都在狂抽的电表与自来水。

只要几亿用户和企业在让智能体替自己写代码、审计合同、合成数据，整座算力水库每分每秒都在见底。

既然算力不够，继续加码买芯片建机房不就行了吗？

这就撞上了技术工业史上的第二重铁律：杰文斯悖论。

1865 年，英国经济学家威廉·斯坦利·杰文斯（William Stanley Jevons）在观察煤炭工业时发现了一个反直觉事实。

蒸汽机的热效率每提升一倍，煤炭总消耗不但没有下降，反而暴增了十倍。

因为高效率把动力成本打了下来，原本根本用不起蒸汽机的纺织厂、矿井和火车全装上了机器。

今天的尖端算力正在精确重演这一幕。

算力供给每扩大一倍，技术团队原本跑不动的复杂任务，立刻被成倍激活。

过去不敢跑的长链条自主智能体调度、动辄生成几百万步的高清物理世界仿真，立刻变成了必须攻坚的标准配置。

算力供给往前迈一步，应用端被唤醒的胃口就往前跨三步。

比胃口膨胀更凶险的，是硬件折旧的残酷时钟。

7500 亿美元买不来永久地皮，也修不出百年运河。

运河修好了能收一百年的通行费。

顶尖人工智能芯片的物理与经济寿命，只有短短的三到四年。

三年时间一过，新一代芯片的能效比翻倍增长。

几年前重金搭建的巨型旧集群，光是吹空调和耗电的日常账单，就会在财务上沦为负资产。

这意味着这 7500 亿美元根本无法沉淀为永久资产。

它是一台被调到了极限速度的折旧跑步机。

哪怕你拥有世界上最聪明的算法团队，只要三年内不继续砸入几千亿更新换代，你的算力护城河就会被时间的物理磨损彻底抹平。

这么庞大的资金窟窿，到底由谁来兜底？

《纽约时报》商业版（DealBook）披露的这份基建账本里，负责打理财务的首席财务官萨拉·弗莱尔（Sarah Friar），在内部提出过最尖锐的质问。

公司的收入来源，是向普通用户和企业按月收取二十美元或两百美元的订阅费。

这种现金流入账是平缓的线性增长。

但为了锁死算力底牌，公司在外面签下的机房包租协议与电网保底承销，全是以百亿美元为单位的刚性债务合同。

仅在 2026 年，总裁格雷格·布罗克曼（Greg Brockman）透露的单年算力开销就高达 500 亿美元。

华尔街、风险投资机构与主权基金把几百亿资金开票打进公司账户。

这笔钱在账上甚至还没捂热，其中的大半就立刻被全额电汇给了英伟达、电力巨头与大型数据中心运营商。

聚光灯下的公司被视为颠覆时代的通用人工智能先锋。

在财务实质上，它已经演变成了人类商业史上规模最庞大的算力代购通道。

当一家商业机构必须每隔三到四年就把几千亿美元的硬件推倒重来，所有的叙事退路就全部断掉了。

它必须以最快速度拿出能够直接兑现几千亿折旧成本的现实生产力。

跑赢这台飞速运转的折旧机器，它才能成为未来的数字电网。

稍有迟疑，那台永远填不满的算力熔炉，最先吞下去的正是不断向它输血的人。