本文來自微信公眾號： 晨楓新苑 ，作者：晨楓老苑
不管大模型如何火爆，不管芯片如何抓眼球，AI的盡頭是算力，算力的盡頭是電力，這已經(jīng)是常識。美國電力基礎建設在AI需求之前已經(jīng)千瘡百孔，一有風吹草動就散架，AI迅速增長的電力需求成為不可承受之重。谷歌把新建的算力中心靠在電廠旁邊，這只是有利于“搶電”，對于解決電力供應不足一點沒有用，反而加劇了問題。國際能源署在《Energy and AI》中預測，到2030年，全球數(shù)據(jù)中心用電量將接近945TWh，約為當前水平的兩倍。2024年至2030年，數(shù)據(jù)中心用電量預計年均增長約15%，是其他部門用電增速的四倍以上。
有人把中國大模型、華為邏輯折疊比作效率路線，天花板最終在于物理3nm、2nm等先進芯片提供的物理算力，說得沒錯。美國得益于先進芯片，大模型可以走“大力出奇跡”路線，但天花板在電力。中國EUV已經(jīng)在路上了，物理3nm、2nm是時間問題，短則3、5年，長則10年，全鏈打通是大概率的。但美國電力擴容就一言難盡了。
中國發(fā)電量超過10萬億度，年增穩(wěn)定保持在5000-6000億度；美國只有4-4.5萬億，年增1000-1200億度。
中國年增有80%來自風光等新能源，新能源裝機已經(jīng)超過火電，火電占比在下降；美國年增也重視新能源，但還是天然氣為主。重要的是，中國電力消耗有60%流向制造業(yè)，美國則有70%流向居民和商業(yè)。AI用電來自制造業(yè)相關(guān)用電。換句話說，美國和中國要同步擴大AI用電的話，假定都需要增容同等電力消耗，中國增容來自60%的工業(yè)用電，而底數(shù)本來就是美國的2.5倍；美國則來自30%的工業(yè)用電，相對壓力大得多。
電價是另一個問題。中國居民電價大概是美國的一半，但中國工業(yè)電價比美國高10-40%。這是政策導向的原因。新能源發(fā)電成本低于火電，長遠來說，中國以新能源為主力的電力擴容具有本質(zhì)成本優(yōu)勢，將新建算力中心靠近風光資源充足的中西部也有利于享受優(yōu)惠電價。
但在新能源方面，美國產(chǎn)能沒法看，依靠中國產(chǎn)能又不甘心，儲能電池也是一樣的問題。裝機容量和擴容速度更是與中國沒法比。中國光伏總裝機容量已經(jīng)超過1230吉瓦，2025年一年就新增315吉瓦。美國光伏總裝機容量才280吉瓦，其中120吉瓦來自散戶小規(guī)模裝機，年增量不到50吉瓦。
美國還有輸配電體系年久失修的問題。
電力是美國AI的第一座不易翻越的大山。
人才是第二座大山。
有人戲稱，中美AI大戰(zhàn)是在中國的中國人對在美國的中國人的大戰(zhàn)，這當然是戲言。但硅谷及美國頂尖高校（如斯坦福、MIT、加州大學伯克利分校等）是全球AI創(chuàng)新的心臟。大量來自中國大陸、具有頂尖理工背景的留學生和學者是這里的絕對主力。許多領軍人物和初創(chuàng)公司的核心骨干（如OpenAI、Anthropic及各大科技巨頭中的華人科學家）構(gòu)成了美國AI研發(fā)的中堅力量。《紐約時報》認為，38%的美國頂級AI人才和企事業(yè)領軍人物具有中國血統(tǒng)。中國的AI發(fā)展同樣高度依賴國內(nèi)頂尖院校（如清華、北大、中科院等）培養(yǎng)的本土人才，以及部分從海外歸國的學者和創(chuàng)業(yè)者所構(gòu)建的團隊。
AI是實踐的科學。中國AI的高烈度內(nèi)卷一方面尸橫遍野，另一方面將星鵲起，這也提供了高強度的訓練場，使得中國內(nèi)生AI人才加速培養(yǎng)、加速成長。在美國，問題不在理論和虛擬AI（從數(shù)字環(huán)境來，到數(shù)字環(huán)境去，如大模型、動畫、代碼等），而在于產(chǎn)生價值的應用。說起來，中國的“應用優(yōu)先”的道路未必出于主動選擇，而是模型和算法落后一步、芯片和算力受到封鎖情況下的不得已，但事實證明，這才是可持續(xù)的自下而上的路線。
AI的核心在于模型，模型從來就有“從道理出發(fā)”和“從觀察和經(jīng)驗出發(fā)”兩大類，在可預見的將來，AI重點在第二類，這就決定了面向應用路線的重要性，只有人才能理解和貫徹應用場景。在AI時代，人才的重要性遠遠高于歷史上任何時候，不光是AI人才，還有應用人才。
在日益收緊的美國學術(shù)準入環(huán)境里，中國留美學生減少，中國留美學者回流，將對中美人才對比形成重大影響。這還沒有計入非華裔AI人才可能向中國的流動，畢竟影響人才流動的第一驅(qū)動力是發(fā)展機會和未來天花板。
物理AI則是第三座大山。
物理AI（Physical AI）是指能夠在真實的物理世界中感知環(huán)境、理解動態(tài)并執(zhí)行動作的智能系統(tǒng)。與僅在數(shù)字環(huán)境中生成文本、圖像或代碼的虛擬AI（Virtual AI）不同，物理AI將先進的算法與傳感器、執(zhí)行器及實體硬件結(jié)合，使機器擁有了“行動能力”，而非僅僅擁有“思維能力”。虛擬AI在指令輸入下產(chǎn)生文字、圖像、代碼等，物理AI針對物理信息（傳感器）產(chǎn)生運動指令，并完成物理動作。
物理AI系統(tǒng)通過感知、推力、行動、學習來與物理世界交互動作。
感知（Sensors）利用攝像頭、雷達、激光雷達等工具從現(xiàn)實世界收集三維空間及環(huán)境數(shù)據(jù)。推理（Reasoning）利用大模型與機器學習算法分析數(shù)據(jù)、預測結(jié)果并進行實時決策。行動（Actuation）將數(shù)字決策轉(zhuǎn)化為物理動作，通過電機、氣動裝置等執(zhí)行器操作物體或在空間中導航。學習（Adaptation）通過強化學習不斷試錯，從行動結(jié)果中汲取經(jīng)驗，適應不可預測的復雜環(huán)境。
虛擬AI用于回答問題和創(chuàng)作內(nèi)容。物理AI則用于人形與工業(yè)機器人、自主駕駛汽車和無人機、智能工廠和物流、醫(yī)衛(wèi)和護理等。這才是工業(yè)4.0。
虛擬AI需要將公開和內(nèi)部來源的文字、圖像、音頻等“記錄信息”一網(wǎng)打盡，從中“提取智能”，形成大模型。大模型可以有問必答，但要大模型具體做到一件事，比如做一頓飯、開動一臺機器，大模型可能能提出一堆建議，但物理實現(xiàn)就無能為力了。
物理AI和虛擬AI一樣，首先需要海量學習，這需要海量的物理實景，尤其是要用于制造業(yè)的話，需要理解、模仿制造業(yè)里人類是怎么干的。當前，物理AI數(shù)據(jù)采集正在世界各地廣泛鋪開，全球南方不少角落里，人們額頭前綁一個手機，記錄每時每刻正在走的路、做的事，從中分析手指、步態(tài)、軀干動作。但這只能提供人形機器人的基本動作，還是缺乏觸覺、視覺、聽覺、味覺反饋。更重要的是，對于廣義制造業(yè)（包括大廚的顛鍋），還是需要實際場景，而不能根據(jù)一般動作來推斷。
在這方面，中國不僅有最大量的實際場景，還有大批涌現(xiàn)的專業(yè)物理AI數(shù)據(jù)采集設施。在那里，人們配帶的不只是額頭的手機，還有各種觸覺、視覺、聽覺、味覺反饋，形成真正的高質(zhì)量數(shù)據(jù)。而這些是“從數(shù)字世界來、到數(shù)字世界去”的虛擬AI無法復現(xiàn)的。
也就是說，物理AI才是AI打通制造業(yè)的關(guān)鍵，這方面美國天然短板，以及去制造業(yè)了，從哪里來訓練數(shù)據(jù)？中國則是天然長項，世界制造業(yè)唯一超級大國不是虛名。
據(jù)說日本也希望從物理AI下手，在AI世界里彎道超車，彌補大模型和芯片的短板。日本路線有兩個問題：第一是騎乘在美國大模型和芯片基礎上，沒有利益沖突的時候一切好說，有利益沖突的時候殺無赦，日本汽車在美國的遭遇就是先例，只有日本“知道自己的位置”的時候才有“共同發(fā)展”的余地。第二是日本制造業(yè)也在退化中，現(xiàn)存的需要挽救，物理AI的數(shù)據(jù)采集過程可以將制造業(yè)的物理動作數(shù)據(jù)保存下來，但這和一切AI學習一樣，在本質(zhì)上是向后看的，要與時俱進并非自然而然。
但美國去制造業(yè)化更加徹底，這還反映在美國工人素質(zhì)的退步。不說制造業(yè)，就說送信的，有人說，年紀大的老年白人郵差退休后，換上來年輕的黑人姑娘，連Costco廣告一個郵箱塞一份都做不到，看到第一家的郵箱，直接統(tǒng)統(tǒng)塞進去交差。這樣的人力數(shù)據(jù)訓練出來的物理AI，就可想而知了。
“物理AI大模型”決定了機器人（不管是否人形）的智能。美國依然擁有算法和芯片優(yōu)勢，現(xiàn)在非常擔心美國AI有朝一日可能依賴中國機器人（包括電池、電機、機械臂、物理AI等）才能運轉(zhuǎn)起來，這時美國對中國的AI封鎖成為偽問題，中國對美國AI的封鎖才是真問題。
電力、人力和物理AI是美國AI的三座大山。這三座大山翻不過去的話，美國AI的天花板就肉眼可見了?，F(xiàn)在對AI算力的海量投資如何產(chǎn)生回報，就很有想象空間了。
相比之下，中國AI只有一座大山：先進芯片。中國正在攻克各種拐棍，已經(jīng)爬到半山腰了，如果不是正在沖頂。