AI投资主线主要围绕模型和芯片展开。从ChatGPT推动生成式AI浪潮到NVIDIA GPU需求快速增长市场关注的核心一直是谁能够拥有更强的模型能力以及谁能够提供更多计算资源。AI应用逐渐进入真实商业场景市场关注点正在发生变化。Tesla Robotaxi的推进代表着AI正在从“模型训练阶段”进入“规模化应用阶段”。未来AI竞争不只是比拼模型参数规模而是比拼这些模型能否低成本、高效率、稳定地运行在现实环境中。自动驾驶正是最典型的应用场景。Robotaxi并不是简单的软件功能它是一套持续运行的AI计算系统。车辆需要通过摄像头、雷达以及其他传感器不断采集环境数据再利用深度学习模型完成目标识别、路径预测和驾驶决策。整个过程需要大量实时计算而不是一次训练完成后即可结束。这背后反映出AI算力需求正在发生变化市场主要关注大模型训练带来的GPU需求。训练阶段需要大量GPU集群通过海量数据调整模型参数让AI具备理解和预测能力。但当AI进入实际应用后需求会逐渐转向推理计算。Robotaxi每一次行驶、AI助手每一次响应、工业AI每一次判断都需要模型持续运行根据IDC相关预测2025年第三季度的创纪录表现意味着市场正从最初的试点阶段转向多年的扩张期。预计2025年全年支出将达到3340亿美元到2029年将超过9020亿美元。预计到2027年年增长率将保持在30%以上随后在预测期的后几年放缓至25%左右的中段区间。这一结果突显了加速计算Accelerated compute的核心作用因为企业和云提供商正转向支持日益复杂的人工智能工作负载。趋势说明AI产业链正在从单纯的芯片竞争扩展到完整计算体系竞争。NVIDIA GPU解决的是计算能力问题但GPU本身并不能直接转化为AI服务。企业需要同时解决数据中心、电力供应、散热、高速网络以及算力管理问题。以NVIDIA H100为例单颗GPU热设计功耗约700W。随着企业部署数千甚至更多GPU计算中心面对的不只是芯片采购问题而是整个基础设施体系的挑战。未来AI发展的瓶颈可能不只是“有没有GPU”而是“有没有足够的能源和基础设施让GPU持续运行”。AI基础设施需求增长也正在改变数据中心的发展模式。传统大型数据中心主要满足云计算业务需求通过集中式建设提供计算资源。但AI应用的发展带来了新的要求训练任务需要集中式算力而Robotaxi、工业AI、实时智能应用更加关注低延迟和快速部署。影响是AI基础设施可能不会完全依赖少数超级数据中心而会形成大型计算中心、区域计算节点以及边缘计算相结合的模式。模块化计算正是在这一趋势下受到关注。相比传统数据中心需要较长建设周期模块化方案通过标准化设计将计算设备、电力系统、散热方案以及软件环境进行整合使企业能够根据需求快速增加计算能力。这种方式并不是取代大型数据中心而是在AI应用快速增长阶段提高算力部署效率。AI基础设施产业链不断向下游延伸市场关注点也开始从GPU制造商扩展到算力部署、云计算资源以及计算服务环节。过去投资者关注的是谁能够生产更多AI芯片而随着AI应用进入规模化阶段市场开始关注谁能够更高效地利用这些计算资源。目前这一方向已经出现不同类型的参与者。例如CoreWeave通过GPU云服务为AI企业提供大规模计算资源Nebius Group则围绕AI基础设施和GPU云平台布局IREN、MARA等传统能源和矿业公司也开始利用已有电力和数据中心资源切入AI计算市场。这些公司的共同逻辑是AI时代的竞争不只是拥有GPU而是如何将GPU转化为可使用的计算能力包括数据中心部署、资源调度以及算力服务。包括$MAAS在内的一些企业在探索AI计算服务、模块化计算以及智能计算基础设施方向。与大型云计算和数据中心企业相比$MAAS更关注灵活算力部署和计算资源服务这一细分方向。现在AI基础设施仍处于发展早期。最终决定企业价值的并不是市场热点本身而是能否获得真实客户需求、实现规模化部署并形成持续商业收入。Tesla Robotaxi带来的意义并不仅仅是自动驾驶行业变化。它代表AI正在进入一个新的阶段从创造模型走向运行模型。当越来越多AI应用进入现实世界市场竞争可能不再只是算法和芯片之间的竞争而会扩展到数据中心、电力、算力部署以及计算服务能力。未来AI产业的赢家可能不仅是拥有最强模型的公司也包括能够让这些模型真正运行起来的基础设施企业。