一座智算中心在报批会上，PPT 讲完模型、算力和招商，最后常常卡在一张不太好看的表上：110 千伏还是 220 千伏接入，新增几台主变，备用电源怎么配，机柜上架后峰值负荷是多少。
GPU 还在排产，土建还没开挖，电网接入方案已经先排队。大型电力变压器不是下单就能到货的标准件，海外市场近两年交付周期被拉长到 18 到 24 个月并不罕见。机房也不再是过去那种一排排低功率服务器。传统数据中心单机柜功率常见在 5 到 10 千瓦，AI 训练机柜动辄 30 千瓦以上，液冷方案里更高的功率密度已经不是展示概念。
所以，AI 的第一张账单往往不是模型训练费，而是电力接入、变压器、冷却、备用电源和土地。
IEA 估算，全球数据中心、AI 和加密货币用电量，到 2026 年可能比 2022 年翻倍左右。这个数字落到地方，就是变电站扩容、能耗指标安排、绿电合同和施工周期。落到企业，就是资本开支。
2024 年，几家美国大型科技公司的资本开支已经明显抬升。Alphabet 全年资本开支约 525 亿美元，上一年约 323 亿美元；Meta 2024 年资本开支约 392 亿美元，2025 年还给出 600 亿到 650 亿美元区间的指引。钱没有停在发布会和产品界面上，而是进了服务器、GPU、数据中心、海底光缆、电力合同和机房改造。
软件公司重新学会等设备
过去说互联网扩张，常见动作是多招工程师、多买服务器、多铺带宽。今天说 AI 扩张，先问几个更笨的问题：GPU 什么时候到，机柜能不能上满，园区电力容量够不够，冷却系统能不能扛住持续高负载。
一个 AI 机柜后面挂着一串设备：变压器、开关柜、UPS、柴油发电机、冷却塔或液冷系统、消防、光纤、安防和运维班组。用户多了，软件可以复制；机房不行。它更像工厂，产能要提前买，电要提前接，设备要提前排产。
成本也不会只藏在 App 订阅费里。云厂商买 GPU，数据中心运营商买电力设备，地方政府配套电网和土地，电力系统安排调峰和输电，最后会通过云服务价格、企业 IT 预算、地方财政支出、用电价格和融资成本慢慢传出去。
这笔钱流向的行业，有些看起来一点也不“智能”。
电网设备厂接到的是变压器、开关柜、继电保护、输配电设备订单；冷却企业开始争液冷、冷板、冷却液和换热系统；服务器厂商盯着整机组装、PCB、连接器、电源模块和高速互联；施工方盯着机房
土建和机电安装。只看聊天机器人界面，容易把账单看轻。
但现在也不能把几家科技公司的 AI 成本拆得太细。公开财报里，微软、Alphabet、亚马逊、Meta 很少把 AI 数据中心、芯片、服务器、电力合同逐项列清。能确认的是，轻资产的故事正在变重，钱从代码和广告流进机房、芯片、电网和土地。
绿电合同比口号难签
IEA 数据显示，2023 年全球清洁能源投资约为化石燃料投资的两倍。这个数字听着远，其实离数据中心很近。
数据中心要稳定电力，清洁能源要并网，储能负责削峰填谷，输电网络把电从资源地送到负荷中心。风电、光伏、储能、核电、输电网络、充电设施，已经是工业成本的一部分。
绿电不是在合同上写一行就能用。
光伏白天发电，风电看天气，核电建设周期长，储能成本要摊进系统。数据中心还要看 PUE。传统数据中心 PUE 能做到 1.3 左右已经算不错，头部园区会继续往 1.2 甚至更低压，但 AI 高密度机柜会把散热难度重新抬高。冷却方案从风冷转向液冷，不只是换设备，还涉及机房改造、运维能力和水资源安排。
一个地方想上智算中心，真正要看的不是“签约算力多少 P”，而是电网容量、土地指标、水资源、冷却方案、绿电来源和上架率。项目建成后如果上不了架，或者上架后电价撑不住，算力口径再漂亮也只是闲置资产。
如果数据中心扩张快过电网、储能和清洁能源建设，居民和企业会先感到几件事：工业项目排队接入，局部电力紧张，峰谷电价调整，地方把能耗指标重新分配。AI 热不热，最后会写进电网调度和企业电费单。
军费抢的也是芯片、电力和产能
SIPRI 数据显示，2023 年全球军费开支约 2.44 万亿美元，创历史新高。
这个数字和 AI、能源不是两张账。现代国防开支消耗的资源，很多正是 AI 和清洁能源也在抢的东西：芯片、算力、电力、财政预算和制造产能。
一个具体场景就能看清楚：无人机需要传感器、通信模块、导航芯片和电池；后方指挥系统需要数据中心和算力；卫星通信需要射频器件、地面站和发射服务；网络防御需要安全芯片、软件团队和机房。这里面没有哪一项能完全绕开半导体、材料、精密制造和电力。
军费扩张会给军工、通信、卫星、无人机、网络安全企业带来订单，也会推高供应链本土化要求。企业拿到采购合同是一面，另一面是重复建设、贸易摩擦、保险成本和跨境经营成本上升。
财政约束也在这里出现。军费、芯片补贴、电网建设、新能源支持政策，都要用预算。高利率和高债务环境下，政府不可能每一项都加码。一笔钱投向国防、芯片或电网，另一笔公共服务支出就可能被延后。宏观投资周期最后可能变成某条地铁推迟、某个公共项目压缩、某类补贴调整。
最先落地的往往是限制条件
AI 公司花出去的钱，最后要有人买单。企业客户、个人用户，或者真实的效率提升。
普通人不会直接看到资本开支表，但会在工作里遇到 AI 工具：到底省不省时间，企业愿不愿意续费，服务价格会不会上涨。如果巨额数据中心投入换不来足够收入，市场会重新给 GPU、机房和长期电力合同估值。
能源限制也不会自己消失。一个城市宣布建智算中心，不代表它有便宜、稳定、低碳的电。数据中心不像普通办公楼，电力接入、水资源、冷却系统、备用电源，少一项都不能稳定运营。
还有上架率。机房建好，不等于客户进来；客户签约，不等于机柜满载；机柜满载，不等于长期赚钱。电费、折旧、融资成本、设备更新周期，会一层层压到运营利润上。
这也是为什么很多“AI 基建”项目，最早暴露的不是技术问题，而是电、钱和客户。
中国要分三段看
中国读者看这轮资本开支，不能只盯着美股科技巨头，也不能只看地方发布会。
先看受益环节。
电网设备、变压器、开关柜、储能、液冷、电源模块、服务器制造、连接器、PCB、光模块、数据中心机电工程，会先接到订单。光伏、储能、电动车、无人机、部分半导体和先进制造环节已有供应链基础，如果全球资本开支继续转向实体设备，这些环节会被重新估值。岗位上，电力电子、自动化设备、工业软件、材料、检测认证、机房运维，会比“会不会写提示词”更早感到需求变化。
再看可能过剩的地方。
各地都在建算力中心，问题是客户不一定跟上。没有稳定电力、长期客户和清晰收费模式，机房可能空置，服务器可能低利用率运行。新能源投资如果超过消纳能力，光伏、储能和部分制造环节还会继续承压。产能上得快，价格下得也快；设备卖出去，不等于企业现金流变好。
普通投资者少看标签，多看几个指标。
第一，看订单是不是来自真实客户，还是来自一次性项目采购。第二，看电从哪里来，电价怎么锁，绿电合同能不能覆盖长期运营。第三，看机房上架率和利用率，而不是规划算力。第四，看应收账款和现金流，设备公司利润表好看，收款慢也会拖垮估值。第五，看资本开支是不是继续加速，还是开始收缩。
判断一个城市的 AI 雄心，先看电网接入批复、绿电合同和机房上架率，不看发布会数量。