每月9.2亿美元：Google的AI算力饥渴，和一场正在发生的信仰之战

Google和SpaceX达成的交易让人倒吸一口凉气：每月9.2亿美元，买的是计算能力，不是卫星发射。这笔钱每年超过110亿美元，几乎顶得上一个中型国家一年的IT预算。Google代表说得轻描淡写——"对AI产品需求超出预期"——但数字暴露了真实的恐慌。大模型训练的算力消耗已经进入指数级膨胀阶段，连Google这种级别的云巨头都发现自己算力不够用，需要外包给一家火箭公司的数据中心（对，SpaceX已经在布局太空边缘计算和地面大规模GPU集群）。这件事的本质是：AI的物理瓶颈不在算法，而在电力和芯片。 当你的竞争对手是OpenAI和微软共建的超级计算机，你只能把手伸向任何一个能稳定供电、且有闲置算力的玩家——哪怕它是造宇宙飞船的。

同样在今天，LinkedIn联合创始人、微软董事会成员Reid Hoffman宣布离开微软，全职扑向他创办的AI药物发现公司Manus。Hoffman不是退休，而是去"创始人模式"。他在微软董事会待了十年，见证了从Azure到OpenAI投资的整个周期，现在他选择在AI最激动人心但也最烧钱的领域——药物发现——赌一次大的。这让我想起去年Sam Altman说过的一句话："AI在科学领域的应用比生成歌词重要一万倍。"Hoffman的转身是一种信号：真正聪明的大佬，已经不再满足于做AI的基础设施买家，而要去做那个改变游戏规则的人。

另一边，一个更务实的AI故事在发生。Supabase，这个开源数据库公司，8个月内估值翻倍到100亿美元，原因很直接：AI编程工具（Claude、Codex和"vibe-coding"平台）让开发者们疯狂地构建应用，而这些应用的后端大量依赖Supabase。这是个非常合理的循环——AI降低了前端和业务逻辑的编写门槛，但数据仍然要存、要管、要实时查询。Supabase抓住的是"AI让软件变多，软件需要数据库"这个最简单的事实。相比之下，那些试图用AI直接生成数据库查询或替代PostgreSQL的创业公司，反而没这么火。有时候，最赚钱的AI生意是卖铲子，而不是挖矿。

但铲子也开始内卷了。一家叫General Instinct的YC公司正在尝试把前沿模型塞到边缘设备上——机器人、无人机、IoT设备，那些没法连回云端的大型GPU的地方。他们的理念很对：现在的模型都是在数据中心设计的，假设你有无限的内存带宽和稳定的网络，但现实中的硬件不是这样。这是AI落地的最后一块拼图，也是Google每月花9.2亿美元买算力这个事实的反面——当云端变得奢侈到只有巨头能玩，边缘计算就成了所有人的出路。

Vergecast最近一期播客也戳中了一个困惑：AI笔记本到底是不是伪需求？Nvidia的Jensen Huang描绘了一个全新的笔记本形态——AI内置，能实时推理，能全程对话。但问题还是那个："真的有人想要这个吗？" 目前大部分用户对AI的核心需求是：帮我写完一段代码，生成一张图片，总结一篇长文。他们不需要AI主动插嘴。硬件厂商在用"AI能力"作为升级换代的借口，但消费者是否买账，要看这些功能是不是真的解决了痛点，而不是制造了新的痛点。

这些喧嚣之外，HN上有人问了一个真诚的问题：为什么这个社区对AI这么敌视？每天都能看到AI产生坏代码、引入bug、积累技术债务的帖子。提问者的立场很明确——代码只是手段，产品好用就行。但这个问题本身就很有意思。HN的受众大多是工程师和创业公司创始人，他们对AI的抵触，恰恰是因为他们看到太多人在用AI写他们自己都看不懂的代码。一个好用但没人能维护的产品，不是好产品，是定时炸弹。我不认为这是对AI的敌视，这是一种对质量控制的本能。 AI写代码的最大问题不是它写不对，而是它写出的东西你无法信任，而信任是软件工程的基石。当你的代码库有一半是AI生成的、且没人能解释它为什么这么写的时候，重构和调试的成本会指数级上升。

最后，一篇被选为ICLR 2026最佳论文的研究《Transformers are inherently succinct》算是一个恰好的注脚。它从理论上证明了Transformer架构本质上是"简洁"的——能用极少的参数表达复杂模式。这就像在说：AI本身并不贪婪，是人让它变得贪婪。也许真正的解法不是堆更多的算力、租更多的GPU，而是像这篇论文暗示的那样，去理解模型到底需要多少容量。Google和SpaceX的巨额交易可能是一个终将过时的阶段——当算法变得更有效，当边缘设备跑得动更多推理，当药物发现真的产出第一个AI设计的药物——我们回头看今天的算力泡沫，也许会像看当年的超算中心一样叹口气。

不过在那之前，钱还在烧，信仰还在打。