当TPU走出Google机房：a16z重押“机器时代”的拐点

信源：[a16z｜Why Top Founders Are Racing Into AI Infrastructure｜2026-08-28]

这场访谈最抓人的说法，是AI需求“近乎无限”、关键供给已经排到2028年，以及瓶颈正转移到“模型以下”。但a16z刚刚募集11亿美元成立 Machine Age Fund，芯片、内存、网络、存储和数据中心正是它准备投资的方向，因此这些判断不能脱离募资语境照单全收。反而是视频之外的两项最新披露，更能解释a16z为何此时重返硬件：[Alphabet在2026年第二季度首次把TPU系统交付到客户自己的数据中心并开始确认收入]；[Amazon则披露，其芯片业务年化收入运行率已超过250亿美元]

两项数字不能直接比较——Alphabet披露的是已经开始确认、但未公布金额的季度收入，Amazon给的是按当前速度外推一年的 run rate，也不是单列财务报表收入。不过，它们共同指向一个比“缺货”更重要的变化：自研芯片正在从云厂商内部的降本工具，变成可以通过云服务或整套系统向外收费的基础设施产品。a16z押注的核心，是系统效率开始具备独立的商品属性。

所谓“可出售的系统效率”，不是某颗芯片的峰值算力更高，而是把计算、内存层级、互联、供电、散热和编译器组合起来，在目标质量不变的前提下，降低每个有用任务的成本与延迟，并把这种改善变成收入或毛利。传统软件公司可以把硬件藏在云的抽象层之后；AI公司却必须为每一次推理持续支付显存带宽、数据搬运、电力和折旧。物理架构因此从后台成本进入了产品经济学。

视频以超大规模云厂商的资本开支证明需求，并给出2026年约7000亿美元的量级。按最新公司口径重新核对，[Amazon预计2026年资本开支约2000亿美元]，[Alphabet指引为1950亿至2050亿美元]，[Meta为1300亿至1450亿美元]，[微软对2026日历年的最新预期约为1750亿美元]。四者合计约7000亿至7250亿美元；[IEA也估计五家大型科技公司的资本开支将由2025年的逾4000亿美元在2026年再增长约75%]，视频的数量级因而能够成立。

但这个合计只能确认投入规模：这些都是公司指引或预期，并非全年已实现支出；各家对资本开支、融资租赁的处理不同，而且Amazon的预算还包括芯片、机器人和低轨卫星等项目，不能把总额全部贴上“AI”标签。

供给端也要做同样的降噪。嘉宾所说“全产业链基本排满到2028年”以及“某头部内存厂当前订单需要三年产能”，公开信息不足以独立验证。能够确认的是，[微软称客户需求仍超过可用产能]，Alphabet需要在第三季度临时增加第三方容量，而[IEA在2026年4月的更新报告中判断，近半年形成的HBM短缺至少可能延续到2027年底]。这些证据足以说明瓶颈仍在，却不能推出每一种器件、每一个地区都已锁单到2028年。

“模型以下”之所以成为利润变量，还因为AI工作负载不是一块均匀的计算。随附的PIC与SRAM材料把这条链条补得很清楚：Prefill偏计算密集；Decode中的Attention要反复读取KV Cache，更受内存容量与带宽约束；FFN又大量读取权重。SRAM适合低延迟和高带宽访问，却难以独自容纳不断扩大的KV Cache；HBM容量更大，但数据在芯片、机架和数据中心之间移动时，互联功耗与距离又会成为新约束。

铜互联触及信号完整性、线缆体积和能耗边界后，光互联便会从Scale-out继续向Scale-up和封装附近推进。这里没有一颗芯片能够单独解决问题，上一层优化总会把压力传给下一层。

这也是视频中“每个模型定制一颗ASIC”最需要谨慎的地方。a16z用一个上限测算说明其可能性：训练一个前沿模型耗资30亿至50亿美元，假设推理收入达到100亿美元，20%的效率价值就足以覆盖20亿美元的ASIC开发。但20%的效率提升不等于能直接节省20%的收入，模型架构、上下文长度、批量、算子和服务流量也会在Tape-out、量产与验证期间继续变化。

更可能出现的路线，是面向一组稳定工作负载的平台级ASIC，再用异构系统分别处理Prefill、Attention和FFN。定制单位不会无限收缩到单一模型，而会停在足以摊薄研发成本、又能保留优化空间的平台层。

这会把竞争从“谁有一颗更快的芯片”推向“谁能交付一套可复用的系统”。Alphabet销售TPU系统、Amazon把自研芯片变成云端收入，意味着CSP开始具备商用基础设施平台的角色，与NVIDIA式全栈平台形成新的正面重叠。

对创业公司而言，仅有一项器件指标远远不够；它还要解决封装、编译器、互联、供应链、客户验证和量产。对HBM、PIC、CPO、SRAM加速器等环节而言，需求增长也不自动等于利润增长，价值最终取决于它是否占据难以替换的系统瓶颈，以及能否通过标准、良率、认证或软件协同留住议价权。

a16z最薄弱的前提仍是“需求无限”。[IEA的2026年更新显示，2025年全球数据中心用电量为485TWh，预计2030年增至约950TWh，以AI为主的数据中心用电同期可能增长至三倍；但近年单个AI任务的耗电量至少每年下降一个数量级]，资本开支的持续性将对利用率、投资回报和融资环境高度敏感。

效率提升与总需求扩张可以同时发生，却不保证每一轮提前建设都能兑现回报。[按Amazon口径，截至2026年6月底的过去十二个月自由现金流已转为流出76亿美元]，公司明确把主要原因指向以AI为主的物业和设备投入增加。这不是需求崩塌的证据，却说明现金回收已经成为和供给同样重要的约束。

因此，接下来最值得跟踪的不是Token总量还会增长多少，也不是资本开支能否再创纪录，而是这批专有系统能否跨过“内部好用、外部难卖”的边界。若到2027年，TPU系统销售仍不成规模，芯片 run rate 无法转化为可持续的确认收入与利润，同时利用率和云业务毛利被折旧持续侵蚀，那么 Machine Age 更像一场供给短缺交易；反之，芯片、编译器、互联和运维被封装成多个客户愿意长期采购的平台，硬件才真正重新获得软件时代曾经独享的复用经济。

到那时，芯片公司、云厂商和系统厂商的边界会进一步模糊。领先者未必拥有每一项最强的器件，而是能把局部的物理效率，稳定变成客户可以买到的“每个有用任务成本下降”。这才是a16z所谓“机器时代”比一轮缺货周期更值得重视的部分。