算力革命的另一面：AI的下一场战争，不在云端而在街头

上周翻到一份报告，Fortune报道了Vinod Khosla的一个提案，这老头儿——硅谷最敢说真话的风险投资人之一——提出了一个让我愣住的想法：用线性发电机解决AI的能源危机，而且不需要依赖电网。

第一反应是：这什么野路子？

要知道现在硅谷的主流叙事是“核聚变解决一切”。OpenAI的Sam Altman砸钱搞Helion，微软签了核聚变购电协议，Google在买小型核反应堆。所有人都在画一个宏大的未来：AI的能源需求，最终要靠科幻级别的技术来满足。

但Khosla说的根本不是这回事。他提的“线性发电机”——简单说就是把燃料直接转化为电能，没有旋转部件，效率比传统燃气轮机高得多——本质上是在说：别等未来的奇迹了，现在就有办法。

这让我想起2018年采访一个做边缘计算创业的朋友。当时所有人都在讲“云是一切”，他们团队却在做一件事：把算力塞进一个行李箱大小的盒子里，放在工厂车间。“云端很美好，”他说，“但数据从车间传到云端再传回来，那个延迟，产线等不起。”

当时的我理解不了。现在回头看，那才是真正的先见之明。

当AI走出数据中心

Khosla的提案背后是一个正在发生的深层变化：AI的算力需求正在从“集中式”向“分布式”迁移。

这不是说大模型不需要超大规模数据中心了。而是说，当AI开始真正嵌入物理世界——零售店的实时推荐系统、工厂的质检摄像头、自动驾驶的边缘决策——这些场景对算力的要求是不一样的。它们不需要万亿参数级别的推理能力，但需要毫秒级的响应、99.999%的可用性、以及不依赖主干电网的能源方案。

拿零售业来说。Let's Data Science的最新数据很能说明问题：2026年全球零售技术支出达到3880亿美元，AI投资年增长25%。 这背后是什么？是AI购物代理已经在主流平台上运行了——不是“未来会怎么样”，而是“现在就在发生”。

上个月我朋友在东京出差，用某个日本的二手交易APP，发现它的推荐系统已经不是“你可能也喜欢”那种老套路了。它直接问他：“您是要找特定型号的相机，还是想看看本周上架的热门款？”然后根据回答，实时调用多个库存系统的API，像真人导购一样帮他筛选。朋友说：“感觉像在跟一个懂行的店员聊天，而不是一个搜索引擎。”

这就是Khosla说的方向。AI的下一场战争，不在云端，而在街头。 在那些需要实时决策、本地推理、且不能断网断电的场景里。

能源问题的真正面目

但这里有一个被很多人忽略的细节。

Khosla的提案之所以值得认真对待，不是因为线性发电机有多神奇，而是因为它暴露了一个尴尬的事实：过去两年AI行业在能源问题上，一直在用一个“宏大叙事”来掩盖一个“现实问题”。

宏大叙事是：核聚变会来，小型核反应堆会来，清洁能源会解决一切。现实问题是：2026年的AI数据中心的电力需求已经超过一些小国的全国用电量，而核聚变至少还需要10年，小型核反应堆的审批周期是5-8年。

这中间有一个巨大的空窗期。

Khosla的意思是：别等10年后的完美方案了。线性发电机不是完美的——它仍然烧燃料。但它能解决“现在就要用”的问题。在理想和现实之间，先选现实。

这让我想起2023年跟一个做AI基础设施的工程师聊天。他说了一段话我至今记得：“我们团队花了一年时间优化模型推理效率，把单次推理的能耗降了40%。然后发现，数据中心的总能耗还是翻倍了——因为用户量涨了5倍。效率永远追不上规模增长。”

这才是真正的困境。不是“AI需要多少能源”，而是“能源的增长能不能追上AI的膨胀速度”。

基础设施的“肉身化”

回到Khosla的提案和零售AI的案例，我隐约看到一个趋势：AI正在从一个“虚拟的东西”变成一个“物理的东西”。

过去几年，AI存在于云端，存在于API调用里，存在于你的浏览器标签页里。它没有重量，不需要位置，不需要考虑供电和散热。但现在的AI——那些能帮你购物、能控制机器人、能驱动自动驾驶的AI——正在获得“肉身”。

有肉身的AI需要吃饭。 它的饭就是电，就是算力，就是网络带宽。

而“吃饭”这件事，从来不是纯技术问题。它涉及城市规划（数据中心建在哪里）、能源政策（电网能不能承受）、甚至地缘政治（芯片和能源从哪里来）。Khosla的提案本质上是在说：别把AI的基础设施问题当成一个纯技术问题来处理。它是一个社会问题。

这一点在零售领域表现得尤其明显。当AI购物代理开始大规模使用，它改变的不仅是用户的购物习惯——它改变了整个零售供应链的数据流。以前，零售商的IT系统只需要处理“人流量→库存→销售”这个闭环。现在，AI代理的查询请求可能在几分钟内超过所有人类顾客的总和。 这种流量冲击，是传统的IT架构完全无法应对的。

所以你会看到，大型零售商开始为自己的AI系统建设专用的边缘计算节点。不是放在云端，而是放在配送中心旁边。不是用通用GPU，而是用定制化的推理芯片。基础设施正在“肉身化”——它变得重、变得热、变得吃电。

一个更真实的未来

我不确定Khosla的线性发电机是不是正确答案。坦白说，我甚至怀疑它能不能大规模部署。但他提出的问题才是关键：我们是否愿意接受一个“不那么完美但能用”的中间方案？

在AI行业，大家习惯了追求极致——更大的模型、更快的训练、更低的延迟。但在基础设施层面，完美主义可能是最大的敌人。因为能源问题不是模型问题，它不能靠下一次迭代来解决。它需要妥协、需要将就、需要接受“够用就行”。

这让我想起我那个做边缘计算的朋友。他后来告诉我，他们公司最大的客户不是科技公司，而是一家大型连锁超市。“他们不在乎算力有多强，”他说，“他们在乎的是，当收银台的AI摄像头突然断网，能不能继续工作。”

这才是真正的AI落地。不是在PPT上展示99.9%的准确性，而是解决那0.1%的意外。

所以我倾向于认为，Khosla的思路——无论是线性发电机还是其他什么方案——代表了一个正在发生的转向：AI基础设施建设正在从“仰望星空”转向“脚踏实地”。 核聚变很好，量子计算很好，但AI的下一场战争，很可能不是在云端，而是在一个不起眼的零售店的配电箱里。