小触AI
/ AI资讯, 行业观察, 基础设施

这一轮 AI 真正的新中心，不是模型更强，而是开始争夺运行时、算力与电力基础设施

#AI #Runtime #Anthropic #AWS #NVIDIA #Ai2 #Infrastructure #OpenAI #Compute #Singapore #Power

如果还用“又有新模型、又有新功能”来理解最近这轮 AI 动态，我觉得已经有点慢了。

把这两天几家关键公司和官方机构的信号放在一起看，更值得记住的变化其实是另一件事：

AI 正在从一个可以被分发的软件能力，变成一套必须绑定运行时、算力、电力和国家部署能力的基础设施。

这不是修辞。

它意味着，下一阶段的竞争重点，正在从“谁的模型更强”，切到“谁控制 AI 运行所需的真实底座”。这个底座不只是 GPU，还包括 stateful runtime、芯片路线、云接入、供电体系、产业组织方式，以及国家层面的部署能力。

先说结论

这一轮最值得抓住的，不是单个产品，而是 4 个同时出现的收敛信号：

  • AWS 和 OpenAI 在把 AI 从 stateless 调用推向 stateful runtime，说明模型正在被重新定义为长期运行系统的一部分。
  • Anthropic 在把 frontier AI 的供给逻辑直接推进到 multiple gigawatts 级别，说明算力已经不是后台资源，而是战略主轴。
  • NVIDIA 开始把 AI factory 和电网调度、能源资产写进同一套叙事里，说明 AI 的约束条件正式进入电力层。
  • 新加坡政府 明确说自己的优势不在做最大 frontier model，而在更快、更可信地组织部署 AI，这说明国家竞争也在从“追模型”转向“建运行体系”。

把这些点合起来看，真正的新中心是：

AI 行业开始从模型竞争，进入运行权竞争。

谁掌握运行环境，谁就更接近下一阶段的核心价值。

一，AWS 和 OpenAI 在做的，不只是合作，而是在定义 AI 的“状态化运行”

AWS 4 月 22 日关于和 OpenAI 的新合作解释得很直白。

官方说法是，双方会共同打造一个 Stateful Runtime Environment。这套环境允许 AI agent：

  • 保持上下文
  • 记住之前做过的工作
  • 跨工具和数据源持续执行
  • 访问计算资源
  • 在生产级应用里不必每次都从零开始

这件事比“模型上架 Bedrock”重要得多。

因为过去的大模型，大多数时候都更像一次性调用。你发一个请求，它给你一个回答，调用结束，状态也基本结束。即便外挂 memory，本质上也还是在外面补。

但如果 runtime 本身变成 stateful，意义就不同了。

这意味着 AI 不再只是被请求一次的模型，而是逐渐变成一种可持续运行的系统部件。它开始更像：

  • 一个长期工作的 agent
  • 一个带记忆和身份的工作线程
  • 一个能进入企业流程的执行单元
  • 一个真正可以接住复杂项目过程的运行环境

换句话说，AI 的竞争已经不再只是模型层，而是在往 runtime layer 下沉。

以后真正难替代的东西，未必只是某个模型名字，而可能是这套模型运行在什么环境里，能调什么资源，是否带状态，是否能和企业已有基础设施无缝接上。

二，Anthropic 把 multiple gigawatts 写进官方新闻，说明算力已经从资源问题变成结构问题

Anthropic 最近的官方更新也很关键。

4 月中旬，Anthropic 宣布和 Google、Broadcom 签下新的协议，准备拿到 multiple gigawatts of next-generation TPU capacity，并预计从 2027 年开始上线。官方还特别强调，绝大部分新增算力会部署在美国。

这里最值得注意的，不只是量大，而是叙事变了。

过去说 AI 基础设施，大家还容易停留在：

  • GPU 紧张
  • 芯片贵
  • 训练成本高
  • 云资源不够

但当一家 frontier lab 开始用 gigawatt 这个量级来描述自己的下一阶段能力建设时，AI 基础设施就已经不能再被理解成普通 IT 采购了。

它更接近的是：

  • 工业级供给组织
  • 国家级资源配置
  • 长周期资本开支
  • 对电力、园区、芯片与云伙伴的协同锁定

Anthropic 在同一篇官方材料里还强调，Claude 同时运行在 AWS Trainium、Google TPU、NVIDIA GPU 这些不同硬件平台上，并且仍通过 AWS、Google Cloud、Microsoft Azure 三大云分发。

这说明 frontier lab 现在真正追求的，不只是“拿到更多卡”，而是：

把自己嵌进多芯片、多云、多地域的运行网络里，形成韧性和议价能力。

所以这一轮变化背后，算力不再只是成本项，而已经变成平台结构本身。

三，NVIDIA 已经不再只卖算力，它在把 AI 工厂写进电力系统

如果说 Anthropic 暴露的是算力供给问题，那 NVIDIA 最近几篇官方稿件则更进一步，把 AI 的边界直接推进到能源系统。

NVIDIA 在 3 月底和 4 月的官方材料里连续强调两个方向。

第一，是 NVLink Fusion 这类合作，继续把 AI 基础设施推向更开放但仍围绕 NVIDIA 的异构生态。它不只是卖 GPU，而是在组织一个可以容纳 custom XPU、网络、光互连和 AI-RAN 的大底座。

第二，更值得重视的是，NVIDIA 和 Emerald AI 以及多家能源公司共同提出 flexible AI factories as grid assets。官方原话已经非常清楚，AI factories 不只是耗电设施，还可以作为支持电网的灵活能源资产来设计。

这句话其实非常重。

因为它意味着，AI 数据中心的逻辑正在发生一个深层变化：

过去大家问的是，AI 会不会把电网压垮。

现在领先的基础设施公司开始问的是，能不能把 AI 工厂直接设计成电网体系的一部分，让算力部署、储能、桥接供电和电网响应一起规划。

这说明 AI 产业已经进入一个新阶段：

约束 frontier AI 的，不再只是模型能力和芯片数量，还包括电力接入速度、负荷弹性和能源协同能力。

当一个行业开始同时讨论 token、机架、功率曲线和电网资产，它就已经不是普通软件行业了。

四，新加坡给出的官方信号很清楚，国家不一定追最大模型，但一定要抢部署组织权

国家层面也出现了相当一致的变化。

新加坡 2026 年预算和政府官方材料里，有几个表述非常值得记住。

第一，新加坡明确说：自己的优势 不在于建最大的 frontier model，而在于更快、更负责、更有组织地部署 AI。

第二，政府宣布：

  • 从 2025 到 2030 再投 超过 10 亿新元 做国家 AI 研究与开发计划
  • 推出新的 National AI Missions
  • 用 National AI Impact Programme 支持未来三年 10,000 家企业 和 100,000 名工作者 提升 AI 采用与实践能力

这套思路非常成熟。

它不是把国家资源砸到“我们也要做一个最大的通用模型”这条最昂贵的路上，而是把重点放在：

  • 研究能力
  • 产业 adoption
  • 人才供给
  • 可信规则
  • 重点行业的系统化部署

这说明政府对 AI 竞争的理解也在升级。

国家层面的 AI 竞争，不一定是谁先造出最强模型，而是谁更快把 AI 变成真正可部署、可吸收、可扩散的国家能力。

这和云厂商、基础设施公司最近的动作，其实是同一条线。

五，Ai2 的开放路线，也在补“运行世界”而不只是补模型

Ai2 最近两条官方更新，看起来没有那么喧闹，但我反而觉得很有代表性。

一条是 evaluating agents for scientific discovery，说明 agent 开始被认真放进科学发现这种高价值任务里评测，而不是只拿来做表面 demo。

另一条是 open, simulation-first stack for physical AI，强调先在仿真环境里建立能力，再把它转到真实机器人上。

Ai2 这类信号的重要性在于，它提醒我们：

AI 的下一阶段基础设施，不只是在云和数据中心，也包括：

  • benchmark
  • simulation
  • scientific workflow
  • open tooling
  • 对真实世界任务的验证环境

也就是说，所谓运行权，不只是“在哪个云上跑”，还包括“在什么世界模型里训练、评测和迁移”。

六，真正的新中心，是 AI 从“被购买的软件”变成“被争夺的运行权”

把 AWS、OpenAI、Anthropic、NVIDIA、新加坡、Ai2 这些信号放在一起，最近这轮全球 AI 最值得写的一句话，我会这样概括：

AI 正在从一种可购买的软件能力，变成一种必须被组织、供电、调度、审计和持续运行的基础设施能力。

这句话会带来几个很现实的后果。

1. 模型分数依然重要，但越来越不是全部

以后模型好不好，不只体现在 benchmark，也体现在：

  • 能否进入 stateful runtime
  • 能否低成本长期运行
  • 能否接住企业权限、记忆、工具和计算
  • 能否在不同芯片和不同云之间形成韧性

2. AI 公司的核心竞争，会更像基础设施公司

未来真正强的 AI 公司，不只是会训练模型，还要会：

  • 拿算力
  • 拿能源
  • 拿云入口
  • 建运行时
  • 建安全和治理机制
  • 进入国家与行业的正式部署体系

3. 国家竞争会越来越像“组织能力竞争”

新加坡这种路径说明得很清楚。

国家不一定都去复制 OpenAI、Anthropic、Google DeepMind，但都会越来越关心：

  • 我们有没有自己的研究能力
  • 我们能不能吸引和锁住算力与人才
  • 我们能不能让企业大规模采用
  • 我们能不能定义可信部署规则

结语

如果说前一阶段 AI 行业最核心的问题是“模型够不够强”，那最近这轮信号说明，问题已经变成了：

谁能让这些模型稳定地、低成本地、长期地、可信地跑在真实世界里。

这就是为什么我觉得，最近真正的新中心不是模型发布，而是运行时、算力和电力基础设施。

因为当一个产业开始同时争夺 memory、identity、compute、grid access 和 national deployment，它就已经不再只是软件行业的一条新赛道了。

它开始更像这个时代新的基础设施层。

参考来源