Leopold的万亿美元集群预言：两年后全部应验

2024 年 6 月，Leopold Aschenbrenner 发表《Racing to the Trillion-Dollar Cluster》。那时候，很多人还在讨论 GPT-4 有多强，但他已经看到了 2 年后的世界。

关于 Leopold Aschenbrenner：作为 OpenAI 的资深研究人员，Leopold 在 AI 系统扩展、算力基础设施、芯片供应链和大规模计算方面拥有深度的工程和战略洞察。在 AI 基础设施和地缘政治交叉的领域，可能没有人看得比他更清楚。他的《Racing to the Trillion-Dollar Cluster》一文，不仅精准预测了 AI 硬件需求的轨迹，更重要的是将 AI 竞争从”技术竞赛”上升到了”工业体系竞赛”和”国家竞争”的层面，这成为了理解 2024-2026 年 AI 投资潮的最核心框架。

现在是 2026 年 5 月，回头看这篇文章，他当时的所有核心预言都被验证了：

• 电力成为最大瓶颈 ✅
• HBM 和先进封装成为关键卡脖子 ✅
• AI 投资从科技圈变成工业动员级别 ✅
• 能源、基建、制造类公司暴涨 ✅

让我们看看这位”AI 基建先知”，当年到底写了什么。

一、他当时的核心预言是什么？

Leopold 2024 年的判断：AI 竞争已经从模型竞赛演化成工业体系竞赛。

他说决定 AI 上限的，已经不是算法和人才，而是：

• 能否持续拿到越来越大的训练集群
• 能否建设足够多的数据中心
• 能否获得足够多的电力 [2026 年验证：完全成真]
• 能否扩出足够多的先进芯片产能 [2026 年验证：HBM/CoWoS 大缺货]
• 能否把这些基础设施控制在美国或盟友体系内 [2026 年验证：地缘竞争升温]

换句话说，约束已经从软件世界切换到能源、制造、资本开支和地缘政治。 2 年后，这句话看起来简直是铁律。

二、他预测 2026 年会怎样？

Leopold 当时沿着每两年 10 倍增长的趋势线往后推。看看他对 2026 年的预测：

2026 年的 AI 投资规模：~5000 亿美元 / 年 实际验证：✅ 基本接近或超预期（大型云厂商 capex 确实在这个量级）

看看英伟达数据中心收入的爆炸性增长（这是AI投资最直接的证据）：

从 $14B 到 $90B 的增长，完全验证了Leopold的工业化投资论。

具体数据他是这么说的：

• 2022 年：GPT-4 级 ~ 1 万 H100 等效 ~ 5 亿美元
• 2024 年：+1 OOM ~ 10 万 H100 ~ 数十亿美元 ✅ 当时已验证
• 2026 年：+2 OOMs ~ 100 万 H100 ~ 数百亿美元 ← 现在就在这个时间点
• 2028 年：+3 OOMs ~ 1000 万 H100 ~ 数千亿美元
• 2030 年：+4 OOMs ~ 1 亿 H100 ~ 1 万亿美元以上

关键启发：他强调的不是单纯的数字，而是一个现实：

训练集群已经进入国家基础设施级别。AI 不再是”买一堆 GPU”，而是要占用一个州级别的电力资源。

看看大科技公司资本开支的激增趋势（ChatGPT后的工业化体现）：

这就是Leopold说的”工业动员”——从2023年开始，云厂商把钱投向了硬基础设施，而不是软件。

2. 为什么他强调的是”建集群成本”，而不是”租 GPU 成本”？

大多数人谈模型训练，用的是轻口径：某个模型训练花了多少 GPU 租赁费。这样会严重低估真实资本开支。

真正的资本消耗来自整条研发流水线：

• 架构摸索
• 小规模试验
• 失败训练
• 对齐与后训练
• 推理验证与迭代

还有 GPU 本身只是成本的一部分。一个大集群还要包括：

• 数据中心建筑
• 制冷系统
• 电力系统
• 网络互联
• 运维与维护
• 资本成本

核心点是：真正的数字，不是”某次训练要烧多少钱”，而是”为了稳定拿到这一级别算力，你要先投入多少固定资本”。

3. 到 2030 年，AI 总投资规模有多大？

Leopold 给出的总体 AI 投资估算更激进。看这组数据：

2024 年：年度 AI 总投资 1500 亿美元
加速器出货 500 万1000 万 H100 等效
电力占美国 1%-2%
占 TSMC 产能 5%-10%

2026 年：年度 AI 总投资 ~5000 亿美元
加速器出货 数千万
电力占美国 ~5%
占 TSMC 产能 ~25%

2028 年：年度 AI 总投资 ~2 万亿美元
加速器出货 1 亿级
电力占美国 ~20%
占 TSMC 产能 ~100%

2030 年：年度 AI 总投资 ~8 万亿美元
加速器出货 数亿级
电力占美国 ~100%
占 TSMC 产能 约为当前 4 倍

他要说的不是”2030 年是否真会到 8 万亿”，而是：

不能只盯训练，AI 的真正资本吞吐能力在于”训练 + 推理 + 多玩家并行扩张 + 基础设施配套”这几个项叠加。

4. 最大的约束，其实不是芯片，而是电力

这是整篇文章最有洞察力的地方。大多数人一提 AI 供给瓶颈，第一反应是芯片短缺。但 Leopold 的判断是：

真正更硬、更慢、更难扩张的瓶颈，其实是电力。

为什么？因为：

• 1GW 级别的数据中心园区已经需要接近传统大型工业项目的供电能力
• 10GW 级别的数据中心会碰到州级资源配置问题
• 核电站建设周期太长
• 大电力合同通常早就被锁定
• 输电、并网、许可审批都极慢

一个形象的对比：

• 10GW 集群，已经接近一个中等美国州的用电量级
• 100GW 集群，相当于美国当前发电量的 20% 以上

换言之，训练和推理需求再怎么增长，最后都要落到：哪里有电，哪里能更快拿到电，哪里就更可能承接下一轮 AI 能力。

看看美国电力生产的压力（这是Leopold最有预见性的地方）：

AI 的电力需求曲线直接冲出了历史水位。Leopold在2024年就看到了这一点，而现在这已经变成了政策讨论的焦点。

5. 供应链最大的变化：从单一 GPU，到多瓶颈并存

Leopold 特别指出几个关键约束环节：

• CoWoS 先进封装：不再只是”配角工艺”，而是算力兑现的核心约束
• HBM 内存：已经成为实质瓶颈
• 网络互联：承载数据中心间的通信
• 数据中心配套：工程、土地、规划

这背后的投资启发是：

AI 扩产最容易卡住的，不一定是市场最熟悉的名字，而是那些更专用、更不容易被快速复制的中间环节。

6. 地缘政治：为什么他强调”民主集群”

文章里有一条非常强烈的地缘政治主线：

如果最关键的 AGI 数据中心建在美国以外，尤其是建在不可控政体中，那么技术领先本身也可能失去战略意义。

他的担忧有三层：

• 物理控制权：AGI 真正运行在哪个数据中心，就意味着谁在物理上接近那套系统
• 政治胁迫风险：关键基础设施在别国土地上，可能面临被扣押、被施压的风险
• 对中国的外溢风险：如果数据中心安全没锁住，最先进系统的权重、知识都可能外泄

所以他最后提出”Clusters of Democracy”这个概念，本质上是说：

未来最关键的 AI 集群，应该尽可能建在美国或高度可信的盟友范围内。

7. 为什么说这篇文章”准得吓人”

从 2026 年回头看，Leopold 当时最有前瞻性的判断主要有五条：

他很早就把”算力需求”提升到了”能源需求”，很多人还在讨论 GPU 供给，他已经在讨论 1GW / 10GW / 100GW 级别的数据中心。

他预判了 AI capex 会沿着工业化路径膨胀，后续 hyperscaler 的资本开支扩张基本验证了这一点。

他提前看到了 HBM 和先进封装的重要性，市场后来才逐步把注意力从纯 GPU 扩散到这些环节。

他很早把地缘和国家安全纳入 AI 基建分析，今天再看，这已经越来越像政策问题。

他不是停留在写作，而是把判断延伸成了投资框架。

8. 对投资者有什么启发？

第一，AI 投资不能只研究模型公司。

一旦把 AI 看成工业动员，研究重点就必须扩展到：GPU、HBM / DRAM / 封装、数据中心工程、电力与发电、冷却、网络互联、地缘政治与本土化建设。

第二，电力约束意味着”谁能先落地，谁吃估值”。

AI 不是理论需求就能兑现成收入。真正能兑现的是那些先拿到地、拿到电、拿到设备、拿到施工能力的公司。

第三，hyperscaler capex 不是普通 IT 开支。

如果 AI 真进入国家竞争和平台级竞争阶段，云厂商 capex 会表现得更像铁路、能源、通信网络建设。

第四，产业链里会出现多个”不是最性感、但最赚钱”的环节。

典型如：HBM、advanced packaging、power equipment、cooling、grid infrastructure。这些往往比应用层更受益于确定性的资本开支。

最终的一句话总结

Leopold 不是在预测”某个模型会更强”，而是在预测：一旦 AGI 趋势成立，世界会被迫围绕算力、电力、资本开支和地缘安全，重新组织自己的工业体系。

你看完之后，会很难再把 AI 当成一个普通科技板块，而会开始把它当成下一轮国家级基础设施建设。