从英伟达GPU到大型数据中心，市场一直在关注谁拥有更多芯片、谁能提供更强的计算能力。但随着AI基础设施规模不断扩大，另一个关键问题逐渐浮出水面：这些高性能计算设备需要消耗大量电力，而电力如何高效、稳定地输送到GPU，正在成为影响数据中心运营效率的重要因素。 一座大型AI数据中心可能部署数万颗GPU。它们在执行训练和推理任务时，需要持续获得稳定的电力供应。电力从电网进入数据中心后，还要经过多级转换和分配，最终才能满足服务器、GPU等设备的用电要求。 这个过程中存在一个容易被忽视的成本：电能损耗。假设某个电力转换环节需要处理10兆瓦功率，如果转换效率为95%，就意味着约500千瓦的功率在转换过程中损失，其中相当一部分会转化为热量，进一步增加散热负担。如果效率提高至98%，相同输入功率下的损耗便可降低至约200千瓦。 这只是一个简化计算，却能说明为什么电力转换效率对于大型数据中心如此重要。当计算规模达到一定程度，即使效率只提高几个百分点，也可能对能源成本和散热需求产生明显影响。 为什么是1200V氮化镓？ 氮化镓（GaN）是一种第三代半导体材料，近年来逐渐应用于快充设备、工业电源及其他电力电子领域。与传统硅基器件相比，氮化镓在特定条件下具有更快的开关速度、更低的转换损耗以及更高功率密度的潜力。 目前，商业化氮化镓功率器件主要集中在650V及以下的电压范围。但随着AI数据中心向更高功率密度发展，行业也开始探索更高电压的供电架构，包括800V直流配电系统。 提高配电电压的一个重要原因，是在传输相同功率时降低电流，从而减少线路损耗，并为更大规模的计算设备提供供电支持。这也对功率半导体的耐压能力、效率和可靠性提出了新的要求。 1200V氮化镓技术正是我们关注的技术方向之一。这里的1200V代表器件的耐压等级，并不意味着设备实际需要在1200V电压下运行。对于未来高压供电系统而言，更高耐压

我们很高兴地宣布，XMax Inc.（NASDAQ: XMAX）已签署正式股份购买协议，拟收购美国企业 Hexa Creation Inc. 100%股权，进一步拓展我们在人工智能基础设施领域的战略布局。 Hexa Creation 专注于 1200V 垂直氮化镓（GaN）功率半导体技术，其技术研发方向面向下一代 AI 数据中心电力基础设施及其他高压应用场景。 从 AI 软件与平台服务、GPU 基础设施，到如今进一步布局高压功率半导体技术，我们正持续探索 AI 产业链中的关键发展机遇。 我们不仅关注 AI 的未来，更关注支撑 AI 未来的关键技术。 有关本次交易的具体条款及后续进展，请以公司正式披露的信息为准。

提到AI基础设施，很多人首先想到的是英伟达GPU。随着大模型不断升级，GPU成为AI产业最受关注的硬件之一。但如果把一座AI数据中心拆开来看，就会发现GPU只是其中的一部分。要让成千上万张GPU持续运行，还需要网络、存储、电力、散热以及软件平台共同配合。 这也解释了为什么AI基础设施的投资范围正在不断扩大。从芯片制造商到数据中心运营商，从网络设备供应商到能源企业，越来越多的行业开始参与AI基础设施建设。 一、网络：GPU之间也需要高速公路 假设一家AI公司拥有1万张GPU，是否意味着它就能获得1万张GPU的全部计算能力？答案并没有这么简单。 在大模型训练过程中，不同GPU需要频繁交换数据。例如，一部分GPU完成计算后，需要将结果传递给其他GPU。如果网络传输速度跟不上，GPU就可能花费大量时间等待数据。 因此，高速网络成为大型AI集群的重要组成部分。目前，InfiniBand和高速以太网是AI数据中心采用的主要网络技术，交换机、光模块、光纤以及网络接口设备也随之成为关键基础设施。 随着AI集群规模扩大，网络建设的复杂程度和成本都在增加。对于大型数据中心来说，网络性能会直接影响GPU集群的实际利用效率。 二、存储：AI需要一个庞大的数据仓库 AI模型需要处理海量数据，包括文字、图片、视频、代码以及各种企业业务信息。这些数据必须存储在能够被快速访问的系统中。 传统数据中心已经拥有成熟的存储体系，但AI工作负载提出了新的要求。例如，大模型训练需要持续读取大量数据，AI推理需要快速访问模型参数和相关信息。如果存储系统响应缓慢，即使GPU性能很强，整体运行效率仍可能受到影响。 因此，企业通常需要组合使用高性能SSD、分布式存储以及对象存储等技术。 随着AI从模型训练走向实际应用，数据存储的需求也更加多样化。企业知识库、长期运行的AI Agent以及多模态应用，都需要可靠的数据管理能力

过去几年，提到AI算力，很多人首先想到的是英伟达GPU、大模型训练，以及科技巨头投入数十亿美元建设的数据中心。但随着ChatGPT、Claude、Grok等AI产品逐渐进入日常生活，AI产业正在发生一个值得关注的变化：大模型训练决定了AI能有多聪明，而推理决定了AI能被使用多少次。 当AI开始真正服务数亿用户和企业时，推理需求可能成为推动算力市场持续增长的重要力量。 一、AI训练和推理，到底有什么区别？ 可以把AI模型理解成一个学生。训练阶段相当于学习知识，需要阅读大量资料、反复练习，消耗大量计算资源。而推理阶段相当于毕业后开始工作，每回答一个问题、生成一张图片、分析一份文件，都需要调用算力。 两者最大的区别在于使用频率。训练通常集中在模型开发和更新阶段，而推理发生在每一次实际使用过程中。 例如，一家企业训练完成一个AI模型后，可能会让数万名员工每天使用它。如果每个人每天向AI提出几十个问题，背后就会产生大量持续性的计算需求。 模型可以训练一次、使用无数次，但每一次使用都需要付出计算成本。  也是推理市场受到关注的重要原因。 二、为什么AI用户越多，算力需求可能增长越快？ 早期AI产品主要提供文字问答，用户输入一个问题，模型生成一段答案，整个过程相对简单。 但现在，AI的使用场景正在扩大。用户可以让AI分析几百页的财务报告、生成高清视频、编写软件程序，甚至操作电脑完成复杂任务。 这些功能背后需要的计算资源存在明显差异。 以AI Agent为例，传统聊天机器人通常只需要完成一次问答，而Agent可能需要先理解任务，再搜索资料、调用工具、编写代码、检查结果，最后根据反馈重新执行。 用户表面上只发出一条指令，系统内部却可能完成几十次模型调用。 这意味着未来推理需求的增长，可能同时来自三个方向：使用AI的人越来越多，每个人使用AI的频率越来越高，以及每项任务消耗的计算资源

如果把过去两年的AI新闻放在一起看，会发现一个明显变化：以前大家经常讨论“大模型训练用了多少GPU”，现在“推理成本”“Token价格”“推理算力”出现得越来越频繁。背后的原因很简单，AI产业正在从“把模型训练出来”，逐渐进入“让模型真正大规模工作”的阶段。理解这个变化，首先要搞清楚两个概念：训练（Training）和推理（Inference）。 简单来说，训练是让AI学会能力，推理是让已经训练好的AI使用这些能力。 比如训练一个语言模型，需要向模型输入大量文字、代码等数据。模型不断进行计算，发现自己的预测与正确结果之间存在差距，再调整内部参数。这个过程反复进行，模型逐渐学会语言、知识、逻辑和代码能力。由于现在的大模型拥有庞大的参数规模，训练过程中需要进行海量矩阵运算，因此往往需要大量GPU组成计算集群协同工作。 训练完成以后，模型才真正进入用户手中。当你向ChatGPT、Grok等AI产品输入一个问题，让它总结文章、生成图片或者编写代码时，模型根据已经训练好的参数计算答案，这个过程就是“推理”。因此，我们日常使用AI时，真正持续发生的计算，大部分属于推理。 两者最大的区别之一，在于算力成本发生的方式。训练通常是一项高度集中的大型计算任务。开发一个新模型时，大量GPU可能连续运行数周甚至更长时间，但模型训练结束以后，这一轮大规模计算也会阶段性结束。推理则与用户使用量直接相关。只要有人继续调用模型，计算就会继续发生。 假设一个AI应用拥有1亿用户，每人每天产生10次模型请求，就意味着每天可能出现10亿次调用。未来如果AI继续进入搜索、办公软件、编程、客服、汽车、机器人和企业系统，这种计算需求还可能进一步扩大。因此，训练可以理解为AI产业的“建设成本”，推理则越来越接近一种持续发生的“运营成本”。 Agent的发展可能让这种变化更加明显。过去的聊天机器人通常是用户问一个问题，模

只要谈到AI产业，GPU几乎是一个绕不开的词。训练大模型需要GPU，部署AI应用需要GPU，数据中心采购GPU，云厂商提供GPU算力，甚至很多AI公司的成本结构里，算力都已经成为非常重要的一项支出。 但一个很容易被忽略的问题是： GPU原本主要是用来处理图形的，为什么最后却站到了AI产业的中心？ 理解这个问题，其实也就理解了今天AI基础设施产业的大半逻辑。 一、先理解AI到底在“算”什么 普通人使用ChatGPT、Grok或者其他AI产品时，看到的是文字、图片、代码和回答。 但在计算机内部，大模型处理的并不是我们看到的这些内容。 文字进入模型以后，会被转换成数字。图片、语音和视频同样会被转换成数字。模型接下来需要进行规模巨大的矩阵和张量运算。 简单理解，一次AI任务背后可能存在海量的小型数学计算。 这类工作的一个突出特点就是： 大量计算可以同时进行。 这恰好是GPU擅长的事情。 传统CPU更像一个能力很强、擅长处理复杂任务的管理者，可以执行操作系统、数据库、业务逻辑等各种不同工作。 GPU的设计思路则更强调大规模并行计算。 如果把AI训练想象成需要同时完成几十万甚至更多道结构相似的数学题，那么相比让少量高性能核心逐个处理，让大量计算单元同时工作往往更加合适。 Google在介绍自己的TPU架构时也指出，神经网络中的核心工作大量涉及矩阵乘法和张量运算。Google后来专门开发TPU，本身也说明AI计算已经重要到值得为这类工作设计专用芯片。 二、为什么大模型让GPU的重要性进一步上升？ 早期AI模型规模比较小，一张或者几张GPU就可能完成不少工作。 进入大模型时代以后，情况发生了明显变化。 模型参数增加，训练数据增加，上下文长度增加，多模态能力增加，推理过程越来越复杂。 结果就是： AI对计算资源的需求从“几块芯片”逐渐变成了“计算集群”。 一个大型AI训练任务可能需要大量加速

很多人第一次接触AI时，会有一个很自然的疑问： 芯片越来越快，模型越来越高效，AI公司也天天在研究怎么降低成本，为什么整个行业需要的算力反而越来越多？ 答案藏在一个很容易被忽略的变化里：AI正在从“训练一个模型”，进入“让模型持续工作”的阶段。 过去讨论AI算力，大家最熟悉的场景是训练。几万张GPU同时运行几周甚至几个月，把海量数据“喂”给模型，最后得到GPT、Gemini、Grok这样的产品。 训练确实非常消耗算力，但它有一个特点：训练完成之后，这一轮大规模计算基本就结束了。 现在真正快速增长的另一部分，是推理（Inference）。 简单理解，训练是“让AI学会东西”，推理则是“AI每一次真正帮你干活”。 你在聊天框里问一句话，AI回答一次，需要推理；让AI生成图片，需要推理；让Coding Agent检查几千行代码，需要推理；让企业内部Agent读取文件、搜索资料、调用工具、分析数据并生成报告，背后可能连续发生几十次甚至上百次模型调用。 这也是为什么2026年的AI基础设施讨论里，“Inference”出现得越来越频繁。Google今年4月披露，其模型通过客户直接API调用处理的规模已经超过每分钟160亿个Token，上一季度约为100亿个。换句话说，AI真正进入应用之后，算力消耗会随着使用量不断发生。 AI为什么会越用越“费算力”？ 第一个原因，是AI正在从“回答问题”变成“思考问题”。 早期Chatbot的工作模式比较简单： 用户输入一句话，模型生成一段回答。 现在的Reasoning Model完全不同。面对复杂问题，它可能需要进行更长的内部推理，然后才生成最终答案。 这意味着，同样是回答一个问题，模型真正计算的Token数量可能已经完全不同。 NVIDIA在2026年年报中也特别提到，Reasoning Model会在最终回答之前产生大量“thinking t

过去几年，AI行业最容易被市场理解的一条逻辑，是“模型越大，需要的GPU越多”。于是，参数规模、GPU数量、训练集群和数据中心成为资本市场观察AI产业的核心指标。模型公司不断提高训练投入，云厂商扩建AI基础设施，芯片需求随之增长。但随着AI进入更大规模的实际应用，一个新的变化正在发生：AI对算力的需求没有减弱，算力被消耗的方式却正在改变。 过去大量算力集中在“把模型训练出来”。训练一个前沿大模型，需要大量GPU、电力、存储和高速网络，这更像一次规模巨大的工程项目。但模型训练完成以后，真正决定它商业价值的，是有多少人使用，以及使用多少次。这就是推理（Inference）。用户向AI提出一个问题、程序员让AI生成一段代码、企业让Agent读取文件并执行任务，背后都需要推理计算。换句话说，训练解决的是“AI能不能学会”，推理解决的是“AI每天到底工作多少次”。 这两者最大的商业差异，在于训练具有明显的阶段性，而推理跟使用量持续相关。一个模型可能经历几个月的大规模训练，但上线以后可能服务数百万甚至数亿用户。只要用户继续使用AI，计算需求就会持续产生。因此，未来衡量AI算力需求的方式可能越来越接近一个简单的公式：用户数量 × 使用频率 × 单次任务计算量。 这也是为什么Token正在成为理解AI商业化的重要单位。假设一个AI产品拥有100万日活用户，每个人每天完成10次交互，每一次交互都需要处理用户输入、历史上下文和模型输出，那么每天产生的Token处理量已经非常庞大。更重要的是，AI正在从Chatbot走向Agent，这可能进一步放大推理需求。 Chatbot时代，一次提问通常对应一次或几次模型响应。Agent时代则完全不同。比如让AI完成“分析一家公司的季度业绩并生成报告”，Agent可能需要读取财报、搜索资料、调用数据库、分析数字、生成图表、检查结果，再输出最终文件。用户表面上

过去几年，AI行业最容易吸引注意力的是模型：参数越来越大，推理能力越来越强，代码写得越来越快，Agent也开始自己操作软件。但如果把视角从技术发布会转向企业财务部门，一个更现实的问题就会出现：这些能力，最终能不能变成一笔企业愿意长期支付的钱？ 这其实是AI从技术浪潮走向真正产业化必须解决的问题。对普通用户来说，模型能力提高意味着回答更准确、生成速度更快；对企业来说，计算方式完全不同。一家公司采购AI服务，需要支付API费用、GPU算力成本、数据处理成本、系统集成成本，还要考虑安全、稳定性和员工培训。所以企业真正关心的是：原来需要10个人完成的工作，引入AI之后需要多少人？原来需要3天完成的流程，现在需要多久？原来处理1000个客户请求需要多少钱，现在又需要多少钱？ 当这些问题开始有明确答案，AI才真正进入商业化。 第一道门槛：推理成本必须降下来 训练大模型很贵，但真正进入商业化以后，还有一个长期存在的成本——Inference，也就是推理。用户每问一个问题、生成一张图片、让Agent执行一次任务，背后都会发生真实的计算。与传统软件相比，AI产品的特殊之处在于，使用量增长的同时，计算资源消耗通常也会增长。 这意味着AI公司的商业模式不能只看用户数量，还要看每次调用背后的成本。如果一个AI产品每创造1美元收入，都需要消耗接近1美元的计算资源，那么即使用户增长很快，商业模式仍然很难形成足够好的规模效应。 所以今天GPU、AI数据中心、Inference平台、模型压缩、缓存、模型路由和专用芯片越来越重要。它们解决的其实是同一个问题：如何让每一次“智能”的生产成本继续下降。 未来模型之间的竞争，也很可能越来越接近汽车行业的“每公里成本”或者云计算行业的“每单位计算成本”。企业最终不会无限制地为更大的参数买单，它们会计算完成同样一项工作，哪套AI系统更便宜、更稳定。 第二道门槛：AI必

一家公司说自己在做“AI基础设施”，它的收入可能来自完全不同的地方：有人把GPU服务器租给客户，有人负责搭建和管理算力集群，也有人把模型封装成API，按使用量收费。把这些业务统称为“卖算力”很方便，却很难看清钱究竟从哪里来。 第一层是GPU云：客户租用计算设备。企业要训练模型，或者自行部署模型，可以向云服务商租用配备GPU的服务器。云服务商负责购买设备、建设机房并提供网络；客户按使用时间或预留资源付费。亚马逊云科技的按需实例就是一种按运行时间计费的方式。对这类业务来说，GPU价格只是成本的一部分，设备使用率、电力、机房、网络和运维同样影响最终收益。服务器闲置时，设备仍在折旧，收入却不会随之产生。 第二层是算力服务：客户购买可运行的计算能力。有些客户拿到GPU后，还需要自行安装环境、调度多台服务器、处理故障和监控任务。算力服务商把这些工作一起提供，让客户能够提交训练或推理任务，并按资源用量、服务时长或合同约定付费。客户购买的已经不只是一台机器的使用时间，还包括把机器稳定组织起来的能力。 这两层经常出现在同一家公司。区别在于：GPU云更接近资源出租；算力服务还承担部署、调度和管理工作。业务介绍里都可能出现“GPU数量”，但判断收入质量，还要看这些设备实际运行了多久、客户是否持续使用，以及服务商为交付付出了多少成本。 第三层是API：客户按调用模型的用量付费。假设一家电商公司想在客服系统中加入AI回答功能，它可以调用服务商提供的API，无须自己管理模型服务器。文本模型常见的计费单位是Token，可以简单理解为模型处理文字时使用的计量单位。用户输入的问题会消耗输入Token，模型生成答案会消耗输出Token，两部分可以分别计费。不同模型、图片或语音功能，也可能采用不同的计费规则。Google Cloud公开的生成式AI定价页面就列出了按输入、输出用量收费的方式。 第四层是推理服务：

打开一个AI聊天工具，输入一句话，几秒钟后得到回答。这个过程看起来很轻，但屏幕背后，服务器正在读取模型、处理你的问题，再逐步生成答案。数百万人同时使用时，这些计算就变成了持续运行的基础设施需求。 先说GPU是什么。普通电脑的CPU擅长处理各种不同的任务；GPU擅长同时处理大量相似的计算。训练大型AI模型时，需要反复读取数据、调整参数，大量计算可以交给GPU并行完成。模型规模越大、训练数据越多，对计算设备和运行时间的要求通常越高。斯坦福大学《2025年AI指数报告》指出，受关注AI模型的训练计算量此前约每五个月翻一倍。 但训练完成，算力账单并没有结束。 把训练理解为编写一本参考书，那么推理（Inference）就是每次有人提问时，模型依据已经学到的内容生成回答。你让AI总结财报、写一段代码、分析图片，都属于推理。一次请求消耗的资源远低于训练一个大型模型；请求却会随着用户使用不断发生。对面向大量用户的服务来说，推理能力需要长期供应。 为什么推理越来越“吃算力”？先看使用量。过去，很多人只是偶尔问AI一个问题。现在，AI被接入搜索、办公软件、客服系统和编程工具。一个产品每天要处理多少次请求、用户集中在什么时段使用，都会影响服务器需要准备多少计算能力。 再看每次任务的长度。让AI回答“什么是GPU”，和让它读完一份长报告、比较几家公司并写出分析，消耗的资源不同。输入越长，模型要处理的信息越多；输出越长，生成过程持续的时间也越久。英伟达的技术资料将大语言模型推理分为处理输入的阶段，以及逐步生成输出的阶段，两者面对的计算和内存压力并不一样。 任务本身也在变化。AI Agent执行一项工作时，可能先检索资料，再调用工具、检查结果，最后修改答案。用户看到的是一个任务完成了，后台却可能经历多次模型调用。图片、语音和视频功能的使用增加，也让AI服务需要处理更多类型的数据。因此，“AI用户增长了

过去几年，AI产业最受关注的关键词几乎都围绕着“大模型”。 模型参数有多大、能力有多强、上下文有多长，以及谁又推出了新的模型，几乎每一次技术升级都会成为市场关注的焦点。 但随着AI逐渐从实验室走向真实应用，我们观察到一个越来越明显的变化：AI产业的竞争，正在从单纯的模型能力竞争，逐步延伸到算力、推理效率和基础设施能力。 为什么会出现这样的变化？ 因为一个模型训练完成，并不意味着AI的商业价值已经完全兑现。真正进入应用阶段之后，用户提问、企业调用API、AI Agent执行任务，都需要持续进行推理，而每一次推理背后，都需要计算资源。 过去市场更多关注“训练一个模型需要多少算力”，现在则越来越需要回答另一个问题：当越来越多的人和企业开始使用AI，这些模型每天需要多少算力才能稳定运行？ 这也是我们认为AI算力值得持续关注的原因。 从训练模型到使用模型 训练决定模型能够达到怎样的能力，而推理决定这些能力能否被大规模使用。 随着AI从聊天工具进入搜索、办公、编程、客服、金融、制造等更多场景，模型调用次数和任务复杂程度都在增加。 尤其是AI Agent开始承担更加复杂的连续任务后，一次简单的用户需求可能对应多次模型调用。AI应用越普及，对推理基础设施的需求也可能越大。 因此，AI产业正在出现一个重要变化：竞争重点开始从“谁能训练出更强的模型”，逐渐扩展到“谁能让模型更高效地运行”。 这意味着GPU、数据中心、网络、存储以及推理优化等基础设施的重要性正在提升。 算力正在成为AI产业的基础设施 我们也注意到，企业对算力的需求正在发生变化。 很多企业没有自建大规模数据中心的能力，自建数据中心也不符合大多数企业的实际运营需求，对于很多AI开发者和企业而言，他们真正需要的是能够快速获得计算资源，并根据业务需求调用模型和相关服务以解决实际业务场景产生的需求。 因此，GPU云、算力集群、AI API

马斯克的商业版图又向地下延伸了一步。 迪拜道路与交通管理局宣布，将与马斯克旗下The Boring Company推进Dubai Loop地下交通项目。整个网络规划约24公里，预计投资25亿迪拉姆，约合6.8亿美元。首期工程长约6公里，投资6亿迪拉姆，官方计划立即启动建设，整体项目预计在两年内完成。 很多报道把它称为马斯克版“超级高铁”，从技术结构看，Dubai Loop与传统Hyperloop仍有明显区别。2013年公布的Hyperloop Alpha设想是在低压管道中运行高速运输舱，目标速度超过每小时1000公里；Dubai Loop现阶段采用地下隧道加电动车辆，设计速度最高约每小时160公里。它更接近一套地下高速公路，车辆可以从不同站点直接驶向目的地，减少中途停靠和换乘。 这也解释了The Boring Company的核心思路：先解决城市挖隧道太慢、太贵的问题，再把电动车、自动驾驶和地下交通组合到同一套系统中。 从“超级高铁”概念，到一条真正开工的隧道 马斯克在2013年首次公开Hyperloop方案时，描绘的是洛杉矶至旧金山约35分钟通达的高速运输系统。此后十多年，多家公司尝试推进磁悬浮、低压管道和高速运输舱，商业化进度始终有限。建设成本、安全认证、紧急疏散、运力和土地审批，成为摆在项目面前的几道现实门槛。 The Boring Company选择了一条更容易执行的路径：保留地下高速交通的核心方向，先使用已经成熟的电动车辆，再持续降低隧道施工成本。 目前最成熟的案例是拉斯维加斯Vegas Loop。车辆已经在地下隧道中接送乘客，Dubai Loop则把这一模式带入更大规模的城市交通网络。根据最初披露，Dubai Loop首期方案曾规划约17公里和11座车站，可服务每小时超过2万人；长期运力目标超过每小时10万人。最新公布的整体线路已经扩展至24公里。 从资本市场关