--- # System prepended metadata title: Crusoe CEO：AI資料中心的六十億美元賭局與電力瓶頸 --- # Crusoe CEO：AI資料中心的六十億美元賭局與電力瓶頸 > 原始影片：[Class #3 | MS&E435: Economics of the AI Supercycle Stanford University Spring '26 Apoorv Agrawal](https://www.youtube.com/watch?v=4zk-hJ50vmU) | MS&E 435: Economics of AI | 2026-04-22 ## 導言 2024 年五大超大規模雲端業者（hyperscaler）在 AI 相關資料中心的總支出已突破 6,500 億美元，規模僅次於美國國防預算，超過歷史上的登月計畫與曼哈頓計畫。這筆錢到底流到哪裡、在哪些環節堆疊成本、最終誰能賺到，是所有投資人都該弄清楚的問題。 Chase Lochmiller 是 Crusoe 的執行長，Crusoe 是一家垂直整合的 AI 基礎設施公司，從能源開發、資料中心建造，到 GPU 叢集部署全部自己做。他在 Stanford MS&E 435 的這堂課，把每 MW 的成本拆到單項，也指出了目前瓶頸其實不是晶片，是有電力的資料中心土地。 他給出的一句話，或許是整場最值得記住的：「歷史上，勞動力只能靠出生率改變，改變需等二十年。現在我們第一次能夠透過投資資料中心和 GPU，數位化地改變 delta L，加速 GDP 成長。」這句話把 6,500 億美元這個數字放進了正確的尺度——它是在擴張全球的數位勞動力。 --- ## 資料中心：AI 繁榮的實體載體 Lochmiller 回答「什麼是資料中心經濟學」時，先從基本公式講起。AI 的產出需要五項：資料、演算法（反向傳播、Transformer 架構等）、算力（GPU 的平行計算和張量運算）、能源，以及容納硬體的實體建築。資料中心就是把這五項整合在一起的物理載體。 > 「人們說他們今天使用 Gemini 或 Claude 時，這些服務的背後，都是由資料中心這個實體基礎設施在支撐。」 他強調資料中心的複雜性被嚴重低估。表面上它只是一棟「有電力供應和冷卻系統、可以插上電腦的建築物」，但當規模擴展到數百 MW 甚至 GW 等級時，它同時涉及化工、機械、電機和電腦工程。 --- ## Cobb-Douglas 生產函數與數位勞動力 Lochmiller 援引經濟學中的 Cobb-Douglas 生產函數模型解釋為何這些投資如此龐大。GDP 成長的驅動因素有三項：勞動力（L）、資本（K）、技術進步（T）。 傳統上勞動力只能靠出生率改變，而這有二十年的前置時間——必須養育、教育、培訓一個人才能投入勞動市場。AI 改變了這件事： > 「當你賦予一個 agent 任務，比如『幫我為新產品建立 CRM 系統』，這實際上就是數位勞動力的體現。歷史上，勞動力是一個你只能透過出生率來改變的東西。現在，我們第一次能夠透過投資資料中心和 GPU，數位化地改變這個 delta L，進而加速 GDP 的成長。」 換句話說，這些幾千億美元的投資本質上是在擴張全球的數位勞動力供給。 --- ## 瓶頸的遷移：從晶片到電力殼層（Powered Shell） 過去四年，AI 產業的瓶頸經歷了多次遷移：最初是 GPU 晶片短缺，接著是記憶體和 HBM，接著是網路互連技術。現在 Lochmiller 指出： > 「今天最大的瓶頸，是有電力的資料中心殼層——那些可以插上晶片、啟動大型 GPU 叢集的地方。晶片供應已經相對寬鬆，真正的挑戰是找到可以安裝這些晶片並供電的位置。」 這也是 Crusoe 選擇垂直整合策略的核心原因：瓶頸會持續在不同環節移動，垂直整合讓公司可以隨著瓶頸位置自己調整，不必依賴外部供應商。 --- ## 能源優先策略：為何選擇 Abilene Lochmiller 透露，Crusoe 的命名靈感來自《魯賓遜漂流記》中的「星期五」。他的核心洞察是：在西方世界，能源是最稀缺的資源之一。因此他選擇避開傳統資料中心市場（如 Northern Virginia），追尋能源豐富但非傳統資料中心市場的地點。 Abilene, Texas 就是最佳範例。West Texas 同時具備極佳的風力和日照條件，吸引了大量再生能源開發商在 PTC（Production Tax Credit，生產稅收抵免）激勵下大規模建設風力和太陽能電廠。但這些綠電面臨輸電瓶頸——沒有足夠的電網把電力輸送出去，導致電價經常出現負值。 > 「我們說：太好了，我們有個用電大戶需要你。於是我們與 Abilene 市府合作，在當地建立大型 AI 資料中心園區。」 Crusoe 在當地建了全美最大的民營變電站——1GW 變電站，容量相當於為整個 Denver 供電。整個園區最終規模將達 2.1GW，客戶是 Oracle、OpenAI 和 Microsoft。園區還配套建設了一座約 350MW 的天然氣發電廠，以及一個能容納 5,000 輛車的停車場——高峰期每天有 9,000 人在工地現場工作，而 Abilene 的常住人口只有 12 萬人。 --- ## 水資源迷思：AI 真的會耗盡水嗎？ Lochmiller 也澄清了一個常見誤解：AI 資料中心並不像外界擔心的那樣大量耗水。整座建築的冷卻系統是一個封閉迴路，初始需要約 100 萬加侖的水填充，但之後水只在系統內循環，每年的補水量和一般單戶家庭差不多。這在 Abilene 這種水資源稀缺的地區很關鍵。 --- ## 每 MW 的成本結構 Lochmiller 詳細拆解每 MW（百萬瓦）資料中心建造的成本，這是整場最值得抄下來的段落。 **電力基礎設施** - 配電中心（PDC）：將 34.5KV 高壓逐步降壓至 480V/415V 供晶片使用 - UPS 不斷電系統：平滑化電力分配 - 備用柴油發電機：為核心網路和存儲系統提供災難備援 - 天然氣發電廠：約 200 到 300 萬美元／MW（近年因需求激增，價格從 100 萬漲到 300 萬美元／MW） **冷卻系統** 空氣冷卻機組（chiller）構成建築的核心冷卻基礎設施，內部有大量銅管纏繞形成冷凝盤管。冷水迴路從冷端進入，流經 GPU 機架時吸收熱量（熱交換），熱水再回到 chiller 散熱後恢復低溫。整個建築的給排水系統非常複雜，現在要僱用大量水管工和管件工。 **軟成本（Soft Costs）** 保險、融資費用（建設貸款的利息還款）、場地勘測和調試費用。 **天然氣發電廠** 全球主要燃氣渦輪製造商（GE Vernova、Siemens、Mitsubishi Heavy Industries、Pratt & Whitney、Caterpillar 旗下 Solar Turbines）過去擴產有限，導致供不應求。這也是 GE Vernova 股價近年表現極佳的原因之一。 **承租裝修（Tenant Fit-out）** 包括遠端電源面板、熱通道封閉系統、風牆、CDU（冷卻分配單元）等，所有設備都在實際部署 GPU 的資料大廳中。 **勞動力** 這是單項成本最大的一項之一，達 470 萬美元／MW。對一個 GW 規模的園區來說，光是建築工人的人力成本每年就高達 47 億美元。 > 「這是一個瓶頸——我們沒有足夠的電工、焊接工、水管工、建築工人。這個項目只是眾多在建項目之一，供需失衡嚴重。」 整體加總，光是發電廠加資料中心的建造成本就約 2,000 萬美元／MW（20 億美元／GW）。 --- ## GPU 與 IT 基礎設施：誰在賺錢 IT 資本支出的數字更清楚：每 MW 約 4,000 萬美元，其中約 3,000 萬流向 GPU——Nvidia 的 Jensen Huang 最賺。 **網路**：約 400 萬美元／MW，用於 InfiniBand 或 RoCE（RDMA over Converged Ethernet）互連，把多個機架組成一個 coherent cluster。 **CPU 和存儲**：意外的是近期出現 CPU 短缺——因為 agentic workflow 和雲端運算爆發，需要大量 CPU 來 orchestrate 這些工作負載。每 MW 約 300 萬美元。 **室內裝修和部署**：約 300 萬美元。 總計 IT capex 約 4,000 萬美元／MW，加上電力基礎設施的 2,000 萬，總前期投資約 6,000 萬美元／MW。 --- ## 算力是商品嗎？ 被問到算力是否會商品化時，Lochmiller 的回答比較有層次： > 「我認為這取決於時間範圍，也取決於應用場景。較舊的算力確實會趨向商品化。但有一個東西絕對不是商品——規模。當你在真正龐大的規模下運作時，極難被複製。」 他認為長期來看，隨著競爭加劇，Nvidia 目前約 80% 的毛利最終會降到更正常的 60% 水準。但短期內，尖端算力仍會享有溢價。 --- ## 從 H100 價格走勢看設備折舊週期 Lochmiller 展示了一張顛覆直覺的 Bloomberg 圖表：H100 晶片在 2022 年底首次亮相時的價格，經過初期下調後，在 AI agent 應用爆發後反而回升，甚至超越了首發價格。這直接打臉了「下一代晶片出來舊晶片就沒用」的論點。 > 「我們在 Crusoe Cloud 業務中親眼見證了這一點。這些設備的折舊週期可能比華爾街普遍假設的五到六年要長。」 Crusoe 的策略是構建抽象化計算層的服務——使用者不需要知道自己在用的是 A100、H100 還是 MI300，就像我們使用 Zoom 或 Google Meet 時不會在乎底層是 Intel 還是 AMD 處理器。只要服務品質穩定，設備就會持續被使用。 --- ## 經濟學的核心：現金流與折舊 基於前面的數據，假設每 MW 建造成本 6,000 萬美元，營收面： - **純算力租賃（裸機）**：每 MW 每年約 1,500 萬美元收入 - **模型託管服務**：再增加 500 萬至 1,500 萬美元，視情況可達 3,000 萬美元／MW／年 > 「粗略計算，這是一個大約四年的回收期（不含 opex）。如果加上託管服務，在非常樂觀的情境下可以縮短到兩年。」 但關鍵問題是折舊怎麼算。一座資料中心可以用多久？一顆 GPU 可以用多久？一組天然氣發電設備可以用多久？這是華爾街分析師最關注的核心問題。 --- ## Crusoe Spark：模組化的低成本路徑 Lochmiller 展示了 Crusoe 的自研產品線「Crusoe Spark」——一種模組化、自包含的 AI 資料中心，在中心化工廠預製後再到現場部署。空氣冷卻版本每單元 500KW，液冷版本 2MW。可以組成艦隊（fleet）部署： > 「相較於傳統方式，可以節省 30% 到 50% 的成本，具體取決於整體成本結構。」 模組化設計的另一個戰略意義，是它可以在電網覆蓋不足的地區快速部署，開啟大量新的電力機會。 --- ## 電氣設備棧：被低估的創新機會 被問到「如果只能選一檔股票，你會做多或做空什麼」時，Lochmiller 選了一個出人意料的角度： > 「我認為資料中心將在整個電氣設備棧上推動大量創新。這些公司將把電力從 765KV 高壓一步步降至機架內的 48V 直流或 900V DC。所有這些轉換過程需要大量的電纜、變壓器、配電設備。」 他點名 Eaton、Schneider 等公司，認為這些在近期內會因為資料中心需求而表現優異，但長期而言，如果他們不創新，整個電氣設備棧的成本將大幅下降，因為新創公司正在構建下一代電氣基礎設施。 > 「對在座的電力電子工程師來說，這是一個巨大的機會——如何將 765KV 高壓高效地轉換到機架內的直流電？這是個非常值得投入的問題。」 --- ## 太空資料中心：幻想還是真實？ Lochmiller 對 Elon Musk 的太空資料中心計畫持謹慎樂觀： > 「太空資料中心的優點在於：你不需要混凝土地基、不需要許可審批、不需要建設百萬光纖。全部用光學互連。但缺點是：熱管理極難、持續運維極難——你不能派太空人去更換故障的 GPU 並寄回給 Jensen。」 他的判斷是未來 5 到 10 年內不會有實質影響，但長期而言，太空資料中心可能成為智慧基礎設施的一部分——前提是 Starship 的載荷成本能下降一到兩個數量級。 --- ## 給學生的建議：專注「如何學習」而非「學什麼」 作為 Stanford 校友，Lochmiller 最後給學生的建議是： > 「學校具體學什麼其實沒那麼重要，重要的是學習這個過程。在 Crusoe，我們有個核心價值觀叫『活在無限成長循環中』——意思是每個人都不是成品，而是持續打磨中的作品。如果你能不斷進步、不斷學習，隨著時間推移，你會獲得指數級的複利效應。這才是每個人最寶貴的資產。」 他強調，在 AI 工具日益普及、「每個人身邊都有一百萬個員工可供調遣」的未來，與其焦慮學什麼專業，不如專注於如何學習、如何運用這些工具來提升自己。 --- ## 結語 這堂課最值得拿去用的不是 Crusoe 的故事，是那張每 MW 6,000 萬美元的成本分解表。2,000 萬電力基礎設施 + 4,000 萬 IT capex（其中 3,000 萬給 GPU）。營收端每 MW 約 1,500 萬美元／年的裸機租賃，加上託管服務後樂觀可達 3,000 萬。四年回收，樂觀兩年。這些數字讓整個 AI 資料中心賽道的經濟學一下子具體化了。 對我來說最反直覺的一段是 H100 價格回升。過去我一直把 GPU 當成消費電子那種迅速折舊的東西，但如果 agent workflow 持續擴張，舊 GPU 不會被淘汰而會被 Crusoe 這類公司抽象成雲端算力繼續賣——那華爾街那套五到六年線性折舊的假設就明顯太保守。這件事對判斷 hyperscaler 的 ROIC 很重要。 最被低估的投資機會，Lochmiller 選的不是 Nvidia，而是電氣設備棧——765KV 降到機架內 48V DC 這條長長的轉換鏈，以及做這些轉換設備的 Eaton、Schneider 等公司。但他同時提醒：如果這些傳統廠商不創新，新創公司會把他們的利潤吃掉。意思很清楚——買 incumbents 可能吃到週期順風，但這不是結構性的好生意。結構性好生意是做出下一代電氣基礎設施的人。 --- *本文由 AI 根據 YouTube 影片內容生成，僅供參考。*