想在AI竞争中保持领先，别光盯着模型基准测试了。去查芯片采购合同吧。看看电力基础设施的保障情况。
2026年5月，五位AI经济设计师齐聚Milken Institute Global Conference。ASML CEO、Google Cloud COO、Perplexity CBO、Applied Intuition CEO，以及一位正在用完全相反方向构建AI的创业者。他们的诊断最终指向同一结论：现在拖住AI脚步的，不是技术能力，而是物理约束。
这才是真正的问题？
Milken Institute Global Conference是金融经济界顶尖人士的聚会。今年AI圆桌的主题很犀利："AI经济的车轮在哪里脱轨？"
第一个冲击来自ASML CEO的话。EUV光刻设备的全球唯一供应商ASML确认："未来两三年，甚至五年，市场都将处于供应受限状态"。High-NA EUV单台价格约3.7亿美元，年产不足20台，2027年底的订单已全部排满。
为什么这很重要？没有EUV，就没有顶级AI芯片；没有AI芯片，数据中心建多少都没用。大家经常争论瓶颈是电力还是芯片，但实际上，制造芯片的设备本身才是极限。AI芯片供应上限，由ASML每年能交付多少台设备来决定。
然后是能源问题。Google Cloud COO Francis deSouza透露，上季度营收突破200亿美元，积压订单从2500亿美元跳升至4600亿美元，几乎翻倍。但地球上没有足够的电力来满足这些需求。这就是为什么Google在"认真研究"轨道数据中心——在太空，太阳能24小时不间断，也没有地面设施遭遇的民众反对。
自动驾驶、无人机、农业机器人等"物理AI"还有另一个瓶颈。Applied Intuition CEO表示，现实世界数据采集才是真正的约束。模拟数据无法弥合与真实物理情境之间的差距。
最有意思的发言来自Logical Intelligence创始人Eve Bodnia。她正在构建与LLM截然不同的架构——能量基础模型（EBM）。最大模型只有2亿参数，是顶级LLM的数百分之一，但声称"快数千倍"。Yann LeCun担任技术委员会主席的这家公司，论点很直接：LLM在结构上无法进行真正的推理。
我们一直看错了什么？
AI行业的主流叙事一直是：更好的模型、更多的参数、更长的上下文。但Milken 2026呈现的图景截然不同。
| AI竞争的普遍认知 | 实际瓶颈（Milken 2026） | |
|---|---|---|
| 核心竞争力 | 模型性能·参数规模 | EUV芯片采购量、电力合同 |
| 供应约束 | GPU等待时间数周 | EUV设备订单已排至2027年底 |
| 能源 | 电费成本问题 | 物理基础设施见顶，轨道数据中心进入研究阶段 |
| AI架构 | LLM是标准，参数竞赛 | EBM以1/3750的成本解决相同任务 |
| 地缘政治 | 监管与伦理问题 | 物理AI在国境内运作→演变为主权问题 |
Perplexity的Shevelenko将AI智能体称为"数字工人"。这些智能体要在企业内部真正运转，需要的不只是技术能力，而是细粒度的权限控制机制。"细粒度的权限管理是良好安全卫生的基础"——这句话是现在正在部署AI智能体的团队必须马上核查的要点。
Younis关于物理AI地缘政治的观察也很有力。自动驾驶车、无人机、矿山设备，都在肉眼可见的物理边界内运作。能运营robotaxi的国家，比拥有核武器的国家还少——因为必须同时具备基础设施、法律框架和数据主权。中国在软件AI领域很强，但EUV出口管制封堵了模型层之下的能力。
核心整理：5大瓶颈与应对策略
- 芯片供应 — 2027年订单已满
没有EUV光刻设备，就没有顶级AI芯片。High-NA EUV每台3.7亿美元，年产不足20台。如果不掌控芯片供应链，最现实的策略是最大化利用现有算力。 - 能源 — 地球上没有空间了
美国数据中心接入排队量已超过电网总容量。有分析认为，计划中的2026年数据中心有30~50%会延迟至2028年。Google的太空数据中心研究绝非玩笑。仅仅切换到能效更高的模型，就能立即改变成本结构。 -
真实世界数据 — 模拟无法弥补
物理AI（自动驾驶、机器人）的真正瓶颈是真实世界数据采集。与软件AI不同，失败案例难以反复收集。考虑进入这一领域的团队，数据采集管道建设是最高杠杆的投资。 - LLM的替代方案 — 相同任务，成本仅1/3750
并非所有问题都需要GPT级别的模型。Logical Intelligence的EBM以4美元解决了复杂推理任务，同样的任务用顶级LLM需要约15000美元。为不同任务匹配合适架构的设计能力，才是决定实际成本的关键。 - 地缘政治 — 物理AI是国境问题
云端AI可以忽略国境，但无人机、自动驾驶、机器人不行。各地区的监管、数据主权和出口管制各不相同。对于构建AI基础设施的企业来说，在哪个国家处理数据、运行模型，已经成为战略决策。
实操要点
供应链瓶颈和能源约束正在结构性地推高AI成本，此时团队战略的核心不是"用哪个模型"，而是"哪个任务该花多少"的设计。架构设计优先于模型选型，这才是真正的竞争优势。
