MS&E435系列③：AI 的瓶頸不是模型，是電力：Chase Lochmiller 拆開一座「token 工廠」的真實成本

如果你以為 AI 競賽是在比誰的模型更聰明，Chase Lochmiller 會把你拉到德州西部。

那裡沒有漂亮的產品介面，也沒有 demo 影片裡那種滑順的 agent。你會先看到變電站、燃氣電廠、冷卻管線、滿到看不見空位的停車場，還有每天進出工地的 9,000 個人。

這不是軟體公司的畫面。

這比較像一場工業動員。

在 Stanford MS&E435 第三堂課裡，Apoorv Agrawal 一開場就把尺度拉到很誇張。他說，五大 hyperscaler 對 AI 的資本支出正在往右上角衝，規模比太空計畫、高速公路系統、曼哈頓計畫都大，只比美國國防預算小。這堂課要談的，不是某個 app，也不是某個模型更新。

它要談的是：AI 到底要靠什麼被生產出來？

Chase 是 Crusoe 的共同創辦人兼 CEO。Crusoe 做的事，可以粗略翻成「AI 工廠」。它不是只租 GPU，也不是只蓋資料中心，而是從能源、土地、變電、建築、冷卻、GPU 叢集、雲端服務一路往上做。

他的核心說法很簡單：

AI 是資料、演算法、運算、能源、資料中心的組合。

前兩個比較像大家熟悉的科技敘事。資料標註公司、模型架構、研究突破、開源模型，這些都在新聞裡。後三個比較像地下水。平常看不到，但沒有它們，整件事就不會動。

GPU 要電。電要變電站。變電站要輸電線。晶片會發熱，所以要冷卻。冷卻需要管線、泵、冷水迴路。建築需要鋼筋、水泥、電工、焊工、水管工。要把幾十萬顆晶片接成一個能訓練模型的叢集，還要高速網路、光纖、交換器、儲存系統、CPU 調度。

你在 ChatGPT 或 Claude 打一句話，背後不是雲。

背後是一座很重的工廠。

從 electrons 到 tokens

Chase 給這堂課的題目，是「From Electrons to Tokens」。

這句話很準。

AI 產業最迷人的地方，是輸出看起來很輕。一段文字、一張圖、一個程式、一個分析。都是 token。它們沒有重量，可以在手機螢幕上瞬間出現。

但 token 的輸入很重。

你要先有電子。你要把電力送進一個高密度的運算系統。你要把電壓從高壓一路降到晶片能用的等級。你要讓 GPU 在高負載下不過熱。你要讓數千、數萬、數十萬顆 GPU 彼此交換資料。你要讓訓練任務中途壞掉時，有 checkpoint、儲存、備援、搬移機制。

所以這堂課最反直覺的地方在這裡：

AI 不是把勞動變成軟體。AI 是把能源和資本變成數位勞動。

Chase 用 Cobb-Douglas 生產函數來解釋。經濟成長大致來自勞動、資本、技術。過去要增加勞動，通常要靠人口。人生一個孩子，要養、要教育、要等二十年。這個週期很長。

但 agent 出現後，人類第一次可以用資料中心和 GPU 投資，去「數位化地增加勞動」。你給 Claude 一個任務，叫它幫新產品做 CRM，這在某種意義上就是數位勞動被創造出來。

這也是為什麼 hyperscaler 願意砸那麼多錢。

它們不是只在買伺服器。它們是在押注一個新型勞動市場：未來的工作有一部分會由 token 工廠生產出來。

問題是，這座工廠的成本遠比一般人想像得高。

為什麼 Crusoe 從能源開始，而不是從 GPU 開始

Apoorv 問 Chase：你為什麼從能源往回推？為什麼不是從 compute、memory 或資料中心殼體開始？

Chase 的回答，是 Crusoe 這家公司最重要的起點。

傳統資料中心多半集中在幾個成熟市場，例如 Northern Virginia。那裡有網路、客戶、供應鏈，也有既有資料中心群聚。Web 2.0 時代，這樣的集中合理，因為主要工作是服務網頁、儲存資料、處理一般雲端應用。

但 AI 訓練和大規模推論不一樣。

它們吃電。吃很多電。

當規模變大，能源會變成瓶頸。Crusoe 的洞見是：與其把電送到傳統資料中心市場，不如把資料送到能源所在的地方。

這句話是整個 AI infrastructure supercycle 的關鍵。

資料很好搬。電很難搬。

尤其當某些地方已經有風力、太陽能或其他低成本能源，但輸電線不夠，電送不出去，當地電價甚至可能變成負值。對傳統用電者來說，這是電網問題。對 Crusoe 來說，這是選址機會。

Abilene, Texas 就是案例。

Chase 說，德州西部風大、日照多，很多再生能源開發商因為 production tax credit 進去蓋風電和太陽能。結果當地有大量 clean electrons，但受限於輸電能力，沒有足夠邊際買家。

Crusoe 看見的是：這裡缺的不是電，缺的是能吃下這些電的負載。

AI 剛好是那個負載。

所以 Abilene 從一個許多人原本沒聽過的城市，變成 AI supercycle 的工業現場。

Abilene 不是資料中心，是一座城市級機器

Abilene campus 的數字很有衝擊力。

Chase 說，現場有一座 200 MW 變電站，還有一座 1 GW 變電站。1 GW 是什麼概念？他用自己成長的城市 Denver 來比喻：差不多是一個 Denver 的用電量。

後來他提到整個 campus aggregate 是 2.1 GW。

翻譯成白話：這是一個「兩個 Denver」等級的 AI 運算基礎設施。

公開資料也能對上這個規模。Crusoe 2026 年 3 月宣布，會在 Abilene 為 Microsoft 建一個新的 900 MW AI factory campus，加上既有 Abilene infrastructure，整個 full site projected capacity 約 2.1 GW。Data Center Dynamics 也報導，Abilene 既有計畫中的 1.2 GW site，前兩棟已經 live，服務 Oracle Cloud Infrastructure 和 OpenAI。

這不是一般人腦中「幾棟機房」的尺度。

第一批八棟建築，是給 Oracle 和 OpenAI，也就是 Project Stargate 的早期核心。Crusoe 另外蓋了一座大約 350 MW 的天然氣電廠，支援這個運算叢集 energize。後續南邊還有 Microsoft 的擴建。

但最有現場感的數字，不是 GW。

是 5,000 和 9,000。

Chase 指著照片說，因為從照片上看不出比例，他們蓋了一個 5,000 車位的停車場。停車場滿了，因為每天約有 9,000 人在現場，把這座 campus 建起來。

Abilene 人口大約 120,000。9,000 人差不多是整個城市人口的 5%。這還只是 construction period 的人力。長期營運這些大型運算叢集和電廠，也會需要約 2,000 人左右的穩定工作人口。

這裡有個重要轉折。

AI 常被包裝成白領自動化，甚至被說成會取代大量工作。但建造 AI 的這一側，正在創造非常實體、非常藍領的需求：電工、焊工、水管工、施工人員、機電工程師、冷卻系統技師。

Chase 講得很直接：這本身就是 bottleneck。

我們沒有足夠的 tradespeople。

一個 gigawatt，先準備 $60 billion

如果整堂課只能留下三個數字，我會留下這組：

每 MW 約 $20 million 的資料中心與電力基礎設施。

每 MW 約 $40 million 的 IT infrastructure。

合計每 MW 約 $60 million。

換成 1 GW，就是 $60 billion。

這是 Chase 在課中給學生的 rough model。它不是 audited forecast，而是一個拆成本的框架。但這個框架很有用，因為它讓「AI capex」不再只是一個大數字。

先看前 $20 million per MW。

這裡包含資料中心建築、電力設備、冷卻設備、施工成本、soft costs、燃氣電廠等。電力設備不是一個插座，而是一整套城市級系統：從 34.5 kV 中壓進來，再透過配電中心、變壓器、switchgear，把電一路降到 480V 或 415V，最後送進 rack 和晶片。

冷卻也不是買幾台冷氣。

Chase 描述的是 air-cooled chillers、chilled water loop、cooling distribution units、大量銅管、水管與焊接。GPU 發熱，熱從晶片傳到水，水再把熱帶到 chillers，透過空氣把熱排出，水溫降下來後再回去冷卻 GPU。

每棟建築裡大約有 100 萬加侖的水，但 Crusoe 的說法是，這是封閉迴圈。填充一次後循環使用，年度用水大約相當於一戶家庭。這點在德州西部很重要，因為水比電更敏感。

再看 labor。

Chase 提到，labor 約 $4.7 million per MW。換成 1 GW，就是 $4.7 billion。這不是日常營運支出，而是 capitalized labor，也就是建造期間被資本化進成本的勞動。

這句話很有份量：

AI capex 有一大塊，是錢投到人身上。

不是軟體工程師，而是蓋工廠的人。

再往上看 IT infrastructure，每 MW 約 $40 million。Chase 拆出大概 $30 million 給 GPU，約 $4 million 給 networking，約 $3 million 給 CPU 和 storage，還有其他 data hall fitout、部署、運輸、現場施工。

這裡也有一個常被忽略的點：CPU 也開始短缺。

原因是 agentic workflows 變多後，GPU 不是唯一瓶頸。你需要 CPU 去 orchestrate workload，管理任務、調度、資料流、系統狀態。AI 工廠不只是 GPU 倉庫，而是一整套多層協作系統。

NVIDIA 很賺，但 scale 也很難複製

Apoorv 問了一個投資人很在意的問題：compute 會不會 commodity？

Chase 的回答很小心。他說，不同時間尺度答案不一樣。

舊 compute 會商品化。H100 這類舊一代硬體，理論上越往後看，價格應該下來。但最新一代、最大規模、最完整交付能力，仍然有 premium。

最關鍵的一句是：

scale 不是 commodity。

這句話值得記下來。

單買一批 GPU，也許會越來越容易。把一座 gigawatt 級運算 campus 從土地、能源、變電、建築、冷卻、GPU、網路、儲存、調度、營運一路整合起來，完全是另一個問題。

這也是為什麼 Crusoe 要垂直整合。Chase 說，瓶頸會移動。今天可能是 GPU，明天可能是電力，後天可能是冷卻，再過一陣子可能是人力或變壓器。你如果只在 stack 的某一層，就只能等別人解決其他瓶頸。

垂直整合的好處，是當 bottleneck 移動時，你能自己往那個方向補。

Crusoe 不做晶片，也不做模型。但除此之外，它盡量把 AI infrastructure 的多數挑戰包進來。

這不是為了漂亮的策略圖。

這是為了活下來。

回本問題：四年，還是兩年？

如果每 MW 要先花 $60 million，問題就來了：

這怎麼賺錢？

Chase 給了一個簡化模型。假設你只是出租晶片 access，每 MW 年化 revenue 約 $15 million。用 revenue basis 粗算，就是約四年 payback。

但這還沒扣掉完整 OPEX、工程團隊、折舊、資金成本，也沒解釋 chip useful life 到底多長。

所以真正的問題不是「資料中心有沒有收入」。

真正問題是折舊曲線。

一座建築可以用多久？一座電廠可以用多久？一顆 GPU 可以用多久？H100 會不會三年後變廢鐵？Blackwell 之後，舊卡還有沒有市場？

Chase 說，H100 的現貨價格走勢反而顯示需求很強。雖然價格曾經下來，但 agent 需求起來後，價格又往上，甚至超過剛推出時某些人支付的水準。這說明硬體的經濟壽命不一定像外界想得那麼短。

但他也沒有把話講死。他說，Crusoe 會盡量用 compute，只要它對自己或對別人還有價值。

這裡出現另一個商業策略：抽象化底層 compute。

使用者其實不該在意自己用的是 A100、H100、MI300，或哪個 CPU。就像你用 Zoom 或 Google Meet，不會在意背後跑的是 Intel 還是 AMD。你在意的是服務能不能用、延遲是否穩、價格是否合理。

所以 Crusoe 想往 managed services、model hosting、endpoint、token serving 移動。

如果只租 GPU，每 MW 年收入可能約 $15 million。若加上 managed-services layer，Chase 說 optimistic case 可以到每 MW 約 $30 million 年收入。這時 payback 可能從四年變成兩年。

這就是「from electrons to tokens」真正的商業含義。

越靠近 token，越有機會提高 margin。

AI 工廠的下一個戰場：電力電子與模組化

課堂最後，Apoorv 問 Chase：如果要 long 或 short AI stack 的某一層，你會怎麼看？

Chase 沒有給一個簡單股票答案。他反而指向 electrical stack。

今天的電力系統裡，有大量設備公司在關鍵路徑上：Eaton、Schneider、變壓器、switchgear、配電設備。短期看，這些公司可能都很好，因為需求太旺，交期太長，價格也上來。

但長期看，Chase 覺得這一層會被重新發明。

原因很直接：很多電力設備的架構已經很久沒有變。現在 AI data center 把需求推到城市級密度，從 765 kV 高壓到 rack 裡可能的 900V DC，整條路徑都需要新型 power electronics、solid-state transformers、更高效率的配電架構。

這對電機工程師是機會。

不是每個 AI 機會都在寫 app。有人要重做電力轉換，有人要重做冷卻，有人要重做資料中心的模組化建造。

Crusoe 自己也在往這個方向走。Chase 提到 Crusoe Spark，一種 self-contained AI data center，可以在集中地點製造後部署到現場。air-cooled 版本每個 unit 約 500 kW，liquid-cooled 版本約 2 MW，可以 fleet deployment。目標是降低勞動成本，也降低 infrastructure cost，節省幅度可能落在 30% 到 50%。

這其實是製造業邏輯。

當現場施工太貴、電工太缺、每個案場都客製化到難以複製，下一步就是把更多工作移到工廠裡，把資料中心變成可製造、可運輸、可快速部署的模組。

AI 的未來看起來像軟體。

但它的供應鏈越來越像 Toyota。

太空資料中心很迷人，但維修是一堵牆

課堂 Q&A 有一段很有趣：Apoorv 問到 Elon 和 space data centers。

Chase 沒有直接嘲笑。他說自己其實很感興趣，Crusoe 也和 Starcloud 有合作，對方曾把 H100 送上太空。

太空資料中心聽起來有幾個吸引人的點。你不需要地面混凝土地基，不需要一堆 local permitting，不需要傳統電網接入，很多連線可以用 optics。某些地面成本，在太空裡可能不存在。

但問題也很硬。

第一是散熱。太空不是把熱丟掉就好，thermal management 很難。

第二是維修。地面資料中心裡，GPU 會壞，要重新插拔，要送修，要換件。太空裡不可能派太空人把晶片拔下來寄回給 Jensen Huang。

第三是 payload cost。除非 Starship 或其他發射系統把成本降兩個數量級，經濟性很難算。

所以 Chase 的判斷是：五年內不 material，十年內可能也不 material；但更長期看，space data centers 可能會成為 intelligent infrastructure 的一部分。

這段有趣的地方，不在於答案是 bullish 或 bearish。

它再次提醒我們，AI infrastructure 的核心問題永遠很實體：熱、維修、重量、發射成本、折舊。

這堂課真正回答的是：AI 的錢流向哪裡？

很多人談 AI supercycle，會從模型能力談起。

Chase 這堂課反過來。

他從電開始。

這個角度會改變你看 AI 的方式。你會發現，AI 的競爭不只是 OpenAI、Anthropic、Google、Meta 誰的模型比較強。它也包括誰能拿到能源、誰能拿到變壓器、誰能把燃氣電廠排進交期、誰能招到 9,000 個施工人員、誰能把 72 顆 GPU 的 rack 接進更大的 backend network，誰能讓一個 1 GW campus 像單一 coherent cluster 一樣運作。

IEA 的資料也把這件事放到全球尺度。2024 年全球資料中心用電約 415 TWh，約占全球用電 1.5%。到 2030 年，可能超過翻倍到約 945 TWh。美國會吃下最大增量，而且 data center 可能占美國新增用電成長的近半。

換句話說，AI 不是只改變軟體產業。

它正在把電力產業重新拉回成長模式。

這也是為什麼文章開頭那個畫面重要：9,000 人、5,000 車位、2.1 GW、$60 million per MW、兩年到四年的 payback。

這些數字合在一起，才是 AI supercycle 的底層財務模型。

你可以把它想成一條轉換鏈：

能源變成運算。

運算變成 token。

token 變成數位勞動。

數位勞動再去改變企業、消費者、政府和整個經濟。

問題是，每一層都有成本、瓶頸和折舊。能源不是免費的，GPU 不是永生的，人力不是無限的，電網不是隨插即用的。

所以 Chase 給學生的最後建議也很合理。他說，不要太執著於你現在學的「內容」本身，更重要的是學習的過程。世界五年後會怎麼變，他也不知道。但如果每個人手邊都有一支百萬人規模的 AI workforce，工作方式會被重寫。

少問「我要學哪一個固定技能」。

多問「我要怎麼學會使用工具，怎麼在變動中持續進化」。

這聽起來像職涯建議。

但其實也是這堂課的產業結論。

AI 的表層是模型競賽。底層是能源、資本、工程與組織能力的競賽。下一批機會，不一定只在會寫 prompt 的人手上，也可能在懂電力、懂施工、懂冷卻、懂供應鏈、懂資本配置的人手上。

因為未來的 AI，終究要被某個地方的電點亮。

【資料來源】

1. 課堂紀錄：Stanford MS&E435 Class #3, “Economics of the AI Supercycle,” Apoorv Agrawal with Chase Lochmiller。用途：本文主論點、課堂數字與講者觀點。
2. MS&E 435: Economics of the AI Supercycle - Stanford University。用途：課程定位與講者背景。
3. Crusoe’s Abilene data center campus officially live, serving Oracle and OpenAI’s Stargate - Data Center Dynamics, 2025-09-30。用途：Abilene 前兩棟 live、1.2 GW site、Oracle/OpenAI 背景。
4. Crusoe Announces New 900 MW AI Factory Campus in Abilene, Texas to Support Microsoft AI Infrastructure - Crusoe, 2026-03-27。用途：900 MW Microsoft campus、2.1 GW full site、on-site power 與地方經濟資料。
5. Energy and AI, Executive Summary - International Energy Agency, 2025。用途：全球資料中心用電、2030 預估、電網瓶頸背景。
6. The future of AI depends on building infrastructure today - Crusoe。用途：Chase Lochmiller 對 energy-first infrastructure、把 compute 移到能源所在地的延伸說法。
7. Microsoft takes over a Texas AI data center expansion after OpenAI backs away - AP News, 2026。用途：Abilene、Microsoft、OpenAI、Oracle、Crusoe 的後續建設脈絡。