据 Financial Times 报道，OpenAI 已筹划了逾一万亿美元的计算交易，巩固了 Sam Altman 从芯片到云再到电力锁定 AI 供应链的努力。合作伙伴包括 Nvidia、AMD 和 Oracle，凸显出在人工智能领域，资本承诺而非单纯算法，已成为新的竞争护城河。
这一头条数字表明，行业正从零散抢购 GPU 转向长期、工业规模的采购。公司在硅片、网络、数据中心和云服务方面锁定产能，以训练和运行愈发庞大的模型。这一策略始于数年前与 Microsoft 在 2019 年达成的 10 亿美元合作，为 OpenAI 提供了对 Azure 基础设施的优先访问。现在则扩展为预付、买断式（take-or-pay）协议和定制建设安排的网络，旨在确保下一代模型训练时的吞吐能力。方向明确：算力就是货币，OpenAI 意在掌控其汇率。
Nvidia (NVDA) 和 AMD (AMD) 被定位为主要受益者。Nvidia 的加速计算栈仍是最先进训练的默认选择，而 AMD 的 MI300 级芯片开始进入那些重视性价比和供应多元化的部署。Oracle (ORCL) 作为 GPU 密集型工作负载的核心云合作伙伴，倾向于专用集群、高带宽网络和数据重力，从而在多云策略中成为对 Microsoft (MSFT) Azure 的实际补充。总体而言，这些厂商出售的不仅是芯片或机架空间；他们出售的是按吉瓦计算的训练时间和可靠性。对于 OpenAI 来说，过度承诺优于错过一个采购周期。对供应商而言，这意味着积压订单、更强的定价权和更紧密的集成。
支出轨迹与行业的资本曲线相吻合。金融分析估算，到 2032 年，主流基础模型的训练成本约为 6460 亿美元，推理成本约为 4870 亿美元，二者合计的负荷完全支持跨整个堆栈的万亿美元级承诺。支出不仅限于 GPU，还流向光互连、网络结构、HBM 内存、液冷以及维持集群运转的地产和电力合约。每一个新模型类别都会放大需求：训练是间歇性但强烈的，而推理则像节拍器一样持续不断。这种双重压力解释了 OpenAI 交易的规模与结构，以及为什么供应商偏好长期的、保留产能并伴有重大预付款的协议。
这万亿美元的数字与 2025 年 1 月公布的 Stargate 超级计算机计划相呼应，该计划初期为 1000 亿美元项目，可能在 2029 年扩展到 5000 亿美元。Stargate 与其说是单台机器，不如说是一个分布式 AI 公用事业的蓝图——按用途打造的园区、加固的供应链以及类似于超大规模云和芯片代工厂的能源合约。OpenAI 在 2025 年 3 月的基础设施动作——通过一项为期五年、价值 119 亿美元的交易收购云服务提供商 CoreWeave 以扩容产能——符合相同模式：锁定算力、抽象复杂性，然后扩展。CoreWeave 同月的 IPO 募集了 15 亿美元，凸显出当利用率可见时，公开市场愿意为 AI 的实体骨干提供资金。
OpenAI 还通过二级流动性加强了资产负债表。允许员工在 5000 亿美元估值下出售约 103 亿美元的股票，既表明了投资者信心，也为公司在资本开支密集周期中提供了灵活性。这类账面价值，配合已承诺的支出和供应商融资，成为谈判工具。供应商希望拥有有保证消耗的锚定客户，而 OpenAI 希望在受限的供应节点（HBM 可用性、下一代 GPU 分配和加速器模块交付周期）中获得优先权。将产能保留、价格锁定和共同开发工作流相结合的交易使激励一致化，并在下一个模型检查点到来时降低训练延误的风险。
对 Oracle 来说，持续的 AI 需求验证了其差异化云策略。高密度 GPU 区域、低延迟网络以及客户愿意将数据和模型共置，转化为更黏性的产品平台和不断扩大的积压订单。Microsoft 的早期股份赋予其作为 OpenAI 首选超大云的持久优势，将 AI 工作负载导入 Azure，并在 Microsoft 生态中播种产品集成。与 Oracle 的共存具有战略意义：多云降低了 OpenAI 对单一供应商的风险，并在谈判中制造价格压力。对于投资者，可观察的信号将是前瞻性资本支出指引、关于 AI 相关积压订单的披露以及 2025–2027 年上线产能的节奏。
风险在于执行与物理限制。芯片供应仍然紧张，HBM 封装是瓶颈，最前沿加速器的良率可能不稳。电力是更难的约束：在可用发电和电网接入附近选址新园区越来越具挑战性，AI 的热特性正迫使快速采用液冷，而液冷带来了自身的成本与运营复杂性。竞争风险也是真实存在的。Google、Amazon 和 Meta 都在扩展定制硅和优化的推理栈。如果模型扩展遇到边际收益递减或变现滞后，长期的买断式义务可能成为拖累。监管对供应商集中度和能源使用的审查也可能重塑部署步伐。
短期回报是可预测性。OpenAI 降低了在训练中途遇到算力瓶颈的风险，供应商以溢价锁定了多年需求，生态系统围绕已知的交付时间表构建。中期奖赏是更快的模型节奏和功能迭代速度，随着推理效率的提升，这应当改善 AI 产品的单位经济。当每一增量能力的训练成本下降速度慢于预期时，收益会偏向那些控制全堆栈——硅片、系统、数据和分发——的公司。这正是 Altman 赌注背后的逻辑：在规模上锁定投入，推动学习曲线向下，让竞争者为赶上而付出更高代价。
一个数字不会重新定价整个行业，但会重新聚焦它。一万亿美元的计算交易将 AI 固化为一个基础设施周期，而非一时的软件潮流。对芯片厂商而言，应关注分配优先级和向下一代加速器的爬坡速度。对 Oracle 和 Microsoft 来说，关注 AI 积压订单的转化率和新区域的宣布。对能源与数据中心运营商而言，预计会出现更多以模型训练计划为锚定的、具有确定购电和融资的 AI 专属项目。OpenAI 的承诺提高了任何声称在前沿模型领域领先者的门槛。溢价现在属于那些能证明他们将在所需时间、以其路线图要求的规模拥有算力的企业。
