悖论可以一句话概括：被宣传为效率化身的技术，实际上运行在看起来远非高效的电力饮食上。超大规模数据中心如今吞噬着市政级别的电力和工业级别的水资源，而家庭则面对电价上涨，公用事业公司为无法迅速建设的产能而四处奔忙。市场持续奖励算力，但稀缺的资产却是电子（电能）。
在美国各地，公用事业公司报告出现了数十年未见的负荷增长。数百个新的超大规模站点在两年内上线，许多聚集在曾以廉价土地和宽松许可为招商招牌的州。这类基础设施从未为此设计。在印第安纳州，一个Amazon 所有的支持 Anthropic 的园区已至少拉取 500 兆瓦，完全建成后预计将与两座中等城市的用电需求相当。全国范围内，研究机构估计到 2030 年数据中心可能消耗美国电力的高达 9%，是今天份额的两倍多。人们在收到账单时会注意到：今年家庭电价上涨约 10%，而数据中心是一个重要推手。从亚利桑那到弗吉尼亚的市政厅会议上，这种摩擦现在可见。早期的善意正转为反对，当社区了解到工作岗位寥寥、税基薄弱，而电网升级以附加费的形式出现时。
这些站点不仅需要电力；它们需要足够的水来冷却大片计算设备。容易干旱且许可迅速的地区在表面上看起来便宜，直到热穹到来。冷却系统转向更耗电的方法，电网运行更热，变压器接近热极限，微小的设计选择会累积成重大故障模式。这就是 Nassim Taleb 所说的脆弱性：系统对波动吸收能力差，且会成簇地崩溃。行业偏好建造大型园区并且传输冗余有限，这放大了单点故障风险。历史上已有类似案例。曾有铝冶炼厂在太平洋西北的水电大坝旁设厂，当水库下降时遭遇限电。加密矿工追逐廉价电力也走入类似死胡同。搬运比特比搬运电子容易；AI 的延迟约束现在将算力拉近人口中心，而这些地方的拥堵已阻碍增长。那些把水和电视为可互换投入的投资者，正在承保一种在下一次热浪中他们不会喜欢的相关性。
十年来，市场把“可再生 + 电池”视为可预测的廉价新增供给输送带。这个逻辑依赖于政策的连续性。联邦对大规模风电、太阳能和储能激励的逆转已经在延迟并网和 2026 年后进入管线的项目减少中显现出来。地热有前景，但还处于早期。小型模块化核电有前景，但落后。聚变一直被认为有前景，永远都是，直到它不再是。与此同时，国际能源署预计美国、中国和欧盟将驱动 80% 的新增数据中心需求，即便贸易摩擦减缓了设备流动并提高了成本。这不仅是物理学的故事，还是制度性的。美国的输电建设需要十年，而不是一个季度。燃气电厂面临许可风险和波动的燃料成本。煤电厂退役速度超过公用事业公司补充“可靠”产能的速度。把 AI 的增长曲线建立在不间断、廉价电力过剩之上不是基本情形，而是最好情形。
围绕 AI 的估值堆栈建立在一种默契假设上：电力会在那里，价格像 2019 年那样。这是教科书式的自由能悖误。训练一个前沿模型大约会消耗 50 吉瓦时，但真正的压力在于大规模推理——每天数十亿次查询，全天候运行，延迟要求又限制了地理套利能力。这是一个经常出现在资产负债表上的问题，却被误框为运营成本的脚注。如果电力收紧，云服务提供商会出价高于社区和小企业来争夺电子，政治将发生改变。如果它们不出更高价，服务将退化。无论哪种分支，“算力需求必然货币化”的假设都会遇到约束。不透明性又加剧了风险。科技公司把能源使用视为专有信息。政府缺乏标准化指标来审计它。没有披露，监管者无法校准电价或资源计划，投资者也无法为负债定价。当投入被隐藏时，错误定价会持续——直到一次冲击在一周内而不是几年内迫使重新定价。
把电网看作共享的公地，把 AI 开发者看作重复囚徒困境中的玩家。每家公司都有激励先行锁定产能——签订长期购电协议、进入并网队列、升级变电站——因为先行者获得了选择权。集体上，这种囤积行为会使系统拥堵并抬高所有人的成本。公用事业公司在面临基准率激励时乐于建设，但长交付期确保供应落后于需求。这不是实时竞争性市场的均衡清算；而是一个具有肥尾的规划博弈。结果类似于公地悲剧，但使用的是预留权而非过度放牧。与此同时，竞争对手争相购买相同的 GPU 和相同的兆瓦。那些同时拿下两者的公司将增加市场份额，不是因为它们写了更好的代码，而是因为它们控制了稀缺投入。战略退化为能源套利。当关键瓶颈是电力时，护城河属于公用事业或发电商，而不是模型本身。
电网是一个具有热极限和频率极限的工程系统。尾部事件会把它推入非线性区域。热浪在使降温需求飙升的同时，热电厂降额运行，输电线下垂。干旱压缩水电和水冷数据中心。风停时常伴高压。这些不是独立风险；它们是相关的。再加上燃料供应的地缘政治风险或对电力电子设备的贸易限制，尾部风险会被放大。加州能源危机展示了市场设计缺陷加上紧张供给如何导致连锁故障。欧洲 2022 年的冲击显示了一个节点的短缺如何波及整片大陆。Internet Economics Institute 警告称，如果供给滞后，褐色停电（降压）将变得频繁并被常态化。脆弱的系统看起来稳定——直到不再如此。这里的概率数学很简单：如果一个低概率事件乘以巨大的暴露，期望损失就不是小数目，而是系统性。
在此语境下，抗脆弱意味着在电网受压时 AI 能变得更强而不是更弱。这要求市场目前在回避的设计选择。工作负载应在时间和地点上转移：在低谷时训练，推理路由到可再生发电丰富之地，而不是地价便宜之处。并网必须以披露为条件：按单位算力的能耗和用水量的标准化指标，经监管者核验并向投资者公布。选址必须将水风险和当地基础设施限制计入成本，而不是把它们当作外部性。长期来看，现场发电需要不仅仅是宣传：在地质允许的地方发展地热；将余热回收并与区域系统整合；储能需按天计量而非小时计量，如果所谓的弹性要有任何意义的话。这些都不浪漫，它们是工程与治理，是那些持久的枯燥护城河。如果 AI 是下一项通用技术，它应能通过一个基本压力测试：能否在不假定无限廉价电力的情况下繁荣？如果今天的答案是否定的，那么故事中脆弱的部分不是模型，而是建立在借来的电子之上的商业模式。
