159 马斯克Terafab太空算力、英伟达重拾CPU，与Fusion Fund张璐聊AI算力新趋势 - 主题精读稿

前言：算力版图重构，谁在争夺下一个基础设施

这期节目的核心议题是 AI 算力正在发生的结构性变化：重心从训练转向推理，计算架构从单一走向多样，巨头们的竞争从芯片单品升级为全栈生态。马斯克的 Terafab 计划是最戏剧化的切入点——把 80% 算力送上太空，更深层的动因是逃脱监管、争夺规则制定权。英伟达则以另一种方式完成同样的跃升：不再卖芯片，而是卖一座"AI 工厂"。张璐的观察来自真实的投资交叉口——她的基金去年有两家公司被英伟达收购，视角兼具技术判断与市场直觉。

一、Terafab：一座太空工厂背后的生态野心 (00:59 - 08:06)

马斯克在 2026 年 3 月 21 日宣布的 Terafab 计划，目标是联合特斯拉、SpaceX 和 XAI 自建史上最大的芯片厂，年产能 1TW——约为目前全球 AI 算力年消耗量的 200 倍。其中最引人注目的部分：将 80% 的算力通过 SpaceX 发射到太空，用太阳能解决能源瓶颈。

这个计划并不是突然冒出来的新想法。马斯克很早就有一个底层逻辑：如果算力掌握在别人手里，自己的整个生态就会被卡脖子。Terafab 的实质是一次彻底的垂直整合——火箭、卫星、终端、机器人、芯片，全部纳入同一个体系，形成"跨公司工业操作系统"。那 1TW 的产能不是现有需求的映射，而是马斯克为机器人社会、自动驾驶网络、卫星边缘计算和大规模 AI 推理预设的终极容量。

他的核心目标是：这个算力需求，必须掌握在自己手里。

张璐对这个计划的判断是：愿景本身没有问题，但"硬件层面的创新不是那么容易推进的，还需要时间去沉淀，需要时间进行技术整合"。而且这个计划的投资周期和资金量，可能远超马斯克自己的预期。

二、太空数据中心的真实挑战：辐射、成本与延迟 (04:27 - 08:06)

Sam Altman 批评太空数据中心不切实际，张璐的分析更具体。

短期障碍有三层。首先是宇宙辐射——它对芯片性能的影响比大多数人想象的要大，谷歌讨论了很久如何用封装来保护 TPU，这个问题至今没有解决。其次是成本，不只是发射成本，维护成本才是真正的大头：如果硬件出现故障，太空维修的代价是天文数字。最后是延迟，如果太空数据中心要支持地球上的 AI 应用，物理距离本身就是不可忽视的问题。

马斯克建太空数据中心，更核心的原因是不希望受任何政府监管。在太空里，没有明确的管辖权归属，自由度极大。

张璐作了一个半开玩笑的对比：如果只是解决能源和冷却问题，美国旁边就是加拿大，水资源丰富、天气极冷、地广人稀，"为什么不在宁静的加拿大建数据中心"？

太空数据中心的正确时序是：先等太空经济整体打开，卫星形成边缘计算网络，太空 AI 应用数量足够多之后，就近建数据中心才合情合理。以目前的技术成熟度，这个窗口至少还需要七到十年。张璐的结论非常直接：现在创业做太空数据中心"不是好时机，还是有点太早"。

三、SpaceX 上市与规则制定权：半万亿美元的叙事需求 (08:06 - 10:06)

Terafab 计划发布的时机与 SpaceX 即将上市高度相关。SpaceX 预期的上市估值是半万亿美元级别——"从来没有公司以这么高的价格去上市"，所以它需要一个足够强大的愿景来支撑这个价格。

这个愿景的核心是：SpaceX 代表的不是一家火箭公司或 Starlink 卫星公司，而是整个 Space Economy——太空生态、太空基础设施的市场总价值，都应该体现在它的市值上。

而在规则制定这个维度上，张璐的判断更有穿透力：太空领域缺乏明确的主权归属，"先到先得"。谁占了更多轨道，谁就让别人更难进入。谁在太空里建立了足够大的规模，谁就是未来整个太空经济的规则制定方。这不只是商业地位，更是政治地位。

"他不只是成为一个最主要的太空经济的支持者，他可能也可以成为未来整个太空经济的一个规则制定方，那么在这个过程中成为规则制定方也会给他更大的自由度。"

四、太空工厂：微重力才是真正的技术机会 (10:06 - 13:29)

如果说太空数据中心还很遥远，太空工厂是近期可见的真实机会。

在地球上合成新材料、新晶体结构、新蛋白质，都受到重力影响。太空的微重力或无重力环境可以形成以前从未出现过的晶体架构和材料结构，形成"非常完美的、很对称的晶体"。这对突破材料瓶颈和医疗领域的蛋白质结构研发，意义巨大。

太空也是天然的 AI 和机器人原生场景。把人类送上太空需要建设一套完整的生态系统维持其生存，成本极高；但发射机器人的维护费用"会好很多"。卫星交通管理、卫星数据交易、月球加油站（从月球土壤提取水，再分解为氢气和氧气用作燃料）——这些具体应用场景已经有创业公司在落地。

张璐判断，太空生态的成长速度会比大多数人预期的快很多。

五、英伟达的转型：从卖芯片到卖"AI 工厂" (22:48 - 34:27)

GTC 大会上，黄仁勋最重要的一句话不是某个产品发布，而是对英伟达的重新定义：这不是一家芯片公司或 GPU 公司，而是一家全栈式 AI 基础设施公司。

核心叙事是"token economy"——整个产业的崛起需要一个能够生产和管理 token 的工厂，英伟达要成为那座工厂。这次 GTC 一次性发布了七个芯片，加上完整的互联、推理基础设施、Variable Routing 平台，以及整合了收购的 Grok 之后推出的 LPX 推理平台。这不是产品发布，这是生态发布。

市场对英伟达的理解还停在"芯片公司"这个层面，但黄仁勋要卖的是一个完整的系统：GPU、CPU、网络、存储、CUDA 体系、面向 Agentic AI 和推理的整体部署方案，一站式解决。

这背后有一个关键逻辑：如果 CPU 还掌握在别人手里，英伟达就没有办法整体定义它的整机、整柜性能。 这次发布的 Viral CPU 是英伟达十几年来第一款新 CPU，且直接定位为"全球首款专为 Agentic AI 和强化学习设计的处理器"。一旦客户选择英伟达作为一站式 AI 基础设施供应商，迁移成本将极高，护城河也随之形成。

六、算力重心从训练转向推理：1 万亿美元的预测从哪来 (25:04 - 28:33)

几年前，AI 算力的消耗大致是 70-80% 用于训练，20-30% 用于推理。现在已经接近 50/50。未来可能倒转：20-30% 在训练，60-70% 在推理，而且这个推理消耗是持续性的。

原因在于智能体（Agent）时代到来后，AI 不再是"一问一答"，而是持续活跃、不停调用工具、不停执行任务、不停与多个 Agent 协作。这意味着推理将从一次性成本变成持续性现金流消耗——这才是黄仁勋预测 Blackwell 和 Robin 在 2027 年对应的数据中心收入可能超过 1 万亿美元的逻辑基础。

这也是 CPU 重要性快速上升的原因。Reinforcement Learning、多 Agent 系统、simulation 工作流——这些都大量依赖 CPU。英伟达补上 CPU 这块，不只是产品线完整，而是算力架构必然走向多样化的现实判断。

七、英伟达的收购逻辑：补全生态，而非买芯片 (34:27 - 39:41)

张璐的基金去年有五家公司被收购，其中两家——Lepton AI 和 Nexus Go——都被英伟达买走，两家都是 AI 基础设施公司，成立时间都不超过两年。英伟达从 2025 年初就开始接触，发现这些产品可以在自己的生态里产生价值后，迅速完成收购，整合速度极快：Lepton 被收购后直接变成 DJX Laptop Platform。

Grok 的案例（据报道耗资约 200 亿美元）更能说明英伟达的收购逻辑。Grok 不是在优化 GPU，而是重新设计了推理的计算路径，强调低延迟和高 Token 通量——恰好是英伟达构建 AI 工厂生态最需要的两个能力。但张璐的判断是：

"如果只是单纯看它的芯片能力，它可能不值得英伟达付的这个价格。它对英伟达的价值，是补全了整体生态的故事线和生态层面各个方面的集合能力。"

全栈竞争的逻辑正在蔓延。谷歌有 TPU，苹果有自研芯片，Meta 也在大力投入。有能力构建全栈平台的目前只有谷歌、英伟达和苹果三家。

八、马斯克的真正优势：三维世界数据 (39:41 - 41:09)

张璐对马斯克 AI 布局的判断，落脚点不在算力，而在数据质量。

语言模型之后是多模态，之后是 Agent，再之后是世界模型。世界模型的核心需求是高质量的三维世界真实数据。大多数公司顶多有视频数据，而马斯克拥有的是：特斯拉的交通数据、特斯拉工厂的工程实验数据、SpaceX 工厂数据、卫星数据、太空数据，以及未来人形机器人积累的数据。这种多样性和真实的三维属性，是其他科技公司无法复制的。

如果马斯克能把这些数据用起来构建世界模型，他的生态能力可能比现有科技公司再提升一个量级。

九、XAI 动荡与马斯克的管理风格 (41:24 - 43:56)

XAI 早期联合创始人陆续离职，张璐的解读是两层：一是内部模型能力的提升速度低于马斯克自己的预期；二是马斯克的个人风格——他想要的不是追赶竞争对手，而是超越，所以他的标准本就比任何人都高。

"That is better than perfect"——这是创业圈的常识，但马斯克的特点是敢于以极快的速度承认错误、做出调整，哪怕这意味着对合作多年的人也不留情面。

张璐用了一个词来概括他："很有魅力的暴君"。他有改变世界的强大内驱力，但在追求愿景的过程中，其他所有因素的优先级都会被降低。

XAI 与 SpaceX 合并之后，张璐反而不悲观——作为 SpaceX 的一部分，XAI 能调用的资源"非常夸张"，内部人才流动和资源流动效率极高，还会乘上太空经济整体崛起的势。

十、谷歌 TPU：强在内部，出墙即打折 (45:13 - 48:54)

谷歌对 TPU 的投资超过十年，这证明它很早就判断推理比训练更重要，而且沿着这条线积累了大量技术。

但 TPU 的核心能力体现在谷歌自己的生态里。谷歌用自己的 TPU 跑自己的模型，结合自己完整的系统优化，可以做到 training cost 仅为 OpenAI ChatGPT 的约三分之一。然而，一旦 TPU 提供给第三方使用，第三方没有谷歌那套完整的系统优化能力，芯片能力在性能和成本上都会打折扣。

这也是为什么短期内 TPU 很难对 GPU 市场形成有效威胁。但张璐并不认为这是英伟达独霸的格局——当 AI 在金融、医疗、保险等行业的真正大规模铺开，目前连 1% 的整合率都不到，未来"单靠一种计算架构去支持也不太现实"，市场必然需要多样化的算力架构。

十一、企业 AI：传统大公司的数据焦虑与 B 端机会 (49:35 - 55:14)

2026 年是 Enterprise AI 快速推进的一年，核心信号是：大企业不再犹豫，开始真正铺设垂直 AI，但选择的是小语言模型而非大语言模型。

原因很实际：金融、医疗、保险都是高监管行业，数据敏感，不愿意把核心数据上传到云端，也不愿意分享给大型科技公司。小语言模型可以本地化部署、满足延迟要求、避免幻觉问题、降低成本，同时联邦学习方案还能绕开数据隐私监管风险。

张璐在达沃斯与大量企业 CEO 交流后感受到：大企业的焦虑感非常重。他们意识到"有一堆数据，但它并不是真正的数据资产"——数据必须和 AI 整合才有价值。Fusion Fund 的 CX 网络里有 45 个全球千强企业 CTO，今年普遍反馈预算在增加，"最多的一个手里有 120 亿美元预算，用来做 AI 技术相关的收购、整合和战略合作"。

B 端创业有一个意外的结构性优势：传统行业大公司不信任大型科技企业，反而更愿意和初创公司合作。这让小团队得以进入大客户。张璐的组合里有公司一年内收入从 0 涨到 2000 万美元，团队不到 10 人。

"改变世界同时创造财富，但最重要的是改变世界。"

十二、张璐接下来的投资重心 (59:52 - 1:01:48)

Fusion Fund 第四期基金已于 2025 年初发布，去年投了 10 家公司，今年计划 7 到 10 家。张璐个人最关注的三个方向：

AI 基础设施的下一个瓶颈：不止是模型，而是 inference cost、能源、memory、security 和系统整合。这些才是规模铺开后会卡住的地方。

医疗 AI：不只是软件应用，还包括机器人在医疗领域的落地。她提到已投了两家公司——一家做制药和生命科学的机器人自动化（MEDRA），另一家做纳米机器人——因为医疗有 GDP 占比 20%（美国）的市场量级、高质量数据和多样化应用场景。

太空科技：太空经济整体正在加速，张璐认为未来两三年仍是很好的投资窗口。"从小就对太空有热情"，这不只是商业判断。