推理经济学登上主战场：约束从芯片转向资本

过去两年，AI 基建的关键词是缺芯片、缺内存、缺电。这些瓶颈一个个被产业用工程手段填平，而 2026 年 10 月传递出的一个新信号是：真正的约束正在换位——从硬件转向资本，以及同样被反复追问的能效。

一、微软把自研芯片推上「主推理系统」

10 月中旬，微软发布第三代自研 AI 芯片 Maia 300，并明确它将成为微软产品线的推理主力。据公开信息，Maia 300 采用台积电 N2P 工艺、由多个芯粒（chiplet）组成，配 8 组 HBM4 内存，以每机架 96 颗芯片部署，单机架功耗约 167 千瓦；作为对照，英伟达较新的 GB300 服务器机架为 72 颗 GPU、约 142 千瓦。

更关键的是单位能耗的产出。微软称 Maia 300 每兆瓦可处理的 token 数量，比主流基于 GPU 的系统高出约四成，并计划从 2027 年起以多吉瓦级规模部署。这背后的账很直接：训练是一次性投入，推理是每天都在发生、按 token 计费的经常性支出。谁能把「每瓦、每美元、每字节内存」的产出做上去，谁就能把 AI 服务的运营账算平。与此配套，微软同期披露单季新增数据中心租赁承诺超过 1300 亿美元，尚未启动的租赁总承诺升至约 3291 亿美元。

二、两位芯片掌门同日示警：最大瓶颈是资本

10 月 12 日，博通 CEO 陈福阳与英特尔 CEO 陈立武同台出席新加坡的一场行业会议。陈福阳直言，行业过去两年接连克服了内存、晶圆、电力等供应瓶颈，但资本问题的性质不同——随着 AI 基建持续扩张，融资难度可能超过任何一种硬件短缺。陈立武随即附议，把资本成本上升与投资回报的不确定性列为当前核心挑战。

这番表态并非唱衰需求。陈福阳同时表示，算力基础设施的需求超过供给能力，并预计供需失衡将延续到 2029 年、甚至 2030 年。真正被点出的，是扩张方式的问题：当分母变得越来越大，回报必须被看见，资金才会持续进来。

三、中国模型的成本压力，正在改写定价假设

陈立武在会议中还提到一个变量：部分中国前沿模型的 token 成本更低，普及速度非常快，DeepSeek、Kimi、GLM 等在多类使用场景下已经「足够好」。这直接冲击了「价格更高的系统必然主导市场」的假设，也让押注高端算力基础设施的投资者承受更大的回报压力。对国内产业而言，这既是被认可的一面，也是压力传导的一面：上游越贵，越需要下游用更低的成本把能力交付出去。

• 芯片侧：自研推理芯片与 GPU 的竞争，核心指标正从峰值算力转向每兆瓦 token 产出。
• 资本侧：算力扩张的融资成本与回报周期，成为比硬件更硬的约束。
• 模型侧：低成本、高可用的模型路线，正在重新定义产业链上「值钱」的位置。

四、光互联与大额租赁：底座仍在加码

同期还有两个不易被注意的细节。其一，英伟达与思科联合推出新一代可插拔光模块标准，首款产品支持单通道 400Gb/s 电信号速率，较现有 200Gb/s 方案翻倍，带宽密度提升到四倍，功率效率提高约 1.3 倍——集群规模越大，互联就越像新的天花板。其二，中国厂商天数智芯在上海工博会上展示天垓 300 IXL144，单机柜集成 144 颗 GPU、18 颗 CPU、约 10.1TB 显存，主打按常规机柜标准分步扩容；这说明密度之争已从单芯片走到整机柜。

当硬件瓶颈被工程一个个填平，剩下的两道题是：钱从哪里来，以及每一度电、每一块钱究竟能产出多少 token。

结语

把视线拉回长期关注的三条主线——半导体国产替代、电力能源底座、数据要素——会发现它们正被同一个问题串起来：在资本与能效的双重约束下，谁能在底座上把成本与效率做到可交付。对创业者与投资人来说，与其追逐每一次模型发布的热度，不如先回答一个问题：这门生意改变了客户利润表里的哪个数字。