摘要
关于 AI 竞争的公共讨论仍然集中在模型质量上：即本季度哪家实验室发布了最智能的系统。这种框架忽略了真正的竞争已经转移到了何处。决定 2026 年开发者能够实际交付什么产品的限制因素是结构性的——电力供应、芯片分配、数据中心建设、训练与推理效率、模型权重的流通条款、报告模型性能与使用情况的界面，以及让模型调用工具而非仅仅回答问题的协议。本文将 AI 基础设施军备竞赛视为一个七层堆栈：计算与能源、资本支出、效率工程、开放权重分发、模型元数据与排名、代理协议，以及生产团队每天运行的路由/评估循环。我们仅使用可追溯到具名、注明日期来源的声明，并指出了流行叙事超出证据支持的地方。
关键发现
- IEA 预计全球数据中心电力消耗将从 2025 年的 485 TWh 大致翻倍至 2030 年的 950 TWh，其中 AI 优化型数据中心的增长速度超过了整体数据中心领域——这使得电力（而非仅仅是芯片数量）成为新产能的硬性约束。
- NVIDIA 2026 财年数据中心收入同比增长 68%，达到 1937 亿美元（全年总收入 2159.38 亿美元），而该公司自身的 2027 财年第一季度展望中未假设任何来自中国的数据中心计算收入，这表明在基础设施规划中，资本密集度和地缘政治风险现在已密不可分。
- DeepSeek-V3 的历史技术报告指出，一次正式训练运行耗费了 278.8 万个 H800 GPU 小时，成本约为 557.6 万美元，明确排除了先前的研究、消融实验、架构探索、算法开发和数据成本——这一数字经常被误引为“模型成本”，而非其中的一个会计项。
- 斯坦福大学 2026 年 AI 指数报告显示，美国和中国模型之间的顶级性能差距实际上已经缩小，尽管美国仍生产更多的顶级模型，而中国在出版物数量、引用量、专利产出和工业机器人安装量方面处于领先地位——这比单纯的“美国领先”或“中国已赶上”的描述更为碎片化。
- Anthropic 推出的 Model Context Protocol（MCP）作为 AI 系统与数据源之间安全双向连接的开放标准，在捐赠给 Linux 基金会新成立的 Agentic AI Foundation 之前，已拥有超过 10,000 个活跃的公共服务器，并被 ChatGPT、Cursor、Gemini、Microsoft Copilot 和 VS Code 采用——代理工具的标准化速度目前超过了大多数模型层的竞争。
来源快照
| 来源 | 确立的内容 | 观察日期 |
|---|---|---|
| IEA - 能源与 AI 的关键问题 | 数据中心电力需求轨迹、AI 服务器功率密度趋势 | 2026-07-09 |
| NVIDIA 2026 财年业绩 | 数据中心收入增长、中国业务的前瞻性指引 | 2026-07-09 |
| OpenAI - Stargate 项目公告 | 资本承诺结构及初始股权出资方 | 2026-07-09 |
| DeepSeek-V3 历史技术报告 | 训练计算小时数及官方成本核算范围 | 2026-07-09 |
| Qwen3 发布 | 开放权重发布结构及部署工具 | 2026-07-09 |
| 斯坦福 2026 年 AI 指数 | 模型性能差距、国家研究产出、数据中心数量、晶圆厂集中度 | 2026-07-09 |
| Anthropic - MCP 发布 | 代理到工具协议的设计意图 | 2026-07-09 |
| Anthropic - MCP 捐赠 / AAIF | 当前的采用足迹及治理权转移 | 2026-07-09 |
| OpenRouter 排名 | 基于使用量的模型需求信号 | 2026-07-09 |
| OpenRouter 模型 API 文档 | 作为基础设施的模型元数据架构 | 2026-07-09 |
| Artificial Analysis 方法论 | 基准测试中模型/端点/提供商的区别 | 2026-07-09 |
| Artificial Analysis 智能方法论 | 综合指数构建及既定局限性 | 2026-07-09 |
| vLLM / PagedAttention 论文 | 推理服务吞吐量提升 | 2026-07-09 |
| Pentos - AI 军备竞赛 | 原始叙事框架，此处围绕基础设施进行了重构 | 2026-07-09 |
方法论与更新触发条件
本文仅保留了可追溯到具名、注明日期来源的声明：政府或 IEA 的能源预测、供应商财务披露、模型实验室发布的技术报告，或 Artificial Analysis 和 OpenRouter 等第三方基准聚合商的数据。来源年份跨度从 2025 年末到 2026 年初，每个部分都注明了底层数据受时间限制的报告期（例如季度财报、指数版本）。
原始的 Pentos 报告以军事和地缘政治术语构建了基础设施竞争，并包含了一些无法根据公开技术或财务披露进行验证的声明——如预测的国家计算份额主导地位、战略价值框架和前瞻性能力时间表。这些内容被排除而非重构，因为用基础设施语言重述无法验证的声明并不能解决潜在的证据缺口。当 Pentos 的声明与可验证的数字（如数据中心能源需求、已发布的模型基准）重叠时，该声明是根据原始来源重建的，而非直接从报告中沿用。
当发生以下任何情况时，应更新本文：NVIDIA 的新季度财报实质性改变了数据中心收入或出货量数据；发布了新的斯坦福 AI 指数版本；OpenRouter 或 Artificial Analysis 的排名变动足以改变本文引用的开放与封闭模型的相对地位；重大的开放权重模型发布（例如新的 DeepSeek、Qwen 或类似的模型系列）改变了开放模型竞争力的叙事；IEA 发布了更新的数据中心电力需求预测；或被引用的实验室发布了实质上不同的代理协议或基础设施投资公告。在没有这些触发因素的情况下，此处的声明和比较应被视为快照，而非实时状态。
为什么“AI 基础设施军备竞赛”是更好的框架
关于 AI 竞争的主流媒体叙事是一个排行榜故事：一个实验室发布模型，竞争对手在几周内做出回应，评论员为这一轮打分。这种框架与其说是错误，不如说是不完整。它将模型质量视为稀缺资源，而对于大多数构建者来说，稀缺资源是电力、芯片分配、服务能力，以及将模型输出转化为系统可操作内容的工具。
考虑一下 2026 年真正制约新模型部署的因素。它很少是“我们能否得到一个更聪明的检查点”。而是：我们能否在具有足够功率密度的地点获得 GPU 容量，且价格能够维持产品的单位经济效益；能否通过保持延迟可预测的基础设施进行服务；能否封装在让模型调用工作流所需工具的协议中；以及能否通过可观测性让工程团队在客户发现之前捕获回归问题。每一层都是一个独特的竞争层，拥有自己的领导者、瓶颈和变革步伐。
这就是我们使用“基础设施军备竞赛”而非“模型竞赛”的原因。竞争的单位是整个堆栈——芯片、电力、数据中心、服务软件、模型、API 界面和代理协议——而不是单一的排行榜数字。
对于平台团队而言，实际意义在于竞争情报需要跟踪资本支出披露、电力预测和协议采用情况，以及基准分数。只关注排行榜的团队将错过真正重塑可构建内容的操作。
计算现在就是电力、土地、芯片和调度
AI 基础设施增长最硬性的约束不是孤立的芯片供应，而是电力。IEA 的分析预计，全球数据中心电力消耗将从 2025 年的 485 TWh 大致翻倍至 2030 年的 950 TWh，其中 AI 优化型数据中心的增长速度超过了整体数据中心领域。这不是一个温和的经效率调整后的预测；这是一个已经在某些地区与国家电网争夺容量的类别的翻倍。
密度问题加剧了容量问题。IEA 报告称，AI 服务器功率密度从 2020 年到 2025 年增加了约 11 倍，到 2027 年可能再增加 4 倍。这一轨迹意味着“一个 AI 计算机架”的物理足迹变化速度超过了大多数公用事业互连流程、冷却设计或许可时间表所能吸收的速度。为 2023 年机架密度设计的数据中心不仅对 2027 年的硬件而言“效率较低”——它可能在结构上无法在不进行改造的情况下托管这些硬件。
Stargate 是近期除芯片供应商本身之外，这一规模资本承诺的最明确例子。OpenAI 的公告描述了在四年内投资 5000 亿美元的意图，其中 1000 亿美元立即投入，并列出了软银、OpenAI、甲骨文和 MGX 作为初始股权出资方。我们严格将其视为资本承诺信号：它展示了基础设施参与者愿意在未来计算容量上预先投入资本的规模。它本身并不能证明执行速度、设施数量或人员配备水平，我们也不会沿用自公告以来建设进度如何的未经证实的声明。
这一切之下的供应链仍然狭窄。斯坦福 2026 年 AI 指数报告称，领先的 AI 芯片制造集中在台积电，且美国拥有 5427 个数据中心——这一数字说明了制造和托管能力在地理上的集中，即使需求正在全球化。单一的晶圆厂节点和少数超大规模密集区域位于一个日益将“计算”视为可替代商品市场的底层。它不是可替代的；它在地理和政治上以塑造下游一切的方式集中，从新产能的交付周期到模型服务企业所依赖的价格稳定性。
对于基础设施或平台团队而言，实际的解读是：容量规划必须考虑电力互连时间表和晶圆厂集中风险，而不仅仅是芯片供应商的路线图。一个假设多区域 GPU 价格稳定的路由或服务架构，是在对电网容量和地缘政治稳定性进行隐性押注，而这超出了任何单一 AI 公司的控制范围。
效率路线是一种基础设施策略
如果计算和电力受到限制，自然的对策是效率——提取更多的可用智能（每 GPU 小时和每瓦特），而不是仅仅购买更多硬件。这不是计算竞赛的哲学替代方案；它本身就是一种基础设施策略，并且有一个有据可查的例子。
DeepSeek-V3 的历史技术报告指出，一次正式训练运行耗费了 278.8 万个 H800 GPU 小时，成本约为 557.6 万美元。该数字精确、来源明确，且值得按照其范围进行解读：它明确排除了先前的研究、消融实验、架构探索、算法开发和数据收集成本。这是单次训练运行的成本，而不是建立一个能够进行该运行的实验室的成本。将其视为“前沿模型的总成本”——公共评论中的一种常见误读——夸大了该数字所支持的内容，并低估了使该运行成为可能的研发投资。
该数字确实支持的是关于效率工程作为竞争杠杆的真实信号。一次在有据可查、相对较低的 GPU 小时成本下实现竞争性质量的训练运行，证明了架构和训练流水线选择可以实质性地改变计算/能力比率。这正是随着电力和芯片供应收紧而变得更重要的基础设施杠杆：如果你不能轻易购买更多容量，你就会从现有容量中提取更多。
Qwen3 的发布展示了第三个效率维度：部署目标的多样性。Qwen3 发布了两个混合专家（MoE）模型和六个密集模型，均采用 Apache 2.0 许可，并提供了跨 SGLang、vLLM、Ollama、LMStudio、MLX、llama.cpp 和 KTransformers 的官方推荐部署路径。在多个参数规模下提供 MoE 和密集变体本身就是分发层的一种效率策略：它让构建者能够选择符合其硬件约束的计算配置文件——从云规模的 MoE 部署到消费级硬件上的本地密集模型——而不是强迫所有部署都通过相同的计算密集型路径。
对于平台团队而言，操作上的教训是效率和规模不是竞争同一预算的对立阵营；它们是同一问题的两个杠杆，未来两年定位最好的团队是那些同时对两者进行测量的团队。我们自己的路由和任务成本分析将其视为一个操作问题而非意识形态问题：在给定的任务分布下，模型选择和配置的哪种组合能在可接受的质量底线下最小化成本。
开放权重改变分发，而非自动改变治理
Qwen3 在 Apache 2.0 下的发布是一个分发决策，准确理解该决策改变和未改变的内容非常重要。开放权重意味着模型的参数可以被下载、在操作者控制的基础设施上运行、微调，并根据声明的许可条款重新分发。这与仅 API 模型有本质区别，在仅 API 模型中，权重永远不会离开提供商的基础设施，且每次推理调用都由该提供商的服务堆栈、速率限制和服务条款进行中介。
我们在整篇文章中刻意使用“开放权重”而非“开放源代码”。给定的发布是否符合 OSI 风格的开源标准，取决于训练数据披露、训练流水线的可重复性，以及除权重再分发之外的许可条款——大多数当前的“开放”模型发布（包括许多在新闻报道中被广泛称为“开源”的模型）并未完全满足这些标准。Qwen3 在权重上的 Apache 2.0 许可是一个真实且可验证的分发承诺；它本身并不是训练流水线完全透明的证据。
开放权重确实可靠地改变了控制界面。在自托管基础设施上运行开放权重模型的构建者控制正常运行时间、控制数据驻留、控制微调，并且不会暴露于提供商的价格变动或弃用计划中。开放权重不会自动带来治理，即记录在案的安全评估、红队披露或下游滥用的问责制——这些仍然是发布组织可能或可能不会与权重发布本身一起做出的独立承诺。
对于平台团队而言，实际决策很少是抽象的“开放权重与封闭 API”。这是一个针对每个工作负载的决策：该工作负载是否需要只有自托管才能提供的数据驻留保证，或者提供商的专用容量提供的吞吐量保证，还是说它能够容忍路由器在价格和可用性变动时跨提供商移动流量的共享基础设施权衡。我们的模型比较工具将其视为一个明确的权衡表面，而非哲学立场——开放权重是一种分发和控制机制，其评估方式与评估任何其他基础设施依赖项相同。
排名和模型数据成为操作基础设施
堆栈中比芯片或模型发布获得关注少得多的层是模型元数据层：告诉构建者存在哪些模型、它们成本如何、响应速度如何，以及它们在对给定产品重要的任务上如何比较的 API、排名和基准方法论。这一层本身已经成为基础设施，因为生产路由决策越来越依赖于对这些问题的机器可读答案，而非手动研究。
OpenRouter 的模型 API 文档描述了暴露模型元数据、模态、支持的参数，以及按定价、上下文窗口和延迟/吞吐量进行排序的视图。这是一种与基准论文完全不同的资源：它是一个实时的、可查询的索引，路由系统可以在做出调度决策之前以编程方式调用它。OpenRouter 的公共排名分别呈现了基于基准和真实使用数据的实时排名，包括按每周使用量和按任务级支出份额排名的顶级模型。这是一个需求信号，而非全球真理声明——它反映了通过一个平台市场流动的流量，这与更广泛的市场行为相关，但并不等同。在一个路由器上按每周使用量排名第一的模型，在另一个平台的流量中可能表现不佳，其原因与质量无关，包括默认配置选择、合作伙伴集成或区域可用性。
Artificial Analysis 采取了不同的方法：跨智能、质量、性能和价格进行独立基准测试，并明确区分模型、端点、提供商和无服务器部署为独立概念的方法论。这种区别比听起来更重要。由两个不同提供商服务的同一个底层模型，可能会发布实质上不同的延迟和吞吐量数字，因为服务基础设施——而非模型权重——不同。一个报告“模型 X 最快”而未指定端点和提供商的基准，是在报告基础设施性能并将其归因于模型。
这与本文前面堆栈图旨在说明的区别相同：元数据和排名层位于模型层和构建者实际消费的 API 界面之间，将服务层数字与模型层声明混为一谈是一个范畴错误，而排名素养正是为了捕捉这一点。
Artificial Analysis 的智能指数方法论直接在其自身文档中增加了进一步的警告：v4.1 指数将代理、编码、科学推理和通用能力加权为综合分数，且方法论明确指出此类指标具有局限性，可能并不适用于每个用例。这是来自基准测试提供商不同寻常的直接承认，它应被解读为给构建者的常设指令：综合智能分数是缩小候选名单的筛选工具，而不是评估候选模型与你自身任务分布的替代品。
这就是将排行榜素养视为自身基础设施能力的论点。一个能够查询实时模型和定价数据、将其与独立排行榜信号交叉引用，并在提交流量之前运行自身特定任务评估的平台团队，其严谨程度高于那些从单一排名页面挑选模型并假设排名会转移到其工作负载上的团队。元数据层之所以是基础设施，正是因为它现在位于生产路由系统的自动化决策路径中——而不仅仅是在每季度审查一次的采购电子表格中。
代理将模型输出转化为系统行动
目前标准化动态移动最快的层不是模型层——而是代理协议层，即让模型输出触发外部系统中实际行动而非在聊天窗口中终止的软件。
Anthropic 推出了 Model Context Protocol（MCP）作为 AI 系统与外部数据源之间安全双向连接的开放标准。发布时声明的设计目标很简单：为模型提供一种标准方式来触达工具和数据，而不是要求每个集成都构建为定制的、一次性的连接器。这是一个基础设施问题，与数据库驱动标准或 API 规范属于同一类别——它旨在降低将 N 个模型连接到 M 个工具的组合成本。
自发布以来的采用轨迹是更重要的基础设施信号。Anthropic 宣布将 MCP 捐赠给 Linux 基金会新成立的 Agentic AI Foundation，报告称有超过 10,000 个活跃的公共 MCP 服务器，并被 ChatGPT、Cursor、Gemini、Microsoft Copilot 和 VS Code 采用。这是直接竞争对手之间对单一协议的跨供应商采用——这种模式在 AI 基础设施中很少见，且值得注意，具体原因在于它不需要这些供应商在模型质量、定价或治理哲学上达成一致。他们收敛于一个共享的管道层，因为发散的、不兼容的工具调用标准会给他们每个人都带来集成成本。
将 MCP 交给一个独立基金会而非保留在单一供应商的控制之下，本身就是一个值得仔细解读的治理决策。一个中介模型被允许触达什么的协议——哪些文件、哪些 API、哪些系统——具有真正的安全权重。将该协议的管理权置于任何单一实验室的商业激励之外，与将其作为专有差异化因素的姿态不同，这与将代理工具层视为共享基础设施而非竞争性 IP 的做法是一致的。
这是应该在生产讨论中取代模糊的“AI 安全”语言的框架。问题不在于给定的模型在抽象上是否对齐；而在于周围的代理基础设施是否强制执行最小权限访问，是否产生足以在事件发生后重建发生了什么的审计跟踪，以及在工具调用模糊或超出范围时是否安全地失败。我们的代理回退和路由指南将其视为一个操作设计问题：当代理链中的主要模型返回格式错误的工具调用、超时或在任务中途受到速率限制时会发生什么，以及回退路径如何保持相同的权限边界，而不是在压力下为了保持工作流移动而悄悄放宽它们。
对于基础设施团队的战略解读是，代理能力目前受到的限制较少来自模型推理质量，而更多来自周围权限和审计层的构建严谨程度。一个连接到没有范围限制和审计跟踪的权限系统的前沿质量模型，比连接到构建良好的权限系统的中层模型具有更大的操作风险。
这对模型平台和构建者意味着什么
将这些层整合到一个实际的检查清单中，一个在 2026 年基于该堆栈构建的团队应该在每一层跟踪不同的信号，而不是将一切折叠成单一的“哪个模型最好”问题：
计算和电力：跟踪你提供商实际服务的区域的数据中心电力可用性和互连时间表，而不仅仅是头条芯片公告。提供商的价格稳定性取决于你永远无法直接看到的电力合同。
资本支出信号：将资本承诺公告——无论是 Stargate 规模还是其他——解读为关于产能被预先购买的需求侧信号，而非近期可用性的保证。今天承诺的资本不会转化为下季度可用的 GPU 小时。
效率，不仅是规模：评估训练侧的效率声明（具有明确的成本核算范围，正如历史 DeepSeek-V3 报告清楚表明的那样）和服务侧的效率收益（如 PagedAttention 级的吞吐量改进）作为独立的、复合的杠杆。服务堆栈升级可以在不进行任何模型更改的情况下实现吞吐量收益。
开放权重作为控制决策：当数据驻留、微调控制或提供商独立性超过运行自身推理基础设施的操作负担时，选择开放权重自托管。当吞吐量保证和较低的操作开销超过基础设施控制权的损失时，选择 API 或路由器访问。在未检查特定许可和工作负载部署成本的情况下，不要将“开放”视为“更安全”或“更便宜”的同义词。
元数据和排名素养：使用机器可读的模型元数据和独立基准方法论来缩小候选名单，然后在提交生产流量之前运行自身特定任务的评估。综合排行榜分数是筛选信号，由其自身方法论文档明确界定，而不是部署决策。
代理权限设计：在扩展代理能力之前构建工具调用、权限检查和审计日志层，而不是在事件发生之后。将每个可能触发系统行动的模型输出视为需要明确授权的提议，无论底层模型的能力如何。
任务成本纪律：按工作负载经济性进行路由，而非模型声望。一个在高质量、低复杂性任务类别中清除质量条的更便宜模型，是该类别的正确选择，即使前沿模型赢得了每一个抽象排行榜。我们的任务成本路由研究和我们的低成本模型目录旨在使这种权衡可见，而非隐性。
这些都不是一次性决策。每一层都按自己的时间表移动——电力建设在多年时间表上，模型发布在月度到季度节奏上，协议采用在标准达到临界质量后爆发。2026 年的基础设施竞争力看起来不像挑选赢家，而更像是维护一个路由和评估循环，该循环可以在每一层吸收变化，而无需每次新模型或协议版本发布时都进行完整的架构重写。
API 和平台团队的决策矩阵
上述调查的基础设施信号对构建在模型 API 之上的团队具有实际意义，无论哪个实验室或供应商最终在原始能力上领先。下表将观察到的信号映射到决策点；它不推荐特定的供应商或产品。
| 基础设施信号 | 它提出的实际问题 | 决策前去哪里查看 |
|---|---|---|
| 历史开放权重模型发布（如 DeepSeek-V3、Qwen3）缩小了与封闭模型的差距 | 自托管或开放权重微调现在对该工作负载是否可行，或者封闭 API 的便利性是否仍然超过了差距？ | 独立基准聚合商（Artificial Analysis、OpenRouter 排名），而非仅实验室发布的基准 |
| 跨基准提供商的发散排名 | 哪种基准方法论符合该工作负载的实际任务分布？ | 在采用单一排行榜作为真理之前，先查看已发布的方法论说明 |
| 服务层效率收益（如 PagedAttention/vLLM 级技术） | 自托管推理现在是否改变了该流量模式相对于 API 调用的成本/延迟权衡？ | 在代表性并发下的自身负载测试，而非供应商报告的吞吐量数字 |
| 新兴代理/工具使用协议（如 MCP） | 集成工作应该针对协议级标准还是供应商特定的 SDK？ | 跨多个实验室和工具的协议采用广度，而非单一供应商的路线图 |
| 数据中心能源和容量约束（IEA 预测、大型资本支出公告如 Stargate） | 容量规划应该假设持续的价格和可用性改进，还是为高峰期的供应紧张做预算？ | 区域电力和电网容量数据，以及供应商容量公告 |
| 计算投资集中在少数大型基础设施计划中 | 这是否为延迟或可用性敏感系统创造了单一供应商依赖风险？ | 多提供商回退测试和合同条款，而非冗余的通用声明 |
这些信号中没有一个能单独解决决策；每一个都用一个具体的、可检查的问题替代了关于哪一方在“赢得”基础设施竞赛的通用声明。
2027-2030 场景
我们没有基础来预测该堆栈在未来几年如何解决的单一结果。我们能做的是列出锚定在上述各层的场景，每个场景都有确认或证伪它的指标。这些是场景，而非预测。
场景 A - 电力约束下的整合：数据中心电力需求跟踪或超过 IEA 的 950 TWh 2030 预测，电网互连成为新产能的硬性约束，计算访问集中在最早获得电力合同和晶圆厂分配的操作者手中。观察指标：互连队列时间表和主要数据中心操作者报告的购电协议，而非仅仅是芯片出货公告。
场景 B - 效率驱动的扩散：训练和服务效率收益（如历史 DeepSeek-V3 锚点和 PagedAttention 级服务工作所展示的模式）继续以快于需求增长的速度降低计算/能力比率，竞争性模型能力扩散到更广泛的操作者群体，而非集中在最大的计算持有者手中。观察指标：新发布的开放权重模型是否继续缩小斯坦福 2026 年指数所描述的顶级能力差距，并使用与前代模型要求相当或更低的计算预算。
场景 C - 协议标准化的代理层：代理工具调用围绕少数几个开放的、基金会治理的协议进行标准化（MCP 对 Agentic AI Foundation 的捐赠是目前最明确的例子），竞争差异化几乎完全转移到构建在共享协议之上的权限、审计和编排层，而非协议本身。观察指标：更多的主要模型提供商和工具平台是否采用同一协议而非维护竞争标准，以及基金会的范围是否扩大到其初始职权之外。
这不能证明什么
本文刻意排除了在“AI 军备竞赛”叙事的相邻报道中流传的一系列声明，因为它们缺乏我们能够在此类文章要求的置信水平下独立验证的来源。明确命名它们比默默省略它们更有用：
- 我们没有关于联邦政府因拒绝与军事相关的安全变更而禁止任何特定 AI 提供商的声明的验证来源。该声明出现在一些报道中，但此处未得到独立证实，因此被排除。
- 我们没有验证过的、注明日期来源来确认 Stargate 在原始公告后任何特定时间点的实际数据中心数量或人员配备水平。公告确立了意图和初始资本结构；它没有确立执行速度，我们也不会在任何方向上沿用未经证实的执行声明。
- 我们没有关于归因于任何单一公司数据中心集群的具体 GPU 机队规模声明的原始来源。像这样的数字在没有可追溯原始来源的情况下在二次报道中广泛流传，并被排除在本文之外。
- 我们不使用军事应用性能声明（无人机瞄准率或类似内容），因为它们超出了我们可获得的、可验证的、注明日期的原始资料范围，也超出了本文基础设施和构建者的范围。
- 我们不使用国防预算中关于 AI 支出的具体项目数字，或与芯片出口执法相关的执法案件美元数字，因为它们对本文的基础设施论点并不核心，且未针对本文进行独立验证。
- 我们不使用 AI 代理市场规模或增长率估计。对于如此新的类别，市场规模数字因方法论而异，且对本文所做的基础设施论点不构成负载。
- 此处引用的基准和排名数据（OpenRouter 使用排名、Artificial Analysis 分数）反映了特定平台的方法论和流量，观察于所述日期。它们不确立单一的全球模型质量排名，也不应被解读为这样。
- 历史 DeepSeek-V3 训练成本数字明确限定为单次训练运行的 GPU 小时数，源自技术报告本身。它不确立总公司研发支出，也不应被用作“建立前沿实验室成本”的基准。
常见问题解答
AI 基础设施军备竞赛主要是关于谁拥有最好的模型吗？
不是。模型质量是更广泛竞争的一个可见层，其中包括电力供应、芯片制造集中度、数据中心资本支出、训练和服务效率、开放权重分发条款以及代理工具调用协议。本季度在排行榜上名列前茅的模型，仍然可能部署在无法扩展的基础设施上，通过缺乏工具调用采用的协议进行服务，或者以使其对于给定工作负载不经济的方式定价。
“开放权重”实际上保证了什么，它没有保证什么？
开放权重（如 Qwen3 的 Apache 2.0 发布）保证了模型的参数可以被下载、自托管、微调，并根据声明的许可条款重新分发。它们不会自动保证训练数据透明度、可重复的训练流水线或记录在案的安全评估——这些是发布组织可能或可能不会与权重发布本身一起做出的独立承诺。除非发布内容明确满足除权重再分发之外的开源标准，否则请使用“开放权重”而非“开源”。
历史 DeepSeek-V3 训练成本数字应该如何正确使用？
技术报告指出，一次正式训练运行耗费了 278.8 万个 H800 GPU 小时，成本约为 557.6 万美元，并明确排除了先前的研究、消融实验、架构探索、算法开发和数据成本。将其用作一次记录在案的训练运行以相对较低的 GPU 小时成本实现竞争性结果的证据。不要将其用作建立前沿实验室的总成本数字，也不要在不匹配会计范围的情况下将其直接与竞争对手的总研发支出进行比较。
OpenRouter 排名和 Artificial Analysis 分数是同一种证据吗？
不是。OpenRouter 的排名反映了其自身市场流量的实时使用情况和支出份额——这是一个真实的、但特定于该平台的需求信号。Artificial Analysis 跨智能、质量、性能和价格进行独立基准测试，其自身方法论明确区分模型、端点、提供商和无服务器部署为独立变量，同时警告其综合智能指数具有既定局限性，可能并不适用于每个用例。两者都对缩小候选名单有用；两者都不能替代在你自身工作负载上进行的特定任务评估。
MCP 与专有代理工具调用系统之间有什么实际区别？
MCP 由 Anthropic 作为 AI 系统与数据源之间安全双向连接的开放标准引入，此后已被竞争平台（ChatGPT、Cursor、Gemini、Microsoft Copilot、VS Code，根据 Anthropic 自身的采用报告）采用，并随后捐赠给了 Linux 基金会的 Agentic AI Foundation。专有工具调用系统将你的集成绑定到单一供应商的路线图和治理决策上。一个开放的、基金会治理的协议减少了这种锁定，尽管它仍然要求你在其之上构建自己的权限和审计层——协议标准化了连接，而不是授权策略。
来源
- Pentos source article观测于 2026-07-09
- IEA Key Questions on Energy and AI观测于 2026-07-09
- NVIDIA FY2026 results观测于 2026-07-09
- OpenAI Stargate announcement观测于 2026-07-09
- DeepSeek-V3 historical technical report观测于 2026-07-09
- Qwen3 launch观测于 2026-07-09
- Stanford AI Index 2026观测于 2026-07-09
- Anthropic Model Context Protocol观测于 2026-07-09
