文 | 反熵
过去几年，硅谷越来越像一处巨型工地。微软、谷歌、亚马逊不断扩建数据中心，GPU之外，电力、土地和冷却设备也成了争夺对象。曾经依靠软件和网络效应高速扩张的科技公司，如今不得不承担越来越重的资本开支。
就在数据中心竞赛持续升温时，马斯克与微软把目光投向了算力产业链的两端。
马斯克确认，特斯拉与SpaceX将自行建设、运营Terafab芯片制造设施，台积电最多可能租用其中部分空间。微软则联合英伟达推出搭载RTX Spark芯片的Surface Laptop Ultra，并公布Windows混合智能方案，让部分大型AI模型和智能体任务直接在个人电脑上运行。
一个准备深入半导体制造，一个试图把更多计算带回个人终端。两家公司面对的技术问题不同，却共同触及了AI产业日益突出的矛盾。
当AI从偶尔使用的工具变成持续消耗计算资源的服务，算力的供给方式与使用成本，开始比单纯扩大规模更加复杂。
01 马斯克为什么非要自己造芯片？
1987年，张忠谋创立台积电时，半导体行业仍然由英特尔、德州仪器等垂直整合企业主导，芯片设计和制造大多在同一家公司完成。台积电专门为客户制造芯片，逐渐改变了行业分工，让英伟达、AMD等企业得以绕开建设晶圆厂的巨额投入。
这种分工的经济基础十分坚固。台积电2025年采用305种制程技术，为534家客户制造了12682种不同产品。跨行业订单有助于分摊设备折旧、平衡产能利用率，持续生产又能积累改善良率的经验。先进制程尤其依赖这种积累：即使拥有相同设备，不同晶圆厂的成品率和单位成本仍可能相差很大。
苹果拥有世界级芯片设计团队，如今仍将先进制程芯片主要交由台积电代工，正是这种产业分工的典型案例。
然而，马斯克现在希望跨过这条边界。
按照SpaceX向美国证券交易委员会提交的文件，Terafab计划整合逻辑芯片、存储器制造与先进封装，长期目标是每年生产对应1太瓦计算功率的硬件。这里的太瓦属于功率口径，并非运算速度，更不代表工厂已经形成相应产能。
项目拟服务特斯拉的汽车、人形机器人，以及SpaceX规划中的轨道AI计算。对马斯克而言，当未来用芯规模足够大，外部代工厂的扩产速度、交付安排和产能分配，就可能影响自己产品的推出节奏。
马斯克对供应链的担忧还有地缘政治因素。9月All-In Summit上，马斯克曾公开担忧，来自台湾的芯片未来可能因各种原因出现供应中断。即使排除地缘政治风险，现有晶圆厂的扩产能力也未必能满足AI、汽车和机器人的长期需求。
经济学家科斯在1937年《企业的性质》中提出过一个问题：生产活动为什么有时交给市场，有时留在企业内部？其重要解释是交易成本。当外部采购与协调的代价上升，企业便可能扩大自身边界。Terafab可以据此理解，但半导体制造的特殊性在于，内部组织同样昂贵。一家主要满足自用需求的晶圆厂，还要独自承担良率爬坡、产能闲置和技术换代的风险。
因此，马斯克的计划尚不能证明垂直整合优于专业代工。SpaceX的披露文件明确表示，未来仍将从第三方采购相当大比例的计算硬件；英特尔虽确认继续参与，但具体投资和建设安排仍待确定。
马斯克希望减少受制于人的环节，同时也可能把原本由供应商承担的制造风险转移到自己身上。
02 微软为什么又把AI送回电脑？
相比马斯克，微软的动作同样涉及成本，只是方向相反。
Azure依靠集中式计算建立了庞大的云业务，如今微软却希望Windows承担更多本地推理任务，背后的变化首先发生在模型本身。
微软展示的MAI Code 1.1 Flash本地版本拥有1370亿总参数，生成每个词元时仅激活约68亿参数。它采用混合专家模型（MoE）架构，通过路由机制只调用部分专家网络，减少每步计算所需的运算量；但未激活的参数仍需存储，因此还要依靠量化，把模型权重占用压缩至约53GB，相比较高精度版本减少约80%。
在微软公布的256K上下文测试中，该模型峰值内存占用为75.5GB；SWE-bench Verified测试中，本地量化版得分70.8%，接近高精度版的72.6%。这说明模型压缩可以在一定程度上保留任务能力，但这些成绩属于厂商公布的特定测试，实际速度和效果仍受内存带宽、上下文长度等条件影响。
这也是Surface Laptop Ultra最高配置128GB统一内存的意义所在。不过，本地大模型并没有突然变得便宜：该产品起售价2599美元，入门版只有24GB内存，128GB版本接近5900美元。高配机器目前仍主要面向开发者和专业用户。
微软显然也在争夺苹果的高端开发者市场。发布会上，微软将RTX Spark平台与搭载M5 Pro芯片的16英寸MacBook Pro进行了本地AI性能比较，并针对MacBook Pro用户推出最高1000美元的换购返现计划。对于微软而言，让Windows重新成为高性能本地AI开发的首选平台，同样是这轮硬件升级的重要目标。
微软押注的是使用习惯的改变。过去，人们偶尔向聊天机器人提问，云端完成计算十分方便；如今代码智能体可能持续读取文件、运行测试、修改程序，一项任务就要经历多轮模型调用。如果把其中较简单、重复的环节交给本地设备，既可能减少远程调用费用，也有助于控制延迟和敏感数据的传输。
Windows混合智能由此获得了商业意义：复杂任务仍可调用云端，适合本地的部分则由用户设备承担。
GitHub Copilot相关本地与云端调度能力计划于10月晚些时候开放实验性预览，实际成本优势尚待验证。毕竟购买硬件也是支出，利用率不高时，云端服务可能更划算。但一旦智能体成为个人电脑上的常驻应用，微软便有机会将Windows的操作系统优势延伸到AI时代，进一步掌握本地与云端计算的调度入口。
03 算力竞争，开始重新划定成本边界
计算机产业曾经历从大型机到个人电脑、再到云计算的迁移。每一次资源的集中与分散，都受到设备价格、网络能力和使用需求影响。AI正在推动新的调整，却不会简单重演个人电脑取代大型机的历史：前沿模型训练和高强度推理仍需要大型集群，本地应用增加后，也可能反过来刺激云端需求。
Terafab试图将更多资本和制造风险纳入企业内部，以换取供应控制权；Windows混合智能则把部分计算分散到用户设备，寻求更灵活的任务成本。前者重新衡量外部代工的代价，后者重新衡量云端调用的代价。二者共同指向一个问题：企业获取并使用一单位有效AI能力，最终需要花多少钱？
这一问题正在改变衡量AI竞争力的方式。GPU数量、模型参数与数据中心面积可以反映投入规模，却难以直接说明经济回报。大型集群如果利用率不足，折旧会吞噬收益；较小的模型如果能以更低成本完成任务，可能反而具备更强的商业价值。
当然，台积电的规模优势仍然牢固，云端计算也远未失去效率。马斯克能否建立先进制造能力，微软能否让本地计算为用户省下足够多的钱，都需要实际运行结果回答。
数据中心仍将继续扩张，但围绕AI产业控制权的竞争，已经开始向产业链两端延伸。马斯克试图把芯片制造纳入自己的产业体系，微软则希望借助Windows掌握本地与云端计算的调度入口。两家公司采取了不同的策略，但都希望在未来算力资源的生产和分配中占据更有利的位置。
过去几年，科技巨头不断证明自己有能力建设更大的数据中心。未来，谁能影响算力如何生产、在哪里运行，以及由谁承担成本，谁就更有机会掌握更大的产业主动权。
毕竟，拥有算力是一种实力，决定算力从哪里来、往哪里去，则是另一种权力。