2026年10月，马斯克在社交平台X上的一句话，把人工智能行业最现实的难题摆到了公众面前：全世界的美元，似乎都快不够超级智能使用了。这不是一句简单的玩笑。
当硅谷巨头争相投入数千亿美元购买芯片、建设数据中心时，AI竞争已经从算法和软件延伸到电力、硬件和资金储备。更值得关注的是，马斯克自己的xAI，恰恰是这场巨额资本竞赛的参与者。
10月中旬，知名风险投资人查马斯·帕里哈皮蒂亚在《All-In》播客中提出一个颇具争议的建议：Anthropic如果想在下一轮市场调整中保持竞争力，就应该趁上市窗口尚在，一次性募集至少2000亿美元，甚至2500亿美元。
为了实现这个目标，他认为Anthropic可以主动降低上市估值预期。与其坚持1.9万亿至2万亿美元的高估值，不如接受约1.5万亿美元的估值，以提高大规模融资的成功机会。
按照查马斯的判断，2000亿美元看起来是天文数字，但对于需要建设吉瓦级算力基础设施的人工智能企业而言，这笔资金未必能提供长期安全保障。马斯克随后在X上回应，大意是自己有时会好奇世界上到底有多少美元，因为超级智能似乎想把这些钱全部拿走。
10月17日的相关报道证实，这番表态确实与查马斯讨论Anthropic融资需求有关。这段互动引发关注，原因并不复杂。
过去的软件企业，主要依靠工程师、服务器和产品规模创造价值。人工智能大模型企业却越来越依赖实体基础设施。
训练和运行模型需要高性能GPU，还需要稳定的供电、散热系统、数据传输网络以及能够容纳大量设备的计算中心。其中任何一个环节出现瓶颈，都可能影响整套系统的利用效率。
吉瓦级电力需求是什么概念？1吉瓦相当于1000兆瓦，已经接近一台大型商业核电机组的发电功率。
对于需要持续运行的人工智能计算中心而言，电力不仅是运营成本，也直接关系到能够部署多少芯片。美国科技企业近年来不断寻求更加稳定的电力供应。
微软与星座能源公司签订了为期20年的购电协议，支持宾夕法尼亚州三哩岛核电站1号机组重启。需要纠正的是，这台机组2019年停运的原因是经济效益问题，并非原文所称的核事故。
发生过严重事故的是相邻的2号机组。根据星座能源公司的公告，相关项目计划恢复约835兆瓦的发电能力。
谷歌也与核能技术企业合作，探索通过新型核能设施满足未来数据中心需求。由此可以看出，硅谷巨头争夺的已经不只是算法人才和芯片订单，而是能够支撑未来十年计算需求的能源基础设施。
马斯克对这种压力有着直接感受。他创办的xAI在美国孟菲斯建设了Colossus大型计算中心，早期部署规模达到约10万张英伟达H100 GPU，并继续规划更大规模的计算集群。
快速增加算力，也让企业面临电力供应不足、设备建设周期和硬件调试等现实问题。xAI曾通过移动发电设备和储能系统补充电力，并与当地电力供应方协调运行。
这也解释了为什么巨额融资会成为人工智能企业的重要战略选择。纸面估值反映的是投资者对未来收益的预期，但数据中心建设需要支付真实的资金。
一旦资本市场转向，即使企业拥有很高的估值，也可能无法按照原计划获取足够资金。不过，查马斯提出的2000亿至2500亿美元融资规模属于个人建议，并非Anthropic已经公布的融资决定。
如果说Anthropic的融资讨论揭示了AI竞争需要多少钱，那么xAI工程团队的实际经历，则进一步说明这些资金最终要解决什么问题。在一名早期工程师的描述中，xAI并不是一家传统意义上的软件企业。
尽管公司主要开发人工智能模型，但其技术竞争力越来越依赖硬件部署能力。公司不仅需要训练Grok模型，还要建设计算中心、配置GPU、协调电力供应，并确保硬件安装之后尽快投入运行。
工程师认为，软件可以通过调整代码快速迭代，但大规模硬件建设受到更多现实条件约束。芯片是否到货、电网能否提供足够容量、冷却系统是否正常，都可能决定模型训练什么时候启动。
正因如此，xAI建立了一套强调快速执行的工程体系。这套体系的核心，是尽可能区分真正的物理限制与可以改变的人为限制。
对于原本预计需要一年完成的项目，团队有时会被要求在一个月内交付。即使最后花费两个月，也远远快于最初的计划。
这并不只是要求员工延长工作时间，更重要的是迫使工程师重新审视技术方案，判断哪些开发步骤确实必要，哪些流程可以删除。工程师举过一个例子。
部分软件系统长期存在冗余设计，团队通过重新整理代码、消除不必要的处理环节，能够在特定情况下将性能提高两倍至八倍。对于需要频繁调用模型的人工智能产品而言，性能差距直接影响计算资源消耗。
相同任务如果能以更少的计算时间完成，就有可能释放更多算力，支持新的实验和用户需求。xAI对基础设施建设速度的要求更加突出。
按照这名工程师的回忆，Colossus早期建设曾在122天内实现关键部署目标。团队还尝试在新机架安装完成当天启动训练，有些情况下只需要数小时。
这一速度依赖硬件、软件和基础设施团队之间的密切配合。传统企业可能把服务器部署、网络配置和系统调试交给不同供应商，而xAI选择让内部工程师更加直接地参与整个过程。
在供电方面，团队面临的困难尤其明显。大型GPU集群的电力需求会随着计算任务变化，短时间内就可能出现兆瓦级负荷波动。
工程师回忆，建设过程中曾使用80多台移动发电机，并配置大型电池组，以保证电力切换时训练任务不受明显影响。发电机适合持续供电，但机械设备调整输出需要时间。
电池能够更快响应负荷变化，因此可以在供电系统中承担调节作用。这套由电容、电池、发电机和外部电网组成的体系，目的就是提高高密度计算设备运行时的稳定性。
但这种建设模式也说明，人工智能公司的资本需求为何不断增加。GPU需要资金，电力系统需要资金，储能设备和冷却系统同样需要资金。
芯片采购只是算力投入的一部分。当企业试图把计算规模继续扩大时，每个配套环节都可能形成新的投资需求。
马斯克对项目建设进度的要求，在公司内部也形成了特殊的激励方式。按照工程师的回忆，一名参与设备部署的员工曾与马斯克打赌，只要能在24小时内让新安装的GPU启动训练，就获得一辆特斯拉Cybertruck。
团队当晚完成相关任务，这名员工也获得了车辆。这段经历反映出，xAI将硬件投入运行的时间视为重要指标。
不过，设备启动速度只是整个模型开发流程的一部分。算力投入使用后，企业还必须不断提高模型训练效率。
工程师介绍，xAI曾同时推进多种新型模型架构，部分项目能够每天产生新的迭代版本，有时一天更新多次。在预训练阶段维持这样的实验频率，需要持续调用大量计算资源。
对普通创业企业而言，一次训练失败可能意味着高额算力损失。而在拥有大型计算集群的xAI内部，工程师能够使用现成资源开展多轮实验，减少等待外部算力供应的时间。
但内部资源使用便利，并不意味着算力没有成本。大型计算中心的建设和运营费用仍然由企业承担，只是相关支出被集中到基础设施体系之中。
这也形成了人工智能行业一个值得关注的现象：企业投入越多，越有条件加快实验；实验越快，又可能提出更多计算需求。资金投入与研发速度之间形成相互推动的关系。
在具体模型研发中，xAI也尝试改变传统上依靠扩大模型规模提升能力的思路
团队还研究了进一步提高速度的可能性。这一目标使研发人员更加重视模型运行效率。
对于执行计算机操作的人工智能系统而言，模型不仅要理解任务，还要能够快速处理屏幕信息，并通过鼠标和键盘执行动作。如果人工智能完成任务的速度比人类慢很多，即使它能够独立操作软件，实际商业价值也会受到限制。
因此，xAI尝试使用更加高效的模型架构，在保持任务处理能力的同时降低延迟。按照工程师的说法，部分模型过去需要四周才能完成一次迭代，采用新的设计后，有机会缩短至一周。
更短的开发周期也让团队能够同时开展约20项实验。这种路线与单纯追求模型参数规模的思路存在差异。
它关注的不只是模型拥有多少能力，还包括每单位计算资源能够产生多少实际工作成果。
其设想不是要求企业重新开发所有软件，而是让人工智能模拟人类操作计算机的方式，完成输入信息、处理数据和执行工作流程等任务。客户支持就是其中一个应用场景。
工作人员通常需要从不同渠道收集信息，再按照企业内部流程处理。如果人工智能能够识别这些流程，就可能减少重复操作所需的人力。
但这项技术也遇到了现实困难。工程师回忆，团队曾根据客户访谈记录设计虚拟员工，结果测试一段时间后，系统总在某些环节出错。
随后，工程师现场观察真人操作，才发现实际流程中还有20多个步骤没有出现在此前的访谈里。这些步骤被工作人员长期重复执行，已经形成习惯，以至于他们在介绍工作时没有意识到相关操作需要单独说明。
这说明，人工智能实现数字工作自动化，并不是简单模仿软件界面就能完成。如何识别现实工作中没有明确记录的细节，仍然是需要解决的问题。
xAI还研究过利用现有硬件网络降低模型部署成本。工程师提出的一种方案，是在特斯拉汽车停放期间，利用车载计算机运行部分人工智能任务。
按照其当时的设想，北美约有400万辆特斯拉汽车，其中超过一半配备第四代硬件。如果能够向车主支付租金，利用车辆闲置时的计算资源，就有机会减少专门部署硬件的需求。
不过，这只是潜在技术方案，并不意味着相关商业网络已经建成。这一探索反映出xAI的另一项思路：除了持续购买新设备，也尝试提高现有硬件资产的利用效率。
与硬件建设同步发生变化的，还有工程团队的组织方式。一名早期工程师加入xAI时，公司工程师规模约为100人。
他的入职经历与传统大型企业不同。公司提供了电脑和工牌，却没有立即确定具体岗位任务。
由于当时Grok正在与X平台进行集成，他主动参与相关工作，后来又进入后端可靠性、系统扩容、桌面应用和iOS客户端等多个项目。在这套组织方式中，一名工程师并不局限于某个固定职位。
只要具备相应技术能力，就能够参与其他团队的工作。如果持续交付结果，还可能直接负责相关模块。
这种安排能够减少跨部门沟通成本，但也要求工程师具备较强的独立解决问题能力。工程师介绍，公司内部曾由一名开发人员协调约20个人工智能代理，推进核心生产接口的重构。
人工智能编程工具使个人能够承担更多开发任务，但也带来了代码质量控制问题。按照他的观察，一项原本十行代码就能解决的任务，如果没有明确约束，人工智能可能生成200行代码，而且效果未必更好。
因此，公司在招聘时特别重视候选人能否找到简单、直接的技术方案。一些技术面试还会设置不合理的需求，观察候选人是否能够识别错误，而不是机械执行。
对工程效率的重视，也体现在管理层级上。工程师回忆，xAI当时的组织结构相对扁平，许多研发人员可以直接提出方案、修改代码，并迅速获得反馈。
部分工程师甚至能够直接与客户沟通，了解需求后立即调整产品。这减少了信息在销售、管理和技术团队之间多次传递可能产生的偏差。
但快速执行同样需要承担代价。在Imagine产品发布阶段，相关团队曾连续两三个月维持高频迭代。
工程师回忆，团队经常夜间发布版本，第二天根据反馈继续修改，期间几乎没有正常周末。
公司设置了睡眠舱和双层床，供长时间留在办公室的员工休息。这种模式能够在特定时期集中力量推动项目，但也带来工作强度和持续性方面的问题。
因此，xAI的速度优势不能简单理解为员工工作时间更长。它同时依赖充足的计算资源、较少的管理层级、工程师的自主权以及快速获取实验结果的能力。
更值得注意的是，所有这些投入最终都需要通过商业收入获得回报。工程师介绍，公司内部曾根据未来收入目标倒推技术需求。
团队会研究哪些系统可能产生较高经济收益，再计算实现相关目标需要多少芯片、算力和电力。
工程师表示，项目提前或延迟数天，都可能对应明显的收入变化，但没有公开具体目标。他还介绍，团队曾估算主代码仓库平均每次代码提交对应约250万美元的经济价值。
这名工程师某天完成五次提交，并据此估算当天的贡献价值达到1250万美元。需要强调，这属于内部估算，并不代表公司当日实际获得1250万美元收入，更不能直接视为经过审计的利润。
这个数字说明的是另一层逻辑。当一家企业已经拥有大型模型、计算中心和用户渠道之后，一项代码改进有可能影响大规模系统的运行效率。
软件研发成果的经济价值，越来越依赖背后能够支撑它的硬件基础设施。但技术杠杆越大，对资金和资源的依赖也可能越深。
这便回到了马斯克关于全世界美元是否足够的感叹。当一家人工智能企业试图同时建设大型计算中心、训练新模型、研发数字员工并扩大商业应用时，资金需求已经不能只用传统软件公司的运营成本衡量。
不过，巨额投资并不自动等于技术突破，快速开发也不保证商业成功。模型是否可靠、硬件能否充分利用、客户是否愿意持续付费，以及投入能否形成合理回报，仍然决定着企业的长期竞争力。
从中国人工智能产业发展的角度看，这场海外竞争也提供了重要启示。人工智能竞争不能只关注模型参数和融资规模，更需要重视芯片、能源、软件效率与实际应用之间的协调。
xAI的经历已经说明，即便拥有巨额资金和高性能计算设备，企业仍会受到电力供应、工程建设周期和模型运行效率的约束。资本能够购买设备，却不能直接消除所有技术瓶颈。
马斯克的感叹之所以引发广泛讨论，正是因为它揭示了人工智能产业发展中的一组现实矛盾：企业对未来技术突破的期待越来越高，但实现这些突破所需的资金和物理资源，也在同步增加。
真正决定这场竞争结果的，未必是谁最早募集到数千亿美元，而是谁能够把庞大的算力投入转化为稳定、可靠、真正创造经济价值的产品。如果资金投入长期跑在商业回报前面，再高的估值也会面临考验。
如果技术效率持续提升，同样规模的算力则可能创造更多价值。全世界的美元当然不会真的被人工智能花光，但有一个问题已经无法回避：当AI企业投入越来越多资金建设下一代计算基础设施时，究竟需要创造多大的真实收益，才能支撑这场持续扩张的技术竞赛？