AI基础设施别只看GPU：从Cursor到SpaceX，真正该画的是 Constraint Stack
AH-0179用“AI最后可能输在电表上”作为主线，把 Cursor、SpaceX、算力、存储和能源串在一起。 这篇文章的大方向是对的：AI竞争正在从模型层向下延伸到算力、数据、网络、电力、冷却和供应链。 但它发布于2026年5月，之后最关键的事实已经发生变化。 ## 1. Cursor × SpaceX：Claim State已经从Option进入Merger Agreement 4月时，Spa
AI基础设施别只看GPU：从Cursor到SpaceX，真正该画的是 Constraint Stack
AH-0179用“AI最后可能输在电表上”作为主线，把 Cursor、SpaceX、算力、存储和能源串在一起。
这篇文章的大方向是对的：AI竞争正在从模型层向下延伸到算力、数据、网络、电力、冷却和供应链。
但它发布于2026年5月，之后最关键的事实已经发生变化。
1. Cursor × SpaceX：Claim State已经从Option进入Merger Agreement
4月时，SpaceX和Cursor的确先签了算力合作和收购选择权。Cursor官方也确认将利用SpaceXAI的Colossus基础设施扩大模型训练。
但到2026年6月16日，SpaceX向SEC提交8-K：SpaceX、其合并子公司与Anysphere（Cursor）已签署正式Merger Agreement，Cursor拟成为SpaceX全资子公司，隐含股权价值600亿美元，交易仍需满足监管等交割条件。
所以截至2026-08-14，不能继续写：
“只是一个选择权。”
也不能写：
“已经完全收购完成。”
准确状态是：
Agreement Signed / Closing Conditions Pending。
这就是基础设施与并购内容必须加入的 Claim State。
2. “AI→存储→电”仍然太短
真正的约束栈至少是：
Application 用户和工作流。
Model 能力和效率。
Compute GPU/加速器。
Memory & Storage 训练数据、checkpoint、向量、代码、日志。
Network 机内/机间互联、数据搬运。
Power 供电容量和价格。
Cooling & Water 散热。
Grid 变电站、输电、并网。
Supply Chain 变压器、燃气轮机、芯片、交换设备。
Permits 建设与环境审批。
Community 噪音、水、电价、土地冲突。
Economics 每一层最终是否产生可持续单位经济。
这样才不会把“能源是终局”变成另一句口号。
3. 电力瓶颈是真问题，但效率也在快速改善
IEA《Energy and AI》估算，2024年全球数据中心约耗电415 TWh，占全球用电约1.5%。
2026年IEA进一步更新：2025年数据中心用电增长约17%，AI重点数据中心增长约50%。
所以需求增长是真实的。
但同一份IEA分析也强调：
单个AI任务的能耗正在快速下降。
硬件和软件效率改善非常快，而视频、推理和Agent等高能耗用例又在增长。
因此正确模型不是：
“AI越来越耗电，所以一定卡死。”
而是：
> Efficiency Improvement × Usage Growth × Workload Mix × Build-out Speed
4. 物理约束真正难的是“时间常数”
软件模型可以几周迭代。
数据中心电力接入、变压器、燃气轮机、输电线路、许可，往往不是同一个速度。
IEA 2026明确提到：
电网接入、能源设备供应链和规划审批正在限制近期数据中心扩张。
这才是“电表”比“模型榜单”更值得研究的地方。
不是因为电更神秘。
而是因为：
它扩张得慢。
5. AI基础设施研究必须看 Local Constraint
全球数据中心只占全球用电的一小部分，不代表某个区域压力也小。
IEA指出数据中心高度集中。
对一个项目而言，真正有用的问题是：
- 这个园区所在电网还有多少可接容量？
- 变压器等待多久？
- 峰值负荷是什么？
- PPA和实际物理供电是什么关系？
- 水资源是否受限？
- 许可有没有社区阻力？
- 现场发电要承担什么排放和燃料风险？
AI基础设施不是“全球电够不够”。
是“这个地方能不能在这个时间、这个成本把电送进机房”。
6. 存储也不能只写“数据多”
存储层至少分：
Training Data 大吞吐读取。
Checkpoint 周期性大规模写入。
Inference Context 低延迟读取。
Agent Memory 权限、历史、项目上下文。
Telemetry 日志、轨迹和审计。
不同数据需要不同延迟、成本和权限。
“存储慢，GPU等”方向是对的，但投资和产品研究还要继续往：
Bandwidth / IOPS / Latency / Locality / Retention / Rights / Cost
拆。
7. Cursor的价值不只“是编辑器还是入口”
SpaceX的SEC文件给了一个更具体的解释：
AI coding拥有结构化数据、快速反馈周期、高频任务和可验证结果；Cursor的开发者交互数据有助于模型训练和推理。
这比“工程大脑”更可验证。
真正的飞轮是：
Developer Task → Prompt/Context → Code Change → Test/Feedback → Training Signal → Better Model → More Usage
所以应用层也可能成为基础设施的一部分。
因为它控制了高质量反馈数据。
8. 从“能源赛道”转成 Infrastructure Bottleneck Research
这篇内容不应该最后落到：
“所以买电力/天然气/核电。”
那会把基础设施研究变成主题投资故事。
更好的输出是：
Claim
项目说要建多少算力。Required Resource
需要多少计算、电力、网络、水。Contracted
资源是否签约。Installed
设备是否到位。Energized
有没有真正通电。In Production
有没有稳定运行。Utilization
利用率如何。Recognized Economics
是否进入收入/利润。这与我们之前的Claim State完全一致。
网站资产：AI Infrastructure Constraint Stack Lab
本批实际生成 ai_infrastructure_constraint_stack_lab.html。
输入：
Application / Model / Compute / Storage / Network / Power / Cooling / Grid / Supply Chain / Permit / Community / Economics / Claim State。
输出：
COMPUTE BOTTLENECK / POWER BOTTLENECK / GRID BOTTLENECK / PERMIT RISK / ECONOMICS NOT CLOSED / CLAIM STATE TOO EARLY
AH-0179最后最值得留下的不是：
“AI的终局是电。”
而是：
> AI每往现实世界扩一层，都会遇到一个比软件慢得多的物理约束。研究的任务，是找到当前真正卡住增长的那一层。