一、算力资产：从成本项到现金流的生命周期重构
在NVIDIA GTC现场，四位CEO同台对话，抛出了对AI产业的四个关键判断。首先引发智核科技关注的是CoreWeave CEO Michael Intrator对算力资产的重新定义。过去两年，AI爆发的核心驱动力是底层芯片，但在Michael看来，单纯的硬件设备反而是最不重要的一环，他们真正卖的是"算力"本身。
早期行业的玩法很简单：买GPU，训练模型，用完算成本。现在这套逻辑变了。CoreWeave的核心玩法，是把算力变成可以签约、可以抵押、能持续产生现金流的金融资产。他们先与微软、OpenAI这种体量的巨头签下长达5年的合同；合同一签，就有了确定的远期收入。随后，他们把GPU、数据中心和电力打包，装进一个独立的融资结构（SPV）里，客户打过来的钱直接进这个资金池，优先支付电费、运维、利息和本金，剩下的利润才回流到公司。
图1：算力资产金融化模式图
核心判断：算力资产的生命周期，远比想象的长
这种模式的回报速度快得惊人。5年期的合同，前2.5年就能覆盖全部成本，往后基本全是纯利。凭借确定的现金流，他们能在短时间内从资本市场融到数百亿美元，继续疯狂扩张。过去，算力是纯粹的成本；现在，算力是源源不断的现金流。
对此，外界一直存在一个质疑：GPU技术迭代这么快，硬件会不会迅速过时？Michael的回答是："如果有人说GPU 16个月就会被淘汰，那他完全不了解行业现状。我们的平均合同期是5年，客户买的是未来5到6年的算力使用权。"事实上，几年前发布的A100芯片，今年在二级市场的价格反而上涨了。因为AI的商业价值不仅在训练大模型，更在于推理。当模型真正部署到产品里，被用户海量且反复地调用时，算力才算真正被"消费"掉。
二、应用层变革：整合能力成为新的竞争护城河
如果说上一节的算力是底层的"提款机"，那么到了应用层，核心问题就变成了：谁在真正为AI持续买单？Perplexity CEO Aravind Srinivas给出的答案是：企业。如今的AI正在经历从"问答框"到"执行者"的跨越。从接入搜索、打开浏览器到自动填表，它现在已经能端到端地完成整项任务。你只需要说一个目标，整理客户名单、做报告、搭工具，它在背后把流程跑完。
智核科技分析认为，这种演变带来的直接结果是"入口"的转移。过去十几年，互联网的入口分散在各类App、网站和软件界面里；现在，AI正在把这些工具整合吞噬，变成唯一的超级入口。这也是为什么Perplexity选择同时用多家的模型。在Aravind看来，Perplexity的核心护城河就在于"绝对中立"。无论最终是GPT赢、Gemini赢还是哪个大模型赢，Perplexity都无所谓。
图2：AI多模型集成平台架构图
对于OpenAI、Anthropic、Google这些海外闭源模型厂商来说，做多模型聚合意味着要把竞争对手的模型也放进来，这在战略上很难接受。但Perplexity不做模型，只做整合，这反而成了它独特的生态位：精准调用各个模型的最优能力，让它们高效协同工作。而企业，正在为这种"整合与调度"能力买单。目前，Perplexity已经积累了数千家企业客户，这是增长最快的业务线。定价从每人每月40美元到400美元不等，所有收入都已实现正毛利。
核心判断：基础模型不会一家独大，能做好集成与整合的人，离钱最近
三、企业级应用：垂直定制是通用模型的必经之路
梳理一下前两层的逻辑：底层是算力资产的变现，中间层是超级应用对多模型的集成与整合。那么再往上一层，最核心的问题变成了：大模型如何真正重塑企业的核心业务？Mistral CEO Arthur Mensch给出的答案非常笃定：通用大模型做不到，必须走私有化定制。
现成的通用大模型可以写通稿、敲代码、做百科问答。但当它真正深入企业内部，撞上的往往是高度机密的私有数据、复杂的业务工作流和几十年的行业Know-how。如果模型无法与这些核心资产深度耦合，它能力再强，也只能是一个边缘的办公辅助工具。这正是为什么越来越多的头部企业，开始抛弃"通用方案"，转而训练专属的垂直模型。
智核科技深度分析了Mistral的打法：直接让顶尖算法科学家与企业的行业专家并肩作战。以他们和ASML（阿斯麦）的合作为例。为了攻克图像扫描缺陷检测的难题，Mistral团队深入业务一线，学习ASML专家如何看图、如何判定微小瑕疵，最终用这些极其珍贵的行业数据，硬生生"喂"出了一个能自主执行检测任务的CV专有模型。
图3：企业级私有化AI部署架构图
核心判断：通用模型进不了企业核心，垂直定制才是唯一解法
这套模式的关键在于：数据绝对不能离开企业。为此，Mistral采用的是极致的本地化部署（On-premise）。全套工具链直接打包进客户自己的机房，所有数据清洗、训练和推理都在企业内部闭环，绝不向Mistral回传哪怕一个字节。这恰恰是开源模型真正的杀手锏。开源意味着企业拥有最高权限：可以触达底层代码，可以进行参数级的深度微调，可以毫无顾忌地将其部署在物理隔离的环境中。而闭源模型，永远隔着一层API的黑盒。
Arthur认为，企业手里握着最核心的IP和商业数据，想把这些资产毫无保留地对接到闭源的商业模型里，不仅面临数据合规风险，在技术上也难以实现深层定制。只有开源，才能把底层架构的控制权真正交还给企业。
四、基础设施瓶颈：电力约束成为AI扩张的天花板
前三节讲的都是数字世界的事：算力怎么卖、模型怎么整合、数据怎么定制。IREN CEO Daniel Roberts关注的是另一层：什么在限制这一切的扩张？过去很多人以为，限制AI扩张的只是芯片产能。但现在行业越来越清醒：GPU只是入场券。拿到了卡，不代表马上能跑起模型。电力接入、数据中心排期、液冷设备采购、高带宽网络铺设……每一项都是重资产、长周期的物理建设。
智核科技分析认为，这其中最大的瓶颈是电力。IREN目前手握4.5GW的电力容量，这几乎相当于整个旧金山湾区一年的用电规模。但即便拥有如此庞大的储备，在他们与微软签下的97亿美元大单面前，也仅仅消耗了其总产能的5%。这足以窥见巨头们对电力的渴求有多么狂热。
更有意思的是，由于物理电网的限制，现在的铁律变成了"电力在哪里，数据中心就得建在哪里"。Daniel提到了一个极具荒诞感的现状：在西德州，风能和太阳能的发电量高达45到50GW，但通往达拉斯和休斯顿的输电网络容量上限只有12GW。海量廉价的清洁能源受限于输电瓶颈，被死死"困"在了沙漠里。IREN的解法简单粗暴：直接把数据中心盖在发电源头。将庞大的电力就地转化为算力，再把生成的Token通过光纤以光速传输出去。
图4：AI电力瓶颈与数据中心布局示意图
核心判断：AI的上限，不再只由技术突破决定，而是由电力、土地和建设周期来裁决
还有一个极其反直觉的现象：技术降本非但不会减少算力消耗，反而会彻底引爆需求。主持人问了个问题：如果算力猛增10倍，生成一张图片的成本和时间从2分钟断崖式降到5秒，人们是会觉得够用了，还是会生成更多的图片？Daniel的答案是：需求会指数级爆发。这就是AI时代的"杰文斯悖论（Jevons Paradox）"。无论出图速度多快，前端永远有填不满的业务需求在等着吞噬这些算力。AI在数字世界里的胃口正呈几何级膨胀，但现实世界的风电场、核反应堆和高压电网的建设速度，却只能依循物理法则缓慢爬行。这道巨大的剪刀差，正在成为限制AI扩张的最硬性约束。
五、智核科技的行业洞察与战略建议
这四个判断背后，藏着一条共同的暗线：先行者正在构筑壁垒。算力被锁进5年合同；整合能力成为护城河；企业数据筑成高墙；电力和土地被提前圈占。每一层都在变成长期资产，每一层的门槛都在抬高。有人还在等技术成熟，有人已经开始占资源了。而在AI这个行业，这些资源一旦被占住，后来者的成本会高得多。
智核科技认为，企业应该从这四个维度重新审视自己的AI战略：
1. 算力布局要具备前瞻性：与其等待技术成熟，不如提前锁定算力资源，将算力视为长期战略资产而非短期成本。
2. 应用开发要重视整合能力：不要纠结于单一模型的选择，而要构建能够灵活调度多模型的技术架构，打造真正的AI集成平台。
3. 企业落地要坚持垂直定制：通用模型无法解决企业核心问题，必须走私有化部署和深度定制的道路，真正让AI与业务深度融合。
4. 基础设施要考虑物理约束：在规划AI项目时，不能只看技术可行性，还要考虑电力、数据中心等基础设施的实际限制。
智核科技将继续深耕企业级AI解决方案，帮助客户在这场AI产业变革中抢占先机，构筑属于自己的竞争壁垒。毕竟，AI不会取代企业，但会取代那些善用AI的企业。