太空算力与 AI 基础设施的下一场整合

为什么这一期值得听

一项把算力放进生态的计划

节目开场把 TeraFab 描述为 1 太瓦级的 AI 算力年产能计划，并介绍马斯克提出将 80% 到 90% 的算力送入太空。这个数字让计划看起来像能源方案，张璐却把它放在更长的产业链里理解：马斯克想掌握从芯片到基础设施、模型和物理世界的整套能力。

张璐提到 Google Gemini 的系统优势。谷歌有自己的 TPU、算力、模型和数据，团队可以在同一套系统里调整模型与部署。她认为，TeraFab 的重点也在于算力自主：SpaceX、Tesla 和 xAI 的未来需求可以由自己的生态承接，减少外部供应限制带来的不确定性。

太空数据中心的四个账本

太空数据中心最容易被能源想象吸引。把算力放到太空，似乎可以利用太阳能，并避开地面电力和土地的限制。但张璐提醒，发射只是第一笔账。设备如何抵抗宇宙辐射和热辐射，集群出现故障后如何维修，日常运行怎样完成，都需要新的工程方案。

第二笔账是延迟。若算力服务太空里的卫星、工厂和机器人，距离带来的问题可能较小；若算力要服务地球上的应用，远距离链路会直接影响体验和成本。这个区分决定了需求是否真实存在。

张璐判断，接下来两三年还不是轨道数据中心的成熟阶段。即使未来需求成立，轨道数据中心也可能需要七到十年的技术周期。她给创业公司的建议很具体：先看 AI 基础设施优化和其他太空基础设施，观察未来三到五年的太空生态，再决定是否进入数据中心。

太空经济先从工厂和卫星展开

张璐把太空工厂看成相对更近的应用。微重力或无重力环境可能改变晶体、材料结构和蛋白质结构的实验条件，这为材料和医疗领域的瓶颈提供了新的路径。这里的价值来自生产环境本身，而非先建一个巨型算力集群。

太空也是天然需要 AI 和机器人的场景。把人送上去，要先提供安全、健康的生存系统；机器人可以先处理维护、运输和生产任务。张璐还提到，用 AI 管理卫星交通可以处理碰撞风险，卫星数据可以支持矿产检测、山火预警和气象服务。

另一家公司在探索月球加油站：机器人从月壤中取水，再分离氢气和氧气，用于火箭和太空飞行的燃料补给。Starcloud 这样的太空计算服务公司也被提到，但张璐仍把它和轨道数据中心区分开来，后者需要更长的技术与需求准备。

规则空白也是基础设施问题

地球上有领土和领空，太空中的管辖边界却没有同样清晰。低轨有国际组织参与监管，但谁负责哪一段空间、谁来持续执行卫星退出轨道的要求，仍然缺少明确答案。轨道资源因此带有先发优势：发射越多，占用的轨道越多，后来者的选择就越少。

月球资源归谁，也没有在对话中得到确定答案。美国政府加快月球计划，既与探索本身有关，也与未来太空经济的规则和资源安排有关。张璐认为，马斯克可能希望在太空获得更大自由度，甚至参与未来规则的制定。

创业机会在集群效率里

张璐对太空数据中心的判断并不等于对太空基础设施悲观。她认为，创业公司可以先服务数据中心，围绕硬件、软件、互联和运维寻找切口，也可以进入其他太空基础设施。这里的选择取决于资本规模、技术周期和客户需求的确定性。

AI 集群的瓶颈也已经超出单个芯片。训练和推理会消耗电力，通信传输同样会带来负载。张璐提到一家投资公司在做下一代 interconnect 和 optical switch，目标是让数据传输更快、耗电更低。对大规模集群来说，互联效率会决定很多计算资源能否真正被用起来。

这改变了基础设施创业的观察角度。创业者既可以做芯片，也可以解决内存、网络、冷却、调度和系统整合的问题。资本也开始从纯软件扩展到 Deep Tech 中的基础设施创新，投资人需要用更长的产品和商业化周期评估这些公司。

英伟达把产品改写成 AI 工厂

在张璐看来，英伟达在 GTC 上释放的信号是公司定义的改变。英伟达提供的是一套包含 GPU、CPU、网络、存储、CUDA System、Agentic AI 和 Inference 的完整系统，单张卡只是其中一部分。Blackwell Rubin 平台和 Groq 的 LPU 推理能力，放在同一套 AI 工厂叙事里才有意义。

这个变化也解释了英伟达为什么快速整合 Lampton AI 和 Nexus Flow。张璐所在基金去年有五家公司被收购，其中两家被英伟达收购；Lampton AI 被整合后成为 DGX Lampton Platform。对英伟达来说，收购的价值不只在产品本身，还在于产品能否补全平台的系统能力。

推理让这种系统化更有经济理由。训练更像一次性的大额算力消耗，Agent 普及后，推理会随着工具调用、任务执行和用户请求持续发生。Token Economy 因此不只是一个产品概念，也会改变数据中心的负载和收入结构。

CPU 回归，异构计算成为默认前提

当 Agent 持续读取数据、调用工具、执行代码时，CPU 负责的调度和通用计算会增加。多 Agent 协同、强化学习和仿真也需要 CPU 参与环境运行。英伟达推出 Vera CPU，既是为了适应这些工作，也是在整机和整柜层面减少对外部 CPU 的依赖。

张璐把 GPU、CPU、LPU、NPU 和 TPU 放在不同的任务环境里观察。GPU 仍然承担训练和通用推理，LPU 针对低延迟和高吞吐，NPU 适合端侧低能耗，CPU 处理工具与代码执行，TPU 的优势则和谷歌自己的全栈系统紧密相关。未来的应用不太可能只用一种架构完成。

TPU 与 GPU 的比较也要放回系统条件里。谷歌在 TPU 上的积累超过十年，芯片、模型、数据和软件一起优化；第三方拿到 TPU 后，没有同样的全栈环境，成本与性能都会打折。张璐因此判断，短期 TPU 难以对 GPU 形成有效威胁，但更大的 AI 市场最终需要多种计算架构。

企业级 AI 从数据边界开始

金融、医疗保健等行业监管严格，数据也更敏感。它们更愿意把 AI 应用或 Agent 放在本地或私有云里，让数据留在可控边界内。垂直小模型只处理特定任务，更容易满足延迟和准确性要求，也能减少算力和电力消耗。

企业的另一个问题是数据资产。大量数据本身不等于可直接使用的数据资产，企业还要整理数据、建立 data curation 流程，并增加安全和隐私中间层。只有完成这些工作，模型和行业应用才有稳定的输入。

张璐提到，Fusion Fund 从 2018 年开始运营 CX 网络，网络里约有 45 家全球 1000 强企业的 CTO。她从这些交流中看到企业预算上升，也看到金融和保险公司在三到四个月内完成新 AI 技术整合的案例。预算和落地速度同时变化，才会形成新的采购市场。

医疗 AI 是数据、隐私和场景的交叉点

张璐长期关注医疗 AI。她把医疗的吸引力归结为高质量数据和多样化场景：药物研发、诊断辅助、生命科学研究和医疗服务都需要不同的模型能力。Eli Lilly 与英伟达达成数十亿美元战略合作，以及 ChatGPT、Claude 和 Anthropic 推出医疗相关产品，都说明产业与模型公司正在靠近。

数据隐私决定了医疗产品的部署方式。Federated Learning 让不同机构可以在不集中原始数据的情况下训练或使用模型，降低监管压力。类似的思路也会出现在金融和保险行业，只是每个行业要处理的权限、数据格式和责任边界不同。

张璐所在基金还投资了医疗机器人，包括制药与生命科学自动化，以及微型或纳米机器人。她把这些项目和企业级软件放在同一条投资线上：产品必须进入真实流程，技术优势才会转化成客户愿意购买的结果。

To B 创业与并购退出

传统企业不愿把核心数据交给大型科技公司，也不愿把全部数据上传云端，这给垂直 AI 初创公司留下了合作空间。初创公司可以围绕一个具体行业和业务流程迭代，在客户自己的数据边界内部署产品。张璐称，有公司一年内收入从 0 增至 2000 万美元，团队还不到 10 个人。

美国市场的特点还在于商业化入口。全球创业者可以把工程团队留在加拿大、欧洲或其他地区，再利用美国企业市场销售和落地产品。JPMorgan Chase 等大型银行正在加快 AI 整合，Koch Disruptive Technologies 把新技术带入旗下企业，合作周期可以缩短到一两个月。

企业级 AI 的退出路径也更丰富。张璐把 IPO 的常见周期描述为七到十年，而她所在基金去年有五家公司被收购，其中四家成立还不到两年。她称这些案例带来 10 到 20 倍收益。并购把人才和资金更快地送入下一家公司，连续创业者网络因此越来越大。

长期愿景仍然要经过工程账本

张璐把 Fusion Fund 的下一阶段关注点放在 AI 基础设施、医疗 AI 和工业自动化，同时继续关注太空科技。基础设施方向包括 inference cost、能源、memory、security 和系统整合；医疗方向包括生命科学、制药自动化和医疗机器人；太空方向则要等待生态和基础设施一起成长。

这三条线有一个共同条件：技术必须落到真实的资源约束里。太空算力要回答维修和延迟，AI 工厂要回答电力和互联，企业小模型要回答数据权限和责任。宏大愿景能带来资本与人才，但能否落地仍取决于这些具体问题。

对创业者来说，当前更确定的切口是帮助现有系统提高效率，或在企业数据边界内解决单一任务。太空数据中心是否成立，要等应用需求、规则和维护能力同时出现。

核心金句