过去，大模型公司通常从云厂商手中购买算力。

这套方式适合创业初期。公司不需要自己买地、建机房，也不必管理复杂的硬件集群，租用 GPU 就可以开始训练。

但当计算需求从几百张芯片增长到几万甚至几十万张时，云端资源很难像水龙头一样随开随有。

前沿模型的训练可能持续数月，期间还要同时安排后训练、推理和大量实验。头部公司需要的已经不是一次性的计算资源，而是一套能够长期调动的系统。

OpenAI 因此推进 Stargate，首批设施从 1GW 级起步，整体规划达到数 GW；

xAI 在孟菲斯建设 Colossus，并把规模扩大到约 2GW；Meta 的 Hyperion 目标达到 5GW，其更大的基础设施规划还准备继续扩张；

Anthropic 则通过与 Amazon 的长期合作锁定约 5GW 算力。Google 很早就围绕 TPU 建立自己的计算集群，国内的字节和智谱也都进入了 1GW 级建设阶段。

这些公司的方式并不相同。有的直接修建园区，有的和云厂商深度绑定，有的拥有自研芯片。但它们面对的是同一个时间差：模型几个月就会更新一次，数据中心却需要几年才能建成。

今天签下的土地和电力合同，服务的可能是三年后的模型。所谓建设算力中心，其实是在为尚未确定的下一代技术提前留位置。

算力中心把 AI 公司带进了一个陌生世界。

软件产品开发完成后，可以近乎零成本地复制给更多用户；数据中心却需要土地、变电设施、冷却设备、高速网络和长期能源合同。

服务器进入机房前，可能已经有数十亿美元投入到看不见的土建和供电工程里。

过去，一家 AI 公司最重要的能力是招到研究人员、训练模型和推出产品。现在，它还要处理电网接入、施工进度、设备折旧和资本安排。基础设施基金、能源企业、地产商和长期债务，也开始进入大模型产业链。

这让 AI 竞争多了一层赌注。

头部公司普遍相信，未来的模型会消耗更多计算资源，因此必须提前扩建。

但几年后的训练方式会不会改变，新增算力能否被充分利用，模型收入又能否覆盖持续增长的成本，目前都没有确定答案。

一座空闲的数据中心不会因为属于 AI 行业就变得更便宜。昂贵芯片只有持续运行，才可能转化为研发效率；一旦需求低于预期，它也可能迅速变成沉重的折旧负担。

算法公司最擅长预测下一个词，现在却不得不预测几年后的电力需求。

智谱项目与海外同行最大的差别，在于它全部采用中国制造的芯片。

全球公司的底层选择已经开始分化：OpenAI 和 xAI 主要依赖英伟达，Meta 在采购英伟达的同时推进自研 MTIA，Anthropic 使用 Amazon Trainium 与英伟达，Google 坚持 TPU，字节的相关项目采用华为昇腾。

智谱则把整座 1GW 数据中心放在国产芯片体系上运行。

当模型公司只是在云上租用算力时，芯片更像一项被封装好的服务。

开始建设自己的数据中心后，底层硬件会牵动整套系统：服务器如何设计，芯片之间如何通信，编译器和训练框架如何适配，故障发生后如何恢复，都需要重新磨合。

单颗芯片能够运行模型，和成千上万颗芯片能够一起高效训练，并不是同一件事。

集群扩大后，任何通信延迟、软件兼容问题或者设备故障，都可能让大量机器停下来等待。

英伟达的优势，很大一部分来自 CUDA 和长期积累的工程生态。

使用这套体系扩建算力，更像在已经铺好的高速公路上增加车道。智谱面对的情况更复杂：它既要扩大车流，还要参与修路。

所以，1GW 只是一个工程规模，不能直接等同于模型能力。

这座数据中心最终有没有价值，要看它能否稳定承担大规模训练，是否能保持较高利用率，以及能不能真正缩短 GLM 系列模型的迭代周期。

只有当机房里的芯片持续转化成新的模型和产品，算力中心才不只是一个醒目的数字。

过去，人们习惯通过排行榜和发布会观察 AI 竞争。下一轮差距，可能在模型登场前就已经形成——藏在提前锁定的电力、尚未安装的服务器，以及那些需要几年才能建成的数据中心里。

智谱进入的，正是这场更慢、更重，也更难临时追赶的比赛