马斯克Terafab太空算力、英伟达重拾CPU|与Fusion Fund张璐聊AI算力新趋势

张璐是 Fusion Fund 的创始合伙人，2015 年在硅谷成立这只基金，投企业级 AI、医疗 AI 和深科技。她还有一个身份：SpaceX 的投资人。过去一年，她投的 5 家公司被收购，其中两家卖给了英伟达，都是 AI 基础设施公司；高通最近也买走了她投资的一家做端侧小模型的公司。

3 月 21 日，马斯克宣布 Terafab。这个计划把特斯拉、SpaceX 和 xAI 拉到一起，自建一座史上最大的芯片厂，从设计、制造到部署应用全部自己做。他给这座厂定的年产能是 1TW，大约是全球 AI 算力年耗电量的 20 倍。更科幻的部分是，他希望把其中 80% 的算力送到太空，用太阳能供电，在轨道上建数据中心。

这期《晚点聊》，程曼祺和张璐从 Terafab 聊起，一路谈到太空经济的创业机会、英伟达 GTC 上的整合动作、CPU 为什么重新重要、xAI 的人员动荡、Google TPU 的位置，以及企业级 AI 今年为什么是好年份。

一颗 1TW 的芯片厂，和一场上市前的造梦 2:29

Terafab 这个念头，张璐说马斯克「不是第一次提」。他早年就讲过要在半导体、基础设施、模型层做一套完整生态。参照系很清楚：Google 靠 TPU、算力、模型、数据这一整套全栈系统，在和 OpenAI 的竞争里拿到了越来越明显的优势。模型优化和算力部署优化，在自己体系里做起来容易得多。

张璐把马斯克的动机拆成几层。最核心的一层是算力自主。他要的是自己掌握算力能力，不被别人卡住未来发展的空间。芯片只是手段，算力才是目的。

第二层是生态整合。SpaceX 有火箭、卫星、终端，特斯拉有车、有机器人、有工厂，xAI 有模型。把芯片和算力基础设施也收进这个体系，这些业务就能绑在一起，算力握在自己手里。张璐把它形容成一个跨公司的工业操作系统。

第三层和上市有关。SpaceX 预期的上市估值是万亿美金级别，从来没有公司以这个价格上市。它需要足够强的愿景支撑，让市场相信 SpaceX 代表的不只是火箭发射和星链，还有整个太空经济。Terafab 就是那个把市值故事撑起来的东西。

1TW 这个数字，张璐的判断是：它对应的是马斯克设想的终极需求，机器人社会、自动驾驶网络、卫星边缘计算、大规模的 AI 推理，并非当下算力需求的映射。这些需求都属于马斯克生态，他希望这些算力握在自己手里。

她的评价不绕弯：愿景足够巨大，战略价值也足够大，但周期和投资金额会比马斯克自己预想的多很多。硬件层面的很多创新，推进起来没那么容易。

太空数据中心还要等七到十年，太空工厂已经开工 6:46

把数据中心送上太空，短期有一串硬问题。宇宙辐射对芯片性能的影响比多数人想象的大；发射成本可以靠 SpaceX 持续优化，但维护和维修成本更高；如果这些算力是服务地球上的 AI 应用，延迟绕不过去。谷歌之前讨论过 TPU 怎么封装才能在辐射环境里保住性能，这些问题都还没有答案。

张璐讲了一个半开玩笑的替代方案：美国旁边就是加拿大，水资源丰富，能源丰富，天气够冷，地广人稀，建数据中心的条件很好。她的意思是，如果目标只是能源和冷却，不必上天。

她认为马斯克坚持上太空，一个很实际的动机是监管。太空里没有明确的管辖归属，自由度大得多。以 Terafab 的产能规模，在地面上推进要过层层审批，要拿到政治层面的支持，成本极高。而在太空里，他不只是太空经济的主要支持者，还可能成为规则的制定方。

他不只是成为一个最主要的太空经济的一个支持者，他可能也可以成为未来整个太空经济的一个规则制定方。

那太空数据中心什么时候成立？张璐给出的路径是：等太空里的 AI 应用足够多，卫星本身成为边缘计算设备，海量太空数据需要就近处理，轨道上的数据中心才有意义。那时候延迟问题也小了。这个技术周期，她估七到十年。

太空经济里已经有在跑的应用。她举了几个：

• 太空工厂。微重力环境下可以合成地面上做不出来的材料、晶体结构、蛋白质结构。很多技术瓶颈卡在材料层，医疗瓶颈卡在蛋白质结构，这里能提供新选项。
• 卫星交通管理。卫星越发射越多，碰撞会产生太空垃圾，有公司在用 AI 做交通管理，顺带做卫星数据交易。卫星数据还能用来探矿、提前发现山火、做气象应用。
• 月球加油站。一家被投公司做机器人系统，从月壤里提取水，再电解出氢和氧，作为火箭和飞船的燃料。未来火箭不必带那么多燃料，可以去月球补给。

张璐强调，太空天然是 AI native、robotics native 的领域。把人送上太空要搭一整套生命维持生态，成本极高；送机器人上去，维护费用低得多。这也是太空工厂适合自动化系统的原因。

被问到「现在是不是初创公司做太空数据中心的好时机」，她的回答很直接：不是，太早了，可以再看一看。更好的机会在 AI 基础设施的整体优化，硬件软件都有空间；想做太空，就先做太空基础设施的其他部分，看三五年里太空生态的成长速度，再决定什么时候进场。数据中心是重资本投入，初创公司还要想清楚一件事：是去服务这样的数据中心，还是自己建。

英伟达要卖的是一整座 AI 工厂 22:48

GTC 之前，英伟达的收购动作已经透出方向。Fusion Fund 去年有 5 家公司被收购，两家被英伟达买走：Lepton AI，创始人贾扬清，开源生态里有名的贡献者；Nexusflow，创始人焦建涛，前伯克利人工智能教授。两家都做 AI 基础设施，成立不到两年，商业化推进很快，英伟达在 2025 年初就接触，随后迅速买下。

整合速度同样快。Lepton AI 被收进去之后变成 DGX Lepton 平台，原网站直接跳转到英伟达页面，成了它 GPU 云布局的一部分。

到了 GTC，黄仁勋把话说得更明白：英伟达的定位已经变成全栈 AI 基础设施公司，芯片公司的标签他不太用了。他提的核心概念是 Token Economy，围绕 token 的生产和消耗来搭建整门生意。

一个细节能说明这种转变：张璐在斯坦福读材料科学时，一家公司一年发一到两个芯片已经算很快，更早的时候好几年才发一颗。这次 GTC，英伟达一次发了七个芯片，加上互联、推理基础设施，发布的是一个生态，单个产品已经不足以概括。

产品线也收拢了。去年底收购的 Groq，其 LPU 推理加速能力被并进 Vera Rubin 平台，没有另开一条平行产品线。张璐把这理解为一种整合思维：英伟达卖的是一整套系统，单张卡只是系统的一部分。系统里有 GPU、CPU、网络、存储、CUDA，还有面向 agentic AI 和推理的部署方案。

为什么现在强调推理？张璐给了一个财务视角的解释。训练像一次性现金流，一次性买很多卡，花一大笔钱。推理是持续性现金流，agent 铺开之后，调用次数越来越多，消耗一直发生。她记得几年前和微软的 AI 专家聊，当时训练占 70% 到 80%，推理占 10% 到 20%；现在差不多五五开；未来可能倒过来，训练占 20% 到 30%，推理占 60% 到 70%，而且是持续性的。

黄仁勋在 GTC 上给出的判断是，Blackwell 和 Rubin 在 2027 年对应的数据中心收入可能超过 1 万亿美元。张璐认为，这个判断的前提就是 token 消耗和推理负载会远大于早期训练。

还有一个被她说成「我们去年行业报告里就发现」的变化：并非所有 AI 训练和部署都适合同一种计算架构。有些新模型架构在 CPU 上的效率比 GPU 更高。这也解释了英伟达这次为什么重新强调 CPU。

CPU 回来了，200 亿美元买的是一个故事 30:00

英伟达上一次发 CPU 是 2021 年的 Grace 系列，隔了好几年。这次 GTC 发布 Vera CPU，名字第一次和 GPU 系列并到一起。黄仁勋给它的定义是首款专为 agentic AI 和强化学习打造的 CPU，速度是传统 CPU 的两倍，合作客户里出现了阿里巴巴、字节跳动，美国这边有 Oracle、Meta。

CPU 为什么重新重要？张璐的解释落在 agent 的工作方式上。Agent 不只要吐 token，它还要持续调用工具、运行代码、调用数据、执行任务。多 agent 协同、强化学习、仿真流程，很多活都落在 CPU 上。单次问答的时代，CPU 用量不大；agent 时代，agent 一直在运行，CPU 的使用频率会持续上升。

从英伟达自己的生意看，还有一层考虑。CPU 如果握在别人手里，它就没法整体定义整机、整柜的性能。客户买系统集成方案时，要的是从一家拿整套 AI 工厂，不必分别找 CPU 厂家和 GPU 厂家。即便 AMD 的 CPU 做得更好，英伟达拿到的集成优势也足够大。

Groq 的收购是另一块拼图。这家公司 2016 年成立，创始人是谷歌 TPU 项目的核心成员。它走的路子和优化 GPU 不同，重新设计了推理的计算路径，主打低延迟和高 token 吞吐。它的内存架构在速度上有优势，但优势局限在特定模型规模。

交易结构不寻常。据公开报道约 200 亿美元，采取的是非独家技术授权加人才收购，为了更快完成交易。Groq 被收购时大约 200 人，200 亿美元对应 200 人，一个人值一亿美元。

张璐的判断是：单看芯片能力，Groq 可能不值这个价；它的价值在于补全英伟达的生态故事线。GPU 加 CUDA 继续守住训练和通用推理的基本盘，Groq 的低延迟、高吞吐补上专门的推理加速能力，两者合起来，Vera Rubin 这个故事才讲得圆：有 CPU、有 GPU、有推理加速器、有网络、有存储。

英伟达过去一年在收购上很活跃。Meta 这类公司芯片层的投入也在加大，并购动作不少。张璐的判断是，想守住技术护城河，就要有全栈打法。市面上具备全栈能力的，她数了三家：谷歌、英伟达、苹果。苹果缺自己的 AI 模型，芯片、产品、终端的能力很完整。

xAI 的动荡，和一个迷人的暴君 41:09

聊到 xAI 的人员动荡，张璐先给了两个原因。一个是模型能力提升的速度低于马斯克自己的预期。马斯克的特点是不怕打脸，连续成功创业者出身，承认错误、及时调整在他眼里不丢人，「done is better than perfect」是创业圈常讲的话。他要的是超越其他模型，追赶不在他的目标里，团队压力自然大。

另一个原因在马斯克本人的性格。张璐认识 xAI 的一位联创，马斯克找这个人找了三年，不停说服，最后对方放下 PhD 和创业计划加入。招人这件事上，他的诚意和愿景说服力很强。招进来之后，工作强度也大：马斯克凌晨一两点进公司和大家头脑风暴，团队常待到凌晨五六点。

发现错误之后，他的决策速度同样快，不太留情面。张璐用了一个词形容他：

可能有一个词，非常好的形容他就是一个很有魅力的暴君。

她的解释是，一边让人觉得是暴君，一边又有巨大的愿景和改变世界的内驱力。愿景和目标排在最高优先级，其他决策、得失、牺牲都不在他的优先级里。

对 xAI 的未来，张璐不悲观。xAI 和 SpaceX 合并之后，它能调动的资源在初创公司里很少见，人才可以在特斯拉、SpaceX 内部流动，数据侧能拿到真实世界数据，未来还有卫星数据和太空数据。它现在已经是 SpaceX 的一部分，会跟着太空经济的趋势一起加速。

她还提到马斯克生态的数据优势。语言模型之后是多模态，再往后是 agent，再往下一步是世界模型。世界模型需要高质量的三维世界数据。特斯拉有交通数据、工厂的三维真实数据，SpaceX 有工厂工程数据、卫星数据、太空数据，未来还有人形机器人。大部分公司手里最多是视频数据，马斯克手里是三维世界的真实数据，这种多样化别家很难比。这也是她看好马斯克做机器人的原因，Physical AI 的模型能力会很强。

TPU 挑战不了英伟达，但算力市场容得下多种架构 45:13

谷歌在 TPU 上投了超过十年，说明它很早看到了推理的重要性。张璐认为，TPU 最大的能力体现在谷歌自己的生态里。TPU 的优化建立在谷歌从芯片层、模型层、数据层到应用场景的全栈系统上，自己用，性能好，成本也低。她记得谷歌现在的训练成本大约只有 OpenAI ChatGPT 的三分之一，靠的就是系统优化。

第三方拿 TPU 去用，情况不一样。外面公司没有谷歌那套系统，做不了那么好的优化，性能和成本都要打折扣。资本市场讨论 TPU 会不会抢 GPU 的市场，张璐的判断是短期很难形成有效威胁。

她的理由落在市场规模上。AI 的产业部署和整合才刚开始，金融、医疗、保险这些大行业的 AI 整合程度连 1% 都不到。大规模铺开之后，算力需求会非常大，靠一家 GPU、一种计算架构支撑不现实。未来市场需要多样化架构，英伟达之外的公司会提供不同方案。

软件栈是另一道坎。谷歌如果有一套自己的 CUDA 式系统来支持 TPU，开发者用起来会方便很多。英伟达这边反过来在把 CUDA 往全栈平台做，覆盖开发者的各种需求，平台依赖越深，迁移到其他架构就越难。

企业级 AI 的好年份：预算、医疗和两年十倍的退出 48:54

张璐把 2026 年称为企业级 AI 非常好的一年。业内正在形成几个共识。

第一个共识是大企业愿意做垂直领域的 AI 部署，而且基于小语言模型，大语言模型不再被当作唯一选项。金融、医疗、保险都是高监管行业，数据敏感，希望 AI 应用和 agent 本地化部署或放在私有云。特定场景对延迟、对准确性、对不能有幻觉的要求，让垂直应用的铺设速度更快。小模型不必把数据全传到云端，隐私有保障，算力和电力消耗也更省。

第二个共识和大企业的焦虑有关。张璐 1 月在达沃斯和很多大企业 CEO 聊，感到焦虑感很重。大家手里有海量数据，但数据要变成数据资产，得和 AI 整合，否则只是一堆数据。路径是先做数据整理，再搭安全层和隐私中间层，然后往上做各种 AI 应用。

钱在往这里走。Fusion Fund 从 2018 年运营一个 CxO 网络，里面有 45 位全球大型企业的 CTO。今年普遍的反馈是预算越来越高，最多的一位手里有 120 亿美元，用来做 AI 相关的收购、技术整合、订单和战略合作。预算增加之后，大企业的投资和部署会加快，金融公司、保险公司三四个月就能完成一项新 AI 技术的整合。

行业机会里，张璐最看好医疗。美国医疗占 GDP 的 20%，数据质量高，应用场景多样。年初的一个信号是礼来和英伟达达成几十亿美元的战略合作，推进 AI 在制药领域的应用。ChatGPT、Claude、Anthropic 也发布了面向医疗的专属产品。医疗机构开始用联邦学习，监管层面不用担心数据隐私。金融、医疗、保险这三个行业的 AI 整合速度最快，物流和供应链还在大规模铺设阶段。

机器人也是她看好的方向，Physical AI 发展很快，工业和供应链的应用会走得更快。太空领域天然是 AI 原生、机器人原生，也在她的名单上。

ToB 创业的好处，她讲得很实在。传统行业的大公司不愿意把核心数据交给科技巨头，也不愿意全部上传云端，更愿意和初创公司合作。这给垂直 AI 的 ToB 公司加速迭代的机会。她举了一个数字：有被投公司一年时间收入从零涨到 2000 万美元，团队不到 10 个人。

退出也在加速。Fusion Fund 去年 5 家公司被收购，4 家成立不到两年，回报是 10 到 20 倍。IPO 可能要七年甚至十年，并购退出短平快，人才和资金流动更快。张璐自己就是连续创业者出身，2015 年成立 Fusion Fund 时搭的第一个生态叫超级创始人网络，里面有 62 位连续成功创业者，多数已经财富自由，再做下一家公司，动力来自改变产业、改变世界。

她提到马斯克的一个细节：母亲去看他，睡的地方是一张气垫床，生活条件并不讲究。使命驱动型创业者的思维，大概就是这样。

张璐接下来会把最多时间放在投资上。第四期基金从去年开始运转，去年投了 10 家，今年计划再投 7 到 10 家，还有 3 家被投公司准备上市。技术方向上，她个人最愿意花时间的是 AI 基础设施里解决下一阶段瓶颈的创新：推理成本、能源、内存、安全、系统整合。医疗 AI 里的机器人应用，以及太空科技，也在她的名单上。

这期对话里能带走的判断有几条。太空数据中心是一个七到十年周期的命题，现在进场太早，想做太空就从其他基础设施切入。AI 基础设施的机会集中在系统优化上。企业级 AI 的预算正在释放，小语言模型、本地部署、高监管行业是当下最能跑出收入的方向。退出路径上，并购比 IPO 快得多，这也解释了硅谷连续创业者为什么越来越多。