新资本会加速孟菲斯园区的收购与建设,同时推进俄亥俄和凤凰城园区的开发与扩建——这些都是北美正在成形的 AI 算力重镇。
钱为什么往”建园区”跑
这几年 AI 的竞争逻辑变了:早年拼的是谁先买到 GPU,现在拼的是谁能把 GPU 安稳地供上电、供上水、跑出高密度算力。把这件事做成独立园区,比在现成机房里硬塞要划算得多。布鲁克菲尔德这种管着上万亿美元资产的基建巨头愿意牵头,说明资本已经不把 AI 基建看成科技公司的内部开支,而是当成一类能独立估值、能产生长期现金流的基础设施资产。
孟菲斯正变成北美 AI 集群的焦点,xAI 的 Colossus 超级工厂就在那里;
GPU 架构、液冷和机柜级系统迭代极快,重资产园区的沉没成本风险不小;
电力与用水压力,正把数据中心推到地方监管和社区审视的聚光灯下。
5C 这 14 亿美元,表面看是又一笔融资,背后其实是同一件事:当算力成为和电力一样的基础资源,谁能先把”建园区”这件事跑通,谁就握住了下一阶段 AI 竞赛的入口。布鲁克菲尔德赌的不是某个模型能不能火,而是 AI 对电和土地的需求,短期内只会更饥渴。
业内管这叫递归式自我改进。普通模型靠人一遍遍调参、重训;自我改进 AI 则能自己找出短板、设计改进方案、再把自己迭代一遍,中间不需要每次都等人来推。Mirendil 把这事框定在”AI for AI for Science”:它不打算做一个跟 Claude、GPT 抢市场的通用大模型,而是想搭一个平台,让医学、生物、材料这些领域的研究团队,能开发并持续打磨属于自己专业的 AI 模型。
因为这类 AI 实在太能吃算力了。一个系统要反复评估自己、提出改进、再跑训练循环,消耗的基础设施远不是跑一次训练能比。协议让 Mirendil 同时用上 Google 的 TPU 和 Nvidia 的 GPU,还有托管的训练集群。Mehta 说,他们的模型很擅长把合适的工作负载分配到合适的芯片上,而 Google 手里芯片种类多,这种灵活性正好能压低成本——不光是给自己省,也给用他们系统的客户省。
Google 打的什么算盘
站在 Google 这边,这笔买卖也不亏。AI 与基础设施高级副总裁 Amin Vahdat 就说,AI 的进步早就不止是比谁的芯片快,”更在于怎么编排整个智能系统,突破规模化扩展的物理天花板”。Mirendil 成了 Google 在递归自我改进这条前沿赛道上提前卡位的一个战略伙伴。更有意思的是,就在同一周,Jeff Dean 等人带着几乎一模一样的”自动化研究循环”论点宣布了 Discovery Loop——Google 投了那边,又给 Mirendil 当算力房东。说白了,不管哪边先跑通,Google 这边的租金都收着。