算力竞赛分化：马斯克自建晶圆厂，微软押注端侧AI

过去几年，硅谷宛如一处巨大的基建工地。微软、Google、亚马逊竞相扩建数据中心，除了抢购GPU，电力、土地与冷却系统也成为稀缺资源。曾经倚重软件和网络效应的科技巨头，如今背负着前所未有的重资产投入。

在数据中心军备竞赛持续升温的同时，马斯克与微软分别将目光投向了算力产业链的两端。

马斯克证实，Tesla与SpaceX计划自建并运营名为Terafab的半导体制造基地；微软则携手NVIDIA推出搭载RTX Spark芯片的Surface Laptop Ultra，并公布Windows混合智能方案，尝试将部分大语言模型与AI智能体任务直接转移到个人电脑本地运行。

一家试图向上游涉足晶圆制造，另一家则致力于把集中在云端的计算带回用户终端。两家公司的技术路径大相径庭，却共同指向了当前AI产业的核心瓶颈：算力的交付方式与边际成本，远比无节制扩容更为紧迫。

马斯克为何跨界造芯片？

自台积电创立以来，代工模式重构了半导体产业分工，让NVIDIA、AMD乃至苹果得以避开重资产建厂的风险，专注于芯片设计。先进制程高度依赖跨行业订单分摊折旧，并通过持续生产累积良率经验。

马斯克如今却打算打破这道产业边界。

根据SpaceX提交给监管机构的文件，Terafab计划将逻辑芯片制造、存储器生产与先进封装集于一体，长期规划涵盖高达1太瓦计算功率的硬件产能。这一设施旨在为Tesla的自动驾驶汽车、Optimus人形机器人，以及SpaceX的轨道AI计算提供硬件支撑。

对马斯克而言，在庞大的芯片需求规模下，外部代工厂的产能分配与排期节奏直接左右着自身产品的迭代速度。此外，供应链安全与地缘政治风险也是关键考量。依照科斯的企业边界理论，当外部采购与沟通的交易成本过高时，企业倾向于将生产环节内部化。

然而，晶圆制造极具特殊性。如果仅仅服务自有产品，Terafab必须独立承担昂贵的技术迭代、产能闲置和良率爬坡风险。马斯克试图减少受制于人的环节，但也意味着将供应商原本承担的制造重担转移到自己肩上。

微软为何让AI回归个人电脑？

与马斯克相反，依托Azure建立庞大云业务的微软，正在通过模型轻量化将计算压力分散到边缘端。

微软展示的MAI Code 1.1 Flash本地版本总参数达1370亿，但在生成单个Token时仅激活约68亿参数。该模型依托混合专家模型（MoE）架构，通过路由机制按需调用专家网络，大幅削减每次运算量。结合量化压缩技术，模型权重被压缩至约53GB，较完整精度版本减少约80%。

在256K上下文测试中，该本地模型的峰值内存占用约为75.5GB，在SWE-bench Verified基准测试中取得了70.8%的分数，接近高精度版本的72.6%。这证明经过压缩的模型已具备承担复杂任务的能力，也正是高端Surface设备配置大容量统一内存的根本原因。

微软押注的是交互范式的转变。过去用户只是偶尔向聊天机器人提问，云端响应经济高效；而现在的代码智能体需要高频读取文件、运行测试、反复修改代码，单次任务就包含密集的模型调用。如果将简单、重复的推理环节留在本地，既能降低云端API调用成本，也能减少网络延迟与隐私泄露隐患。

借助Windows混合智能，微软计划构建弹性算力调度：高难度任务交由云端大模型，常驻型任务由端侧硬件承担。一旦本地AI智能体成为开发者的日常工具，微软就能牢牢锁定本地与云端算力的调度入口。

算力重组：重新定义成本与边界

计算产业历经大型机、个人PC到云计算的周期流转。每一次资源在集中与分布之间的摆动，均由硬件成本、网络带宽与实际需求共同决定。

当前这场AI竞争并不意味着个人端能彻底替代数据中心——前沿基础模型的预训练与超大规模并行计算仍牢牢依赖云端集群。然而，单靠堆叠GPU数量和扩建数据中心，已很难直接衡量商业回报。若集群利用率无法饱和，折旧就会侵蚀利润；反之，能在端侧以极低边际成本完成推理的轻量架构，商业价值正逐步显现。

Terafab试图用重资本换取供应链控制权，Windows混合智能则通过下放计算负荷来优化调用成本。两者的探索共同指向一个终极命题：企业获取一单位有效AI算力，究竟需要付出多少代价？

数据中心依然会继续扩张，但决定未来AI产业主动权的，不仅在于能调动多大规模的集中算力，更在于谁能掌控算力从何处生产、在何处调度，以及由谁来承担账单。