电力竟然还不是眼下AI最棘手的难题，这个判断听上去多少有些反常，因为过去两年，全球科技行业几乎天天都在谈数据中心缺电、GPU耗电和电网压力。

可Mistral联合创始人兼CEO Arthur Mensch最近却把账算到了另外两个地方，他认为能源目前大约只占AI计算总拥有成本的10%，更现实的压力来自芯片和资本。

这件事真正值得看，并不只是“电到底贵不贵”，而是AI行业的竞争方式正在发生变化。

模型大战还没有结束，算力、资金、数据、部署能力和企业控制权却已经同时摆上桌面，当一家模型公司开始考虑自己掌握基础设施，一家企业开始担心未来换不了AI供应商，这场竞争究竟还是不是单纯的技术竞赛？

一、电力被推到聚光灯下，真正烧钱的却在后面

公开节目资料显示，Mensch在谈到欧洲AI基础设施时明确表示，现阶段能源并不是最大的成本项，芯片价格和资本成本反而更直接影响一套算力设施能不能建得起来、账能不能算得过来。

这和外界常见的直觉不太一样，因为大家看到的是一排排服务器和不断上涨的电力需求，很容易把“耗电大”直接等同于“电力是最大瓶颈”。

可是一个数据中心真正落地之前，需要先采购大量GPU，还要解决土地、机房、网络、散热、电网接入和融资问题，其中任何一个环节卡住，电再充足也没有办法直接变成可用算力。

Mensch把这件事理解成工业供应链问题，其实很形象，因为AI基础设施和传统互联网软件有一个很大的区别。

软件业务往往可以等客户增长之后再慢慢扩容，但大型数据中心不行，芯片采购和工程建设都有提前期，企业往往需要在需求完全出现之前，就把几年后的容量先押下去。

这也意味着AI基础设施正在重新学习传统重资产行业那一套生意经，客户合同、设备利用率、融资成本和建设周期，都会直接决定一家公司最后究竟赚钱还是亏钱。

Mistral在公开讨论中提到，希望通过收入承诺和类似take-or-pay的安排来支撑基础设施建设，说白了，就是尽量先确认有人会买，再去背后面的重资产投入，而不是单纯借一大笔钱赌未来。

这种变化非常关键，因为长期算力需求增长，并不意味着所有参与数据中心建设的公司都能稳赢。

需求判断偏低，可能错过客户；判断偏高，又可能留下大量闲置设备，而GPU本身更新速度很快，一旦新一代芯片出现，旧设备的经济性也会被重新估算。

不过，Mensch并没有说能源永远不重要，他给出的判断更像是在区分短期和长期。

按照他的看法，随着全球AI基础设施继续按照吉瓦级规模扩张，到2029年至2030年前后，电力供应可能成为更明显的硬约束，而现在更急迫的任务，还是把芯片、资本和建设能力先组织起来。

换句话说，今天的竞争是在抢建设窗口，几年之后才可能真正进入抢电窗口。谁能够在现有能源容量还能承受的时候，把芯片装进去、把机房建出来、把客户锁下来，谁就更可能提前占住下一轮AI基础设施的位置。

二、Mistral往下游扎，AI公司开始越来越像“工业公司”

真正让我觉得值得注意的，不是Mensch说电力占10%，而是Mistral自己正在做什么，因为一家模型公司如果只是评论能源问题，意义其实有限，可Mistral已经明显不满足于只卖模型。

Mistral近年来一直在强化所谓“主权AI”的路线，公开资料显示，它强调企业和国家应该对模型、数据、算力和运行环境拥有更多控制权。

公司还提出，到2030年建设最高可达1GW的欧洲计算能力，并推动区域推理、开放模型和长期算力承诺，这说明它已经把基础设施视为商业模式的一部分，而不是简单采购外部云资源。

从商业角度看，这个动作并不难理解，因为模型公司如果完全依赖别人提供GPU，最终会面临一个很现实的问题。

模型再好，客户再多，只要上游算力供应紧张、价格上涨或者供应商策略发生变化，自己的收入增长就可能被别人卡住。

所以AI行业现在出现了一个很有意思的现象，大模型公司一边继续拼算法，一边又不断向基础设施延伸。

过去互联网公司讲的是轻资产和快速扩张，现在最前沿的AI企业却开始讨论电力、土地、芯片供应和长期融资，商业逻辑反而越来越接近传统工业。

这背后其实是一场对“生产资料”的重新争夺，因为模型就是产品的大脑，而算力就是让这个大脑持续工作的工厂。

只掌握模型却完全掌握不了算力，就很难拥有真正稳定的成本和交付能力，因此从Mistral到其他大型AI企业，向上下游延伸并不是偶然动作，而是规模扩张以后必然遇到的现实约束。

对中国企业来说，这一点尤其值得看，因为国内这些年谈AI产业发展，往往容易把注意力集中在模型参数和榜单成绩上。

可真正拉开长期差距的，除了算法能力，还有芯片供给、数据中心、能源条件、产业客户和工程落地能力，而这些恰恰是中国拥有完整工业体系之后可以持续积累的部分。

这里不需要简单乐观，因为先进算力和高端芯片仍然存在现实压力，中国企业同样面临成本、生态和国际供应链的不确定性。

可另一方面，中国拥有巨大的制造业体量、电力基础设施、工程建设能力和大量实际产业场景，这些东西一旦和AI结合起来，竞争就不再只是“谁做出一个更会聊天的模型”，而是谁能把智能真正装进工厂、汽车、能源、电信和设备里面。

三、真正被争夺的已经不是模型，而是企业以后还能不能“说换就换”

算力只是这一轮变化的下半场，上半场真正关系企业利益的，是AI平台正在越来越深地进入业务内部。

Mistral所谓“主权AI”最核心的一点，就是企业不能只关心模型今天好不好用，还要考虑几年以后数据放在哪里、模型能不能更换、算力由谁提供，以及业务流程是否还能脱离某一家平台继续运行。

一开始接入AI的时候，这个问题通常不明显，因为企业可能只是让员工写邮件、做总结或者生成代码，换模型并没有多大成本。

可是等AI继续深入，接入企业数据库、Agent系统、权限管理和内部工作流以后，所谓“换供应商”就不再是改一个接口那么简单，而可能牵扯整套技术架构。

Mensch在访谈中甚至进一步提出担忧，如果未来企业AI高度集中在少数大型平台手里，这些公司掌握模型、接口和大量业务使用信息之后，长期可能继续向应用层和具体产业延伸。

这里必须说清楚，这只是Mensch对未来竞争格局的判断，并不能理解为OpenAI或者Anthropic已经在普遍利用客户数据直接与客户竞争，更没有公开事实能够证明这一点。

可是这个担忧背后的商业逻辑并不难理解，因为任何大型平台发展到一定规模之后，都有动力继续向利润更高、更靠近客户的位置扩张。

今天提供底层模型，明天提供Agent，后天可能直接提供客服、编程、销售或者行业解决方案，原本需要企业自己开发的能力，就可能逐渐变成平台提供的标准商品。

这样一来，企业得到的是更低的成本和更高的效率，但与此同时，一部分原本属于自身的差异化能力也可能被快速抹平。

某家公司辛辛苦苦摸索两年的流程，只要被平台产品化，竞争对手可能很快花钱就能获得差不多的能力，这也是AI时代“效率提升”和“竞争优势缩短”同时出现的原因。

这一点放到中国市场来看，我认为比单纯争论哪一家模型榜单第一更加重要，因为中国拥有数量庞大的制造业、金融、电商、物流、能源和公共服务场景。

真正有价值的，不是简单把这些行业的数据全部接入某一个外部模型，而是把AI能力和自己的产业知识、业务流程、工程经验结合起来，让核心数据和关键能力尽量掌握在自己手中。

中国开放模型这些年发展很快，国际市场也越来越重视开放权重路线，但开放并不自动等于绝对安全。

Mensch在访谈谈到中国开放模型时也承认，目前并没有证据证明这些模型普遍存在恶意后门，但他认为关键行业仍然需要把训练来源、供应链和未来更新纳入风险评估，这种判断本质上同样适用于任何国家的模型供应商，而不是只针对中国。

从中国企业角度看，最稳妥的思路不是简单相信“国产就一定安全”，也不是认为“外国模型一定更可靠”，而是尽量把关键技术选择建立在可审计、可替换和可持续供应的基础上。

只有模型可以换、数据拿得回来、核心业务不会因为一家供应商变化就停摆，企业才真正拥有谈判筹码。

四、AI下一场较量，中国真正该看的不是谁声音最大

把这期访谈从头看到尾，我认为最值得记住的并不是“能源只占约10%”这个数字本身，而是这个数字背后透露出的产业变化。

AI已经逐渐离开单纯的软件竞争阶段，开始向芯片、资本、能源、数据中心和企业核心流程同时延伸，行业的胜负标准因此变得比过去复杂得多。

这对中国来说既有压力，也有机会，因为高端芯片和部分基础软件生态仍然需要继续补课，这一点没有必要回避。

可是中国拥有世界上规模最大的制造业体系之一，也拥有庞大的工程人才、能源基础设施和真实产业需求，当AI开始从聊天窗口进入工厂、设备、汽车、能源系统和复杂工程之后，这些长期积累就会变得越来越重要。

我更愿意把未来几年的AI竞争理解成一场综合能力较量，而不是一场单纯比模型参数的短跑。谁能把模型做好、算力建稳、成本压住，同时又让企业保留数据和业务控制权，谁才更有可能在下一阶段形成真正持久的优势。

所以对于中国企业而言，最值得警惕的不是国外哪一家模型突然又领先了几个百分点，而是在追赶模型能力的同时，是否把芯片、算力、数据、产业场景和控制权一起抓住。

如果最后只是学会了大量使用AI，却把最核心的数据、流程和基础设施长期交给别人掌握，那么技术看似用上了，真正的主动权却未必留在自己手里；反过来，如果这些关键环节能够逐步形成自己的体系，中国在这场越来越像工业竞争的AI较量中，手里的筹码反而可能比很多人想象得更厚。