随着大模型竞赛进入深水区，算力已经成为决定模型能力上限的关键变量。OpenAI近期明显加快了算力基础设施的布局节奏，在全球范围内持续扩充数据中心，试图通过自建与租用结合的方式，锁定未来几年内所需的巨大计算资源。
这一轮投入的规模远超以往。据业内人士透露，OpenAI正在与多家数据中心运营商洽谈长期租赁协议，同时也有计划在美国本土及海外选址自建超大规模数据中心。微软作为其核心合作伙伴，同样在同步扩建Azure的算力集群，以承接GPT系列模型日益增长的推理与训练负载。双方正在构建一个覆盖北美、欧洲和亚洲的分布式算力网络，目标是实现模型训练与推理的低延迟和高可靠。
为什么OpenAI要如此激进地扩充数据中心？根本原因在于大模型对算力的消耗正在呈指数级增长。GPT-4的训练成本据估算已超过1亿美元，而下一代模型的训练需求只会更高。此外，推理成本同样不容忽视。ChatGPT的用户规模持续扩大，每一条对话都需要调用大量GPU进行实时计算。如果算力基建跟不上，不仅模型迭代速度会放慢，用户体验也会受到显著影响。
另一个重要驱动力是竞争压力。Google、Meta以及新兴的AI创业公司都在大手笔采购GPU，尤其是英伟达H100、B200等高端芯片的供应一直处于紧缺状态。谁能抢先锁定算力资源，谁就能在模型训练速度和规模上占据先机。OpenAI显然不想重蹈“算力卡脖子”的覆辙，因此提前以长期合同锁定未来的机柜和电力容量。
当然，扩充数据中心也面临不小的挑战。一是电力消耗问题。单个大型数据中心的用电量堪比一座小型城市，而全球范围内绿色电力的供应并不充裕。OpenAI需要在算力增长与碳中和目标之间找到平衡。二是供应链瓶颈。GPU、液冷系统、高速网络设备的交付周期仍在延长，建设周期被迫拉长。三是资金压力。单座数据中心的投入动辄数十亿美元，对OpenAI的现金流和融资能力提出了极高要求。
总体来看，OpenAI的算力基建扩张既是对当前需求的回应，也是对未来竞争格局的预判。在AI行业“算力即权力”的共识下，这场基础设施建设竞赛远没有到终点。
