根据风险投资人 Tomer Tunguz 对第二季度业绩报告的分析，SpaceXAI 上一季度总资本支出达到 183.7 亿美元，其中 158.3 亿美元直接投向 AI。后者占总资本支出的约 86%，并已接近微软同期总资本开支的四成。
这组数字最值得关注的地方，不只是规模，而是资金配置方式：AI 已经从模型研发预算，变成由数据中心、电力、网络和芯片共同驱动的重资产工程。
先拆数字：86% 的资本支出流向 AI
按披露数字计算，SpaceXAI 的 AI 资本支出占比为：
158.3 / 183.7 ≈ 86.2%
剩余约 25.4 亿美元用于其他资本项目。换句话说，每投入 10 美元资本开支，就有约 8.6 美元进入 AI 相关资产。
资本支出和普通研发费用并不是一回事。研发费用通常覆盖人员、实验和软件服务；资本支出则更可能形成多年使用的资产，例如：
- GPU、加速卡及配套服务器
- 数据中心建筑、机架和冷却设施
- 变电站、储能设备及长期供电工程
- 高速网络、交换机和光纤互连
- 训练集群所需的存储系统
来源摘要没有进一步拆分这 158.3 亿美元的内部构成，因此不能直接断言各类资产分别花了多少。不过，如此高的 AI 占比已经说明，公司的基础设施扩张正在围绕算力需求展开。
为什么不能直接把资本开支换算成 GPU 数量
看到 158.3 亿美元，工程团队很容易尝试用单卡价格估算集群规模。这种计算可以用于建立区间，但不能当成事实，因为完整集群的成本远不止 GPU。
一个训练节点还需要 CPU、内存、本地存储、网络接口和机箱；节点之外还有交换网络、供配电、冷却、厂房及施工成本。设备交付时间、预付款和资产确认时间也可能跨越多个季度。
因此，更合理的分析方式是建立“有效计算设备占比”假设：假设 AI 资本支出中有 45% 至 65% 最终对应加速器采购，再按不同单卡综合成本计算容量区间。这里的比例仅用于情景分析，并非来源披露的数据。
可以这样实践：建立一个可调整的资本开支模型
下面的 Python 脚本不依赖第三方库，可以直接运行。运行前可以修改 accelerator_share_scenarios 和 cost_per_accelerator，让假设更符合自己的供应链数据。
from dataclasses import dataclass
@dataclass(frozen=True)
class CapexModel:
total_capex_billion: float
ai_capex_billion: float
@property
def ai_share(self) -> float:
return self.ai_capex_billion / self.total_capex_billion
def accelerator_count(self, accelerator_share: float, unit_cost: float) -> int:
budget = self.ai_capex_billion * 1_000_000_000 * accelerator_share
return int(budget / unit_cost)
model = CapexModel(
total_capex_billion=18.37,
ai_capex_billion=15.83,
)
# 以下均为情景假设，不是来源披露值。
accelerator_share_scenarios = [0.45, 0.55, 0.65]
cost_per_accelerator = 40_000 # 改成你的单卡综合采购成本，单位：美元
print(f"AI 资本支出占比: {model.ai_share:.1%}")
print(f"非 AI 资本支出: ${model.total_capex_billion - model.ai_capex_billion:.2f}B")
for share in accelerator_share_scenarios:
count = model.accelerator_count(share, cost_per_accelerator)
print(f"设备预算占比 {share:.0%}: 约 {count:,} 个加速器")
执行命令：
python3 capex_model.py
在默认假设下，脚本会给出一个很宽的设备数量区间。这个区间的价值不在于预测具体 GPU 数量，而在于暴露模型对两个变量的敏感度：多少预算真正用于芯片，以及每个可投入生产的加速器需要承担多少综合成本。
还可以继续加入电力约束。例如，假设单个加速器连同 CPU、网络和冷却分摊后的平均功率为 1.5 千瓦，那么 20 万个加速器对应约 300 兆瓦持续负载。这个估算仍然不等于数据中心总容量，但能帮助团队检查芯片采购假设是否已经超出供电条件。
accelerators = 200_000
average_kw_per_accelerator = 1.5 # 情景假设，包含部分配套功耗
power_mw = accelerators * average_kw_per_accelerator / 1_000
annual_energy_gwh = power_mw * 24 * 365 / 1_000
print(f"持续负载: {power_mw:,.0f} MW")
print(f"年度用电量: {annual_energy_gwh:,.0f} GWh")
真正的约束可能从芯片转向电力和利用率
当单季 AI 资本支出达到百亿美元量级，采购芯片只是工程链条的一部分。集群能否按期上线，还取决于变电设施、冷却系统、网络拓扑和软件调度是否同步交付。任何一环延期，都会让昂贵设备处于低利用率状态。
资本开支还会在后续季度转化为折旧，并持续产生电费、维护费和网络成本。管理层最终需要回答的不是“买了多少算力”，而是“每美元资本支出产生了多少有效训练或推理吞吐”。适合持续跟踪的指标包括：
- 集群从到货到投产所需的时间
- GPU 或加速器的有效利用率
- 每兆瓦可交付的训练与推理吞吐
- 单位 token 或单次训练任务的完全成本
- 资本支出、折旧和业务收入之间的增长关系
采用这组数据时要守住边界
当前摘要提供了总资本支出、AI 投入及与微软的相对比较，但没有给出设备型号、采购数量、数据中心位置和投产进度。因此，工程和投资分析都应把推导结果标记为情景，而不是公司披露事实。
更稳妥的跟踪方法，是把 183.7 亿美元视为基础设施建设速度的信号，再结合后续季度的折旧、现金流、能源容量和产品收入判断投资效率。SpaceXAI 的数字表明，AI 竞争正在快速转化为资本、供应链和能源系统之间的协同竞赛，而胜负不会只由模型参数量决定。