云计算公司包括Oracle公司、微软公司和Meta平台公司已承诺在未来几年内总共花费5000亿美元用于数据中心租赁,这一天文数字凸显了科技行业对人工智能的巨大押注。
根据彭博社对季度财报的分析,随着科技巨头签署服务器机房租赁协议,这些义务在最近几个季度稳步攀升。
这些未来成本是在现有租赁之外的额外支出,在公司开始支付之前不会出现在资产负债表上。通常情况下,这些租赁与数据中心相关,但也可能包括办公室或仓库等设施。一些租赁还包含允许公司在特定条件下解除未来义务的条款。
Oracle在数据中心租赁方面承诺的资金最多,仅在截至11月的三个月内就签署了价值约1500亿美元的租赁协议,使其总承诺额达到2480亿美元。该公司正在进行历史性的数据中心建设,以支持OpenAI最新模型的训练和部署。
在这场支出狂潮中,华尔街越来越关注可能持续长达19年的数据中心租赁。在Oracle在一份文件中悄然披露其租赁计划后,已经对其不断上升的支出感到不安的投资者抛售了该公司股票。DA Davidson分析师Gil Luria上周写道:"我们认为这一额外披露表明Oracle将面临严重的资金短缺。"
数据中心研究公司DC Byte创始人Ed Galvin表示,虽然整个行业的支出承诺都在激增,但Oracle是个例外。与亚马逊公司、微软和Alphabet旗下的谷歌相比,其云业务规模较小,而今年与OpenAI达成的每年300亿美元的重磅交易使其"面临巨大的单一客户风险"。
租赁而非建设数据中心意味着避免许多前期开发成本。例如,Meta正在从一家特殊目的实体租赁其位于路易斯安那州的旗舰AI数据中心,该实体将承担数百亿美元的债务来建设该中心。这家社交媒体巨头已承诺在尚未开始的租赁上花费580亿美元,是一年前披露数字的三倍。
这些租赁成本通常与资本支出不同,后者是数据中心支出更常被引用的指标。资本支出包括直接购买服务器或建设场地的成本,以及与服务器机房无关的员工笔记本电脑等项目的支出。在过去四个季度中,所分析的六家公司的这些成本总计为3720亿美元。
其他成熟公司,如微软和谷歌,也需要承担数百亿美元的租赁费用。但到目前为止,它们强劲的现金流让投资者更加放心。微软的租赁成本在2023年激增,早于大多数同行,当时它开始处理来自合作伙伴OpenAI的大量计算需求。
谷歌传统上拥有并开发其大部分数据中心。但在最近几个季度,它也报告了租赁设施计划的激增。截至9月,其未来租赁承诺为426亿美元,约为一年前同期的七倍。
Q&A
Q1:为什么科技公司要花5000亿美元租赁数据中心?
A:云计算公司包括Oracle、微软和Meta等正在大举投资数据中心租赁,主要是为了支持人工智能技术的发展。租赁而非建设数据中心可以避免许多前期开发成本,同时快速获得所需的计算能力来训练和部署AI模型,特别是像OpenAI这样的大语言模型。
Q2:Oracle为什么在数据中心租赁上投入最多?
A:Oracle承诺了2480亿美元的数据中心租赁,是所有公司中最多的。这主要是因为该公司正在进行历史性的数据中心建设,以支持OpenAI最新模型的训练和部署。今年Oracle与OpenAI达成了每年300亿美元的重磅交易,这使其需要大量的计算基础设施。
Q3:数据中心租赁成本和资本支出有什么区别?
A:数据中心租赁成本是指公司承诺在未来支付的租赁费用,在开始支付前不会出现在资产负债表上。而资本支出包括直接购买服务器或建设场地的成本,以及员工笔记本电脑等其他项目的支出。过去四个季度,被分析的六家科技公司的资本支出总计为3720亿美元。
好文章,需要你的鼓励
随着AI广泛应用推动数据中心建设热潮,运营商面临可持续发展挑战。2024年底美国已建成或批准1240个数据中心,能耗激增引发争议。除能源问题外,服务器和GPU更新换代产生的电子废物同样严重。通过采用模块化可修复系统、AI驱动资产跟踪、标准化数据清理技术以及与认证ITAD合作伙伴合作,数据中心可实现循环经济模式,在确保数据安全的同时减少环境影响。
剑桥大学研究团队首次系统探索AI在多轮对话中的信心判断问题。研究发现当前AI系统在评估自己答案可靠性方面存在严重缺陷,容易被对话长度而非信息质量误导。团队提出P(SUFFICIENT)等新方法,但整体问题仍待解决。该研究为AI在医疗、法律等关键领域的安全应用提供重要指导,强调了开发更可信AI系统的紧迫性。
超大规模云数据中心是数字经济的支柱,2026年将继续保持核心地位。AWS、微软、谷歌、Meta、甲骨文和阿里巴巴等主要运营商正积极扩张以满足AI和云服务需求激增,预计2026年资本支出将超过6000亿美元。然而增长受到电力供应、设备交付和当地阻力制约。截至2025年末,全球运营中的超大规模数据中心达1297个,总容量预计在12个季度内翻倍。
威斯康星大学研究团队开发出Prithvi-CAFE洪水监测系统,通过"双视觉协作"机制解决了AI地理基础模型在洪水识别上的局限性。该系统巧妙融合全局理解和局部细节能力,在国际标准数据集上创造最佳成绩,参数效率提升93%,为全球洪水预警和防灾减灾提供了更准确可靠的技术方案。