a16z拿出11亿美元重返硬件：AI资本开始追逐“物理瓶颈”

信源：[MTS｜Jen Kha（a16z）谈 Machine Age Fund｜2026-08-29]

当一家以软件投资闻名的风险资本机构，专门拿出11亿美元去投芯片、内存、网络、存储、数据中心和机器人时，值得关注的并非“硬件又热了”，而是AI正在改变数字产业的成本结构：软件生产逐渐趋向充裕，能够把电稳定转化为可计费 token 的物理系统反而变得稀缺。a16z的 Machine Age Fund，实质上是资本对这种稀缺性迁移的一次组织性回应。

这里的“物理瓶颈”，不是笼统地说所有硬件需求都会增长，而是指在给定电力、时延、可靠性和成本条件下，最先限制可售 token 产出的那一环。它最初可能是GPU，随后会迁移到HBM容量与带宽、节点间互联、光电转换、供电、冷却，最后甚至落到电网接入和施工周期。瓶颈走到哪里，增量资本与利润池才可能跟到哪里。

访谈中最有价值的部分，其实是Jen Kha对基金结构的解释。硬件公司通常需要在收入出现前完成大额研发、流片、验证和客户导入；如果它与已经形成收入的SaaS项目在同一个资金池里竞争，投资组织天然会偏向兑现更快的项目。单列基金，相当于把风险期限、早期支票规模和持有目标重新校准。a16z还希望把全球LP网络变成市场准入、客户关系与共同投资资源——对于受供应链、出口政策和国家采购影响更深的硬件企业，这类网络有时比单纯资金更关键。

物理压力已经可以被具体观察。a16z在基金公告中称，从H100机架到Rubin机架，单架计算密度提高了28倍，网络开始触及铜互联极限，机架功率也从传统的5—10kW进入100—250kW，并向1MW演进。[NVIDIA的技术文件]进一步显示，它计划从2027年起用800VDC配电支持1MW及以上机架；更准确地说，变化发生在数据中心和机架配电体系，而非“芯片从交流电改用直流电”。在互联侧，[Vera Rubin POD]已经把102.4Tb/s的Spectrum-6 CPO交换机纳入系统设计。每一次GPU密度提升，都会把压力推给相邻层，这正是内存、PIC、光模块、电源和液冷相继获得新增价值量的根源。

不过，视频里“AI已经解决软件”的说法只能当作融资口号。AI降低的是部分代码生产成本，并没有解决编译器、调度、故障恢复、集群利用率和软硬件协同。硬件参数只有经过系统软件编排，才能变成稳定吞吐和收入。更准确的变化是：软件的价值重心正从“生产更多界面和功能”，迁向“管理昂贵的物理资产并提高每瓦产出”。因此，硬件与软件不是此消彼长；应用形态、模型结构和系统软件会共同决定下一代硬件长什么样。

这也构成了Machine Age叙事最强的反方。供应紧张不等于硬件创业公司一定能获得持久利润，产业扩张也不等于风险资本能够捕获回报。晶圆、封装、内存、交换芯片和数据中心设备都有规模、良率、认证与客户集中度门槛，很多利润最终可能被既有平台和整合能力更强的厂商吸收。

需求本身也不是被“物理锁定”的常数。IEA最新核验显示，近年单项AI任务的能耗每年下降至少一个数量级，但推理、视频与Agent任务又可能比简单文本查询多消耗数百乃至数千倍能源；2025年，AI专用数据中心用电量增长了50%。总需求由效率提升、使用量和任务复杂度三股力量共同决定。LBNL对2030年美国数据中心用电占比的基准估计是11.8%，情景区间却宽达9.5%—15.3%，这个区间本身就说明未来并非单一路径。

所以，这只基金并不证明“买下所有AI硬件”就能获胜。它确认的是另一件更重要的事：AI正在从一种软件产品变成一套工业生产系统，风险资本也必须学习产能、良率、折旧、能源和供应链的经济学。接下来最值得跟踪的变量，不只是CapEx总额，而是实际利用率、每MW可计费token收入，以及应用毛利能否覆盖持续上升的折旧与能源成本。若这条现金流链条断裂，今天的瓶颈会迅速变成明天的过剩；若它持续成立，价值将继续流向那些能反复占据新瓶颈、并把器件整合成系统能力的公司。