AI基建卡在電力與融資，資料中心擴張還跑得動嗎

 

Apple在中國推進在地模型，合規與雲端資源同步進場

全球生成式AI競賽正延伸至電力、資料中心與監管能力。Apple(AAPL)為中國市場訓練大型語言模型，並由阿里巴巴(BABA)提供訓練與技術支援，反映中國版Apple Intelligence需要一套在地化的運算架構。

美國主流模型長期缺席中國市場，Apple若要把生成式AI服務放進中國版iPhone，模型訓練、資料處理與內容管理都要符合當地規範。外電報導指出，中國國家互聯網信息辦公室完成相關監管程序後，Apple Intelligence預計在未來幾個月隨iOS更新推出。

選擇阿里巴巴合作，讓Apple得以運用中國既有雲端與資料中心資源，也降低跨境資料與監管程序帶來的阻力。這場競爭同時涵蓋模型能力、雲端算力、資料治理與電力供應，合規能力已成為AI資本支出的一環。

 

Soluna以風電整合資料中心，電力容量快速擴張

AI基礎設施業者Soluna則把焦點放在供電速度。管理層在2026年第二季財報法說會表示，AI時代的主要限制來自電力，以及企業能多快取得可用電力。晶片與資金即使到位，資料中心缺乏穩定供電，算力仍難以轉成營收。

截至2026年第二季，Soluna管理的電力容量為192兆瓦，並預期在2026年夏季增至206兆瓦。Kati 2與Dorothy 3兩座AI園區規劃超過650兆瓦開發容量；可再生能源開發管線年增47%，規模超過6.3吉瓦。

公司同季收購150兆瓦的Briscoe風電場，也取得Project Dorothy 1全部50兆瓦的發電與運算所有權。這些安排顯示Soluna正推進自有綠電與資料中心整合，藉此掌握供電、機房建設與客戶租約之間的時程。

這套模式也採用多重供電來源。Kati園區主要由Las Majadas風電場供電，Dorothy 3則結合Briscoe風電場與電網，可降低單一發電資產故障或併網延遲造成的營運衝擊。

 

營收高速成長仍伴隨虧損與大量融資

Soluna在2026年第二季營收為1,510萬美元，年增145%，顯示新增電力與運算資產已開始貢獻收入。公司同季淨損2,260萬美元，調整後EBITDA虧損160萬美元，獲利結構仍處於重資本投入階段。

公司透過增資與ATM計畫募得約1.59億美元，其中1.135億美元來自ATM，資金用於補充流動性與簡化資本結構，Series B優先股也已清除。營收成長與股權融資同步擴大，代表現階段擴張仍高度依賴外部資本。

Soluna估算，一座100兆瓦AI資料中心園區需要約12億至13億美元資本支出。規劃中的融資結構包含70%至80%專案層級債務，以及20%至30%自有或第三方股權；取得客戶租約後，公司預期可在8至12週內完成融資組合。

這類模式能加快建設速度，也會放大執行與財務風險。租約品質、融資成本與完工時程需要同時配合，只要其中一環延遲，專案報酬與現金流便可能承受壓力。

 

風電維護與德州併網審查形成兩道限制

收購既有再生能源資產，可以縮短取得電力的時間，維護成本也可能提前侵蝕毛利。Briscoe風電場在2026年第二季財務數字中反映約150萬美元渦輪機維護費用，造成約78.7萬美元毛損。

這組數據提醒市場，老舊風電資產接入AI供電鏈前，往往需要補做維修與設備改善。長期穩定輸出仍要由機組可用率、維護費用與實際發電效率共同確認，單看名目兆瓦數容易高估短期供電能力。

監管程序則是另一項變數。德州州長Greg Abbott要求德州公用事業委員會與ERCOT全面稽核排隊等待併網的資料中心，新專案的供電進度可能因此拉長。

Soluna表示自身直接曝險有限，並認為靠近再生能源就地供電的模式符合德州審查方向。管理層對稽核抱持正面態度，但專案能否按期併網，仍需等待監管結果與電網承載能力確認。

 

中國模型快速迭代，運算與用電需求跟著提高

模型端也持續推高基礎設施需求。中國開源權重模型業者Z.ai宣布將升級GLM-5.3，主打程式碼生成，並以排行榜成績和Anthropic旗下模型比較。

依Z.ai公布的測試，GLM-5.3在約5萬個輸出token下取得31.4%，高於Claude Opus 4.8在約12萬個輸出token下的29.5%，但低於Fable 5的39.5%。不同輸出長度與測試設定會影響可比性，因此這些數字較適合用來觀察模型迭代方向。

GLM-5.3延續前一代約7,000億參數的基座模型，顯示中國業者正於既有超大型模型上加快更新。參數規模、訓練頻率與推理使用量同步提高，背後都需要更多資料中心容量與電力投入。

 

AI資本支出開始受到電力、監管與融資共同約束

Apple在中國建立在地模型，處理的是監管、資料與雲端部署；Soluna整合風電與資料中心，處理的是供電與建設速度；Z.ai持續迭代大型模型，則推高訓練及推理需求。三者分處應用、模型與基礎設施環節，各自承擔不同風險。

對S&P 500、那斯達克與費城半導體指數而言，AI投資循環後續能走多遠，會逐漸受到電網容量、資料中心完工速度與融資成本影響。晶片出貨與雲端資本支出仍具參考價值，可用電力正成為新增算力的硬限制。

我會把AI基礎設施拆成四項觀察：電力取得是否穩定、專案能否按期併網、客戶租約能否支撐負債，以及維護成本是否侵蝕獲利。當市場持續把資金集中到少數AI公司，任何供電延誤、監管收緊或融資成本上升，都可能讓營收預期與資本支出回收期重新調整。

AI長期需求仍可延續，產業鏈承擔的資本密度也在提高。模型成長未必等比例轉成股東報酬；電力、負債與專案執行若出現落差，題材集中與估值偏離帶來的波動會更明顯。