Google Cloud 上季度收入超过 200 亿美元，同比增长 63%；积压订单从 2500 亿美元增至 4600 亿美元。

这组数字比任何发布会都诚实。AI 不是没人买，也不是故事讲不动了。问题变成了：客户愿意下单，云厂商能不能交付？芯片够不够，电够不够，数据中心建不建得起来，系统敢不敢让智能体接管？

TechCrunch 在 Milken 全球会议采访了五个站在 AI 供应链不同位置的人：ASML、Google Cloud、Applied Intuition、Perplexity 和 Logical Intelligence。听下来，真正的变化很清楚：AI 增长正在从模型叙事，进入基础设施、能源、治理和国家控制权结算。

硬约束已经摆上桌

这五家公司不能简单写成“行业共识”。它们都有自己的商业位置，也都有自己的利益算盘。

但也正因为位置不同，它们说出的瓶颈更有参考价值。不是同一个角度的重复，而是同一堵墙的不同侧面。

角色说出的硬约束最直接影响
ASML未来 2 到 5 年芯片市场仍可能供给受限，EUV 是先进芯片核心瓶颈云厂商有钱，也未必拿得到足够先进芯片
Google Cloud收入高增，积压订单从 2500 亿美元增至 4600 亿美元需求真实，但算力和数据中心交付吃紧
Google Cloud正认真探索太空数据中心能源可能更充足，但散热和工程效率仍是硬问题
Applied Intuition物理 AI 缺真实世界数据，仿真不能完全替代现实自动驾驶、无人设备、国防系统训练更慢、更贵
Perplexity搜索走向数字员工，需要细颗粒权限和审批企业采用智能体前，会先卡安全和责任边界
Logical IntelligenceEBMs 挑战主流 LLM 架构这仍是早期路线，只能说明行业在重新质疑“只靠规模”

ASML CEO Christophe Fouquet 的判断最硬：未来两三年，甚至五年，市场都可能受芯片供给限制。先进芯片绕不开 EUV 光刻机，而 ASML 几乎是这个环节的唯一入口。

这句话对云厂商很不友好。钱不是万能的。订单、融资、客户需求都能很快堆起来，EUV 产能和先进制程供应链却不能按周扩容。

Google Cloud COO Francis deSouza 给的是需求侧证据。收入和订单都在涨，说明企业客户不是只在试用 AI。可积压订单暴涨，也说明交付压力正在变成真问题。

对企业采购者来说，动作会变得更保守：大单不会马上消失，但会更看重交付周期、算力保障、成本锁定和服务等级。对开发团队来说，也该少押注“无限便宜算力”。模型调用成本、延迟和配额，都会重新影响产品设计。

竞争变量正在下沉

我更在意的不是谁又发了一个更大的模型，而是谁能把底层账算平。

Google 的说法很直白：从 TPU、模型到智能体一起设计，才能换来更好的每瓦算力。翻译成人话，就是 AI 竞争正在从参数表往下沉。芯片、系统、能耗、软件协同，开始比宣传页更要命。

买现成零件拼装，短期能跑。长期很难省。

这有点像铁路早期。不完全一样，但结构相似。最后赢的不只是会造火车头的人，还有控制钢轨、煤炭、调度和土地的人。今天的模型像车头，EUV、电网、数据中心和供应链才是轨道。

“天下熙熙，皆为利来。”这句老话放在这里很合适。云厂商、芯片公司、AI 应用公司都在讲效率和智能，背后其实是同一笔账：谁能用更低成本交付更多可用智能，谁才有长期筹码。

Google 探索太空数据中心，也要放在这个账本里看。轨道上太阳能更充足，听起来很诱人。但太空是真空，散热不能靠空气对流，主要靠辐射。能源不是唯一变量，散热、维护、发射成本和系统可靠性都要结算。

所以它是严肃探索，不是已经落地的捷径。把太空数据中心吹成答案，太早了。

中国也被放进了这个框架。Fouquet 承认中国在模型上层进展很快，DeepSeek 曾让行业紧张；但他也强调，缺少 EUV 会限制最先进芯片制造。

这就是 AI 竞争最冷的一面。软件可以聪明，硬件短板会复利式放大。模型能绕路，供应链不太讲情面。

接下来最该观察三件事：先进芯片供给有没有缓解，云厂商积压订单能不能转成交付，单位算力能耗有没有实质下降。只看模型榜单，会漏掉真正的战场。

智能体和物理 AI，把风险带进现实

Perplexity 把搜索推向“数字员工”。这个方向很有吸引力：一个知识工作者，像是带着一组随叫随到的助手。

但企业真正怕的不是它不会干活，而是它乱动系统。

所以 Perplexity 强调权限颗粒度：哪些连接器能访问，读还是写，执行前是否给计划，是否需要批准。这些细节不性感，却是企业信任的底线。

智能体一旦能替人操作系统，安全就不是附加功能。安全就是产品本体。

这会直接影响企业 AI 落地节奏。采购部门不会只问“效果好不好”，还会问：谁授权，谁审批，谁追责，谁能回滚。没有这套机制，智能体越强，企业越不敢放权。

Applied Intuition 讲的物理 AI 更麻烦。车、卡车、无人机、矿山设备、农业机器，不是在网页里犯错。它们要在现实里转弯、刹车、采矿、运输。

真实世界数据无法完全靠仿真替代。仿真能降低成本，也能覆盖危险场景，但现实世界的长尾问题仍然会回来收账。

主权问题也跟着来了。很多国家未必愿意让别国控制的智能机器，在本国道路、矿山、农田和防务场景里运行。数字服务可以先扩张再被监管，物理 AI 一上路，政府很难装作没看见。

就业也不能偷懒地写成“取代”或“创造”。知识工作的入口岗位会被挤压，这是更近的压力。农业、矿业、长途运输等领域，本来就有长期劳动力缺口，物理 AI 在这些场景更像填空，不是简单抢座。

这对两类人最具体。

企业管理者要少看演示，多看权限、审计、回滚和责任链。开发团队要把真实数据、合规边界和失败处理提前放进路线图，别等产品进了现场才补课。

AI 的热闹没有结束。只是门槛露出来了。

开头那组积压订单，就是最好的注脚。需求还在狂奔，路面开始变窄。谁能继续跑，不看谁嗓门大，看谁有芯片、有电、有数据，也有胆量把控制权设计清楚。