2026-09-16，Sihao Huang 自己發帖：加入 Anthropic，職銜 Head of Frontier Compute Strategy，跟聯合創辦人 Tom Brown 搭檔。三件事寫得很白——擴建基礎設施、組產業聯盟、為 AI 往上衝時把算力提前規劃好。Anthropic 沒另發官方稿。 人不是空降的政策顧問。廣州出生，新加坡長大，後來到紐約。進 MIT 之前先辦過 Aphelion Orbitals，做納衛星和自燃推進劑火箭發動機；十幾歲就進過美國國防部和 FAA 的場子。MIT 2022 物理加電子雙學位，副修政治，做過超導量子處理器，又把統計物理拿去看選舉極化，還辦了學校第一份本科政治刊物 MIT Political Review。 之後兩條獎學金：清華 Schwarzman、牛津 Marshall。RAND 做技術與安全政策，參加 Kissinger Dialogues，看中美和半導體。牛津政治學 DPhil 讀到一半，為了進政府放棄。下一站是白宮 OSTP，AI 與新興技術資深政策顧問，帶 AI 團隊，國安、科學政策、半導體在同一張桌上。2025-11-26 聯邦公報上，OSTP 那份《加速美國科學事業》徵求意見，聯絡人就是他。 他自己的原話是想離那項會反過來塑造重大政策選擇的技術更近一點。所以落點不在政府關係部，在把算力建出來的那條線：電、土地、電網、許可、晶片、多雲多晶片拼法。Anthropic 這邊已經不是純租雲——Trainium、TPU、GPU 並行，還買過 SpaceX Colossus 容量；同日披露的澳洲園區規劃 2.16 GW。 Dario 前兩天剛寫完 *We Must Pace the Frontier*：安全要跟上，對中領先也要靠晶片管制和工業產能。這兩件事要同時成立，得有人既懂華盛頓怎麼開門，也懂 GW 怎麼落地。 下一個瓶頸如果已經是電和出口許可，職銜就不會再叫再買一批 GPU。

刚刚，SpaceX CFO 在高盛论坛上扔出了几个非常夸张的数字 $SPCX ： • 刚签下一笔新的 AI hosting 合同：$1.11B/月 • 相当于新增约 $13B ARR • 对今年底 $100B ARR 的目标“更有信心” • 明年计划部署 5–10GW 算力 • 与 NVIDIA 是 exclusive relationship 但我觉得最重要的是后面这句话： AI下一阶段真正的瓶颈，可能已经不是芯片，而是电。 CFO说，他们现在敢给出5–10GW的数字，是因为已经能够看到电力、设施和许可。 然后逻辑自然就接到了 SpaceX 最近一直在讲的东西： Orbital Compute。 如果地面的AI数据中心最终卡在电力、冷却和审批，而SpaceX真的能把算力搬上轨道—— 那市场现在给SpaceX估值时，可能根本还没有决定： 它到底是一家火箭公司、卫星互联网公司， 还是未来全球最大的AI基础设施公司之一。 这段值得完整听一下👇字幕已经给各位安排好了

马斯克：$SPCX 最容易被低估的新业务，可能已经不是火箭，而是AI算力租赁 SpaceX这个月开始发生一件非常重要的事情： Google每月约9.2亿美元的AI算力合同，正式进入履约期。 每个月9.2亿美元。 连续32个月。 如果按照完整合同周期计算，总金额接近： 290亿美元。 而这还只是Google。 Anthropic与SpaceX另外一份算力安排的规模更夸张： 每月约12.5亿美元。 这意味着市场过去习惯把SpaceX理解成： 火箭 Starlink 卫星通信 但现在SpaceX正在悄悄增加第四条业务： AI Compute——AI算力。 而且这条业务开始出现几十亿美元、甚至数百亿美元级别的合同。 为什么SpaceX会突然进入AI算力？ 原因其实非常简单。 AI时代真正稀缺的东西越来越不是单纯GPU。 而是： GPU 电力 土地 数据中心 高速网络 冷却系统 资本 任何一个环节缺失，GPU都无法真正变成可销售的Token。 SpaceX现在正在做的，就是把这些东西全部组合起来。 更关键的是马斯克最新透露的技术方向。 他表示，SpaceX与 $NVDA 正在进行非常紧密的联合设计，希望让自己的NVIDIA VR72系统维持接近： 250kW平均功率。 行业人士认为，这可能比很多第三方VR72系统通常报告的水平高出约10%—25%。 为什么这件事重要？ 因为AI数据中心最后竞争的并不是： “谁买了最多GPU。” 而是： 谁能让GPU长期保持最高利用率。 GPU如果因为： 供电 散热 网络 冷却 无法满负荷运行，那么账面上的GPU数量并没有意义。 所以SpaceX现在正在构建的护城河，越来越有意思。 它有： 自己的能源基础设施经验； 自己的大型数据中心； 自己的网络能力； 自己的xAI需求； 与NVIDIA共同优化硬件的能力； 同时又有Google、Anthropic这样的外部客户。 这意味着SpaceX既可以： 自己消耗算力， 也可以： 把算力卖给别人。 而这实际上可能改变SpaceX的商业模式。 火箭业务有一个天然问题： 每一次收入都需要一次发射。 Starlink虽然拥有Recurring Revenue（经常性收入），但仍然需要不断增加用户。 AI算力租赁则更加接近： 基础设施租赁。 客户签订合同。 SpaceX提供GPU容量。 然后每个月收钱。 如果利用率足够高，这类收入的可预测性可能远远高于传统发射业务。 这也是为什么我认为Google这份每月9.2亿美元合同特别值得关注。 它不是一张未来订单。 合同从2026年10月开始。 也就是说，从现在开始，这部分收入理论上已经开始进入SpaceX的经营数字。 如果Google合同按照完整周期运行： 约290亿美元。 如果Anthropic合同也持续： 规模同样达到数百亿美元。 再加上其他客户，SpaceX的AI收入有可能在很短时间内成长成一个足以单独估值的大型业务。 而这里还有更加疯狂的第二层逻辑。 SpaceX这星期同时完成多次发射，其中一个载荷涉及Google的Project Suncatcher。 Google正在测试： AI计算能不能搬到太空。 这就把SpaceX地面的AI算力业务，与未来轨道数据中心连接起来了。 今天： 地面GPU租赁。 未来： Orbital AI Compute——轨道AI算力。 如果Starship最终做到大规模低成本运载，那么SpaceX拥有其他AI公司几乎不可能复制的能力： 自己制造火箭 自己发射 自己制造卫星 自己建设网络 自己部署AI硬件 到那个时候，SpaceX真正的竞争对手可能已经不只是： ULA Blue Origin 卫星运营商 而会开始部分进入： $AMZN AWS $MSFT Azure $GOOGL Cloud 所在的算力基础设施市场。 当然，现在AI算力业务仍然非常烧钱。 大型GPU集群需要巨额CapEx，而且合同本身也存在终止条款。 所以不能简单把合同总金额全部当成确定收入。 但方向已经越来越清楚： SpaceX正在从一家航天公司，变成“航天 + 通信 + AI基础设施”公司。 这也是为什么我认为市场接下来给 $SPCX 估值时，不能只看： Starlink用户数和发射次数。 真正应该开始追踪的是： AI Compute Revenue。 如果未来几年AI算力真的成为SpaceX第二甚至第一大利润来源，那么今天市场对SpaceX的理解，可能才刚刚开始。

2008年，SpaceX 终于第一次把火箭送进轨道。 之后不到3个月，NASA就给了马斯克一份16亿美元的合同，要SpaceX为国际空间站执行12次补给任务。 可真正要执行这些任务的Falcon 9火箭和Dragon飞船，当时一次都没有飞过。 NASA为什么敢把这么重要的任务提前交给SpaceX？ NASA其实早在2006年就已经开始支持SpaceX。 那一年，Falcon 1第一次发射失败，NASA却还是从一批竞争者中选中了SpaceX，准备提供2.78亿美元，帮助它开发未来向国际空间站运送货物的能力。 当时NASA看中的，是SpaceX提出的整套运输方案。 公司计划用正在开发的Falcon 9和Dragon完成国际空间站货运，在最终候选公司中，SpaceX的技术方案，资金状况和商业计划都表现突出，NASA最终决定让它继续往下做。 这笔钱不是一次全部支付，NASA把开发过程拆成多个里程碑，SpaceX完成一个，NASA验收一个，再支付对应的钱。 对NASA来说，这样可以控制风险，对SpaceX来说，只要不断完成下一步，资金和任务就会继续往前走。 到了2008年，美国航天飞机已经确定将在2011年退役，NASA需要尽快找到新的国际空间站补给方案。 如果等私人飞船全部验证完再开始采购，国际空间站可能出现27到30个月的补给缺口，于是NASA在2008年4月提前启动正式补给合同招标。 这时候SpaceX甚至还没有成功进入过一次轨道。 4个月后，Falcon 1第三次发射再次失败，直到9月，第四次发射终于成功，SpaceX第一次把私人开发的液体燃料火箭送入地球轨道。 这次成功让SpaceX终于有资格证明，自己不只是能造火箭，还可能真的承担NASA的正式任务。 随后几家公司的竞标结果出来，SpaceX的任务方案得分最高，报价最低，NASA同时还选择了Orbital Sciences，避免把国际空间站的全部补给压在一家公司身上。 2008年12月23日，NASA正式和SpaceX签约，SpaceX获得12次国际空间站补给任务，合同总额约16亿美元，付款同样按照任务进度逐步进行。 2012年5月，Dragon第一次抵达国际空间站，同年10月，SpaceX正式执行这份合同里的第一次补给任务，并顺利完成了货物运输和返回。 此后NASA继续把国际空间站补给任务交给SpaceX，到2025年，SpaceX已经完成第32次NASA商业补给任务。 这段合作后来也从运货走到了载人。 2020年，SpaceX开始用Crew Dragon替NASA把宇航员送往国际空间站，美国也重新恢复了从本土发射宇航员的能力。 那份16亿美元的合同拯救了SpaceX，而SpaceX则用后来的每一次发射，把NASA当时提前给出的信任一点点兑现了。

Elon Musk 最近和 SpaceX 团队坐下来，讲了一套非常疯狂的路线图： 如何把人类推进到 Kardashev Type 2 civilization 核心不是单纯去火星 而是把火箭、卫星、AI 数据中心、芯片制造、月球工业和深空能源串成一张网 他提到，人类现在使用的太阳能量，还不到太阳总输出的一万亿分之一 在 Kardashev scale 上，我们几乎还没有真正“注册” 所以 SpaceX 的目标，不只是发射更多火箭 而是大幅提高人类能调用的能源和算力规模 Starship 是这套系统的起点 Musk 的逻辑很简单： 汽车、飞机、船、自行车，大家都默认可以重复使用 但火箭过去一直是一次性消耗品 如果飞机每飞一次就要扔掉，几乎没人坐得起飞机 所以 fully reusable rocket 是关键 SpaceX 现在已经承担了地球轨道发射质量的 85–90% 但这还不是 Starship 真正开始后的状态 他们内部目标是： 从每年 2,500 吨入轨，提升到每年 100 万吨 大概 3 年内做到 然后是 AI 数据中心上天 按 Musk 的说法，SpaceX 目标是在明年年底前，把 1GW AI compute 放到轨道上 之后每年 10x： 2.5 年到 10GW 3.5 年到 100GW 最后到 terawatt 级别 AI satellite 的结构反而没那么复杂： solar panels radiator 一排 GPUs 最难的部分，Starlink 已经解决过了 现在只是把它做大 很多人以为 orbital compute 会有很高延迟 但他提到，从轨道到地面的 latency 大约是 3ms light 每毫秒大约走 300km 所以低轨算力并不一定离你很远 再往后，就是 terafab Musk 提到的规模是 100 million square feet 大约是 Tesla Gigafactory Texas 的 10 倍 因为如果未来要做到 terawatt 级 AI compute，现有全球芯片产业的产能级别可能不够 所以他们选择自己做 但要超过 terawatt，就要去月球 没有大气 地球六分之一重力。 可以用月球材料制造 solar panels 和 radiators 然后用 electromagnetic rail gun，也就是 mass driver，把 AI satellites 发射到 deep space 不需要火箭 这也是他路线图里的下一步 如果月球上已经有足够大规模的工业和发射能力，那普通人去月球也会变得更现实 Musk 原话是： “我认为每个人都应该至少去一次月球。” 整套方案听起来很科幻 但它的底层逻辑其实很一致： fully reusable rocket → 发射成本下降 → 大规模卫星网络 → 轨道 AI 数据中心 → 太空能源和通信 → terafab 制造能力 → 月球工业 → deep space infrastructure 很多人看 SpaceX，看到的是火箭公司 但 Musk 讲的更像是一套面向 Type 2 civilization 的基础设施系统 SpaceX 最终会被理解成一家航天公司，还是人类进入太空能源和太空算力时代的基础设施公司？

FEL：马斯克重新定义 EUV并开启太空芯片制造 马斯克最近一句“FEL FTW”，让 Free-Electron Laser（自由电子激光器，FEL）重新进入半导体行业视野。 市场很容易把这件事理解成“马斯克要造自己的 ASML”，但这可能并不是最准确的框架。 FEL 首先不是一种全新的光刻原理，而是一种新的 EUV 光源。如果这条路线最终进入 Terafab，它真正挑战的可能不是整台 ASML EUV scanner，而是过去二十多年 EUV 产业形成的一个基本架构：每台 scanner 配备自己的 LPP 光源。 FEL 更激进的可能性，是把 EUV 光源从 machine-level component 变成 fab-level infrastructure。 1、从锡滴到电子束 今天 ASML EUV 的核心波长是 13.5 nm。产生这种光的方法非常复杂：高功率激光每秒数万次击中高速飞行的微小锡滴，把锡瞬间变成高温等离子体，再从等离子体辐射中收集 13.5 nm EUV。这就是 LPP，Laser Produced Plasma。这里有巨大的工程问题：锡滴变成超高温 plasma然后才能产生 EUV。 但过程中必须处理：锡碎屑、collector污染、hydrogen plasma、镜面寿命、清洁、热负荷…… 这本身就是 ASML/Cymer 二十多年积累起来的一座巨大技术壁垒。ASML甚至长期与大学研究团队合作解决氢等离子体环境、锡清洁和组件寿命问题。 FEL 完全不同。电子枪产生电子束，加速器把电子加速到接近光速，再让电子穿过周期性磁场组成的 undulator。电子不断摆动并逐渐形成 microbunching，最终产生高度相干的电磁辐射。通过设计电子能量和 undulator，可以直接产生 13.5 nm EUV。 所以两条路线解决的是同一个问题：怎样大量、稳定地产生 13.5 nm 光子。LPP 的答案是“激光+锡等离子体”；FEL 的答案是“相对论电子束+加速器”并以此绕过锡等离子体的巨大工程技术壁垒，并还能增加EUV photon throughput。 2、FEL 最大的赌注是功率 EUV 光源功率直接影响曝光速度、光刻胶剂量和 scanner throughput。LPP 已经从早期几瓦一路发展到数百瓦，并正在向千瓦级推进。但继续提高功率越来越困难。更多激光能量意味着更极端的锡等离子体、更大的 collector 热负荷、更严重的污染和更复杂的系统可靠性问题。 FEL 的长期诱惑在于数千瓦甚至 10 kW 级 EUV。公开的 FEL-EUV 研究已经讨论过这种量级。这里必须区分“理论/工程设计目标”和“半导体量产能力”：今天并不存在一台 10 kW FEL 在先进晶圆厂里稳定量产芯片。但如果这种光源最终实现，它提供的就不只是“比 LPP 多一点光”，而可能是一个数量级不同的技术路线。 FEL 的优势也不仅是功率。它可以提供高度相干、窄频谱、可控偏振的辐射，没有 LPP 那套锡滴、锡碎屑和等离子体污染问题。某些偏振模式甚至可能改善极小尺寸图形的成像对比度和 process window。换句话说，FEL 不只是更大的灯泡，而可能是一台更强、更干净、更可控的 EUV photon engine。 代价也非常明显：它把“锡滴地狱”换成了“粒子加速器地狱”。 电子枪、RF、加速腔、磁铁、undulator、超高真空、beam control、energy recovery、冷却和控制系统，每一项都可以成为新的工程瓶颈。今天 LPP 最大的优势不是物理原理漂亮，而是已经经过数十亿小时级别的产业学习和大规模晶圆生产验证。FEL 最大的问题也不是能不能产生 EUV——答案早已是能——而是能不能把一个粒子加速器变成 semiconductor-grade manufacturing infrastructure。 3、Terafab 改变了 FEL 的经济学 如果目标是制造一台设备卖给 TSMC，FEL 的体积和复杂度是巨大劣势。但如果目标从“造一台光刻机”变成“从零设计一座超大型 AI 晶圆厂”，问题就完全不同。 传统架构大致是： Scanner A + LPP A Scanner B + LPP B Scanner C + LPP C Scanner D + LPP D FEL 更激进的架构可能是： 10 kW Central FEL → EUV Beam Distribution → Scanner A / B / C / D / E…… 这意味着不再试图把一个粒子加速器塞进光刻机，而是直接把整个晶圆厂建在粒子加速器周围。FEL 从一台机器的 component，变成整个 fab 的 utility，类似电力、超纯水和中央气体供应系统。 这可能正是 Terafab 与 FEL 结合最有想象力的地方。巨大的 accelerator 不再是单台 scanner 必须承担的固定成本，而可以由十台甚至更多 scanner 分摊。一套价值数亿美元甚至更高的 FEL，如果能够稳定向大量 scanner 提供数千瓦 EUV，其单位曝光成本可能完全不同。 4、长期看，FEL 甚至比传统光刻机更适合成为“太空半导体工厂” FEL 本身具有几个天然适合太空的特征。首先是高真空。电子束和 EUV 本来就需要真空环境，太空至少在外部环境上与这套系统高度兼容。其次是规模。地面建设一公里级 accelerator 意味着土地、建筑、隧道、地基和振动隔离；轨道大型结构如果未来能够低成本模块化部署，“很长”本身未必是最致命的问题。第三是机械环境。太空不存在传统地震和地面振动， 因此轨道 FEL 比轨道先进晶圆厂更容易想象。当低成本重型运输、机器人自主建设维修和高度自主 AI fab 同时成熟以后，“Orbital FEL Terafab”更可能从科幻式工程概念变成真正可以计算 ROI 的工业方案。 5、RSI 是 FEL 最值得关注的变量 这可能是整件事情最重要、也可能是最终让马斯克下定决心的因素。 AI 对成熟 LPP 和 FEL 都有帮助，但边际价值可能非常不同。LPP 已经经历二十多年极端工程优化。剩余问题越来越集中于 collector 寿命、热负荷、锡污染、材料耐久性、光刻胶和精密制造。这些问题 AI 可以帮助优化，但越来越受到现实材料和制造能力限制。 FEL 仍然拥有巨大的未搜索设计空间。Electron gun、beam energy、emittance、RF phase、bunch compression、magnetic optics、undulator geometry、energy recovery、beam distribution 和反馈控制形成一个极其复杂的高维系统，而且其中相当大一部分可以通过 Maxwell equations、particle dynamics 和 accelerator physics 在计算机里模拟。 这恰好是科研 AI 最容易产生巨大杠杆的领域。 过去是工程师提出一个方案，跑 simulation，修改参数，制造 prototype，再测试。未来可能是 AI 生成十万种 architecture，用 surrogate model 初筛，再通过高精度 physics simulation 搜索 Pareto frontier，最后只制造最有希望的几十种设计。 AI 的价值还不仅在设计。FEL 最大的工业问题之一是稳定性：RF phase、beam energy、magnet current、temperature 和 beam position 的微小漂移都可能最终变成 wafer 上的 CD variation。FEL 本质上也是一个巨大的实时高维控制系统，而这正是 advanced AI control 最可能发挥作用的地方。 能力不断增强的ai，会让FEL开发建设循环变成： AI 设计 FEL Gen 1 → 制造 → 自动采集 beam/wafer 数据 → AI 找到 simulation-to-reality gap → 修改 accelerator、undulator 和 control → FEL Gen 2 → 更多数据 → FEL Gen 3。 这也解释了为什么 FEL 在 RSI 时代可能比过去任何时候都值得重新评估。没有 AI，挑战拥有二十多年工业学习曲线的 LPP 是一个极其困难的命题。有了越来越强的科研 AI，FEL 大量尚未解决的问题恰恰属于 AI 最容易压缩的“simulation + search + optimization + control”空间。 因此，马斯克看好FEL，其底层的最重要的逻辑其实是： 当 AI 芯片需求扩大一个数量级、科研 AI 开始参与硬件设计、晶圆厂走向 Terafab 规模以后，FEL架构，相比今天以独立 scanner + 独立 LPP source 为核心的 EUV 架构，更可能会是最优解！