第一部分：能源与液冷——微软的“环保牌”背后是真实焦虑
当前微软在数据中心扩张过程中面临的最大挑战，不是芯片，不是服务器，而是能源和液冷。这听起来有点反直觉，毕竟我们天天听到的是英伟达一卡难求、H100排队到明年。但微软这位高管明确指出，真正的瓶颈已经从算力转向基础设施——尤其是电力供应和热管理。
为了缓解地方政府对其高能耗项目的抵触情绪，微软正在采取一种极具战略意义的“双赢”举措：在新建的数据中心附近同步建设污水处理设施。这个动作不只是环保公关，而是实实在在的利益捆绑。一方面，这些设施能处理数据中心运行过程中产生的冷却废水；另一方面，它也能为周边社区提供公共污水处理能力，提升市政基础设施水平。这种操作让地方政府从“监管者”变成“合作者”，极大加速了项目审批和土地获取流程。
但这种模式无法复制到所有地区。液冷对水资源的依赖极高，而全球许多潜在数据中心选址恰恰处于水资源紧张地带。高管坦言，即便微软有足够的资本和政策影响力，水的问题也无法靠钱简单解决。这也解释了为什么微软对前比特币矿场的转型兴趣浓厚——这些矿场往往建在电价低廉但偏远的地区，然而它们过去采用的是风冷，根本没预留液冷所需的水循环系统。改造成本极高，甚至可能超过新建。
所以，液冷不是技术问题，而是系统工程+地缘资源问题。微软正在用“环保基建”换取地方政府支持，但这条路能走多远，取决于每一寸土地的水资源承载力。
第二部分：芯片战局——H100仍是主力，GB200加速上量，AMD迎来窗口期
在芯片部署层面，微软高管透露了一个关键事实：虽然媒体都在吹GB200，但H100仍然是微软当前最大的GPU资源池。这并不意外——H100经过一年多的实际部署验证，生态成熟、稳定性高、调度工具链完善，是大规模AI训练和推理的“压舱石”。
不过，GB200的部署正在快速爬坡。微软近期确实接收并部署了大量NVIDIA GB200超级芯片系统，但数量仍不及Meta或X（原Twitter）激进。初期GB200在供电、散热、机架布局上确实存在设计挑战，比如单机柜功耗突破100kW，对液冷回路压力极大。但这些问题正在被逐步攻克，现在客户对GB200的接受度显著提升，尤其是那些需要超大规模推理集群的企业。
更值得关注的是AMD的动向。高管明确表示，微软正在加速推动AMD GPU的落地。他们甚至专门开发了一套工具包，帮助客户将原本基于CUDA的模型迁移到AMD的ROCm平台，从而在MI300X上运行。这不是简单的兼容层，而是深度优化的转换框架，能保留大部分性能。
目前，微软已收到大量关于AMD下一代MI400X和MI450X的咨询。内部已与AMD展开紧密合作，目标是“最大化AMD在Azure AI中的价值”。这句话分量极重——这意味着微软不再只是把AMD当作备胎，而是在认真构建多供应商战略，以降低对NVIDIA的过度依赖。
考虑到NVIDIA的定价权和交货周期，微软此举既是成本考量，也是供应链安全布局。未来两年，AMD在Azure中的份额有望从个位数跃升至两位数，尤其是在推理场景。
第三部分：训练退潮、推理崛起——成本压力倒逼架构重构
另一个重大趋势是：训练需求正在放缓，而推理需求爆炸式增长。过去几个月，几乎所有客户都在问同一个问题：“如何降低推理成本？”
这背后是商业模式的转变。大模型训练是一次性巨额投入，但推理是持续性的运营支出。随着模型进入应用阶段，企业不再追求“更大参数”，而是追求“更高效服务”。微软为此推出了多项推理优化技术，包括模型量化、动态批处理、缓存复用，以及前述的AMD迁移工具。
有意思的是，这种转变也影响了芯片采购策略。H100虽然训练能力强，但在推理能效比上未必最优。而像MI300X这样专为推理优化的架构，反而在单位美元的token输出上更具优势。这正是微软力推AMD的原因之一——不是性能最强，而是性价比最高。
高管还提到，他们观察到客户开始采用“混合推理架构”：关键任务用H100保证低延迟，普通任务用AMD或定制ASIC分摊负载。这种分层调度策略，将成为未来AI基础设施的标配。
第四部分：OpenAI的财务迷局——合作仍在，但信任已变
关于OpenAI，微软高管的态度相当微妙。他否认了“微软已抛弃OpenAI”的传言，但话锋一转，指出OpenAI正在积极与其他云厂商接触，试图获取更多算力资源。
“他们还在大量烧钱，”他说，“但有趣的是，他们的现金流状况其实在逐月改善。”这句话看似矛盾，实则揭示了OpenAI的财务策略：通过API收入和企业合作，逐步覆盖部分运营成本，从而延长跑道。然而，高管质疑这种模式的长期可持续性——当训练成本动辄数亿美元，而API单价被压到极致，盈利模型依然模糊。
微软与OpenAI的独家合作关系正在松动。虽然Azure仍是OpenAI的主要算力来源，但OpenAI的多云策略意味着微软不再拥有绝对控制权。这对微软既是风险，也是机会：一方面可能失去技术主导权，另一方面也能借机推广自己的推理平台和工具链给更广泛的客户。
第五部分：算力过剩？别急，真正的拐点在2029年
市场最近流行“AI数据中心将严重过剩”的说法，但这位微软高管直接泼了冷水。他认为，当前根本不存在“过度建设”，因为从土地审批、电力接入、液冷部署到芯片交付，整个链条周期长达2-3年。
“你现在看到的扩张，其实是2023年甚至更早就规划好的。”他说，“真正的供给过剩拐点，按我们的模型推演，要到2029或2030年才会出现。”
这意味着未来五年，算力依然稀缺。尤其是支持液冷、高密度部署的高端数据中心，产能极其有限。微软、谷歌、亚马逊都在抢夺这类资源，导致地价、电价、水权价格持续上涨。
这也解释了为什么微软愿意和前比特币矿场合作——不是看中他们的硬件，而是看中他们已获批的电力容量和土地资源。只要能解决液冷改造问题，这些“废矿”就是黄金资产。
第六部分：HDD短缺真相——被忽视的存储危机
最让人意外的爆料是HDD（机械硬盘）短缺。高管解释，几年前，由于SSD价格下降和性能提升，希捷、西部数据、东芝、三星等厂商大幅削减HDD产能，转而押注SSD和超高性能存储。
但AI时代对冷数据存储的需求反而激增。训练数据集动辄EB级别，全用SSD成本无法承受，HDD仍是性价比之王。如今需求反弹，但产能恢复需要时间。
微软作为Azure的运营方，自然成为HDD的大买家。但他们设定了明确的价格上限，拒绝接受厂商借机涨价。“我们正在和所有供应商谈判，”他说，“产能确实在恢复，预计2026年上半年供需会趋于平衡。”
值得注意的是，微软并非被动接受。他们正在推动“分层存储”架构：热数据用SSD，温数据用QLC NAND，冷数据用高密度HDD（如22TB+氦气盘）。同时优化数据生命周期管理，减少冗余副本，从软件层面缓解硬件压力。
结语：AI基础设施已进入“系统战争”时代
这场访谈揭示了一个残酷现实：AI的竞争早已超越算法和模型，进入基础设施的深水区。能源、水、芯片、存储、散热——每一个环节都可能成为瓶颈。
微软的策略清晰而务实：用环保基建换政策支持，用多供应商策略保供应链安全，用工具链降低迁移成本，用分层架构优化总拥有成本。
而对投资者而言，真正的机会不在“谁家芯片最强”，而在“谁能搞定液冷+电力+水”的三位一体。NVIDIA固然耀眼，但液冷厂商、高压变压器制造商、水务工程公司，或许才是下一波隐形冠军。