模型参数表的背面，是内存、电费和机房用地。一项最新深度调查把这三笔账算到了可核对的量级。
调查针对的是生成式人工智能，也就是ChatGPT、Claude这类能生成文本和其他内容的大模型。调查指出，这类模型的资源需求极为庞大：科技公司可能正在购买全球约70%的高端计算机内存供应，从而造成全球性短缺，并推高内存与存储价格。高端内存是训练和推理时要高速搬数据的那一类，不是普通个人电脑里的入门条。70%是“可能正在购买”的调查判断，不是某一家芯片厂的官方出货份额。
电力已经进入公众账单。数据中心用电激增，使美国公众电费增加约230亿美元，而且调查认为这还只是开始。数据中心是集中摆放服务器的设施，训练和在线推理都要持续供电、持续散热。电费上涨不会只停在科技公司的成本表里，会摊到同一电网里的其他用户。
更陡的是扩张计划：科技公司计划在未来几年内，把美国数据中心总容量扩大8倍。容量扩大意味着芯片、电力、冷却和土地要一起跟上。调查把这种现象称为“工程灾难”——公司追逐模型能力时，基础设施消耗的速度，已经远远超过技术进步带来的效率提升。效率提升指同样能力用更少的电和更少的芯片；如果需求涨得更快，单卡更省电也盖不住总账。
这和硬件升级会形成循环。模型越大，需要的算力越多；算力越多，又能训练更大的模型。内存被买走、电价被抬高、机房计划被放大，是这条循环在供应链上的三处出口。没有调查原文里的公司名单和会计口径，就不能把70%写成某一家的采购合同，也不能把230亿美元写成已经全部到账的罚款。能确认的是方向：算力竞赛之外，能源和供应链正在成为同样硬的上限。
下一份能改写这个判断的材料，不是发布会参数，而是内存交付周期、电价和数据中心实际并网的数字。
对使用生成式模型的企业，接口价格只是售价。约70%的高端内存采购、约230亿美元的公众电费，以及美国数据中心容量计划扩大8倍，说明训练和推理的约束已经落在电网、存储和土地上。单卡更省电，盖不住总量涨得更快。冷却和电力接入，会变成和芯片并列的交付条件。