威刚陈立白谈 AI 泡沫：现阶段言之过早，内存与电力或成未来十年关键瓶颈
据 IT之家 7 月 20 日援引台媒工商时报消息，威刚董事长陈立白近日对 AI 产业热潮作出判断：现阶段讨论“AI 泡沫”仍然过早。他认为，全球 AI 对算力、内存以及电力的需求仍高于市场想象，真正需要讨论泡沫何时发生，可能要等到 2030 年以后。他同时指出，未来十年全球最短缺的两项资源可能是内存和电力，其中绿电尤其关键。
这一判断正值市场对 AI 基础设施投资节奏产生分歧之际。随着云端服务商持续投入数据中心、GPU 集群与 AI 训练/推理基础设施，外界开始担忧算力建设是否快于实际应用落地。有观点将部分云厂商对外出租运算资源视为需求不及预期的信号。不过，陈立白认为，不能仅凭个别资源调配动作就推论 AI 需求转弱，AI 应用的商业化路径仍在持续扩展。
AI 需求是否过热？陈立白认为仍处于扩张早期
来源显示，陈立白的核心观点是：AI 产业目前还没有走到可以简单判定泡沫的阶段。他提出，关于 AI 泡沫究竟会在 2040 年还是 2050 年发生，或许要等 2030 年以后再讨论。这一说法并非否认市场存在投资过热的可能，而是强调从需求端看，AI 算力相关资源的消耗仍在快速放大。
当前 AI 基础设施建设主要集中在大型模型训练、推理服务、智能办公、代码生成、内容生产、企业知识管理等方向。但从产业扩散角度看，AI 还没有完全进入所有商业场景。陈立白认为，未来 AI 应用将进一步进入企业对企业（B2B）、政府市场（B2G）、消费市场（B2C）以及 B2B2C 等多种模式，需求规模可能继续扩大。
对中文科技读者而言，这一判断的重点在于：AI 不只是聊天机器人或大模型应用本身，而是一整套基础设施升级。只要企业、政府和消费者应用继续增加，对底层算力、存储、网络、电力和数据中心的需求就会同步上升。换言之，AI 产业的竞争不仅是模型能力竞争，也会逐渐演变为资源供给能力的竞争。
为什么内存会成为 AI 时代的关键资源
AI 训练和推理并不只依赖 GPU 或专用加速芯片。随着模型参数规模、上下文长度、多模态处理能力和并发推理需求提升，内存与高带宽存储体系的重要性持续上升。威刚作为存储与内存产业链企业，其对供应周期和需求变化的观察，反映了 AI 基础设施对上游零部件的拉动。
来源提到，针对三星电子、SK 海力士及美光扩产的问题，陈立白认为，三大原厂经历过多轮经济周期后，将更倾向于理性、审慎的扩产策略，不太可能重演无序大幅扩产。这意味着，即便 AI 需求强劲，内存供给也未必会迅速、无约束地释放。
从产业逻辑看，如果主要原厂扩产更谨慎，而 AI 数据中心、服务器、终端设备和企业级部署持续消耗内存资源，供需之间就可能长期处于紧平衡状态。对服务器厂商、云服务商和 AI 应用企业来说，内存价格与供货能力可能成为影响部署成本的重要变量。
- 算力扩张：AI 训练与推理需要更多服务器和加速卡，带动高性能内存需求。
- 应用扩散：AI 从云端走向企业、政府和消费场景，将提高整体基础设施消耗。
- 扩产谨慎：主要内存原厂可能更重视周期风险，避免过度扩产。
- 成本传导：若内存持续紧缺，AI 服务、云资源和硬件设备成本都可能受到影响。
影响解读：AI 竞争将从模型走向电力与供应链
陈立白特别提到，未来十年最短缺的资源除了内存，还有电力，尤其是绿电。这个判断与全球 AI 数据中心建设趋势高度相关。大模型训练和推理集群需要长期稳定运行，能耗规模巨大，数据中心选址、供电能力、散热系统和可再生能源配比都会影响 AI 服务的成本与可持续性。
对于产业而言，这意味着 AI 竞争不再只是“谁的模型更强”“谁的 GPU 更多”，还包括谁能获得更稳定的电力、谁能以更低成本建设数据中心、谁能在绿色能源约束下维持扩张。尤其在各国推动低碳转型的背景下，绿电供应可能成为大型 AI 基础设施项目的重要前提。
从资本市场角度看，市场担心云端服务商投资过快并不意外。AI 基础设施建设需要巨额前期投入，而应用收入释放往往有滞后性。短期内，算力出租、资源再分配、部分项目调整都可能被解读为需求波动。但从陈立白的说法看，他更强调中长期需求曲线：AI 商业模式仍在形成，不能用单一阶段的供需错配判断整体行业见顶。
对中国市场和中文读者来说，这一趋势也具有参考意义。无论是国产大模型、AI 云服务，还是智能终端和行业解决方案，最终都绕不开内存、存储、芯片、电力和数据中心等基础资源。如果未来这些资源持续紧张，AI 企业的竞争门槛将进一步提高，产业链上游的重要性也会提升。
从“是否泡沫”到“资源是否够用”
总体来看，陈立白的表态将 AI 产业讨论从“是否已经泡沫化”转向“底层资源是否足够支撑长期扩张”。他认为，在 AI 应用尚未全面渗透 B2B、B2G、B2C 与 B2B2C 场景之前，过早下结论并不合理。
未来几年，AI 行业可能同时出现两种现象：一方面，部分算力投资会因需求节奏、商业回报和竞争压力出现调整；另一方面，内存、电力、数据中心和高端供应链仍可能维持紧张。对于企业用户和开发者而言，除了关注模型能力，也需要关注 AI 服务背后的基础设施成本变化。对于硬件和存储产业链来说，AI 带来的长期需求仍可能是重要增长变量。