2026年6月23日，在軟銀年度股東大會上，孫正義直接給伊隆·馬斯克的「百萬衛星軌道數據中心」計劃潑了一盆冷水。面對股東關於軟銀是否會效仿該計劃的提問，孫正義明確予以否定。他指出，電力支出僅佔數據中心運營成本極小部分，而搬遷至太空將帶來高昂火箭運輸費用、維護困難及通訊延遲等現實障礙。他強調，未來幾年的AI競爭格局遠比十年後更為關鍵，AI的決戰注定只能在陸地。

太空數據中心究竟是擺脫地球資源束縛的終極解法，還是違背工程常識的概念炒作，可以通過算力成本結構與物理鐵律的三組硬核數據對比來驗證。

71%折舊與9%電費：太空算力的成本倒掛

馬斯克提出太空數據中心的核心前提之一，是利用太空中無限的太陽能，從而省下地球數據中心高昂的電費。但在真實的AI算力商業模型面前，這個邏輯建立在一個脆弱的錯覺之上。

在AI大模型的算力時代，數據中心的總擁有成本（TCO）結構已經發生了根本性重塑。根據SemiAnalysis對Meta 2.4萬卡H100集群的拆解分析，AI數據中心的TCO中，硬體折舊佔據了絕對大頭，比例高達約71%。這包括了GPU、InfiniBand網路交換機、光模組等核心IT硬體的資本支出。由於AI硬體迭代極快，通常3到5年就會面臨淘汰，這部分折舊是算力基建最大的成本黑洞。

相比之下，被視作運營重頭的電力成本，雖然在現金運營支出中佔據較大份額，但在整體TCO中僅佔約9%。

為了省下佔總成本不到一成的電費，去承擔每公斤數千美元的火箭發射費用，在商業上是徹頭徹尾的倒掛。目前SpaceX獵鷹9號火箭至近地軌道的發射成本約為每公斤2720至4000美元。一個中型AI訓練集群的硬體重量動輒數百噸，將其送入太空的發射成本將是數百億美元的量級。

太空中充斥著高能宇宙射線和太陽粒子，會導致半導體發生單事件翻轉，破壞數據完整性。為了抵抗輻射，要麼採用極其昂貴且性能落後的抗輻射晶片，要麼增加厚重的物理屏蔽層。無論哪種選擇，都會導致硬體成本激增和性能下降，進一步加速那71%的折舊成本。

企業採購和產業投資者關心的不是十年後能否在太空建成烏托邦，而是當前每一分錢的投入產出比。用巨大的資本支出懲罰去換取微薄的運營成本節省，在商業上無法閉環。

100噸散熱器與10噸硬體：真空環境的散熱懲罰

地球上的AI基礎設施確實面臨嚴重的物理資源限制，尤其是散熱和水資源短缺。將數據中心搬到零下270度的深冷太空，看似是解決散熱的完美方案，但這恰恰違背了最基礎的熱力學常識。

太空環境的背景溫度極低，但高真空狀態意味著沒有空氣對流，也沒有熱傳導介質。在這個環境中，廢熱只能通過紅外輻射的方式散發，這是一個效率極低的傳熱過程。

根據世界經濟論壇的工程測算，1兆瓦規模的軌道數據中心，需要配備約1600平方米的輻射散熱板，面積相當於三個標準曲棍球場。參考國際太空站現有的散熱系統架構，支撐1兆瓦算力的輻射散熱器及其管路系統，重量可能高達100噸。而同等算力的計算硬體本身，重量僅為10噸左右。

散熱系統的重量是計算硬體的10倍。如果按獵鷹9號的發射成本估算，僅將這100噸散熱器送入軌道，就需要耗費約3億美元。這還不包括巨大的太陽能電池板陣列和必須的儲能電池重量。

在太空中，太陽能並非全天候供應。衛星在經過地球陰影區時會失去光照，軌道數據中心必須配備龐大的電池系統來維持算力運轉，而這些沉重的電池同樣需要昂貴的發射成本。

陸地數據中心面臨的水冷限制是一個可以通過工程優化解決的「現實問題」。無論是冷板式液冷還是浸沒式液冷，水的比熱容和相變換熱效率，在工程上遠優於真空輻射散熱。

1微秒與40毫秒：被網路延遲鎖死的算力利用率

通訊延遲問題直接判處了太空數據中心在當前AI技術架構下的死刑。

AI大模型的訓練不是簡單的網頁託管或數據儲存，它是數萬張GPU之間的微秒級同步戰爭。在萬卡規模的集群中，前向傳播和反向傳播分佈在不同的節點上，模型參數的梯度更新需要通過All-Reduce操作進行全局同步。

這種同步操作對網路延遲和頻寬的要求極其嚴苛。依賴RDMA（遠程直接記憶體訪問，一種允許不同電腦的記憶體直接交換數據而無需CPU介入的技術）和InfiniBand（一種高頻寬、低延遲的專用網路協議）的現代AI集群，端到端延遲通常要求在1到5微秒之間。只有在這個延遲級別下，GPU才能在計算間隙迅速完成參數交換，保持極高的算力利用率。

近地軌道衛星通訊的物理延遲，通常在20到40毫秒之間。1毫秒等於1000微秒，衛星鏈路的延遲比數據中心內部網路高出近萬倍。

光速的物理極限決定了這一鴻溝無法跨越。近地軌道衛星距離地面約500至2000公里，即使衛星之間使用雷射通訊互聯，星間鏈路的物理距離和路由跳數，也決定了延遲不可能逼近微秒級。

在這種延遲條件下進行分佈式訓練，昂貴的GPU集群將在等待網路傳輸時處於長期閒置狀態。算力利用率會從陸地集群的60%以上，暴跌至個位數。企業花費數億美元購買的算力，絕大部分時間都在等待數據包從一顆衛星傳到另一顆衛星。

PUE 1.09：陸地算力基建的工程極限與解法

孫正義在股東大會上強調，軟銀將聚焦於陸地數據中心建設。這不僅是軟銀的判斷，也是整個超大規模計算行業的共識。

陸地數據中心確實面臨選址困難、社區抗議和電網排隊等問題，但這些問題都有明確的工程解法。通過不斷優化的冷卻技術和能源管理，陸地超大規模數據中心的PUE（電能利用效率，數據中心總能耗與IT設備能耗的比值，越接近1代表效率越高）已經被壓縮到極低水平。

谷歌報告其大型數據中心的年均PUE已達到1.09。這意味著在總電力消耗中，只有不到10%用於冷卻和照明等非IT設備，絕大部分電力都直接轉化為計算算力。這通過引入人工智能驅動的冷卻控制系統、高效的熱回收技術以及大規模液冷部署得以實現。

在選址邏輯上，算力基建正在向高緯度寒冷地區和清潔能源富集區轉移。通過簽訂長期購電協議（PPA）結合設施級電池儲能系統，數據中心可以擺脫對單一電網的依賴，構建起微電網模式。水資源的消耗也在向閉環系統演進，浸沒式液冷幾乎可以消除蒸發耗水。

陸地基建的進化路徑清晰可見，成本曲線可預測。投資與產業觀察者能夠準確計算未來三年內每FLOP算力的邊際成本，這種確定性是AI競賽中不可或缺的基礎。

未來三年的決勝期：算力基建的時間窗口

馬斯克的支持者常常寄希望於星艦量產後，發射成本能夠降至每公斤100美元以下，從而從根本上改變太空數據中心的商業邏輯。這種長期視角的樂觀，忽略了AI產業最殘酷的現實：時間窗口。

孫正義指出，未來幾年的AI競爭格局遠比十年後更為關鍵。當前的AI正處於從大語言模型向多模態和推理模型演進的爆發期，算力缺口巨大。誰能更快、更省地在陸地上部署超大規模算力集群，誰就能在模型能力和商業化落地上佔據先機。

大模型公司的資本支出週期以季度計算，硬體折舊以兩三年為限。等待星艦成熟、等待軌道散熱技術突破、等待抗輻射AI晶片研發，這些動輒以十年為單位的前沿探索，無法解決今天的算力飢渴。企業採購需要的是明天就能上線的800G InfiniBand網路和液冷H100集群，而不是十年後可能實現的軌道星座。

太空數據中心違背了AI算力TCO的成本結構，觸犯了真空環境的熱力學限制，並且被光速限制下的通訊延遲鎖死了效率。在可見的工程未來內，AI算力的物理選址終局必然在陸地。