算力竞争焦点转移：电力成为核心稀缺资源

根据斯坦福大学年度人工智能指数报告，至2025年底，全球用于人工智能的数据中心累计电力容量已达约29.6吉瓦，这一规模接近纽约州高峰期用电需求。该数据凸显出一个关键现实：在算力扩张进程中，真正受限的并非硬件供应，而是稳定且可并网的电力资源。

算力效率提升未缓解电力压力

尽管自2006年以来GPU单位算力的能耗下降超过99%，但企业并未因此减少总用电量。相反，节省下来的能效被用于训练更大规模模型，导致整体电力消耗持续攀升。最耗电的训练任务单次功耗甚至超过100兆瓦，相当于小型发电厂的输出水平。

数据显示，人工智能专用电力容量三年内增长近200倍，从2022年的不足1吉瓦跃升至2025年水平。报告预测，这一趋势将持续至2030年，而电力基础设施建设速度远落后于服务器部署周期。

矿场优势在于“通电即用”的基础设施

虽然比特币矿机使用的ASIC芯片无法直接用于人工智能训练或推理，但其运营站点普遍具备成熟电力接入、长期采购协议、电网互联能力及工业级冷却系统。这些特性使矿场成为人工智能开发商理想的现成载体。

尤其在美国得克萨斯州和墨西哥湾沿岸等低电价区域，大量矿场已形成密集的算力集群，与人工智能企业选址高度重合。对于急需快速上线的客户而言，租用已有通电站点比新建项目缩短数年时间。

合同价值重估：算力管线决定估值上限

市场正在发生结构性转变。多家矿业公司已签署长期高性能计算合同，如Iren与微软达成的97亿美元五年云协议，以及Hut 8与Fluidstack签订的15年租约，均由谷歌支持。TeraWulf披露其高性能计算收入达128亿美元，且已超越挖矿营收。

CoinShares分析指出，拥有此类合同的矿工交易倍数约为12.3倍，远高于纯挖矿企业的5.9倍。预计到2026年底，部分上市矿工的人工智能相关收入占比将突破70%。

转型非即插即用：液冷升级成本巨大

将现有矿场改造为人工智能级设施面临极高门槛。据估算，挖矿基础设施每兆瓦投入约70万至100万美元，而满足超大规模AI需求的液冷系统则需800万至1500万美元，差距达十倍以上。

这不仅涉及硬件更换，还包括功率密度优化、冗余架构设计、高可用性保障及持续冷却系统的重建。仅靠“通电”不足以支撑客户对稳定性与性能的要求。

为应对资金缺口，矿企正通过可转换票据融资。例如Iren在2024年3月底债务达37.5亿美元，并于5月再募资30亿美元。然而，若未来人工智能需求放缓或客户重新谈判条款，项目可能延期，甚至导致资产闲置风险。

最终成败取决于执行能力：资本支出控制、投产进度管理以及客户长期利用率。投资者应关注的不仅是签约金额，更是实际落地节奏与现金流转化能力。