Runware 要把 AI 数据中心当汽车来造：罗马尼亚工厂明年投产，目标 2028 年日产 30 兆瓦
AI 基础设施公司 Runware 在推出 Sonic Inference Pod（模块化数据中心）仅仅数月后，再次成为行业话题。这次它给出的方案更大胆：建一条流水线，像造汽车一样批量组装数据中心舱体。
Runware 联合创始人兼 CEO Flaviu Radulescu 向 TechCrunch 表示，公司计划把其罗马尼亚工厂的产能扩到 2028 年每天产出 30 兆瓦数据中心容量，折合每月接近 1 吉瓦。这个数字的分量不轻：按此速度，Runware 一年内的产出，大致相当于美国今年预计新增的全部数据中心电力负荷——约 10 吉瓦。
这不是新想法，但 Runware 说自己更快
预制化数据中心舱体并非 Runware 独有。Crusoe、Schneider Electric 等公司同样销售此类产品，真正的差异在于交付速度。
英伟达今年早些时候发布了 Vera Rubin AI 工厂 和 DSX POD，目的同样是让企业更快、更容易地自建 AI 数据中心。Runware 的区别在于，它声称自己真的建了一座工厂，而不只是设计出让别人建厂的基础设施。
Radulescu 说，公司已有两座工厂：一座用了几年，专门生产这些舱体；另一座今年早些时候开工，预计数月内完工、明年年初投运。产能将从明年开始逐步爬坡。
48 小时上线与一天造完一个舱体
Runware 会在流水线上组装模块化数据中心。客户可以自备场地，也可以由 Runware 代为寻找。Radulescu 称公司的目标是把舱体上线时间压到 48 小时内——注意，这个时间覆盖安装与调试，不包含建造本身。单个舱体此前需要三周生产，随着产量提升，未来将缩短到一天。公司还会提供备件，客户可以选择向 Runware 租用算力，或者自带 GPU、按月支付舱体与运维费用；电力和网络则单独计费。
舱体采用标准化设计，但可按客户需求和最新 GPU 芯片定制。芯片下单后到货周期长，这恰好成了 Runware 的时间优势：“我们的舱体交付周期短于当前 GPU 的交付周期，这让我们有时间让基础设施适配正在下单的硬件。”他还表示，面向新一代 GPU，公司内部的硬件团队可以自行设计、构建并测试部件，从而快速跟进。
已接到 10 亿美元意向，但执行是真正的考验
Runware 宣称，自一个月前开始向外部客户开放以来，Sonic 舱体已获得 10 亿美元的承诺意向，“对应超过 20 兆瓦，我们正在全力交付”。公司迄今融资超过 6000 万美元，计划再发起 B 轮；目前先靠去年 12 月完成的 5000 万美元 A 轮资金把工厂建好并投产。
风险同样明显。制造模式从零重建有不少前车之鉴，比如一度估值超 130 亿美元的电动车创业公司 Arrival，就因难以相对传统工厂低成本实现规模化量产而陷入困境。Radulescu 的回应是：“我们的成本结构很不一样……我们确实有人员成本和材料成本，但相对于部署 AI 算力的价值而言，我们的工厂人力是具备成本竞争力的。”他补充说自己从汽车行业引入了一位经验丰富的厂长，与首席硬件负责人并肩负责落地执行，并强调自研系统、采用市面常见且便宜的部件是压低成本的关键。
供应链同样是变数。虽然冷却系统等舱体子系统由公司自研并使用标准件，但水泵、风扇等部分部件来自德国，网络部分仍依赖英伟达。
能耗争议与“小站点”路径
数据中心在美欧各地持续因耗电问题受到审视。Radulescu 称，公司舱体只需要电力和网络连接：采用闭式液冷配合风冷散热器散热，因此并不需要供水。他表示正在与电力公司推进覆盖 397 兆瓦的站点管线，未来有可能扩展到 1.2 吉瓦。这些站点的规模远小于亚马逊、微软、谷歌等超大规模厂商使用的园区，通常已有电力供应，因此不至于进一步挤压电网或干扰社区。
他还提到，舱体“在气温高达 86 华氏度时仍可完全静音运行”，并“尽可能使用可再生能源”，公司的目标是让可再生能源成为主要能源来源，同时正在扩张能源供应商与站点网络。
下一步是新工厂在明年初上线，随后扩展到美国及其他地区。Radulescu 判断，模块化系统将成为大型 AI 部署的“标准”，“客户应该能够从一开始就围绕工厂预制的舱体来规划超大规模数据中心，把落地时间从数年压缩到几个月”。
TechCrunch 风投记者 Dominic-Madori Davis 近期关注热点速览
Dominic-Madori Davis 在 TechCrunch 负责风险投资与初创公司报道，工作地在美国纽约。其公开联系方式为电子邮箱 [email protected]，以及 Signal 加密通讯（+1 646 831-7565），可用于约访与信息核实。
从其近期高热度报道的主题分布看，报道面集中在三条主线：AI 巨额资本回报与上市预期、AI 硬件新品与制造供应链，以及 AI 对企业财务报表的实际影响。
核心变化：三条主线释放的五个信号
1. AI 的资本收益高度集中在少数巨头
《VCs will make billions on Anthropic's IPO, but Amazon is set to make much (much) more》（Marina Temkin）指出，在 Anthropic 上市的预期中，风投机构虽然能赚到数十亿美元，但真正的大赢家是亚马逊——其规模优势被拉开到“多得多”的量级。这暗示超额收益并非平均分配，而是沿产业链向掌握分发入口与算力采购能力的一侧集中。
2. 硬件端成为新的竞争焦点
《Anduril, Qualcomm launch BlueChip, a new kind of US-made laptop》（Julie Bort）显示，Anduril 与高通联手推出 BlueChip，主打“美国制造”的新型笔记本。这把 AI 算力竞争从模型延伸到终端形态与本土制造叙事，供应链位置成为产品定位的一部分。
3. 企业端回报尚未普遍兑现
《AI delivers 'zero financial payoff' to most companies, Apollo economist says》（Anthony Ha）援引阿波罗经济学家的判断：对大多数公司而言，AI 带来的财务回报为零。这是本组报道中最具冲击的一条——它直接对冲了关于 AI 投资回报的乐观叙事。
4. 资本退出与产品迭代同时进入不确定期
- 《Billionaire Palmer Luckey isn't leaving California over the wealth tax》（Julie Bort）：Palmer Luckey 并不因加州财富税而迁出，属于对“科技富豪因税负出走”叙事的直接反驳。
- 《Microsoft offers buyouts to around 60,000 employees》（Aisha Malik）：微软向约 6 万名员工提供买断方案，AI 改造带来的人员结构调整已进入大规模执行阶段。
- 《Grok releases the first seven minutes of its AI-generated 'Odyssey'》（Anthony Ha）：Grok 释出 AI 生成影片《Odyssey》的前七分钟，AI 视频生成正从样片走向可观看的成片内容。
5. 失败样本同样是重要信号
《The AI graveyard: a running list of projects and startups that didn't make it》（Lauren Forristal）维护了一份持续更新的“AI 墓地”清单，记录未能存续的项目与创业公司。相较于成功案例，这类清单更能反映行业真实的淘汰率。
影响与建议
给关注者
- 读 AI 相关报道时，优先区分“估值/融资故事”与“损益表证据”，二者目前差距明显。
- 涉及“AI 利好某某行业”的结论，建议回到具体企业的收入结构与成本项验证。
给企业决策者
- 在员工结构调整上，微软约 6 万人的买断规模可作为行业参照样本，但它同时提示：AI 投入的组织成本尚未被普遍验证。
- 若计划自建 AI 应用，先设定可量化的财务口径，再讨论部署规模，避免落入“零财务回报”区间。
给内容与产品团队
- “AI 失败清单”类内容的关注度持续存在，说明市场对 AI 落地的祛魅诉求明确；同类选题仍有稳定的读者需求。
评论