如果有公司宣称，只需在你的电表中接入一个小型设备，你就能轻松实现“躺赚”，你会作何反应？骗局？陷阱？这恐怕是大多数人的第一反应。然而，若提出这一构想的，是美国头部太阳能企业之一——sunrun，事情是否就值得重新审视？
根据Sunrun公开披露的方案，该模式逻辑清晰：凡已安装太阳能发电系统及家庭储能装置的住宅用户，均可申请加装GPU计算节点。这些节点专用于执行AI推理任务，由Sunrun统一调度设备、管理能源并对外销售算力，最终将算力资源打包出售给企业客户。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
图源：Sunrun
不可否认，这一构想颇具创意，且市场空间看似广阔。当前，美国多家科技公司正积极推进算力中心建设，却频频受制于电力供应紧张与环保监管压力，进展迟滞。例如，纽约州已宣布暂停全州大型数据中心项目审批（为期一年）；加利福尼亚州蒙特雷帕克市更通过全民公投立法，明令禁止本地新建数据中心。
居民反对的理由并非单纯出于环保考量，更深层的症结在于：美国许多城市与州本就面临供电缺口，而数据中心的高耗能属性将进一步加剧用电紧张——不仅威胁居民日常用电稳定性，还可能引发电价大幅攀升。
据雷科技（ID：leitech）整理的信息显示，微软、亚马逊等云服务巨头已开始自建电厂，以保障数据中心的能源供给。可见，中美两国在算力基建上各陷困局：中国面临的是“绿电充裕但高端计算卡稀缺”，而美国则是“算力芯片充足却受限于能源瓶颈”。
正因如此，Sunrun直接提出：传统数据中心建设周期长、落地难，我们手握海量住宅资源与现成光伏系统，何不将其转化为分布式算力单元？由此构建百万级规模的绿色算力集群，所用电力源自阳光，零成本、零碳排。听起来很美好？别急，小雷这就带大家冷静拆解。
Sunrun打算用居民家里的光伏电驱动GPU
分布式算力网络并非全新概念。随着AI模型对算力需求持续飙升，早有厂商布局边缘侧算力整合。华为便曾推出嵌入基站与通信设备的边缘计算模块，在满足本地业务需求的同时，亦可按需释放冗余算力，临时组网支援突发任务。
但Sunrun走得更远——其部署的家庭级算力节点唯一使命，就是持续“生产”算力，并面向AI企业提供商业化输出。不过，目前Sunrun尚未公布具体收益分成机制，也令人不禁质疑：这套模式在财务层面是否真正可持续？
诚然，太阳能发电本身近乎零边际成本，但硬件折旧、运维支出、设备占用原本可用于自用或上网售电的发电额度，再加上GPU节点本身的购置与部署开销……若单位算力收益偏低，极可能出现设备寿命终结仍无法回本的尴尬局面。
小雷推测，Sunrun暂未大规模铺开此项业务，很可能正卡在与AI客户的定价博弈环节。一方面，头部企业对分散式、非标算力兴趣有限；另一方面，中小客户又未必具备稳定且可观的推理需求，加之企业普遍倾向选择成熟、可控的云服务商，而非新型分布式平台。
图源：Google
客观而言，小雷认为Sunrun该项目落地难度极高。从技术适配性看，分布式算力网络仅适用于边缘端AI推理场景，且需AI厂商与Sunrun共建一套高效智能的算力调度架构——确保用户调用AI服务时，系统能毫秒级定位最近可用节点并完成任务分发。
那为何这类算力无法支撑模型训练？核心症结在于延迟。模型训练依赖海量高频数据交换，要求节点间通信延迟压至最低，否则将产生大量“空转时间”（即芯片持续运行，但数据尚未抵达）。
为突破这一瓶颈，英伟达与主流数据中心耗费数年优化互联架构，才将超大规模集群的端到端延迟压缩至微秒级，从而支撑千亿参数模型的高效训练。这也是OpenAI等机构不惜重金打造数万乃至数十万节点集群的根本原因——而非简单聚合现有数据中心资源。
因此，Sunrun的出路或许只剩一条：与AI巨头深度协同，将其家庭节点纳入对方算力体系，以低于传统数据中心的成本提供推理服务。但问题是，随着OpenAI自研芯片浮出水面、Google开放TPU集群商用等消息陆续释放，Sunrun的算力单价能否真正低于专用AI芯片的综合成本，尚存巨大不确定性。
图源：OpenAI
事实上，试图以家庭为单位构建分布式算力网络的，并非Sunrun一家。专注智能配电系统的SPAN公司也曾推出名为XFRA的计划：批量采购RTX PRO 6000显卡，部署于住宅或小型商业场所，既承担算力节点职能，也支持云游戏服务。
在小雷看来，SPAN的路径更具可行性——除算力销售外，还可叠加云游戏订阅收入。RTX PRO 6000的游戏性能接近RTX 4090，在限定分辨率与帧率前提下，单卡同时支撑3–4台终端流畅运行3A大作并无压力。
尽管小雷对Sunrun当前方案持保留态度，但其创新思路仍值得肯定。未来，分布式算力网络极有可能成长为继数据中心之后的第二类“AI大脑”。
从基站到卫星，算力正悄然向你靠近
当前AI产业面临的“算力荒”，实则包含双重短缺：一是模型训练所需的海量算力严重不足；二是推理算力与终端用户距离过远，导致响应延迟升高、数据传输成本增加。
分布式算力虽无力缓解前者，却有望精准填补后者缺口——尤其在AI Agent加速普及的背景下，边缘算力的战略价值日益凸显。
首先，从应用场景出发，Agent需持续执行轻量推理，并频繁调用摄像头、麦克风、屏幕等多模态传感器。此类任务细碎繁杂、延迟敏感，全部交由云端处理或全量下沉至终端均不现实——尤其当人们期待的AI终端尺寸甚至小于智能手机时。
此时，边缘算力节点便成为关键桥梁。这类兼具更强性能与地理邻近性的设备，可作为Agent的“外挂大脑”，承担初步推理或任务分解，再将超出能力范围的复杂请求交由云端处理，从而有效分流数据中心负载。
但此类节点对响应速度与运行稳定性要求极高，这对部署于普通住宅环境的设备而言，无疑是一道严峻考验。这也解释了为何华为选择将算力模块集成进基站——基站本就是区域级数据交互枢纽，可靠性强、供电稳定、网络直连，天然适配边缘计算角色。
图源：雷科技
除基站之外，另一个潜在的“边缘”载体可能出乎意料——即在今年WAIC大会上亮相的“星枢计划”中的算力卫星。
该计划分三阶段推进：首期发射2颗算力卫星+12颗边缘计算卫星，构建初代太空算力网络；二期扩展至50颗算力卫星+100颗边缘计算卫星；最终目标是建成覆盖全球、由上千颗卫星组成的全天候算力基础设施。
看到此处，或许有读者疑惑：“前文强调边缘算力优势在于低延迟，调用卫星岂非更慢？”此问合理，但太空算力中心的服务对象本就不是普通消费者，而是气象预警、灾害监测、远洋航运等地面网络难以覆盖的特殊领域。
在此类场景中，“有没有算力可用”远比“快多少毫秒”更重要。对于时效性要求相对宽松的任务，卫星链路的延迟完全可接受——总好过让工作人员背着几十公斤的服务器翻山越岭去采集数据。
更进一步说，边缘计算中的“边缘”，本质上并非固定地理概念，而是一种相对定位。
对手机、汽车、AR眼镜而言，“边缘”可能是附近基站；而对远洋货轮、无人区监测设备或低空飞行器来说，“最近”的边缘节点，反而可能是头顶掠过的某颗卫星。因此，“边缘”的定义，始终围绕着“相较云端数据中心，更贴近数据源头、响应更快”的核心逻辑展开。
分层算力网络，或是AI时代的终极架构？
综上，小雷认为，真正值得关注的并非Sunrun项目本身成败，而是其所映射的底层趋势：算力正从少数巨型数据中心中“溢出”，逐步渗透至基站、住宅、车载终端乃至太空轨道等多元边缘载体。
若将传统互联网比作一棵大树，用户便是枝叶末端的叶片，所有数据皆需经由枝干汇聚至主干（即云端数据中心）。但随着AI Agent、自动驾驶、具身机器人等终端爆发式增长，全部依赖中心化算力显然难以为继。
再快的网络，也无法支撑数十亿设备实时、零延迟地调用同一座数据中心；更遑论由此产生的带宽浪费与能耗冗余。此时，独立于主干之外的“分支根系”便成为刚需——正如榕树生长至一定阶段后，远端枝条会自然垂落生根，形成新的支撑体系。
因此，未来的AI算力网络更可能演化为分层架构：
- 手机、PC承担最基础的本地任务；
- 住宅、基站等节点承接低延迟、持续性推理；
- 大型数据中心专注复杂模型训练与高并发负载；
- 卫星网络则补位偏远地区与特种行业需求。
以此观之，Sunrun的家庭算力节点计划并非天方夜谭，只是现阶段过于理想化，规模化落地仍面临重重障碍。但这并不否定其方向价值——它恰如早期电动汽车充电桩，注定要经历漫长探索、标准博弈与生态共建，方能走向成熟商业模式。
或许终有一日，你的电脑、手机在闲置时也将自动接入算力网络。届时，算力或将如电力一般，成为人人可得、随处可用的普惠型基础设施。
本文来自微信公众号“雷科技”，作者：雷科技，36氪经授权发布。
