三星联手五家关联公司豪掷 10 亿美元押注 AI 基础设施：为什么电力成了新瓶颈

2026 年 9 月 29 日，三星电子与三星物产（C&T）、三星 SDS、三星 SDI、三星生命、三星火灾海上保险宣布，合计向 KKR 旗下 AI 基础设施公司 Helix Digital Infrastructure 投资 10 亿美元，其中三星电子出资 5 亿美元，其余五家关联公司出资剩余部分。Helix 于 2026 年 6 月成立，由前 AWS CEO Adam Selipsky 掌舵，KKR、科威特投资局（KIA）、英伟达与美国电力公司 Vistra 也是创始投资方。本文梳理这笔交易的结构、Helix 到底建什么、为什么官方把电力称为当前最大的瓶颈，以及三星各板块在其中的位置。

一、交易本身：谁出资、出资多少

先把事实钉死。三星电子、三星 C&T、三星 SDS、三星 SDI、三星生命与三星火灾海上保险，于 2026 年 9 月 29 日宣布合计向 KKR 成立的 AI 基础设施公司 Helix Digital Infrastructure 投资 10 亿美元；其中三星电子出资 5 亿美元，其余五家关联公司承担剩下部分。Helix 于 2026 年 6 月成立，定位是「AI 赋能的基础设施提供商」，目标是提供覆盖整条价值链的综合方案。除三星外，KKR、科威特投资局（KIA）、英伟达与美国电力公司 Vistra 也是创始投资方。公司由前 AWS CEO Adam Selipsky 领导，正在组建一支由数据中心与电力行业资深人士组成的管理团队，并借助 KKR 全球基础设施业务约 170 名专职人员的能力。

# Helix is not a single asset; it is an integrated chain. The deal is a bet
# that whoever controls data-center AND power capacity controls AI supply.
# Model the investment as exposure across the whole chain, not one layer.

HELIX_STACK = {
    "compute":   ["hyperscale data center development", "data center operations"],
    "power":     ["baseload generation", "flexible energy sources",
                  "transmission & distribution"],
    "network":   ["fiber-optic networks"],
}

def chain_coverage(portfolio: dict) -> dict:
    covered = {layer for layer, parts in portfolio.items() if parts}
    return {
        "covered": covered,
        "missing": set(HELIX_STACK) - covered,
        "thesis": "own the whole chain so capacity cannot be externally throttled",
    }

数据中心从设施投资变成业务平台

二、Helix 到底建什么：一条完整的链

Helix 的价值主张是把基础设施当作一条完整的价值链来做。官方描述覆盖四段：超大规模数据中心的开发与运营；发电，且同时覆盖基荷与灵活能源；输配电基础设施；以及光纤网络。它服务的对象是超大规模厂商（hyperscaler），让它们可以快速锁定应对指数级增长 AI 需求所需的大规模、综合性基础设施。把这条链写下来会很清楚：算力层是数据中心的开发与运营，能源层是发电与输配电，网络层是光纤。示例 1 把这条链结构化，并用它来检查一个基础设施组合到底补全了哪几环、缺了哪几环——缺环越多，容量就越可能被外部卡住。

# "If data centers are the production hubs of the AI era, power is the fuel
# that drives them." Power is described as the greatest bottleneck, so size
# the facility to the electrons you can actually secure, not the other way.

MW_PER_RACK = 0.13          # order-of-magnitude for dense accelerated racks

def site_capacity(racks, available_mw, pue=1.3):
    it_load = racks * MW_PER_RACK
    total_load = it_load * pue          # includes cooling overhead
    return {
        "racks": racks,
        "it_mw": round(it_load, 1),
        "total_mw": round(total_load, 1),
        "power_bound": total_load > available_mw,
        "max_racks_by_power": int(available_mw / (MW_PER_RACK * pue)),
    }

# Helix plans to secure energy capacity through direct investments and
# partnerships with major energy developers, including investor Vistra.

三、为什么电力是当前最大瓶颈

这是整笔投资最值得记住的一句判断。三星把数据中心比作 AI 时代的生产枢纽、把电力比作驱动它们的燃料，并明确指出：电力可用性是目前 AI 基础设施最大的瓶颈。因此，能否同时锁定算力与电力基础设施，已成为 AI 行业的一个决定性竞争优势。Helix 的投资策略正对准这一点：它计划通过直接投资，以及与主要能源开发商的战略合作（包括投资方 Vistra 在内的能源企业）快速锁定能源容量。这对工程师意味着什么？容量规划要围绕「你能拿到的电」来做，而不是围绕机柜数量。示例 2 给了一个把机柜、IT 负载、PUE 与可用电量放到一起核算的最小模型。

# The new data-center business models are why power interconnection timing
# drives the whole deal. GPUaaS, sovereign AI and colocation each price
# differently, and each is gated by energisation, not by silicon availability.

BUSINESS_MODELS = {
    "GPUaaS":        "rent accelerated compute by the hour; margin tracks power cost",
    "Sovereign AI":  "host in-jurisdiction for residency and control; buyer pays premium",
    "Colocation":    "rent space and power; power capacity is the scarce unit",
}

def time_to_revenue(model, months_to_power, months_to_racks):
    energised = max(months_to_power, months_to_racks)
    return {
        "model": model,
        "gated_by": "power" if months_to_power >= months_to_racks else "racks",
        "months_to_revenue": energised,
    }

电力可用性是当前最大瓶颈

四、三星各板块怎么卡位

三星说，这次投资让它从传统的硬件零部件供应商，转向全球 AI 基础设施生态的主动架构者。拆开看，各板块的卡位非常具体。三星电子 DS 部门以先进半导体方案支持全球建设，随需求变化及时响应。DX 部门通过 2025 年收购的数据中心暖通专家子公司 FläktGroup，提供从风冷系统到液冷 CDU 的完整冷却产品组合，并在全球拥有 14 个生产基地、覆盖 65 个国家的供应与服务网络。三星 C&T 工程与建设集团作为 EPC 承包商，承担数据中心与发电的大型基础设施项目。三星 SDS 设计、建设并运营数据中心，近期进入 GPUaaS 业务，并在韩国拥有最低的 PUE 水平，同时应用于自有数据中心与韩国 AI 计算中心（KOACC）。三星 SDI 在不间断电源（UPS）与电池备份单元（BBU）上具备世界领先技术。示例 4 把这种「各环节自有」的能力映射成风险消解。

# Samsung's affiliates each own a link in the chain, which is why a single
# group can anchor a build-out: silicon, cooling, EPC, operations, and power
# backup are all in-house. Map vendor capability to the risk it retires.

SAMSUNG_SUPPLY = {
    "Samsung Electronics (DS)": "semiconductors for the compute layer",
    "Samsung Electronics (DX)": "data center cooling (FläktGroup), incl. liquid CDUs",
    "Samsung C&T":              "EPC for data centers and power generation",
    "Samsung SDS":              "data center design/ops + GPUaaS (lowest PUE in Korea)",
    "Samsung SDI":              "UPS and battery backup units (BBU) for 24/7 servers",
}

def de_risk(supply: dict, needed: list) -> dict:
    # A vertically capable group can retire single-vendor and integration risk.
    return {k: ("in-house" if k in supply else "external") for k in needed}

五、新的商业模式与被电力节奏支配的落地

三星指出，AI 数据中心正从单纯的设施投资，演变为核心业务平台，其中整合了多种高价值模式，包括 GPU 即服务（GPUaaS）、主权 AI（Sovereign AI）与托管（colocation）。这些模式共同推动一个横跨发电、冷却技术、半导体与金融的多部门生态。对建设方来说，关键含义是：价值实现的速度被「通电」节奏支配，而不是被芯片到货支配。一个园区何时能产生收入，往往取决于电力互联排队、许可与燃料合同，而非 GPU 交货周期。示例 3 把这三种模式与「通电时间 vs 机柜就绪时间」的关系写进了一个简单的回本模型。示例 5 则给出一个判断「瓶颈正在往哪里迁移」的信号函数——真正该被围绕的约束，是当下最长的那一根。

# Watch the bottleneck migrate. Silicon shipped on a roadmap; power ships on
# permitting, interconnection queues and fuel contracts. The party that can
# sequence electrons to racks on time wins the deployment, so track it.

def bottleneck(market):
    signals = {
        "silicon": market.get("gpu_lead_time_weeks", 0) > 26,
        "cooling": market.get("liquid_ready_racks_pct", 100) < 60,
        "power":   market.get("interconnect_wait_months", 0) > 24,
        "fiber":   market.get("dark_fiber_available", True) is False,
    }
    active = [k for k, v in signals.items() if v]
    return {"active_constraints": active,
            "rule": "build and price around the longest active constraint"}

三星多个板块各自卡位

六、对建设者的实际含义

最后落到可操作的判断。第一，把电力当作第一约束：在做容量规划时，先算能锁定的电量，再倒推机柜数与负载，而不是反过来（示例 2）。第二，评估供应商时看它能否消解多环节风险：半导体、冷却、EPC、运营、电力备份是否能在同一体系内协调（示例 4）。第三，为「主权 AI」与数据驻留需求预留架构位置，因为这类需求往往是溢价业务。第四，把成本模型建在每完成任务的成本上，而非每 token 成本上，因为电力与冷却的开销最终会传导到推理单价。第五，关注瓶颈迁移：当电力互联等待超过 24 个月、或液冷就绪机柜比例不足时，约束就换了位置（示例 5）。这笔 10 亿美元押注的核心命题是：谁能把「电子到 token」这条链按节奏接起来，谁就掌握 AI 供给。