Panthalassa获1.4亿美元B轮融资，Peter Thiel领投：用波浪驱动海上AI计算节点破解数据中心能源困局

Panthalassa：在古海洋上建造AI算力方舟

一场反直觉的融资：硅谷“异见者联盟”的集体下注

本轮融资的领投方是 Peter Thiel——这位以“反主流”著称的PayPal黑帮领袖，曾公开质疑AI的泡沫叙事。跟投名单同样耐人寻味：风险投资教父 John Doerr、Salesforce创始人 Marc Benioff 的 TIME Ventures、PayPal联合创始人 Max Levchin 的 SciFi Ventures，以及老股东 Founders Fund、Gigascale Capital 和 Lowercarbon Capital。

这几乎是一份硅谷“异见者”的花名册。他们共同押注的，是一个听起来近乎科幻的方案：让AI计算节点像浮标一样散布在公海，依靠波浪起伏发电，用海水冷却芯片，通过光纤或卫星互联。Panthalassa 的CEO Garth Sheldon-Coulson 将之称为“AI的海洋主权”——当陆地数据中心的扩张被电力配额和社区抗议锁死时，海洋成为最后的自由疆域。

节点即工厂：波浪能如何养活AI推理芯片？

Panthalassa 的核心产品是自主漂浮节点，每个节点都内置波浪能发电装置和AI推理芯片。其技术路径与自动驾驶航运或海洋勘探截然不同——公司明确表示自己“不是船舶公司”，而是“可持续能源算力平台”。

关键在于三个瓶颈的同步破解：电力方面，波浪能近乎取之不尽，且无需燃料运输；冷却方面，海水是天然散热池，彻底免除了数据中心庞大的空调耗水；选址方面，公海不受地方规划审批和NIMBY（邻避）运动牵制。每个节点通过海底光缆或卫星链路组网，形成一张可弹性扩展的“海洋推理矩阵”。

这种设计并非为了炫技。AI推理工作负载对延迟不敏感（如批量图像识别、模型微调），但对电力成本和部署速度极其敏感。Panthalassa 的节点可以像集装箱一样被拖船部署到目标海域，在数周内投入运营，而同等规模的陆地数据中心从选址到投产往往需要数年。

从“能源即服务”到“算力即主权”：商业模式的双重套利

Panthalassa 的商业模式隐藏着两层套利逻辑。第一层是能源套利：波浪能的边际成本几乎为零，且不受化石燃料价格波动影响。公司向客户提供算力服务时，可以将电力成本压缩到陆地数据中心的十分之一以下——只要节点足够多，规模效应将带来惊人的毛利率。

第二层是监管套利：公海不属于任何国家领土，意味着节点不受各国数据主权法的直接管辖。对于跨国企业而言，这提供了一个“算力避风港”——训练数据可以物理上远离敏感司法管辖区。Garth Sheldon-Coulson 在内部谈话中曾将其比作“海洋上的瑞士”，但这一表述也暗示了潜在的地缘政治风险。

目前，Panthalassa 主要面向两类客户：一是需要大规模推理算力的AI公司（如自动驾驶数据标注、大模型批量推理）；二是对数据隐私要求极高的金融机构和国防承包商。公司采用按节点租赁或按算力消耗计费的模式，客户无需承担硬件维护和能源管理成本。

壁垒何在？波浪能、芯片工程与海洋生存学的三重博弈

Panthalassa 的护城河并非单一技术，而是一个系统工程集群。首先是波浪能转换效率：不同于传统波浪发电装置（如振荡水柱式或点吸收式），Panthalassa 的节点必须同时兼顾发电、散热、计算和通信的物理平衡。公司自称已开发出“专有能量捕获拓扑”，但未公开细节——在海洋工程领域，小型化、高可靠性的波浪能装置至今仍是世界性难题。

其次是芯片散热与防腐蚀：海水冷却虽然高效，但盐雾、生物附着和极端天气对电子元件的威胁远高于陆地。Panthalassa 采用密封舱体加主动热管理方案，但长期运维成本仍是未知数。Brian Moffat（联合创始人）曾在一次技术会议上透露，节点设计寿命为10年，但“海洋从不按剧本出牌”。

第三是网络组网与冗余：节点间的通信依赖卫星或海底光缆，但公海带宽昂贵且延迟较高。Panthalassa 的解决方案是让节点在本地完成推理计算，仅回传结果数据，从而大幅降低通信需求。这种“边缘推理+海洋组网”的架构，本质上是对传统云计算中心化模式的逆反。

从潘加亚到未来：海洋算力是乌托邦还是新殖民主义？

公司名称 Panthalassa 源自地质学概念——盘古大陆周围的古海洋。这个命名暗示着创始团队的宏大野心：就像大陆漂移重塑了地球生态，AI算力的“海洋化”可能重塑数字基础设施的地理格局。但批评者指出，大规模部署漂浮节点可能引发新的环境争议：节点锚定系统对海洋生态的影响、电磁辐射对海洋生物导航的干扰、退役节点的回收问题——这些在目前的宣传中都被刻意淡化。

更深层的矛盾在于：Panthalassa 试图用技术解决AI的能源和土地饥渴，但AI本身的能耗爆炸式增长恰恰是问题根源。如果海洋算力成本足够低，是否会刺激更疯狂的模型训练规模，从而抵消环保效益？这种“杰文斯悖论”在科技史上屡见不鲜。