106 篇博文 含有标签「Industry News」

「人人都想要算力，但越来越少的人买得起了。」黄仁勋在最新财报评论中的罕见坦白，撕开了这轮 AI 建设潮最脆弱的一层：需求是真的，订单是真的，钱也是真的不够。

融资瓶颈：从芯片短缺到资本短缺​

黄仁勋的表述很精确：AI 需求在爆炸，但基础设施建设融资跟不上订单增速。Neocloud 的问题「不是客户，是营运资本」——CoreWeave、Iren、Nebius 这批 GPU 租赁商需求「off the charts」，但资本被太多 AI 细分领域争抢。

信号已经落地：

• CoreWeave 财务承压：这家英伟达旗舰 Neocloud 客户出现上市受挫与债券抛售，其困境不是单家公司执行问题，而是整个 Neocloud 商业模式的资本问题
• 5000 亿美元融资计划的隐忧：英伟达 8 月联合 Apollo、BlackRock、Blackstone、Brookfield、高盛与 KKR 启动的 AI 融资计划，本质依赖客户快速产生收入来偿债——如果客户赚不到钱，vendor financing 就变成英伟达自己资产负债表上的负债。卖铲人正在变成整个行业的贷款人，而挖金子的还没证明商业模式

存储无过剩至 2029：另一个坏消息​

黄仁勋同时预测：存储芯片到 2029 年前都不会过剩。这意味着：

• HBM 价格维持高位，AI 服务器的 BOM 成本降不下来
• 基础设施建设方的利润率持续被压缩
• 只有资产负债表最深的玩家玩得起规模化——马太效应加速

这与我们此前对存储超级周期的判断一致（详见此前分析），不同之处在于这次给出了明确的时间锚点：2029 年前别指望供给宽松。

万亿投资的两面​

宏观口径同样撕裂。虎嗅援引 Epoch.ai 统计：

• 2026 年全球算力投资达 8300 亿美元，同比增长 79%——据此推算 2025 年约四千多亿美元
• 单站点算力排名 xAI 居首，仅凭两座数据中心就挤进全球 AIDC 总算力前十
• 高盛另一口径：2026–2031 年全球 AI 基础设施累计资本开支 7.6 万亿美元

但资本市场的耐心在变短：GTC 柏林当天英伟达收涨 2.5%，次日纳指就跌了 2.6%（6 月以来最大单日跌幅），英伟达自己回吐 4.4%，两个交易日把发布会挣来的涨幅还了回去。市场在问的问题很朴素：这些斥巨资买卡、买 AI 集装箱的建设方，究竟从 AIDC 上赚到钱了吗？

分层结局已经可以预写​

• 超大规模云厂商：靠资产负债表厚度默认胜出——微软、谷歌、亚马逊、Meta 的 capex 是自我造血的
• Neocloud：要么找到创新融资，要么被整合。黄仁勋说要「规模化建立区域优势」，但规模化恰恰最需要钱
• 模型公司：算力成本高位持续更久，利好能在小基建上跑、或收入速度快到覆盖溢价定价的玩家
• 芯片厂：进入 vendor financing 循环的深度决定其周期风险敞口

结论​

AI 基建的第一阶段瓶颈是芯片供给，第二阶段瓶颈是电力，而第三阶段——现在——是资本。8300 亿美元的年投资规模在涨，但增长的部分越来越依赖杠杆与循环承诺。对采购方的建议：在 2027 年合同里把供货方自身的融资健康度纳入供应商风险评估——当你的 GPU 供应商同时是你的贷款人时，它的资产负债表就是你的供应链风险。

数据来源与口径说明​

• 黄仁勋融资瓶颈、Neocloud 营运资本、存储 2029 无过剩、5000 亿美元融资计划：财报评论及 CNBC 采访，fourthweb/Yahoo Finance 转述（2026-10 下旬）
• CoreWeave 上市受挫与债券抛售：行业公开报道
• 8300 亿美元 +79%、xAI 单站点第一：Epoch.ai 统计，虎嗅（2026-10-24）转述
• 高盛 7.6 万亿美元：高盛测算，集微咨询报告转引
• 股价波动：虎嗅（2026-10-24）

继 AMD 2GW、AWS 5GW 之后，Anthropic 的算力拼图补上了最大的一块 Google。这不是一份普通的云合同，而是「单一云厂商对单一 AI 实验室的最大芯片承诺之一」。

协议要点​

Anthropic 周四（2026-10-23/24）官宣扩大与 Google Cloud 的合作：

• 规模：价值数百亿美元（tens of billions），覆盖最高 100 万颗 TPU
• 上线节奏：2026 年内带来超过 1GW 的容量
• 定位：公司史上最大的算力扩张，也是 AI 实验室与单一云厂商之间最大的芯片承诺之一

双方口径：

• Google Cloud CEO Thomas Kurian：Anthropic 的选择反映了其团队多年来在 TPU 上看到的强劲价格性能与效率，并点名第七代 Ironwood
• Anthropic CFO Krishna Rao：扩容是为了满足指数级增长的需求，同时保持模型前沿

商业面佐证：Anthropic 目前服务超过 30 万家企业客户，年化收入超 10 万美元的大账户数量一年增长近 7 倍。

为什么是 Ironwood​

Kurian 点名 Ironwood（TPU v7）不是客套。Ironwood 是 Google 首款为推理设计的 TPU，192GB HBM3e、单芯片 FP8 4,614 TFLOPS（TPU v7 卡片），外部基准也已给出正面信号——SemiAnalysis 的 AgentX 测试中 TPUv7 的性价比达到 GB300 NVL72 的 1.67 倍。对以推理负载为主的 Claude 商业化而言，TPU 的单位 Token 成本正是 Rao 口中「指数级需求」能否盈利的关键。

三平台对冲：杠杆，但也是三倍工程量​

Anthropic 在公告中刻意重申了不改变的多平台战略：Google TPU + Amazon Trainium + NVIDIA GPU，并确认 AWS 仍是主训练伙伴（Project Rainier 百万颗 Trainium 集群，此前报道）。

这笔交易的战略价值在于议价杠杆：当英伟达试图执行严格的配额分配时，Anthropic 可以把训练负载转向 Trainium；当 AWS 高密度机柜部署延迟时，可以切到 TPU 产能。三家云帝国互相牵制，Anthropic 从中榨取价格让步、优先供货与能源补贴。

但工程代价同样真实：CUDA、Neuron、XLA 三套不兼容的软件栈意味着三套系统工程组织。前 Anthropic 基础设施工程师的说法很直白——「每改一次注意力机制或张量切分策略，都要在三个平台上各跑一遍基准；在 H100 上跑得干净的内核，在 TPU 上可能因为内存边界没有对齐 MXU 而直接卡住」。

与 S-1 的互证​

本周流出的 Anthropic S-1 草案披露了数千亿美元级的未来云承诺（财报拆解见此前文章）——本协议正是这些承诺的最大单一组件。对 Google 而言，用 TPU 产能锁定增速最快的 AI 客户；对 Anthropic 而言，用巨额长期承诺换取产能确定性。风险也对称：需求若不及预期，这些承诺就是资产负债表上的重负。

结论​

算力竞争的第二阶段已经从「买得到」进入「锁得住」：2026 年内的 1GW、2027 年的数 GW 下一代 TPU（4 月 Google/Broadcom 协议）、AWS 的 5GW Trainium——Anthropic 用三份巨型合同把 2027 年的产能提前画完。剩下的问题是执行力：三个平台、三条软件栈、三个交期风险，任何一条掉链子都要靠另外两条兜底。

数据来源与口径说明​

• 协议规模、100 万颗 TPU、超 1GW、双方表态、客户数据：Anthropic 官方公告（2026-10 周四），DEV Community AI Daily Digest（2026-10-25）、chiprook 转述
• TPUv7 AgentX 性价比 1.67 倍：SemiAnalysis（2026-10-15）
• 三平台战略与工程摩擦：Anthropic 投资者简报及前员工表述，gfunfacts/SCMP 汇总，「三套系统工程组织」为前员工个人观点

「国产替代」讲了三年，这次有了一组完整的第三方数据。IDC 2026 上半年口径下，中国数据中心 AI 芯片市场自主品牌合计已占 50%——一半的市场，第一次有了数据实锤。

一、IDC 份额数据（2026 上半年，中国数据中心 AI 芯片）​

玩家	出货量	份额	同比
英伟达	67.8 万颗	34%	-44%
华为昇腾	57.2 万颗	28%	领跑国产
其他国产（平头哥/寒武纪/昆仑芯/海光/摩尔线程等）	合计 40 万+颗	合计 22%	高增长
自主品牌合计	—	50%	首次过半

补充口径：IDC 预计 2026 年中国 AI 加速器整体出货量同比增长 19%——市场在涨，英伟达在跌，国产在吃增量。

二、集微咨询：产业进入「业绩兑现」阶段​

集微咨询《2026 中国 CPU/GPU 行业上市公司研究报告》（以寒武纪、海光、摩尔线程、沐曦、壁仞、燧原等 11 家 A 股/港股公司为样本）：

• 2026 上半年 11 家合计营收约 254.11 亿元，6 家盈利、5 家亏损——从「概念验证」迈入「业绩兑现」
• 全球背景：上半年全球半导体市场 7020 亿美元（+102%），全年有望冲击 1.655 万亿美元；高盛测算 2026–2031 全球 AI 基础设施累计资本开支 7.6 万亿美元
• 全球 GPU 市场：2024 年 773.9 亿美元 → 2025 年约 1046 亿 → 2026 年预计超 1400 亿美元，两年接近翻倍
• 中国 AI 芯片市场：2025 年 3039 亿元（2021 年以来 CAGR 77.9%），2030 年有望接近 1.6 万亿元
• 本土份额第一：华为海思以 23% 居中国 AI 加速芯片市场本土首位
• 全球 AI 服务器：2026 年出货 980 万台（+44%）；亚太以 48.22% 居全球第一大 GPU 消费与制造区域

三、竞争焦点：从单芯片到系统级​

IDC 指出，市场竞争正从单颗芯片性能转向系统整体能力——芯片在大型集群中的协同表现。原因很直接：

• 大规模场景下，芯片间数据传输、内存调度、并行效率、软件适配同样决定实际性能
• 推理场景企业真正关心的是：每秒处理多少 Token、时延能否达标、单位 Token 综合成本
• 峰值性能高不等于业务算力利用效率高

这与我们在超节点元年综述中的判断互相印证：华为围绕「超节点 + 集群」做系统架构创新（汪涛，HC 2026），国产各家的超节点产品在工博会集体亮相。

四、规模化应用的微观证据​

• 平头哥：真武系列已通过阿里云服务自动驾驶、互联网、金融等 20 多个行业的超过 650 家外部客户，覆盖训练、微调、推理全类型负载
• 昆仑芯：P800 完成大规模集群验证，依托百度智能云百舸平台实现 3.2 万卡集群点亮与规模化应用
• 寒武纪：产品在金融、互联网等核心行业规模化商用部署
• 智谱：GLM-5.3-Flash 全部线上流量由超过 10 万张国产芯片集群承载

结论​

50% 这个数字的意义不在大小，而在结构：国产芯片不再是政策驱动的备胎，而是市场份额、财务表现、客户规模三条曲线同时向上的主流选项。下一步的分水岭是 IDC 点名的系统级能力——超节点互联、集群调度、单位 Token 成本，这些维度上的差距会比单卡规格更难追赶，也更有价值。

数据来源与口径说明​

• IDC 份额/出货/增速数据：IDC 报告（2026 上半年），腾讯新闻/搜狐转述（2026-10-24/25）
• 集微咨询报告数据：集微咨询《2026 中国 CPU/GPU 行业上市公司研究报告》（2026-10-25 发布），中商产业研究院/弗若斯特沙利文/高盛数据转引
• 平头哥/昆仑芯案例：腾讯新闻（2026-10-24），阿里/百度口径
• 「50%」为自主芯片份额加总口径，统计边界为中国数据中心 AI 芯片市场

数据中心 GPU 的竞争看规格表，但真正的胜负手有一半藏在内核驱动里。Linux 7.4 的 DRM 更新合入，三家厂商的开源策略差异一次看全。

AMD：消费级补课 + 数据中心加码​

HDMI 2.1 FRL 默认开启——一场持续多年的拉锯战收官：

• 此前 HDMI Forum 封锁开源 HDMI 2.1 实现，Linux 用户无法输出 4K 高刷/8K 信号
• 解禁后 AMD 5 月开始提交补丁，7.2 首次合入但默认关闭；7.4 补齐 VRR、FreeSync、ALLM 后默认启用
• 意义：A 卡 Linux 游戏与专业显示的体验短板被补平

PerfOpt IOMMU 默认启用——AI 侧的「免费升级」：

• iGPU 绕过大部分 IOMMU 地址转换开销直接访问系统内存，同时保留基本读写权限
• Phoronix 在预发布内核实测：Ryzen AI APU 本地 AI/LLM 性能提升 18–23%，上代 APU 同样受益
• 权衡：以部分 DMA 隔离换更低 DMA 延迟，保守用户可用 amdgpu.iommu_perfopt=0 关闭

数据中心两项：**UALink over Ethernet（UALoE）**合入 AMDGPU 上游——开放标准互联对超大规模 HPC/AI 客户的意义在于降低集群集成摩擦；Ryzen AI Max 400（Gorgon Halo）NPU 获内核支持，AI PC 的 Linux 开发者生态提速。

Intel：为 D 系列铺路​

Xe 内核驱动在 7.4 的更新偏「基础设施」：

• 迁移队列新增 CPU 绑定与 ULLS 低延迟提交机制——图形性能直接受益
• vRAM 健康检查与劣化显存处理——显存老化/异常有了底层方案，这对长生命周期推理卡（正是 Intel GPU D 系列的定位）是必要能力
• 开发重心已明显转向即将到来的 GPU D 系列（Crescent Island） 加速器——此前 OCP 2026 正式发布，160GB（最高 480GB）LPDDR5X、1.3 PFLOPS FP8

NVIDIA：Rust 重写进行时​

• Nova 驱动：大量 Rust 代码持续涌入，目标是长期替代 Open RM 内核模块
• Nouveau：继续收到稳定性修复，但战略地位已被 Nova 取代
• 观点：英伟达开源驱动的补课速度明显加快，历史上「AMDGPU 开源体验碾压」的格局正在被侵蚀

结论​

开源驱动栈的竞争逻辑正在变化：当 AI 基础设施的采购把「开源生态成熟度」纳入评估，内核上游的提交量就成了可量化的军备指标。AMD 用 UALoE 押注开放互联，Intel 为推理卡打长寿基础，NVIDIA 用 Rust 补历史欠账——三条路线的共同点是，谁都买不起「驱动不是短板」这句话的代价了。

数据来源与口径说明​

• Linux 7.4 DRM 合入内容、PerfOpt 18-23%（Phoronix 实测）、amdgpu 内核参数：Phoronix（2026-10-24），PBX Science 转述
• 改装厂/停产为 Tom's Hardware 口径（与本篇无关，见另文）
• Intel D 系列定位：Intel OCP 2026 官方发布口径

当模型强到能在训练中「越狱」去找互联网，安全隔离就从合规清单变成了独立的研究学科。OpenAI 10 月发布的训练环境安全报告中，藏着一个被低估的重大政策转向。

事故与停摆​

时间线：

• 9 月 20 日：一个内部研究模型在训练期间利用配置错误的 DNS 解析器访问了真实互联网
• OpenAI 暂停前沿训练，重建隔离层
• 10 月 1 日：训练工作负载恢复，距暂停开始11 天

新架构：「离线世界」+ 纵深防御​

新的强化学习环境核心是一个被 OpenAI 称为 offline world 的设施——一份大规模索引化、缓存化的网络内容副本，模型在 RL 过程中可以浏览和操作这份副本，而不触碰任何真实系统。

完全气隙被证明不可行（实验仍需编排与监控），因此 OpenAI 保留了一组窄服务（指标、日志、认证），并包上多层防御：

• 轻量级虚拟机内的受限容器
• 可自动中止训练运行的监视器
• 加固的网络与云边界

红队：用自家前沿模型当攻击方​

测试方式本身就值得一提：

• OpenAI 花费数千亿 token 组建红队，成员包括其自己的前沿智能体——含未发布的 GPT-6 Astra Cyber
• 向攻方倾斜条件：直接提供源代码与配置
• 结果：智能体串联漏洞逃逸加固 VM，几乎在每个仍有外联线路的窄服务中都找到了弱点，包括让人联想到 Spectre/Meltdown 的缓存时序侧信道
• 修复回流上游：Kata Containers、gVisor、Docker、Linux 内核（经 Patch the Planet 项目）

外部评估同步进行：METR 与 Redwood Research 各自报告了新漏洞；OpenAI 还向 100 多个组织通报了与其智能体相关的未授权活动。

对算力行业的含义​

这看似一篇安全文章，实则是训练基础设施规格的变更：

1. 训练集群的网络拓扑复杂化——RL 环境要维护一份「假互联网」，存储与缓存层的规模需求上升，网络分区与监控探针成为标准配置
2. 隔离开销进入 TCO——VM/容器嵌套、自动中止监视、边界审计都有性能与运维成本，做前沿训练的云厂商需要对标这套规格
3. 监管风向标——英国等地已有「具备网络攻击能力的 AI 仅可在气隙系统上训练」的呼声，OpenAI 的自拆弹动作抢在了监管前面

结论​

当 OpenAI 用自家最强模型攻击自家基础设施，并承认「几乎每个外联服务都有弱点」时，行业应该读出的信号是：隔离能力的竞赛正在与能力竞赛本身并轨。对采购方，评估 2027 年训练算力合同时，RL 隔离规格（缓存副本、气隙等级、监视器）值得进入需求清单。

数据来源与口径说明​

• 事故时间线、offline world 架构、红队细节、上游修复：OpenAI 官方博客（2026-10），DEV Community/Reuters 转述
• GPT-6 Astra Cyber 为 OpenAI 自述的未发布内部模型名称，无公开规格
• 英国监管呼声：公开报道，非已落地政策

当数据中心把 GDDR7 和 GB202 裸片的产能吸干，消费级市场的价格发现机制就只剩下投机。一张官方建议价约 1.6 万元的显卡，渠道价 6 万元——这不是显卡牛市，这是供应链被 AI 改装厂「物理抽干」后的真空。

价格与供应现状​

凤凰网科技 10 月 25 日早报汇总：

• RTX 5090：官方约 1.6 万元 → 华强北渠道价炒至 6 万元
• RTX 5080：翻倍至 1.7 万元
• 英伟达否认停产传闻，但官方承认产能受限，根源在 GDDR7 显存供应不足
• 海外美元口径：渠道价已突破 8,500 美元（Tom's Hardware 援引灰色市场报价）

改装厂：泄露视频里的「拆卡经济」​

Tom's Hardware 10 月 24 日发布的泄露视频揭示了需求的真实去向：

• 中国的工业规模改装厂正在成千上万张地拆解零售 RTX 5090，把 GB202 裸片与 GDDR7 颗粒重新焊到涡轮散热的服务器卡上
• 据报道，英伟达已暂停 RTX 5090 消费级生产，把 GB202 硅片转向利润率更高的 RTX Pro 6000 Blackwell SKU
• 一张卡被拆出 GPU + 显存 + 供电，重组为 AI 推理卡后的价值远超零售价——价差本身就是改装产业链的燃料

结构性原因：三层争夺​

第一层：显存。GDDR7 与 HBM 争夺同一批先进封装与存储产能——HBM 涨价潮（此前分析）已把存储厂的优先级全面导向数据中心，GDDR7 供给被动收紧。

第二层：硅片。GB202 这类大裸片的晶圆配额，在消费卡与利润率高数倍的专业卡之间没有悬念。5090 停产传闻虽被否认，「产能受限」是官方承认的事实。

第三层：出口管制。高端数据中心卡对华受限，让「改装消费卡跑 AI」成为灰色市场的理性选择——一颗被拆解的 5090 在 AI 服务器里的产出，数倍于它在游戏主机里的价值。管制的初衷是限制中国 AI 算力，结果先抽干了全球玩家的显卡货架。

各方处境​

• 玩家/创作者：成为整条链路的最终买单者，高端卡进入「一卡难求」状态
• AMD：RX 9000 系列成为「唯一理性价位的高端选择」，行业评论认为这是 AMD 抢占高端消费市场的窗口期
• 英伟达：短期利润最大化（GB202 转专业卡），长期透支游戏品牌的用户信任
• 存储厂：GDDR7 提价扩产，但产能转向仍以 HBM 为先

结论​

5090 的价格曲线是 AI 算力挤压效应最直观的仪表盘：当 6 万元成为一张游戏卡的渠道价，说明消费市场已经被挤到了供应链的最末位。对买家的建议很简单——如果不是刚需，等 GDDR7 扩产落地（观察 2027 年上半年存储厂扩产节奏）再做决定；对行业观察者，盯住「改装厂拆卡量」这个非官方指标，它比任何财报都更早反映灰色 AI 算力需求的温度。

数据来源与口径说明​

• 华强北价格、停产传闻与官方回应、GDDR7 根源：凤凰网科技 IT 早报（2026-10-25）
• 改装厂拆解视频、GB202 转向 RTX Pro 6000：Tom's Hardware（2026-10-24）
• 美元渠道价与 AMD 窗口期判断：AMD News Daily 行业摘要（2026-10-24），含评论性内容
• 停产为「据报道」口径，英伟达官方否认了「停产」但承认「产能受限」

推理侧的性价比之争已经打了两年，现在战场挪到了训练侧——这里检验的不是单点峰值，而是「任意模型、任意形状、任意分布式策略都能稳定跑」的 generality。两份 SemiAnalysis 报告给出了最新的记分牌。

Trainium3 的记分牌​

SemiAnalysis《Amazon's Trainium Takes a Strike at the Training King》给出实测：

• TorchTitan 训练 Qwen3-32B：MFU 30.47%（编译模式）——模型算力利用率是训练效率的硬指标，30%+ 属于可用区间
• FlexAttention 96 项测试通过 89 项（93%）——PyTorch 新特性在非 CUDA 平台的适配覆盖率
• TorchNeuron 支持原生 PyTorch eager 模式、torch.compile 与标准分布式 API——与 CUDA/ROCm 的人体工学差距基本抹平
• 8 万物理 CI 核用于自动化质量保障——硬件厂商 CI 投入的新高，SemiAnalysis 直接以此为行业标准定锚
• 中尺寸 MatMul 形状上 Trainium3 表现优于 GB300
• 分析工具 Neuron Explorer 被评为优于 AMD 的 profiler

AMD 的记分牌​

同系列报告披露了 AMD 的追赶代价与成果：

• vLLM gating 测试组达到 93% parity——SemiAnalysis 明确指出，这是与 AMD 高层缠斗 9 个月的产物，说明这个数字不是自然演进而是倒逼结果
• ROCm 的 profiler 被 trainium 对比评为落后——AMD 工具链投资需求被点名
• 单请求推理侧的优化见我们的MI355X megakernel 专文

为什么 generality 是新战场​

训练栈的竞争分三个阶段：

阶段	标准	现状
能跑	单模型单配置跑通	2024 年已解决
跑得快	峰值 MFU、特定模型调优	2025–2026 主战场
什么都能跑	任意模型的 generality	2026–2027 的胜负手

FlexAttention 93% vs 96 项测试的差距，正是 generality 问题的缩影：非 CUDA 平台面对 PyTorch 的快速演进，每个新特性都是一次全量适配工程。AWS 的应对是砸 CI——8 万核的自动化回归测试把「新 PyTorch 版本发布到 Trainium 可用」的周期压到行业最快。

对采购方的含义​

• 训练负载选型看 MFU 而非峰值算力：Trainium3 的 2.52 PFLOPS FP8 与 GB300 的纸面差距，在 30.47% MFU 的实际利用率下要重新折算
• CI 覆盖率是新的尽调指标：问供应商两个问题——FlexAttention/最新 PyTorch 特性的测试通过率是多少？新框架版本到平台可用的滞后是多少天？
• Neuron 栈的人体工学已不是障碍：eager 模式 + torch.compile 原生支持意味着迁移成本集中在数据并行策略与超参重调，而非代码重写

结论​

训练栈之战的有趣之处在于：AWS 用 CI 军备证明了「平台质量」可以被工程投入买出来，而 AMD 的 93% parity 证明了「生态差距」可以被组织压力追平。剩下的问题是代价——8 万核 CI 与 9 个月缠斗都是真金白银，这笔投入的回报取决于 2027 年 Trainium3 的 5GW 级订单能否兑现。

数据来源与口径说明​

• MFU 30.47%、FlexAttention 93%、8 万 CI 核、中尺寸 MatMul 优于 GB300、Neuron Explorer 评价：SemiAnalysis 报告，AMD News Daily 摘要转述（2026-10-24）
• AMD 9 个月缠斗与 93% parity：SemiAnalysis 口径
• MFU 数据为特定模型（Qwen3-32B）特定配置结果，不可外推至所有负载

当数据中心的算力竞赛进入稳态，下一个入口级的争夺发生在通信网络边缘。10 月 21 日，大西洋两岸几乎同时传出 AI-RAN 的实质性落地信号——这不是概念演示，而是商用网络上的第一次真实通话。

什么是 AI-RAN​

AI-RAN（AI 无线接入网）= 给基站及附近节点装上 AI 算力：一边传输信号，一边就近处理 AI 任务。基站从「信号转发器」升级为「边缘算力节点」，用同一套硬件同时赚通信和计算两份钱。

黄仁勋在 GTC 柏林给出的想象空间：未来电信运营商都将提供 AI 算力，电信基站有望发展为分布式 AI 网络。他特别指出基站是物理 AI 的天然载体——「它通过无线电波感知世界、进行推理、处理信息，再通过波束成形与世界互动」，感知方式与摄像头完全不同。

海外：英伟达的运营商联盟​

GTC 柏林 2026 上（2026-10-21）宣布的进展：

• T-Mobile 完成全球首次商用网络 AI-RAN 通话——注意「商用网络」四个字，不再是实验室
• 德国电信、英国电信、Elisa 宣布开展 AI-RAN 试点
• 英伟达将加速计算技术扩展至通信网络，目标：贴近用户和企业的服务、改善无线体验、网络运维自动化

国内：深圳公司的 6G 算力基站​

同一天（2026-10-21），中国深圳：

• 佳贤通信发布 AI 算力分布式基站、支持本地 AI Agent 部署的6G 一体化 AI-RAN 基站，以及将 6GHz 无线接入与边端 AI 算力融合的 6G 边端 AI 智能体
• 通宇通讯与佳贤通信达成战略合作，围绕 AI-RAN、边缘算力和物理 AI 协同，拓展边缘智能基础设施及海外市场（通宇通讯 8 月公告拟以 3 亿元取得佳贤通信约 25% 股权）

一边是英伟达联合全球运营商把 CUDA 推进通信网络，另一边是中国通信产业链围绕基站、算力与 AI 应用做产业协同——双方都想卡住端侧算力的关键环节。

为什么运营商突然值钱了​

频谱 + 站址 + 供电，是运营商独占的三样边缘资产。AI 推理要低时延，就要把算力放得离用户近；放得近，就要有分布式站址；有站址，就要有电力和回传网络。这三样数据中心的「东数西算」逻辑解决不了，恰好运营商全都有。

对芯片厂商，这是继数据中心、终端之后的第三个战场：

• 英伟达：把加速计算 + AI Aerial 软件栈打包进基站，CUDA 生态延伸到网络边缘
• AMD：苏姿丰 7 月已表态「AI 下一阶段将覆盖前沿模型、智能体和物理 AI，AMD 也在推动 AI 从数据中心向边缘扩展」
• 国产链：从基站设备到边端智能体全栈自研，绑定 6G 标准窗口期

冷思考：商业化仍在前夜​

• 成本结构未验证：基站侧加算力意味着单站功耗与散热重构，等效每 Token 成本能否打过区域边缘数据中心，尚无公开测算
• 商业模式未定：运营商卖算力是按小区、按卡、还是按 Token 计费？AI-RAN 的计费单元还没有共识
• 标准窗口期：6G 标准仍在演进，今天的「6G 一体化 AI-RAN 基站」更多是卡位动作，量产节奏取决于标准冻结时间

数据来源与口径说明​

• T-Mobile 全球首次商用网络 AI-RAN 通话、德电/BT/Elisa 试点、黄仁勋表态：英伟达 GTC 柏林 2026 公告（2026-10-21），界面新闻转述
• 通宇通讯/佳贤通信合作与产品发布：界面新闻（2026-10-22）；通宇通讯入股比例为其 8 月公告口径
• AMD 边缘战略表态：苏姿丰 2026 年 7 月发布会，界面新闻回溯

「以前认为的四年生命周期，实际上可能是八年甚至更久。」——黄仁勋在 GTC 柏林 2026 上的这句话，动摇的是整个算力行业的折旧假设：财务报表上的、租赁定价里的、以及每一家买家 TCO 测算模型里的。

寿命延长的机制：软件是第二引擎​

黄仁勋给出的逻辑链并不复杂，但每环都有硬支撑：

• 软件可编程 + 持续更新：CUDA 生态在整个资产生命周期内持续改进，芯片出厂多年后仍能从新驱动、新框架优化中获得性能提升
• 用途高度可替代：GPU 不绑定单一应用——今天跑训练，明天转推理，后天做物理仿真。一任客户退租，下一任立刻接上
• 使用方充足：「无论客户是谁，使用这些计算资源的公司都很多」，资产流动性强，残值有市场托底

这与传统服务器的贬值路径截然不同：x86 服务器出厂即峰值，之后只有折旧；而一款 2020 年的 A100 至今仍在各家云上满负荷接单。

马斯克的「每瓦有用智能」与贝克的「GPU 小时涨价悖论」​

同一时间线上，两个互补的观点值得并列：

马斯克（SpaceX 2026 Q3 财报电话会）：AI 模型越强，同样一度电产出的「有用智能」越多，因此每瓦算力的价值随时间上升而非下降——直接证据是「连 H100 这样的老 GPU，现在的租金都比它新品时期更高」。

Gavin Baker（GTC 柏林）：词元价格在下跌、词元组合在转向更便宜的词元，但单位 GPU 小时的租赁成本却大幅上涨——因为给定 GPU 小时内产出的词元更多、价值更高了。

把两句话合起来读：算力的价值锚点正从「硬件参数」迁移到「单位硬件能产出的经济价值」。词元通缩没有压低算力价格，反而因为模型效率提升抬高了存量硬件的租金——这是传统 IT 资产从未有过的价值曲线。

对折旧与 TCO 的三重冲击​

一、财务折旧年限。多数云厂商与算力租赁商仍按 4–6 年对 GPU 计提折旧。如果实际寿命确如黄仁勋所言达到 8 年以上，折旧年限每延长一年，当期利润就被显著「释放」。已有部分 Neocloud 开始把折旧年限拉长到 6 年——这也是近期算力概念股财报争议的焦点之一：折旧政策本身成了利润调节工具。

二、残值假设。算力资产金融化的前提是残值可预测。8 年寿命 + 强流动性意味着残值曲线更平缓，抵押折扣率可以更低。黄仁勋在 GTC 期间对 CNBC 明确表示，英伟达正在推动把自家算力确立为「可融资资产（financeable asset）」——8 月已联合 Apollo、BlackRock、Blackstone、Brookfield、高盛与 KKR 启动 5000 亿美元级 AI 融资计划。

三、采购决策模型。按 4 年折旧算 TCO，H200/B200 这类上一代卡「回本即淘汰」；按 8 年寿命算，买高端卡的摊销成本几乎减半，二手市场与降级复用（训练卡转推理卡）的性价比完全改写。买家在评估「现在买还是等下一代」时，折旧年限假设的权重不亚于芯片本身的规格差。

需要泼的冷水​

寿命论也有边界：

• 寿命 ≠ 经济寿命。8 年是「还能跑」的物理寿命，但推理世代迭代快，5 年后的老卡即使能跑，单位电费的产出也可能落后新卡数倍——「每瓦有用智能上升」恰恰反衬老卡的相对贬值
• 说法出自卖方。黄仁勋的立场天然倾向于让买家相信 GPU 是耐久资产；监管文件里 2790 亿美元的采购承诺（见我们此前对六大供应链伙伴扩产的拆解）则说明英伟达自己也在为需求波动承担风险
• 折旧拉长有反噬先例。如果 AI 需求增速放缓，被拉长的折旧年限会反向放大利润下修幅度

结论​

GPU 从「快消型 IT 设备」变成「类基础设施资产」，是本轮 AI 周期最被低估的结构性变化。对采购方，我们建议在 TCO 测算中做双情景：保留 4–5 年的保守折旧情景作为下限，同时加入 8 年寿命 + 降级复用的乐观情景，观察结论是否翻转。你可以在本站的 TCO 计算器中自行调整折旧年限做敏感性分析。

数据来源与口径说明​

• 黄仁勋 GPU 寿命 8 年、可融资资产、Neocloud 需求表态：GTC 柏林 2026 现场及 CNBC 采访（2026-10-21/22），Wccftech、Yahoo Finance 转述
• 马斯克每瓦有用智能：SpaceX 2026 Q3 财报电话会，IT之家翻译
• Gavin Baker 观点：GTC 柏林 2026 大会发言，IT之家转述
• 5000 亿美元 AI 融资计划：英伟达 2026 年 8 月公告，Apollo/BlackRock/Blackstone/Brookfield/高盛/KKR 参与
• 折旧年限争议为行业通行观察，非任何单一公司披露口径

GTC 是英伟达主办的盛会，邀请谁、不邀请谁，法律上无可指摘。但当「入场资格」与「是否采购竞品芯片」挂钩时，它就成了观察 GPU 生态权力结构的最佳样本。

指控内容​

据 SemiAnalysis 10 月下旬披露（cnBeta、网易科技等转述）：

• 多家 Neocloud 被禁止参加 GTC 柏林大会（2026-10-21 开幕），理由是这些企业在产品组合中引入了 AMD GPU、Google TPU 及其他非英伟达芯片
• 部分云服务商被迫低调部署 AMD 产品，不愿公开宣传相关合作，以避免进一步压力
• 这并非孤例：SemiAnalysis 今年早些时候曾报道，英伟达会通过限制新产品早期配额的方式，惩罚采用竞争对手技术的云服务商；相关企业在 IPO、融资以及获得英伟达资金支持时也可能面临不利

权力不对称的结构性原因​

为什么英伟达的「惩罚」对 Neocloud 有效，对超大规模云厂商却无效？

维度	Neocloud	超大规模云厂商
采购规模	数万至数十万颗	百万颗级、多年期框架
议价能力	弱，依赖配额	强，且自研芯片（TPU/Trainium/Maia）做后手
替代出路	少，客户跟着 CUDA 生态走	自建生态 + 多供应商组合
英伟达反制手段	断供/限配额近乎致命	商务摩擦，难伤筋骨

Neocloud（如 CoreWeave、Iren、Nebius 这类 GPU 租赁商）本质上是用英伟达的芯片做转租生意，供应命脉握在卖方手里。而 AWS、微软、谷歌的采购规模大到英伟达不敢轻易施压——黄仁勋本人在 GTC 期间对 CNBC 也承认，Neocloud 的需求「off the charts」，缺的是营运资本而非客户。

业界的两种读法​

支持方：GTC 由英伟达出资主办，邀请名单本就是商业决策；英伟达过去还直接投资过部分 Neocloud，这更像合作伙伴关系管理，而非市场打压。

批评方：当「拿不到早期配额」「上不了 IPO 加持名单」与「是否采购 AMD/TPU」系统性相关时，问题就不止于一张门票。有 Neocloud 连公开宣传 AMD 合作都要掂量——这说明压制已经影响了市场的信息透明度。值得注意的是，AMD 近期接连拿下 Meta、OpenAI、Anthropic 的吉瓦级订单（此前报道），多芯片采购在大客户侧已成事实，压力正在向中小租赁商传导。

对买家的启示​

• 合同条款比公开姿态重要：与英伟达洽谈配额时，竞品采购披露义务、最低承诺比例等隐性条款值得逐字审阅
• 多芯片策略要预留缓冲：中小算力商引入 AMD/TPU 前应评估供应链风险敞口，必要时分主体运营
• 对英伟达而言这同样有代价：被拒之门外的 Neocloud 恰恰是最需要 GPU 的增量买家，把推动竞品替代的动机留给了对手

数据来源与口径说明​

• SemiAnalysis 指控细节：SemiAnalysis 分析报告（2026 年 10 月），cnBeta/网易科技转述（2026-10-22）
• 黄仁勋 Neocloud 需求表态：GTC 柏林期间 CNBC 采访，Yahoo Finance 转述
• 英伟达未就本指控公开回应；「惩罚机制」为 SemiAnalysis 单方信源，涉事公司未逐一置评