62 篇博文 含有标签「NVIDIA」

「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）

「先造一颗芯片，再想办法让人用它」——黄仁勋在 GTC 柏林这样形容所有竞争者，并给 CUDA 的领先下了一个时间量纲：25 年，单一架构。但就在同一个 10 月，谷歌和 AWS 的开源工具把「换芯片」的成本从数月压到了几分钟。

防御方：CUDA 飞轮论​

黄仁勋的论证结构很清晰：

• 飞轮效应：开发者加入 → 软件库更丰富 → 更多开发者加入，价值随时间复利
• 深库优化 + 深硬件接口优化：这是长期投入的产物，无法靠一颗新芯片一次性复制
• 先芯片后生态是死路：竞争者「先开发芯片，再找理由让人用它」，顺序反了

他同时承认了两个新变量：大语言模型写代码的速度已快于人类，理论上可以让对手跳过 CUDA 的漫长积累周期；地缘政治则推动华为（CANN）、寒武纪等在特定区域自建类 CUDA 生态。

进攻方：把迁移成本压到 model.to()​

PyTorch Conference 2026 上，谷歌与 AWS 同步出手：

工具	厂商	迁移成本	验证覆盖
TorchTPU（开源）	Google	设备改为 model.to('tpu')	近 5000 个 HuggingFace 高频模型中 4917 个端到端验证，Tier-1 无崩溃通过率 98%，迁移时间压缩至几分钟到数天
TorchNeuron（Apache 2.0）	AWS	指向 CUDA 的设定改为 AWS Neuron，少量配置修改	直接运行于 Trainium2/Trainium3

技术路径也换代了：TorchTPU 通过 PyTorch 的 PrivateUse1 扩展点把 TPU 暴露为原生 PyTorch 设备，ATen 算子直接路由到 TPU 后端——不再是旧 TorchAX 那种「翻译成 JAX」的间接层。

性能佐证：TPU 不只是便宜​

光有易迁移不够，性能得站得住。一个第三方口径的对比：

• 16 颗 Ironwood（TPU v7）运行 Kimi K3，开启推测解码，单用户生成 709 tokens/s
• 同等规模 16 块 GB200 + vLLM：452 tokens/s——TPU 领先约 57%

加上此前 SemiAnalysis AgentX 基准中 TPUv7 对 GB300 NVL72 的 1.67 倍性价比，推理侧的「性价比叙事」正在从宣传口径变成第三方可复现的测试结果。

护城河的真实宽度​

冷静看，CUDA 的壁垒远不止模型迁移：

1. 训练栈：TorchTPU/TorchNeuron 主要覆盖 eager 推理与前向，超大规模训练的稳定性、容错、checkpoint 生态仍在 CUDA 手里
2. 算子长尾：98% 通过率意味着 2% 的长尾——恰恰是前沿模型的自定义算子最集中的区域
3. 工具链纵深：NCCL 级通信库、调试器、性能分析器、算子自动调优，都需要数年沉淀
4. 人力市场：会 CUDA 的工程师供给仍是 TPU/Neuron 的数倍

但方向已经变了：当迁移成本从「重写应用」降到「改一行设备名」，采购决策的权重就从生态锁定滑向每 Token 成本与供货确定性。这正是黄仁勋要亲自下场反复辩护的原因——护城河最深的部分（训练栈与长尾算子）还够深，但城墙外围（推理迁移）已经开始被渗透。

结论​

CUDA 25 年功力是真的，但「挡不住」的判词下得太早的也是黄仁勋自己——他说的是别人挡不住英伟达，而现实是英伟达也开始挡不住别人了。未来 12 个月值得盯两个数字：HuggingFace 模型在 TPU/Trainium 上的端到端验证覆盖率能否从 98% 推向 99%+，以及训练栈（而不只是推理）的第三方基准是否出现同等量级的反超。

数据来源与口径说明​

• 黄仁勋 CUDA 表态：GTC 柏林 2026，PC Central 等转述
• TorchTPU 98%/4917 模型/Tier-1 通过率：谷歌官方口径，电子工程专辑转述
• Kimi K3 709 vs 452 tokens/s：公开报道口径，测试条件（推测解码 vs vLLM）不完全对等，仅作方向参考
• TorchNeuron：AWS 官方（Apache 2.0），本站此前有专文分析

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」

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

当 GPU 本体之外的所有环节都成为瓶颈，英伟达选择用现金把确定性买下来。10 月 21 日 GTC 柏林大会上宣布的六笔供应链合作，与其说是一次扩产公告，不如说是一份「产能包销协议」清单。

六家伙伴，六个瓶颈​

英伟达 AI 系统的产能瓶颈早已不在 GPU 裸片，而在 GPU 周围的基板、封装、测试与光引擎。本次六笔合作恰好各堵一个漏洞：

环节	伙伴	扩产目标	时间表
基板	IBIDEN（揖斐电）	日本小野工厂产能提升至 3 倍	2028 年 Q1 起逐步上线
基板	三星电机（SEMCO）	立即加入基板供应链，世宗/釜山扩建	即期启动出货
基板	欣兴电子（Unimicron）	KF 基板扩产（产能预留协议）	2027 年 Q2 爬坡、2028 年满产
先进封装	Amkor（安靠）	韩国中介层晶圆产能提升 300% 以上	2028 年底前
半导体测试	京元电子（KYEC）	11 亿美元预付款，新加坡 + 美国新产能	新加坡 2027 年 2 月、美国 2027 年 4 月量产
CPO 光引擎	矽品精密（SPIL）	光学引擎产能提升 15 倍，2028 年底再翻番	2027 年年中达成 15 倍

整体口径：未来三年基板产能提升至 2.5 倍；测试需求 2026–2027 年翻倍；CPO 光引擎 2027 年年中 15 倍。

2790 亿美元采购承诺：钱从哪里来，风险在哪里​

监管文件显示，截至 7 月底英伟达的采购与产能承诺已达 2790 亿美元，单季度增加 1600 亿美元，主要投向存储与厂房空间。文件同时承认：如果需求下滑，公司可能无法从这些承诺中抽身。

这就是「预付款买产能」模式的本质交换：英伟达用现金和多年期包销换取确定性，把需求波动风险留在自己资产负债表上。最大单笔是给京元电的 11 亿美元测试产能预付款——测试环节历来不起眼，却是 Rubin 世代 CoWoS-L 大封装良率把关的最后闸门。

高盛的解读：为远超预期的 GPU 出货做准备​

高盛研究团队在 GTC 后的报告中给出了更激进的判断：这轮供应链布局的规模，已超出市场对下一代产品爬坡节奏的普遍预期，表明英伟达正在为一次远超此前预期的大规模出货做准备。

三个佐证：

• 客户单位经济效益成立：高盛指出超大规模云厂商与 Neocloud 「正从当前的数据中心部署中实现强劲的单位经济效益」——钱花得出去也赚得回来，这是 AI 资本开支持续的核心逻辑
• 物理 AI 提前放量：该业务 FY27 上半年收入已达 110 亿美元，超过 FY26 全年
• 资本回报兜底：英伟达已授权约 2350 亿美元回购，配合扩产缩小供需缺口

对采购方的含义​

对正在规划 2027–2028 年算力采购的用户，这轮扩产有两个直接信号：

1. 基板/封装不再是 2027 年的最大变量——IBIDEN 三倍产能 2028 年 Q1 上线后，此前制约 HBM 与 CoWoS 供给的封装瓶颈将系统性缓解
2. CPO 光引擎 15 倍扩产印证 Rubin 世代全面转向共封装光学——后续评估数据中心网络架构时，应把光引擎供给与交换机世代纳入选址与备货模型

参考阅读：Rubin R200 芯片卡片、以及我们此前对 CoWoS 封装瓶颈的分析。

数据来源与口径说明​

• 六笔合作细节与扩产倍数：英伟达 GTC 柏林 2026 官方公告（2026-10-21），IT之家、ChipNews 转述
• 2790 亿美元采购承诺：英伟达监管文件（截至 2026 年 7 月底），ChipNews 援引
• 高盛观点：高盛研究报告（2026-10-22），华尔街见闻转述
• 京元电 11 亿美元预付款：英伟达公告，IT之家（约合 73.58 亿元人民币）

继 10 月 21 日 GTC 柏林宣布 Vera Rubin 全面生产后，落地最快的消息来自谷歌：Google Cloud 与英伟达联合宣布 Vera Rubin 基础设施进入 GA 节奏——搭载 Vera Rubin NVL72 的 A5X 实例下月上线。

一、关键事实​

项目	内容
实例	A5X（Vera Rubin NVL72 液冷机柜）
上线时间	2026 年 11 月 GA
部署计划	最多 96 万块 Rubin GPU
首批用户	伦敦 AI 公司 Ineffable Intelligence（大规模强化学习研究）
区域扩展	后续扩展至欧洲

96 万块是什么概念？以 NVL72 机柜计约 1.3 万座机柜，接近一座 1GW 级 AI 工厂的芯片量级——谷歌在自家 TPU 之外，同时在 GPU 侧保持十万级到百万级的采购节奏，「TPU 自研 + GPU 采购」双轨继续加码。

二、对云选型的三个信号​

1. Rubin 可用性不再纸面：GA 实例意味着企业可以在云上按需消费 Rubin 算力，而不必自己锁机柜订单——中小团队吃到最新硬件的时间差缩短到「一个月」
2. 强化学习负载成为首发场景：Ineffable Intelligence 用 A5X 做 RL 研究，与推理侧 ASIC 替代曲线形成对照——训练与 RL 仍是 GPU 最深的护城河
3. 云承诺可抵扣：已有 Google Cloud 消费承诺的企业可以直接用 A5X 对冲承诺额度（这与 OpenAI 模型上架 Google Cloud Marketplace 的结算逻辑一致）

三、与 TPU 的关系：不是替代，是分层​

谷歌 2026 年 capex 指导 $1950-2050 亿，TPU（v8 训练/推理双线、2027 年底全面量产）与 Rubin GPU 各自承接不同负载层：固定的大规模推理走 TPU，前沿训练、RL 与需要 CUDA 生态的客户负载走 GPU。对采购方，这意味着在谷歌云一家就能同时拿到两大技术路线——议价时多了一张牌。

延伸阅读：Rubin R200 卡片 · TPU 8t/8i 卡片 · TCO 计算器

10 月 21 日，英伟达 GTC 大会在柏林 Tempodrom 开幕，黄仁勋近两小时的主题演讲把「AI 工厂」放到了叙事中心：AI 正推动人类历史上规模最大的基础设施建设，欧洲要从 AI 消费者变成 AI 生产者。

一、Vera Rubin：全面生产 + 30 倍性能曲线​

• 全面生产（Full Production）：Vera Rubin 平台正式宣布进入全面生产阶段
• 全液冷设计，单机架接入 72 颗 GPU 组成超算（Rubin R200 卡片）
• 性能曲线：Blackwell 较 Hopper 提升 30 倍，Vera Rubin 预计两年内再提升 30 倍——超越摩尔定律增长预期

二、DSX POD：AI 工厂变成「集装箱交付」​

这是本次演讲最具工程意义的发布：把 Vera Rubin 机柜、网络布线、液冷系统提前在工厂完成集成测试，再以集装箱形式交付：

指标	传统方式	DSX POD
现场部署时间	~6 个月	最快 14 天
1GW AI 工厂造价	~500 亿美元	延迟三个月上电 = 数十亿美元收入损失
冷却用水	蒸发冷却	闭环液冷，吉瓦级日节水 5400 万升

配套 DSX MaxLPS 软件按负载动态分配电力，同 Token 产出最高省电 30%。联想、戴尔、HPE、施耐德电气等 17 家伙伴计划 2027 年初推出产品。英伟达超大规模副总裁 Ian Buck 补充：数百兆瓦级项目是 DSX POD 近期主战场，并非全面取代传统机房。

三、OpenShell 与六款开源模型​

• OpenShell 安全参考架构：面向智能体的内核级沙箱、最小权限、动态策略控制——黄仁勋称之为「英伟达做过最重要的事之一」
• 六款开源模型：Nemotron（语言）、Cosmos 3.5（世界模型）、GR00T（人形机器人）、Alpamayo 2 Edge（自动驾驶）、Ising（量子经典计算）、Earth-2（物理 AI）

四、欧洲牌​

黄仁勋演讲前走访法英瑞典德：过去一年对欧洲技术生态投入近 100 亿美元、联动超 1.2 万家伙伴；英国获 5 年 2.5 亿美元算力捐赠；瑞典联盟共建 Sferical One 超算。据美联社，欧洲目前仅拥有全球约 5% 的 AI 算力——这正是「欧洲造 AI 工厂」叙事的立足点。

延伸阅读：Google Cloud A5X 与 96 万块 Rubin · Rubin Q4 放量 · 完整对比表

GTC 柏林上，黄仁勋把大量篇幅给了智能体（Agent），并抛出一个值得记住的框架：模型只是智能体的第一要素——让 AI 真正完成任务，还需要编排外壳、沙箱、知识与工具。配套发布的 OpenShell 安全参考架构，被他自己称为「英伟达做过最重要的事情之一」。

一、智能体五要素​

要素	职责	典型实现
模型	感知、推理、规划	Nemotron / 任何前沿 LLM
编排外壳	调度任务、管理状态	LangGraph / 自研框架
沙箱	限制权限、隔离执行	OpenShell 参考架构
知识	企业私有上下文	RAG / 知识库
工具	实际动作执行	API / MCP / 代码执行

这个框架的意图很清晰：把智能体从「模型 + 提示词」的松散组合，升级为有明确安全边界的工程体系。

二、OpenShell 是什么​

OpenShell 是一个安全参考架构（reference architecture），核心三件套：

1. 内核级沙箱：智能体生成的代码在硬件辅助隔离环境中执行
2. 最小权限：每个任务只授予完成它所必需的资源访问
3. 动态策略控制：权限随任务上下文动态调整，而非一次性静态配置

同场发布的还有机密计算（Confidential Computing）扩容——前沿模型开发者可以在全球基础设施上安全扩展。加上 cuDSS GA、Isaac 平台机器人扩展，GTC 柏林的企业级拼图相当完整。

三、对算力采购的隐性影响​

1. 安全栈进 RFP：智能体项目的算力招标里，「沙箱与权限体系」正在从加分项变成必选项——这会直接影响平台选择
2. CPU 与机密计算需求上升：沙箱、权限校验、任务隔离都是 CPU/内存密集型工作，呼应 Vera CPU 拿下 Modal 首单的逻辑
3. 主权 AI 的抓手：OpenShell + 开源 Nemotron + 本地 AI 工厂，构成「数据不出境跑智能体」的完整方案——这正是欧洲牌的技术底座

四、冷静的一面​

参考架构不是产品，OpenShell 的实际落地要看 OEM 与云厂商的采纳速度。智能体安全也远非单一架构能解决——但「把安全边界画进智能体定义里」这件事本身，比任何具体实现都重要。

延伸阅读：GTC 柏林综述 · AI 服务器 GPU/ASIC/CPU 三分天下