上周，全球科技股遭遇大规模抛售，AI泡沫担忧再起，一个核心质疑也浮出水面：
科技巨头不断扩大数据中心和算力投入，数万亿美元的资本开支，最终要靠谁来买单？如果OpenAI、Anthropic等前沿AI实验室的营收增速放缓，这场AI基础设施建设还能持续吗？
日前，英伟达CEO黄仁勋做客BG2播客，与投资人布拉德·格斯特纳（Brad Gerstner）和克拉克·唐（Clark Tang）展开了一场近100分钟的深度对谈，直面市场最核心的焦虑：AI砸下这么多钱，最终要靠什么回本？
黄仁勋试图解释，市场为什么可能低估了AI算力需求的增长空间，以及这轮基础设施投资背后的商业逻辑。
01
AI巨额投资靠什么回本？黄仁勋拆解三大需求来源
主持人Brad算了一笔账：按照他的估算，今年前沿AI实验室和部分推理模型公司的收入合计约2000亿美元。如果要让数万亿美元的基础设施投资在财务上说得通，相关收入明年需要翻倍至4000亿美元，后年再翻倍至8000亿美元。
Brad追问黄仁勋：这些AI实验室未来还能持续实现每年2至3倍的收入增长吗？
黄仁勋的回答是：“人们误解了正在发生的事情。”
在他看来，市场的一个主要误区，是把整个AI基础设施的投资回报过度绑定在少数几家前沿AI实验室的收入上。
他将英伟达所服务的计算市场划分为三个板块，每一块都构成了重要的需求来源。
第一块，约三分之一来自传统计算与科学计算。
这部分业务不依赖前沿AI实验室，它包括数据处理、分子动力学、物理仿真、核聚变与核裂变模拟、量子化学、计算机图形学，以及传统机器学习应用。
例如，Visa和万事达卡利用机器学习识别欺诈交易，互联网平台通过推荐系统判断用户可能感兴趣的内容，都属于这一范畴。黄仁勋表示，即使完全不考虑前沿AI，这部分业务每年仍能增长约30%至40%。
第二块，前沿AI实验室贡献了不到三分之一的业务收入，占计算需求约25%至30%。
黄仁勋指出，市场通常只看到OpenAI和Anthropic两家公司，但英伟达服务的前沿AI实验室远不止两家，还包括Meta、xAI、谷歌Gemini等。
“如果你告诉我，这部分占我们业务收入不到三分之一、占计算需求约四分之一，那很好。”黄仁勋在访谈中表示。
前沿AI实验室无疑是重要客户，但它们只是整个计算市场的一部分。即使部分头部模型公司的收入增长低于市场最乐观的预期，也不能据此推断整个AI基础设施市场就失去了增长基础。
第三块，约三分之一来自面向下一代计算平台的云服务业务。
随着新计算平台兴起，数千家创业公司正在进入物理AI、生物AI、材料科学和消费应用等领域。它们利用开放模型，结合专有数据和行业知识，开发面向特定场景的AI产品，并通过租用算力开展业务。
黄仁勋举例提到了物理AI、生物AI和材料科学领域的创业公司，以及杰夫·贝索斯参与创立的Prometheus。他指出，这些公司中的许多会直接租用英伟达算力开展业务。新一代云服务商则为这些企业提供算力，成为连接英伟达与大量初创公司的重要一环。
黄仁勋还表示，在他观察的这批初创公司中，约80%使用开放模型。它们通常不需要从零开始训练通用大模型，而是将现有模型应用于制造、医疗等具体领域，围绕专有数据和特定任务构建产品。
他将这部分业务形容为“面向下一代的云计算”，类似今天的AWS，只不过服务的是正在形成的新一代计算平台。新一代云服务商负责提供算力，成千上万家初创企业则在其上开发应用，共同构成新的计算需求。
这三类需求共同构成了黄仁勋对AI基础设施市场的判断：传统计算仍在增长，前沿AI实验室持续扩张，大量初创企业则在开辟新的应用场景。
因此，黄仁勋认为，OpenAI和Anthropic有望成为科技史上最重要的企业之一，但它们的收入规模不必达到万亿美元，整个计算市场的增长逻辑也可以成立。
02
算力需求加速的底层逻辑：
AI越能干，人们就越愿意让它干活
Brad回顾了黄仁勋此前的两个判断：推理算力需求可能增长至原来的十亿倍，全球累计算力基础设施建设规模至少达到2万亿美元。Brad在访谈中表示，后一个数字对应的建设规模如今已经被超越。
黄仁勋这次进一步解释了算力需求加速背后的增长逻辑：为什么AI能力越强，消耗的算力反而可能越多？为什么智能成本不断下降，市场需求却可能进一步扩大？
他的判断建立在两种相互叠加的力量之上：AI完成单项任务需要更多计算资源，同时，能力提升又让AI能够承担更多工作。
1.推理范式转变：从直接生成到多步思考与探索
过去，AI可以根据训练中学到的知识直接生成回答。而如今，面对复杂问题，它需要进一步推理、制定计划、探索多个方案、评估结果，并在反思中淘汰无效路径。
黄仁勋将这一过程比作优秀战略家保留“战略选择权”：不急于排除其他可能性，而是先探索不同路径，再逐步筛选最优方案。多轮思考、搜索和验证意味着更多的推理计算。
随着AI从回答问题走向解决复杂问题，单项任务的计算消耗可能大幅增加。这也是黄仁勋判断推理算力需求将持续扩张的重要原因。
2.系统形态演进：从大模型规模扩展到智能体运行框架
黄仁勋认为，过去一年一个重要的进展，是在继续扩大模型规模的同时，为大语言模型配备一套称为Harness的运行框架。他将其比作大语言模型的“外骨骼”，用于管理工作记忆、积累和整理知识、构建长期知识图谱，以及调用外部工具。
其中，知识管理类似人类睡眠时的记忆巩固：重要信息得到保留、重新连接，无关信息则逐渐淡化。工具使用则让AI能够操作人类已经开发的专业软件，而不必从头重新创造所有工具。
黄仁勋列举了SPICE电路仿真工具、Verilog硬件描述语言、各类模拟器、Photoshop、AutoCAD和西门子工业软件等。他认为，AI学会使用这些工具后，就有机会进入软件工程、芯片设计、工业设计等专业工作流程。
编程是较早落地的场景，设计、创意营销和科学研究则有望成为下一波应用方向。AI由此开始从对话系统走向能够持续执行任务的智能体，其商业价值也将从生成内容扩展到完成工作。
3.双重增长效应：单项任务消耗更多算力，AI承担更多工作
黄仁勋将算力需求的增长归结为两个相互叠加的因素。
第一，AI为了完成更复杂的任务，需要进行更多推理、探索和反思，单项任务消耗的算力随之增加。
第二，AI能力越强、完成工作越有效，人们就越愿意把更多任务交给它。正如黄仁勋所说，AI用更多算力完成工作，但因为表现更好，人们会“雇佣”它去做更多工作。
两种效应叠加，使算力需求具有复合增长的潜力。
与此同时，黄仁勋对智能成本的下降速度持乐观态度。他希望单位智能成本每年降至原来的二分之一，甚至二十分之一，并认为成本下降会释放新的需求。
这与经济学中的杰文斯悖论有相似之处：当一种资源的使用成本下降时，人们可能将它应用于更多场景，最终推动总消费量上升。智能变得更便宜，企业和研究人员就可能尝试过去因成本过高而无法开展的任务。
换句话说，AI的效率提升未必会减少总算力需求。它还可能让更多任务变得经济可行，进一步扩大计算市场。
03
算力扩张的瓶颈，正在从芯片转向物理世界
即使算力需求持续增长，也不意味着所有投资都能迅速转化为可用的计算能力。
在访谈中，Brad引用行业分析提出一个预测：2027年可能有约43吉瓦的新AI算力投入使用，2028年还可能新增约40吉瓦。按照这一估算，2027年的新增规模就可能接近甚至超过当时全球已有的AI算力规模。
黄仁勋对需求本身持乐观态度，但他同时指出，芯片之外的电力、土地、数据中心建设和专业劳动力，正在成为制约算力扩张的重要因素。
具体来看，有四大约束。
第一，电力与土地。数据中心需要合适的建设用地，以及足够稳定的电力供应。即使芯片已经到货，如果电网接入、供电容量或选址条件不满足要求，算力仍无法投入使用。
第二，数据中心建筑与配套设施。数据中心需要建设机房主体，并配备冷却、电气和其他基础设施。建设速度跟不上芯片交付速度，就会导致设备闲置或项目延迟上线。
第三，专业劳动力短缺。大型数据中心需要电气装配工、管道工及其他具备专业技能的工程人员。如此大规模的基础设施建设，无法在短时间内无限扩大施工能力。
第四，许可审批与地方限制。环境评估、建设许可及地方政策都会影响项目进度，部分地区还可能对数据中心建设设置限制。
Brad还援引相关估算指出，市场已宣布采购的芯片对应约50吉瓦的算力，但土地、电力和数据中心建筑等配套条件预计只能支持约35至40吉瓦上线。这意味着，芯片采购意向并不等于相应算力能够按期投入运营。
有意思的是，在黄仁勋的逻辑中，电力稀缺反而可能进一步强化英伟达的竞争优势。
电力越紧张，客户越需要提高单位能耗所能产生的计算产出。黄仁勋认为，英伟达架构的每瓦算力产出（Tokens/Watt）处于全球领先水平，能够在有限的电力供应下提供更高的计算效率。
他还透露，英伟达每吉瓦数据中心所对应的产品价值，已从过去约180亿美元升至200多亿美元，如今更是超过400亿美元，并且仍在上升。
从资本开支结构来看，按黄仁勋在访谈中的估算，英伟达在全球云服务提供商（CSP）相关资本开支中的占比约为40%；在非CSP相关资本开支中的占比则约为80%，后者包括本地部署客户和新一代云服务商。
“六年前，我们在全球资本开支中的占比还只有个位数。”黄仁勋表示。
这组数据反映出，随着AI基础设施投资持续扩大，英伟达在相关资本开支中的占比也显著提升。对黄仁勋而言，电力约束越突出，计算效率和整套系统的性能就越重要，这也为英伟达进一步扩大业务提供了机会。
04
AI基础设施的长期规模：黄仁勋为何看到4万亿美元？
黄仁勋预计，到本十年末，全球年度基础设施建设规模可能达到3万亿至4万亿美元，而且更接近4万亿美元，其中约1.5万亿美元用于计算基础设施。
他的推算从传统计算市场出发。黄仁勋表示，在AI兴起之前，全球计算相关支出的年度规模已经达到约5000亿美元。随着数字化持续推进，全球对计算能力的需求本身就在增长。
与此同时，摩尔定律带来的成本红利正在减弱。过去，想要获得两倍的晶体管，可以等待芯片迭代，在相近的成本下获得更多计算资源；如今，黄仁勋认为，若要获得两倍的晶体管，就需要付出两倍的成本。
他据此判断，即使没有AI，全球计算需求的自然增长叠加硬件成本变化，也会推动计算产业持续扩大。
在此基础上，AI带来了新的计算需求和创业浪潮。黄仁勋认为，传统计算市场的自然增长、获取计算能力的成本变化，以及AI催生的新一代计算平台，将共同推动基础设施投资规模扩大。
对于更长期的规模，他进一步表示，如果未来全球每年用于基础设施建设、扩容和更新的总规模达到10万亿美元，他也不会感到惊讶。
05
英伟达的下一步：从卖芯片走向整套AI基础设施
如果AI计算市场继续扩大，英伟达如何长期分享这轮增长？黄仁勋在访谈中谈到了平台战略，以及硬件销售之外的两种商业模式。
首先，英伟达希望提供的是一整套计算系统，而不只是单颗芯片。
AI数据中心需要协调处理器、网络、系统软件和大量底层技术。黄仁勋认为，英伟达的优势来自整个系统的性能，以及CUDA等软件生态长期积累的兼容性和开发者基础。
对于投入数百亿美元建设数据中心的客户而言，一个重要问题是：如果未来模型架构发生变化，或者客户需要切换不同的工作负载，今天投入的基础设施还能否继续使用？
黄仁勋强调通用计算平台的价值就在于此。英伟达的基础设施可以支持不同模型、不同类型的计算任务和不同客户。相比高度专用、只能服务单一工作负载的系统，这种通用性有助于降低大额投资的风险。
其次，英伟达正在探索硬件销售之外的收入来源。
第一种是软件授权。随着AI逐渐进入企业生产流程，客户需要长期运行、维护和保护这些系统。大型云服务商通常拥有自己的软件团队，可以基于英伟达提供的软件进行修改和整合；但许多普通企业缺少足够的技术人员，需要供应商持续提供维护、支持和安全保障。
黄仁勋认为，英伟达积累的软件能力可以在这一阶段创造新的收入。对企业客户来说，购买AI基础设施只是开始，后续的软件运行、升级、维护和安全支持同样重要。
第二种是与部分云服务合作伙伴探索收入分成。一些云服务商需要英伟达提供算力采购支持、软件能力、生态资源，甚至融资方面的协助。对于这类长期合作，英伟达希望在硬件销售之外，通过后续收入分成获得回报。
-end-
热门跟贴