记者 郑晨烨

进入10月以来，全球AI产业链的股票经历了一轮剧烈调整。

截至10月16日，美国费城半导体指数连续8个交易日下跌，创下2008年以来最长的连跌纪录。10月22日，亚洲市场的芯片和AI股再度领跌，韩国KOSPI指数收跌3.52%，SK海力士跌超5%，A股创业板指数跌4.37%，算力硬件股集体走弱。

按照亚马逊、微软、谷歌母公司Alphabet、Meta在7月下旬给出的指引，四家公司今年的资本开支都将超过1000亿美元，主要投向数据中心等AI基础设施。这些投入能否收回，举债扩张的风险有多大，是全球资本市场眼下争论的焦点。

“这一切都会过去，原因很简单，AI将带来变革，以非常积极的方式影响每一个行业、每一个国家。”10月16日，正在欧洲巡访的英伟达创始人兼首席执行官黄仁勋在柏林接受媒体采访时如此回应市场的波动。在他看来，AI带来的变革还处在起点。

10月21日，黄仁勋在柏林的GTC（英伟达GPU技术大会）上发表主题演讲，用制造业的逻辑讲AI工厂（训练和运行AI模型的数据中心）的投入和产出。“我们很早就发现，AI实际上是一种制造业。”他说，计算机的运作方式已经根本改变，从人使用的工具，变成了生产智能的工厂。

在黄仁勋的描述里，AI工厂以电力为原料，生产出Token（词元，AI模型处理和生成信息的基本单位），供各行各业使用。他估算，一座1吉瓦的AI工厂造价约500亿美元，包括土地、电力、厂房，以及计算、网络、存储、冷却设备和系统集成，每年预计能带来数百亿美元的收入。

按照黄仁勋讲的制造业逻辑，AI工厂的投资能否收回，一要看工厂能否建得快、用电省，二要看建成以后，生产出来的Token有没有足够的买家。

AI工厂的效率

英伟达在介绍AI工厂设计方案时，把目标概括为“每瓦电力产出更多智能，用更短的时间产出第一个Token”。换成制造业的说法，前者是单位电力的产出，后者是一座新工厂多快能投产，两者都关系到AI工厂多久能收回投资。

AI工厂能产出多少Token，很大程度上取决于计算设备的性能，而性能的提升过去主要靠芯片制程的进步。

黄仁勋在演讲中表示，摩尔定律已经基本终结，即便它仍然有效，芯片性能十年也只能提升100倍左右。他说，在过去的11年里，AI性能提升了100万倍，靠的是芯片、系统、软件和算法的“极致协同设计”。

在供电有限时，每一度电能转化成多少Token，决定了AI工厂的产出。英伟达公布的信息显示，按照其设计方案，在同等产出条件下，AI工厂的功耗最多可以降低30%；英国AI云服务商Nscale在上一代GB300系统上测试英伟达的电力管理软件后，供电额度不变时可以多部署37%的GPU，单位时间产出的Token总量则提高了近50%。

黄仁勋举例说，按一座1吉瓦的AI工厂每年带来400亿美元收入计算，晚投产3个月，就要少收约100亿美元。为缩短投产时间，英伟达在大会上发布了整座AI工厂的参考设计，按照这一设计，合作伙伴先在集装箱式的模块里装好设备、完成集成和验证，再运到施工现场。在场地设施就绪的前提下，现场部署时间可以从6个月缩短到14天。

黄仁勋认为，把组装工作嵌进供应链，是全球供应链的一次彻底转变，会改变数据中心的安装和建设方式，闲置浪费的算力和资本投入都会减少，产业链上各方的盈利能力都会提升。他还提到，英伟达早先把整个机柜的组装放进供应链，才得以同时为全球几百个数据中心的建设供货，“我们现在生产计算设备的规模前所未有”。

黄仁勋希望欧洲也建起自己的AI工厂。“要想成为AI经济的一部分，不能只做AI的消费者，而是要成为AI的生产者。”他说，“我们完全可以在欧洲实现这一切，事实上，我们已经开始了。”

Token的需求场景

在需求端，黄仁勋认为，基础设施必须先于AI模型落地，就像先有通信网络，才有互联网。在他看来，接下来消耗Token的主力是智能体，因为智能体会思考、推理、反复迭代，还会使用工具，越有用，消耗的Token就越多，GPU的需求也会随之大增。

智能体要真正落地企业，还得拿到访问文件、网络和各类工具的权限。“智能体有多大用处，取决于你给它多大的访问权限。”黄仁勋说，当然，首要的是要确保智能体的安全，权限应当尽量小，并且要受到监测。英伟达在大会上发布的OpenShell安全参考架构，把智能体放在隔离环境里运行，再从芯片层面限定它能访问什么、能做什么，这便于为客户安全地部署智能体。

根据黄仁勋的判断，未来每家公司都会同时使用封闭模型和定制的开放模型，Token的买家也会遍及各行各业。他同时表示，英伟达会把开放模型的参数、全套训练方法和数据一并公开，企业可以据此复现和定制模型。

黄仁勋还提到，有人认为AI的进步会让软件和工具公司走到尽头，但他的看法恰恰相反。他认为，这些工具的使用者会比以往任何时候都多，每一家做专业软件工具的公司，都将成为AI公司，成为智能体公司。在英伟达展示的案例里，法国设计与仿真软件企业达索系统的工程智能体，已经能通过仿真找出车型设计中的问题，再改进设计。当然，这类仿真本身就需要消耗大量算力。

更远、更大的需求来自物理AI（让汽车、机器人在现实世界中感知和行动的AI）。根据黄仁勋的介绍，做一套物理AI系统要用到三类计算机，分别用来训练模型、在数字孪生里让机器习得技能，以及装在机器人身上运行。前两类计算机通常放在数据中心里，这也意味着物理AI在大规模落地之前，就已经要消耗数据中心的算力。

在黄仁勋看来，无人驾驶出租车是一个巨大的机会，但市场极其分散。他在上述大会上宣布，沃尔沃汽车、梅赛德斯-奔驰等车企的下一代车型，都将兼容英伟达为此推出的标准化自动驾驶架构Hyperion。按照他的设想，有了这一行业标准，再联合整个生态链企业，就能组成一支人人都能接入的巨大“虚拟车队”。

至于人形机器人，黄仁勋拿手机、个人电脑和英伟达自己的NVL72整机柜系统作类比称，它们进步得这么快，是因为标准化的配置让很多客户都能用上，于是销量就会随之而来，并进而推动技术迭代越来越快。基于此，他认为，机器人的形态也要尽可能标准化，人形机器人能适用于很多场景，因此很可能成为销量最大的一类机器人。

在资本市场追问AI投资回报的时候，英伟达在大会上拿出的工厂参考设计和各类标准架构，其真正的用意或许就在于，依靠标准化的配置把市场规模尽可能做大。