AI 模型与平台

NVIDIA 提出 AI 工厂作为可投资资产类的理由

mm
将 Unite.AI 添加到您在 Google 上的首选来源

NVIDIA 于 2026 年 8 月 12 日发布了一份详细的报告,论述了其 AI 工厂计算作为可投资基础设施资产类的理由,这是在与 Apollo、BlackRock、Blackstone、Brookfield、Goldman Sachs 和 KKR 签署谅解备忘录两天后,该备忘录旨在建立独立的融资平台,以动员超过 5000 亿美元的第三方资本用于 AI 基础设施。

该博客文章 是 NVIDIA迄今为止最全面的阐述了这些合作伙伴关系背后的经济逻辑:为什么一组 NVIDIA 的 GPU 会像发电厂或收费公路一样,而不是像传统的 IT 设备那样贬值:一个能够产生收入、服务广泛市场并保值足够长时间以吸引机构资本的资产。

该论点基于三个主张。首先,NVIDIA 的 DSX AI 工厂是可互换的:基于全球采用架构,在每个主要云上运行,一个工厂可以服务多个客户和工作负载,并可以在需求转变时重新部署到另一个客户、云或运营商。其次,硬件的性能会随着 CUDA 软件的升级而提高,而不是简单地磨损,因为每一代 CUDA 软件都会提高已经安装的基础设施的性能、效率和总拥有成本。第三,安装的基础设施在其折旧日程表结束后仍然保持生产力:2020 年推出的基于 Ampere 的 A100,六年后仍然在用于训练、微调、推理和高性能计算,客户仍然正在承诺多年部署,这将其经济寿命延伸到十年左右。

NVIDIA 提出的定价证据

该帖子中最具体的材料是一组 GPU 租赁定价数据,NVIDIA 将其作为市场证据,证明计算经济的持久性:

  • 2025 年 10 月,H100 一年租赁价格约为每 GPU 小时 1.70 美元,2026 年 3 月约为每 GPU 小时 2.35 美元
  • 跨提供商的按需中位价格从 2025 年 10 月的大约每 GPU 小时 2.00 美元上升到 2026 年 6 月的 2.70 美元
  • Blackwell B200 云价格具有溢价,范围从每 GPU 小时约 5.30 美元到 7.05 美元

GPU 租赁价格在其生命周期中期仍然上涨,这是 NVIDIA 论点的核心:如果三岁的加速器仍然能获得不断上涨的价格,那么基础设施贷款机构所依据的残值假设将与传统 IT 硬件大不相同。

融资平台的结构

2026 年 8 月 10 日的公告阐述了劳动分工。六家金融机构独立评估每个机会(客户、需求、利用率、现金流和残值),并做出自己的融资决定。NVIDIA 提供 AI 工厂平台。5000 亿美元的数字代表这些平台随时间推移将动员的第三方资本总额;它不是 NVIDIA 的收入、单个基金或对单个客户的承诺。这些合作伙伴关系仍然受最终协议的执行约束。

NVIDIA 还披露了其自身资产负债表暴露的外部界限。在某些情况下,它可能会为最高 25% 的机会提供残值支持,按项目评估,该支持被描述为有限的、基于残值的,并且低于其他计算机融资安排,旨在补充独立的核算,而不是取代它。

该博客文章直接解决了循环性问题:NVIDIA 为其客户的购买提供融资是否仅仅是人为地推高了对其芯片的需求。该公司的答案是结构性的,而不是修辞性的 — 资本来自具有自己核算的独立机构,针对来自前沿 AI 实验室、AI 本土创业公司、企业、云提供商和政府的需求,NVIDIA 的残值支持被限制在每个项目的很小一部分。每个合作伙伴都有现有的机制用于此类贷款:根据发布信息,截至 2026 年 6 月 30 日,Apollo 管理着大约 1.05 万亿美元的资产,Blackstone 监管着超过 1.3 万亿美元,Brookfield 监管着超过 1 万亿美元,而 BlackRock 通过其现有的 AI 基础设施合作伙伴关系与 NVIDIA 参与其中。

模型的现状

本周发生的变化是从项目到项目的购买转变为可重复的融资平台 —— 这是 AI 实验室、企业和没有超级大规模平衡表的 AI 云获取工厂级计算的机制,成本与机构资本相同。最直接的观察结果是最终协议与六家机构,这些协议在 2026 年 8 月 10 日的备忘录中仍然需要,以及这些平台将根据 NVIDIA 现已发布的标准对项目进行核算:利用率、现金流和残值 —— 公司愿意为最高 25% 的机会提供支持。 Unite.AI 报道了 5000 亿美元合作伙伴关系的公告 当它被签署时;这些融资平台现在为 NVIDIA 已经组装的扩建(从 2 吉瓦的 AI 工厂管道主权 AI 数据中心债务融资)提供了一个永久性的资本市场可以依赖的资源。

Theo Nash 是 Unite.AI 的 AI 生成专家,负责报道 AI 基础设施、计算和支持现代人工智能的硬件系统。他的工作重点是大规模 AI 工作负载背后的技术基础,包括数据中心、加速器、网络和将它们连接起来的软件栈。具有分析和工程驱动的视角,Theo 检视 GPU、定制硅、内存架构和分布式系统的进步如何使新一代 AI 模型成为可能。他特别关注性能权衡、能效、可扩展性和实际约束,这些约束影响了 AI 基础设施的现实世界部署。 Theo Nash 撰写的文章由 Unite.AI 的编辑团队审查,以确保技术准确性、清晰度和对快速演变的 AI 计算领域的负责任报道。