# 算力

文章整理了英伟达 CEO 黄仁勋在 Bg2 Pod 访谈中对“AI 泡沫”、算力需求、基础设施投资和安全问题的判断。核心观点是：不要把数万亿美元 AI 基础设施投资的回报，简单地压在 OpenAI 和 Anthropic 两三家前沿实验室身上。英伟达看到的需求来源远不止这些公司，还包括传统计算、推荐系统、科学模拟、金融风控、机器人、生物医药、材料科学，以及成千上万家正在形成的新 AI 企业。

推理时代让算力需求非线性增长

黄仁勋认为，早期 ChatGPT 更像是在模型中检索和复述已经编码的知识；下一阶段的 AI 则会先搜索可验证的事实，再进行多步规划、方案探索、结果比较和反思。一个 Agent 完成一项工作，可能需要成百上千次内部推演，而不是一次简单问答。

算力需求因此受到两层叠加：每个任务需要更多推理算力，同时模型能力越强，人们越愿意把更多工作交给它。需求不再只是“用户多问几个问题”，而是从单次问答扩展到让 Agent 持续完成一整份工作。文章将这种变化概括为计价单位的改变：AI 成本正在从“一次问答”转向“一项工作”。

真正的解锁来自模型外部的 Harness

黄仁勋认为，过去一年最大的变化不只是模型参数变大，而是模型外面的 Harness，也就是负责记忆、编排和工具调用的“外骨骼”。它能够管理工作记忆，把短期信息压缩整理为长期知识或知识图谱，并让 Agent 使用现实世界已经存在的工具。

在他看来，Coding 是 Agent 最容易切入的场景，一方面代码有较清晰的验证标准，另一方面工程师用户本身就是同行，能够容忍早期产品“有用但不够好用”，并主动把工具磨顺。下一步会扩展到设计、创意和其他专业工作，例如把图像重建为 CAD 文件。真正困难的是如何把 Agent 安全地部署到全球企业，而不只是让它在开发者环境中运行。

智能成本可能快速下降，但总需求未必下降

黄仁勋预计，随着算力增加、模型效率提升，智能的单位成本会像计算成本一样快速下降，甚至可能每年下降数倍到数十倍。文章以 GPT-1 的训练成本变化为例，说明单位智能成本的下降速度可能非常惊人；但与此同时，模型规模、使用量和应用范围也在同步扩张。

他不同意“AI 会让人类拥有更多闲暇”的简单推论。历史上，技术让某种能力变便宜后，人们往往不是停止使用，而是提出更多目标、创造更多需求。计算成本下降并不意味着 AI 总支出下降，反而可能因为使用量增长而带来更大的整体市场。最终关键仍是：这些新增算力是否真的被用于有价值的工作，并产生足够收入。

安全策略：零信任、逐步授权和外部监控

黄仁勋认为，对齐不是一个可以一次性解决的问题。不同文化、背景和价值观对“成功”“有益”或“正确行为”的理解并不相同，因此不能等到实现完美对齐后再部署 AI。

他的工程化方案是从 containment（隔离控制）开始：像对待新员工或小孩一样，从最小权限和零信任起步，随着测试结果和使用信心积累，再逐步扩大 Agent 的权限。同时必须有 out-of-band monitoring，即独立于被监控系统之外的监控机制，不能只依赖 Agent 自己写日志或汇报状态；一旦发现违反策略，外部监控系统应能升级处理或直接关闭它。

文章认为，这一思路对 Agent 产品有直接启发：权限应该按照岗位和任务授予，而不是按照模型理论上能够完成的所有事情授予。安全机制也不是附加功能，而是决定 AI 功能能否真正进入生产环境的前提。

明年的瓶颈可能是土地、电力和厂房

访谈中提到，明年全球新增 AI 算力可能达到约 43GW，接近甚至超过当前全球存量。黄仁勋认为，真正的瓶颈将从芯片制造转向物理基础设施，包括土地审批、电力供应、数据中心建设、厂房主体、施工队伍、水管工和安装人员等。

供应链同样存在约束：更大的基板会带来封装翘曲和缺陷控制问题，硅光产能也有限。电力越紧张，企业越会关注每瓦电能能够产生多少 Token，算力架构的评价标准也会从“每美元买多少芯片”转向“每瓦产出多少有效推理”。黄仁勋据此判断，英伟达的市场份额仍有上升空间，因为客户会更看重单位能源的产出效率。

AI 基础设施收入来自三大来源

针对“AI 收入能否支撑资本开支”的问题，黄仁勋把英伟达的算力需求拆成三部分：

1. 基础计算：包括数据处理、分子动力学、物理和量子化学模拟、计算机图形、金融反欺诈和推荐系统等，不完全依赖深度学习或 Agent，约占英伟达业务的三分之一，并以每年 30% 至 40% 的速度增长。
2. AI 前沿实验室：不只是 OpenAI 和 Anthropic，还包括 Meta、Gemini 等多家大型模型公司，合计约占四分之一至三成。
3. 大量新创公司：覆盖消费级 AI、物理 AI、生物 AI 和材料科学 AI 等领域，数量达到数千家，它们通过租用云端算力开展业务，被黄仁勋称为“下一代 AWS”。

因此，他认为不需要把 OpenAI 或 Anthropic 的收入外推到万亿美元，才能证明基础设施投资合理。到本世纪末，全球 AI 基础设施年投入可能达到 3 万亿至 4 万亿美元，其中算力约占 1.5 万亿美元；这笔钱将由传统计算增长、前沿实验室和大量垂直 AI 企业共同支撑。

文章同时指出，这个判断最难验证的部分正是第三类需求：大量创业公司能否最终把算力转化为可持续收入。如果它们只是消耗资本而没有形成真实商业价值，AI 基础设施账本仍会面临压力。

通用算力的价值在于可替换和可出租

黄仁勋为英伟达基础设施提出了三个关键词：fungible、durable、rentable，即可通用、耐用、可出租。大型数据中心的算力可以在不同客户、模型、地区和工作负载之间切换，即使某个客户减少需求，也可以把容量转租给其他客户。

他认为，专用化是通用性的敌人。当企业投入数百亿美元建设基础设施时，最重要的是确保这些设施多年后仍然能够运行不同类型的模型和任务。CUDA 生态的长期软件更新，也让多年前购买的硬件仍然具备使用价值，这降低了租赁和融资风险。

在开放模型问题上，他认为约 80% 的创业公司使用开放模型。这些公司未必是在与前沿实验室竞争，而是在利用开放模型和自身专有数据，开发物理 AI、制造、医疗等垂直领域的产品。前沿实验室负责通用能力，垂直公司则把能力转化为具体行业的“超级智能”。

结论：供给已经冲刺，需求还要交作业

文章对黄仁勋观点的总结是：他没有只用前沿实验室收入对比资本开支，而是把账本扩大到传统计算、全球算力需求、摩尔定律放缓和成千上万家创业公司。这种拆法在逻辑上成立，也确实解释了为什么 AI 基础设施不必依靠两三家公司单独承担回报压力。

但作者提醒，黄仁勋毕竟是算力供应商，他看到的是订单、GPU 出货和数据中心建设，天然更倾向于从供给和基础设施角度解释 AI 的繁荣。真正需要持续验证的是需求端：未来一年有多少公司能因为使用这些算力而获得真实收入，有多少 AI 应用能够从资本投入转化为可持续商业模式。

因此，AI 泡沫问题不能只看芯片订单是否增长，也不能只看 OpenAI 和 Anthropic 的收入，而要观察三本账：算力供给是否能落地、基础设施是否能被充分利用，以及最终用户和企业是否愿意为 AI 创造的价值持续付费。

这篇文章讨论的是 AI 行情在前期光模块、光通信等强势方向之后，后续还有哪些板块可能继续扩散。作者认为，本轮科技风格回归并不只是估值修复，而更偏向业绩验证后景气预期上修，因此具备一定持续性。

文章指出，当前 TMT 板块整体并没有积累过多超额收益，但光通信等绩优方向已经出现成交过热迹象，所以后续需要更加关注板块内部的扩散机会。换句话说，主线还在，但资金会从最强的细分方向逐渐向其他低位高景气品种扩散。

作者从四个维度筛选扩散机会：一季报亮点、年初以来盈利预期变动、海外映射、国内催化。基于这些维度，文章把继续受益的方向分成北美算力链、国产算力与 AIDC 基础设施、中下游软件服务和端侧应用等几大类。

在上游硬件里，文章继续看好 PCB、光模块、液冷、服务器、存储芯片等方向，同时也强调电力电网、算力租赁等 AIDC 配套设施的重要性。作者认为，这些方向虽然不一定最先启动，但在业绩和景气支撑下，仍有补涨空间。

在中下游环节，文章把 AI 编程、办公软件、游戏、金融科技、智慧医疗、消费电子等列为值得关注的低位绩优方向。它的逻辑是，当上游算力形成共识后，产业链利润和市场注意力会逐步向软件应用和终端产品扩散。

文章还特别提到 DeepSeek V4 可能带来的边际催化，认为其国产化、多模态和编程能力上的突破，可能进一步抬升国产算力和国内应用链的预期。作者因此建议，后续可以更关注国产芯片、半导体材料设备、算力租赁、电力电网以及多模态相关应用。

整体来看，这是一篇偏策略框架的行业研究摘要，核心不是推荐单一股票，而是告诉读者如何从“光”向“AI内部其他方向”寻找轮动机会。它传递的判断很明确：如果科技行情继续向前推进，扩散大概率会围绕算力、国产替代、应用落地这三条线展开。

这篇文章围绕液冷技术在 AI 时代的爆发展开，核心观点是：随着芯片功耗持续上升，传统风冷已经接近物理极限，液冷正在从“可选项”变成“必选项”。文章从机器人马拉松、AI 服务器和数据中心三个场景切入，说明液冷不只是一个散热技术，而是整个算力基础设施升级的关键变量。

文章指出，英伟达新一代机柜和谷歌 TPU 的功耗都已经逼近甚至超过风冷承载范围，因此高密度算力集群必须转向更高效的液冷方案。与此同时，政策端也在推动数据中心能效指标升级，使液冷成为满足 PUE 要求的重要路径。

文章将液冷技术分为冷板式、浸没式和喷淋式三条路线。其中，冷板式是当前规模化部署的主流方案，技术成熟、改造成本低；浸没式代表更高散热天花板，适合超高密度场景；喷淋式则更多用于特种工业和极端环境。

除了技术路径，文章还详细讨论了液冷的应用场景扩散。数据中心仍然是最大市场，但新能源汽车、储能系统、机器人、航空航天和医疗设备等领域也都在快速采用液冷，以解决高功耗和高热密度带来的稳定性问题。

文章的产业分析部分重点梳理了国内外竞争格局。全球层面，维谛等国际厂商仍有优势；国内则出现了英维克、曙光数创、高澜股份、申菱环境、浪潮信息、巨化股份等一批在不同环节各有壁垒的公司，形成了较完整的产业链布局。

作者认为，2026 年是液冷从“概念验证”走向“业绩兑现”的关键一年。订单落地、供应链开放、标准体系完善，都意味着液冷行业正在从主题叙事转向真实的规模化商业化。

整体来看，这是一篇典型的产业深度文章，既讨论了技术边界，也讨论了供应链、政策和市场空间。它试图传达的结论很明确：在未来的算力竞赛中，谁能更好地控制热量，谁就更可能掌握算力扩张的主动权。