会员专区

英伟达不只是卖 GPU：AI 基础设施正在被金融化

, , , , , , , , , ,

摘要：AI 算力竞争正在进入新阶段。英伟达不只是卖 GPU，还在通过投资、信用支持、收入分成和算力承购安排，把 GPU 从硬件产品变成可融资、可出租、可证券化的基础设施资产。

AI 算力竞争正在进入一个新阶段。过去，英伟达的核心角色是卖 GPU；现在，它正在通过投资、信用支持、收入分成和算力承购安排，把 GPU 从“硬件产品”变成“可融资、可出租、可证券化的基础设施资产”。从 CoreWeave、Nebius，到 Sharon AI 和 Firmus Technologies，英伟达不只是芯片供应商，也越来越像 AI 算力生态的资本组织者。AI 基建的扩张，正在从技术竞赛变成金融工程。

过去两年，全球 AI 产业有一个非常清晰的共识：谁掌握算力，谁就掌握 AI 竞争的入场券。

大模型训练要算力，推理服务要算力，Agent 工作流要算力，视频生成、代码生成、科学计算、机器人仿真都要算力。于是，GPU 成了新时代的“石油”，数据中心成了新时代的“炼油厂”。

但最近英伟达的一系列动作说明，AI 算力竞争已经不只是“买多少卡”的问题。

它正在变成一个金融问题。

谁来投资数据中心？

谁来承担 GPU 折旧？

谁来锁定未来算力需求？

谁来给 NeoCloud 公司融资背书？

谁来保证闲置 GPU 也能产生现金流？

这些问题，正在决定 AI 基础设施扩张的速度。

一、从卖芯片，到参与算力收入分成

7 月初，英伟达发布了一项新的 AI 计算合作模式，目标是帮助更多 AI 云公司、模型公司、企业和区域算力服务商更快获得大规模加速计算能力。英伟达官方博客提到，Sharon AI 和 Firmus Technologies 是最早参与这一新商业模式的公司；其中 Sharon AI 计划部署最多 4 万颗 NVIDIA Grace Blackwell GB300 GPU，Firmus 则正在印尼巴淡岛建设 DSX AI factory 园区，预计扩展到 360 兆瓦、最多 17 万颗 NVIDIA GPU。

这已经不是普通卖卡。

媒体报道进一步指出，这一模式包含收入分成和信用支持安排，目标是让资本不足的 AI 云公司可以更容易部署英伟达基础设施，并通过未来云服务收入与英伟达分享收益。

也就是说，英伟达不只是把 GPU 卖给客户，然后等下一代产品再卖一次。

它开始把自己嵌入客户的现金流。

一方面，英伟达通过硬件销售获得一次性收入；另一方面，如果 AI 云服务商把这些 GPU 出租给模型公司、企业和开发者，英伟达还可能参与后续收入分成。

这让 GPU 从“一次性硬件销售”变成了“持续产生收入的算力资产”。

二、NeoCloud 为什么需要英伟达背书？

NeoCloud 是近两年 AI 基础设施里的一个重要角色。

它们不像 AWS、微软 Azure、Google Cloud 这样的传统超大云厂商，而是围绕 AI GPU 集群专门提供算力服务。CoreWeave、Nebius、Lambda、Together 这类公司，都是这一轮 AI 算力潮中的代表。

问题是，NeoCloud 的生意很重。

要买 GPU，要拿地，要搞电力，要建设机房，要连接高速网络，要招聘运维团队，还要承受硬件快速迭代带来的折旧压力。一个 GB200、GB300 集群还没完全回本，下一代 Vera Rubin、Rubin Ultra 又可能来了。

这就带来一个核心矛盾：

市场需要更多算力，但建设算力需要巨额资本；

资本愿意投 AI，但又担心 GPU 闲置、客户流失和技术折旧。

所以，NeoCloud 很需要长期客户承诺，也需要像英伟达这样的上游巨头背书。

路透社此前报道，英伟达今年向 CoreWeave、Nebius 等 AI 云和数据中心基础设施公司投入巨额资金，帮助它们加快获取土地、电力和数据中心建设资源。Nebius 相关交易还被多家财经媒体转引为 20 亿美元级别投资，目标是建设大规模 AI 云基础设施。

这就是 AI 基建金融化的关键现象：

GPU 厂商投资云公司，云公司购买 GPU，云公司再把算力卖给 AI 公司，AI 公司再把模型服务卖给企业和用户。

每一层都是真实需求，但每一层也都需要未来收入来支撑今天的资本开支。

三、GPU 正在变成“可融资资产”

传统意义上，GPU 是设备。

但在 AI 基建语境里，GPU 正在变成一种特殊资产：它可以部署在数据中心里，接入电力和网络，出租给客户，按小时、按 token、按推理量、按训练任务收费。

这就让 GPU 具备了基础设施资产的特征。

它有初始投资成本。

它有持续运营成本。

它有折旧周期。

它有利用率风险。

它有长期客户合同。

它有现金流预测。

它有融资价值。

这和房地产、光伏电站、航空飞机、数据中心机柜都有相似之处。

区别在于，GPU 的技术迭代速度更快，折旧风险更高，需求波动更大，客户集中度也更高。

所以 AI 算力金融化的核心，不只是“有钱买卡”，而是要设计一整套金融结构：

长期承购协议，保证未来收入；

信用支持，降低融资成本；

收入分成，让上游厂商参与后续收益；

回购或兜底安排，降低闲置风险；

多客户调度，提高 GPU 利用率；

资产池化，把分散 GPU 集群变成可管理资产组合。

当这些机制成熟以后，GPU 就不只是芯片，而是“AI 现金流机器”。

四、英伟达为什么愿意做这件事？

英伟达这样做，至少有四个原因。

第一，扩大市场需求。

全球有大量 AI 创业公司、区域云公司、行业客户想用高端 GPU，但没有足够资本一次性建设集群。英伟达通过信用支持和收入分成，可以帮助这些客户提前获得算力，从而扩大 GPU 销售。

第二，强化生态控制力。

如果 NeoCloud 的融资、建设、运营、客户服务都围绕英伟达体系展开，那么英伟达就不只是硬件供应商，而是 AI 云生态的核心组织者。

第三，分享下游收益。

AI 云服务商如果成功，GPU 产生的价值远高于硬件售价。英伟达参与收入分成，相当于把自己的收益从“卖铲子”延伸到“分享挖矿收益”。

第四，防止算力市场被超大云厂商垄断。

如果只有 AWS、微软、Google、Meta 能大规模买卡、建数据中心，英伟达会越来越依赖少数超级客户。扶持 NeoCloud，可以让英伟达拥有更多渠道和客户层级，降低对单一大客户的依赖。

这其实是英伟达的战略升级。

它不想只做芯片公司，也不满足于做服务器平台公司。它正在变成 AI 基础设施生态的“央行式角色”：提供核心硬件，影响融资结构，扶持云服务商，连接模型公司和企业客户。

五、AI 基建进入“债务扩张”阶段

这轮 AI 基础设施扩张还有一个明显特征：越来越多公司开始用债务融资支撑 AI 投资。

6 月，路透社和多家财经媒体报道称，英伟达计划通过美国公司债发行筹集 250 亿美元，这是其五年来首次进入投资级债券市场。相关报道提到，投资者对这次债券销售的需求达到约 850 亿美元，远超最初计划；英伟达方面称，资金用途包括一般公司用途、偿还和再融资现有票据，主要目的之一是建立流动性信用基准，而不是单纯为了资本开支。

近期 Amazon、Meta、Alphabet、Oracle 等公司也持续通过债券市场为 AI 基础设施提供资金。MarketWatch 报道称，AI 相关企业债务已经成为投资者关注的新风险点，债券市场开始重新评估超大科技公司为 AI 基建扩张承担的负债规模。

这说明，AI 基建正在进入一个高杠杆、高资本开支周期。

过去互联网公司扩张，主要靠服务器、带宽、办公楼和研发人员。

现在 AI 公司扩张，要靠 GPU、数据中心、电力、液冷、网络、存储和工程软件栈。

这就让 AI 更像能源、电信和房地产开发，而不是传统轻资产互联网。

技术公司开始像基建公司一样融资；

云服务商开始像电力公司一样签长期承购；

GPU 开始像飞机、船舶、光伏电站一样被金融机构评估；

AI 算力开始像一种可以抵押、租赁和证券化的资产。

这就是“AI 基础设施金融化”。

六、风险也在积累：循环融资与算力泡沫

当然，金融化带来的不只是效率，也有风险。

第一个风险是循环融资。

如果英伟达投资云公司，云公司用这笔钱购买英伟达 GPU，英伟达确认硬件收入，云公司再依赖未来客户需求偿还融资，那么市场就会问：这里有多少是真实终端需求？有多少是供应链内部互相支撑？

路透社在报道 Nebius 投资时就提到，英伟达投资 AI 公司和数据中心基础设施，其中不少对象也是它的客户，这引发了市场对循环交易的担忧。

第二个风险是 GPU 折旧。

AI 芯片迭代太快。每一代新 GPU 都会提升训练和推理效率，也会让上一代设备的相对价值下降。如果算力服务商背负大量债务，而客户又迅速转向新一代集群，旧 GPU 的现金流就可能不及预期。

第三个风险是利用率。

AI 算力不是建好了就一定满负荷使用。训练需求、推理需求、模型架构变化、价格竞争、开源模型效率提升，都会影响 GPU 使用率。如果利用率不足，金融模型就会出问题。

第四个风险是电力和数据中心瓶颈。

AI 数据中心不是只买卡就行，还要电力、土地、冷却、网络和施工周期。路透社整理的一系列 AI 基建交易显示，围绕 OpenAI、Meta、Google、CoreWeave、Oracle、Nvidia 等公司的数据中心和芯片交易已经达到数百亿甚至数千亿美元级别，AI 基建已经成为全球资本开支最集中的方向之一。

第五个风险是需求假设过于乐观。

如果 AI Agent、视频生成、企业 AI、科研 AI、工业 AI 的需求兑现速度低于预期，那么今天围绕未来算力收入设计的金融结构，就可能出现压力。

这也是为什么市场会不断讨论“AI 泡沫”。

泡沫不一定意味着 AI 没价值。

泡沫往往意味着：真实长期价值存在，但短期资本投入和收入兑现之间出现错配。

七、对中国 AI 基础设施有什么启示？

这件事对中国很有启发。

中国也在建设智算中心，也在推动国产算力，也在发展大模型和行业智能体。但如果只停留在“买服务器、建机房、挂牌智算中心”，很容易造成低利用率和重复建设。

AI 算力基础设施真正难的地方，不是建设，而是运营。

有没有真实客户？

有没有长期算力需求？

有没有行业应用牵引？

有没有模型训练、微调、推理和 Agent 工作流？

有没有多租户调度和计费能力？

有没有金融机构认可的现金流模型？

有没有算力资产的更新、回收、再利用和折旧管理？

英伟达这套做法提醒我们：智算中心不能只按工程项目建设，而要按“算力资产运营平台”设计。

国产算力要发展，也不能只靠一次性采购补贴。

它需要形成完整闭环：芯片厂商、服务器厂商、云平台、行业模型公司、应用开发者、金融机构、地方政府和终端企业要共同参与。

否则，智算中心可能建得很多，但真正被高强度使用的不多。

八、对工业智能意味着什么？

工业智能尤其需要关注这一变化。

工业 AI 不只是调用通用大模型写文章，而是要在研发设计、仿真优化、工艺规划、质量检测、预测维护、能耗管理和生产调度中持续使用算力。

这些场景有一个特点：不一定需要一直使用最顶级 GPU，但需要稳定、可控、低成本、可调度的算力池。

工业企业更关心的是：

我的数据能不能不出厂？

我的模型能不能在本地或区域智算中心运行？

我的仿真、视觉、预测维护任务能不能排队调度？

我的算力成本能不能按项目、按产线、按任务核算？

我的国产算力和英伟达算力能不能混合使用？

我的 AI Agent 能不能根据任务自动选择算力资源？

这说明，未来工业 AI 平台不能只做模型调用，也要做算力调度和成本管理。

从这个角度看，AI 基础设施金融化不仅是华尔街的话题，也是中国工业智能落地的话题。

工业智能体、数字工匠、AI+CAD/CAE、工业软件中试、视觉质检和生产运维，都需要稳定的算力供给。谁能把算力、模型、数据和应用打通，谁就能真正把 AI 从展示变成生产力。

九、结语：GPU 正在从芯片变成金融资产

英伟达的新动作说明，AI 产业正在进入一个更复杂的阶段。

第一阶段，大家比模型。

第二阶段，大家抢 GPU。

第三阶段，大家建数据中心。

第四阶段，大家开始围绕 GPU 设计金融结构。

这说明 AI 已经不只是技术革命，也是一场基础设施革命。

在这场革命里，GPU 不再只是芯片。

它是算力资产，是数据中心现金流，是云服务收入来源，是融资抵押物，也是 AI 产业链的核心金融标的。

英伟达不只是卖 GPU，正在把 GPU 变成一种可融资、可出租、可分成、可扩张的基础设施资产。

这会加速 AI 基建建设，也会放大 AI 投资风险。

真正的问题不是“AI 有没有泡沫”，而是：

这些被金融化的算力，最终能不能转化为真实生产力？

如果 AI 只是消耗 GPU 生成更多内容，泡沫迟早会破；

如果 AI 能进入研发、制造、能源、医疗、交通、教育和企业运营，算力资产才有长期现金流支撑。

AI 基础设施金融化，是技术扩张的加速器，也是产业泡沫的放大器。

未来几年，我们要看的不只是英伟达卖了多少卡，而是这些卡跑出了多少真正有价值的任务。

参考资料

分享到