文章核心观点 - 黄仁勋以制造业逻辑阐释AI工厂的投资回报框架：AI工厂以电力为原料生产Token，投资能否收回取决于工厂能否建得快、用电省，以及产出的Token是否有足够买家 [1][3] - 黄仁勋认为AI带来的变革仍处在起点，将以非常积极的方式影响每一个行业、每一个国家 [3] - 英伟达通过发布工厂参考设计和各类标准架构，依靠标准化配置把市场规模尽可能做大 [10] 全球AI产业链市场表现 - 进入10月以来全球AI产业链股票经历剧烈调整，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年以来最长连跌纪录 [2] - 10月22日亚洲市场芯片和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 [2] - 亚马逊、微软、谷歌母公司Alphabet、Meta四家公司今年资本开支都将超过1000亿美元，主要投向数据中心等AI基础设施，这些投入能否收回及举债扩张风险是资本市场争论焦点 [2] AI工厂的效率 - 英伟达将AI工厂设计目标概括为"每瓦电力产出更多智能，用更短的时间产出第一个Token"，前者对应单位电力产出，后者对应新工厂投产速度，两者都关系到AI工厂多久能收回投资 [5] - 黄仁勋表示摩尔定律已基本终结，即便仍有效芯片性能十年也只能提升100倍左右，而过去11年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" [5] - 按照英伟达设计方案，同等产出条件下AI工厂功耗最多可降低30%；英国AI云服务商Nscale在上一代GB300系统上测试英伟达电力管理软件后，供电额度不变时可多部署37%的GPU，单位时间产出的Token总量提高近50% [5] - 黄仁勋举例称一座1吉瓦的AI工厂每年带来400亿美元收入，晚投产3个月就要少收约100亿美元 [6] - 英伟达发布整座AI工厂参考设计，合作伙伴先在集装箱式模块里装好设备、完成集成和验证再运到施工现场，场地设施就绪前提下现场部署时间可从6个月缩短到14天 [6][7] - 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，减少闲置浪费的算力和资本投入，提升产业链各方盈利能力 [7] - 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 [7] - 黄仁勋希望欧洲建起自己的AI工厂，认为要成为AI经济的一部分不能只做AI的消费者，而要成为AI的生产者 [7] Token的需求场景 - 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，接下来消耗Token的主力是智能体，智能体会思考、推理、反复迭代并使用工具，越有用消耗Token越多，GPU需求也随之大增 [8] - 智能体落地企业需获得访问文件、网络和各类工具的权限，智能体有多大用处取决于给它多大的访问权限，同时要确保安全、权限尽量小并受到监测 [8] - 英伟达发布OpenShell安全参考架构，把智能体放在隔离环境里运行，再从芯片层面限定其能访问什么、能做什么，便于为客户安全地部署智能体 [8] - 黄仁勋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买家会遍及各行各业，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，企业可据此复现和定制模型 [8] - 黄仁勋认为AI进步不会让软件和工具公司走到尽头，恰恰相反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 [9] - 英伟达展示的案例中，法国设计与仿真软件企业达索系统的工程智能体已能通过仿真找出车型设计中的问题再改进设计，这类仿真本身需要消耗大量算力 [9] - 更远更大的需求来自物理AI，做一套物理AI系统要用到三类计算机分别用于训练模型、在数字孪生里让机器习得技能以及装在机器人身上运行，前两类通常放在数据中心，意味着物理AI大规模落地前就已要消耗数据中心算力 [9] - 黄仁勋认为无人驾驶出租车是巨大机会但市场极其分散，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推出的标准化自动驾驶架构Hyperion，借助行业标准联合生态链企业组成人人可接入的巨大"虚拟车队" [10] - 黄仁勋拿手机、个人电脑和英伟达NVL72整机柜系统作类比，认为标准化配置让很多客户都能用上从而带来销量并推动技术迭代越来越快，机器人形态也要尽可能标准化，人形机器人能适用于很多场景很可能成为销量最大的一类机器人 [10]