文章核心观点 - 生成式AI的兴起正在颠覆传统搜索引擎（以Google为代表）建立的“数据换流量”的开放互联网价值交换模式，AI模型通过抓取和整合网页内容直接生成答案，大幅减少了用户对原始网站的点击访问，导致内容创造者的流量回报迅速减弱[8][11][14] - Cloudflare（NET）凭借其近十六年构建的、位于互联网流量入口的全球网络与安全平台，获得了连接内容供给、访问规则和AI需求的独特战略位置，其与OpenAI的研究试点合作，旨在改变搜索引擎获取网页的底层方式，从盲目爬网转向由实时信号驱动、可授权甚至可计价的内容供应系统[16][26][28] - Cloudflare可能成为AI时代互联网内容访问与使用的关键规则执行者和基础设施，争夺比Google“信息排序权”更底层的“信息访问权”，决定AI能够看见什么以及需要付出什么代价，这对其既是巨大机遇也伴随着成为“守门人、裁判员和运动员”一体的争议[24][30][35] 根据相关目录分别进行总结 Google的帝国建立与核心优势 - Google凭借PageRank算法解决了早期互联网海量网页的排序问题，该算法通过分析网页间的链接关系来评估页面重要性，而非简单依赖关键词频率[2] - Google将技术优势转化为商业帝国，核心在于建立了“搜索识别需求-广告系统为需求定价”的闭环，搜索框天然连接用户意图与商业需求[4] - Google的竞争力已扩展为横跨信息获取、内容消费、移动操作系统、地图导航和应用分发的强大基础设施网络，其全球搜索引擎市场份额达91.27%，Android在移动及平板操作系统中的份额约为68.5%[4] - Google帝国运转的前提是开放互联网的“数据换流量”契约：搜索引擎抓取和索引网站内容，并将用户流量导回网站，双方形成共生关系[5][6] 生成式AI对传统搜索与开放互联网的颠覆 - 生成式AI改变了信息获取范式，从回答“答案可能在哪里？”转变为直接提供“答案本身是什么？”，用户不再需要点击多个链接进入原始网站[8][11] - AI通过两条路径影响内容生态：在模型训练阶段大规模抓取网页内容形成内部能力；在实时检索阶段抓取、阅读并整合网页内容直接生成答案，原始网站难以因此获得访问流量[9][10][11] - AI平台的“爬取-引流比”远高于传统搜索引擎，凸显了抓取规模与返还流量间的巨大落差：2025年7月，Google的比值为5.4:1，而OpenAI为1,091:1，Anthropic高达38,066:1，后者约为Google的7,000倍[12] - 生成式AI正在改写开放互联网的价值交换方式，内容被抓取和使用，但对应的流量回报急剧减弱，内容创造者面临成本难以回收的挑战[13][14] Cloudflare（NET）的战略位置与核心能力 - Cloudflare通过提供免费CDN、DNS与基础安全服务，吸引了海量网站，构建了覆盖全球的网络，其基础设施覆盖125个以上国家和地区的335座城市，全球边缘容量约500Tbps[20][21] - 在能够识别出反向代理服务的网站中，Cloudflare市场份额约为83.7%，超过20%的Web位于其网络之后，在全球访问量最高的网站中约36%使用其网络[21] - Cloudflare同时掌握三个稀缺位置：内容出口（可最早感知页面变化）、访问入口（可识别并管理各类访问者）、规则执行层（可直接执行访问控制）[22] - 与Google掌握“信息排序权”不同，Cloudflare理解“访问者与网页之间正在发生什么”，正在争夺“信息访问权”[23][24] Cloudflare与OpenAI合作的意义与潜在影响 - Cloudflare与OpenAI于2026年7月8日宣布启动研究试点，旨在利用网站共享信号及Cloudflare的实时数据，提高AI搜索发现与索引开放网页的效率、准确性和时效性[26] - 合作的核心是尝试将传统盲目爬网改造为由实时信号驱动、获得网站授权并可计价的内容供应系统，Cloudflare负责供给侧（内容价值与访问许可），OpenAI负责需求侧（用户问题与答案组织）[26][27] - 若该体系成立，Cloudflare可能成为Google集中式索引体系之外的一条新的分布式互联网内容供应管道，网站可通过Cloudflare将内容更新与访问条件直接提供给不同AI平台[29] - Cloudflare的目标是成为AI时代的流量海关、内容交易所和规则执行者，决定AI能够看见什么以及需要付出什么代价[35] Cloudflare面临的挑战与争议 - Cloudflare同时扮演双重角色：一方面为网站识别、限制和定价AI爬虫；另一方面通过Workers AI、AI Search等产品参与机器使用内容的市场[30] - 这使其可能同时成为守门人、裁判员和运动员，其能否建立透明的爬虫分类、平等接入和数据治理机制，将决定它最终成为开放互联网的新公共基础设施还是更隐蔽的流量围墙[30][31] - 目前与OpenAI的试点设置了边界，如仅用于搜索、不用于训练、由客户选择共享等，并声称设计上保持中立，未来向遵守规则的其他引擎开放，但这些仍是研究阶段的原则[30]

核心观点 - 英伟达高管团队在摩根士丹利投资者路演上传递的核心信息是：公司增长不仅没有见顶，而且正在加速，即便季度收入正在逼近1000亿美元，增速仍将继续提升 [1] - 摩根士丹利分析师认为，这一成长叙事对价值型和成长型投资者均具吸引力，并重申英伟达为半导体板块首选 [1] 产品路线与市场传言澄清 - 公司CEO黄仁勋直接否认了市场关于Rubin Ultra可能推迟至2028年出货的传言，确认其仍将于明年出货 [2] - Rubin系统的部分机架设计虽有调整，但800V供电和机架间光互连均按计划推进，产品时间表没有实质变化 [2] 客户结构与竞争动态 - AI实验室客户目前约占英伟达总需求的20% [3] - 一个较具代表性的前沿模型客户（市场普遍认为是Anthropic），此前主要在ASIC上开发，英伟达的参与度极低，但现在已升至接近50% [3] - 分析师判断，超大规模云厂商开发定制芯片与英伟达维持高市场份额可以同时发生，因为客户比较的是每个Token的综合成本，英伟达方案在许多场景下仍具备更低的单Token成本 [3] - 从2024年到2026年，英伟达在AI计算中的整体份额实际上是上升的 [3] 增长来源多元化 - **AI实验室**：约占总需求20%，除头部模型继续深度使用英伟达平台外，原本偏向ASIC的客户也在增加GPU配置 [4] - **传统超大规模云厂商**：约占收入一半，包括微软、Meta、亚马逊、谷歌，但扩张受电力、土地和数据中心建设速度制约，公司收入正从GPU延伸至CPU和网络设备 [4] - **新型AI云、主权AI、工业和企业客户**：未来增速可能超过传统超大规模云厂商，主权AI项目受自研ASIC竞争影响相对较小 [5] 业务扩展：CPU与网络 - 公司本财年CPU业务目标约为200亿美元，其中接近一半可能来自独立CPU机架 [6] - 公司正在从单一GPU供应商，向涵盖GPU、CPU、网络互联和系统架构的AI基础设施平台转型 [6] 投资者沟通与财务预期 - 公司正主动将价值型投资者纳入沟通重点，未来可能将50%以上的现金流用于回购和股东回报 [7] - 摩根士丹利预计，英伟达2026财年收入将增长82%，2027财年将增长52.4% [7][8] - 该行给出目标价288美元，对应7月9日收盘价202.78美元（市值约4.97万亿美元）约有42%的上行空间 [7][8] 增长驱动与潜在挑战 - 核心增长逻辑是生成式AI带动云计算资本开支持续增长，Blackwell是重要解决方案，后续Rubin产品有望维持性能领先地位 [8] - 主要挑战并非AI需求是否存在，而是如何在内存、网络、电力和机房空间等多重约束下，将需求转化为可交付的系统收入 [8] - 面临的风险包括：若供给追赶需求的速度快于预期，数据中心业务增长可能明显放缓；AI开发成本下降；竞争对手推出更具竞争力的产品；客户加快自研定制硬件的部署 [8][9]

文章核心观点 - 英伟达于2026年6月发布并开源了其全模态世界模型家族Cosmos 3，该模型旨在通过单一统一架构解决物理AI领域因多模型拼接带来的算力消耗与接口摩擦问题，标志着生成式AI向物理世界应用延伸的系统性尝试[1] 模型架构与设计 - Cosmos 3采用“混合变换器”架构，将自回归推理模块与基于扩散的生成模块融合，并为语言、图像、视频、音频和动作设计了独立的模态编码器，实现多角色无缝切换[2] - 动作被英伟达视为与语言、视觉同等的“核心模态”，模型引入了专用的动作Token编码器，以桥接语言推理与物理控制信号[2][3] - 模型提供三种变体：Edge、Nano和Super，参数规模分别为4B、16B和64B，其中Nano和Super基于Qwen3-VL的预训练权重扩展而来[3] 训练规模与计算资源 - Cosmos3-Nano在1024块英伟达GB200 GPU上训练了31.05万亿tokens，Cosmos3-Super在2048块GB200 GPU上消耗了17.86万亿tokens的训练数据[3] - 训练算力利用率方面，Nano的单卡稳态计算吞吐量为520 TFLOPS，MFU为0.23；Super则为673 TFLOPS，MFU为0.30[3] 基准测试表现 - 在推理能力上，Cosmos3-Super在通用基准综合得分为73.7，落后于Gemini 3.1 Pro，但在机器人、智能基础设施和自动驾驶三个物理AI专项领域全面领先所有参评模型[4] - 在生成能力上，专项微调后的Cosmos3-Super-Text2Image在Artificial Analysis文生图竞技场的开源权重模型中排名第一，UniGenBench综合得分达91.36，超越FLUX.2-dev和Gemini 3 Pro Image[5] - 在视频生成方面，Cosmos3-Super在PAIBench-G的文生视频和图生视频任务中均位居开源模型首位，得分分别为80.0和82.8[5] - 在Physics-IQ基准上，Cosmos3-Super在图生视频模式下以43.8分领先于Sora2，并通过采样策略将得分提升至48.9[5] - 在机器人策略领域，经微调的Cosmos3-Nano-Policy-DROID在RoboLab、RoboArena和MolmoSpaces基准上均排名第一，在RoboLab-120任务中的平均成功率达到39.7%[6][7] 开放生态与合成数据 - 英伟达将Cosmos 3定位为“预训练起点”，其架构设计保持灵活性，可通过微调转化为特定领域的专家模型[8] - 公司同步发布了五套大规模合成数据集，涵盖物理交互、机器人仿真、自动驾驶、数字人及仓储操作等场景，例如SDG-RobotSim包含来自多种机器人的386,270个RGB视频片段[9] - 这些数据集的发布旨在降低研究社区构建真实世界数据采集流程的成本[9] 基础设施与效率 - 数据层面，SILA平台可将大规模数据策展的迭代周期从月量级压缩至周量级[10] - 训练层面，通过混合分片数据并行与上下文并行等技术，在4096块GPU上实现高效扩展，并将Cosmos3-Super的端到端训练时间节省了9%[10] - 推理层面，模型与主流推理引擎集成，支持多种优化技术，使单卡720p文生视频在B200上的延迟约为286秒，4卡配置下可进一步压缩约60%[10]