公司战略与业务表现 - 英伟达正在通过其“AI工厂”愿景扩展数据中心战略，此举可能进一步加速其最大业务板块的增长 [1] - “AI工厂”是专为大规模将原始数据转化为可用智能而设计的基础设施，管理从数据摄取到训练和推理的完整AI生命周期，其使用紧密集成的GPU、网络和软件以最大化输出 [2] - 该模式增加了英伟达的单客户收入机会，公司可提供完整的系统及可重复的软件价值，而不仅仅是销售单个GPU [4] - 公司数据中心业务收入在2026财年第四季度达到约620亿美元，同比增长75%；整个2026财年，该板块收入同比增长68%至近1940亿美元 [1] - Zacks对2027财年数据中心收入的共识预期目前约为3256.2亿美元，意味着同比增长68% [5] - 英伟达在AI基础设施支出浪潮中处于中心地位，通过提供包括芯片、互连和软件平台在内的全栈解决方案进行布局 [3] 行业竞争格局 - 在AI数据中心领域，超微半导体和英特尔是与英伟达竞争的主要公司 [6] - 超微半导体凭借其MI300系列加速器获得发展势头，该系列芯片旨在处理大型AI模型的训练和推理，其性能和定价优势使其成为可信的替代选择 [7] - 英特尔正通过Gaudi系列AI加速器重新确立其市场地位，将Gaudi3定位为面向寻求灵活性的企业客户的、具有成本效益且可扩展的AI数据中心选项 [8] 财务与估值指标 - 过去一年，英伟达股价上涨约68.5%，同期Zacks计算机与技术板块上涨44.5% [9] - 从估值角度看，英伟达的远期市盈率为22.17倍，低于行业平均的23.46倍 [12] - Zacks对英伟达2027财年和2028财年盈利的共识预期分别意味着同比增长约68.3%和31.4% [15] - 过去30天内，对2027财年的盈利预期有所下调，而对2028财年的预期在同一时期被上调 [15] 市场前景与行业动态 - 全球AI基础设施支出正在快速增长，独立研究公司The Futurum Group的报告预计，仅2026年，包括亚马逊、Alphabet、Meta、微软和甲骨文在内的顶级科技公司在AI数据中心扩展上的支出将达到6600亿至6900亿美元 [3] - 如果AI应用在各行业持续扩大规模，“AI工厂”愿景可能成为公司长期的增长引擎 [4]

文章核心观点 - AI产业正从“模型竞争”转向“系统竞争”，未来价值创造的核心在于如何将模型整合进由工具、连接器、智能体(agent)和控制平面等构成的复杂系统，即“驾驭工程”(harness engineering) [6][10][16] - 开放模型(open models)聚合起来已是全球第二大模型群，并将在不同行业和应用中成为最大的模型群，其价值不仅在于成本，更在于为企业提供控制权、定制化和建立信任的能力 [5][65][82] - 智能体(agentic systems)时代已经开始，其标志性拐点是编码(coding)工作的自动化被验证，以及OpenClaw等项目将智能体具象化为一种大众可感知的、持续在线的计算体验 [26][33][79] - 企业部署AI的挑战正从技术能力转向治理与安全，企业需要可治理、可观测、受控的智能体系统，其部署难度远高于个人应用 [52][55][81] - 行业正形成新的产业结构：底层是前沿模型(frontier models)，中间是编排(Orchestration)、驾驭工程(Harness)、智能体运行时(Agent Runtime)和控制平面(Control Plane)，上层是各行业应用，周围是开放生态与企业治理的新平衡 [88][91] 黄仁勋对圆桌的定调与产业框架 - 模型是一种基础技术，如同晶体管，而非最终产品；ChatGPT是产品，而Open Model是技术底座 [10] - 产业需要超越“最强模型公司”和“应用公司”的二元叙事，关注AI软件栈中正在出现的第三类新角色 [10] - 未来不是单一模型的竞争，而是“系统模型的组合” [6] AI从模型到系统的演变 - 正在出现并壮大的第三类公司：既使用市场上最好的模型API，也在模型和智能体层面进行大量自有工作，其核心能力是组织不同模型、工具和执行流程 [11] - AI正在变成“系统”或“计算机”，其价值在于将编码、写作、多模态生成等能力组织成一个编排系统，连接各种工具、模型和资源 [14] - “驾驭工程”(Harness Engineering)成为关键，指模型周围的一切：如何连接工具、调用提示词(prompt)、使用子智能体(sub-agent)及为其分配模型，这是将模型转化为生产力的核心 [16][19][21] - 购买商业模型获得的是从芯片、编排、软件、推理到产品的整套技术栈，开放的价值在于允许他人从头到尾重新优化整个系统 [22] 智能体(Agent)时代的拐点与驱动力 - AI演进可分为三个阶段：生成式AI(Generative AI)、推理(Reasoning)、智能体系统(Agentic systems) [26] - 未来算力消耗可能从预训练(Pre-training)更多转向后训练(Post-training)，因为后者是让模型获得技能、变成可落地系统的关键 [26] - 关键拐点之一是编码(coding)在去年开始真正可行，因其具备明确目标、标准化接口、可验证输出等特性，成为智能体的天然试验田，其能力正迁移至其他领域 [30][33][78] - 智能体变得可用的原因不仅是模型变强，更是模型能力、工具接口和系统工程在同一时间段完成了“对齐” [31] - 一旦模型擅长操作命令行界面(CLI)、文件(files)和工具(tools)，它就获得了进入几乎所有知识工作的“通行证” [32] OpenClaw项目的象征意义与智能体内涵 - OpenClaw被视为了解智能体系统(agentic systems)的窗口，它将智能体带进大众认知，呈现了现代计算机的一种新形态 [38][49] - 智能体被定义为能够持续处理任务、调用资源、拆分步骤、在不同模型间路由并保持状态的执行系统，类似于“同事”(co-workers) [36] - OpenClaw的重要特征包括：始终在线(always-on)且主动、开始拥有可持续的“身份”、具备“记忆”并能通过代码修改自身指令 [42][43][44] - OpenClaw作为通用智能体展示了范式，但大量专用智能体（如法律、销售、编码智能体）仍不可替代，且需针对垂直场景深度定制 [44][45] - OpenClaw预示了一种新的计算机形态，其运行时(Runtime)是GPU，令牌(token)是基本消耗单位，计算将在本地与云端混合进行 [46] 企业部署智能体的核心挑战：治理与安全 - 企业部署智能体的瓶颈从能力转向治理，需要解决数据安全、权限、可观测性和统一控制平面等问题 [52][53] - 一条关键设计原则：企业通常不应允许一个智能体同时拥有“访问敏感信息”、“执行代码”和“对外通信”全部三项能力，除非它是CEO [55] - 在医疗、国防等高信任、高风险领域，开放模型因可见、可检验，更容易建立信任，这比单纯的性能差异更重要 [56][57][71] - 企业需要的是可治理的智能体，而不仅是在演示中聪明的智能体 [81] 开放模型(Open Models)的多维价值与生态 - 开放模型的价值体现在三个层面：1) 开放权重(Open Weights)；2) 开放后训练与定制(Open Post-training/Customization)；3) 开放研究与基础设施(Open Research/Infrastructure) [73][74][75] - 对企业而言，开放模型的核心价值在于**控制权**、**定制化**和**研发成本共享** [66][69] - 开放模型为创建高度专业化的数字专家（如心脏科专家数字孪生）提供了必要的“塑形能力”，而超大闭源模型因其固定性而难以彻底改造 [67][68][70] - 开放基础设施（如AI网格）对于前沿开放模型的持续发展至关重要，否则其发展仍会被巨额计算资本卡住 [72] 行业落地前景与未来产业结构 - 智能体将首先在**多步骤、重复性强、每一步相对可预测**的工作流中大规模落地，例如医疗领域的保险事先授权文书工作 [62][63] - 行业前沿不止于编码，视觉智能对于机器人和与现实世界交互的智能体同样关键，模型正被越来越多地部署到实体AI和机器人中 [58][59] - 前沿创新的最小单元是一个“高度聚焦、人才密集、又能拿到巨大算力”的团队，算力供给方式本身将成为产业结构的一部分 [61] - 新的产业地图正在展开：底层是前沿模型，中间层是编排、驾驭工程、智能体运行时和控制平面，上层是各行业应用，周围是开放生态与企业治理的平衡 [91] - AI工厂(AI factory/foundry)概念将愈发重要，使企业能获取所需计算资源而无须独占大量算力 [83] - 2026年将是“真实商业经济学”起飞的一年，AI从“惊艳演示”进入“可规模化经营”阶段 [86][87]

文章核心观点 - 英伟达GTC 2026发布会的核心并非单一芯片性能，而是提出了“每瓦Token数”作为衡量AI工厂产出的新核心度量衡，这标志着行业竞争焦点正从芯片峰值参数转向系统级端到端能效，即在固定的能源约束下最大化智能产出 [1][2][4] - 行业对AI基础设施的认知正经历从“芯片中心主义”到“计算系统中心主义”的转变，竞争叙事边界已扩展至由计算、网络、存储、电力、冷却等共同构成的完整AI工厂系统 [4][11] - “每瓦Token数”这一度量单位的价值在于，它将电力输入到智能产出的完整链条连接起来，使行业能更直接地评估AI系统将能源转化为有效业务产出的效率，这比传统的部件层指标更具现实指导意义 [9][10] GTC 2026的核心变化与产业深意 - 发布会最值得重视的变化不在芯片本身，而是将算力竞争的叙事边界从单颗芯片推进到了算力基础设施级别，即完整的AI工厂系统 [4] - 英伟达展示的新产品如Vera Rubin、DSX AI Factory等，均强调其作为POD级平台或参考设计，目标是最大化每瓦Token数，体现了系统级竞争的思路 [4] - 这背后是一次“智能度量语言”的迁移，从衡量部件能力的芯片层指标，转向衡量整体产出的系统层指标，其打开的产业视角比任何单一新芯片都更值得深入讨论 [2][8] 度量体系的演进：从芯片到系统 - 芯片时代的度量体系关注峰值算力、显存带宽、FLOPS/W等部件能力边界指标 [6] - 当前智算中心缺乏客观、统一、通用的度量单位，使用兆瓦或基于FP16的PFlops等单位，但相同算力或电力的集群因内部组件不同，效能差异巨大 [7] - 系统层更合理的度量应是“每瓦Token数”，因为它能回答在固定功率、散热、机房约束下，AI系统能产出多少有效的AI结果，对应系统最优而非局部最优 [7][8] - 阿里巴巴在GTC前一天宣布成立“Alibaba Token Hub”，由CEO吴泳铭挂帅，将Token提升至公司AI战略高度，同样体现了行业向系统视角和以Token为核心度量转变的趋势 [2] Token/W 作为新度量衡的价值与影响 - Token被英伟达称为现代AI的基本单位，因其与模型推理过程、收入模型直接耦合，并能有效覆盖推理时代的新负载 [9] - AI基础设施的底层约束日益体现为能源约束，国际能源署报告预计到2030年全球数据中心用电将增长到约945TWh，AI是主要驱动因素之一，许多问题实质上是电力、散热和基础设施组织问题 [9] - Token/W的概念将电力输入，经过计算、网络、存储、调度和冷却，最终转化为Token产出的链条连接起来，衡量的是AI系统将多少能源转化成了多少智能产出 [10] - 产业进入大规模部署阶段后，决定胜负的往往是系统组织能力，而非部件参数，AI基础设施已到达此阶段 [11] 系统视角下光互连与光计算的产业地位提升 - 当度量体系迁移到系统层，过去被视为配套的环节如光互连的重要性会显著上升 [12] - 在Token/W框架下，光互连的价值在于降低数据搬运的能量代价，提升大规模AI计算系统将电力转化为Token的能力，英伟达基于光子的CPO相比光模块可实现最高5倍能效 [12] - 随着模型和集群规模扩大，系统能耗越来越多地发生在跨芯片、跨机柜的数据搬运上，提高Token/W不能只靠更强GPU，还需要更高效的互连，光互连正成为大规模AI系统的必要节能手段 [13][14] - 更前沿的光计算，其产业意义在系统层也更容易讲清，它不要求替代整个GPU，而是旨在通过在某些关键工作负载上降低能量消耗，从而提高系统层的Token产出效率 [15] - 当算力竞争迁移到AI大规模系统级基础设施，光互连与光计算因能解决数据搬运和高密度计算的单位能耗问题，从而从先进技术选项走向产业基础设施主线 [16][17] 对AI产业发展的整体启示 - AI基础设施正在变成一个用能源来衡量的系统工程，未来面临的约束包括电网接入、机房散热、园区能耗、机柜功率密度和投产速度等 [17] - 英伟达GTC 2026以及行业巨头的动向表明，需从系统思维的视角看待AI产业发展，关注芯片在网络中的协同、在机架中的部署、在园区的电力获取及最终的业务端产出 [10][18] - 这一转变与人类文明发展的主轴一致，即用更低的能量采集、传输和处理更多的信息，AGI的推进也将遵循这一逻辑 [18][19]

公司与行业合作 - DDN作为全球领先的AI数据平台提供商，宣布与NVIDIA深化合作，以支持NVIDIA在CES 2026上发布的下一代AI工厂架构，包括NVIDIA Rubin平台和NVIDIA BlueField-4 DPU [1] - 此次合作旨在通过消除限制性能、利用率和实现价值时间的数据瓶颈，帮助企业及超大规模数据中心更快地实现大规模AI的运营化 [1] AI行业发展趋势与挑战 - 生成式AI和智能体AI工作负载正向百万令牌上下文窗口、分布式推理和数据密集型推理演进，企业发现仅靠原始计算能力已不足够 [2] - 业务成果现在取决于数据在GPU、DPU、网络和存储之间移动、缓存、保护和提供服务的效率 [2] - AI正从实验阶段转向生产阶段，企业必须在性能与治理、安全及运营效率之间取得平衡 [6] 技术架构与创新 - NVIDIA Rubin平台代表了一个根本性转变，从以加速器为中心的设计转向采用协同设计、紧密集成CPU、GPU、DPU、NVLink交换结构和高速Spectrum-X以太网网络的机架级AI工厂架构 [4] - BlueField-4通过将网络、存储、安全和基础设施服务从主机CPU卸载，扩展了此架构，为大规模AI创建了一个可编程的操作层 [4] - BlueField-4数据存储处理器驱动了一个新的快速、高效的KV缓存存储层，以扩展AI工厂的长记忆推理能力 [4] - DDN确保其AI数据智能平台经过设计，能原生运行于此统一技术栈中，将架构创新转化为实际成果 [5] 解决方案与性能优势 - DDN平台与NVIDIA最新的硬件和软件创新对齐，包括用于存储的NVIDIA Spectrum-X以太网以及BlueField-4上由NVIDIA DOCA加速的服务 [5] - DDN是全球超过1,000,000个GPU的驱动者，服务于要求最严苛的AI和HPC环境，确保模型在规模、复杂性和并发性增长时性能保持一致 [5] - 合作带来的可衡量影响包括：在大规模AI环境中实现高达99%的GPU利用率；针对长上下文推理工作负载，首次令牌时间减少20–40%；通过简化、集成的数据管道加快模型部署时间；通过减少CPU负载和消除低效数据移动来降低基础设施开销；以线速为高密度Rubin GPU配置提供艾级数据访问；支持NVIDIA推理上下文内存存储平台的分布式KV缓存分层，在保持超低延迟的同时将推理上下文扩展到GPU内存之外；利用BlueField-4加速引擎进行元数据处理、遥测和控制平面操作的网络集成存储服务；动态的、遥测驱动的数据放置，以在工作负载实时变化时优化性能 [7] 数据管理与安全 - 通过集成的数据智能和BlueField-4卸载能力，客户可以：端到端保护静态和传输中的AI数据安全；在共享的AI基础设施上强制执行多租户隔离；实时了解数据访问模式和性能瓶颈；通过统一的观测性和访问智能，将审计和合规准备时间减少高达70% [11] 合作愿景与行业影响 - DDN与NVIDIA的合作专注于一个单一目标：确保由NVIDIA Rubin和BlueField-4驱动的全球最先进AI平台能够以全速、全规模和可预测的性能获得数据供给 [3] - 当内置数据智能时，客户可以看到更高的GPU利用率、更快的推理速度和显著降低的运营摩擦 [3] - AI基础设施的未来是跨计算、网络和数据的统一，NVIDIA Rubin和BlueField-4平台体现了这一转变，而DDN的AI数据智能平台确保数据成为竞争优势而非制约因素 [8] - 通过与NVIDIA合作，DDN正在帮助客户将AI基础设施转变为AI工厂——这些系统不仅用于计算，更是为了更快、大规模且可靠地交付业务成果而设计 [9]

产品发布与战略定位 - 公司发布专为英伟达800 VDC AI工厂架构设计的新款100 V GaN FET、650 V GaN以及高压SiC器件，旨在实现突破性的效率、功率密度和性能 [1][22] - 作为纯宽禁带功率半导体公司，公司提供从电网到GPU的AI数据中心全阶段高效、高功率密度电源转换方案 [7] - 公司正经历由GaN和SiC技术融合驱动的根本性转型，业务重点从移动领域扩展至AI工厂、智能能源基础设施和工业平台的兆瓦级需求 [13] 技术规格与产品优势 - 新款100V GaN FET产品组合在先进双面冷却封装中提供卓越效率、功率密度和热性能，特别针对GPU电源板上的低压DC-DC阶段进行优化 [8] - 650V GaN产品组合包括新款大功率GaN FET和先进的GaNSafe™功率IC，集成控制、驱动、传感和内置保护功能，确保卓越的鲁棒性和可靠性 [10] - GaNSafe™平台具备超快短路保护（最快350纳秒响应）、所有引脚2 kV ESD保护、无需负栅极驱动和可编程压摆率控制，仅需4引脚控制 [11] - GeneSiC™采用专有“沟槽辅助平面”技术，在650 V至6,500 V的宽电压范围内提供卓越性能，已应用于多个兆瓦级储能和并网逆变器项目 [12] 市场背景与技术需求 - AI工厂作为专为大规模同步AI和高性能计算工作负载设计的新型数据中心，对电源架构提出新要求，传统依赖54V机架内供电的架构已无法满足兆瓦级机架密度需求 [3] - 800 VDC配电架构通过固态变压器和工业级整流器，实现从13.8 kVAC市电到800 VDC的直接转换，消除多个传统AC/DC和DC/DC转换阶段，最大化能效并提高系统可靠性 [4][5] - 800 VDC架构直接为IT机架供电，并通过两个高效DC-DC阶段（800 VDC至54 V/12 VDC，再至GPU负载点电压）为英伟达Rubin Ultra平台等先进基础设施供电 [5] 制造合作与产业影响 - 高效率100V GaN FET通过与Power Chip的新战略合作伙伴关系，在200mm GaN-on-Si工艺上制造，实现可扩展的大批量生产 [9] - 800 VDC架构与IEC的低压DC分类（≤1,500 VDC）全球对齐，通过减少电阻损耗和铜使用来提高效率，并提供高度紧凑的解决方案以实现兆瓦级机架功率的可扩展基础设施 [16]