1GW算力中心耗资600亿美元？黄仁勋G20现场布道“AI经济学”
InfoQ 中文 · 软件开发
InfoQ 2026-09-06 10:15 天津 当 AI 基建开始以“吉瓦”为单位讨论，一场大国间的重资产竞赛浮出水面。 作者 | 青和 当 AI 基建开始以“吉瓦”为单位讨论，一场大国间的重资产竞赛浮出水面。 美国当地时间 9 月 2 日，英伟达 CEO 黄仁勋亮相 G20 创新部长级会议，与美国商务部长卢特尼克展开炉边对话。面对各国官员，黄仁勋再次推销起近年来反复强调的“AI 工厂”概念，并系统地阐述了他的 “算力经济学” 。 黄仁勋给出了一笔颇具冲击力的账目：目前建设 1GW 规模的 AI 基础设施， 大约需要 500 亿至 600 亿美元 。以台积电 3nm/2nm 最先进制程工厂为参照，单座晶圆厂投资通常约 250 亿美元级别，但如今一个吉瓦级的 AI 数据中心大约是它的两倍。 黄仁勋认为： 算力已经彻底脱离了消费电子和通用 IT 硬件的范畴，演进为一种类似电网、铁路的国家级核心生产资料 。 在这场技术工业革命中， 设备采购变成了长周期的重资产基建投资 。对各国而言，这场产业革命最坏的结果，并不是 AI 发展得太快，而是没有充分投资和采用 AI，最终被甩在后面。 “对一个国家来说，这场技术工业革命最坏的结果是什么？”黄仁勋说道，“ 最坏的结果就是你没有利用它，被甩在后面。这就是唯一的最坏结果 。” 同日英伟达股价收涨约 3.2%。而在此前两日，受 AI 资本开支可持续性、循环融资等担忧扰动，其股价一度承压。 1 1GW 耗资 600 亿美元的重资产账本 黄仁勋一直试图改变外界理解计算产业的方式。 过去，电脑和芯片更接近一种被制造出来并销售给用户的产品；但进入生成式 AI 时代以后，他认为数据中心正在变成一种持续生产经济价值的“工厂”。它消耗电力和算力，最终生产出来的商品则是 Token，也就是机器生成的“智能”。 在他的类比中， 人类过去几百年逐渐学会把能源量化，以“千瓦时”计算和交易；今天，智能也开始被量化，一百万 Token 多少钱，本质上正在形成一种新的计价体系 。这也是为什么英伟达越来越少把自己简单描述成一家 GPU 公司，而频繁使用“AI 基础设施公司”“AI 工厂”这样的说法。 今年 6 月的 GTC Taipei 上，黄仁勋就曾表示， “Compute is revenue now，Compute is profit”——算力本身正在变成收入和利润。 当时他已经提到，吉瓦级 AI 工厂的资产规模可能达到 500 亿、600 亿乃至 1000 亿美元。 这一次，他更是把这套 AI 投资逻辑，讲给了 G20 各成员国的部长们听。 果然，销冠到哪里都是销冠。他表示“每一个国家都需要建设基础设施，来支撑自己的本土经济。” “过去人们觉得，建设一座耗资 250 亿美元的晶圆厂已经是一笔巨额投资；而现在，仅 1 吉瓦规模的基础设施，就大约需要这个数字的两倍。” 黄仁勋还称， 从现在到本十年末（2030 年前后） ，全球 AI 基础设施的建设规模预计将达到约 100GW， 对应的是 数万亿美元级别 的长期资本开支周期。 2 “五层蛋糕”分工模型 面对极高的投资门槛，为了说清楚各国应该把钱投在哪里，黄仁勋拿出了自己常用的“五层蛋糕”AI 产业模型，从上往下依次是： 能源层 （电力、电网配套） 芯片层 （计算与互联硬件） 基础设施层 （数据中心、冷却与系统网络） 模型层 （通用与行业底座） 应用与数据层 （垂直场景与私域业务流） 美国当然希望五层都占据领先位置，但黄仁勋认为， 一个国家并没有必要在每一层都赢 。真正的问题在于，它必须决定自己究竟准备参与哪几层，又有哪些能力不能完全交给国外供应商。其底线在于： 每一个经济体都必须建立起足够的本土基础设施和垂直应用承载能力。 3 AI 替代的是任务，而非工作 如果说算力基础设施解决的是“智能从哪里来”，黄仁勋认为接下来真正消耗这些算力的，将不再只是聊天机器人。在他的判断中，AI 正在从大语言模型进入 智能体和物理 AI 阶段 。语言模型提供基础认知能力，而真正用于工作的 AI 系统还需要知识检索（RAG）、工作记忆、工具调用以及多 Agent 执行能力。 当 AI 能够操作浏览器、软件和企业系统，它会逐渐变成“数字员工” ；当这种能力进一步进入汽车、机械臂和其他机器，最终对应的则是 自动驾驶、工业机器人、物流机器人乃至手术机器人。 黄仁勋同时预计， 未来几年 AI 将基本实现 AGI（通用人工智能） ，将在工程层面基本成型，但这并不意味着企业可以简单接入一个通用模型，就自动完成所有业务升级。即使 AI 具备很强的通用能力， 仍需要向其提供业务所需的上下文、目标、知识和访问权限。 他强调，“每个国家，每家公司，你不能把所有的智慧都外包给别人。” 没有 一家企业或国家能通过