英偉達的下一戰：不是芯片，是算力體系

算力優勢，不再自動等同于效率優勢。競爭的關鍵已不在于“誰更強”，而在于“誰更高效地定義基礎設施”。

文｜胡嘉琦ID | BMR2004

2026年春季科技發布會密集召開，美國加州圣何塞再次成為全球算力競爭的風暴中心。隨著新一代芯片、互連技術與系統級產品集中發布，英偉達（NVIDIA）創始人兼CEO黃仁勛將2025—2027年的市場預期上調至1萬億美元，體現了當AI邏輯從“訓練”向“推理”大遷移后帶來的發展機遇。

英偉達并未止步于芯片，而是不斷擴展邊界。在真實的產業運行中，芯片只是入口，圍繞算力展開的，是一整套更為龐大的支出體系，包括高帶寬內存、服務器集群、數據中心、電力系統、液冷散熱以及貫穿其間的高速互連網絡。

《商學院》記者從英偉達方面獲悉，英偉達推出了光電一體化封裝網絡交換機Spectrum-X Photonics，助力“AI工廠”擴展至數百萬GPU級別。同時，英偉達發布NVIDIA Spectrum-X與NVIDIA Quantum-X硅光網絡交換機，使AI工廠能夠跨區域連接數百萬GPU，在大幅降低能耗的同時優化運營成本，實現電子電路與光通信的深度融合。

這一系列動作都表明，AI不再是一個單點產品市場，而更像是一場圍繞基礎設施展開的系統性競爭。芯片、網絡與存儲被重新組織，作為整體能力落地到產業。

01

推理時代：算力體系的重構與性能爆發

以集中化、規?；癁樘卣鞯乃懔┙o方式，能夠高效支撐大模型訓練與推理需求

在這一輪技術與產品的集中發布中，一個更直觀的信號是：AI算力的組織方式正在被重新定義。

在本屆GTC上，Groq 3 LPU首次亮相，使Rubin平臺的核心計算芯片擴展至7顆。與此同時，英偉達將其與5個機架級系統打包，形成一整套AI超級計算機方案。

這種變化并非偶然，而是直接回應了當下最核心的需求。大模型訓練與推理正在進入規?；A段，隨著模型參數步入萬億級時代，傳統服務器架構逐漸難以承載，行業不得不轉向更高密度、更低延遲的系統級整合。

但是相比之下，Google的TPU、Cerebras的晶圓級芯片以及Groq等廠商的專用推理架構，能夠在單位能耗、響應速度和成本控制上形成更直接的優勢。這種差異正在影響客戶的選擇邏輯。以OpenAI和Meta為代表的大模型公司，正在從過去對單一算力供應商的依賴，轉向多供應商組合策略，以在推理成本不斷攀升的背景下實現效率最優。

換言之，英偉達的問題并不在于性能不足，而在于其通用架構在“推理優先”時代不再具備絕對的效率優勢。當AI進入大規模商業化應用階段，行業競爭的焦點正在從“誰能提供更強算力”，轉向“誰能以更低成本、更高效率持續提供算力”也正是在這一背景下，英偉達的角色發生了變化，它不再只是GPU供應商，而是試圖通過完整的產品與架構體系，定義AI基礎設施的基本形態，并在這一過程中，占據產業鏈更高的位置。

在這樣的背景下，Rubin的意義不只是一次產品升級。作為上一代Blackwell GPU架構的繼任者，Rubin更像是一輪系統架構的重構。它最早在2024年臺北電腦展上亮相，并在2025年GTC上披露更完整的技術細節，名稱則來自美國天文學家薇拉·魯賓，延續了英偉達以女性科學家命名架構的傳統。

從產品節奏來看，Rubin推進明顯加快。在2026年CES上，黃仁勛就透露，該架構已進入量產階段，首批產品預計在2026年下半年交付，微軟、亞馬遜、谷歌、甲骨文等云廠商將率先部署，OpenAI等AI公司也已加入這一體系。

性能層面，Rubin帶來的是一次明顯躍升。訓練效率提升約3.5倍，推理性能提升約5倍，同時由于架構更為集成，單位算力成本顯著下降，在部分場景中，推理Token成本有望降至上一代的十分之一。

架構層面，Rubin由GPU、定制CPU（Vera）以及網絡交換組件協同構成，并配備HBM4高帶寬內存，顯著提升數據吞吐能力。計算、存儲與網絡被整合在同一體系中，使其更接近一個完整的系統，而非傳統意義上的芯片產品。

但更高性能也帶來了新的工程挑戰。隨著算力密度提升，功耗迅速上升，單卡可達2000瓦以上，對散熱系統提出更高要求。液冷逐漸從可選方案變為標配，數據中心的設計邏輯也隨之改變。

在更大規模的應用中，Rubin將被納入英偉達的超算體系，例如DGX SuperPod，同時也可以拆分為模塊化產品供客戶靈活組合。針對超長上下文等復雜任務，英偉達還設計了專用版本GPU，并通過大規模集群協同運行，提供接近“數據中心級”的單機算力。

資深企業戰略和技術創新管理專家、科方得咨詢機構負責人張新原在接受《商學院》記者采訪時指出，英偉達所推動的“AI工廠”與大規模GPU集群模式，正在成為未來AI基礎設施的重要形態之一。這種以集中化、規?；癁樘卣鞯乃懔┙o方式，能夠高效支撐大模型訓練與推理需求，但其可持續性取決于算力需求是否持續增長、電力與土地等資源供給是否匹配，以及軟硬件生態是否具備足夠的開放性與兼容性。

在這一邏輯下，英偉達的動作也開始向更上游和更廣范圍延伸。

02

向光通信與網絡層延伸

在生成式人工智能加速發展的背景下，競爭正在從模型與算法，轉向算力供給與基礎設施能力。

2026年3月初，英偉達宣布與Lumentum Holdings和Coherent建立合作并進行投資，將布局從計算芯片延伸至光通信與網絡層。這一動作指向一個正在顯現的瓶頸，即帶寬與延遲。隨著模型規模擴大，數據在GPU、機架乃至數據中心之間的流動，逐漸成為影響性能的關鍵因素，僅依靠算力提升已經不再足夠。

這一變化背后，是產業邏輯的轉向。在生成式人工智能加速發展的背景下，競爭正在從模型與算法，轉向算力供給與基礎設施能力。

英偉達推出的硅光交換機通過創新性集成光器件，將激光器數量減少約4倍，能源效率提升至約3.5倍，信號完整性提升約63倍，大規模組網可靠性提升約10倍，部署效率提升約1.3倍，可以推動大規模AI基礎設施向更高效、更穩定的方向演進。

張新原認為，節點之間的數據交換需求顯著增加，使網絡帶寬與延遲逐漸成為制約整體效率的關鍵因素，這一趨勢源于模型參數規模進入萬億級、訓練數據持續擴大，以及分布式訓練對高頻同步通信的更高要求。在此背景下，硅光技術被寄予更高期待，但仍處于從實驗室走向規?；瘧玫倪^渡階段，在制造良率、成本控制及與現有電互聯體系的兼容性方面仍面臨挑戰，未來3—5年有望在部分高性能場景率先落地，但全面替代仍需更長周期。

與此同時，數據中心的架構正在發生轉變，“以網絡為核心”的設計逐漸推動系統從計算與存儲分離，走向計算、網絡與存儲深度融合。網絡不再只是連接通道，而是逐步成為資源調度與任務編排的核心中樞。與之對應，光互連的價值被重新評估，其在長距離與高帶寬傳輸中的能效優勢，使其在高性能計算與AI集群中的應用空間持續擴大。產業鏈也在這一過程中發生重構，光電協同趨勢逐漸形成，整體呈現出垂直整合與專業分工并存的格局。

在這一演進下，GPU廠商進入網絡與光通信領域也具有必然性。張新原指出，隨著AI集群規模擴大，網絡性能已成為系統效率的關鍵變量，通過掌握全棧能力，GPU廠商能夠在系統層面實現進一步優化，這也推動產業競爭從單一硬件，轉向全棧解決方案的競爭格局。但與此同時，跨區域部署帶來的延遲與一致性問題依然存在，受物理約束影響，短期內只能通過異步訓練、梯度壓縮及網絡優化等方式緩解。

當AI競爭從模型走向基礎設施，硬件的角色也隨之改變，不再只是算力載體，而是影響系統效率與成本結構的核心變量。英偉達正在做的，是將分散算力整合為可調度、可規?；\行的工業級能力，而Rubin正是這一進程中的關鍵一環。

03

重構AI系統的“五層架構”

AI基礎設施呈現出更清晰的分層結構：底層是芯片與互連，中間是系統與網絡，上層是模型與應用。

如果算力只是其中一環，那么整套AI系統如何被組織？英偉達給出的答案，是“五層架構”。

在這條不斷延展的路徑中，它試圖回答的不只是算力強弱，而是算力如何被更高效地使用。

隨著模型規模增長，單純堆疊GPU難以帶來線性提升，反而受到數據調度、通信延遲與系統瓶頸的限制。算力競爭因此從“單點性能”轉向“系統協同能力”。任務拆分、數據流動與資源調度，成為新的關鍵變量。

這也讓AI基礎設施呈現出更清晰的分層結構：底層是芯片與互連，中間是系統與網絡，上層是模型與應用。英偉達正試圖向每一層延伸，并通過統一架構將其整合為一個整體。

這一結構被黃仁勛概括為“五層蛋糕”。在他看來，AI產業的競爭不再是單一技術棧之爭，而是系統工程的比拼。未來門檻將從“是否擁有算力”轉向“是否具備系統級能力”。單點優勢會被削弱，而系統差距將被放大。

從這個角度看，英偉達所構建的并不僅是產品組合，而是一種基礎設施范式。當算力被重新組織并規?；{度后，AI逐漸從模型問題，演變為工程問題。

在此基礎上，這一“五層蛋糕”也被進一步拆解為更具體的工業結構。

黃仁勛提出，從工業視角審視AI，可以理解為一個“五層?！保旱谝粚樱彩亲畹讓?，是能源。智能是在實時生成中被持續塑造的過程，而這一過程依賴穩定的電力。每一個Token的生成，都涉及電子流動、熱量管理以及能量向計算的轉化。這一過程沒有抽象空間，也不存在捷徑。因此，能源成為AI的第一性原理，決定智能的上限。

第二層是芯片。芯片是將能源轉化為計算的工廠。隨著AI對并行計算、高帶寬內存與高速互聯的需求提升，芯片架構的演進直接影響系統效率與智能邊界。

第三層是基礎設施。包括土地、電力、冷卻與網絡系統以及復雜的工程體系，它將成千上萬顆處理器組織為一臺協同運轉的機器。黃仁勛稱之為“AI工廠”，其目標不再是存儲信息，而是持續生產智能。

第四層是模型。AI正在逐步理解更多“世界語言”：人類語言、生物語言、化學語言、物理語言乃至金融邏輯。語言模型只是其中一類，更具變革性的進展正在蛋白質預測、化學模擬、物理建模以及機器人和自主系統中發生。

第五層是應用。真正的價值在這一層釋放：藥物研發、工業機器人、法律助手、自動駕駛與人形機器人等。每一個成功應用，都會反向推動模型、基礎設施、芯片乃至能源體系形成持續強化的正向循環。

知名財經作家、眺遠影響力研究院院長高承遠則指出，算力、網絡與能源共同構成底層約束，真正的競爭焦點在于誰能夠更高效地整合這些要素，并構建可持續擴展的系統架構。在這一過程中，全棧能力與系統工程能力的重要性持續上升，產業格局也將圍繞“系統定義權”展開重塑。

從長期來看，英偉達在全棧布局中的優勢，更多體現在軟硬件協同能力與開發者生態之上。其CUDA平臺與AI軟件體系，與GPU及網絡硬件深度綁定，形成從芯片到系統再到應用的完整技術閉環，不僅帶來性能優勢，也構建了較高的生態壁壘。如今，AI基礎設施正在走向異構化、分布式與綠色化，算力供給更加多元，網絡架構更加注重低延遲與高帶寬，而能源效率與系統協同能力，將成為未來競爭的關鍵變量。

當AI競爭從模型能力轉向基礎設施，算力不再是終點，而是體系的一部分。英偉達正試圖通過芯片、網絡與系統，定義這一體系的標準，將分散算力重構為可持續運行的“智能工廠”。

但在推理成為主導、成本與效率成為核心變量的階段，通用架構的邊界正在顯現。算力優勢，不再自動等同于效率優勢。這場競爭的關鍵，已不在于“誰更強”，而在于“誰更高效地定義基礎設施”。