輝達首席執行長黃仁勳最新表示，基於NVIDIA架建構設的1GWAI工廠，成本可能接近1000億美元。

這一數字如果放在傳統資料中心語境下非常誇張，但放在AI訓練、推理和智能體工作負載快速擴張的背景下，它反映的不是單一晶片漲價，而是AI基礎設施進入“吉瓦級資本開支”階段。

全球資料中心年新增裝機預測,2025年18GW逐年升至2030年34GW,其中美國貢獻超60%,2026年美國單年新增17GW為增速高點。資料來源:伯恩斯坦及伊頓測算

最新報導提到，過去市場對1GW AI工廠成本的估算大約在500億至600億美元，其中約350億美元可能對應NVIDIA硬體；

如今黃仁勳把成本上限指向近1000億美元，意味著下一代AI工廠的複雜度、功率密度和系統價值量正在繼續抬升。

1GW不是普通擴容單位。1GW等於1000MW，若總投資接近1000億美元，意味著每1MWAI基礎設施對應約1億美元資本投入。

這裡面不僅包括GPU或AI加速器，還包括CPU、HBM、伺服器DRAM、企業級SSD、高速網路、光模組、液冷、電力系統、變電設施、土地、建築和長期能源供應。

AI基礎設施投資構成示意,除GPU算力外還包括HBM,伺服器DRAM,企業級SSD,網路與液冷,電力與土地建築等,覆蓋整套系統而非單一加速器。資料來源:公開資料整理

AI工廠正在從“資料中心”變成一種新的計算工業設施，核心產出不再是網頁訪問或雲主機，而是Token、模型能力和智能體執行能力。

01  建設計算工廠  1GWAI工廠不是買GPU

輝達過去一年反覆使用AIfactory概念，原因很明確：AI基礎設施已經不同於傳統雲資料中心。

傳統雲服務主要出售通用計算、儲存和網路資源，AI工廠則把電力、晶片、網路、儲存和軟體調度整合起來，持續把資料轉化為Token和智能能力。

輝達對AI工廠的定義,自上而下整合算力,記憶體,儲存,網路,散熱,電力,場地與長期能源供應八個層級,目標是規模化生產智能。資料來源:輝達官方

NVIDIA官方資料將AI Cloud描述為由AI工廠組成的大規模AI基礎設施，專門面向訓練、推理和智能體AI工作負載，而不是一般雲端運算。

在這個框架下，1GW代表的是持續供電能力，也代表可連續運行的AI算力規模。

GPU只是核心裝置之一，真正的AI工廠還需要高速互連，把數十萬乃至更多加速器連接成一個可調度的系統；需要HBM為模型計算提供頻寬；

輝達GB300機架網路架構,單機架NVL72整合72顆GPU,36顆CPU與18顆交換晶片,機內5184根銅纜完成縱向擴展,橫向經三層1.6T光交換連接256個機架共18432顆GPU。資料來源:高盛研究整理

需要DDR5和LPDDR承擔主機記憶體；需要企業級SSD處理KVcache、模型權重、日誌、向量資料庫和資料湖；還需要液冷、電源管理和資料中心作業系統維持穩定運行。

5月初以來DRAM現貨價格持續上行,截至6月26日16GbDDR5現貨較5月合約價溢價約25%,8GbDDR4現貨溢價約45%。資料來源:DRAMeXchange

這也是為什麼成本會從數百億美元抬升到接近1000億美元。AI工廠的投資不是線性採購晶片，而是多層系統共同升級。

晶片代際從Blackwell走向VeraRubin，單機櫃功率、網路頻寬、記憶體容量和冷卻需求同步上升。

輝達發佈會現場,黃仁勳宣佈VeraRubin平台全面投產,戴爾,慧與,聯想,超微,富士康,廣達等超過20家OEM與ODM廠商參與出貨。資料來源:輝達官方

功率密度越高，機房、電力、散熱和工程複雜度越高，單位GW對應的資本強度也會提高。

02  OpenAI 10GW計畫 AI基礎設施已經進入執行階段

黃仁勳的1000億美元說法，並不是脫離現實的遠期想像。

2025年9月NVIDIA和OpenAI宣佈戰略合作，計畫部署至少10GW的NVIDIA系統，用於OpenAI下一代AI基礎設施。

輝達與OpenAI於2025年9月宣佈AI基礎設施合作,規模至少10GW,輝達擬投資最高1000億美元,首個1GW項目計畫2026年下半年基於VeraRubin平台部署。資料來源:輝達及OpenAI聯合公告

NVIDIA還表示，將隨著每1GW部署逐步向OpenAI投資最高1000億美元，首個1GW系統目標在2026年下半年基於NVIDIAVeraRubin平台部署。

匯豐對OpenAI雲基礎設施成本的測算,2025年約250億美元,2030年增至約2000億美元,同期市場對其資本開支的一致預期已接近3600億美元。資料來源:匯豐研究及彭博一致預期

這組資料非常重要。10GW意味著AI基礎設施建設已經從“萬卡叢集”進入“電力級項目”。

如果按1GW接近1000億美元理解，10GW理論上對應的是接近兆美元等級的綜合投資需求。

當然實際資本結構會分階段落地，且不同項目中晶片、機房、電力和融資安排並不完全相同，但方向已經明確：AI競爭的單位正在從“GPU數量”升級為“GW容量”。

GB200與GB300機架季度產量,2025年一季度僅900台,2026年二季度預計達到峰值2.49萬台,此後兩個季度預估回落至1.85萬台和1.34萬台。資料來源:摩根士丹利測算

與此同時NVIDIA還在推動DSXAI工廠參考設計。

官方資料稱，Vera Rubin DSXAIFactory參考設計覆蓋計算、Spectrum-X乙太網路網路和儲存，用於建構可重複、可擴展、面向Token/watt最佳化的AI基礎設施。

換句話說輝達不只想賣GPU，而是把AI工廠的架構標準、網路方案、軟體調度和數字孿生設計能力一起打包。

GB200與GB300機架月度產量,2025年1月約100台,2026年3月和4月分別達到8500台和8300台,15個月產量提升超過80倍,鴻海與廣達為主要代工廠。資料來源:摩根士丹利測算

這會強化輝達在AI基礎設施中的平台地位。過去客戶採購GPU後，還需要自己設計叢集、網路、儲存和維運體系；

未來如果DSX成為AI工廠藍圖，輝達將更深地嵌入資料中心設計、建設和營運環節。

03  1000億美元背後是每瓦Token產出的經濟學

AI工廠成本上升，並不意味著經濟性一定變差。關鍵在於每瓦電力能夠產生多少Token、多少推理請求和多少收入。

美國資料中心電力需求原始排期,按當前開發計畫2028年將逼近130GW,PJM區域超過50GW,德州ERCOT與中部MISO電網同步上量。資料來源:Aterio及高盛研究

NVIDIA官方文章提出，電力已經成為AI時代的硬約束，現代AI基礎設施的核心指標是performanceperwatt，也就是把電力轉化為可盈利智能輸出的效率。

GEVernova燃氣輪機訂單儲備,含產能預訂協議的合同總量從2025年一季度50GW增至2026年一季度100GW,12個月實現翻倍。資料來源:GEVernova公司資料

NVIDIA稱，過去六代架構把每MW推理吞吐提升了100萬倍。

這解釋了黃仁勳為什麼反覆強調AI工廠。雲廠商和模型公司不是單純比較晶片價格，而是在比較單位電力、單位機房面積和單位資本開支能夠產生多少Token。

高盛在計入延期與取消因素後的預測,2027年底美國資料中心總容量仍將達到95GW,原始排期則指向約134GW,增速明顯高於2025年線性趨勢。資料來源:Aterio及高盛研究

如果新一代架構能夠顯著降低每Token成本，那麼即使1GW項目總投資更高，客戶仍可能接受更大資本開支。

NVIDIA在AI工廠資料中表示，Blackwell Ultra面向智能體AI可在每MW維度提供最高50倍吞吐，並將Token成本降低35倍。

輝達公佈的GB300NVL72推理能效對比,運行DeepSeekR1模型時每瓦token產出較H200最高提升50倍。資料來源:輝達官方

這裡的重點不是單顆GPU跑分，而是整個AI工廠在長上下文、推理、程式碼生成和智能體任務中的系統效率。

因此1000億美元不是孤立數字，而是AI基礎設施經濟模型的一部分。

若每GW能夠服務更高頻率的AI搜尋、廣告、程式碼、視訊、企業自動化和智能體任務，那麼高資本開支可以通過長期使用率和服務收入攤銷。

高額AI資本開支的攤銷邏輯示意,1GW基礎設施同時承載搜尋,視訊,廣告,程式設計與智能體等多類負載,利用率越高,成本越能通過長期服務收入攤薄。資料來源:公開資料整理

反過來，如果模型呼叫增長放緩、客戶付費能力不足或利用率下降，1GWAI工廠就會變成高折舊資產。

1GWAI工廠接近1000億美元，對半導體產業的影響非常直接。

它會繼續拉動GPU、CPU、HBM、伺服器DRAM、企業級SSD、高速交換晶片、光模組、電源管理和液冷系統需求。

Vera Rubin平台已經進入量產推進階段，NVIDIA稱其面向智能體AI工廠，相比Grace Blackwell平台可在規模化場景下提供10倍Agent吞吐。

輝達VeraRubinNVL144機架規格,計畫2026年下半年推出,FP4推理算力3.6EF為GB300NVL72的3.3倍,搭載13TB/s頻寬HBM4與75TB快速記憶體。資料來源:輝達官方

這意味著AI半導體需求不再只由訓練決定。訓練叢集需要HBM和高速網路，推理叢集需要更低成本Token，智能體工作負載還會增加CPU、儲存和網路呼叫。

一次複雜智能體任務可能包含檢索、工具呼叫、程式碼執行、檔案讀取、資料庫查詢和多輪推理，背後消耗的不只是GPU算力，而是整套計算系統。

智能體任務的資源消耗示意,一次複雜任務涉及檢索,工具呼叫,程式碼執行,資料庫查詢與多步推理,GPU,CPU,記憶體,儲存,網路與電力全端同時被呼叫。資料來源:公開資料整理

但風險也同步上升。第一，1GW級項目依賴電力審批、並網、冷卻、土地和建設周期，任何環節延遲都會影響上線節奏。

黃仁勳近期提出的1GW級AI工廠造價接近1000億美元這一資料，實質上宣告了人工智慧產業已正式邁入重工業化與標準化的發展階段。

2026年美國各州資料中心新增容量分佈,德州以2904MW居首,弗吉尼亞州2038MW,俄亥俄州1610MW,新增產能向電力充足地區集中。資料來源:Aterio及高盛研究

未來的市場競爭維度已發生根本性轉變：競爭核心不再聚焦於單一節點的GPU採購規模，而是演變為綜合工程能力的博弈

即如何在保障低電力成本的前提下，通過最佳化網路拓撲和軟體棧調度，將巨額資本開支高效轉化為可持續的算力與資料產出。

AI加速器用電量預計從2025年12.8GW增至2028年37GW,年復合增速43%,AI資料中心總電力需求同期由18GW升至53GW,AI伺服器中CPU功耗佔比僅5%至10%。資料來源:伯恩斯坦測算

在此趨勢下，產業鏈各主體的戰略定位正經歷深刻重塑：輝達正試圖從核心晶片供應商升級為算力工廠的平台型標準制定者；

雲廠商及頭部模型企業的 Bagn 考量，已轉向如何將吉瓦級資本投入轉化為穩定的營收增長；而半導體供應鏈的增長紅利，則由單一算力晶片順勢向高頻寬記憶體（HBM）、大容量儲存、高速網際網路絡及電力配套系統進行深度傳導。

高盛對HBM需求的預測,2025年約27億GB,2028年增至約97億GB,年增速由79%逐步放緩至42%,但絕對增量仍逐年擴大。資料來源:高盛研究

簡而言之，1GW耗資千億美元的算力工廠，既不是一戳就破的泡沫，也不是通往未來的無底洞。它

更像是一個標誌：AI競賽的“上半場”拼創意和軟體，而“下半場”已經變成了拼能源、拼資本、拼工程交付的硬核重工業。

摩根士丹利對超大規模雲廠商與新雲資本開支的預測,合計從2024年2460億美元增至2027年1.207兆美元,為期初的近5倍,其中Google2027年達3500億美元居首,甲骨文2024至2027年復合增速118%最快。資料來源:摩根士丹利研究

往後看市場評價一家 AI 公司的標準也將發生根本性轉變，不再光看它手裡囤了多少張高昂的GPU晶片

而是看它每天燒掉的巨額電費和真金白銀，究竟能不能變成幫企業降本增效的生產線、變成真正落袋為安的營收與現金流。

這可能也是Meta打算出租算力的原因之一，在這個“算盤必須精算到每瓦Token”的時代，巨頭們不僅要拼誰的模型更聰明，更要拼誰能在這場成本狂飆的無底洞裡，用盡一切商業手段把燒掉的真金白銀撈回來。

摩根士丹利測算Meta資料中心容量增量,2026年新增4.5GW中第三方租賃佔2.5GW,2027年新增4.0GW中自有容量達3.4GW,自建比重明顯回升。資料來源:摩根士丹利研究

無論是Meta轉型當“算力包工頭”，還是行業對投資回報率（ROI）的嚴苛審視，都是對AI成本高企這頭巨獸的集體焦慮與應激反應。   (矽谷宇宙)

彙整鉅亨號中所有使用「1GWAI工廠」關鍵字，所發布的內容 (依照時間排序，最新在前，舊的在後)`