【GTC 2026】4 位 CEO 同台，4 個判斷看清 AI
關於 AI，技術狂歡之外，更是真實的生意。
在 NVIDIA GTC 現場，一場 97 分鐘的 All-In 特別節目裡，四位 CEO 拋出了四個判斷：
- 算力資產的生命周期，遠比想像的長；
- 模型不會一家獨大，整合能力才是護城河；
- 通用模型進不了企業核心，私有化定製才是解法；
- 電力和資料中心，才是當下最大瓶頸。
從 GPU 到資料中心，從基座模型到企業訂閱，AI 產業鏈的每一層，都在加速變現。
第一節｜算力資產，比想像重要
這兩年 AI 爆發，底層晶片最火。但在 CoreWeave CEO Michael Intrator 眼裡，單純的硬體裝置反而是最不重要的一環。他們真正賣的，是“算力”本身。
早期行業的玩法很簡單：買 GPU，訓練模型，用完算成本。
現在這套邏輯變了。
CoreWeave 的核心玩法，是把算力變成可以簽約、可以抵押、能持續產生現金流的金融資產。他們先與微軟、OpenAI 這種體量的巨頭簽下長達 5 年的合同；合同一簽，就有了確定的遠期收入。隨後，他們把 GPU、資料中心和電力打包，裝進一個獨立的融資結構（SPV）裡。客戶打過來的錢直接進這個資金池，優先支付電費、維運、利息和本金，剩下的利潤才回流到公司。
在這套商業邏輯裡，CoreWeave 賣的已經不是裝置，而是一條持續運轉的“算力生產線”。
這種模式的回報速度快得驚人。5 年期的合同，前 2.5 年就能覆蓋全部成本，往後基本全是純利。憑藉確定的現金流，他們能在短時間內從資本市場融到數百億美元，繼續瘋狂擴張。
過去，算力是純粹的成本；現在，算力是源源不斷的現金流。
對此，外界一直存在一個質疑：GPU 技術迭代這麼快，硬體會不會迅速過時？
Michael 的回答是：
“如果有人說 GPU 16個月就會被淘汰，那他完全不瞭解行業現狀。我們的平均合同期是 5 年，客戶買的是未來 5 到 6 年的算力使用權。”
事實上，幾年前發佈的 A100 晶片，今年在二級市場的價格反而上漲了。
因為 AI 的商業價值不僅在訓練大模型，更在於推理。當模型真正部署到產品裡，被使用者海量且反覆地呼叫時，算力才算真正被“消費”掉。當下大量的 AI 初創企業需要跑中小模型，早幾代的 Ampere 架構不僅完全夠用，而且性價比極高。
技術確實在快速迭代，但算力資產的生命周期反而在拉長。
只要有人持續付費，它就沒有過時。
這就是第一個判斷：算力資產的生命周期，遠比想像的長。
第二節｜沒有一家獨大，整合者贏
如果說上一節的算力是底層的“提款機”，那麼到了應用層，核心問題就變成了：誰在真正為 AI 持續買單？
Perplexity CEO Aravind Srinivas 給出的答案是：企業。
如今的 AI 正在經歷從“問答框”到“執行者”的跨越。從接入搜尋、打開瀏覽器到自動填表，它現在已經能端到端地完成整項任務。你只需要說一個目標，整理客戶名單、做報告、搭工具，它在背後把流程跑完。
在這個過程裡，人類不再負責拆解步驟，而是直接交付目標。AI 正在全面走向 Agent（智能體）化。
這種演變帶來的直接結果是“入口”的轉移。過去十幾年，網際網路的入口分散在各類 App、網站和軟體介面裡；現在，AI 正在把這些工具整合吞噬，變成唯一的超級入口。
這也是為什麼 Perplexity 選擇同時用多家的模型。
在 Aravind 看來，Perplexity 的核心護城河就在於“絕對中立”。無論最終是 GPT 贏、Gemini 贏還是那個大模型贏， Perplexity 都無所謂。
對於 OpenAI、Anthropic、Google 這些海外閉源模型廠商來說，做多模型聚合意味著要把競爭對手的模型也放進來，這在戰略上很難接受。但 Perplexity 不做模型，只做整合，這反而成了它獨特的生態位：精準呼叫各個模型的最優能力，讓它們高效協同工作。
而企業，正在為這種“整合與調度”能力買單。
目前，Perplexity 已經積累了數千家企業客戶，這是增長最快的業務線。定價從每人每月 40 美元到 400 美元不等，所有收入都已實現正毛利。
這就是第二個判斷：基礎模型不會一家獨大，能做好整合與整合的人，離錢最近。
第三節｜通用模型進不了企業，垂直才是解法
梳理一下前兩層的邏輯：底層是算力資產的變現，中間層是超級應用對多模型的整合與整合。那麼再往上一層，最核心的問題變成了：大模型如何真正重塑企業的核心業務？
Mistral CEO Arthur Mensch 給出的答案非常篤定：通用大模型做不到，必須走私有化定製。
現成的通用大模型可以寫通稿、敲程式碼、做百科問答。但當它真正深入企業內部，撞上的往往是高度機密的私有資料、複雜的業務工作流和幾十年的行業 Know-how。如果模型無法與這些核心資產深度耦合，它能力再強，也只能是一個邊緣的辦公輔助工具。
這正是為什麼越來越多的頭部企業，開始拋棄“通用方案”，轉而訓練專屬的垂直模型。
Mistral 的打法是：直接讓頂尖演算法科學家與企業的行業專家並肩作戰。
以他們和 ASML（阿斯麥）的合作為例。為了攻克圖像掃描缺陷檢測的難題，Mistral 團隊深入業務一線，學習 ASML 專家如何看圖、如何判定微小瑕疵，最終用這些極其珍貴的行業資料，硬生生“喂”出了一個能自主執行檢測任務的 CV 專有模型。
這套模式的關鍵在於：資料絕對不能離開企業。
為此，Mistral 採用的是極致的本地化部署（On-premise）。全套工具鏈直接打包進客戶自己的機房，所有資料清洗、訓練和推理都在企業內部閉環，絕不向 Mistral 回傳那怕一個字節。
這恰恰是開源模型真正的殺手鐧。開源意味著企業擁有最高權限：可以觸達底層程式碼，可以進行參數級的深度微調，可以毫無顧忌地將其部署在物理隔離的環境中。而閉源模型，永遠隔著一層 API 的黑盒。
Arthur 認為，企業手裡握著最核心的 IP 和商業資料，想把這些資產毫無保留地對接到閉源的商業模型裡，不僅面臨資料合規風險，在技術上也難以實現深層定製。只有開源，才能把底層架構的控制權真正交還給企業。
這就是第三個判斷：通用模型進不了企業核心，垂直定製才是唯一解法。
第四節｜電力和建設，才是真正瓶頸
前三節講的都是數字世界的事：算力怎麼賣、模型怎麼整合、資料怎麼定製。
IREN CEO Daniel Roberts 關注的是另一層：什麼在限制這一切的擴張？
過去很多人以為，限制 AI 擴張的只是晶片產能。但現在行業越來越清醒：GPU 只是入場券。拿到了卡，不代表馬上能跑起模型。電力接入、資料中心排期、液冷裝置採購、高頻寬網路鋪設……每一項都是重資產、長周期的物理建設。
而這其中，最大的瓶頸是電力。
IREN 目前手握 4.5GW 的電力容量，這幾乎相當於整個舊金山灣區一年的用電規模。但即便擁有如此龐大的儲備，在他們與微軟簽下的 97 億美元大單面前，也僅僅消耗了其總產能的 5%。
這足以窺見巨頭們對電力的渴求有多麼狂熱。
更有意思的是，由於物理電網的限制，現在的鐵律變成了“電力在那裡，資料中心就得建在那裡”。
Daniel 提到了一個極具荒誕感的現狀：在西德州，風能和太陽能的發電量高達 45 到 50GW，但通往達拉斯和休斯頓的輸電網路容量上限只有 12GW。海量廉價的清潔能源受限於輸電瓶頸，被死死“困”在了沙漠裡。
IREN 的解法簡單粗暴：直接把資料中心蓋在發電源頭。將龐大的電力就地轉化為算力，再把生成的 Token 通過光纖以光速傳輸出去。
還有一個極其反直覺的現象：技術降本非但不會減少算力消耗，反而會徹底引爆需求。
主持人問了個問題：如果算力猛增 10 倍，生成一張圖片的成本和時間從 2 分鐘斷崖式降到 5 秒，人們是會覺得夠用了，還是會生成更多的圖片？
Daniel 的答案是：需求會指數級爆發。
這就是 AI 時代的“傑文斯悖論（Jevons Paradox）”。無論出圖速度多快，前端永遠有填不滿的業務需求在等著吞噬這些算力。AI 在數字世界裡的胃口正呈幾何級膨脹，但現實世界的風電場、核反應堆和高壓電網的建設速度，卻只能依循物理法則緩慢爬行。這道巨大的剪刀差，正在成為限制 AI 擴張的最硬性約束。
這就是第四個判斷：AI 的上限，不再只由技術突破決定，而是由電力、土地和建設周期來裁決。
結語｜誰領先，誰建壁壘
這四個判斷背後，藏著一條共同的暗線：先行者正在構築壁壘。
算力被鎖進 5 年合同；整合能力成為護城河； 企業資料築成高牆； 電力和土地被提前圈佔。
每一層都在變成長期資產，每一層的門檻都在抬高。
有人還在等技術成熟，有人已經開始佔資源了。
而在 AI 這個行業，這些資源一旦被佔住，後來者的成本會高得多。 (AI深度研究員)