這張出現在 NVIDIA GTC 現場的大圖，真正值得看的，不是上面排了多少合作夥伴 Logo，而是輝達正在把 AI 基礎設施這件事重新講一遍：未來賣的可能不再只是一張卡、一台伺服器，甚至不只是一個機房，而是一整套能落地、能擴容、也能長期運行的 AI Factory。
從數量上看，這張圖裡出現頻率最高的是美國企業，共 29 家。美國之後，最集中的地區是台灣，共 9 家。除此之外，新加坡和澳大利亞各 6 家，日本 5 家，法國 4 家，英國 3 家，印度和愛爾蘭各 2 家；北京、韓國、馬來西亞、印尼、荷蘭、西班牙、德國、瑞士各 1 家。
只看這個分佈也能發現，AI Factory 這件事目前仍然是美國主導，但亞洲，尤其是台灣、新加坡、澳大利亞和日本，在整機製造、區域雲和園區基礎設施上已經佔了不輕的份量。
圖裡的六層結構，從 AI Clouds 到 Compute Systems，說白了是在回答一個更大的問題：一座 AI 工廠，到底由那些環節組成，又需要那些角色配合，才能真正跑起來。換句話說，這張圖展示的不是單點硬體，也不是單點軟體，而是一條從算力入口到園區落地的完整鏈條，也說明未來的 AI 基礎設施競爭，會越來越像工業系統競爭，而不是單一晶片競爭。
一、AI Clouds（AI 雲）
這一層離算力入口最近。誰能把 GPU 資源、雲平台、資料中心能力和本地市場需求接起來，誰就更接近真正的“AI 雲”。
firmus，2019 年成立，總部位於新加坡，是這一層裡很有代表性的公司。它做 GPU 雲與 AI Factory 方案，突出點是液冷、模組化和能效最佳化，重點覆蓋亞洲與澳大利亞市場，給人的感覺已經不是普通算力租賃，而是在把雲、機房和能源調度放到一起考慮。和它氣質接近的，還有SHARON AI，2024 年成立，總部位於澳大利亞·雪梨；ResetData，2024 年成立，總部位於澳大利亞·雪梨；以及IREN，2018 年成立，總部位於澳大利亞·雪梨。這幾家公司都把“本地部署”“能源”“液冷”“低碳”放得更靠前。
如果看美國和歐洲的新算力平台，CoreWeave，2017 年成立，總部位於美國·利文斯頓；Lambda，2012 年成立，總部位於美國·聖何塞；GMI Cloud，2023 年成立，總部位於美國·山景城；NEBIUS，現品牌 2024 年，總部位於荷蘭·阿姆斯特丹；以及NSCALE，2024 年成立，總部位於英國·倫敦，都可以算這一層裡很典型的“AI 原生雲”玩家：前者強在更快接入新一代 NVIDIA GPU，後者則更強調訓練、推理、叢集擴展與區域部署能力。Mistral AI，2023 年成立，總部位於法國·巴黎，雖然本來是模型公司，但隨著企業平台和 Studio 推進，也開始往基礎設施和企業服務層延伸，說明模型平台和 AI 雲之間的邊界正在變模糊。
再往區域市場看，邏輯就更清楚了。NAVER Cloud，2017 年成立，總部位於韓國·城南，承接的是韓國本土企業雲和主權雲需求；YTL AI Cloud，2024 年成立，總部位於馬來西亞·古來，代表東南亞區域算力供給在升級；YOTTA，2019 年成立，總部位於印度·孟買；以及indosat ooredoo hutchison，2022 年成立，總部位於印尼·雅加達，明顯帶有本地主權算力和區域基礎設施色彩。GMO INTERNET，1991 年成立，總部位於日本·東京；以及Visionbay.ai，2025 年成立，總部位於台灣·新北，則分別代表日本本土 AI 雲升級和台灣超算、雲端 AI 營運能力。把這些名字放在一起看，就能理解這張圖為什麼不是“雲廠商列表”，而是全球 AI 算力入口的分工圖。
二、AI Factory Software（AI 工廠軟體）
AI 工廠不是把 GPU 堆在一起就結束了。真正決定效率的，往往是軟體棧。儲存、調度、網路、容器、維運、企業流程，很多差異都出在這一層。
這一層最容易理解的一組公司，是“資料底座”。ddn，1998 年成立，總部位於美國·查茨沃思、VAST，2016 年成立，總部位於美國·紐約，以及WEKA，2013 年成立，總部位於美國·坎貝爾，都在解決同一個問題：GPU 很快，但資料不能拖後腿。它們看起來是儲存公司，放到 AI 工廠語境裡，其實是在決定訓練和推理系統到底能不能跑順。
第二組是“資源和平台調度”。MIRANTIS，1999 年成立，總部位於美國·坎貝爾、OpenNebula，2010 年成立，總部位於西班牙·馬德里、RAFAY，2017 年成立，總部位於美國·聖何塞、Spectro Cloud，2019 年成立，總部位於美國·聖何塞，以及netris，2017 年成立，總部位於美國·聖克拉拉，更偏向底層平台能力。它們不直接提供算力，但決定了這些資源怎麼被組織、怎麼部署、怎麼升級、怎麼長期穩定運轉。
還有一組更貼近“系統怎麼跑得更省、更穩”。emerald ai，2024 年成立，總部位於美國，把電網協同和算力調度放到一起；phaidra，2019 年成立，總部位於美國·西雅圖，更偏向複雜工業系統的最佳化；TrendAI，2024 年成立，總部位於日本·東京，Trend Micro 業務則更靠近企業真實流程。至於Red Hat，1993 年成立，總部位於美國·羅利，出現在這一層，也很有代表性：AI 工廠再新，最後還是要落在成熟的作業系統、容器平台和企業級開源底座上。也就是說，這條鏈條並不是從零開始，而是在既有企業軟體體繫上往上抬了一層。
三、Design and Construction（設計與建造）
一座 AI 工廠並不是買來裝置就能插上電。從模擬、設計、電力建模到施工交付，這一層決定了項目能不能真正落地。
這一層最有代表性的，是兩類公司同時出現。一類是做數字設計和模擬的，比如Cadence，1988 年成立，總部位於美國·聖何塞、Dassault Systèmes，1981 年成立，總部位於法國·韋利濟-維拉庫布萊、AVEVA，1967 年成立，總部位於英國·劍橋、PTC，1985 年成立，總部位於美國·波士頓，以及Siemens，1847 年成立，總部位於德國·慕尼黑。這些公司放在一起，說明很多問題會先在模型裡解決，再進入現實世界。
另一類則更偏工程落地。Bechtel，1898 年成立，總部位於美國·雷斯頓、Jacobs，1947 年成立，總部位於美國·達拉斯，以及Procore，2002 年成立，總部位於美國·卡平特里亞，代表的不是設計本身，而是項目怎麼真的建出來、怎麼管理、怎麼交付。夾在中間的ETAP，1986 年成立，總部位於美國·爾灣，則很關鍵，因為 AI 工廠真正棘手的問題之一，就是電力系統怎麼設計、怎麼穩定運行。這說明它不是傳統意義上的“機房裝修”，而是一個高度依賴電力建模和系統模擬的重工程項目。
四、Energy and Cooling（能源與冷卻）
AI 工廠真正難的地方，不在買到 GPU，而在讓 GPU 長時間穩定運轉。這一層決定的是供電、配電、散熱和外部能源承載能力。
這一層基本可以分成三組。第一組是電力和配電系統玩家，比如ABB，1988 年成立，總部位於瑞士·蘇黎世、Eaton，1911 年成立，總部位於愛爾蘭·都柏林、Schneider Electric，1836 年成立，總部位於法國·呂埃-馬爾邁松，以及Mitsubishi Electric，1921 年成立，總部位於日本·東京。這些名字說明，高密度算力場景下，配電和能效已經不是配套，而是核心約束。
第二組是更靠近能源供給和外部承載能力的角色。ENGIE，2008 年成立，總部位於法國·庫爾布瓦、GE Vernova，2024 年成立，總部位於美國·劍橋、National Grid，1990 年成立，總部位於英國·倫敦，以及Silicon Valley Power，1896 年成立，總部位於美國·聖克拉拉，代表的是更上游的能源系統。它們的出現說明一件事：AI 工廠的建設，已經開始直接碰到區域電網和能源基礎設施的邊界。
第三組是散熱和持續運行。Vertiv，2016 年成立，總部位於美國·韋斯特維爾、Delta，1971 年成立，總部位於台灣·台北，以及Trane Technologies，2020 年成立，總部位於愛爾蘭·斯沃茲，都在解決一個最現實的問題：功率密度上去以後，熱怎麼排，系統怎麼穩。再加上Caterpillar，1925 年成立，總部位於美國·歐文，以及Hitachi，1910 年成立，總部位於日本·東京，這樣的角色，這一層已經不只是“冷卻配套”，而是整座 AI 工廠能不能長期跑下去的底層條件。
五、Infrastructure and Facilities（基礎設施與園區）
當算力、電力和散熱都準備好了，最後還要落到真實園區、真實機房和真實交付能力上。這一層決定的是能不能落地，也決定能不能持續擴容。
這一層看起來最像傳統資料中心行業，但放到這張圖裡，它的角色已經變了。像AirTrunk，2015 年成立，總部位於澳大利亞·雪梨、Digital Realty，2004 年成立，總部位於美國·奧斯汀、Equinix，1998 年成立，總部位於美國·紅木城，以及NEXTDC，2010 年成立，總部位於澳大利亞·布裡斯班，這些名字，代表的是超大規模園區、高規格機房和長期穩定營運能力。
另一批公司更強調區域網路和本地交付，比如BDx Data Centers，2020 年成立，總部位於新加坡、Digital Edge，2020 年成立，總部位於新加坡、Princeton Digital Group，2017 年成立，總部位於新加坡、ST Telemedia Global Data Centres，2014 年成立，總部位於新加坡，以及Sify，1995 年成立，總部位於印度·金奈。它們對應的是“區域擴張”和“就近承接”的能力。
NTT，1952 年成立，總部位於日本·東京，以及CDC，2007 年成立，總部位於澳大利亞·堪培拉，則更特別。前者天然覆蓋通訊和基礎設施兩端，後者覆蓋政府和高安全等級基礎設施場景。至於DayOne，2022 年成立，總部位於新加坡，以及Csquare，2024 年成立，總部位於美國·達拉斯，更像是這一輪 AI 場景下冒出來的新平台和新承接方。合在一起看，這一層已經不是“誰有機房”，而是誰能承接 AI 工廠這種更重、更熱、更耗電的項目。
六、Compute Systems（計算系統）
這是最靠近硬體交付的一層。AI 工廠最後還是要落到伺服器、整機、板卡和製造體繫上，沒有這一層，再完整的上層敘事也落不了地。
這一層最直接，也最容易理解。Dell Technologies，1984 年成立，總部位於美國·朗德羅克、HPE，2015 年成立，總部位於美國·斯普林、Lenovo，1984 年成立，總部位於中國·北京，代表的是企業級整機和系統交付能力；Supermicro，1993 年成立，總部位於美國·聖何塞，則是這輪 AI 伺服器浪潮裡最有代表性的快速反應者之一。
如果再往製造體系看，Foxconn，1974 年成立，總部位於台灣·新北、Pegatron，2008 年成立，總部位於台灣·台北、Wistron，2001 年成立，總部位於台灣·新北，以及Wiwynn，2012 年成立，總部位於台灣·新北，這些名字，則把“複雜裝置怎麼大規模做出來”這件事擺到了檯面上。
而ASUS，1989 年成立，總部位於台灣·台北、GIGABYTE，1986 年成立，總部位於台灣·新北，以及QCT，2012 年成立，總部位於台灣·桃園，更像是在補足平台整合和標準化交付這一段。也就是說，這一層真正決定的，不只是“誰會做伺服器”，而是誰能把 GPU、板卡、機箱、散熱、供電和製造體系一起變成可交付產品。
這張圖最重要的地方，並不是“輝達合作夥伴很多”，而是它把 AI 基礎設施講成了一套完整的工業系統。過去大家更容易把它理解成買卡、裝機、訓練模型；但在這張圖裡，輝達想表達的是，未來真正有競爭力的，不是誰單點更強，而是誰能把晶片、整機、能源、冷卻、設計、施工、園區設施和軟體平台整合起來，並長期跑穩。
這也解釋了為什麼這張圖值得反覆看：它暴露的不是輝達合作名單有多長，而是它正在從硬體供應商走向 AI 工廠時代的平台組織者。誰能進入這張圖，某種程度上也說明，誰已經被納入下一輪全球 AI 基礎設施建設鏈條。 (AI工業)