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。
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。
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；
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。
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。
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。
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。
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”。
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。
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。
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。
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。
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。
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。
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。
04 半導體鏈條重新定價
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。
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。
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。
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。
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。
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。
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。
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)