刚进入 8 月，一系列关于 AI 产业的消息或传言陆续涌现，
- 8 月 3 日，市场传出英伟达调整其下一代 Rubin Ultra 平台规格，将 HBM 内存配置从 288GB 降至 192GB，以应对成本与功耗的现实约束；
- 同日，随着美股云厂商财报季的全面解读，市场对 AI 的定价范式已发生根本性转变，不再奖励单纯的 Capex资本开支竞赛，而是关注 AI 投入能否通过公有云业务快速转化为可验证的收入、订单和现金流，这已成为区分领跑者和落后者的关键；
- 8 月 4 日，市场传出三大存储原厂 2027 年的 HBM 及 DRAM 产能已全部分配完毕，不仅覆盖了头部 CSP 的长期协议，甚至连中小客户的份额也已敲定，标志着供给侧的确定性锁死；
- 同日，据中国新闻网援引外媒报道，美国政府正在起草一项禁令，禁止进口中国新型数据中心组件（光模块）的禁令，以保护国内正在大力发展的 AI 基础设施产业；
- 8 月 5 日，马斯克在 SpaceX 财报电话会上首次明确了公司 AI 算力部署的激进目标，即到 2027 年底将部署接近 10GW 的英伟达 GPU 算力，这一规模远超市场此前预期的 1GW~2GW，并确认未来将独家采用英伟达 Vera Rubin 架构；
- 8 月 10 日，英伟达宣布与 Apollo、贝莱德、黑石、博枫、高盛和 KKR 合作建立资金规模超 5000 亿美元的独立融资平台，以第三方资本的身份支持相关的 AI 基础设施建设。
上述信息传递的内容包括，
- 目前英伟达正在（或正试图）将上游 CSP 资本开支的主要落点从内存芯片重新分配至光互联，以此提升系统总吞吐量，并将 AI 基建的价值重心从单卡性能转向系统级互联；
- 不仅于此，英伟达联合华尔街资本，正在把一整套 AI 基础设施（AI 工厂）推向可投资的资产类别，通过独立融资平台为实验室、企业和云厂商提供大规模、长期的资本支持，降低其建设算力设施的资金门槛与决策成本；
- 市场预测 AI 未来需求增长的核心参考对象仍是 CSP 和大型科技厂商，但预测的依据逐步转变为针对这些公司的商业能见度，例如营收增速、利润结构、云计算合同积压订单（RPO）、以及现金流情况等；
- 尤其在微软的 FY2026Q4 财报信息中，除了公司营收和利润结构有超预期表现之外，公司的 RPO 规模达到 6780 亿美元，环比新增约 500 亿美元，而这 500 亿美元的新增 RPO 主要来自 OpenAI 之外的企业客户，这表明 AI 需求正在向更广泛的经济领域扩散；
- 在更多元的 AI 需求推动下，存储原厂明年的产能已经完全被下游客户敲定，这基本粉碎了市场对中期维度存储周期的担忧，未来两三年行业供给弹性基本消失，定价权完全倒向原厂，产业逻辑也从价格博弈转向保供的确定性，任何未锁定产能的下游都将面临增长天花板；
- SpaceX 在 2026 年底会拥有 2GW 的 AI 工厂，其明确 2027 年底将部署达到近 10GW 的规模，增量达到 8GW，并将采用英伟达 Vera Rubin 算力集群，这大概率表明其已经从英伟达和三大原厂那里锁定了明年对应的 GPU、HBM、和 DRAM 产能，8GW 项目的投资规模将达到 4000 亿美元量级。这已经超过了 2026 年微软、谷歌、亚马逊、Meta 合计 Capex 的一半，规模之巨让人惊叹，SpaceX 也将成为 2027 年整个 AI 基础设施产业最大的变量和客户；
- 面对存储环节的卡脖子，美国正计划加强未来 AI 基础设施产业的本地化（或联盟化）扶植措施，借着需求端的强劲增长态势，试图最大化挖掘产业利润、和重整基础产业自给布局及供应链可控，未来随着 CPO 的放量，远期利好博通、Marvell、Lumentum、及 Coherent 等美国本土 CPO 厂商；
这些内容揭示了现阶段 AI 基础产业竞争的本质变化，此前关于单芯片/单机架的极致性能竞争暂时已告一段落，未来竞争的落点正在扩容至系统成本结构、供应链控制、资本组织能力、锁定终端需求等综合维度上。
这种愈发多点且复杂的博弈，表面上像是一个不可逆的熵增过程，原有的行业秩序（或各方的结构地位）正在被打破。
在这个新阶段里，英伟达已经不再只是一个强势的 AI 算力集成供应商，通过针对系统内部和外部的一系列纵横捭阖，其野心指向的是全球 AI 基础硬件层的标准架构制定者、供给分配管理者、与生态秩序主宰者。
它试图在训练向推理转型、内存价值量快速抬升、光互联权重上升的关键窗口期，重新巩固对整个 AI 硬件生态的绝对主导地位，并在新的价值结构上重建一种可控的秩序。
这篇文章将试着从英伟达两代平台 BOM 成本结构的变化、模型推理转型与 ASIC 合纵的冲击、以及英伟达在强卖方窗口期的连横反制三个维度，来讨论一个问题：在 AI 基础设施价值链重新洗牌之际，英伟达如何把权力重新收束回自己手中，这套 “捭阖术” 能否达到理想的结果。
重构 BOM 结构：英伟达正在重新分配手中的蛋糕
如果说过去三年 AI 硬件行情的核心变量是 GPU，那么到了 2026 年，真正开始改写利润分配的环节已经变成了 HBM 与服务器系统内存（例如 LPDDR5X），尽管英伟达仍然是平台的中心，但在单机柜 BOM 中，GPU 对成本的绝对统治力正在被削弱。
以公开拆解的数据估算，GB300 NVL72 机柜的整体 BOM 约 399 万美元，其中，GPU 成本约 252 万美元，占比约 65%；内存成本（HBM+DRAM）约 37.4 万美元，占比仅 5%~10%。
进入 Vera Rubin 阶段后，情况发生了明显变化。
Rubin NVL72 机柜整体 BOM 约 800 万美元，已经翻倍；GPU 成本虽升至约 400 万美元，但占比下降到 50%；内存成本则跃升至至少 200 万美元（供给紧缺导致内存仍在涨价），占比升至 25%~30%。
而根据海外券商伯恩斯坦（Bernstein）的口径，Rubin NVL72 整体机柜的平均 BOM 约 910 万美元，其中 GPU 约 400 万美元，占比 44%；HBM 和 DRAM 合计约 320 万美元，占比约 35%，伯恩斯坦认为随着 AI 模型规模不断扩张，未来机柜 BOM 成本结构将逐步由内存、电力设施等主导，而非单纯依赖 GPU 本身。
从 GB300 NVL72 到 Vera Rubin NVL72 机柜 BOM 成本结构的变化反映出，
- 虽然 GPU 绝对金额仍在增长，但其在整机柜中的相对主导权已经明显在下降，当 GPU 从占 BOM 的 2/3 降到甚至不足 1/2 时，英伟达已经不再是唯一决定整机利润分配的环节/主宰者；
- HBM 涨价与容量提升，使英伟达的毛利率越来越受制于外部存储供给与定价，公司也在年报中指出，其对外部供应商缺乏完全控制，并可能因供应不足、价格上涨、预付款与不可撤销订单而影响毛利率和交付节奏，当 HBM 成为系统中最稀缺、最贵、最难扩产的部分时，这种依赖会被进一步放大；
- 如果任由这一趋势延续，英伟达将面临产业链权利逐渐被分食的局面，内存厂则顺势从配角转变为重要成本中心，整个平台的利润中心会发生内部迁移，对英伟达而言，这已经不是简单通过提高终端售价就能够解决的内部博弈问题。
也正因此，Rubin Ultra 后来出现的 “减 HBM、增互联” 也并非仅仅是基于 HBM 供给紧张和散热工程问题，因势利导地，这也很可能是英伟达对这一利润侵蚀趋势的有力回应，如果不遏制这一态势（此前传言 Rubin Ultra 单 GPU 将搭配 1TB HBM），内存厂的结构占比很可能将会追上（甚至超过）GPU。
按照市场消息，英伟达正在向关键客户预览调整后的 Rubin Ultra 方案，将 HBM 配置从 12-Hi288GB 下调至 8-Hi192GB（降幅 1/3），将系统内存 SOCAMM 从 192GB 降至 96GB（降幅减半），主流系统功耗维持约 1.8KW，峰值 FLOPS 基本保持不变。
相应的，Rubin Ultra 的 BOM 也从之前的约 800 万美元降至预览方案的约 640 万美元，Rubin Ultra NVL576 的机柜总成本也将从超 6000 万美元降至 5000 万美元量级。
这将带来 Rubin Ultra BOM 成本结构的显著变化，HBM 占比从约 28% 降至 14%，内存总成本占比从约 40% 降至 28%；与此同时，Scale-up 互联占比大概从 4% 升至 12%。显然，机柜的价值量正在从存储环节向系统互联环节迁移。
英伟达并没有降低平台的系统能力上限，而是把原本集中堆在单卡上的内存预算，转移到更大规模的 scale-up 与 scale-out 互联、交换机托盘、光引擎和系统组织上，在这个架构下，互联带宽、交换能力与数据分层调度，共同决定整机吞吐与单位 token 成本，预算从单点 HBM 转向系统互联，也更符合当下模型推理的需求特征。
推理侧客户更关注单位 token 成本、时延、功耗、并发与整系统吞吐，而不是单颗 GPU 的理论峰值。当衡量标准从单卡性能转向 “AI 工厂” 整体经济性时，把客户预算转向英伟达自身更具定义权的光互联与交换网络，并不必然损害客户价值，反而可能优化整体 TCO。
从产业权力角度看，英伟达开始把本可能被存储环节继续吞噬的价值，重新导回自己更有控制力的 NVLink、交换、网络、系统设计与软件调度链条。内存仍然重要，但其在系统中的价值份额被主动压缩，互联与系统组织的价值权重则被主动抬升，英伟达正在计划重新划分手中的蛋糕。
推理超越训练：内存厂与定制 ASIC 的 “里应外合”
模型训练掀起了 AI 资本开支狂潮，也在消耗巨额资本，但模型推理正在定义下一轮 AI 基础设施的成本结构，开始直接产生收入，一旦收入可以按 token、按请求、按 API 调用被计量，客户对算力架构的关注点就会从极致的性能参数转向综合效益最优。
当前，AI 算力的工作负载结构已经发生了根本性转变，推理算力需求占比已明确超过训练。根据 IDC 数据，2024 年 GenAI IaaS 市场中训练占 76%、推理仅 24%，2025 年推理占比超过 50%；国家发改委数据显示，截止 2026 年 3 月我国推理算力已占据约六成，训练约四成。
根据 TrendForce 的数据，北美五大云服务商 2026 年 AI 训练算力预计增长超过 50%，而推理算力将增长 122%；IDC 预测，2026 年全球推理算力负载比例约 2/3，到 2027 年推理算力将占据 70% 以上，到 2029 年该比例将接近八成。
随着 Agent 的大规模应用，英伟达判断，推理式 AI 每任务所需算力较单轮生成式高出约 100 倍，主要来自推理时扩展（test-timescaling）、思维链（chain of thought）与一致性校验等机制。由于推理的单任务算力消耗指数级放大，推理将会成为下一阶段的算力黑洞。
与此同时，AI 应用也正在真实业务中创造价值并加速商业化进程，下游客户对推理算力的投入回报率已比较可观。
行业测算显示，在较现实的运行假设下，头部模型厂商通过 API 推理业务可达到每 GW 每年 300 亿美元~400 亿美元的收入水平；在更激进的上沿情景中，OpenAI、Anthropic、以及微软在高利用率、高价值 API 场景下，市场相信可实现每 GW 每年超过 1000 亿美元收入。
与此对应，根据大摩测算，1GW AI 数据中心的年化总拥有成本（设备折旧+运营成本）只有约 85 亿美元，以一个 GB300 的 1GW 数据中心为例，
- CSP 的 GPU 出租业务能够实现 229 亿美元的年收入，ROIC 约 31%；
- 模型厂在自有数据中心的推理 API 的年收入约 304 亿美元，ROIC 约 46%；
- 非自有数据中心的模型厂推理 PAI 的年收入约 405 亿美元，但 ROIC 仅约 25%。
这表明模型推理的商业性已经得到显著提升，客户的 CapEx 具备可持续性。Gartner 预测，2026 年全球 AIIaaS 支出中，推理部分的规模将达到 233 亿美元，首次超过训练支出的 190 亿美元。
但推理市场的增长及高利润并不只是利好英伟达，它同样会刺激客户更积极寻找低成本替代路径，一旦收入端被验证，客户就会更认真地优化成本端，例如 ASIC、自研 XPU、Trainium、TPU 等方案都会因此获得更强的推进动力。
因此，模型推理呈现两面性，它既强化了对高性能算力的需求，也提高了客户对单位 token 成本与系统 TCO 的敏感度。
就英伟达方案和定制 ASIC 的成本对比而言，
- 英伟达 GB200 NVL72 的机柜价格大概在 300 万美元~350 万美元、GB300 NVL72 的价格近 400 万美元、Rubin VR200 NVL72 机柜价格在 780 万美元~1000 万美元、Rubin Ultra NVL576 的价格在 5000 万美元~6000 万美元；
- 对应英伟达 1GW AI 数据中心的算力硬件投资分别为 GB200/300 在 280 亿美元~300 亿美元、Rubin VR200 在 430 亿美元~450 亿美元、Rubin Ultra 在 833 亿美元~1000 亿美元；
- 在定制 ASIC 机柜中，以 AWS Trainium 为例，有消息披露从 NL16 2D Torus、NL32 3D Torus、到 NL72 Switched 的价格分别约为 22 万美元、92 万美元、及 263 万美元；
- 从单位时间和单位芯片成本角度，英伟达 GB200/300 的单 GPU 每小时资本成本约 1.8 美元 /2.2 美元，单 GPU 每小时 TCO 约 2.3 美元 /2.7 美元。相关资料显示，谷歌 TPU v7/AWS Trainium3 相对英伟达 GB200/GB300 可实现 30%~40% 的 TCO 下降，部分内部场景甚至更多。
可见，英伟达方案和定制 ASIC 在推理成本上有很大的差异，但现阶段 CSP 客户之所以还愿意选择英伟达，看重的是其在 “训练—推理” 两端的跨场景灵活性与成熟生态。
GPU 仍是大模型训练的主流平台，同时在推理侧可通过软件栈优化（如 TensorRT）显著降低延迟，形成 “一套硬件、双端可用” 的通用解法；而定制 ASIC 更适合负载稳定、规模化的推理，优势主要体现在能效与 TCO 上，但在灵活性、生态与交付时效上存在边界。
因此，在推理占比上升的背景下，主流路径也并非是定制 ASIC，而是 “GPU 为通用底座、ASIC 承接稳定推理” 的异构方式，CSP 按负载结构与时点做最优组合采购。
中长期来看，未来随着 HBM 和先进封装产能的逐步扩张，ASIC 将获得更好的供应链支持，叠加 CSP 自研/定制芯片的资本开支增加和项目落地，其出货量及市场占比将持续提升，2026 年 ASIC 约超 25% 市占率，2030 年将升至 40% 上下。
这一趋势的确定性已经在供应链层面得到了反映。7 月 25 日，三星电子与博通在旧金山签署合作意向，覆盖 HBM 存储、2nm 及以下制程代工与先进封装，预计至 2030 年合作规模将超过 2000 亿美元。
这桩合作的特殊之处在于当事人的身份，三星是英伟达 HBM 供应链的二供，也是系统内存的重要供应商，身处英伟达体系之内；博通则是定制 ASIC 设计环节的龙头，对接的是头部 CSP 厂商自研芯片及算力架构的需求，正是英伟达体系之外最有力的竞争者。
当英伟达的重要供应商开始为对手阵营提供内存、代工与封装的一揽子支持，ASIC 的威胁便不再只是 TCO 表上的数字，而是已经落地为一条完整的替代供应链。三星作为二供，与其在英伟达体系内长期被 SK 海力士压制，不如两头下注，提前锁定 ASIC 时代的内存份额。
事实上，这不光是三星一家供应商的选择，SK 海力士也在给 Trainium 和 TPU 提供 HBM，台积电同时给英伟达和所有 ASIC 代工，博通和 Marvell 等也在给两边出货。但凡有客户端的多元化需求，英伟达的供应商都会积极谋求两头下注，其无法用极致性能参数予以对手方彻底的封杀。
简而言之，英伟达的关键供应商正在系统性对冲风险，一边服务英伟达体系，一边为 ASIC 路径提供完整支持，这使得 ASIC 的威胁不再只是客户侧的 TCO 计算，而开始具备供应链层面的组织基础。
可见，英伟达体系有面临被 “里应外合” 的威胁，CSP 厂商、芯片设计商、供应商正试图以 “合纵” 的方式构建一个能够对抗英伟达的算力系统，以此削弱英伟达在 AI 算力上的硬件统治地位。
强卖方窗口期：英伟达用 “稀缺” 连横 SK、SpaceX、及华尔街
客观而言，现阶段英伟达的 “AI 工厂” 很可能仍具备较强的 AI 基础设施整体部署优势，但长期来看，随着推理占据更高比例，定制 ASIC 在成本上的优势会持续对英伟达的份额形成压力。
这意味着英伟达的宣传策略也不得不跟着算力市场进行相应的转变，从最初销售的 “极致性能的 GPU” 到现在重点宣传的 “更能赚钱的 AI 工厂”，其凸显的是自身系统在 TCO、部署效率、与系统吞吐上的整体能力。
这既是英伟达向推理经济性的妥协，也是向定制 ASIC 阵营发起压制措施，同时亦通过重构下一代 Rubin Ultra 的 BOM 成本结构来削弱内存厂商及扶持美国本土化更强的 CPO 厂商，从而起到系统内部的制衡与权利回收的效果。
但是，如果仅仅只是通过这些调整方式，英伟达其实也很难实质性扭转自身份额被稀释的发展趋势，因为这些措施没有起到 “分化” 合纵方的效果，其制造的矛盾只是聚集在英伟达产业链之内。
所谓合纵连横，英伟达真正的反制手段，就是要在合纵方内部制造矛盾，打破合纵的联盟体系，同时通过让利、共赢的方式不断拉拢其中的部分参与者，而供给短缺本身就是最好的分化工具。
当前 AI 基建产业的现实情况是，HBM、先进封装、高端基板等关键环节供给弹性非常有限，例如原厂 2027 年的产能已被大额锁定。在这个供给短缺时期，产业链上真正拥有定价权与排产权的，可能并不是供应最紧俏的一方，而是能够在这一时期组织起最确定、最集中、最长期需求的一方。
英伟达，正是利用这种系统组织能力来进行 “连横” 式的反制。
7 月 24 日，SK 集团与英伟达达成价值超过 5000 亿美元的 AI 合作计划，包括 SK 集团旗下的 SK 电讯将在 2027 年上线采用英伟达 Vera Rubin 的 2GW AI 工厂，并将部署 SK 海力士 HBM4；SK 海力士将推进与英伟达的下一代内存合作，后者将稳定获取海力士下一代 AI 存储器供货。
这一合作的实质是，英伟达把 SK 集团（甚至韩国）最核心的半导体与电信能力，直接编织进其未来的 AI 工厂扩张进程中，更重要的是，SK 集团计划将在 2035 年建成 15GW 的 AI 工厂，这是一个长期但规模庞大的 AI 投资计划。
之所以 SK 集团愿意承建英伟达的 AI 工厂，核心原因是英伟达给予了 SK 海力士（或 SK 集团）在 AI 时代更具想象力的商业身份——AI 时代重要的第三方算力运营商，按照上述大摩预测的结果，这一业务的毛利率超 60%，这将优化 SK 集团整体的利润结构，对冲集团体系内海力士作为存储供应商的周期价值束缚。
因此，英伟达抛出的是一次在 AI 时代初期难得的价值跃迁机会，因为现在行业仍处于强卖方市场，而英伟达现在确实有支配算力供给的能力，谁最先锁定英伟达的 AI 工厂，谁就拥有市场的先发优势。
换言之，英伟达将与 SK 海力士的供应链内部博弈关系，通过与 SK 集团关于 AI 工厂的优先购买权予以价值补偿，这是 ASIC 路径给不到的价值/身份跃迁。
对英伟达而言，这不只是拿到了确定的 HBM4 份额，更是把原本可能在价值链上与自己形成内部博弈的内存核心供应商，在一定程度上转化为共同扩张的利益共同体。在 HBM 价值量快速抬升、原厂话语权增强的背景下，这种深度绑定本身就是一种对冲，用共同的蛋糕，换取供应链的优先保障与协同节奏，从而强化自身的供给紧缺性。
如果说英伟达与 SK 集团的合作是把关键上游拉进同一利益结构，那么与 SpaceX 的绑定，则是在需求端制造一个足够大、足够确定、足够排他的锚点。
马斯克在 SpaceX8 月的财报电话会上明确，到 2026 年底公司算力将达到 2GW，2027 年底将接近 10GW，并将独家采用英伟达 Vera Rubin 架构，这意味着仅 2027 年的增量就在 8GW 左右，按行业测算这对应的投资规模约 4000 亿美元量级。这一规模已经超过 2026 年微软、谷歌、亚马逊、Meta 合计资本开支的一半，SpaceX 的计划足以改变市场对 2027 年供需关系的预期。
SpaceX 对英伟达的价值不止于 “又一个大客户”，其具备三个对英伟达特别有利的点，一是公开承诺全量排他使用 Vera Rubin；二是建设与部署速度快，能在较短时间内消化大量产能；三是自身对算力的需求具有较强的独立性与长期性。
当市场意识到有一个愿意独家绑定、且体量足以消化很高 Rubin 份额的客户存在时，其他潜在买家会更早启动锁单，也更愿意接受系统级绑定与较高的商业条款。当稀缺预期再度形成时，英伟达在与上游谈判时的筹码就会显著增强，因为上游最终追求的，不只是短期单价，更是未来数年排产的可见性与确定性。
对 SpaceX 或马斯克而言，其野心足够庞大，其正在致力于打通/打造一个超出人类正常想象的商业模式和潜在效益边际的上限，包括太空算力、芯片自研自产、大模型与 AI 智能体等，其对 AI 工厂这样的基础设施有着更强的需求和更低的成本敏感度（至少现阶段出租算力也是一门非常不错的生意），这是其显著区别于谷歌、微软、亚马逊、Meta 的地方，也是英伟达目前实现 “连横” 的理想对象。
在供应链和需求都完成关键绑定之后，英伟达进一步把触角伸向了资本端。
8 月 10 日，英伟达宣布与 Apollo、贝莱德、黑石、博枫、高盛和 KKR 合作，建立规模超过 5000 亿美元的独立融资平台，以第三方资本的身份支持 AI 基础设施建设。
现阶段，AI 工厂已经进入重资产、长周期阶段，单纯依靠 CSP 或模型公司自身的资产负债表，难以完全支撑持续的大规模扩张。英伟达介入融资组织，就是在帮助需求侧解决 “钱” 的问题，
- 目前这个融资平台主要是为新建 AI 工厂提供资本支持的一级市场平台，平台将 AI 算力设施作为新一类可抵押、可融资、可转移、且长期产生现金流的资产进行规模化融资，类似于商业地产和高速公路的可抵押基础设施，用机构信贷、保险资金、私募资本来承保；
- 该平台由上述六家大型资本机构独立承销，以 SPV、项目融资/设备租赁等结构进行独立尽调与放贷，底层资产就是 “算力” 产生的现金流，英伟达仅在个别项目提供不超过 25% 残值支持，这意味着项目的信用风险主要由这些资本承担；
- 平台本质上将 “客户信用” 与 “GPU 资产信用” 进行分离，只要算力资产具备稳定利用率、租赁现金流与残值，项目就可获得融资。英伟达与卖方数据显示，新云客户融资成本有望从 9%~14% 降至 7%~8%，显著降低决策与资金门槛；
- 英伟达的目的在于，这能够消除现阶段市场对 AI CapEx 可持续性的恐慌，通过融资平台，英伟达把客户资产负债表的约束、以及市场对 “AI 泡沫” 的担忧，一同转嫁给全球长期资本，让客户不用动用自己的现金流，市场也不用再担心客户 CapEx 的支出，英伟达将获得主动权；
- 对外部资本而言，他们获得了一类全新的可投资资产类别，能够据此开发出一系列投资产品和信贷产品，同时持续获得丰厚的中间业务和平台管理费用，并且英伟达也部分提供了残值支持，从而也部分降低了风险，而市场最新租赁信息显示，六年前的英伟达 A100 仍然被客户租用至 2029 年，这反映出 AI 加速器的生命周期比市场此前估计的要更长。
融资落地，项目才能启动；项目启动，设备采购才会锁定；采购锁定，英伟达的出货与生态绑定才能形成闭环。
如此一来，英伟达联合华尔街把 AI 工厂从企业的 CapEx 变成可被长期资本投资的基础设施资产，从而降低需求侧的资金约束，以此更快、更大规模地释放对英伟达硬件和系统的采购需求。
当然，现阶段这只是一个 “信贷平台”，但它的一个可能的发展方向是 “证券化”，未来将 AI 工厂变为一类全新的、具备生产力的、可资产化/可投资的生产资料或流通要素，搭建一个算力证券市场，为众多的 AI 实验室、初创公司、企业和云厂商提供算力买卖的交易平台，这样才能够持续引入更广泛的资本，用流动性和货币化的方式来匹配 AI 大基建时代的发展需要，持续稳固英伟达在 AI 时代的系统权重。
不过，这套资本结构的最大隐患是，如果英伟达的下一代芯片使现有 GPU 快速贬值，那么以算力为抵押的信贷资产就会面临与次贷危机类似的抵押物减值问题。这也能够在另一个维度呼应英伟达的 “减 HBM、增互联” 动作方向，因为算力的 “可转让性” 和 “长寿命性” 是这套资本结构的信用基石。一旦基石松动，金融工程的反噬将会来得比任何产品竞争都快、都猛烈。
至此，英伟达在供给紧张的窗口期，完成了三个层面的 “连横”，
- 以与 SK 集团的合作为代表，把关键上游部分转化为利益共同体；
- 以 SpaceX 的超大额排他需求为锚点，制造并强化稀缺预期；
- 以华尔街资本平台为工具，降低需求侧的资金约束，进一步组织未来的采购释放。
这些动作的共同指向，是把原本可能分散到内存厂商、ASIC 路径与超大客户手中的权力，重新收束到英伟达自己能够影响的节奏与结构之中，是在供给紧张的窗口期，把 “稀缺性” 从被动约束转化成主动控制的杠杆。
捭阖的边界：当英伟达试图重建一个 “可控的秩序”
把上述内容整合来看，英伟达在 2026 年夏天完成的是一组相互咬合的权力动作。
对内，BOM 重构解决的是内部价值如何分配的问题，通过 Rubin Ultra“减 HBM、增互联” 来重新划分单机柜 BOM 的价值归属，把越来越多的被存储环节吞噬的利润，导回至自己更具定义权的互联与系统组织上；
对外，合纵与连横解决的是外部产业体系的价值归属问题，面对推理转型与 ASIC 合纵的双重压力，以供给的稀缺为杠杆，完成了对上游（SK 集团）、需求端（SpaceX）、与资本端（华尔街六巨头）的三重连横。
当内部的价值结构与外部的权力关系被同时重新编排，英伟达争夺的就不再是某代芯片的份额，而是整个 AI 基础设施价值链的分配权，其正试图从 AI 算力集成供应商，跃迁为 AI 时代标准架构制定者、供给分配管理者、与生态秩序主宰者。
英伟达的这套捭阖术，本质上是在归拢四种权利，
- 产品定义权，通过机柜架构与 BOM 设计，决定产业链每一环节能分到多少价值；
- 互联标准权，通过 NVLink、交换网络与软件栈，决定算力以何种方式被组织与计量；
- 供给调度权，通过锁单、排产与优先购买权，决定稀缺产能流向谁、何时流；
- 资本背书权，通过融资平台与残值支持，决定谁有资格以什么成本获得算力。
前两种权力来自技术与生态，后两种来自市场地位与资本组织。而英伟达是目前唯一同时握有这四种权力的公司，这正是他能够在 HBM 受制于人、ASIC 步步紧逼的背景下依然保持强势的根本原因。
但捭阖术有一个隐含前提，那就是必须发生在强卖方窗口期之内。英伟达之所以能同时撬动 SK、SpaceX 与华尔街，是因为在 HBM、先进封装与高端基板供给弹性极低的当下，谁能组织起最确定、最集中、最长期的需求，谁就掌握了分配权。
而这一窗口不会永远敞开，随着 2028 年存储与先进封装产能的持续扩张、三星与博通所代表的 ASIC 供应链逐步成熟，稀缺溢价最终还是会回落，届时 “供给调度权” 的含金量将显著缩水。除非，这期间能有更大的需求爆发。
因此，英伟达真正赌的是在窗口关闭之前，把客户深度绑定进自己的系统架构、软件生态与资本结构，让后来的替代方案即使技术上可行，也要面临高昂的切换成本。
但更深层的风险，来自它自己刚刚开启的资本游戏。把 GPU 数据中心变成可抵押、可融资的资产类别，本质上是以 “算力将持续产生现金流、GPU 将保值” 作为信用基石，目前市场上仍有客户将六年前的 A100 租用至 2029 年，这支撑了这一逻辑性。
但两代产品之间的价值崩塌，会直接动摇抵押品估值。贝莱德 CEO 芬克以 1970 年代抵押贷款支持证券 MBS 类比这一融资平台——MBS 曾把风险层层转移给整个金融体系，最终以次贷危机收场。
若推理收入增速不及预期、token 价格开始通缩，以算力现金流为底层的信贷资产将面临底层资产减值的连锁反应，英伟达作为组织者非但无法独善其身，还可能被金融反噬拖住整个产品节奏，这意味着捭阖术越成功，英伟达就越深地把自己绑定在资本市场对 AI 的定价之上。
同样难以回避的是，连横并不能根除合纵。
三星与博通的合作已经证明，即便英伟达用 AI 工厂的优先购买权把 SK 集团拉入利益共同体，也无法阻止其他供应商两头下注，台积电同时为英伟达与所有 ASIC 代工，SK 海力士仍会向 Trainium 与 TPU 供应 HBM，博通与 Marvell 同时服务两边的客户。
英伟达体系的内外从来不是泾渭分明的阵营，而是一张高度交织的竞合网络，在这个网络里，英伟达的每一个盟友，同时也是对手的供应商。这种结构性矛盾决定了，任何 “绝对主导” 都只能是暂时的，英伟达能争取的是相对权重，而非绝对的排他。
但英伟达大概率也不会失去 AI 算力市场的中心位置，它的统治形式正在从硬件垄断向生态中枢延伸，在这个进程中，它不再需要赢下每一颗芯片的订单，只需要确保每一笔算力投资，最终都要经过它的标准、它的网络与它的资本结构。
这场博弈表面上看像是一个不可逆的熵增过程，原有的行业秩序正在被打破，而英伟达的捭阖术，本质上就是在对抗熵增，试图在一个日益分散的权力结构中重建中心。
为此，他给自己埋下了两颗值得警惕的种子：稀缺窗口关闭后供给调度权的贬值，以及资本杠杆对 AI 定价权的反向绑架，这两点将影响和决定这套捭阖术的上限。
谋事在人，成事还看天。
这既是英伟达的问题，也是所有把赌注押在 AI 基础设施上的人的问题。
评论 (0)