问题——推理需求快速上升，算力“成本—效率”成为新焦点。 随着大模型应用从研发走向规模化部署，行业关注点正由训练能力逐步转向推理能力。推理环节直接对接用户与业务系统，调用频次高、时延要求严、成本更易核算。无论是智能助手、自动化工具，还是面向手机、汽车、机器人等终端的应用，背后都需要稳定、可扩展的算力支撑。如何保证响应速度的同时压低单次推理成本，正在成为影响应用普及和商业闭环的关键因素。 原因——硬件迭代、软件生态与基础设施瓶颈共同作用。 在本届GTC大会上，英伟达披露将于今年下半年推出新一代芯片平台，并表示其推理能力较上一代明显提升，同时强调单位推理输出成本下降。业内分析认为，推动此趋势主要有三点：其一，大模型进入“高并发、低时延、重成本”的推理阶段——算力采购逻辑随之变化——客户更关注总体拥有成本与能效比；其二，数据中心在供电、散热和建设周期等约束加大，能源与基础设施逐渐成为扩容的硬边界；其三，头部厂商通过芯片、网络互联、编译器和开发框架的协同优化，形成更强的软硬一体系统能力，提高单位资源产出，从而增强市场影响力。 影响——算力基础设施加速扩张，产业集中度与外溢效应并存。 从产业链看，推理侧需求增长将继续带动服务器、先进封装、高带宽存储、光互联以及数据中心建设等环节的景气。但此外，算力资源在头部厂商及其生态内加速集中，也可能带来三上外溢效应：一是价格与供给节奏更容易传导至下游应用成本，企业产品定价与交付周期上面临更大不确定性；二是中小开发者与初创企业对外部算力依赖加深，可能扩大“算力鸿沟”；三是能耗与碳排压力上升，推动行业加快在液冷、供配电、绿色电力以及算力调度优化等上的投入。 对策——以系统工程思维推进“算力—能源—应用”协同，增强自主可控与多元供给。 业内人士认为，面对推理时代的算力竞争，需要供给侧与需求侧同步推进： 一是在算力供给端，推动芯片、整机、网络与软件栈协同优化，提升利用率，而不是单纯堆叠规模；同时加快数据中心能效改造与绿色电力配置，降低单位算力的能源成本。 二是在产业生态端，鼓励开放标准与兼容适配，推动多架构、多供应商并行发展，增强产业链韧性，降低单一依赖带来的系统性风险。 三是在应用端，倡导“以用促优”，通过模型压缩、量化、推理加速与任务编排等工程手段减少无效调用，形成从算法到系统的降本增效闭环。 四是在安全与治理端，随着大模型走向实体设备，应同步完善数据安全、模型安全与端侧安全规范，建立可验证、可追溯的运行机制。 前景——“物理AI”打开增量空间，但仍受制于工程落地与资源约束。 英伟达在大会上提出“物理AI”概念，强调智能系统将从数字空间走向现实世界，推动机器人等具身形态加速发展，并展示了面向机器人训练与控制的案例。业内普遍认为，具身智能可能成为下一阶段的重要增量市场，但其落地仍取决于感知硬件、实时控制、数据采集、仿真训练与安全验证等多环节协同，并非单一芯片性能所能决定。与此同时，将算力部署拓展到更广空间形态的设想，也反映出行业对能源供给、散热条件与全球覆盖能力的长期压力。未来一段时期，算力体系演进更可能呈现“多层部署”：云端数据中心承担主力训练与高端推理，边缘节点提供低时延服务，端侧设备在隐私与离线场景发挥作用，三者共同构成更稳健的算力网络。
从图形处理器供应商到人工智能基础设施领导者，英伟达的转型轨迹映射出全球科技产业的结构性变化。随着AI技术向物理世界延伸，算力正在成为国家竞争力的重要变量。黄仁勋提出的万亿营收目标不仅关乎企业增长，也提示人工智能产业可能进入新一轮加速期。在此进程中，如何在持续创新的同时维护产业生态的开放与健康，将是全球科技界必须面对的长期课题。