英伟达是全球最大的 AI 芯片设计公司，靠设计图形处理器（GPU）起家。GPU 最初用来渲染游戏画面，后来人们发现它特别擅长并行计算，成了训练大模型的主力芯片。大模型是用海量数据训练出来、能理解和生成文字的 AI 程序，ChatGPT 就是代表——它们背后的算力，大部分来自英伟达。2026 财年，英伟达营收 2159 亿美元，同比增长 65%。

2026 年 8 月 11 日，英伟达宣布与 Apollo、黑石、贝莱德旗下 Global Infrastructure Partners、Brookfield、高盛和 KKR 六家机构合作，建立 AI 基础设施融资平台，计划动员超过 5000 亿美元，用于建设数据中心、电网、网络和液冷设施。与此同时，它把产品线从数据中心延伸向工厂：6 月在 GTC 台北大会发布面向物理 AI 的世界模型 Cosmos 3，又与西门子扩大工业 AI 合作。这家芯片公司正在回答一个新问题：谁建设数据中心、谁提供电力与冷却、谁为这一切提供资本，以及——AI 怎么进入工厂。

卖芯片的增长模式，正在遇到拐点

过去三年，英伟达的商业模式很清晰：卖 GPU 给超级云厂商和 AI 公司，业绩随之高速增长。

但客户越大，自己解决问题的动力越强。谷歌自研 TPU（AI 专用芯片）用于内部计算；亚马逊推进推理芯片，想降低云服务对外部 GPU 的依赖；Meta 做 MTIA 芯片，微软推 Maia 芯片。这些超级公司一边大量采购英伟达 GPU，一边努力降低对它的依赖。

矛盾在 AI 从训练走向推理后变得更明显。训练阶段，模型和算法不断变化，通用 GPU 和 CUDA 生态（英伟达的软件平台，开发者靠它调用芯片算力）优势明显；但推理进入搜索、广告推荐、客服等大规模场景后，工作负载稳定下来，企业开始精打细算单位推理成本、功耗和延迟。此时，针对特定任务设计的专用芯片（ASIC）可能比通用 GPU 更划算。

更根本的压力在市场规模：生成式 AI 带来的云算力采购红利进入周期波动，纯数字世界的 AI 市场有增长天花板；而全球制造业对应几十万亿美元级别的市场。仿真、数字孪生（在电脑里建一个与真实工厂一致的虚拟模型）和机器人训练本身又是算力消耗大户，可以持续拉动 GPU 需求。

工业 AI 产品矩阵：数据、仿真、模型、机器人一条链

英伟达在工业 AI 上的布局，是一整套产品线：

  • Omniverse：数字孪生与工业仿真平台，在虚拟世界还原真实工厂；
  • Isaac：面向机器人开发与仿真的工具链；
  • Cosmos 3：世界模型，2026 年 6 月在 GTC 台北大会发布，能理解和生成文本、图像、视频、环境声音和动作，帮助 AI 理解物理世界规律；
  • GR00T：通用机器人基础模型；
  • Jetson：把 AI 能力部署到设备端的芯片。

这些产品串成一条技术链：数据—仿真—模型—训练—机器人—工厂。

这套打法的逻辑，和当年 CUDA 一样：卖芯片只能赚一次硬件钱，建立开发生态才能长期绑定客户。英伟达想把「开发者围绕 CUDA 写程序」的成功，复制到物理世界——让工厂里的应用长在它定义的计算与仿真平台上。

2026 年 CES 期间，英伟达与西门子宣布扩大合作，以德国埃朗根的西门子电子工厂作为工业 AI 蓝本。双方各取所需：西门子有几十年积累的工业知识和客户，英伟达有算力、AI 与仿真能力。工厂里既有执行动作的机器人，也有 PLC（可编程逻辑控制器，产线上的「指挥小电脑」）、MES/ERP（制造执行与企业资源管理软件）等管理系统和大量传感器——英伟达想做的，是把这些东西渐渐连起来。

物理 AI：AI 从「看懂」升级到「动手」

传统工业 AI 解决的是感知、预测和分析：视觉质检、设备故障预测、工艺参数优化。系统发现问题后，由人或传统控制系统完成后续动作。

物理 AI 则要形成「感知—理解—规划—执行—反馈」的完整闭环：机器人看到一个物体，不只识别它是什么，还要理解它在哪里、怎么抓取、用多大力、如何避开障碍，然后真正完成动作。这也是英伟达需要 Omniverse、Isaac 和 Cosmos 的原因：AI 在数字世界学习，在物理世界执行，再把真实世界的数据反馈回来。

难点：懂计算不等于懂工业

英伟达最大的风险，是「懂计算」并不等于「天然懂工业」。真正的工业知识——核心工艺、生产数据、工作流——长期沉淀在西门子、达索、ABB、发那科等企业的产品与生产实践中。工业企业未必愿意把核心工艺和关键数据交给一个外来 AI 平台；它们会使用英伟达的产品，但不会把全部控制权交出去。这与谷歌、亚马逊、Meta 一边买 GPU 一边自研芯片的逻辑相似：生态越大，伙伴越不愿把全部权力交给平台。

富士康是一个缩影：英伟达设计 AI 芯片，富士康制造 AI 服务器，机器人进入生产线用 AI 生产，AI 又帮助制造 AI 基础设施。AI 开始参与生产 AI——这是工业 AI 最值得关注的变化，但同时也意味着，制造企业不再只是 AI 平台的客户，而可能成为 AI 能力的共同生产者。

对中国而言，机会与短板同样明显。中国拥有庞大的制造业、新能源汽车、光伏、锂电、港口和物流体系，每天都在产生大量真实物理数据——北京物联网智能技术应用协会副会长颜阳称之为「工厂本身就是数据」（Factory is Data）。在他看来，中国的短板不是缺 GPU，而是缺少把老师傅经验转化为机器能理解的知识体系：经验没有软件化、数字化，就无法形成高质量数据，模型也就难有真正的工业能力。北京邮电大学人机交互与认知工程实验室主任刘伟提出，可行的路线是场景驱动、垂直优先：在锂电、光伏、新能源汽车等优势产业先把工艺知识与 AI 结合，做出垂直方案，再沉淀行业模型。

胜负手不在芯片

再强大的芯片和大模型，如果解决不了工厂的真实问题，就没有商业价值。工业 AI 如果错误调整一次工艺参数，可能让整批产品报废。制造企业算的不是模型参数，而是良品率、停机时间、能耗、产能和人力效率。

工业 AI 的真正对决，不是英伟达与某一家企业、也不是 GPU 与专用芯片谁胜谁负，而是一场围绕下一代工业基础设施的长期竞争：芯片公司想进工厂，工业软件公司想掌握 AI，机器人公司想抓住执行入口，制造企业想守住自己的数据。英伟达想成为 AI 进入物理世界的入口——但它的客户、伙伴和传统工业巨头，都在思考同一个问题：为什么一定要是它？

这场竞争最后留下的，不是今天令人眼花缭乱的模型和产品名称，而是几个最基本的指标：良品率有没有提高，能耗有没有下降，设备有没有少停机，产能有没有提升。谁能帮工厂把这些指标做上去，谁就是下一个十年的工业基础设施。