英伟达进军工业AI，正是存量赛道增长、技术范式迁移以及万亿美元级实体产业市场三重因素叠加的结果。

文｜胡嘉琦

ID | BMR2004

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合作，建立AI基础设施融资平台，计划动员超过5000亿美元资本，用于AI计算基础设施建设。

过去几年，英伟达解决的是“谁提供算力”的问题，现在，它开始参与回答另一个更大的问题：谁建设数据中心，谁提供电力、网络和冷却，又是谁为这一切提供资本。GPU、数据中心、电力、网络、液冷和金融资本，正在被一条越来越长的产业链连接起来。

01

客户正在成为英伟达最危险的对手

超级公司一边大量购买英伟达GPU，一边努力降低对英伟达的依赖。

过去3年，AI基础设施最重要的商业关系非常清晰：英伟达卖GPU，超级云厂商和AI公司购买GPU。这套模式给英伟达带来了惊人的增长。英伟达2026财年营收达到2159亿美元，同比增长65%。

但商业世界有一个很现实的规律：客户越大，客户自己解决问题的动力往往越强。谷歌就是典型案例，谷歌同时拥有基础模型、云计算业务和完整的AI基础设施，因此可以自己设计TPU，并将其用于内部AI计算；亚马逊同样在推进推理芯片和计算芯片，希望降低AWS云服务对外部GPU的依赖；Meta持续发展MTIA专用芯片，用于推荐系统和生成式AI等工作负载；微软也在推进Maia等自研芯片。

这些超级公司一边大量购买英伟达GPU，一边努力降低对英伟达的依赖，这看起来有些矛盾，但实际上是大型科技公司的理性选择。

当AI从训练走向大规模推理之后，这一矛盾正变得更加明显。训练阶段需要大量通用计算能力，模型、算法和框架不断变化，英伟达GPU的通用性以及CUDA生态具有明显优势。但推理进入搜索、广告推荐、客服、办公软件等大规模应用场景后，工作负载逐渐稳定，企业开始更加关注单位推理成本、功耗和延迟。

在一些特定场景下，针对特定模型和任务设计的ASIC芯片，可能比通用GPU更加高效。

北京邮电大学人机交互与认知工程实验室主任刘伟认为，英伟达进军工业AI，正是存量赛道增长、技术范式迁移以及万亿美元级实体产业市场三重因素叠加的结果。

一方面，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市场存在增长天花板；另一方面，全球制造业对应的是一个几十万亿美元级别的巨大市场。更重要的是，仿真、数字孪生和机器人训练本身又是算力消耗大户，可以持续拉动云端和边缘GPU需求。

北京物联网智能技术应用协会副会长颜阳也认为，过去几年生成式AI主要发生在数字世界，文本、图像、视频和代码是主要战场，但制造、能源、汽车、物流和机器人所对应的物理世界，可能才是下一座更大的“矿”。

这意味着，英伟达正在主动把自己的战场从数据中心推向工厂。问题也随之发生变化：如果数据中心里的客户正在自己造芯片，那么进入工厂之后，英伟达会不会再次遇到同样的问题？

答案或许是会。只不过这一次，竞争者从谷歌、亚马逊、Meta扩展到了整个工业生态。

02

英伟达真正想抢的，是工业AI的“底座”

英伟达瞄准的是工业AI底层计算与仿真平台，也就是“不做应用，做应用生长的土壤”。

2026年6月，英伟达在GTC台北大会上发布Cosmos 3世界模型。按照英伟达官方信息，该模型面向物理AI训练和评估，可以理解和生成文本、图像、视频、环境声音和动作。这意味着英伟达的目标正在发生变化，它不只是希望AI“理解信息”，而是希望AI能够理解物理世界，并最终让机器在物理世界中采取行动。

过去，英伟达卖的是GPU；后来，它开始卖CUDA。CUDA真正改变了英伟达与客户之间的关系。客户购买的不再只是一块芯片，而是一整套软件开发生态。开发者在CUDA上开发应用，模型在CUDA上运行，企业围绕CUDA建设基础设施。

现在，英伟达正在尝试把这套逻辑复制到物理世界。具体来看，Omniverse负责数字孪生和工业仿真，Isaac面向机器人开发与仿真，Cosmos进一步向世界模型和物理AI延伸，GR00T瞄准通用机器人基础模型，Jetson等产品则把AI能力继续推向设备端。

这些产品看似分散，实际上正在形成一条新的技术链：数据—仿真—模型—训练—机器人—工厂。

中国信息通信研究院工业互联网与物联网研究所数据与智能研究部副主任尹子航认为，物理AI并不是传统工业AI的简单升级，而是人工智能从“认知层”向“行动层”的一次范式转换。传统工业AI更多解决的是感知、预测和分析，例如视觉质检、设备故障预测、工艺参数优化等。系统发现问题后，再由人或者传统控制系统完成后续动作。

物理AI则试图形成“感知—理解—规划—执行—反馈”的完整闭环。机器人看到一个物体之后，不只是识别它是什么，还要理解它在哪里、如何抓取、需要多大的力量、如何避开周围障碍，然后真正完成动作。

这也是英伟达为什么需要Omniverse、Isaac和Cosmos。它要解决的不是一个机器人动作，而是AI如何在数字世界学习，在物理世界执行，再把真实世界的数据反馈回来。

在刘伟看来，英伟达瞄准的是工业AI底层计算与仿真平台，也就是“不做应用，做应用生长的土壤”。因为工业企业真正需要的不是一个漂亮的AI模型，而是一套能够真正生产产品的系统。

生产线上既有机器人负责执行，也有PLC作为“指挥官”；既有MES、ERP、PLM等企业级管理系统，也有大量设备和传感器；既需要数字孪生解决物理世界与信息世界信息断层的问题，也需要工艺知识和现场经验。英伟达希望做的，是把这些东西逐渐连接起来。这也是为什么西门子成为了英伟达工业战略中的重要伙伴。

2026年CES期间，英伟达与西门子宣布扩大合作，共同推动工业AI相关基础设施建设，并以德国埃朗根的西门子电子工厂作为相关蓝图。

从表面上看，这是一次产业合作；从商业角度看，却更像两个巨头在交换各自最稀缺的资源：英伟达需要西门子的工业Know-how和客户，西门子需要英伟达的算力、AI和仿真能力。

颜阳认为，英伟达目前在工业AI领域最大的风险，恰恰在于“懂计算”并不等于“天然懂工业”。

真正的工业知识，并不主要掌握在芯片和算力企业手中，而是长期沉淀在西门子、达索、ABB、发那科等工业企业的产品、软件和生产实践中。这些企业与制造业客户之间，已经建立了几十年的技术体系和信任关系。对于工业客户而言，核心工艺、生产数据以及关键工作流，并不是那么容易交给一个外来的AI平台。

“英伟达能不能成为工业AI时代的‘安卓’，关键不在于它还能不能推出更多产品，而在于工业企业愿不愿意把自己的核心工作流搭建在它定义的基础设施之上。”颜阳表示。

在他看来，这既是英伟达最大的机会，也是最大的战略风险。英伟达如果能够凭借CUDA式的软件生态、计算平台和开发者体系，进一步成为连接模型、机器人、数字孪生与工业软件的底层基础设施，它就有机会从一家芯片公司真正升级为工业AI时代的平台型企业；但如果工业企业最终只是把英伟达的算力当作基础设施，而核心工业软件、工艺知识和数据体系仍掌握在传统工业巨头手中，那么英伟达在工业AI领域的想象空间就会受到限制。

03

Factory is Data

中国工业AI最大的短板并不是缺GPU，而是缺少把老师傅经验转化为机器能够理解的知识体系。

英伟达进入工业之后，会遇到一群与自己关系复杂的企业。西门子、达索系统、ABB、发那科、库卡等顶尖制造企业掌握真实生产线，它们需要英伟达，但又不会愿意完全依赖英伟达。这与谷歌、亚马逊、Meta在云服务和数据中心领域面对英伟达时的逻辑非常相似。

工业软件企业需要GPU加速、数字孪生和生成式AI，但同时也会保留自己的技术路线；机器人企业需要英伟达的Isaac和Jetson降低开发门槛，却不会轻易放弃自己的硬件和控制能力；制造企业可以使用英伟达的平台，却不会把核心工艺、生产数据和Know-how全部交给一家外部公司。

这是一种非常典型的平台型商业困境：平台希望生态越大越好，但生态越大，生态伙伴也越不愿意把全部权力交给平台。

富士康与英伟达之间的关系比较具有代表性，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，机器人使用AI完成生产，而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。一旦机器人、数字孪生、AI Agent和真实生产线形成稳定闭环，工业AI就不再只是一项软件技术，而开始真正成为生产力。

但这也意味着，制造企业的地位正在发生变化，它们不再只是AI平台的客户，而可能成为AI能力的共同生产者。因为真正决定工业AI能力的，不只是GPU和模型，还有工厂产生的真实数据。颜阳认为，互联网时代经常说“数据是石油”，但到了物理AI时代，更准确的表达可能是：“Factory is Data。”工厂本身就是数据。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，每一天都在产生大量真实的物理数据。

刘伟认为，中国可以走一条场景驱动、垂直优先的工业AI路线，在锂电、光伏、新能源汽车等优势产业中，把行业工艺知识与AI深度结合，先形成垂直解决方案，再沉淀行业大模型和行业仿真工具，自下而上形成自己的工业AI生态。

颜阳认为，当前中国工业AI最大的短板并不是缺GPU，而是缺少把老师傅经验转化为机器能够理解的知识体系。很多工业Know-how仍然掌握在人的经验里，或者存在于非标准化系统中。如果这些经验没有软件化、数字化，就无法形成高质量数据；没有高质量数据，模型也就很难真正获得工业能力。这也意味着，英伟达虽然拥有强大的计算能力，却不能因此自动获得工业能力。

04

英伟达争的是AI进入现实世界的入口

对工业AI而言，制造企业计算的不是模型参数，而是良品率、停机时间、能耗、产能和人工效率。

“工业AI最终的胜负手，是场景、数据、AI与工艺之间的融合能力。”刘伟说。

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，可能造成整批产品报废。制造企业计算的不是模型参数，而是良品率、停机时间、能耗、产能和人工效率。

尹子航认为，目前工业AI更容易规模化的场景，仍然是设备预测性维护、视觉质检、制程工艺优化和智能动态排产等能够直接计算ROI的领域。

从GPU到CUDA，从数据中心到Omniverse，从数字AI到Physical AI，英伟达实际上正在完成一次商业模式的跃迁。

刘伟判断，工业AI会像今天的PLC、CAD一样成为制造业的基础能力；颜阳也认为，AI最终会像电力一样成为工业系统默认存在的基础设施。

真正留下来的，不会是今天令人眼花缭乱的模型和产品名称，而是制造业最基本的几个指标：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，人力效率有没有提高，供应链有没有更加稳定。

工业AI真正对决的并不是英伟达与某一家企业，也不是GPU与ASIC谁胜谁负，它是一场围绕下一代工业基础设施展开的长期商战。芯片公司想进入工厂，工业软件公司想掌握AI，机器人公司想掌握执行入口，制造企业想掌握自己的数据，云厂商则希望继续掌握算力需求。

英伟达希望成为AI进入物理世界的入口。而它最大的客户、合作伙伴以及传统工业巨头，也都在思考同一个问题：

为什么一定要让英伟达成为那个入口？