英偉達｜從賣晶片到完整生態：英偉達下一輪增長引擎曝光

• AI 代理邁向新里程碑：AI代幣（或譯為詞，AI 處理文字的基本單位）的價值急升，導致AI的商業價值大多被 AI 模型實驗室捕獲。
• 英偉達沒有盲目加價，而是擴大版圖：英偉達斥資約 200 億美元「類收購」Groq，即時取得 IP 與人才，大舉進攻AI推理市場。
• 由 GPU、LPU、CPU 到儲存與網絡，英偉達幾乎在在每個板塊都有最好的技術儲備。隨著AI硬件的競爭門檻已由單一晶片升級為完整的推理系統；英偉達正建造恐怖的統治力。

我們在<英偉達｜AI 浪潮下，英偉達仍是核心受惠者>中強調，英偉達早已不只是一間 GPU 公司，而是正在出售一整套 AI 生態系統，英偉達正嘗試把 AI 機櫃內更多關鍵價值，逐步納入自身版圖，從而提升每個機櫃的收入捕捉能力與客戶黏性。

本文將延續這一核心論點，從 Vera Rubin 的技術升級、定價策略及產品布局出發，拆解英偉達為何仍未完全反映其系統級定價能力，以及市場尚未充分發掘的投資機會。

圖一：全球首個出貨的英偉達Vera Rubin NVL72 服務器

資料來源：麥可·戴爾

英偉達｜從產品性能看定價

要衡量一套 AI 系統的價值，不能只看晶片有多快，還要看它能否在有限電力及營運成本下，生產出更多、更便宜的算力。主要可分為三個層面進行分析：性能、單位算力成本，以及電力約束下的資本開支。

性能

衡量 AI 晶片運算能力的常用指標是 FLOPS（每秒浮點運算次數）。1 PFLOP 等於每秒一千萬億次運算。AI 模型的本質，是在極短時間內處理大量矩陣運算，因此 FLOPS 越高，代表晶片每秒可完成的運算越多，性能亦越強。

單位算力成本

但對數據中心而言，性能只是第一步。真正重要的是，為了取得這些算力，客戶要付出多少總成本。因此，市場通常會同時參考 TCO（Total Cost of Ownership，總持有成本），即把設備購置、電力、冷卻、維護及營運等全部成本合併計算。若將 TCO 再除以實際算力，便可得出每單位算力成本。

電力約束下的資本開支

對大型數據中心而言，可用電力是稀缺資源，往往電力是固定不變的，不能隨意增加。因此，客戶不只關心「一張卡多少錢」，更關心在固定電力預算下，花多少資本開支可以換到多少算力。每瓦資本開支（capex per watt）正正反映客戶每使用一瓦電，需要投入多少設備成本。數值越低，代表在同樣電力限制下，能用較少資本買到更多算力。

換言之，要衡量英偉達產品的性能，應圍繞三件事展開：

1.     算力是否明顯增加？

2.     每單位算力成本是否下降？

3.     在電力受限的情況下，英偉達有否大幅提高每瓦價格？

下表比較上一代 GB300 NVL72 與新一代 VR NVL72 的關鍵指標：

表一：GB300 NVL72 與新一代 VR NVL72 的關鍵指標：

綜合以上指標，我們可以從中提煉出三個核心重點：

• 性能增益主要集中在 FP8 及 FP4，即「低精度」運算：用較少位元表示數字，犧牲少量精確度，換取大幅提速。這是 AI 推理，最常用的運算模式。相比之下，訓練常用的 BF16 雖然亦有提升，但升幅明顯不及 FP8 及 FP4。反映英偉達把產品重點大舉轉向推理。
• 客戶每單位算力成本大幅下降：雖然 VR NVL72系統每小時 TCO 較 GB300 上升 55%，但性能升幅遠高於成本升幅。以 FP8 計，TCO per PFLOP 由 0.54 美元降至 0.24 美元，跌幅達 56%。換言之，客戶使用VR NVL72 的系統生產 AI 代幣，成本接近腰斬。
• 每瓦資本開支幾乎持平：由 GB300 到 VR NVL72，每瓦資本開支僅由每瓦 37.4 美元微升至 38.1 美元，升幅只有 2%，幾乎持平。

這三項數據合起來，可以證明Rubin系列是為推理而生，且性能大幅提升，客戶每單位算力成本明顯下降。但英偉達並沒有趁機大幅提高每瓦價格。換句話說，英偉達的加價幅度，遠遠跟不上產品性能的改善速度。

過往每一代產品性能／瓦提升，晶片商通常會順勢提高每瓦售價，把技術進步所產生的一部分經濟價值收歸己有。但從每瓦資本開支幾乎持平可見，英偉達今次並沒有把性能躍升完全轉化為更高售價。

英偉達｜從GPU租金看英偉達產品定價

除了每瓦資本開支幾乎持平外，另一個判斷英偉達定價是否克制的方法，是從 GPU 租金入手。

這裡需要先分清兩組價格與兩個主體。英偉達將整套 VR NVL72 系統出售給雲服務商（Neocloud），收取系統售價。雲服務商再按「每 GPU 每小時」向 AI 實驗室等客戶出租算力，收取GPU 租金。

由於系統售價是雲服務商最主要的成本，GPU 租金便成為觀察英偉達定價的一個方式。簡單而言，只要分析雲服務商為維持合理回報所需收取的最低租金，以及客戶願意支付的最高租金，便可反推出英偉達現時系統定價究竟是偏高還是偏低。這亦有助判斷 Rubin系列的性能提升，究竟有多少已被英偉達轉化為售價，又有多少仍留在客戶或雲服務商手中。

·         按成本計算的租金地板

雲服務商要願意購買並部署最新產品，前提是至少能賺到與上一代相若的回報。根據 SemiAnalysis，英偉達上一代產品的項目內部回報率（IRR）約為 15.6%（假設設備使用壽命 5 年、客戶提供 15% 預付）。按此計算，VR NVL72 的租金下限為每 GPU 每小時 4.92 美元。低於這個水平，雲服務商的內部回報率將低於15.6%，便缺乏動力購買及部署英偉達最新系統。成本地板價會隨英偉達系統售價浮動，英偉達把產品賣得愈貴，雲服務商成本愈高，所需租金地板也會愈高。

·         租金天花板

天花板由客戶的替代選擇決定。客戶真正購買的不是硬件，而是算力；因此，他們最關心的指標是每單位算力成本。由於 Vera Rubin 每小時產出的算力遠高於 GB300，即使每小時租金更高，攤到每個 PFLOP 上仍可能比 GB300 便宜。根據 SemiAnalysis 的計算，Vera Rubin租金天花板約為每 GPU 每小時 12.25 美元；若再往上調，客戶每單位算力成本便會高於英偉達的上一代產品GB300。因此租金不可能高於此價格。

英偉達提高整套系統售價，雲服務商的採購成本自然會上升。為維持約 15.6% 的目標 IRR，雲服務商需要將部分成本轉嫁予終端客戶，從而提高每 GPU 每小時的租金。

但對雲服務商的客戶，即 AI 實驗室而言，關鍵並不是租金本身是否上升，而是同樣價格所買到的算力，不能比上一代產品更少。換言之，只要 Rubin 的單位算力成本仍低於 GB300，AI 實驗室便仍有誘因接受較高租金。

因此，英偉達的產品定價，其實落在兩個邊界之間：

• 下限是雲服務商需要維持合理回報的成本地板
• 上限則是 AI 實驗室願意接受、但單位算力成本不高於上一代產品的價值天花板

由於雲服務商本身定價能力相對有限，這場定價博弈的核心，基本上是英偉達與 AI 實驗室之間的價值分配。

若租金愈接近成本地板，代表AI實驗室享用了大部分性能提升帶來的經濟價值；相反，若租金愈接近價值天花板，則代表英偉達與雲服務商能夠收回更多 Rubin 升級所創造的價值。

換言之，Rubin 並非沒有加價空間，而是英偉達暫時未有完全行使這項定價權。以 Vera Rubin 目前系統售價推算，如果雲服務商維持約 15.6%的IRR，其對應租金更接近每 GPU 每小時 4.92 美元的成本地板，而非 12.25 美元的價值天花板。意味着 Rubin 性能躍升所創造的經濟價值，目前大部分仍由模型端客戶享用,英偉達仍有顯著的加價空間。

表二：VR NVL72 租金定價區間（每 GPU 每小時；5 年合約、15% 預付）

掌握絕對壟斷的英偉達，為何定價如此克制？

租金明明可以向12.25美元的價值天花板推進，但現時定價卻更接近4.92美元的成本地板。這種反常的現象背後，主要源於以下四個深層考量：

•         生態系長期鎖定優先於短期獲益

英偉達的真正護城河是完整的軟硬體生態。若在產品初期就大幅提價，可能減慢客戶採用速度、促使超大型雲廠商加速投資及採用自研晶片（ASIC），或讓雲服務商更積極導入 AMD 等其他替代方案，長期侵蝕市佔與定價權。

·         需求彈性與採用速度的權衡

Vera Rubin 剛剛才開始出貨。英偉達更傾向透過高出貨量與市佔擴張來提升總利潤，而非在單一平台上最大化單價。這與過去 Blackwell 初期策略相似。

·         英偉達的定價或過於保守

英偉達的定價邏輯，似乎仍停留在過去「算力會愈來愈便宜」的傳統晶片周期框架，未有完全反映 AI 代理令AI代幣的商業價值大幅上升。換言之，公司或低估了模型實驗室對高效算力的支付意願與投資回報，令 Rubin 世代的定價仍然偏向克制。

•         避免觸發下游反制與監管風險

過度激進的價格上調，可能引發大型客戶集體議價、延後採購，或引發反壟斷調查。因此，英偉達並未選擇直接在 GPU 或整套 NVL72 系統上大幅加價。正如我們在<記憶體超級週期｜代幣經濟如何塑造新一輪投資機會？>所提及，英偉達希望透過 SOCAMM 記憶體賺取更高的利潤。SOCAMM 作為可插拔式記憶體，英偉達可以將其單獨定價，在不大幅改變 GPU 基礎售價的情況下，仍能有效提升整體系統的售價與利潤率。

Vera Rubin｜收編 Groq，大舉進軍推理市場

定價維持克制，並不代表英偉達甘於把市場增長拱手讓人。相反，英偉達正在積極布局推理市場。由 GPU 延伸至 LPU、CPU、記憶體、儲存及網絡互聯，把更多原本由其他供應商捕捉的收入，逐步收回自己的系統版圖之內，提升客戶黏性與轉換成本。

其中最矚目的第一步，就是以約 200 億美元取得 AI 晶片初創公司 Groq 的技術授權，並吸納其大部分團隊，切入英偉達過去相對缺席的高速推理市場。

Groq 的核心產品是 LPU

LPU是一款以「極低延遲」為核心賣點的推理晶片。LPU 把 500MB SRAM，即速度最快、但容量較小且成本較高的記憶體，直接放在晶片上，以換取極快的反應速度；代價是記憶體容量有限，並不適合處理需要大規模上下文或高吞吐量的任務。

英偉達的設計思路，是讓 GPU 與 LPU 各自負責最擅長的部分。GPU 記憶體容量較大，適合處理大量上下文、較複雜或大批量的預填（Prefill）任務；LPU 則主攻需要即時反應、對延遲要求極高的推理環節，例如模型逐字生成答案時的解碼（Decode）任務。

簡單而言，英偉達不是用同一款晶片處理所有推理工作，而是把推理流程拆開，交由最適合的晶片負責。這種架構稱為 Attention-FFN 分離（AFD）。再配合 英偉達 Dynamo 軟件層作統一調度，GPU 與 LPU 可在生成每個 token 時交換中間運算結果，令系統同時兼顧高吞吐量及低延遲，特別適合 AI 代理及即時互動式推理場景。

這筆交易對英偉達有三個好處：

1.     英偉達可以即時取得 Groq 的 LPU 技術及工程團隊，縮短自行研發低延遲推理晶片所需的時間。

2.     市場過去一直擔心，英偉達雖然在AI 訓練市場佔據絕對優勢，但在推理工作負載上或會面對其他專用晶片挑戰。收編 Groq 後，英偉達可以把原本可能流向 Groq 或其他推理晶片商的高速推理需求，納入自己的產品版圖。

3.     LP30 採用 三星4納米製程，屬單一晶片設計，毋須先進封裝，也不用 HBM。因此可避開台積電先進製程與 HBM 兩大瓶頸。在當前先進製造產能供不應求。多造一顆 LPU 並不會犧牲GPU 的產能；而它服務的，亦是英偉達原本較難覆蓋、甚至可能流向TPU 或其他推理晶片的需求。因此，這部分收入更接近純增量。

表三：英偉達 LPU 產品路線圖

資料來源： SemiAnalysis 及奕豐金融編纂。

Vera Rubin｜NVLink Fusion：擁抱自研 ASIC

面對 Google TPU、Amazon Trainium 等超大規模雲端客戶自研 ASIC 的興起，英偉達並未選擇正面硬撼，而是採取「擁抱並延伸」的策略。2026 年 3 月，英偉達宣布向 Marvell 投資約 20 億美元，透過 NVLink Fusion 將 Marvell 納入自身機櫃級生態系統。

Marvell 負責提供客製化鏡片，以及相容 NVLink Fusion 的機櫃內擴展互聯網絡；英偉達則提供 Vera CPU、ConnectX 網卡、BlueField DPU、NVLink 互聯、Spectrum-X 交換器，以及整體機櫃架構與軟件堆疊，雙方亦會在矽光子技術上進一步合作。

這項交易的核心，不是「收購」競爭者，而是重新定義機櫃內擴展互聯標準。即使超大規模雲端客戶堅持採用自研晶片，只要新一代設計希望取得頂級互聯效能、與英偉達成熟 AI 軟件進行無縫整合，採用 NVLink Fusion 便會成為具有吸引力的選項。

Vera Rubin｜完整的英偉達版圖

Groq 和 Marvell只是版圖擴張的一環。在 AI 代理時代客戶的需求已由單純「快」，轉向整個機櫃要穩定、易擴充、長期可用。英偉達在設計機櫃時把各個部件一併納入考量，使其互相配合得更好，業界稱之為「極致共同設計」（extreme co-design）。目前只有英偉達能在 GPU、CPU、網絡交換器與網卡等主要晶片上，同時提供頂級或接近頂級的產品，競爭對手難以一次過完整取代。具體可見於以下幾個層面：

·         CPU ：英偉達正在在進攻CPU市場。過往 CPU 在 AI 伺服器中只屬配角，主要負責資料調度等管理工作；AI 代理與強化學習工作負載需要 CPU 即時進行大量決策與協調，令 CPU 由配角變成新瓶頸。全新 Vera ETL256 機櫃把 256 顆 CPU 塞入一櫃，單櫃 CPU 密度大幅提升。

相關文章:<CPU強勢回歸｜從GPU到CPU，誰是下一個贏家？>

·         儲存層：當 AI 處理超長對話或大型文件時，系統需要暫存大量中間資料（即KV cache）。英偉達在記憶體管理方面業界領先，其 CMX 與 STX 參考架構，正是把「KV cache 分層存放」由技術概念變成可部署的解決方案：常用資料放在速度較快的記憶體，較少使用的冷資料則轉移至成本較低的儲存層。這套架構已獲 VAST、WEKA、DDN 等主流儲存軟件商支持，令客戶的儲存層進一步被納入英偉達的整體 AI 基建生態。（記憶體分層邏輯可見<記憶體超級週期｜代幣經濟如何塑造新一輪投資機會>）

·         網絡層：CPO（共封裝光學）：隨着 AI 系統由單機櫃擴展至多機櫃，機櫃內 GPU 之間、以至機櫃之間的數據傳輸，正逐步逼近銅互連的物理極限。英偉達因而加快導入 CPO，把光學元件直接整合至封裝內，以突破頻寬、延遲及功耗瓶頸。據市場預期，Rubin Ultra NVL576 將首次在機櫃之間採用 CPO，而下一代 Feynman NVL1152 則有望進一步放量，令 AI 系統互聯更緊密，也更依賴英偉達的網絡技術。

圖2： 英偉達在 GPU、CPU、網絡交換器與網卡等主要晶片上都提供頂級或接近頂級的產品

競爭格局

雖然英偉達正大舉進攻 AI 推理市場，但市場仍然擔心，其市佔率會被 谷歌 TPU、亞馬遜 Trainium 及其他 ASIC 方案逐步蠶食。問題是：這些自研晶片會否成為英偉達的定價天花板？

先不討論不同晶片之間的性能差異，單從供應鏈和部署速度來看，英偉達的優勢仍然相當明顯。目前，台積電先進製程產能與 HBM 供應仍追不上 AI 需求，市場真正短缺的，不只是某一款晶片，而是可即時部署的大規模算力。

因此，英偉達的護城河不只在於 GPU 性能，更在於其對上游供應鏈、先進製程、HBM、封裝及系統交付的整體掌握能力。換言之，在產能緊張的環境下，誰能更早提供可部署的算力，誰就能創造更高經濟價值。按 SemiAnalysis 估算，若 200MW 算力能提前六個月投入使用，其 NPV 可達約 4 億至 5 億美元。這說明「提前部署」本身已是一項可量化的商業價值。

即使各家雲端巨頭及晶片廠商都在推進自研晶片，它們仍然難以穩定取得足夠的台積電先進製程及 HBM 產能。即使是多年自研 TPU 的谷歌，仍希望向 SpaceX 租用英偉達 GPU，正正反映市場上根本沒有足夠晶片供應。換言之，擁有自家晶片，並不代表可以完全脫離英偉達生態。

這亦是英偉達短期定價能力仍然存在。其對上游產能，尤其是台積電晶圓產能的優先取權，使公司能把「提前部署」優勢轉化為實際商業價值。因此，「去英偉達化」不是即時威脅。

總結｜英偉達仍是 AI 基建的長期贏家

正如我們在〈英偉達｜AI 浪潮下，英偉達仍是核心受惠者〉中提及，我們對英偉達維持正面看法，並認為投資者可考慮買入。最新季度業績再次反映，其基本面仍然十分強勁；但更重要的是，英偉達的投資邏輯已不再只是 GPU 增長的增長故事，而是逐步升級為涵蓋晶片、CPU、記憶體、網絡、儲存及系統方案的完整 AI 基建平台。

Vera Rubin 世代正好展示這一轉變。英偉達在產品定價上仍相對克制，令客戶每單位算力成本大幅下降，亦保留了尚未完全行使的加價空間；同時，公司透過 Groq 切入低延遲推理市場，透過 NVLink Fusion 把自研 ASIC 納入自身互聯標準，並把更多 AI 機櫃內的價值納入自身生態。換言之，即使未來部分雲端客戶加快自研晶片，英偉達仍有能力在推理、互聯、系統設計及供應鏈部署等層面繼續收益。

從目前發展看，英偉達仍然掌握 AI 算力擴張中最稀缺的資源——可即時部署的大規模算力、完整系統能力，以及對上游產能與客戶生態的控制力。這些優勢仍將支持英偉達成為 AI 基建周期中的長期核心贏家。