Nubank 押注 GPU 以扩展其专有 AI 模型

尽管警告称 AI 支出将推高短期运营成本，Nubank 仍在投资 GPU。Google News 的标题捕捉到了这项硬件决策，却没有呈现更深层的博弈。Nubank 相信，其专有 AI 模型能够充分改善信贷决策，从而值得对稀缺且昂贵的计算能力取得更大控制权。

这一立场挑战了更简单的企业策略：按需从成熟云服务商租用模型和算力。Nubank 则在整合其交易数据、自主开发的基础模型、工程研究能力及额外 GPU 容量。在长期回报显现之前，这种方法需要投入更多资本和专业人才。

该银行已将其专有基础模型系列 NuFormer 用于巴西和墨西哥的信用卡业务生产环境，也将这些模型用于巴西的无抵押贷款。不过，Nubank 尚未公开披露管理层提到的新 GPU 的数量、供应商、所在地或所有权结构。

这一信息缺口很重要。投资 GPU 可能意味着购买服务器、租赁专用容量、预留云实例，或通过其他运营商为基础设施融资。每种安排都会带来不同的成本、安全责任和硬件折旧风险。

因此，真正重要的故事并不是一家数字银行想要更多芯片，而是 Nubank 正试图把其私有交易历史转化为可持续的承保优势。GPU 正成为这一策略的一部分，但其财务逻辑仍取决于可衡量的贷款和运营成果。

Google News 报道实际释放了什么信号

Nubank 正将 AI 算力视为运营基础设施，而非临时试验。

原始报道跟进了管理层关于投资研发、人才和 GPU 的评论。在 Nubank 2 月的财报电话会上，高管表示这些支出会带来短期成本，但认为中期收益应足以抵消增长。

管理层没有提供明确的 GPU 预算，也将 AI 支出与另外两项可能推高运营费用的举措归为一类：办公空间扩张和国际业务增长。这使得公司 AI 基础设施计划的财务影响难以单独量化。

不过，这一时点仍具有启示意义。根据公司的季度业绩，Nubank 用于比较运营费用与收入的效率比率，在 2025 年第四季度末为 19.9%，随后在 2026 年第一季度降至 17.6%。

较低的比率通常意味着金融机构每投入一单位运营费用所产生的收入更多。Nubank 警告投资者，不应将第一季度的结果视为新的稳定水平。公司预计，随着年度推进，办公空间、国际业务和 AI 投资将推高成本。

这项警告构成了核心张力。Nubank 正在加大对一项技术底层基础设施的投入，而它同时又将该技术描述为效率引擎。公司需要 AI 驱动的收入、信贷表现或内部生产率提升，其增长速度快于相关支出。

公开证据显示，该策略不止于通用聊天机器人。NuFormer 处理金融交易序列，并学习可复用的客户行为表征。产品团队可以将这些表征应用于信贷、交叉销售和其他预测任务。

这不同于让一个公开语言模型总结客服工单。信贷决策必须在严格的延迟、治理、隐私和风险约束下运行。微小改进都可能影响数百万项个人额度、审批和催收决策。

Nubank 表示，其 AI Private Banker 功能目前已服务超过 1,500 万月活跃用户。公司还称，面向巴西即时支付系统的对话式界面 Pix with AI 已服务超过 1,000 万月活跃用户。

这些产品带来了持续的推理需求。推理是将训练好的模型应用于新信息的计算过程。每当系统生成回复、为申请评分或给出个性化推荐时，都会发生推理。

训练需求则更集中，但可能重得多。随着客户行为和经济状况变化，Nubank 必须反复重新训练、测试和调整模型。更多模型、市场和使用场景，可能使 GPU 可用性成为持续性的运营约束。

因此，这则 Google News 报道指向了更广泛的转变。Nubank 正从购买 AI 能力访问权，转向维护一套规模可观的内部 AI 生产系统。不过，现有披露并不能证明所涉每一块 GPU 都会计入 Nubank 的资产负债表。

NuFormer 让算力成为银行业投入要素

Nubank GPU 投资的经济价值，取决于 NuFormer 能否改善直接影响收入和损失的决策。

NuFormer 并非单一的面向消费者语言模型。Nubank 将其描述为一组基于金融交易数据训练的专有基础模型。基础模型会先从大型数据集学习通用模式，再由团队将其适配至更狭窄的任务。

对于 Nubank，这些狭窄任务包括巴西和墨西哥的信用卡承保，以及巴西的无抵押贷款。公司表示，这些模型已投入生产环境，这使该项目不同于没有客户实际接触的研究演示。

这些模型学习的是序列，而不是孤立的账户快照。客户的存款、消费、转账、账单支付和还款行为构成一条持续变化的时间线。对这条时间线建模，可以揭示人工设计变量可能忽略的关联。

Nubank 表示，其实时承保系统会逐笔评估个人贷款申请。该系统估算预测净现值，即在考虑风险和经济因素后，一笔贷款的预期未来价值。管理层称，这一评估可在一秒内完成。

这一速度十分重要，因为消费信贷结合了风险管理与产品体验。系统过慢可能中断申请流程，过于保守的系统则可能拒绝有利润的客户。校准不佳的系统则可能在提高审批量的同时，悄然带来未来损失。

Nubank 称，其较新的模型已支持提高信用额度。这仍属于公司的归因，并非独立证据证明 AI 单独导致了该信贷组合的表现。客户结构、利率、政策规则和经济状况的变化，同样可能影响贷款结果。

平台规模同时放大了机会与风险。Nubank 报告称，截至 2026 年 3 月，其在巴西、墨西哥和哥伦比亚的客户超过 1.35 亿。第一季度新增客户约 400 万。

该季度收入超过 50 亿美元，净利润达到 8.71 亿美元，股本回报率为 29%。这些数字为公司提供了投资空间，但也提高了模型错误影响广泛部署决策系统时的后果。

信贷模型不必具备最大的公开生成式模型那样的规模，仍可能消耗大量计算资源。金融模型必须跨市场重新训练、针对多项结果进行验证、监测漂移，并在不同政策设置下测试。

单一生产模型可以产生许多相关工作负载。工程师需要实验运行、基准模型、验证任务、压力测试和受控部署候选方案。监管或内部治理审查可能要求团队复现先前结果。

Nubank 的工程研究说明了这种成本。在一项已发布的实验中，使用 500 万行数据的训练工作流，在 8 块 Nvidia A100 GPU 上需要约 12 小时。将工作流扩展至 4,000 万行数据后，在相同硬件上约需 95 小时。

这一对比并未披露 Nubank 的 GPU 总规模或年度 GPU 支出，但它显示出，随着研究人员使用更多数据，训练需求会迅速增长。将这一实验扩展到多个产品和国家，会进一步强化对可预测算力访问的需求。

拥有或预留容量，可以降低关键项目等待合适云实例的风险，也能让工程师针对稳定环境进行优化。不过，专用容量只有在利用率足够高、能够证明这项承诺合理时，才能节省成本。

模型效率改变 GPU 的计算逻辑

Nubank 一边投资硬件，一边试图让每次训练运行消耗更少的硬件资源。

这种组合看似矛盾。如果新的训练方法减少了算力需求，为什么还要购买或预留更多 GPU？答案在于，组织通常如何利用效率提升。

每次实验所需算力降低，很少会让雄心勃勃的 AI 项目停留在原有工作负载水平。团队反而可以运行更多实验、使用更大的数据集训练、测试更多产品，或更频繁地更新模型。效率提升会增加在经济上可行的项目数量。

Nubank 将部分研究重点放在 Muon 上，这是一种在训练期间更新神经网络的优化器。优化器决定系统衡量误差后模型参数如何变化。Nubank 将 Muon 与广泛使用的优化器 AdamW 进行比较。

该公司的Muon 实验使用了在 2,000 万个样本上训练的 3.3 亿参数模型。Nubank 报告称，在测试的学习率范围内，Muon 的收敛速度更快，验证损失也低于 AdamW。

验证损失衡量模型在未直接参与训练的数据上的表现。较低的损失可能表明泛化能力更好，但并不自动保证更好的贷款或客户结果。

Nubank 还援引更广泛的扩展实验，称 Muon 仅需 AdamW 所需训练操作约 52%，即可达到可比的模型质量。该数字描述的是研究结果，并不保证所有 NuFormer 工作负载都能实现相同幅度的下降。

该银行随后贡献了关于 Muon 8 位版本的研究。量化会减少用于表示某些数值的比特数。研究人员报告称，在测试中保持性能的同时，优化器状态内存减少了 62%。

内存减少可让研究人员在相同硬件上容纳更大的模型或批次，但并不总能带来等比例的训练速度提升。额外的转换工作或不同的硬件瓶颈，可能限制实际耗时上的收益。

即便如此，内存效率仍可改善基础设施经济性。此前需要更多设备的任务，可能可以使用更少 GPU 完成；另一项任务则可能使用释放出来的容量。结果取决于调度、模型架构、网络和实际利用率。

Nubank 的研究还表明，它希望获得应用层以下的技术控制权。该银行不仅是将商业模型接入产品，还在研究其模型如何训练、梯度如何更新，以及内存消耗如何变化。

这种深度支持了建设专用算力的论点。研究人员可以围绕自身工作负载配置环境，并维持更稳定的性能。敏感的金融数据也可能留在受控架构内，具体取决于设备部署和运行的地点与方式。

不过，更好的优化器并不能决定采购选择。GPU 迭代很快，今天购置的设备可能在其物理寿命结束前就失去经济价值。云端算力则将部分淘汰风险转移给服务提供商。

专用基础设施还需要网络、存储、编排、安全控制、监控以及专业运维。一块闲置的 GPU 依然会产生成本。一块高利用率的 GPU 则可能带来额外的散热、电力和维护需求。

最可信的解读并不是 Nubank 已经解决了 AI 效率问题，而是该公司看到的模型需求足以让它同时追求效率和算力容量。模型在每单位工作量上使用更少算力，但有用工作的总量正在扩大。

Nubank 正在选择控制力，而非纯粹的云端灵活性

核心竞争在于可控算力容量与按需租用一切的灵活性之间。

云平台使启动 AI 项目相对容易。公司无需建设数据中心，也无需承诺承担完整硬件生命周期，就可以配置加速器。团队还可以为训练和推理选择不同设备。

这种灵活性也伴随着取舍。高需求加速器可能无法在目标地区获得。长期运行的工作负载可能变得昂贵。在服务之间迁移大型数据集，可能带来延迟、运维复杂性和额外费用。

银行还面临另一项约束：数据治理。客户交易高度敏感，金融机构必须控制访问权限、留存、数据血缘和可审计性。云系统可以满足受监管工作负载的要求，但银行仍需对其进行恰当配置和监督。

Nubank 已经运营着一套专有的云原生银行技术栈。所谓云原生，是指其系统围绕分布式云服务设计，而不是未经重大改造便从传统银行服务器迁移而来。这段历史使混合方案显得合理。

混合架构可能会结合预留云 GPU、租赁集群和直接控制的机器。它可以根据成本和可用性路由训练任务，同时将某些数据集或模型阶段保留在更严格的边界内。

公开评论尚未明确 Nubank 选择了何种配置。公司讨论过 GPU 投资，但尚未披露供应商或采购数量。因此，将该战略描述为“持有”超出了最详尽公开证据所能支持的范围。

这种区别不只是措辞问题。购买硬件会带来资本支出、折旧和利用率问题。长期算力合同则会形成不同的费用结构。按需租用能够保留灵活性，但可能使公司面临波动的可用性和定价。

所选模式也会影响议价能力。拥有可预测工作负载的公司可以谈判长期算力，或将任务分配给多家供应商。受制于单一供应商专有服务的公司，可能更难切换。

Nubank 在 2024 年收购 Hyperplane，为此提供了有用背景。Hyperplane 利用金融机构的专有数据开发自监督基础模型。Nubank 表示，此次收购将帮助产品和工程团队在客户旅程中应用共享模型。

收购 Hyperplane 将模型开发人才和技术纳入 Nubank 内部。其系统旨在为金融应用场景训练、评估和部署大量定制模型。

在管理层强调 GPU 投资之前，这一举措已推动 Nubank 转向内部模型开发。硬件决策紧随软件和人才决策之后。一旦公司维护专有模型，算力便会成为持续性的生产依赖。

传统银行也面临同样的趋势压力，尽管它们的技术结构起点不同。许多银行拥有庞大的专有数据集和可观的基础设施预算。它们也可能背负较老的核心系统，令统一模型部署进展更慢。

其他数字金融公司也在开发交易基础模型。Stripe 已发布支付基础模型相关研究，而 Visa、Mastercard、Revolut 和 Plaid 均探索过相关架构。竞争并非只是 Nubank 对阵某一家特定银行。

竞争性问题在于，谁能最有效地连接数据、模型、算力和产品决策。若团队无法清洗数据、训练模型、验证结果或安全部署变更，庞大数据集本身并不会形成优势。

Nubank 认为，其统一数据和内部构建的系统缩短了从实验到生产的路径。这一说法具有战略分量，但投资者仍需要可比证据。部署速度、模型提升幅度和经风险调整后的回报，比宣布的 AI 项目数量更重要。

效率主张仍需更严格的检验

较低的成本收入比并不能证明 Nubank 的 AI 基础设施已经实现自我回本。

Nubank 第一季度的效率比率从 19.9% 改善至 17.6%。管理层将这一结果归因于更强劲的收入、资产组合增长、运营改善以及部分时点因素。公司在讨论较低的核心比率时，也剔除了部分战略投资。

这带来了一个重要的衡量问题。如果 AI 基础设施支出被排除在核心效率指标之外，那么调整后的数字就无法回答完整 AI 项目是否具备经济效率。它仍可反映在剔除特定投资前，底层平台的运行情况。

Nubank 预计，其 2026 年报告的效率比率将在年末接近 2025 年末的水平。这一指引意味着，当前投资将在年内抵消至少一部分潜在的运营杠杆。

管理层表示，第一季度成本表现优于预期的部分中，约三分之一反映了结构性收益。公司提到了运营和催收中的 AI 改进、软件整合以及招聘纪律。其余部分则涉及预计将在后续发生的费用。

这些类别的细节不足以计算 AI 支出的回报率。投资者不知道模型、GPU、AI 招聘、外部服务或配套基础设施各自的成本，也缺乏对 NuFormer 的精确收入归因。

信贷资产组合提供了更具影响力的检验。Nubank 报告称，第一季度逾期 15 至 90 天的贷款占比为 5.0%。这比上一季度高出 89 个基点，公司主要将其归因于正常季节性因素。

逾期超过 90 天的贷款占比下降 10 个基点至 6.5%。Nubank 还表示，改进后的风险模型使其有信心将信贷扩展至风险更高的客群。该策略可能增加盈利性放贷，但也提升了监测后续逾期表现的重要性。

模型可以批准更多借款人，并在损失完全显现前看似成功。消费信贷表现会在数月间逐步展开。相关比较应涵盖贷款全生命周期内的净收入、资金成本、预期损失、催收和资本占用。

因此，NuFormer 需要证明的不只是审批增长。它必须在不断变化的经济条件下产生有吸引力的经风险调整后回报。由于客户行为和信贷体系不同，其在巴西的表现未必能原样迁移到墨西哥或哥伦比亚。

模型治理带来了另一项不确定性。基础模型能够捕捉难以用传统承保规则表达的模式。这种灵活性可以提升预测能力，但也使文档化、监控和解释变得更加重要。

偏见是相关的另一项担忧。即使未接收明确的敏感属性，模型也可能学习与受保护群体或弱势群体相关的关联。金融机构需要进行测试，审查哪些人获得审批、额度、定价和不利决定。

Nubank 的公开材料对其模型战略的描述，比对其独立验证流程的描述更充分。这并不表明控制措施不存在，而是意味着读者无法依据现有披露，将模型治理与其宣称的性能提升进行比较。

Google News 的叙事还可能将两项不同主张混为一谈。Nubank 已发布证据表明，Muon 在受控实验中提升了训练效率。管理层则另行表示，其专有模型在信贷和交叉销售方面带来了显著提升。

这两项主张均不能自动证明，购买或预留 GPU 比使用云端算力更便宜。这需要工作负载层面的核算，包括利用率、能源、支持、网络、折旧以及承诺资本的机会成本。

最有力的证据将通过业务结果呈现。如果信贷扩张的同时后续逾期仍保持受控，NuFormer 的承保论点就会更有说服力。如果生产率提高而总费用仍保持纪律，基础设施论点就更容易成立。

Google News 首轮周期后值得关注的事项

三个信号将显示 Nubank 的 GPU 投资是在创造优势，还是仅仅增加了一层昂贵的基础设施。

第一个信号是模型支持资产组合的信贷表现。应关注信用卡额度和无担保贷款的增长，同时观察早期和后期逾期率。收入扩张很重要，但不能与违约成本割裂来看。

理想情况下，Nubank 应提供队列数据，展示在较新模型下获批的贷款随时间推移的表现。队列将相近时期开户的账户归为一组，有助于区分近期承保质量与旧资产组合的表现。

如果模型支持的队列在服务更多客户的同时，维持更好的经风险调整后回报，专有模型的论点将得到支持。如果损失上升速度快于预期，审批增长就会显得不那么有说服力。

第二个信号是 AI 支出与运营效率之间的关系。Nubank 已警告，其投资将带来短期压力。未来业绩应明确，底层成本节约和收入增长是否开始超过这一压力。

仅看整体效率比率还不够。读者应关注有关催收生产率、客户服务工作量、工程产出、信贷决策速度和交叉销售的披露。这些运营指标将模型使用与可识别的业务流程联系起来。

Nubank 此前报告称，工程产出同比增长超过 50%，自 1 月以来每周 token 消耗量增长十倍。这些是采用指标，而不是独立的财务回报。更多生成的 token 可能代表有价值的使用，也可能只是更高的算力消耗。

公司的投资者材料最终应能揭示，采用是否转化为持久的运营杠杆。在投资力度较大的一年中，若报告比率保持稳定，将支持管理层的论点，前提是信贷质量仍处于受控状态。

第三个信号是基础设施披露。Nubank 无需披露敏感的系统架构，但市场需要足够的信息来理解其承诺。有用细节包括算力是购买、租赁还是预留。

硬件的代际水平与利用率同样重要。小型研究集群的经济性不同于为实时推理提供服务的生产集群。训练算力可以按批次调度，而面向客户的系统则需要可靠的可用性。

供应商集中度也是另一项因素。依赖单一 GPU 供应商或云服务商，可能带来定价和供给风险。多供应商策略能够提升韧性，但也会增加工程复杂度。

Nubank 的技术出版物为其选择提供了一扇有限的观察窗口。它们显示，这家公司正围绕优化器行为、内存使用、训练效率以及面向交易的模型开展工作。持续发表同行评审研究成果，将有助于增强外界对其工程实力的信心。

但研究质量与商业成功仍是两项独立的检验。一个实用的优化器可以降低训练成本，却未必能让信贷产品实现盈利。一个成功的信贷模型即便运行在租用硬件上，也能创造价值。

最终的判断应当贯通四个层面：模型质量、基础设施经济性、产品采用情况与财务结果。遗漏其中任何一层，都会导致结论不完整。

Nubank 已明确其方向。它希望 AI 成为承保、客户互动、运营和产品开发的一部分。其较新的业绩表述将 NuFormer 描述为一套生产系统，而非未来愿景。

仍不清楚的是，Nubank 将掌控多少计算能力，这种掌控的成本是多少，以及相关投资能以多快速度产生可衡量的回报。公司已提供足够证据，值得认真看待这一战略，但还不足以宣告这项 GPU 押注已经成功。

接下来的几个财报周期应会缩小这一信息差距。请关注贷款组合表现、完整的效率比率，以及任何有关算力所有权或合同安排的披露。这些信号将决定 Google News 的那则标题究竟代表基础设施优势，还是仅仅是一场高成本试验的开端。