Nvidia 芯片销售预测加码 AI 增长，安全成为考验
Nvidia CEO 黄仁勋预计，公司明年将销售两倍于今年的芯片，这是一项与全球 AI 投资挂钩、异常激进的预测。这份 Nvidia 芯片销售预测显示，2027 年的需求将远超又一个常规硬件升级周期。
黄仁勋于 9 月 17 日在苏格兰达姆弗里斯庄园举行的一场由英国国王查尔斯三世主持的 AI 聚会上发表了这一观点。他还表示，开发者必须对 AI 系统进行彻底测试，并暂缓推出尚不够安全的产品。
这些说法立即形成一种张力。企业和政府部署越多计算能力，Nvidia 受益越大；而更安全的开发可能意味着更慢的发布节奏和更多测试。因此，核心竞争并非 Nvidia 与某一家芯片制造商之间的较量，而是该公司的扩张承诺与供应、客户预算及负责任部署的运营限制之间的较量。
Nvidia 芯片销售预测瞄准销量翻倍
黄仁勋的预测涉及芯片销量，并不代表 Nvidia 总营收将翻倍。
黄仁勋在苏格兰对记者表示，他预计 Nvidia 明年销售的芯片数量将是今年的两倍。他将这一预期与 AI 对各行业和各国经济的贡献联系起来。
措辞至关重要。Nvidia 销售不止一种处理器，其产品通过板卡、系统、云端部署和完整计算平台交付给客户。芯片数量翻倍并不自动意味着营收翻倍。
产品组合可能改变这一计算结果。更多售价较低的处理器能够提升销量，却未必带来同比例的销售额增长。硬件代际转换也会影响平均售价和系统配置。
Nvidia 尚未公开提供与黄仁勋 9 月 17 日评论相对应的详细销量基数。这使外界无法将“两倍”换算为可靠的出货总量。
不过，这一预测符合 Nvidia 更广泛的财务展望。据其最新季度业绩相关报道，在 8 月财报周期中，该公司预计截至 2028 年 1 月的财年营收将增长约 70%。
这一营收预期低于销量预测中的醒目数字。这种差异进一步说明，读者不应将芯片数量和营收视为可以互换的指标。
Nvidia 报告称，截至 2026 年 7 月 26 日的季度营收为 962 亿美元。其计算与网络业务营收为 883 亿美元，反映出数据中心基础设施在公司业绩中的核心地位。
这一预测也超出了图形处理器，即 GPU 的范围；GPU 能够并行执行大量计算。Nvidia 目前除加速器外，还销售 CPU、网络硬件、互连设备和集成式机架级系统。
其官方财报电话会议记录提到，需求来自超大规模云服务商、AI 实验室、云服务专业厂商、企业和国家级计算项目。管理层还预计，2028 财年 CPU 营收将增长逾一倍。
这种广泛的产品组合使黄仁勋的表述具有合理性，但并不因此变得精确。“芯片”可以涵盖不同部件、价格、工作负载和客户群体。
这一表态的时机赋予其更多分量。Nvidia 正在推动客户跨越连续的平台代际，同时 AI 计算正从模型训练扩展至推理。
推理是指运行已训练模型以生成答案、预测、图像或行动的过程。由于每一次用户请求都会消耗计算能力，它可能带来持续需求。
训练需求通常来自规模庞大且集中的基础设施项目。推理则可扩展至消费者服务、企业软件、机器人、科学系统和国家级平台。Nvidia 正押注于这两类工作负载将同步增长。
因此，该公司将 2027 年定位为产能规模化之年，而不仅是又一个销售强劲的时期。这份 Nvidia 芯片销售预测假设，AI 部署将同时在成熟云计算公司和新兴买家中成倍扩张。
这一假设构成了整篇报道的基础，也正是该预测面临首次严峻考验的地方。
AI 需求正在成为供应链承诺
销量翻倍要求工厂、内存、封装、网络、电力和客户融资同步扩张。
Nvidia 设计处理器，但依赖广泛的制造网络将这些设计转化为可交付系统。该网络包括半导体制造、先进封装、高带宽内存、服务器组装、冷却设备和网络组件。
一个零部件缺失就可能延误整个机架。这使出货增长取决于协调一致的产能，而非单靠芯片设计。
Nvidia 最近的展望已承认，可用供应可能限制其报告中的增长。客户预测据称显示需求接近翻倍，而公司给出的年度营收增长指引约为 70%。
这一缺口构成该公司最明显的运营压力。Nvidia 必须将订单和客户计划转化为已制造、已安装并获验收的基础设施。
随着产品愈发复杂，挑战也在增加。现代 AI 客户越来越多地购买互连系统，而非单独的处理器。每个部署可能需要专用网络、液冷、电力分配、软件集成和合适的数据中心空间。
闲置在库存中的加速器不会创造有用的 AI 算力。它必须在一个具备内存、数据访问能力和充足电力的正常运行系统中工作。
云服务提供商为计划中的扩张提供了直观证据。Nvidia 和 Amazon 宣布，AWS 计划在 2027 年和 2028 年间额外部署 200 万块 Nvidia GPU。
这一AWS 部署计划涵盖 Blackwell Ultra、Rubin 和 Rubin Ultra 处理器，也包括 CPU、网络、模型，以及对智能体 AI 和物理 AI 工作负载的支持。
这是一项公司公告，而非经过独立审计的部署总量。不过，它仍说明了黄仁勋预测背后承诺的规模和多年期性质。
大型云计算公司能够提前数年预留产能，因为它们运营全球数据中心并服务众多客户。更棘手的问题在于，这一小群体之外的需求如何。
国家级 AI 项目是潜在来源之一。各国政府日益将本土算力视为与经济竞争力、科研和安全相关的基础设施。
企业是另一来源。公司可以将 AI 用于软件开发、客户支持、文档处理、工业设计、模拟和分析。但企业试验并不总会转化为大规模生产部署。
客户需要足够高的利用率，才能证明昂贵基础设施的合理性。他们还需要模型和应用在计算、能源、人员和数据成本之后仍能创造可衡量的商业价值。
这使利用率比公告规模更重要。供应商可以安装大量处理器，但客户的使用可能不稳定，或要求折扣。
融资构成另一项限制。数据中心需要长期投资，而 AI 硬件则以快速的产品节奏发展。买家必须决定是现在部署，还是等待更新、更高效的系统。
这种时机问题可能导致订单不均衡。客户可能在代际转换前加快采购，在安装期间暂停，或将支出转向后续一代产品。
Nvidia 的预测假设，这些暂停不会压倒更广泛的增长。它还假设，新工作负载将吸收陆续上线的产能。
该公司有理由保持信心。推理需求可能随着使用量增长，更强大的模型往往会鼓励开发者创建消耗更多计算资源的应用。
然而，需求不能仅通过模型复杂度衡量。即便任务数量增长，计算成本下降也可能降低每项任务的营收。
这正是为何 Nvidia 芯片销售预测应被视为一项基础设施论断。黄仁勋认为，使用规模的扩大将超过效率提升，并支撑硬件销量翻倍。
这一论断同时给供应商、公用事业公司、云服务提供商和企业买家带来压力。每一方都必须扩张，Nvidia 的目标才能成为已交付的销售额，而非未满足的兴趣。
定制芯片令 Nvidia 的平台优势承压
Nvidia 最强劲的竞争来自希望降低对通用 Nvidia 系统依赖的客户。
Amazon、Google、Microsoft 及其他大型基础设施运营商均投资于定制处理器。这些芯片可以面向特定工作负载，在超大规模下改善供应控制或降低运营成本。
AMD 持续在数据中心加速器领域竞争，Intel 和专业初创企业也在争夺同一计算市场的部分份额。Huawei 同样正在为中国开发 AI 硬件和更大型的计算集群。
在出口限制背景下，中国寻求更高的半导体自给能力，Huawei 于 9 月 17 日推出新系统。其最新 AI 集群提醒人们，Nvidia 的可服务市场不仅受产品性能塑造，也受地缘政治影响。
竞争问题远不止基准测试速度。客户会评估模型运行成本、软件可用性、网络、可靠性、能耗和部署时间。
Nvidia 的防御优势在于其完整平台。CUDA 是用于编程 Nvidia 处理器的软件环境，为开发者提供了成熟的库和工具集。网络和机架级集成则将这一优势延伸至 GPU 之外。
替换一块加速器的买家必须考虑，其软件、模型和运营是否能够高效迁移。因此，即使另一种处理器的采购价格更低，转换成本也可能维持 Nvidia 的地位。
Nvidia 也在适应定制芯片趋势，而非完全反对它。其 NVLink Fusion 策略允许合作伙伴将定制处理器连接至 Nvidia 机架级架构的组成部分。
即使客户使用非 Nvidia 计算芯片，这一方法也能维持 Nvidia 在网络和系统基础设施中的角色。它将定制化转变为平台机遇，同时也承认客户希望拥有替代选择。
这对 Nvidia 2027 年芯片需求叙事构成微妙挑战。更多 AI 基础设施并不保证 Nvidia 能在每一套部署中获得相同份额。
大型客户既有资源，也有动力实现多元化。他们可以使用 Nvidia 进行前沿训练，同时将可预测的推理工作负载转交给内部处理器。
定制加速器不需要在每一项任务上都胜过 Nvidia。它只需在所有者熟悉的高吞吐量工作负载中表现得足够出色。
随着推理在 AI 支出中占据更大比重，这种压力也在增加。重复性的生产工作负载通常比快速变化的研究任务更容易优化。
Nvidia 的回应是销售一个各组件协同改进的完整系统。该公司认为，处理器、网络、内存和软件之间的协同设计能够带来更优的整体经济效益。
这一主张必须在工作负载层面进行衡量。买家关注的是每美元和每瓦所能获得的有效产出，而不仅仅是单颗芯片的速度。
不同客户群体之间的比较也有所不同。超大规模云服务商可以资助内部芯片项目并运营定制软件。规模较小的云服务商或企业，则可能更倾向于选择能够减少集成工作的受支持平台。
Huang 的预测部分取决于第二类客户的增长。Nvidia 表示，超大规模云服务商之外的组织也希望拥有 AI 基础设施，但对自行设计处理器兴趣不大。
这些客户能够扩大 Nvidia 的市场，同时降低其对少数大型买家的依赖。不过，由于基础设施专业能力较弱、使用需求也不够确定，他们的采购速度可能更慢。
出口管制构成了另一条竞争边界。Nvidia 无法将每个国家都视为不受限制的统一市场，政府也可以改变哪些处理器能够触达特定客户。
限制措施可能会削弱直接销售，同时推动本地替代方案的发展。随着时间推移，这些替代方案可能形成自己的软件、供应关系和已安装客户基础。
Nvidia 在其业务风险中披露了贸易限制、制造产能、竞争和产品过渡等因素。其年度文件明确表明，需求并非决定营收的唯一因素。
最主要的对手仍然是 Nvidia 的承诺与执行之间的落差，而不是 Nvidia 与某一家竞争对手之间的较量。竞争之所以重要，是因为当供应、成本或政策扰乱这种执行时，它会为客户提供其他选择。
销量翻倍将表明，尽管存在这些替代方案，Nvidia 仍保住了核心地位。任何显著较弱的表现，都会引发有关供应限制、需求时点或市场份额流失的疑问。
Jensen Huang 对 AI 安全的立场拒绝全行业暂停
Huang 支持测试并暂缓推出不安全的产品，但他不认为协调放缓是主要的安全机制。
苏格兰的聚会将销售预测置于日益激烈的 AI 风险争论之中。查尔斯国王要求科技领导者思考保障措施、国际合作以及指导开发的原则。
Google DeepMind、OpenAI、Anthropic、Nvidia 和英国政府的代表出席了活动。此前，外界再次警告，能力日益增强的系统可能会出现意外行为或规避监管。
Huang 的回应强调工程纪律。他表示，公司应谨慎测试产品；当系统尚不够安全时，应继续进行工程改进。
据苏格兰 AI 峰会报道，Huang 表示：“当一款产品还不够安全时，我们应该暂缓推出，并继续进行工程改进。”
这一说法听起来谨慎，但并不支持全行业共同按下暂停键。Huang 一直认为，个别开发者应自行管理发布决策，而不是接受广泛的暂停。
Anthropic CEO Dario Amodei 持有不同立场。他曾讨论过，如果风险达到需要放缓开发的程度，公司和国家之间应采取协调行动。
分歧并不在于安全与不安全之间，而在于由谁决定系统何时足够安全、什么证据能支持这一判断，以及竞争对手是否应共同放缓。
公司层面的测试可以快速响应，并利用直接的技术知识。然而，商业压力也可能影响公司何时认定产品已准备就绪。
协调方案可以减轻这样一种担忧：一名谨慎的开发者会因更快的竞争对手而失去优势。然而，跨国家、公司、开放模型以及不同的不可接受风险定义进行协调，难度很大。
Nvidia 在这场辩论中处于独特位置。它向相互竞争的模型开发者和云服务商提供计算基础设施。
更快的模型开发能够增加对 Nvidia 系统的需求。更广泛的安全测试也可能消耗计算容量，因为评估需要让模型运行大量场景。
这意味着安全工作不一定会降低芯片需求。它可能会创造涉及评估、监控、网络安全、模拟和模型控制的新工作负载。
当安全担忧延迟产品发布或改变客户的投资计划时，冲突就会显现。Nvidia 的增长目标假设，这类中断不会导致基础设施支出出现协调性下滑。
Huang 的方法将安全主要视为一种工程流程。在这一观点下，开发者进行测试、识别失败、改进系统，并在他们认为剩余风险可接受时发布产品。
尚未解决的问题是验证。外部人士通常无法检查私有训练数据、内部评估、事件报告或发布讨论。
因此，在监管机构、独立研究人员或有记录的证据能够审查之前，开发者关于测试严谨的保证仍只是公司的说法。
AI 系统在发布后也会发生变化。开发者会更新模型、将其连接至工具，并将其置于能够采取行动的产品中。一项受控评估中的安全结果，未必能够预测所有实际部署情境。
智能体 AI 让这一挑战更加突出。该术语指的是能够规划并执行多步骤任务的系统，有时会通过使用软件或与其他服务通信来完成任务。
智能体可以创造比聊天机器人回答更高的经济价值。如果它采取未经授权的行动或误解自身目标，也可能造成更大的伤害。
因此，Huang 的“暂缓推出”标准只是起点。行业仍需要可衡量的门槛、事件披露、独立测试，以及部署后的明确责任。
Nvidia 的芯片销售预测提高了风险门槛，因为两倍的硬件可支持更多已部署的 AI 活动。容量的扩张既扩大了有用应用，也扩大了故障发生的范围。
Nvidia 并不控制运行在其系统上的每一个模型。尽管如此，由于它处于市场大部分参与者之下的基础设施层，其公开立场仍会影响政策辩论。
可信度的考验在于一致性。当公司不惜商业代价推迟产品、披露问题，并支持本组织之外的评估时，Huang 的安全论点就会更有说服力。
如果“良好工程”仍是一个未定义的说法，允许每个开发者批准自己的工作，那么这一论点就会削弱。在产能激进扩张期间，这一负担尤其沉重。
三个信号将检验 2027 年预测
出货量、客户利用率和有记录的安全决策，将显示 Huang 的预测描述的是持久需求，还是一个乐观上限。
第一个信号是 Nvidia 报告的产品爬坡情况和营收结构。投资者应将以销量为导向的表述，与实际的数据中心、网络、CPU 和图形业务结果进行比较。
这些类别的全面增长将支持 Nvidia 的芯片销售预测。若增长集中于单一产品，或受到产品过渡扭曲，则需要更谨慎地解读。
毛利率和库存也值得关注。强劲出货若伴随定价走弱或库存上升，其意义将不同于面向活跃部署实现的盈利销售。
第二个信号是客户安装后的利用率。云公司可以宣布庞大的硬件计划，但持续消耗量决定了它们是否会订购下一波设备。
应关注是否有证据表明，企业推理、智能体系统、科学计算、机器人和国家级项目正在使用这些容量。客户资本支出若未伴随相应的工作负载增长，将削弱 Huang 的需求论点。
定制芯片开发者的行动在此同样重要。如果超大规模云服务商将更多生产工作转向内部处理器，Nvidia 仍可增长，但其在扩张市场中占据的份额可能会更小。
反之，大规模后续部署 Nvidia 设备将表明，定制芯片仍是补充方案，而非广泛替代品。这将加强 Nvidia 在连续产品代际中的 2027 年芯片需求论据。
第三个信号是开发者是否真的推迟不安全产品的发布。尽管 Huang 没有定义通用门槛，他在苏格兰提出了明确的行为标准。
有记录的延迟、扩大独立评估，或透明的事件响应，将赋予这一标准实际意义。若反复发生事件却没有披露或时间表调整，则会削弱它。
政策决定可能影响全部三个信号。出口管制可能限制可进入的市场，而安全要求可能改变部署进度和评估成本。
能源和数据中心审批也能够决定已购买系统多快可以投入使用。硬件需求并不能消除 AI 安装周围的物理限制。
读者不应将这一预测视为一个单一的成败数字。Nvidia 尚未提供足够公开的销量细节来进行这种计算。
相反，这一预测应被视为一条链条来检验。客户必须下单，供应商必须构建系统，运营商必须安装系统，工作负载必须以经济的方式使用它们。
每一环都会影响下一环。内存、封装、电力、网络或融资方面的瓶颈，都可能阻止需求转化为已确认销售。
竞争增加了另一条分支。某个工作负载可能快速增长，同时转向定制加速器或区域供应商。
安全引入最终条件。更多计算容量必须支持用户、公司和政府仍愿意部署的产品。
这就是为什么它并非一项普通的看涨半导体预测。Huang 将非同寻常的扩张目标与可能要求克制的安全标准结合在一起。
只有当测试能够与部署同步扩展时，这两个立场才是兼容的。公司无法用昨天的流程来评估明天的规模。
工程团队将需要更完善地记录模型变更、评估结果、事件和发布决策。一个可搜索的知识库可以帮助团队在技术文档和评审中保存这些证据。
对于买家而言，当前任务是区分可用容量与有效容量。应询问哪些工作负载能够证明新基础设施合理、替代方案如何比较，以及何种利用率能够支持再次采购。
对于开发者而言，问题在于商业压力到来之前，发布关卡是否可衡量。“暂缓推出”只有在团队能够识别触发该决定的条件时才有意义。
对于 Nvidia 而言，未来几个季度必须将雄心与执行相连。公司需要的不仅是两倍芯片离开工厂；还需要客户安装、使用并再次订购这些芯片，同时不损害人们对这些芯片所支持系统的信心。
如果出货范围扩大、利用率保持高位，且开发者披露可信的安全决策，Nvidia 的芯片销售预测将显得更有力。在贵组织使用的产品和基础设施中，这三个信号中的哪一个会最先出现？
