一口气了解英伟达：联手6家机构，想把5000亿美元引向AI算力

30秒看懂

这家公司是谁： 英伟达1993年从电脑图形芯片起家，如今主要收入来自数据中心里的AI计算与网络系统。
最近的大新闻：2026年8月10日，英伟达宣布与Apollo、BlackRock、Blackstone、Brookfield、高盛和KKR分别签下谅解备忘录，计划长期动员超过5000亿美元第三方资本。
谁在背后出钱： 官方只明确说钱来自英伟达之外的长期资金。CNBC访谈提到机构贷款、保险资金和私募基金等渠道，具体由谁出钱仍未披露，6家机构会各自审核项目。
最容易看错的地方：5000亿美元只是目标，钱尚未到账，也不代表英伟达承诺出资或担保同等金额。最终协议、首批项目和统一时间表均未披露。
本文只回答一个问题： 一家卖芯片的公司，为什么要把算力改造成可以长期融资的基础设施？

下面这7个词会决定我们怎样读懂这次融资安排。先把口径摆在桌面上。

名词	一句话解释
GPU	原本擅长同时处理大量图形计算的芯片，后来也很适合训练和运行AI模型
CUDA	英伟达给开发者准备的一整套编程工具，让软件更容易调用它的GPU
AI算力	芯片、服务器、网络、软件和电力一起工作后，真正能提供的计算能力
谅解备忘录	合作意向已经写下来，但具体合同、金额和责任还要继续谈
第三方资本	由英伟达之外的贷款人、保险资金和基金等提供的钱，具体出资人尚未披露
残值支持	设备以后出售或转租时如果价值不够，由支持方按约定承担一部分风险；本次尚未披露怎么算、何时触发
利用率	设备实际运行并产生收费的时间比例，越低越难靠收入还债

据彭博社8月10日报道，英伟达正与6家大型资本机构筹建AI算力融资平台。英伟达官方同日宣布，这些相互独立的平台，目标是随着时间推移动员超过5000亿美元第三方资本。只看体量，这个目标约是英伟达2026财年全年收入的2.3倍；但它覆盖多个平台和多年，不能当成一年的订单。

先把最重要的误解拆掉。英伟达没有宣布收到5000亿美元，这些机构也没有共同成立一只已经募完钱的基金。现在能确认的是，英伟达与6家机构分别签下谅解备忘录；各家还要审核每个项目的客户、使用需求、收费能力和设备以后能卖多少钱，再决定是否出资以及怎样出资。

可一家公司如果只负责卖芯片，客户能不能借到钱，本来应该是客户自己的事。英伟达为什么开始替客户找长期资金？下面我们来从头介绍这家公司。

一、三个人把显卡公司救回来

1993年，黄仁勋、Chris Malachowsky和Curtis Priem创办了英伟达。3位创始人看到电脑正从文字和表格走向游戏与多媒体，判断三维图形会成为重要需求。这个方向后来很准，首款产品NV1却走了弯路。

NV1多媒体卡整合了图形和音频能力，路线复杂，和市场正在形成的标准也合不来。产品没有打开局面，公司现金越来越紧。英伟达随后停止旧路线，把资源转向更符合行业标准的RIVA 128，1997年靠它重新站稳。

这次失败留下了什么？ 最重要的教训是，芯片性能再强，也要兼容行业标准，还要有开发工具和内容支持，客户才会买。1999年推出GeForce 256时，公司开始用GPU这个名字强调图形计算由单独的处理器完成。

游戏业务给了英伟达早期收入，也促使它不断交付更强的新产品。玩家要更流畅的画面，游戏开发者要稳定的工具，电脑厂商要可量产的方案。这些需求逼着英伟达同时改进芯片设计、产品迭代、开发者支持和供应链配合。

黄仁勋从创立起担任CEO，主导公司战略；Malachowsky长期参与工程与核心技术，Priem曾任首任技术负责人。三个人都有芯片和图形技术背景，这至少解释了公司早期为什么能快速重做产品路线。能制造出来、有人愿意开发、客户愿意持续采购，三件事缺一项都走不远。

时间	关键动作	帮公司解决了什么
1993年	3位创始人创办英伟达	确定并行图形计算方向
1995年	推出NV1	首次产品受挫，暴露路线与标准脱节
1997年	推出RIVA 128	回到主流标准，重新获得客户
1999年	推出GeForce 256	把GPU做成独立产品类别
2006年	推出CUDA	让GPU从画图工具变成通用计算平台
2012年	AlexNet使用2块英伟达GPU训练	证明GPU能大幅加快深度学习训练
2020年	完成Mellanox收购	补强高速网络，让芯片、网络和软件组成的整套系统更完整

转折真正发生在2006年。英伟达决定给研究者和程序员一套工具，让他们不用先学图形渲染，也能调用GPU做科学计算。这个工具叫CUDA，它最初是一项面向开发者的长期平台投入，此后约20年逐渐成为英伟达AI平台的核心。

二、一套工具提高迁移成本

CUDA到底提供什么？ 它把程序调用GPU所需的工具、运行环境和常用功能提前准备好。开发者写图像处理、天气模拟或AI训练程序时，可以直接调用这些现成能力，不必从芯片最底层重新开始。

这像给一座工厂铺好电路、轨道和操作台。单看机器，别家的设备也可能很快；真正迁移时，企业往往还要适配程序、重新测试模型、培训工程师，并确认每个环节都稳定。这些工作会形成迁移成本，让客户更愿意继续使用熟悉的平台。

2012年，Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton用2块英伟达GPU训练AlexNet，在ImageNet图像识别比赛中明显领先。GPU没有因此一夜之间发明AI，但这次结果让研究者看见，大量并行计算可以显著缩短神经网络训练时间。英伟达多年投入的工具链，终于遇到了规模巨大的新用途。

接下来，公司持续补充软件库和开发文档，让更多AI开发工具兼容CUDA，并提供工程师支持。模型开发者用得越多，云服务商越愿意部署；可用的机器越多，开发者也越愿意留下。这套循环建立在软件兼容和工程经验上，比一张参数表更难复制。

CUDA的力量还来自版本延续。企业更换芯片平台时，还要确认原来的程序能否正确运行、计算结果是否一致、大量机器能否稳定分配任务，不能只看一项速度测试。竞争对手真正要替换的，是多年代码、人才和故障处理经验共同形成的工作环境。

护城河只在软件吗？ 不只在软件。AI模型越来越大以后，单颗GPU的速度不再决定整套系统的产出，大量芯片怎样交换数据、网络会不会堵、机架怎样散热，同样重要。英伟达2020年完成对高速网络设备公司Mellanox的收购，补强芯片之间高速传输数据的能力，产品从“芯片加软件”继续走向“整座AI工厂”。

Mellanox这笔约70亿美元的收购值得另写一篇：它怎样改变英伟达与云厂商的关系，不能用一句“补网络”带过。这笔收购带来的直接结果是，客户购买的已经不限于单块GPU，而是一套让大量GPU协同工作的系统。

这也把问题推到了下一层。英伟达没有单独披露CUDA收入，整体收入仍主要来自硬件和系统，那么这家公司现在到底从哪里赚钱？

三、它到底靠什么赚钱

英伟达采用无晶圆厂模式，自己设计芯片和系统，把制造交给台积电等伙伴。它向云厂商、服务器厂商、企业和渠道伙伴出售GPU、网络设备、整机与相关软件服务。传统模式下，最终用户先向云服务商支付云计算费，英伟达主要靠硬件和系统销售收钱，部分新合作也会分享云收入。

主业是什么？2026财年，英伟达全年收入约2159亿美元，其中数据中心业务约1937亿美元，占比接近90%。到了2027财年一季度，公司单季收入约816亿美元，数据中心约752亿美元。游戏、专业可视化和汽车仍有业务，但已经无法解释这家公司的主要增长。

这些数字也要有参照。英伟达2026财年净利润约1201亿美元。单看这个利润规模，很难把本次合作理解为公司缺钱自救；它主要是在替客户增加融资渠道。真正的问题是，全球AI数据中心需要同时购买芯片、网络、电力、土地和冷却设施，单个项目可能消耗数百亿美元，客户能拿出的现金和能借到的钱，未必跟得上建设速度。

硬件收入还有一个特点：英伟达通常在设备交给客户、客户可以自行使用时记下销售收入；建设项目的投资人却要靠客户未来多年付费，慢慢收回成本。两边时间不一致，订单越大，客户越需要外部资金接住前期支出。融资平台就是先补上这段时间差，让设备和机房先建起来，再用项目未来多年的收费慢慢还钱。

收入层	客户买到什么	英伟达怎样收钱
芯片与服务器	训练和运行模型的计算设备	销售GPU、安装GPU的计算板、整机和整套机架
网络	让大量GPU高速交换数据	销售交换机、网卡、连接芯片与服务器的设备和配套软件
软件与服务	部署、管理和优化模型的工具	收取软件订阅费、使用费和技术支持费，公司未单列完整软件收入
云端合作	通过伙伴按需租用英伟达算力	伙伴收取使用费，英伟达获得设备销售，并在部分新合作中分享收入
投资与融资支持	帮客户更快建成算力项目	可能取得股权、按约定价格买入客户股票的权利或收入分成，也可能在客户违约时承担一部分损失

一个项目怎样从需求变成采购？ 可以用一条常见路径来理解，但并非所有项目都按同样顺序走。开发者先用CUDA和模型框架做出应用，企业再向云端购买算力。云服务商为了接订单建设机房，向英伟达和系统伙伴采购设备，投资人可能依据使用合同和项目收费能力提供资金。

第一步	第二步	第三步	第四步	第五步
开发者使用CUDA	企业产生算力需求	云服务商签长期合同	资本为机房和设备提供资金	项目采购英伟达系统

这条链解释了英伟达为什么在意融资。云服务商如果筹不到建机房和买设备的钱，前面的使用需求再强，也不会立刻变成设备订单。它现在要做的，是让更多长期资金愿意跨过这一道门。

四、联手6家机构，把算力变成资产

5000亿美元是谁的钱？ 官方公告的准确说法是，Apollo、BlackRock、Blackstone、Brookfield、高盛和KKR将分别建立融资平台，目标是随着时间推移动员超过5000亿美元第三方资本。6家机构各自审核项目，官方没有公布最终出资人构成。CNBC访谈只提到机构贷款、保险资金、私募基金和其他长期资金渠道。

每个平台可能采用不同结构。有的项目把机房、电力设施和未来收费收入作为还款保障，有的依靠云客户的长期使用合同还债，有的把GPU和网络设备租给运营方。投资人会核对未来数年由谁付钱、设备能有多少时间在运行并收费、淘汰后还能卖多少钱。

英伟达在里面做什么？ 官方能确认的是，英伟达提供芯片、网络和软件，并与6家机构共同搭建融资框架。具体怎样筛选和介绍项目，公告没有交代。黄仁勋还说，英伟达可能为部分融资机会提供最高25%的残值支持，但每个项目都要单独决定。

这句话不能乘上5000亿美元，算出英伟达要承担1250亿美元。它没有说所有项目都有支持，也没有公布统一比例、期限和触发条件。公司另有一批伙伴设施租约担保。截至2026年4月26日，如果相关伙伴违约，英伟达最多可能承担约35亿美元；这与本次平台并非同一件事。

这种融资以前出现过吗？ 出现过。CoreWeave曾用GPU、客户合同和其他资产获得大额贷款；另一笔交易中，Valor管理的基金购买英伟达计算设备并租给xAI，Apollo管理的资金参与提供融资。更早的AI基础设施项目已经把单个项目放进单独成立的公司，再用长期客户合同和有限担保来借钱建设。

拿CoreWeave这类算力服务商来说，它的融资通常把客户合同、GPU等计算资产和部署进度绑在一起。若利用率高、客户按时付款，这条链可以继续扩张。客户削减用量或交付延期时，利息和设备折旧通常不会同步暂停，这正是出资方必须逐项目审核的原因。

此次公告没有发明新工具，而是把过去逐笔谈成的融资方式扩大成6家机构各自运营的平台，希望让更多管理长期资金的机构参与AI算力项目。这样做若能落地，客户建设速度会更快，英伟达也更容易把技术需求变成可执行的采购。

公告说了什么	现在能确认什么	还不能确认什么
6家机构参与	分别签了谅解备忘录	最终合同何时签
目标超过5000亿美元	资金来自第三方并逐步动员	已到位金额和各家份额
独立融资平台	各家自行审核项目	首批客户、期限和价格
可能有残值支持	部分项目会逐笔讨论	哪些项目适用、触发条件是什么

融资渠道增加以后，客户可能更快建成机房；但贷款最终仍要靠算力服务收入偿还。

五、光鲜背后：四盆冷水

先用一张表把风险看全。这里没有哪一条可以直接证明计划会失败，也没有哪一条能靠英伟达的历史业绩自动消失。与6家机构签署的谅解备忘录要变成长期资产，下面这些问题都得过。

风险	真问题	以后看什么
总目标尚未落实成合同	5000亿美元覆盖多年和多个平台，是否把已经存在的融资算进去仍未披露	最终协议、首批项目、实际到位资金
需求与融资相互缠绕	供应商投资客户，客户再购买供应商设备	终端客户收入、利用率、不依赖英伟达支持的客户收入占比
GPU换代快	债务期限可能长于设备最有竞争力的年份	公司给设备估的使用年限、二手价格、升级和转移成本
大客户集中，监管规则也会变	美国出口规定和中国安全审查都可能影响交付	客户构成、出口许可、安全审查、替代芯片部署

第一盆冷水，目标离到账还很远。 谅解备忘录表达合作方向，无法替代最终合同。6家机构会逐项目审核，机房项目如果缺电、没有长期客户合同，或者建设成本太高，就可能拿不到钱。发布时的总目标很大，真正重要的是首批项目有没有独立客户和可验证的收费收入。

第二盆冷水，需求可能和融资相互缠绕。 英伟达投资算力服务商，服务商同时大量采购英伟达设备，再用这些设备向少数大型客户提供服务，这种关系本身不等于虚假需求。问题在于，如果客户收入、供应商支持和项目借款同时依赖彼此，任何一环放慢都会把压力传回整条链。

第三盆冷水，GPU和机房的使用周期不同。 土地、电力和建筑可以使用很多年，GPU的竞争力却会随着新一代产品发布快速变化。愿意提供长期贷款的机构，除了看设备本身，还会看付费客户是否可靠、设备能否搬给其他客户使用、收费时间是否稳定，以及有没有额外担保。英伟达认为，CUDA的兼容性，以及设备可以换给其他客户、改做其他计算任务，能够保护残值；这仍需要更长时间的真实交易来证明。

按照黄仁勋的说法，旧GPU不会在新产品发布当天失去全部用途，A100至今仍用于训练、微调、推理和高性能计算。可“还能用”和“足以覆盖长期债务”属于不同问题，后者取决于租金、耗电、维护成本和旧设备买家。平台如果把设备寿命估得太乐观，损失只会在更晚的时候出现。

第四盆冷水，增长高度集中。 最近季度，数据中心收入占英伟达总收入约92%。收入占比最高的3个直接客户，分别贡献总收入的约21%、17%和16%。美国持续调整先进芯片出口规则，中国监管部门也曾就H20的安全问题约谈英伟达，两边的动作都会改变交付节奏。2025年4月，美国政府通知英伟达对华出口H20需要许可，公司随后在2026财年一季度记下了45亿美元相关成本，约占该季度441亿美元收入的10%。

竞争也在变化。Google的TPU和Microsoft的Maia都是自研AI芯片，AMD、Broadcom也在扩大相关业务；华为、摩尔线程等中国公司也在推出自己的AI芯片和配套开发工具。客户有动力采用自研或竞争芯片，既控制成本，也降低供应风险。

这四盆冷水把判断标准拉回地面。不要只看总目标，要看最终协议；不要只看设备出货，要看设备创造的终端收入；不要只看融资利率，要看旧设备三年后还能做什么。把这些问题看清，才能讨论英伟达到底做对了什么。

六、它到底做对了什么

第一件事，先做工具，再等需求长大。CUDA是一项长期平台投入，英伟达没有单列CUDA的收入或利润，却持续补充软件库和文档，让更多开发工具兼容CUDA，并向开发者提供技术支持。普通人可以把自己的经验整理成别人能重复使用的模板、步骤或小工具，让一次劳动变成长期复用的能力。

第二件事，沿着客户的阻力往前走。 当芯片不再是唯一瓶颈，英伟达补网络、整机和软件；当客户缺的是建设资金，它又去连接长期资本。做AI产品的团队也可以这样检查业务：用户没付钱，究竟是产品没用，还是部署、数据、权限、采购流程卡住了。答案不同，解决办法也完全不同。

第三件事，让每一层都能单独算账。 资本是否愿意进场，要看项目能不能说明客户是谁、合同多久、设备怎么用，以及项目失败时设备和债务怎样处理。中国公司做算力或企业AI时，也需要把技术指标翻成客户能核验的产出，把一次试点变成能复购的合同。

值得学的	该躲开的
用长期工具积累开发者和客户迁移成本	只靠一次硬件参数领先讲护城河
找到客户下一层真实阻力并补能力	把所有问题都归因于资金不够
用合同、利用率和产出证明项目	用总目标替代已签合同和到账资金
同时准备技术、供应链和融资方案	让供应商、客户和出资方只靠彼此支撑
提前准备备用供应商和迁移方案	只按当前的出口和监管规则做长期计划

对普通人来说，更现实的参与方式，是学习怎样把模型接进真实工作：整理数据、测试效果、把模型接入日常系统，并控制每次使用的成本。基础设施越大，越需要能把算力变成结果的人。

如果你在企业里使用AI，可以从一项每周都重复、结果可以检查的工作开始。记录原来花多久、引入模型后省了多少时间、错误由谁复核，再决定要不要扩大。这样的结果看起来没有5000亿美元惊人，却是所有算力项目最后必须找到的付费理由。

对中国AI团队来说，英伟达值得研究的不只是一块芯片。它把硬件、工具、网络、开发者和资本连成了同一条交付链，同时让每个环节都有商业理由。真正要建立的竞争力，是客户开始使用后能够稳定运行，团队也能持续赚钱。

几句真心话

5000亿美元很容易把人吓住，也很容易让人兴奋。今天能确认的，只有英伟达与6家机构分别签署的谅解备忘录，以及尚待落地的融资框架。最终协议和首批项目仍未披露，也还没有实际收费和还款记录。

我会盯3个具体信号：首批项目的客户是谁，哪些合同约定客户长期付费，设备以后贬值时英伟达具体承担哪一部分风险。只要这3件事模糊，再大的总目标也只能算蓝图。等这些内容写进最终协议，我们才知道，长期资金投向的是能稳定收费的新基础设施，还是一批需要不断补钱、价格又快速下降的设备。

如果你正在做AI产品，不必因为巨额资本进场就觉得自己没有位置。资本解决的是机房和设备先建起来，真正让项目活下去的仍是有人持续付费使用。把一个具体工作做快、做准、做稳定，就是普通团队最能抓住的那一段价值。

英伟达已经从卖芯片走到卖整套系统，现在又在尝试为这些系统搭建融资渠道。留下的真问题是：当AI投入不再只追求规模，客户创造的收入能不能接住这些长期资金？我会一直盯着。

参考资料

以上仅为个人学习笔记与公开信息整理，不构成任何投资建议。投资有风险，决策请独立。

AI重度使用者｜每天拆一家前沿公司｜imluna.ai免费订阅｜Learn in Public