英伟达GTC揭示算力悖论：成本骤降为何开支激增？

从GTC 2026看算力经济的颠覆性规律

在GTC 2026大会上，英伟达首席执行官黄仁勋正式发布了新一代Vera Rubin AI平台。该平台宣称在单位功耗下的推理性能较Blackwell架构实现了10倍提升，同时将单次推理的Token成本压缩至十分之一。更为引人注目的是，黄仁勋预测，Blackwell与Vera Rubin架构的合并订单总额将在2027年前突破1万亿美元大关。

性能飞跃：架构迭代如何重塑算力标杆

回顾英伟达AI GPU的发展轨迹，其算力增长曲线呈现出惊人的陡峭度。自2022年的H100到预计2026年量产的Vera Rubin，短短四年间，其FP8精度下的密集推理算力增长了8倍。根据官方技术规格：

• H100：提供约2.0 PetaFLOPS的FP8算力。
• B200：算力翻倍，达到4.0 PetaFLOPS。
• Vera Rubin：实现跨越式增长，跃升至16 PetaFLOPS。

然而，性能跃升的驱动力因代而异。例如，H200的升级主要源于内存带宽从3.35 TB/s提升至4.8 TB/s，从而带来了约45%的推理吞吐量增长，而其计算核心并未改变。真正的架构革命始于B200和Vera Rubin。后者采用台积电3nm先进制程，集成了包含3360亿个晶体管的双Chiplet设计，在FP4精度下推理算力高达50 PetaFLOPS。据行业媒体报道，首套Vera Rubin系统已在微软Azure云平台上投入运行。

需要明确的是，黄仁勋所强调的“10倍”提升，核心指向的是最终用户感知的“推理Token成本”，而非单纯的原始算力倍数。这一成本下降综合了Transformer引擎优化、FP4低精度计算、更大批量推理等系统级技术的贡献。若仅从标准化的FP8算力角度看，Vera Rubin相比Blackwell提升约4倍，相比H100则为8倍。这种持续且加速的性能迭代，不断重新定义着算力需求的基线。

杰文斯悖论：为何成本下降反而刺激开支暴涨？

一个反直觉的现象正在全球科技巨头中上演。以GPT-4级别的AI模型API调用成本为例，其价格在两年内从每百万Token约36美元骤降至不足2美元，降幅超过94%。按照朴素的经济学逻辑，单位成本如此大幅下降，企业的总支出理应减少。

但现实数据给出了截然相反的答案。根据亚马逊、Alphabet（谷歌母公司）、Meta和微软这四大云服务巨头的财报数据，它们合计的年度资本开支从2023年的1540亿美元飙升至2025年的4160亿美元，增幅高达170%。其中，谷歌的资本开支从320亿美元增至915亿美元，微软的增幅更为显著。

这一现象完美印证了经济学中的“杰文斯悖论”。该理论由19世纪英国经济学家威廉·杰文斯提出，他观察到，瓦特蒸汽机大幅提升了煤炭利用效率，但英国的煤炭总消耗量却不降反升。原因在于，效率提升使得蒸汽机的应用变得经济可行，从而刺激了更多行业和更大规模的使用，最终导致总需求膨胀，完全抵消了单位效率提升带来的节约效应。

当前AI领域正在重演历史。推理成本降至原来的零头，并未让企业收缩预算，反而催生了之前因成本过高而无法落地的海量应用场景。从智能客服、自动化代码生成与审查、大规模内容创作，到搜索引擎结果重排、实时广告竞价优化，每一个新场景都在吞噬着指数级增长的算力。需求的扩张速度远远超越了成本下降的速度。例如，DeepSeek R1在2025年初将输入Token价格压至每百万0.55美元，进一步加速了这一循环。成本曲线与开支曲线的背道而驰，正是同一枚硬币的两面。

万亿美元订单背后：算力“卖水人”的黄金时代

如果说杰文斯悖论定义了这场算力革命的需求规律，那么英伟达无疑是这一规律最直接的受益者。其数据中心业务年收入从2022财年（截至2022年1月）的106亿美元，暴增至2025财年（截至2025年1月）的1152亿美元。在短短三个财年内实现了近11倍的增长，这种增速在科技商业史上极为罕见。作为对比，苹果公司推出iPhone后，用了约六年时间才实现类似量级的收入规模扩张。

黄仁勋在GTC上的万亿订单预告并非空穴来风。在2025年的GTC上，他预测截至2026年的可见订单约为5000亿美元。仅仅一年后，这个预测数字便翻了一番，而时间窗口仅延长了一年。市场分析师对英伟达2026至2027财年的营收预测区间分别在1600-2200亿美元和2500-4000亿美元之间。黄仁勋本人则强调，万亿美元并非天花板，“计算需求将远超这个数字”。资本市场对此给予了积极回应，GTC演讲结束后，英伟达股价当日上涨4.3%。

每一代GPU的发布都让前代产品迅速过时，每一轮算力成本的降低都为下一轮更大规模的资本投入铺平道路。英伟达正稳稳地位于这个“越便宜，越花钱”的悖论循环中最具价值的战略节点上。