鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

万亿AI基建,英伟达和OpenAI在疯狂添柴

编程导航
编程导航
2025-10-09 12:30
阅读 194
编程导航
2025-10-09 12:30
阅读 194

10月9日消息,在人工智能(AI)基础设施领域,一场由巨额投资和采购承诺交织而成的“循环交易”浪潮,正日益引发外界的密切关注。以英伟达与OpenAI近期的千亿美元级合作为代表,一个日益复杂的商业网络似乎正在人为地支撑着整个AI行业的万亿估值。尽管技术潜力巨大,但像OpenAI这样的核心参与者仍远未实现盈利,这令部分分析师联想到了历史上的科技泡沫,并对当前这种高度关联的扩张模式提出了风险警告。

巨头联手,“循环交易”引发关注

两周前,英伟达同意向OpenAI投资高达1000亿美元,以支持这家领先的AI初创企业建设数据中心,其规模之大,足以满足一座大城市的用电需求。作为交换,OpenAI承诺在这些数据中心中部署数百万颗英伟达芯片。这一安排因其明显的“循环交易”属性而迅速引发争议。

本周,OpenAI并未因此放缓脚步,反而继续推进一项类似的合作。这家ChatGPT的开发商宣布与英伟达的竞争对手AMD达成合作协议,将采购价值数百亿美元的AMD芯片。根据协议,OpenAI还有望成为AMD的最大股东之一。

历史上,还从未有如此巨额的资金在如此短的时间内,涌入一项虽前景广阔、但盈利模式仍未得到验证的技术领域。而这些投资的流向,大多绕不开两家核心企业:英伟达与OpenAI。

近期由这两家公司主导的一系列交易与合作,不断加剧外界的担忧:一个日益错综复杂、彼此勾连的商业交易网络,正在人为支撑起这场估值万亿美元的AI热潮。其影响已渗透至经济的各个角落,从债务、股权到房地产与能源,AI基础设施的建设浪潮正全方位地搅动全球市场。

三年前点燃AI投资热潮的英伟达与OpenAI,如今正通过与该领域的云服务商、AI开发商及其他初创企业达成一系列大规模、甚至部分重叠的战略合作,持续为这场热潮注入动力。在此过程中,它们也被认为通过推高估值、将众多公司的命运紧密捆绑在一起,加剧了潜在AI泡沫的形成风险。

仅OpenAI一家,就与英伟达、AMD及甲骨文达成了AI算力合作协议,总投资规模很可能轻松突破1万亿美元。而与此同时,这家明星初创企业仍在巨额亏损中运营,预计要到2030年前后才可能实现现金流转正。

晨星公司分析师布莱恩·科莱洛(Brian Colello)在谈到英伟达对OpenAI的投资时表示:“若一年后人工智能泡沫破裂,这笔交易很可能成为早期信号之一。一旦形势恶化,这种循环交易关系可能就是症结所在。”

在整个人工智能热潮中,英伟达频繁的交易活动始终是业界关注的焦点。这家芯片巨头通过向数十家AI初创企业注资来提振市场,而这些企业大多依赖英伟达的GPU来开发和运行其模型。OpenAI虽然规模较小,但也参与了对初创企业的投资,其中部分企业正是在其AI模型基础上构建服务。随着科技公司进入更高成本的AI开发阶段,这两家公司主导的交易规模呈指数级增长,已到了不容忽视的地步。

就在英伟达与OpenAI宣布千亿美元投资协议的次日,OpenAI证实已与甲骨文达成一项规模达3000亿美元的独立交易,计划在美国建设数据中心。而甲骨文随后又斥资数十亿美元采购英伟达芯片用于这些设施,这一系列操作使得英伟达实际上成为了OpenAI最重要的支持者之一。

据《The Information》最新披露的一份报告,甲骨文的云业务利润率远低于分析师预期,这加剧了市场的担忧。报告援引内部文件称,最近一个季度甲骨文通过出租搭载英伟达芯片的服务器创收约9亿美元,但毛利率仅为14%。这一消息不仅导致甲骨文股价下挫,更引发了整个科技板块的连锁反应。

知情人士还透露,英伟达计划在马斯克旗下xAI的融资轮中出资20亿美元,这笔股权投资与英伟达的芯片供应直接挂钩。据悉,xAI此轮融资总额将达200亿美元,其中约75亿美元为股权融资,125亿美元为债务融资,交易通过特殊目的载体(SPV)构建。该SPV将用于采购英伟达处理器,而xAI则承诺租用这些芯片五年。

今年在华尔街表现亮眼的云服务商CoreWeave也呈现出类似的循环交易模式。英伟达通过持有其7%的股份支撑了该公司的IPO,随后又签署了价值63亿美元的云服务采购协议。值得注意的是,CoreWeave的主营业务正是出租英伟达芯片的算力。与此同时,OpenAI不仅在CoreWeave上市前获得其3.5亿美元股权投资,近期更将云服务合约金额提升至224亿美元。这一系列交易再次将OpenAI和英伟达更紧密地联系在一起。

“良性循环”还是“泡沫前兆”?

面对外界质疑,科技行业内部的高管们强调,这种非传统的商业模式是为应对AI服务需求激增的必然选择。AMD首席执行官苏姿丰(Lisa Su)将其与OpenAI的合作称为“良性的、积极的循环”,OpenAI总裁兼联合创始人格雷格·布罗克曼(Greg Brockman)则指出,满足ChatGPT等产品所需的巨大算力,必须依靠“全行业在AI供应链上的协同努力”。

但一些长期观察科技行业的分析师和学者,却在当前的热潮中看到了与当年互联网泡沫令人不安的相似之处。哈佛大学肯尼迪学院高级研究员保罗·卡瓦奥(Paulo Carvao)指出:“上世纪90年代末的循环交易多集中在初创公司间的广告和交叉销售,企业通过相互采购来虚增表面业绩。而如今的AI公司虽拥有实体产品和真实客户,但其支出速度仍远超盈利增长。”

针对业界质疑,英伟达官方在声明中强调“从未要求被投企业必须使用英伟达技术”。首席执行官黄仁勋在谈及与OpenAI的交易时也重申了这一立场:“我们不会强制要求对方将投资款用于采购英伟达技术,资金用途完全由他们自主决定。”

然而,当下顶级AI企业的“烧钱”速度已远超互联网泡沫时期的初创公司。OpenAI首席执行官山姆·奥特曼(Sam Altman)曾公开表示,为支撑尖端AI模型所需的基础设施,预计将投入“数万亿美元”。这对任何企业都是艰巨的挑战,对尚未实现盈利的初创公司更是如此。为实现这个宏伟目标,OpenAI计划通过风险投资、债务融资和与日俱增的战略合作来筹措资金,而众多企业正迫切希望与这家炙手可热的初创公司建立关联。

此前,OpenAI及其同行主要依赖与微软、亚马逊、谷歌等科技巨头的投资交易,这些巨头也通过向AI初创企业出售云服务获益。如今情况正在发生变化:OpenAI、xAI等AI开发商开始效仿科技巨头,通过发行债券筹集数百亿美元的基建资金。其中奥特曼与OpenAI的规划最为激进。

伯恩斯坦研究公司分析师斯泰西·拉斯贡(Stacy Rasgon)在一份投资备忘录中写道:“奥特曼手握影响全球经济走向的钥匙,既可能引发长达十年的经济衰退,也可能带领我们进入科技的乐土。目前尚难预料最终结局。”

在近期的OpenAI开发者大会上,奥特曼简要回应了财务状况:“实现可持续盈利是我们的必经之路,我们对此抱有充分信心和耐心。但现阶段,我们仍处于投资和增长阶段。”

相较之下,英伟达拥有维持当前繁荣周期的充足底气。作为先进AI芯片领域的主导者,其市值已达4.5万亿美元,登顶全球上市公司市值榜首。根据PitchBook的数据,英伟达在2024年参与了52笔AI领域风险投资,截至今年9月底已完成50笔交易。首席财务官科莱特·克雷斯(Colette Kress)明确表示,资金将投向“生态系统中最具战略价值的环节”。

除直接投资外,英伟达还通过承诺收购CoreWeave等合作伙伴的闲置算力来提供支持。CoreWeave首席执行官迈克尔·因特拉托(Michael Intrator)坦言,虽然理解市场对循环融资的担忧,但随着AI应用场景的持续拓展,这些质疑将逐渐消散。他强调:“当微软为满足Copilot用户需求而采购基础设施时,所谓循环融资的讨论已无关紧要,真正重要的是终端用户的真实需求。”(小小)

原文链接: 万亿AI基建,英伟达和OpenAI在疯狂添柴
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230