Nvidia 與瑞典財團合作：AI 工廠重新定義經濟

人工智能正在觸及企業活動的每一個角落，從自動駕駛車輛和機器人產業到藥物研發和金融領域。這使得計算基礎設施成爲任何經濟體和公司競爭力的核心，而這種競爭力正日益受到 AI 技術的塑造。各國也在競相制定計劃，建設 AI 基礎設施以支撐商業增長與創新。

在瑞典，由 Ericsson、AstraZeneca、Saab 和 SEB 組成的聯盟剛剛宣佈與 Nvidia 合作，共同建設一個採用最新 Grace Blackwell GB 300 系統驅動的 AI 工廠。在歐洲，由 EuroHPC Joint Undertaking 支持的歐盟 AI 工廠計劃正在構建一個網絡，該網絡至少包含 15 個 AI 優化超級計算中心和多個 AI Gigafactories，以支持涵蓋醫療、氣候和製造等多個行業的初創企業、中小企業和研究機構。在美國，Nvidia 宣佈將首次在本土製造 AI 超級計算機，並將與 TSMC、Wistron、Amkor 和 SPIL 等合作伙伴攜手，在未來四年內投資高達 5000 億美元的 AI 基礎設施。同樣，在亞洲，公私部門正紛紛投資建設 AI 工廠，重點推動商業創新和培養 AI 人才。

AI 工廠的時代已經來臨，它不僅帶來了經濟機遇和生產率的提升，同時也伴隨着安全風險、能源挑戰以及人與人之間實質性聯繫的逐漸稀薄。

爲何企業需要 AI 工廠

各行業的企業都在將 AI 融入研發過程中。例如，在 Pfizer，AI 與超級計算在開發其 COVID-19 口服治療藥物 PAXLOVID 中發揮了關鍵作用。AI 加速了分子發現，將臨牀數據分析時間減少了 50%，並將生產週期縮短了 67%。BMW 正在與 Nvidia 及 Classiq 合作，探索量子與 AI 協同如何提升車輛工程與製造物流。同樣，Goldman Sachs 利用大語言模型簡化法律及合規運營，而 Dell 的企業客戶則利用 agentic AI 在雲端和邊緣環境中部署數字工作員。Goldman Sachs 已將其 GS AI Assistant 推向超過 10,000 名員工——涵蓋銀行家、交易員與資產管理者。該系統設計之初便從簡單任務自動化（如校對、代碼翻譯）逐步發展爲具備 agentic 行爲的工具，並被訓練得如同資深 Goldman 員工一般，能夠憑藉適當的數據、合適的算法以及體現公司價值觀和決策協議提供諮詢。

伴隨計算融入日常工作流程——包括文檔起草、代碼生成、統計建模乃至新產品設計——企業對計算力的需求呈爆炸性增長。McKinsey 報告指出，在未來三年內，92% 的公司計劃加大對 AI 的投資。爲跟上這一步伐，組織不僅需要更多 GPU，還需要整條能夠高效、安全、規模化交付計算資源的供應鏈。

這正是 AI 工廠大顯身手之處。與傳統數據中心或芯片製造廠不同，AI 工廠融合了三個關鍵層面：芯片生產與封裝、超級計算系統的組裝以及數據中心級別的部署。例如，Dell Technologies 與 Nvidia 合作推出的 Dell AI Factory 2.0 就是一套端到端的企業平臺，專爲 agentic AI 打造，支持聯合數據訪問、語義搜索以及針對大規模數字化工作團隊優化的反饋機制。

通過將這些功能集中部署，AI 工廠消除了設計、構建到部署之間的延遲，併爲企業提供了對模型訓練方式、數據存儲位置及其基礎設施在面對全球衝擊時的韌性的更直接控制權。

AI 工廠的全新定義

Nvidia 現已推出一套完全整合的 AI 工廠平臺，旨在加速 AI 基礎設施的建設。該平臺不僅包含硬件組件，同時還提供完整的軟件及編排堆棧。TensorRT 生態系統支持高性能 AI 推理，而 Nvidia Dynamo 與 NIM 微服務則簡化了部署及模型優化流程。Data Flywheel 能夠基於真實世界反饋不斷定製化，確保 AI 系統隨時間不斷提升性能。

Nvidia 的全棧平臺使 AI 工廠得以像工業流水線那樣高效運作，原材料包括基礎模型、客戶數據和工具包。這些輸入經過高性能訓練、微調和推理的加工，而持續的反饋機制則使系統能夠實時適應和改進。

基於 Nvidia Blackwell Ultra 的 GB300 NVL72 解決方案在 AI 推理輸出上較前代提高了 50 倍。Nvidia 的 DGX SuperPOD 將這一計算能力整合成一個即插即用的系統，而 DGX Cloud 則通過主要雲服務提供商以虛擬方式交付相同的 AI 基礎設施。兩者均使企業能夠在不犧牲性能的前提下實現快速擴展。

爲了協調這些因素，Nvidia 的 Omniverse Blueprint 提供了一種方法，可以將整個工廠以數字雙胞胎形式進行模擬，從而在虛擬環境中優化設計、佈局和工作流程。

改變工作本質

與傳統制造廠不同，AI 工廠並不承諾在生產線上大量提供崗位，而是預示着高技能、跨學科角色的轉變，其中包括：1) 能在模擬環境中建模工業流程的數字雙胞胎架構師；2) 負責監控與優化工廠性能的 AI 運維工程師；3) 負責編程與維護自動化系統的專家。

這些崗位數量雖少，但複雜性高、薪酬潛力大。從多個角度看，AI 工廠反映了從常規認知任務向高級認知技能轉變的宏觀趨勢。這樣的轉變要求將計算機科學、統計學、製造業及流程管理等領域的專業知識進行整合，從整體上解決問題。

今年早些時候在 GTC 2025 上，Jensen Huang 發佈了“Blue”機器人，該機器人能夠通過對物理環境進行建模學習任務，這一突破正是建立在 AI 工廠現有基礎設施之上。憑藉大規模生產能力，AI 工廠不僅會爲數字模型提供動力，還將製造出下一代用於物流、製造、醫療及家庭用途的實物機器人。

因此，AI 工廠在支持軟件革命的同時，也推動了 AI 硬件的轉型。

環保挑戰

然而，這些益處並非沒有代價。AI 工廠能耗極高，而且如果管理不善，其碳排放也會居高不下。以 Oracle 計劃在德州 Abilene 的 Stargate 設施投資 400 億美元採購 Nvidia 芯片爲例，該設施預計將提供 1.2 吉瓦的計算能力，因此可持續性成爲關鍵問題。

爲緩解這一問題，Nvidia 及其合作伙伴正在實施尖端技術。液浸式和芯片直冷系統正被部署，以大幅減少熱管理所消耗的能量。用於 GB200 NVL72 系統的 Nvidia Blackwell GPU 在推理時的能效比前代產品提升了最高 25 倍，從而提高了每瓦計算產出。

與此同時，一些 AI 工廠正與可再生能源設施共同部署，以降低對化石燃料的依賴。例如，瑞典正通過利用豐富的水電資源與綠色能源夥伴關係支持 AI 工廠；芬蘭的 Microsoft 數據中心也強調低碳電力的採購。

可持續性現已成爲設計要求，而非附註。未來，AI 工廠的價值不僅在於其提供的計算能力，更在於其是否能在能源效率與 AI 能力之間實現負責任的平衡。隨着 AI 從雲端向工廠生態系統遷移，那些在這一領域長期發展中領先的組織和國家將決定全球經濟的格局。