绘制 Jensen 的世界：预测云、企业和机器人中的 AI

快速阅读: 《硅角度》消息，英伟达CEO黄仁勋在GTC大会提出三大AI机会向量：云中AI、企业本地AI及现实世界AI。文章分析了AI市场动态，强调了云和本地部署AI的发展趋势，预测AI支出将持续增长，颠覆传统计算架构。同时探讨了公共政策、本地供应商及专用与通用机器人市场的挑战与机遇。

我们正处于计算架构根本性转型的过程中。我们正从一个创造、存储、检索、整合并呈现数据的世界，转向一个利用知识并通过代币作为新价值单位来创造内容的世界。这个世界越来越多地在有人类干预或无人工干预的情况下实时采取行动，推动效用的前所未有的增长。这意味着计算栈的每一个部分——硅芯片、基础设施、安全、中间件、开发工具、应用程序甚至服务都在发生变化。

与其他计算浪潮类似，消费者采用率将引领我们走上创新曲线，其中价值清晰、规模庞大且速度加快，这将转化为成本降低，并最终被企业应用所采用和颠覆。重要的是，在今天的数据中心基础设施上进行这项工作将比现在贵十倍，到本世纪末可能达到一百倍。因此，几乎所有东西都将转移到这种新的计算模式。

在这次《Breaking Analysis》中，我们将量化英伟达首席执行官黄仁勋（照片所示）在今年GTC大会上提出的三个AI机会向量：1）云中的AI；2）企业中的AI——即本地部署；3）现实世界中的AI。我们将介绍由theCUBE研究的David Floyer开发的一种新的预测方法，以更好地理解和预测颠覆性市场如何演变。

市场不确定性软化了IT支出预期
IT决策者将年度支出展望下调至3.4%，低于5.3%和2024年的水平
市场仍面临压力，关税问题持续存在以及关键指数连续下跌加剧了这种压力——尤其是科技股密集的纳斯达克。股票经历了自2020年3月以来最糟糕的一周。在这种背景下，企业技术研究季度对IT决策者的最新调查数据显示，过去一年的支出预期发生了显著变化，如下所示。

疫情结束后，“新冠疫情支出热潮”推动了IT预算增长超过7%。随着美联储收紧货币政策，这一数字跌至3%以下。2024年，整体IT支出增长稳定在3.9%左右，到2025年1月，受访者表示上升至5.3%——高于前一次10月份调查中的4.8%。然而，4月份的情绪调查显示了一个令人担忧的回落，从乐观水平下降到了3.4%。

尽管ETR尚未最终确定这些数字，但向下修正值得注意。不仅3.4%低于年初的预测，也低于去年的基数。这一转变凸显了当前宏观经济环境中的不确定性增加，并揭示了企业技术买家信心的明显下降。

AI支出仍然是优先事项
大多数ITDM坚持AI支出模式
ETR最新的深入数据分析表明，围绕AI的公共政策压力——从关税到隐私再到监管——尚未显著削弱AI支出计划。在大约500名受访者样本中，不到一半的人报告说维持甚至加速他们的AI计划，主要是为了保持竞争优势。同时，相当数量的中间派计划以稳定的速度推进，密切关注发展而不做出重大调整。值得注意的是，不到10%的人因政策相关担忧而放慢步伐（见下文）。

虽然其他地方的数据中显现出更广泛的宏观经济逆风，但这个特定的快照表明，企业AI势头仍然基本保持不变。不过，仍然存在一定程度的谨慎。一些组织似乎正在应对AI潜在破坏的巨大影响，希望监管不确定性能够解决——或者可能逐渐消失。尽管近期市场波动，这些调查结果强调了继续探索和实施AI计划的动力，表明该技术的破坏性承诺超过了即时政策关注。

回顾2024-2035数据中心超级周期
在本届GTC大会的主题演讲中，黄仁勋列出了三个主要的AI机会，包括：1）公共云中的AI；2）企业中的AI——即本地部署；3）现实世界中的AI——即物理机器人。今天我们的目标是将下面显示的数据中心预测分解为黄仁勋的前两个机会。我们将通过应用一种新的预测方法来探讨我们如何看待现实世界中的AI如何演变。

超大规模提供商已成为关键推动者，提供了巨大的计算能力和具备专业知识的团队，可以建立大型AI“工厂”。云计算领域目前主导着AI基础设施建设，特别是考虑到像OpenAI、Meta平台、苹果、字节跳动和TikTok等面向消费者的业务的成功和加速。具体来说，消费者的投资回报是明确的，花在消费者应用上的资金正在带来回报。

第二个向量——企业中的AI——涵盖了本地或私有数据中心的部署。尽管本地堆栈经常遇到数据引力和不完整的AI专用基础设施带来的摩擦，但组织越来越多地寻求将AI带到其数据而不是将数据移出站点。

包括戴尔和惠普（HPE）在内的多家主要原始设备制造商已经推出了针对企业数据中心的“AI工厂”解决方案。然而，许多这些解决方案仍然高度依赖于硬件。软件组件、AI优化的工作流和专业人才的新兴生态系统仍在形成中，表明在企业AI成熟之前还需要进一步构建。

黄仁勋强调的第三个领域是AI在“现实世界”中的作用，即物理机器人。从单一任务、基于任务的机器到多功能人形机器人，潜力巨大。像Nvidia Isaac这样的平台——最近通过Blue人形机器人展示——预示着一个未来，AI将超越虚拟交互，进入工厂、仓库，最终进入日常环境。这一第三领域的机遇未包含在我们这里显示的数据中心预测中。

为了突出这些转变的规模，我们的更新预测显示加速计算或我们所说的极端并行处理（EPP）将大幅增长。我们的分析显示，全球数据中心支出在未来11年内将以16%的复合年增长率增长，到2030年代初达到一万亿。在这一总额中，EPP或加速计算预计将以23%的复合年增长率增长，推动市场从约430亿美元跃升至2024年的约1800亿美元。这就是超级周期的真正开始。相比之下，传统计算主要由x86为中心的基础设施主导，继续缓慢下降——反映了对图形处理单元和AI优化架构日益增长的关注。实际上，这种转变意味着到2035年，整体IT支出可能会比2024年高出十倍，其中大部分支出将用于先进的AI数据中心。尽管组织可能对改造核心应用程序和重写遗留代码持谨慎态度，但支出的轨迹表明明确的转型方向。随着时间推移，创新和预算分配的重心将果断地从传统系统转向AI驱动的基础设施和工作流程。我们的研究表明，加速计算在2020年占总数据中心支出的比例不到10%，到2030年将达到85%。虽然这一快速增长的很大一部分是由公共云超大规模提供商推动的，但本地企业部署也开始成形。下一步是分解直接与私有数据中心相关的支出部分。

引入一种新的方法来预测颠覆性市场
应用“量、值、速”来预测AI机会
为了有效地预测这些变化，需要一种超越经典怀特定律的预测方法。怀特定律指出，随着累计产量翻倍，成本会以可预测的方式下降，但当前市场动态需要额外的维度。我们的方法结合了“量、值、速”（3Vs）来捕捉像AI这样的颠覆性技术如何能够更快、更深入地被采用：

量：规模扩大降低成本，符合怀特定律。
值：更高的感知收益（例如，提高生产力、降低能耗）提升需求，吸引更多研发投资并进一步降低成本。
速：部署的便利性和频繁使用加速设计周期、采用和网络效应，加剧新技术取代旧系统的速度下降，并加快新旧系统替换的步伐。如果遗留环境、法规或复杂的集成要求减缓部署，速也可能产生拖累效应。

AI在消费领域（今天）和企业领域（最终）都提供了前所未有的价值，为组织加速采用周期创造了强大动力。尽管本地堆栈必须应对数据引力、软件依赖和技能差距，但整体趋势表明稳步向AI优化的基础设施转变。我们的分析显示，x86为中心的数据中心在未来一段时间内仍将继续存在，但极端并行处理背后的势头预计将在未来几年重塑支出模式和生态系统投资。

云主导早期AI采用——本地AI建设缓慢

我们更详细的预测显示，仅隔离总数据中心支出中的AI部分，将市场分为公共云环境和私有本地部署。由于超大规模提供商拥有先进的工具、专业技能，以及强大的消费者驱动用例能迅速带来投资回报，云目前占据主导地位。Meta、Google、字节跳动和苹果等平台正在合理化大量资本支出用于人工智能，这占据了近期增长的主要部分。我们还在下图深蓝色条中包括了Grok（xAI）和所谓的新云（例如Coreweave）等平台。

上图中显示的本地企业基础设施显示出更加渐进的增长曲线，在2026年左右达到陡峭的采用曲线，并在2029年加速。这种相对延迟反映了多个因素，包括缺乏完全成熟的解决方案堆栈、内部AI专家数量较少以及现代化遗留数据和应用程序的复杂性增加。

尽管某些大型机构——特别是在金融服务领域——可以大量投资于液冷数据中心改造、引进专用硬件、构建自己的软件堆栈并管理整体AI堆栈复杂性，许多组织必须等待解决数据引力、治理和现有事务系统等问题的集成解决方案。

注意：我们在本地组件的预测中包括了Equinix等托管设施。

我们的分析预测，到大约2032年，AI数据中心的机会将达到万亿美元，其中约20%的支出发生在私人企业环境中。Jensen在GTC上感谢观众采用新的架构，如解耦NVLink、液冷和接近120千瓦的高功率机架。虽然他没有具体这样说，但这正在超大规模市场中发生。

相比之下，大多数企业仍然依赖于风冷设施和针对通用计算优化的堆栈。尽管起步较慢，但本地AI的势头预计会随着数据协调、实时进程和“代理AI”系统的成熟而加快步伐。这种演变需要更广泛的访问遗留元数据、事务平台和更高级的软件层——这些因素表明传统数据中心将经历一个显著但较长的过渡路径。

AI应用于机器人：单一用途与人形机器人

我们认为机器人是AI最具吸引力的前沿之一，对封闭和开放环境都有广泛影响。工厂、运输车队和专门国防应用中发现的单一用途机器人展示了显著的短期价值，因为它们自动化定义明确的任务并提供可预测的投资回报。封闭系统部署表现出高速度，因为组织可以从头开始设计工作流和设施以实现最大自动化。这种方法降低了成本，减少了错误并提高了适应性，使新进入者通过建立AI原生运营来捕获市场份额，其每位员工的收入规模是少数传统公司能够匹配的。

AI应用于机器人：单一用途与人形机器人

我们认为工厂中的单一用途机器人与模仿人类并执行多种任务的机器人之间存在明显的区别。Jensen在舞台上展示了一个人形机器人，赢得了观众的喝彩，但我们认为单一用途自动化在短期内有明确机会，而模仿人类的道路要长得多。

AI应用于机器人：单一用途与人形机器人

在我们看来，开放式人形机器人面临更复杂的采用曲线。物理现实引入了广泛的边缘情况，包括人类、其他机器人和环境本身的不可预见交互。这些因素将抑制人形机器人的部署速度，我们认为广泛的采用可能需要更长时间才能展开。尽管如此，长期潜力依然巨大。

贸易政策也发挥着作用，因为关税可以通过减少自动化激励和给竞争对手时间缩小技术差距来减缓全球采用。然而，成为低成本出口人工智能驱动商品的领导者的机遇仍然是一个有影响力的力量。如果公司或整个地区加速投资于机器人，他们可能会复制英国在世界工业革命期间作为低成本供应商的转型。

美国可以在全球范围内复制这种动态。但关税引入了这种愿景的不和谐因素，并且是向后看的。相反，我们希望在适当的地方进行自动化投资，使美国成为全球低成本生产商，并让其他国家躲在关税壁垒之后。

在未来《Breaking Analysis》的剧集中，我们将应用3Vs方法并更详细地预测这些市场的前景。

来自GTC的一些亮点
一位华尔街分析师将去年的GTC称为“人工智能的伍德斯托克音乐节”。我们的约翰·弗里尔在本届GTC临近之际称其为“人工智能的超级碗”，黄仁勋也使用了这个说法。这非常贴切，延续了去年的重要转折点，并突出了计算架构每年都在经历大规模变革，就像超级碗一样。在这里，我们总结了GTC 2025的一些重要亮点。

一个主要焦点是从集成、单一设计转向更分散、分布式的系统。这些高密度、液冷式机架可以容纳数十万个组件，并在一个机架内提供百亿亿次级性能——远远超过传统数据中心的占地面积。硬件创新与复杂软件层的结合正在催生一种全新的系统范式，而不仅仅是新一代GPU。

第二个引人注目的公告是Dynamo的发布，它被描述为AI工厂的操作系统。这一新层通过管理多个机架和GPU池的资源分配来大规模协调推理。其设计旨在优化工作负载以实现最低延迟和最大吞吐量，为下一代分布式AI环境奠定基础。随着时间推移，推理预计将占AI支出的最大比例，因此一个强大的操作系统对于整合高级加速器、数据管道以及x86和Arm处理器至关重要。

这些发展强化了我们所看到的“Wintel替代策略”，其中英伟达似乎处于捕获整个堆栈的位置——就像英特尔和微软对PC所做的那样。英伟达正在以一种利用消费者驱动的人工智能高需求的方式结合硬件和软件，同时也在为企业采用做准备。历史上，数量优势推动了x86和Windows进入市场主导地位。今天的AI革命同样受益于搜索、社交媒体和精准广告等领域的大规模消费者部署，这些领域带来了突破性进展和规模经济，最终迁移到企业数据中心。

然而，在边缘端，英伟达的AI主导地位并非板上钉钉。在边缘端，采用模式则不太确定。超低功耗芯片（如基于RISC-V或替代的最小足迹Arm设计）可能会占据小型数据集、嵌入式应用和成本效率至关重要的领域。尽管英伟达继续扩展其在边缘计算中的影响力，但边缘设备的硬件和能源需求与约束条件与高密度AI数据中心有很大不同。因此，在需要成千上万乃至数百万个嵌入式、功耗受限设备的应用场景中，多种架构可能共存。

总体而言，GTC的核心信息是，加速计算已经超越了专用GPU的范畴，进入了一个全新的模型，其中先进的结构、下一代操作系统和大量的消费者需求汇聚在一起，推动AI渗透到技术的每一层——从超大规模云和企业数据中心到分布式环境的最远边缘。

AI观察派对
以下是我们将根据预测和预测监控的几个领域。公共政策仍然是一个关键因素，特别是在持续的关税、宏观经济变化以及围绕AI的监管对话加剧的情况下。关键问题是，加速的AI价值是否会继续掩盖大规模云计算的成本，或者本地供应商——主要是戴尔科技公司、惠普企业公司、IBM公司、联想集团有限公司，以及在一定程度上甲骨文公司，以及其他生态系统中的公司如Pure Storage公司、Vast Data公司、WekaIO公司、Data Direct Networks公司等——能否足够迅速地提供解决数据引力和混合状态合规要求的AI优化解决方案。

许多受监管行业的企业工作负载，如金融服务、医疗保健和制造业，从未完全过渡到公有云，这为本地供应商提供了构建专门的高性能AI堆栈的机会。我们认为，大约18到24个月的时间窗口似乎是本地供应商能够证明他们可以大规模部署即插即用AI基础设施的关键时期。

一个关键问题是，如果公有云产品继续以更快的速度创新、吸引更多的用户并建立生态系统速度，过去迁移趋势是否会重复？本地供应商有机会避免云计算简单地“覆盖”企业工作负载的情况。托管和主权模型也起到了作用，将混合云方法定位为纯超大规模云的替代方案——但要吸引初创企业和为混合/本地环境构建完整的、有观点的AI解决方案还有很多工作要做。

正如所指出的，未来我们将量化专用机器人与通用机器人市场的对比，并进一步测试体积、价值和速度（3Vs）的预测方法。早期研究结果表明，消费者驱动的AI使用仍然是催化剂，推动对超大规模平台的投资，这些平台可能会延伸到私有数据中心。整体趋势指向现代历史上影响最为深远的采用曲线，由生成式AI突破所推动，使组织比大多数业内资深人士预期的更早达到S曲线的陡峭部分。

(以上内容均由Ai生成)