黄仁勋披露英伟达 GPU 系统定价阶梯：从 Hopper 的约 1.8 万美元到 Vera Rubin 的约 4 万美元

据，9 月 10 日，英伟达（NVIDIA）CEO 黄仁勋在 Goldman Sachs Communacopia + Technology Conference 2026 上给出了一套具体的 GPU 系统定价阶梯：Hopper 每套约 1.8 万美元、Blackwell 约 2.5 万美元、Vera Rubin 约 4 万美元；用 NVLink 全互联的集成系统，售价已达 850 万美元。他同时给出的另一个数字是：数据中心每 GW（吉瓦）产能，每年产生约 500 亿美元收入。

这些数字都出自黄仁勋在会上的自述。在同一场对话中，他重申了到 2030 年 AI 基础设施支出可达 3～4 万亿美元的判断，并称公司对约 70% 的营收同比增长抱有信心。

价格逐代上升：每代系统打包了更多「AI 工厂」

「Hopper 大约是每套 GPU 系统 1.8 万美元，Blackwell 涨到约 2.5 万美元，Vera Rubin 大约是 4 万美元。」黄仁勋给出的这条曲线跨越三代架构。他特意说明，这些名字属于架构，而非某一颗芯片，每一代覆盖的范围都在扩大。

价格逐代上升的原因，按他的解释，是英伟达在每一代系统里打包了更多「AI 工厂」的组成部分——从算法、软件到系统和 NVLink 互联，用协同设计去抵消摩尔定律放缓的影响，让每一代产品在 token（词元）生成上的效率比上一代高出数倍；英伟达在全球资本支出中占据的份额也随之扩大。

还有更贵的一档：黄仁勋把一套 NVLink 全互联的装置称为「一颗 GPU」，它重 2 吨、包含 200 万个零件，售价 850 万美元。作为对照，他提到早年消费级 GPU 的价格是 399 美元。

Blackwell 一代的 GB200 NVL72 就属于这个形态：按，它把多颗 Blackwell GPU 与 Grace CPU 通过 NVLink 集成在单个液冷机架里。这条阶梯的顶端是英伟达今年 3 月宣布的下一代平台 Vera Rubin：当时公司称 7 款新芯片已进入全面量产，合作伙伴的产品将从今年下半年开始供货（）。

1 GW 数据中心：设备约 600 亿美元，年折旧约 100 亿美元

黄仁勋给出的推算如下：一个 1 GW 数据中心的算力设备，售价约为 600 亿美元；按六年折旧，约合每年 100 亿美元。而按他的口径，这类设施每 GW 产能的年收入约为 500 亿美元。

这两个数字含义不同：600 亿美元是买家为系统支付的价格，500 亿美元是这些系统对外出租带来的年收入。他用一句话概括这套经济学：「这就是我们技术的产出效率。」

「成长价值股」与循环融资的追问

黄仁勋在台上给出的，是一套资产叙事：「英伟达算力终于变成了一台可以用作资产支持（asset-backed）的计算机。」他说，这类系统可以用作贷款担保，并将其称为全球唯一可以这样说的计算技术栈。支撑这一说法的是寿命：Volta 架构发布十年后仍然有人租，全世界的 Ampere 也都租了出去。

定价权也体现在财务数字里：据 Investing.com 的整理，英伟达过去 12 个月的营收为 3,030 亿美元，毛利率接近 75%。他把英伟达的定位概括成一句话：「我们是世界上第一家、也是唯一一家成长价值股（growth value stock）。」

主持人替持怀疑态度的投资者问了黄仁勋一个问题：英伟达为部分 AI 实验室和新型云（neocloud）公司提供担保或资金支持，帮助它们锁定土地、电力和机壳，近期还谈到 5,000 亿美元的平台承诺——这为什么不算「循环融资」？他否认了这个定性：「我们投入 1，收回 100。」他还说，希望这笔承诺中的大部分会是以资产为支持的。

瓶颈在供给：从封装、DRAM 到土地和电力

黄仁勋重申公司对约 70% 营收同比增长的信心，同时给出一个更大的需求数字：如果不考虑供给约束，需求增速超过 100%。他说，限制增长的就是供给。他援引当天早上看到的报告称，采用 72 机架配置的 Grace、Blackwell 与 NVLink 系统环比增长了 27%。

他把瓶颈分成两段。上游是封装、DRAM、LPDDR DRAM、连接器、稳压器和晶圆；下游是数据中心的土地、电力和机壳。按他的说法，上游可以靠全球最大供应链的规模和近三十年的供应商关系来管理，更棘手的是下游的土地与电力接入——英伟达正在追踪全球每一 GW 的土地、电力和机壳资源。

他援引了一组资本数据：过去六个月约 4,000 亿美元风险投资流向 AI 原生公司；他把这类公司定义为将三分之二募资花在算力上的企业，「现在已经不存在低资本支出的软件公司了」。他还提到英伟达当天上午宣布的澳大利亚项目：2027 年的 2 GW 数据中心容量承诺，对应约 800 亿美元基础设施投资。

网络安全与物理 AI：下一批用例与时间表

黄仁勋把网络安全列为下一批增长方向，并称它将是 AI 的下一个主要用例。他的推理很直接：能写好代码，就要能做好调试；红队（red teaming）持续找漏洞、蓝队（blue teaming）持续修补，这类工作会不间断运行，构成一个持续的市场。英伟达在这条线上与 CrowdStrike、Cisco、Palantir 合作，用 Nemotron 系列开源模型做红蓝对抗与平台构建；按他的说法，Cisco 将提供基于英伟达的整套 AI 工厂平台，Palantir 则建立在它之上。

物理 AI（physical AI）的节奏长短不一。他把自动驾驶列为第一个杀手级应用，并提到名为 Alpamayo 的突破——一辆「会推理、会思考的汽车」：面对没见过的场景，它可以像代理式（agentic）系统那样把场景拆解成自己能理解的部分来推理，因此所需的训练里程「其实相当少」，后训练（post-training）仍然必要。时间表是：自动驾驶未来 2～3 年会有「非常好的进展」；面向中型制造企业的操控系统（manipulation）大约还需 2 年；更广泛的物理 AI 应用可能需要 5 年以上。他点名了 Waymo、Tesla 以及英伟达与 Mercedes、Uber 的合作，并把与 Nokia 合作的 AI-RAN 和 6G 归入同一个方向。

2030 年判断的两个前提

黄仁勋的 2030 年判断没有变化：AI 基础设施支出可达 3～4 万亿美元。主持人提到，这个数字去年在投资圈引发了不少议论；他的回应是：「我觉得我们应该停一下，承认我当时说对了。」

他给出的前提有两个。其一，计算从检索转向生成：答案需要实时生成，无法再从存储里直接调取；其二，摩尔定律不再提供晶体管缩放的性能红利，提升要靠架构、协同设计和系统级优化，这意味着需要的芯片更多。再加上数百亿个智能体（agent）将迭代运行，他判断半导体行业只会越来越大。

黄仁勋说，公司每天要做的事就是「上班、谋生、拿到更多供给」；剩下的问题，就是供给能否跟上。