Nvidia 与瑞典财团合作：AI 工厂重新定义经济格局
在瑞典，由 Ericsson、AstraZeneca、Saab 和 SEB 组成的联盟刚刚宣布与 Nvidia 合作，共同建设一个采用最新 Grace Blackwell GB 300 系统驱动的 AI 工厂。在欧洲，由 EuroHPC Joint Undertaking 支持的欧盟 AI 工厂计划正在构建一个网络，该网络至少包含 15 个 AI 优化超级计算中心和多个 AI Gigafactories，以支持涵盖医疗、气候和制造等多个行业的初创企业、中小企业和研究机构。在美国，Nvidia 宣布将首次在本土制造 AI 超级计算机，并将与 TSMC、Wistron、Amkor 和 SPIL 等合作伙伴携手，在未来四年内投资高达 5000 亿美元的 AI 基础设施。同样，在亚洲，公私部门正纷纷投资建设 AI 工厂，重点推动商业创新和培养 AI 人才。
AI 工厂的时代已经来临，它不仅带来了经济机遇和生产率的提升，同时也伴随着安全风险、能源挑战以及人与人之间实质性联系的逐渐稀薄。
为何企业需要 AI 工厂
各行业的企业都在将 AI 融入研发过程中。例如，在 Pfizer，AI 与超级计算在开发其 COVID-19 口服治疗药物 PAXLOVID 中发挥了关键作用。AI 加速了分子发现，将临床数据分析时间减少了 50%，并将生产周期缩短了 67%。BMW 正在与 Nvidia 及 Classiq 合作，探索量子与 AI 协同如何提升车辆工程与制造物流。同样，Goldman Sachs 利用大语言模型简化法律及合规运营，而 Dell 的企业客户则利用 agentic AI 在云端和边缘环境中部署数字工作员。Goldman Sachs 已将其 GS AI Assistant 推向超过 10,000 名员工——涵盖银行家、交易员与资产管理者。该系统设计之初便从简单任务自动化（如校对、代码翻译）逐步发展为具备 agentic 行为的工具，并被训练得如同资深 Goldman 员工一般，能够凭借适当的数据、合适的算法以及体现公司价值观和决策协议提供咨询。
伴随计算融入日常工作流程——包括文档起草、代码生成、统计建模乃至新产品设计——企业对计算力的需求呈爆炸性增长。McKinsey 报告指出，在未来三年内，92% 的公司计划加大对 AI 的投资。为跟上这一步伐，组织不仅需要更多 GPU，还需要整条能够高效、安全、规模化交付计算资源的供应链。
这正是 AI 工厂大显身手之处。与传统数据中心或芯片制造厂不同，AI 工厂融合了三个关键层面：芯片生产与封装、超级计算系统的组装以及数据中心级别的部署。例如，Dell Technologies 与 Nvidia 合作推出的 Dell AI Factory 2.0 就是一套端到端的企业平台，专为 agentic AI 打造，支持联合数据访问、语义搜索以及针对大规模数字化工作团队优化的反馈机制。
通过将这些功能集中部署，AI 工厂消除了设计、构建到部署之间的延迟，并为企业提供了对模型训练方式、数据存储位置及其基础设施在面对全球冲击时的韧性的更直接控制权。
AI 工厂的全新定义
Nvidia 现已推出一套完全整合的 AI 工厂平台，旨在加速 AI 基础设施的建设。该平台不仅包含硬件组件，同时还提供完整的软件及编排堆栈。TensorRT 生态系统支持高性能 AI 推理，而 Nvidia Dynamo 与 NIM 微服务则简化了部署及模型优化流程。Data Flywheel 能够基于真实世界反馈不断定制化，确保 AI 系统随时间不断提升性能。
Nvidia 的全栈平台使 AI 工厂得以像工业流水线那样高效运作，原材料包括基础模型、客户数据和工具包。这些输入经过高性能训练、微调和推理的加工，而持续的反馈机制则使系统能够实时适应和改进。
基于 Nvidia Blackwell Ultra 的 GB300 NVL72 解决方案在 AI 推理输出上较前代提高了 50 倍。Nvidia 的 DGX SuperPOD 将这一计算能力整合成一个即插即用的系统，而 DGX Cloud 则通过主要云服务提供商以虚拟方式交付相同的 AI 基础设施。两者均使企业能够在不牺牲性能的前提下实现快速扩展。
为了协调这些因素，Nvidia 的 Omniverse Blueprint 提供了一种方法，可以将整个工厂以数字双胞胎形式进行模拟，从而在虚拟环境中优化设计、布局和工作流程。
改变工作本质
与传统制造厂不同，AI 工厂并不承诺在生产线上大量提供岗位，而是预示着高技能、跨学科角色的转变，其中包括：1) 能在模拟环境中建模工业流程的数字双胞胎架构师；2) 负责监控与优化工厂性能的 AI 运维工程师；3) 负责编程与维护自动化系统的专家。
这些岗位数量虽少，但复杂性高、薪酬潜力大。从多个角度看，AI 工厂反映了从常规认知任务向高级认知技能转变的宏观趋势。这样的转变要求将计算机科学、统计学、制造业及流程管理等领域的专业知识进行整合，从整体上解决问题。
今年早些时候在 GTC 2025 上，Jensen Huang 发布了“Blue”机器人，该机器人能够通过对物理环境进行建模学习任务，这一突破正是建立在 AI 工厂现有基础设施之上。凭借大规模生产能力，AI 工厂不仅会为数字模型提供动力，还将制造出下一代用于物流、制造、医疗及家庭用途的实物机器人。
因此，AI 工厂在支持软件革命的同时，也推动了 AI 硬件的转型。
环保挑战
然而，这些益处并非没有代价。AI 工厂能耗极高，而且如果管理不善，其碳排放也会居高不下。以 Oracle 计划在德州 Abilene 的 Stargate 设施投资 400 亿美元采购 Nvidia 芯片为例，该设施预计将提供 1.2 吉瓦的计算能力，因此可持续性成为关键问题。
为缓解这一问题，Nvidia 及其合作伙伴正在实施尖端技术。液浸式和芯片直冷系统正被部署，以大幅减少热管理所消耗的能量。用于 GB200 NVL72 系统的 Nvidia Blackwell GPU 在推理时的能效比前代产品提升了最高 25 倍，从而提高了每瓦计算产出。
与此同时，一些 AI 工厂正与可再生能源设施共同部署，以降低对化石燃料的依赖。例如，瑞典正通过利用丰富的水电资源与绿色能源伙伴关系支持 AI 工厂；芬兰的 Microsoft 数据中心也强调低碳电力的采购。
可持续性现已成为设计要求，而非附注。未来，AI 工厂的价值不仅在于其提供的计算能力，更在于其是否能在能源效率与 AI 能力之间实现负责任的平衡。随着 AI 从云端向工厂生态系统迁移，那些在这一领域长期发展中领先的组织和国家将决定全球经济的格局。
