8月10日，英伟达宣布与Apollo、BlackRock、Blackstone、Brookfield、GoldmanSachs和KKR签署合作备忘录，计划建立多个独立的AI算力融资平台，长期动员超过5000亿美元第三方资本，用于建设英伟达生态内的AI基础设施。
老黄为此还写了一篇文章；
文章内容大意是：
AI已经进入生产应用阶段，AI工厂（即基于NVIDIA计算平台的数据中心）正成为一种可投资的基础设施资产。NVIDIA的AI工厂不仅仅是芯片，而是一个完整的平台，具有可复用、可重新部署、性能持续提升（通过CUDA软件优化）等特点，并能在长期内产生收益。文章举例说明了A100和H100等产品的经济寿命和租赁价格，证明了其资产价值。其中还包括：
非循环融资：资金来自独立机构，会独立评估每个项目的客户需求、利用率和现金流，确保真实需求驱动。
NVIDIA的角色：NVIDIA提供平台，并可能为部分项目提供有限（最高25%）的残值支持，但主要依赖独立承销。
市场吸收能力：AI的实用性广泛，涵盖前沿实验室、企业、云服务和国家，需求真实且持续增长。
投资回报：回报来源于AI创造的实际价值，形成“算力→更好AI→更多使用→更多收入→更多算力”的正向循环。
5000亿不是英伟达的钱，也不是确定订单
这套叙事逻辑回应了此前市场对“循环融资”的质疑。但也容易产生的误解，是把5000亿当成英伟达募资、借入资金，或已经落地的GPU订单。都不是。
按照官方表述，这只是合作备忘录。目标是随着时间推移，建立多个独立融资平台，为前沿AI实验室、企业、政府和AI云服务商提供资金。具体项目仍需独立承销，最终协议、各机构出资额、融资成本和投放时间均未披露。5000亿代表的是潜在资本供给能力，而不是确定需求，更不是英伟达的收入。
分工也很清楚：金融机构独立评估每一个项目——客户资质、需求强度、利用率、现金流和残值；英伟达提供AI工厂平台。某些情况下，英伟达可选择为单个项目提供最多25%的残值支持，且明确是“补充而非替代独立承销”。
这一点很关键。过去两年英伟达通过股权投资、采购合作等方式直接支持生态客户扩张，累计规模可观。这种模式放大了需求，也引发了“循环融资”质疑。新平台正是对这一模式的结构性转向：把评估和主要资金负担交给独立金融机构，英伟达更聚焦于提供可被资本市场定价的技术标准与有限残值支持。
从卖GPU，到替整个生态组织资本
目前AI基础设施融资大致经历了三个阶段。
第一阶段是客户自有资本开支。云巨头用经营现金流购买GPU、服务器和数据中心，信用风险低、订单确定性高，但能承担百亿美元级资本开支的客户毕竟有限。
第二阶段是GPU抵押融资和产业资本支持。AI云厂商以GPU、数据中心资产或长期客户合同为基础获得债务融资；英伟达则通过股权投资和其他支持帮助生态客户扩张。这种模式放大了需求，却也把循环融资的质疑推到台前。
第三阶段，就是本次提出的独立算力融资平台。保险资金、养老金、基础设施基金和私募信贷资本，可以对不同项目的客户合同、利用率、设备残值和现金流进行定价。企业也可以由一次性购买设备，转向融资租赁或按使用量支付，将资本开支转换成更容易承受的长期费用。
这意味着英伟达正在从单纯的GPU供应商，升级为三重角色：AI基础设施的技术标准制定者、客户需求的组织者，以及产业资本与金融资本之间的连接器。
它的优势也因此不再只是芯片性能。如果金融机构相信基于CUDA、NVLink和英伟达整机柜架构建设的AI工厂更容易出租、拥有更多潜在承租人，且二手市场流动性更高，那么采用英伟达方案的项目就可能获得更低融资成本。技术生态一旦被资本市场写进贷款价值比和利率，CUDA壁垒就从软件兼容性进一步延伸到了信用定价。
再谈谈为什么AI工厂能成为可投资资产
传统数据中心的价值主要来自机房和租约，单块GPU却不是理想的长期抵押物：技术迭代快、价格高、两三年后残值难以判断。英伟达想做的，是把单一芯片扩展为一座能够持续“生产token”的AI工厂。
老黄原文：
“英伟达A100就是极具代表性的例子。英伟达于2020年推出基于安培架构的A100；时隔六年，这款产品仍广泛商用，用于AI模型训练、微调、推理以及高性能计算场景。客户持续锁定算力资源开展多年期部署，推动A100的经济服役周期向十年迈进。
市场走势同样印证英伟达算力具备长期经济价值。H100一年期租赁单价，从2025年10月约1.70美元/卡时，上涨至2026年3月约2.35美元/卡时。跨云厂商按需算力中位价格，由2025年10月约2.00美元/卡时攀升至2026年6月的2.70美元/卡时。布莱克韦尔架构算力享有溢价，公开信息显示B200云服务单价区间大约在5.30–7.05美元/卡时。
老黄AI工厂逻辑很直接：模型训练和推理消耗算力，算力按使用量收费，持续产生的token对应持续收入；如果未来现金流可以被预测，就能够支持长期债务和资产证券化。融资对象也不再是一块GPU，而是一套由计算、内存、网络、机柜、软件和电力共同构成的生产系统。
不过，一座AI工厂能够成为基础设施资产，至少需要满足四个条件：
第一，算力确实能够产生稳定收入。训练订单、推理需求或长期包销合同必须足以覆盖电费、运维、利息和折旧。
第二，设备能够在不同客户和模型之间迁移。潜在承租人越多，单一客户违约后重新出租的概率越高，资产的金融价值也越高。
第三，架构足够标准化。GPU、HBM、NVLink、交换机、光互联、机柜和液冷系统如果可以模块化部署，项目的建设、验收和再融资才更容易复制。
第四，经济寿命必须长于市场担心的迭代周期。旧算力租价不崩反涨，是“残值站得住”最直观的证明。
背后的逻辑是CUDA和统一架构：软件升级让已安装的硬件“越用越好”，标准化架构让工厂在需求变化时可以被其他客户、其他云、其他运营商接手，从而形成更深的二手市场。换句话说，英伟达卖的不只是算力，而是一套“能被金融体系承销的资产标准”——谁持有算力资产，谁就留在CUDA生态里。这才是这桩融资平台最深的护城河含义。
风险
融资平台能否真正动员第三方资本
NVIDIA材料则强调通过全栈架构、更低单位token成本和更长有效寿命提高AI工厂的投资回报。在此基础上进一步推演，这套融资模式仍可能面临技术设备经济寿命、算力现金流与债务期限不匹配的风险。
折旧风险：会计折旧可以人为设定（很多云厂商按5-6年），但经济折旧由技术进步决定。如果新一代GPU大幅降低单位token成本，旧设备即使仍能运行，租金和残值也可能迅速下降。
利用率风险：AI工厂要覆盖电费、运维、利息和折旧，通常需要较高的持续利用率。训练需求有周期性，企业AI落地速度可能慢于预期，一旦出现阶段性供给过剩，或者模型公司削减训练规模，空置算力不会因为“长期AI有前景”就自动产生现金流。与传统数据中心不同，AI工厂的固定成本更高（电力、液冷、高端网络），对利用率更敏感。
价格风险：即使使用量继续增长，算力租赁价格也可能因新产能投放而下降。token总量增加，并不保证每台旧设备的收入增加。
客户集中与信用风险：前沿AI实验室和新兴云厂商的现金流通常弱于云巨头，部分项目可能依赖一两个长期包销客户。一旦合同重谈或客户违约，风险会沿着“承租人—项目公司—债权人—信用支持方”的链条快速传导。
跟踪
● 六家机构最终协议和真实承诺金额；
● 首批融资客户及项目名单；
● 贷款利率、期限和贷款价值比；
● 长期包销合同覆盖比例；
● 英伟达潜在25%支持的法律性质与实际触发条件；
● GPU利用率、算力租赁价格与二手残值；
● 机柜、网络和软件收入能否随融资规模同步增长；
● HBM、光模块、液冷、电源和上游材料能否按时交付。
融资容量代表资本愿意进入，不代表供应链可以无限扩张。只有能够把订单转化为收入、把收入转化为自由现金流的公司，才是真正的受益者。
结论
英伟达5000亿美元融资平台是AI算力开始从科技产品变成信用资产。英伟达也不再满足于卖芯片，而是试图定义AI工厂的技术标准、组织客户需求，并让全球资本为这套标准定价。
对英伟达而言，这是一次把风险扩散、跑道延长、护城河加固的操作。卖的不只是算力，而是一套可被金融体系承销的资产标准。风险转移了，没有消失；资产负债表解放了，也把部分上涨弹性让渡给了资本。
对于新云厂商（基于NVDA）里，按第三方融资紧迫度看，弹性最大的可能还是CRWV。
CRWV：必要性最高，Backlog巨大（2026Q1末已到约994亿美元），第三方融资决定其能否把backlog转化为产能，同时避免母公司债务继续失控。管理层多次提到的核心约束是如何把签约的电力和已采购的组件，快速变成可交付、可收费的在线产能。目前电力就绪的机房空间（Power Shell，已经通电、可以立刻装机柜的就绪空间）、劳动力（熟练技术工人短缺）、存储供应（8月5日锁了海力士在美Solidigm的长协）、执行速度有限。目前大量依赖数据中心合作伙伴的租赁+部分自建/改造，建设节奏直接决定交付速度。
NBIS：增量价值最高，项目融资可以减少未来股权稀释，但当前现金充足。
ORCL：融资规模最大，但自身融资渠道充足，新平台主要改善融资结构和资本成本。
精彩评论