Physical CUDA英伟达如何把护城河从软件延伸到一座 AI Factory
当 AI 的竞争单位从一颗 GPU 升级成一座受 MW 约束的 AI Factory，NVIDIA 的护城河也开始从代码与软件生态，向网络、机架、电力、冷却、LPS 与资本延伸。
Production Function
为什么一家 GPU 公司开始研究土地、变电站和项目融资？
2026 年以来，NVIDIA 的动作越来越不像一家传统半导体公司。5 月底推出 DSX，把 AI Factory 的芯片、系统、软件、设施与伙伴技术放进统一 playbook；8 月又把资本、LPS 与场址开发一起纳入能力边界。
这些动作放在一起，核心问题就从“GPU 性能领先多少”变成：同样给出 1GW 电力约束，哪套架构能更快上线、少浪费更多 MW，并产生更多符合 SLA 的可售 Token？
竞争单位从 GPU 变成 AI Factory
一份 1GW utility power 并不会完整变成 1GW 有效 Compute。电力进入工厂之后，还要经过供配电、冷却、IT load、GPU、Scale-up / Scale-out 网络、Serving、调度与推理引擎，最终才成为 Billable Tokens。
每一个箭头都有浪费点。NVIDIA 的战略边界之所以持续向外扩张，本质上是在尝试把这些浪费点逐层纳入优化。
从 CUDA 到 Physical CUDA：护城河沿着“浪费点”向外扩张
| 层级 | NVIDIA 组件 | 主要解决的问题 | 经济变量 |
|---|---|---|---|
| 软件生态 | CUDA | 开发、工具链与模型迁移成本 | Software switching cost |
| 推理引擎 | TensorRT-LLM | 量化、Kernel、batching、KV Cache 等推理效率 | Tokens/GPU |
| 分布式推理 | Dynamo | Prefill / Decode、KV-aware routing、跨节点调度 | Fleet utilization |
| Scale-up / Scale-out | NVLink / Spectrum-X | GPU 等待和数据搬运损耗 | Useful Compute / Cluster |
| AI Factory | DSX | 芯片、系统、网络、设施、电力和运维协同 | Time-to-Production |
| 固定 MW | DSX MaxLPS | 回收静态供电设计留下的 stranded power | Tokens/MW |
| LPS / 场址 | SB Energy / Cloverleaf 等战略合作 | Time-to-Power 与可交付 MW | Available MW |
| 资本 | Guarantee / Financing Platforms | 项目资本可得性和资金价格 | WACC / MW |
传统 CUDA 的 switching cost 主要发生在代码与开发者生态；Physical CUDA 进一步把路径依赖推向机架尺寸、网络拓扑、液冷、电力分配、设施参考设计以及融资可得性。竞争者不是“不能进入”，而是进入后可能需要重新工程、验证并承担 Time-to-Market 成本。
MaxLPS：从“少浪费 GPU”走向“少浪费 MW”
DSX MaxLPS（Maximum Land Power Shell：在既定土地、电力与建筑壳层约束下，最大化算力与 Token 产出）是理解 Physical CUDA 的关键。它不创造新的物理电力，而是在固定 site power envelope 里，试图让更多电力真正流向有效 Compute。
传统数据中心往往按 MaxP，也就是设备峰值功率进行静态 sizing。真实 workload 并不会让所有 GPU 长时间同时处于峰值，这就形成 stranded power：电力容量已经申请、建设甚至付费，却因为静态安全余量无法转换成更多算力。
NVIDIA 2026 年 8 月 21 日技术说明称，在其 Vera Rubin / GB200 等自有验证口径下，MaxLPS 可在特定设计条件中实现最多约 40% 更多 GPU 容量，并给出约 1.3–1.5× performance-per-watt 改善。这里必须保持边界：这是 NVIDIA 厂商测试结果，取决于设施设计、workload profile 与早期 45°C 液冷规划，不能泛化成所有模型、所有 SLA 下固定提升。
它是在稀缺 MW 无法快速新增时，通过更高的 Compute/MW 制造一部分“虚拟 MW”。电表仍然是原来的 MW，但有效 Token throughput 可以提高。
真正的锁定不是“AMD 放不进去”，而是重做生产资料越来越贵
如果一座 AI Factory 已按 DSX、Rubin NVL72、NVLink、Spectrum-X、特定 rack density、液冷、电气分配与 MaxLPS 设计，未来并非技术上绝对不能换 AMD 或其他 ASIC。真正的问题变成：网络要改多少？液冷是否匹配？power profile 是否重做？Serving stack 是否迁移？设施 redundancy 是否重新验证？融资方是否需要重新 underwriting？
Physical CUDA ≈ Economic Switching Cost + Time-to-Market Cost
这使 CUDA 的路径依赖从 Code Path Dependency 延伸到 Infrastructure Path Dependency。只有当这种路径依赖能够真实降低 Token 成本、缩短上线时间或提高资本效率时，它才构成经济意义上的护城河。
最深的一层，可能是 Financing Compatibility
8 月 10 日，NVIDIA 宣布与 Apollo、BlackRock、Blackstone、Brookfield、Goldman Sachs、KKR 建立独立的 compute financing platforms，目标长期调动超过 5000 亿美元第三方资本，并明确把 NVIDIA compute 与 full-stack AI infrastructure 描述成可投资资产类别。
如果未来出现一条可重复路径——DSX-ready 架构更容易验证，NVIDIA capacity commitment / guarantee 降低项目不确定性，长期资本因此更愿意提供债务或权益资本——那么架构选择就可能进一步影响：
现阶段“普遍 WACC 优势”仍然是需要验证的推论，而不是已经证明的行业事实；但 NVIDIA 已经把资本市场明确纳入 AI Factory 战略边界。
AMD 与 Google：Physical CUDA 并不是没有对手
| 维度 | NVIDIA | AMD | |
|---|---|---|---|
| 基本路线 | 把全栈 reference architecture 输出给产业 | 用开放标准重建 rack-scale 替代栈 | 在自有模型、云与数据中心内纵向协同 |
| Compute | Vera Rubin / NVL72 | MI455X / Helios 72-GPU | TPU 8t / TPU 8i |
| Scale-up | NVLink | UALink / UALoE | ICI |
| Scale-out | Spectrum-X / InfiniBand | Ultra Ethernet / Pensando | Virgo Network |
| Software | CUDA / TensorRT-LLM / Dynamo / DSX | ROCm + open frameworks | JAX / XLA / Pathways + AI Hypercomputer |
| Facility / Power | DSX / MaxLPS，以 Token/MW 为公开目标 | Helios 把 rack power、liquid cooling、serviceability 纳入 open reference design | TPU 与数据中心、电力管理、液冷长期协同设计 |
AMD：用开放标准攻击“物理锁定”
AMD Helios 把 72 颗 MI455X、EPYC、Pensando networking 与 ROCm 组成统一 rack-scale 方案，并明确采用 OCP Open Rack Wide、UALink 与 Ultra Ethernet。AMD 的战略反击不是否定系统级整合，而是主张：系统级整合也可以建立在开放标准之上，从而降低 vendor lock-in。
Google：更像“内部版 Physical CUDA”
Google 同时控制 TPU、ICI、Virgo、JAX / Pathways、Axion host、液冷、电力管理和数据中心。2026 年 Google 披露，TPU 8t / 8i 相较 Ironwood 可实现最高约 2× performance-per-watt，并称其数据中心五年内每单位电力可提供约 6× 的计算能力。
NVIDIA 更像：Define the Factory。Google 先把纵向整合服务于 Gemini 与 Google Cloud；NVIDIA 的野心是把类似协同设计能力输出成整个产业可复制的 AI Factory 标准。
Physical CUDA 要成为真正的新护城河，还必须通过四个检验
最终评价链：从 MW 到 Token，再到 Revenue 与 ROIC
Physical CUDA 的价值不能用“NVIDIA 控制了多少层”来衡量。每多控制一层，只有在减少浪费、缩短上线时间或降低资本成本时才有意义。
NVIDIA Advantage ≈ Δ Tokens/MW + Δ Utilization + Δ Uptime + Δ Time-to-Production + Δ Financing Cost。最终只有当这些增益足以覆盖更高的系统资本成本，才会兑现为 Lower Cost/Token、Higher Revenue/MW 与 Higher ROIC。
NVIDIA 正在从 Token/MW 往前倒推，把每一个可能卡住 AI Factory 的变量纳入能力边界
过去理解 NVIDIA，投资人习惯从 CUDA 往下看：开发者越多、软件生态越强，GPU 越难替代。现在更值得做的，是从最终经济产出往前倒推。
NVIDIA 不需要拥有每一个环节。更高资本效率的策略可能是：不持有所有资产，却通过技术标准、reference architecture、战略股权、信用支持和生态伙伴影响这些资产未来如何被设计、融资和使用。
Physical CUDA 试图进一步影响“未来的 MW 按什么架构被建出来、如何被融资，并最终生产多少 Token”。
主要资料
EnyaClawd
把 NVIDIA 的软件生态、系统架构、电力效率、LPS 与资本工具放进同一条生产函数。Physical CUDA 是投资研究框架，不替代真实 benchmark；最终仍以 Tokens/MW @ SLA、Tokens/$TCO、Revenue/MW 与 ROIC 验证。