黄仁勋砸千亿兆瓦算力，押注下一个“Open AI”

一个还没拿出惊艳产品的初创公司，竟然接到了英伟达送来的 “泼天算力”？

这一次，英伟达把投资触角伸向了这家还名不见经传的“新 AI 实验室”。

3 月 10 日，前 OpenAI 高管 Mira Murati 宣布，她创办的Thinking Machines Lab，与 NVIDIA 达成一项长期战略合作。

按照协议，英伟达将为 Thinking Machines Lab 提供至少1 吉瓦的下一代 NVIDIA Vera Rubin 系统，用于前沿模型训练和平台建设，支持其大规模交付可定制的 AI 解决方案；而 Thinking Machines Lab 则将围绕 NVIDIA 架构设计训练和服务系统，并扩大企业、研究机构和科学界对前沿人工智能及开放模型的访问。这套系统预计将于明年初正式部署。

简单来说，英伟达提供的是下一代算力底座，而 Thinking Machines Lab 则在这套底座上打磨训练体系、推理系统和模型能力。这不是一笔普通的算力采购，而是资本、芯片和技术路线的一次深度绑定。

更值得关注的，是这笔合作的规模。

1 吉瓦是什么概念？1 吉瓦等于 1000 兆瓦。

根据全球最权威的能源政策与数据机构之一 IEA 显示，普通数据中心通常只有 5 到 10 兆瓦，大型 hyperscale 数据中心通常在 100 兆瓦以上。而 Thinking Machines Lab 这次拿到的是接近 10 个 100 兆瓦级大型数据中心的总量级。

有业内人士测算，这个规模足以覆盖约75 万个美国家庭的用电规模，而整体投入成本甚至可能高达500 亿美元。

放在今天的 AI 竞赛里，这已经不是普通创业公司的配置。真正接近这一门槛的，往往只有最顶级的 AI 实验室。

2025 年 9 月，OpenAI 与英伟达公布的战略合作，共同部署10 吉瓦AI 基础设施，以支撑下一代 AGI 的开发，这是史上空前的算力投资规模，而 Thinking Machines Lab 拿下的量级，已是它的十分之一。横向来看，马斯克在 2025 年末为 xAI 买下第三栋大楼，目标将训练能力推至近2 吉瓦；Meta 在得州推进的新数据中心，拓展目标也在1 吉瓦级。

可以说，在算力储备上，这家创业公司已经和巨头站在同一量级。

据美国媒体 Axios 推测，如此庞大的算力，不可能只用来做小模型、垂直应用或轻量化工具。它更对应持续的基础模型训练、多模态系统开发、推理平台搭建，以及面向企业和科研机构的大规模服务能力。

而在 Mira Murati 的推特上，也能找到一些“蛛丝马迹”，她点出一个关键词“协作式人工智能”。

所谓“协作式 AI”，就是强调与人共同完成任务、能按个人或机构需求灵活适配的多模态系统。

作为 Open AI 人才流向中最显眼、最集中的新去处之一，Thinking Machines Lab 从诞生起就自带光环。

这家公司成立于 2025 年 2 月，据路透社报道，刚亮相时团队约 30 人，其中至少 20 人来自 OpenAI。成立仅 5 个月，它就拿下20 亿美元种子轮融资，成为硅谷史上最大种子轮之一，投资方名单包括 a16z、英伟达、AMD、思科等巨头。黄仁勋更是直接称其为 “世界一流的团队”。

此次与英伟达的合作，已是英伟达在种子轮之后，再度加码投资 + 绑定算力。这无疑释放了几个信号：

Thinking Machines Lab 正在升级，从一家 “明星创业公司”，走向“前沿模型基础设施玩家”。它瞄准的，不只是应用层的细分赛道，而是下一代前沿模型的核心竞争。

而英伟达不只想卖铲子，还想参与建矿了，它希望更深地嵌入下一代 AI 公司的资本结构、算力供给和技术路线图之中。

英伟达的全面布局

如果只把这笔合作理解为英伟达对一家明星创业公司的特殊扶持，可能还是低估了它的意义。

从押注 Thinking Machines Lab，到回看英伟达的整体布局，就能清晰看出这家芯片巨头为巩固断崖式领先所布下的全局棋局。

面对已成型的 AI 巨头，英伟达先是与 OpenAI 达成 10 吉瓦算力合作，共建 AI 工厂，并持续巨额投入；随后又通过微软、英伟达、Anthropic 三方绑定，为 Anthropic 提供下一代硬件、1GW 算力与最高 100 亿美元投资，双方还联合定制模型与芯片架构，实现技术深度锁死。

面对 AI 新势力，英伟达同样全面下注：向 AI 搜索公司 Perplexity 投资 5 亿美元，参投 AI 视频工具 Runway、人形机器人 Figure AI、自动驾驶公司 Wayve 等一众明星项目，几乎覆盖下一代热门赛道。

可以说，英伟达布局逻辑很直白，提前锁定未来大客户，而不是等它们长大再抢单。

Thinking Machines Lab 正是英伟达看中的 “超级潜力买家”，它押注的不是某个产品，而是下一个 OpenAI 级别的平台型公司。哪怕这家新实验室目前只有训练 API、研究方向与明星团队，英伟达看重的是其未来长成平台的潜力。越早进入这些公司的资本结构与技术路线，就能越早分享整个生态成长的红利，而不只是单一的芯片收入。

而且，英伟达的 “绑定” 早已不是简单提供算力，而是将客户锁进从芯片、网络、系统软件到数据中心的整套 AI Factory 全栈方案。

对英伟达而言，押注 AI 新实验室的意义，不只是提前卖出下一代 GPU，更在于趁这些公司仍处于底层系统搭建阶段，就把自己的架构写进其训练、推理和运维体系。等到模型、集群和服务真正跑起来，客户依赖的将不再只是某一代芯片，而是整套基础设施逻辑，迁移成本也会随之大幅抬升。

黄仁勋在 2026 年 GTC 上曾用一个颇具代表性的框架来解释这种变化。他把 AI 产业概括为一个自下而上的“五层架构”：能源、芯片、基础设施、模型和应用。

过去外界更习惯把 AI 竞争理解为模型之争，但在黄仁勋的叙述里，最底层的能源，才是 AI 基础设施的第一性原理。没有足够的电力、冷却、园区和并网能力，就谈不上后面的芯片集群，更谈不上模型训练和应用落地。

而在最新的长篇博客中，这一判断被进一步推到了产业底层逻辑的高度。黄仁勋的核心意思是：今天的 AI 仍处在极早期阶段。过去几年行业确实已经砸下了数千亿美元，但这些投入更像是在铺设地基，距离 AI 潜力被真正释放，仍有很长的路要走。

他甚至预测，到本世纪末，全球 AI 基础设施支出将达到 3 万亿～4 万亿美元。

顺着这套逻辑看，英伟达现在想推进的，已经不只是“芯片公司”的角色，而是更接近AI 工厂总包商。

它一边与 OpenAI、Anthropic、Thinking Machines 这样的模型公司深度绑定，一边与 Meta 等科技巨头推进多年期基础设施合作，也与 Lilly 这样的制药企业、以及政府和科研机构推动行业级、国家级 AI 基建。

这里最深的一层争夺，其实不是某一笔订单，而是 标准制定权：未来训练大模型、跑推理、做物理 AI、建设 GW 级园区，默认应该采用什么架构、什么网络、什么供电和冷却方式、什么系统软件栈。谁定义了这套默认方案，谁就不再只是供应商，而是在定义下一代 AI 工厂的入口与标准。

Thinking Machines Lab 的野心与动荡

再看 Thinking Machines Lab，这家公司从一开始切入的，其实就是模型后训练和微调基础设施这层“脏活累活”。

具体来说，它给研究者、开发者留足了自主权，可以自己掌控训练用的数据、算法和训练逻辑，训练出来的模型权重，也可以保存、恢复、下载，甚至发布出去。

而这家公司的核心作用，就是提供一套现成的训练工具，帮大家解决训练过程中最头疼的问题，比如分布式训练、任务调度、资源分配和故障恢复，让开发者不用再费心搞这些“底层基建”，能专心做模型本身。

表面看，它是在帮别人微调模型；往深了看，它真正搭建的是一套面向未来的底座。无论是更大规模模型训练、更复杂的实验流程，还是更高强度的推理需求，最终都要落到这套系统能力上。

而搭建这样的 AI 基础平台，当然离不开超大算力的支撑，这也是它与英伟达展开合作的重要原因。

但或许又有人问了，它从英伟达拿到的 1 吉瓦算力，搞这么大场面，只是为了做这些么？

确实不止如此，我们可以进一步揣测一下 Thinking Machines Lab 的野心。

从公司官网可以看出，这家公司反复强调两件事：

第一，多模态是核心。只有让模型真正具备理解图像、文本乃至真实世界的能力，AI 才可能走向大规模落地。

第二，研究和产品不能分开，研究能否高效推进，最终取决于底层基础设施是否稳定、顺手、可扩展。

如此大规模的算力投入，显然不是为了训练一版模型后就停机，而是为了同时支撑多个层面的任务：前沿基础模型预训练、多模态与大规模 MoE 模型的持续实验、模型后训练与优化、企业客户服务，以及面向科研机构的开放访问。

这也意味着，Thinking Machines Lab 的野心从来不只是做出一个模型，而是想把自己的模型能力、训练能力和服务能力，铺成一张可扩展的分发网络。

如果说过去 AI 竞争比拼的是“谁拥有更好的模型”，那么今天比拼的已经是“谁能同时攥住资本、芯片、供电、园区和系统架构协同”。对于创业公司而言，能和英伟达这样的巨头深度绑定，意味着能获得最稀缺的确定性算力与交付效率。

Thinking Machines Lab 高调亮出 1 吉瓦算力，本质上是在向外界宣告：它不满足于做牌桌旁的旁观者，而是要真正坐上牌桌，与 OpenAI、Anthropic 等巨头正面竞争。

不过，野心越大，组织压力也越大。Thinking Machines Lab 成立仅一年左右，团队就从最初约 30 人扩张到约 120 人。

与此同时，其核心联合创始人集体 “叛逃。2025 年 10 月，联合创始人 Andrew Tulloch 离开公司加入 Meta；2026 年 1 月，两位联合创始人 Barret Zoph 和 Luke Metz 与研究人员 Sam Schoenholz 纷纷回到 OpenAI。

对一家仍处快速扩张期的公司来说，这未必意味着战略失速，但足以说明，它的“全栈野心”正在经受组织动荡的考验。

参考链接

https://thinkingmachines.ai/news/nvidia-partnership/

https://job-boards.greenhouse.io/thinkingmachines

本文来自微信公众号“AI前线”（ID：ai-front），作者：允毅，36氪经授权发布。