英伟达投资数据中心创企Nscale 估值达146亿美元

英伟达投资数据中心创企Nscale 估值达146亿美元

基本信息

• 作者: voxadam
• 评分: 30
• 评论数: 24
• 链接: https://www.cnbc.com/2026/03/09/nscale-ai-data-center-nvidia-raise.html
• HN 讨论: https://news.ycombinator.com/item?id=47307419

导语

随着生成式 AI 的爆发，数据中心基础设施正面临前所未有的扩容压力。Nscale 作为一家专注于 AI 数据中心的初创公司，近期获得英伟达的战略支持，估值达到 146 亿美元，这标志着行业对高效算力部署的迫切需求。本文将梳理 Nscale 的业务模式与融资细节，并分析这一动向如何反映当前 AI 基础设施建设的竞争格局与未来趋势。

评论

中心观点： 英伟达对Nscale的投资，标志着AI基础设施竞争从“通用算力堆砌”正式进入“垂直整合与能效比拼”的深水区，即通过软硬一体化定制来突破摩尔定律的边际递减效应。

支撑理由与边界条件分析：

1. 垂直整合的能效优势（事实陈述） Nscale采用自研液冷技术结合英伟达GB200架构，宣称PUE（能源使用效率）可达1.1。这在行业平均PUE为1.4-1.6的背景下极具竞争力。

   • 反例/边界条件：液冷技术的部署密度极高，对数据中心的物理改造（如承重、管道）要求极严。在存量数据中心改造场景下，风冷方案仍具成本优势。

2. “算力+模型”的商业闭环（你的推断） Nscale不仅提供裸金属算力，还提供模型微调服务。这种“卖水又卖铲子”的模式，旨在通过绑定客户的工作流来提高留存率，这符合当前云厂商从IaaS向MaaS（模型即服务）演进的趋势。

   • 反例/边界条件：部分超大规模客户（如CoreWeave的客户）倾向于完全的基础设施控制权，厌恶上层厂商触碰其核心数据与模型逻辑，这种全栈模式可能遭遇“信任边界”问题。

3. 英伟达的生态防御策略（作者观点） 英伟达投资Nscale，不仅是财务回报，更是为了在AMD和Intel试图通过性价比抢占市场的关键期，通过扶持“样板房”来巩固NVDA生态的统治地位。

   • 反例/边界条件：如果Nscale过度依赖英伟达的供应链（如H100/B200分配），一旦英伟达自身产能受限或策略转向，Nscale将面临无米下炊的风险（单一供应商依赖风险）。

多维度深入评价：

1. 内容深度与论证严谨性 文章揭示了Nscale估值达到155亿美金背后的核心驱动力——绿色计算与专用集群。然而，文章在财务可持续性论证上略显单薄。虽然估值高企，但重资产模式的折旧压力巨大，且文章未深入探讨其“承诺的算力交付”与“实际电力获取”之间的现实鸿沟。在能源紧缺的欧洲（Nscale的主要布局地），电力许可往往是比GPU更难的瓶颈。

2. 实用价值与指导意义 对于行业从业者，这篇文章最大的价值在于指明了**“液冷即正义”**的技术路线。对于算力采购方，这意味着未来的谈判重点将从单纯的“GPU价格”转向“PUE与每瓦算力比”。同时，这也提示投资者关注那些拥有廉价电力资源（如可再生能源丰富地区）的算力资产，而非仅仅是拥有显卡的公司。

3. 创新性 Nscale提出的“专用AI集群”概念并非全新，但其将能源采购能力作为核心竞争力的做法具有创新性。这打破了传统数据中心仅作为“机房”的定义，将其转变为“能源转化工厂”。

4. 行业影响 此举将迫使其他独立算力提供商（如Lambda Labs, Voltage Park）加速向液冷和定制化转型。同时，它可能引发一轮新的并购潮，拥有电力资源的能源公司可能寻求收购算力团队，从而形成“能源+算力”的新型巨头。

5. 争议点与不同观点

   • 估值泡沫论：有观点认为，随着模型推理优化技术的提升（如量化、剪枝），对顶级算力集群的需求可能在2-3年内触顶，届时Nscale这种重资产模式可能面临产能过剩。
   • 通用与专用的博弈：OpenAI等头部厂商倾向于自建超算集群，留给第三方中立算力厂商的往往是“长尾需求”。Nscale能否在长尾市场中支撑起如此高的估值，是最大的争议点。

实际应用建议：

• 对于算力消费者：在评估Nscale等服务商时，不要仅看GPU型号，必须要求考察其液冷设施的稳定性记录及网络带宽（特别是大规模训练时的RDMA网络抖动情况）。
• 对于投资者：重点审查其长期电力购买协议（PPA）的锁定成本，这是其利润率的关键护城河。

可验证的检查方式：

1. 技术指标验证：

   • 观察未来6个月内Nscale发布的第三方审计报告，核实其宣称的PUE 1.1是否在满载（100% GPU利用率）工况下依然成立。
   • 对比其采用液冷后的GPU频率稳定性数据，看是否因温度降低而带来了超频带来的额外性能提升。

2. 市场表现验证：

   • 观察窗口：12-18个月。
   • 关键指标：观察其客户留存率。如果客户仅进行一次性短期算力租用（投机性训练）而非长期签约，说明其“模型服务+算力”的粘性策略失败。

3. 竞争格局验证：

   • 关注AMD是否会在近期宣布与类似Nscale的竞争对手（如CoreWeave）成立合资实验室。如果发生，证明英伟达的“护城河”策略正在遭遇反制。