高盛科技大会落幕：科技巨头共绘AI蓝图，黄仁勋揭示供应链挑战与机遇

徽声在线9月12日讯（编辑 李莹）当地时间9月11日，备受瞩目的高盛科技大会在旧金山圆满落幕。在这场科技盛宴中，英伟达、SpaceX等科技行业的领军企业高管纷纷亮相，他们一致对人工智能（AI）的未来发展前景表达了乐观态度，并重申了强劲的增长预期。然而，投资者对于AI领域巨额投入能否转化为长期稳定的回报仍持谨慎观望态度。

高盛销售与交易团队在总结中指出，与大会前两日的情况相似，参会企业在第三天的整体信号依然“坚定看多”。但投资者们仍在耐心等待，希望看到AI资本开支能够转化为持续收入的明确证据。

本届高盛科技大会于当地时间9月8日拉开帷幕。在9月10日，英伟达首席执行官黄仁勋、SpaceX首席财务官Bret Johnsen等科技企业高管相继登台，发表了精彩纷呈的讲话。

黄仁勋的讲话无疑成为了全场的焦点。他再次强调，到2030年，全球AI基础设施的年支出将达到惊人的3万亿至4万亿美元。这一预测无疑为AI行业的未来发展注入了强大的信心。

黄仁勋深入剖析了AI的本质，他认为，AI并非又一轮普通的技术革新周期，而是计算方式从“检索式”向“生成式”的根本性转变。他形象地比喻道，“AI工厂”正逐渐成为一种生产智能的新型资产，引领着科技行业的未来发展方向。

在谈到英伟达的发展时，黄仁勋坦言，由于公司增长速度极快，上游供应链面临着全面挑战。封装、DRAM和LPDDR内存、连接器、电压调节器以及晶圆等关键部件均面临供应紧张的问题。同时，下游的土地、电力和数据中心厂房等也是亟待解决的难题。

然而，黄仁勋也强调了英伟达在供应链和销售渠道方面的明显优势。他表示，英伟达在上游拥有全球最大的供应链网络，在下游则凭借多元化的销售渠道，能够确保产品的稳定供应和市场的广泛覆盖。

高盛交易团队进一步指出，电力、内存、数据中心建设及产能等方面的制约因素，可能使得AI算力供不应求的局面将延续至2028年。这无疑为AI行业的未来发展带来了更大的挑战和机遇。

黄仁勋还对基于推理的机器人操作技术进行了展望。他预计，这一技术将在约两年后迎来重大拐点，为机器人行业带来革命性的变革。

针对市场对“循环融资”的质疑，黄仁勋进行了有力回应。他表示，英伟达投入的资金相对较少，但换来的回报却非常可观。同时，公司能够清楚看到被投企业已签订的订单需求，因此谈不上循环融资的问题。

SpaceX则将自身定位为一体化AI基础设施平台，展现了其在AI领域的远大抱负。SpaceX首席财务官Johnsen表示，公司预计到2027年，每吉瓦算力将带来300亿至500亿美元的收入，且目前已处于该区间的上沿。同时，公司对年底前实现1000亿美元年化总收入更有信心，并计划在未来几年内大幅扩大算力规模，部署AI卫星等前沿项目。

半导体设备商泛林集团首席财务官Doug Bettinger也对行业前景表示了乐观态度。他称行业目前“基本处于售罄状态”，管理层更担心错失上行机会，而非应对下行周期。这无疑为半导体设备行业注入了强大的信心。

泛林集团还预计，到2027年，晶圆制造设备需求增长将由DRAM主导。但洁净室供应仍是关键制约因素，新增洁净室产能将在2027年底前陆续投用，为行业提供有力支撑。

此外，网络安全成为本届大会最受关注的话题之一，被视为AI最直接的受益领域之一。随着AI技术的不断发展，网络安全问题也日益凸显。

网络安全公司Palo Alto Networks首席执行官Nikesh Arora表示，“AI安全产业甚至还没有真正建立起来，未来还有巨大的发展空间和潜力。”

同业公司CrowdStrike首席执行官George Kurtz则认为，AI非但没有挤占企业的安全预算，反而推动了安全支出的增长。在他看来，安全投入正从单纯的防御性支出转变为推动企业AI落地的助力，为企业的数字化转型提供有力保障。

面对这股网络安全热潮，黄仁勋保持了更为冷静的态度。他直言，当前网络安全话题之所以火热，部分原因在于业内即将推出新产品，有“制造需求”的成分。但他同时认为，网络安全很可能成为AI的下一个主要应用场景。因为找漏洞本就是编程能力的延伸，能写好代码的人也就能发现并修补漏洞，为AI系统的安全稳定运行提供有力保障。

高盛交易团队指出，尽管本周科技行业数据普遍积极，消费端表态健康、企业需求稳定、芯片供需偏紧，但投资者对于重新全面押注AI基础设施交易仍显犹豫。他们更希望看到AI资本开支能够转化为持久的盈利增长，为投资带来长期稳定的回报。

高盛交易团队认为，市场核心争论在于AI资本开支能否转化为持久的盈利增长。这是投资者们最为关心的问题，也是AI行业未来发展的关键所在。

围绕这一问题，该团队提到两点：一是超大规模云服务商需要把积压订单转化为持续的企业AI收入，为AI行业的长期发展提供稳定的需求支撑；二是客户正从追求token用量最大化转向以投资回报为导向的“token优化”，根据任务需要灵活选用不同模型，在控制成本的同时提高AI使用效率。

（徽声在线 李莹）