【深度专题研究报告】英伟达 NVIDIA

英伟达 NVIDIA

NASDAQ: NVDA

深度专题研究报告

半导体· 人工智能 · 算力基础设施 · 具身智能

2026年8月12日

核心摘要

英伟达的本质早已不是“卖芯片”，而是一台围绕 GPU 算力构建的“纵向一体化收费机器”：从 CUDA 软件底座、推理/训练工具链，到开源模型引流，再到物理 AI 与对外投资生态卡位，每一层都在为同一件事服务——把“免费模型”转化为“付费算力”，再转化为贯穿云、边、端与实体世界的全栈税。

本报告跳出单点产品视角，将英伟达的软件体系、模型矩阵、物理 AI 布局与对外投资动作放进同一个战略框架里解读，揭示其“软硬一体”背后的商业逻辑、生态控制力与潜在风险，并给出 A 股产业链映射。

数据来源：NVIDIA 官网、The Information、财联社、36氪、PitchBook/Dealroom |  报告日期：2026年8月12日

一、战略总览：软硬一体的纵向收费闭环

1.1 黄仁勋的“AI 三阶段”路线

黄仁勋将 AI 的演进划分为三个递进阶段：生成式 AI（Generative AI）、智能体 AI（Agentic AI）、物理 AI（Physical AI）。这一分类不仅是技术叙事，更对应着英伟达算力需求的三个增量来源：生成式 AI 拉动训练算力，智能体 AI 拉动推理算力，物理 AI 则把算力从“数字世界”推向“实体世界”，打开一个远大于云端的 TAM（可服务市场）。

1.2 商业本质：模型免费，算力收费

开源 Nemotron 是“算力需求发生器”：模型可以免费下载，但训练、微调、部署模型所需的 GPU、NVLink 网络、DGX 整机、CUDA 与企业软件逐层收费。

英伟达近年密集开源 Nemotron 系列，并非要做模型公司，而是用免费的开源模型降低 AI 开发门槛，吸引更多企业、政府和创业公司进入训练与部署环节，从而反哺其硬件与软件销售。这种“以软带硬、以模型带算力”的打法，本质上是把护城河从单点芯片延伸为一条全栈价值链。

数据来源：NVIDIA 官网、财联社、36氪 |  报告日期：2026年8月12日

二、软件体系：CUDA 生态的纵深护城河

市场普遍关注英伟达的芯片，但真正难以被复制的，是其运行在每一颗 GPU 之上的软件栈。这套软件体系从底层并行计算一路延伸到上层智能体治理，构成了英伟达“软”的一面，也是其毛利率与客户粘性的核心来源。

2.1 底座：CUDA / CUDA-X

CUDA 自 2006 年推出以来持续迭代，2025 年 12 月发布的 CUDA Tile 编程模型被业界视为该平台二十年来最重大的更新，允许开发者以更高抽象层级（甚至 Python）编写 GPU 内核，显著降低了 GPU 编程门槛。CUDA-X 则是覆盖科学计算、深度学习、数据分析等领域的加速库集合，与 CUDA 共同构成生态的“地基”。

2.2 推理链：TensorRT / NIM / Triton / Dynamo

在推理侧，英伟达拥有从单卡优化到集群调度的完整工具链：TensorRT / TensorRT-LLM 负责模型推理优化，在 MLPerf 推理基准中横扫全部子项；NIM（推理微服务）提供开箱即用的容器化部署；Triton Inference Server 支持多框架、多模型的服务化推理；Dynamo 则定位为“AI 工厂的推理操作系统”，与 TensorRT-LLM 协同做分布式推理调度，显著压缩单位推理成本。

2.3 训练与数据：NeMo 全家桶

NVIDIA NeMo 是一套智能体优先的开放框架，覆盖数据准备（NeMo Curator）、合成数据生成（NeMo Data Designer / Safe Synthesizer）、数据匿名化（NeMo Anonymizer）到模型训练、定制与评估的端到端流程。2026 年 8 月新发的 NeMo Switchyard 则是开源模型路由库，可按任务自动将请求分配给最优模型，进一步强化了“多模型智能体”的编排能力。

2.4 安全与治理：NemoClaw

针对自主 AI 智能体（agent）的安全与隐私，英伟达推出 NemoClaw，通过隔离沙盒运行 AI 代理，提供策略化安全、网络与隐私护栏，补齐了自主智能体下方的“基础设施层”空白，标志着软件栈向智能体治理方向延伸。

数据来源：NVIDIA 官网（CUDA Tile，2025-12）、MLPerf 推理榜单、GTC 2026 发布会 |  报告日期：2026年8月12日

三、模型层：Nemotron 开源矩阵的引流逻辑

英伟达对开源模型的态度从“支持者”转向“构建者”。其 Nemotron 家族正从“合成数据工具”进化为“对标全球最强开源模型”的通用模型系列，战略意图明确：用免费模型把更多开发者锁进英伟达的软硬件生态。

3.1 在研旗舰：Nemotron 4（万亿参数）

据财联社 2026 年 8 月报道（源引自 The Information），英伟达正在研发新一代开源 AI 模型系列 Nemotron 4，最大版本参数规模预计至少 1 万亿，约为现役旗舰 Nemotron 3 Ultra 的两倍，目标是跻身全球最强开放模型之列。项目最终训练尚未完成，最早可能于当年秋末就绪。为支撑研发，英伟达组建了包括 Mistral、Cursor 等在内的“Nemotron 联盟”，并通过回租云服务器将多年期算力承诺增至 280 亿美元（约为一年前的三倍）。

3.2 现役矩阵：跨越三代的开源模型

英伟达的开源模型矩阵目前横跨三代，命名上需注意区分代际：2024 年 6 月发布的 Nemotron-4 340B 构成第一代合成数据流水线；2025 年 4 月发布的 Llama-Nemotron-Ultra-253B 与 2026 年 6 月发布的 Nemotron 3 Ultra 构成现役主力；2026 年 8 月新发的 Nemotron 3.5 Lightning 则专攻 AI 智能体长期运行场景。

具体而言，Nemotron 3.5 Lightning 采用混合专家（MoE）架构，总参约 300 亿、活跃参约 30 亿，专攻 AI 智能体长期运行场景，最高可实现约 4 倍 Token 吞吐提升。Nemotron-4 340B 由 Base、Instruct、Reward 三个模型构成合成数据生成流水线，以 98% 合成数据训练，面向医疗、金融、制造、零售等行业。Llama-Nemotron-Ultra-253B 则以约一半参数规模在多项基准上超越 DeepSeek-R1，主打高效推理。

数据来源：The Information（2026-08-11）、财联社、IT之家、钛媒体、NVIDIA 官网 |  报告日期：2026年8月12日

四、物理 AI 布局：具身智能的“具身 CUDA”

黄仁勋将物理 AI 定义为“下一波增长浪潮”，认为机器人、汽车和智能工厂将成为现实世界中的智能体。英伟达的策略并非亲自造机器人，而是复制 CUDA 的经典打法——搭建一套“具身 CUDA”生态，让所有机器人公司都依赖其底层软硬件。

4.1 四大基础工具栈

国泰海通研报将英伟达的物理 AI 体系归纳为四大工具栈，形成“模型—仿真—训练—端侧”的完整闭环：Cosmos 3 世界模型与 GR00T VLA 模型负责全局环境预测与人形动作规划；Omniverse 仿真引擎搭建高精度数字孪生；Isaac Sim/Lab 训练平台让机器人在虚拟空间海量试错；Jetson Thor 端侧芯片提供本地高算力低延迟推理。

4.2 关键产品里程碑

2026 年 5 月 31 日（台北 Computex 期间），英伟达发布全球首款完全开放的全模态物理 AI 模型 Cosmos 3（混合 Transformer 架构，打通视觉推理、世界生成、动作预测），并牵头成立全球开发者协作联盟；同日发布首款开放式人形机器人参考设计 Isaac GR00T（基于宇树科技 H2 Plus 底盘 + Jetson AGX Thor 计算平台）。此外，英伟达与 LG 集团共建“AI 工厂”，与阿里云在物理 AI 领域达成合作，将 Isaac Sim/Lab、Cosmos 等全套软件栈集成进阿里云 PAI。

数据来源：国泰海通研报、NVIDIA 官网、财联社、阿里云 |  报告日期：2026年8月12日

五、对外投资：NVentures 的生态卡位

投资是英伟达软硬一体战略的“体外延伸”。通过企业风投基金 NVentures 与战略投资，英伟达一边绑定下游算力需求方，一边提前卡位具身智能、世界模型、合成数据等前沿方向，形成“投资—订单—生态”的正循环。

5.1 投资规模持续放大

据 PitchBook / Dealroom 数据，英伟达 2024 年参与了约 49 轮 AI 企业融资、累计投入约 10 亿美元（2023 年为 34 轮、约 8.72 亿美元）；其 NVentures 基金交易数从 2022 年的 2 笔激增至 2024 年的 24 笔，投资节奏已与美国大型风投相当。

5.2 物理 AI 与前沿方向的重点落子

在物理 AI 方向，英伟达重仓具身智能与机器人：连续多轮投资 Figure AI（人形机器人，最新一轮融资估值约 400 亿美元）、领投 Dyna Robotics（具身操作机器人）、参投瑞士具身大脑公司 Flexion、投资数字孪生公司 MetAI。在模型与算力侧，则投资 OpenAI、xAI、SSI（Safe Superintelligence，2026 年 7 月获英伟达约 50 亿美元投资）、Mistral AI、CoreWeave、Inflection 等，并以 5000 万美元 PIPE 投资 AI 制药公司 Recursion，延伸至生命科学。

数据来源：PitchBook、Dealroom、新浪财经、36氪、公司公告 |  报告日期：2026年8月12日

六、AMI / 具身智能实验室：从 GEAR 到全球科研布局

英伟达在“自主机器智能”（Autonomous Machine Intelligence）与具身智能研究上的实验室布局，是其物理 AI 战略的“源头活水”。实验室承担着基础模型、仿真技术与通用智能体的前沿攻关，并将成果沉淀为可商业化的平台产品。

6.1 GEAR 实验室：通用具身智能体研究

2024 年 2 月，英伟达成立通用具身智能体研究实验室 GEAR（Generalist Embodied Agent Research），由高级研究科学家 Jim Fan 与 Yuke Zhu 领衔，目标是构建能在虚拟与现实世界中学习行动的通用智能体，研究方向覆盖机器人基础模型、游戏基础模型与生成式模拟。此前团队已产出 Eureka、Voyager、MineDojo、VIMA 等具身智能项目，Jim Fan 称其为“全球最有钱的具身智能实验室之一”。

6.2 全球科研网络扩张

英伟达持续扩充具身智能的全球研发布局：据媒体报道，2026 年 5 月英伟达宣布在新加坡设立具身智能研发中心，聚焦 AI 与物理系统的融合，并致力于提升模型训练效率、降低基础设施成本，与上海、台北的既有研究团队形成协同。2025 年 3 月，英伟达在波士顿设立加速量子研究中心 NVAQC，联合哈佛、MIT 及 Quantinuum 等，探索量子计算与 AI 的融合。2026 年 6 月底，其机器人团队进一步围绕具身智能、仿真、部署、解决方案四大方向在北京、上海、深圳三地开放招聘。

6.3 实验室与商业的“研发—产品”闭环

实验室成果并非停留在论文层面，而是直接反哺平台：GEAR 团队的仿真 2.0 理念（超高速仿真 + 域随机化 + RoboCasa 场景生成）支撑了 Isaac Lab 的强化学习训练；世界模型研究沉淀为 Cosmos；基础模型攻关沉淀为 GR00T 系列。这种“研究实验室—平台产品—生态伙伴”的闭环，是英伟达物理 AI 壁垒可持续的关键。

数据来源：量子位、36氪、中信证券研报、NVIDIA 官网、公开媒体报道 |  报告日期：2026年8月12日

七、战略本质与商业逻辑

7.1 从“卖产品”到“收全栈税”

英伟达软硬一体的最终形态，是在 AI 价值链的每一个环节都建立收费点：硬件销售（GPU/整机）、互联溢价（NVLink/CPO 硅光交换机）、软件订阅（CUDA-X/NIM 企业版）、算力租赁（DGX Cloud/回租）、以及通过投资锁定下游需求。开源模型与开放平台负责“做大蛋糕”，全栈软硬件负责“切蛋糕”。

7.2 生态锁定 vs 供应商锁定

值得关注的是，英伟达在机器人领域刻意强调“平台参与者”定位，声称保持“避免供应商锁定”的合作理念——这与它在 CUDA 上形成的强锁定形成微妙对比。其逻辑在于：CUDA 已足够强势，无需再强调锁定；而在新兴的机器人赛道，更需要以开放姿态快速做大生态，避免重蹈 GE Predix（通用电气工业互联网平台）因封闭而失败的覆辙。

7.3 财务与资本支撑

英伟达的宏大布局有真金白银支撑：为推进 Nemotron 4 与算力扩张，多年期算力承诺增至 280 亿美元；2026 年 6 月，英伟达发行 7 档、期限 2-30 年的公司债券，实际募资约 250 亿美元（原计划至少 200 亿美元），成为又一家“为自身催生的 AI 繁荣融资”的企业。充沛现金流与资本市场融资能力，是其持续加码物理 AI 与生态投资的底气。

战略本质：英伟达正把自己从“AI 时代的卖水人”升级为“AI 时代的基础设施运营商”，用开放模型与开放平台换取全栈算力与软件的长期需求。

数据来源：财联社、环球市场播报、美银分析师观点、36氪 |  报告日期：2026年8月12日

八、风险与 A 股产业链映射

8.1 风险因素

其一，地缘政治与出口管制风险。英伟达对华高端芯片出口持续受限，美国出口管制政策的变化直接冲击其数据中心业务的区域收入结构；2026 年 6 月债券发行期间，“中国出口前景”的疑问一度影响其融资定价，是其最具不确定性的现实风险。

其二，物理 AI 商业化节奏存在不确定性。美国银行分析师直言，英伟达需让产品“足够可靠、足够便宜、足够普及”才能形成可信商业模式，具身智能的规模化落地时点仍是变量。

其三，全球对生成式 AI 垄断行为的监管趋严，可能约束其通过投资绑定生态的激进程度。

其四，谷歌 TPU、Groq 专用推理芯片及 AMD 等在特定场景的突破，正逐步侵蚀其推理市场的绝对依赖。

其五，开源模型若被国产算力生态快速适配，可能削弱其“模型引流—GPU 付费”的转化效率。

8.2 A 股产业链映射

英伟达软硬一体与物理 AI 的持续加码，将沿算力硬件、网络互联、机器人零部件三条主线向 A 股传导：万亿参数模型与 AI 工厂拉动算力基础设施，利好光模块、PCB、液冷、服务器代工；CPO 硅光交换机趋势利好光通信；具身智能与 Isaac GR00T 生态利好机器人核心零部件与减速器/灵巧手产业链。

数据来源：路透（2026-06）、国泰海通、中信证券研报、东方财富 |  报告日期：2026年8月12日

九、结论

英伟达的软硬一体战略，本质是一场围绕“算力”的纵向一体化布局：以 CUDA 为底座、以推理/训练软件链为护城河、以开源 Nemotron 为引流入口、以物理 AI 与具身智能为下一增长极、以 NVentures 投资与全球实验室为生态触角。这条价值链的终点，是把 AI 时代的所有参与者都纳入同一张“算力税”网络。

对投资者而言，判断英伟达长期价值的核心，不在于单季 GPU 出货的波动，而在于两点：其一，CUDA 生态与物理 AI 平台能否持续形成“开放引流—全栈变现”的正循环；其二，物理 AI 的规模化落地能否如期兑现，成为继训练、推理之后第三条增长曲线。把握这两点，就把握了这轮 AI 基础设施长周期的真正主线。

本报告基于 NVIDIA 官网及公开媒体报道整理，仅供研究参考，不构成投资建议 |  报告日期：2026年8月12日