博士算力猎场· 2026年11月20日 · 算力研报
Dr. Wu | UCLA Ph.D | 国内首个千卡、万卡GPU智算集群缔造者
算力研报丨物理 AI 主场:把算力需求从 Token 扩到具身的六层推演
加入算力猎场,和 Dr.Wu 一起拆解算力产业的真问题。
互动方式 | 联系方式 | 你能得到什么 | 二维码 |
关注博士算力猎场公众号 | 微信搜索「博士算力猎场」 | 每日算力研报深度分析,第一时间推送 | ![]() |
加Alan Ng微信 | 微信号alanngw | 算力供应链咨询、货源渠道对接 | ![]() |
加Dr. Wu微信 | 微信号michaelwqs | 一手信息、独家点评、项目资源对接 | ![]() |
先把纪律与立场说清:本文为算力研报栏目,严格执行零 GPU 卡价、零租金、零报价的硬性分工,全文不出现任何 GPU 硬件买卖价格、租赁价格或渠道报价,也不写任何模型接口定价,文中出现的数字均为产业财务口径与技术规格口径并逐项标注。我的立场摆三句。第一,物理 AI 不是替换 Token 需求,而是在训练长周期与推理脉冲之上叠加一层「持续仿真 + 闭环数据」负载,负载曲线多出一条不断流的仿真基线。第二,六层框架在本篇按「负载形态逐层落点」使用,不把治理作为横切变量;换帅后的六层断点重排由本批次另一篇处理,两篇分工不重叠。第三,这一层新增负载对国产链的机会主要落在超节点互联与软件栈,不在单卡峰值指标上。
一、研报零价纪律与六层框架的定位
研报处理的是产业结构,不是设备行情。把价格从论证里彻底拿掉,物理 AI 带来的变化反而更清楚:它移动的是负载形态、软件栈结构与资本开支方向,没有一项需要靠硬件报价才能说明。Vera Rubin 的产品参数、CUDA 的版本节奏、NVL72 整柜的形态定义属于产品规格口径,不因本周任何产业消息改写;会改变的是「哪一类计算在占用机房」「哪一层软件栈成为入口」「资本往哪种形态投」。
六层框架——能源、芯片、基础设施、模型、应用、金融——是本篇的推演骨架。这里要先把分工写明白,避免与同批次其他篇目混读。
维度 | 本篇(11/20 研报)用法 | 同批次 11/21① 用法 |
组织轴 | 物理 AI 负载形态逐层落点 | 换帅后六层断点重排 |
横切变量 | 不设,按层推演负载 | 治理 / 组织形态作为横切变量 |
六层角色 | 每层回答「新增了什么负载」 | 每层回答「断点移到哪里」 |
落点 | 仿真、世界模型、具身对每层的改写 | 金融层与基础设施层的治理投影 |
结论形态 | 叠加一层持续仿真 + 闭环数据负载 | 治理折价的作用面划分 |
分工之外,还要定一条口径:本篇出现的财务数字——AI 基建债务、并购对价、资本开支规模——均为产业财务与市场口径,标注「非硬件报价、非接口定价」,不与国内现货互相推导,海外盘前或收盘口径不混用。技术规格数字(如显存制式、上下文规模、代码行数)为产品规格口径,同样不是价格。这两类数字与 GPU 卡价、租金、报价属于完全不同的范畴,严禁混用。
之所以选择按负载形态逐层推演,是因为物理 AI 的影响不是单点突破,而是同时压在六层上:能源层多了一条持续仿真基线,芯片层多出端侧实时性约束,基础设施层多出仿真集群与数据闭环,模型层多出世界模型与通用模型下沉,应用层多出具身与机器人流向,金融层则把资本开支与债务结构推向新的检验。只写其中一层,容易把「叠加」误读成「替代」。
二、能源层与芯片层:持续负载对供电与实时性的改写
能源层最直观的变化是负载曲线形状。过去机房面对的是两类负载叠加:预训练是长周期、高吞吐、接近持续满载的基线,在线推理是随请求起伏的脉冲。物理 AI 加进来的是第三条——按物理时间步不断推进的仿真流。它不像推理那样可以随波谷释放,也不像训练那样有明确的结束点,而是长期占用一部分算力,且对中断敏感。
负载类型 | 曲线形态 | 供电与散热特征 | 调度容忍度 | 关键观测点 |
Token 训练 | 长周期持续满载 | 稳态高功率,散热按满载设计 | 可容忍 checkpoint 后恢复 | MFU、通信重叠、连续运行稳定性 |
Token 推理 | 脉冲式、波峰波谷明显 | 功率随请求波动 | 可错峰、可弹性伸缩 | 首 Token 时延、批处理效率 |
物理 AI 仿真 | 按时间步持续推进,不断流 | 长期占用 + 实时性约束 | 中断会破坏状态一致性 | 仿真步进稳定性、状态持久化 |
这三条曲线叠在一起,机房的供电与散热设计不能只按「训练满载 + 推理峰值」来估。仿真流的存在抬高了基线占用,压缩了可弹性调度的余量;而它携带的状态一致性要求,又让「暂停再恢复」不像离线批任务那样随意。能源层的结论因此不是「多耗电」三个字,而是「持续基线占用上升、可调度余量下降、状态不可随意丢弃」。这与本批次 11/21① 把治理折价落在金融层与基础设施层的写法不同:本篇在能源层谈的是负载物理形态,不谈组织变量。
芯片层的变化集中在「实时性」与「端侧」两个词。中心侧训练与推理关心吞吐与时延的平衡,端侧控制环里的实时推理不能容忍网络往返,必须落在设备本地,于是功耗边界、内存带宽、运行时与模型压缩重新成为设计约束,而非附属优化。
层级 | 计算位置 | 主要约束 | 与物理 AI 的关系 | 验证方式 |
中心侧训练 | 机房集群 | 互联带宽、显存容量、容错 | 训练世界模型与仿真策略 | 连续运行稳定性、MFU |
中心侧推理 | 机房集群 | 吞吐与时延 | 非实时决策与离线评测 | 首 Token 时延、服务水平 |
端侧实时推理 | 设备本地 | 功耗、时延、内存、运行时 | 机器人控制环刚需 | 端到端时延、实机成功率 |
端侧这一行值得单独强调:它与「边缘算力回归」那类以部署位置为轴的讨论不是同一问题。本篇关注的是控制环的实时性约束把推理推到设备本地,属于芯片层与运行时层的负载要求,不以「云侧还是边缘」的二分来组织论证。把两类问题分开,才能看清物理 AI 真正新增的是「时延不可妥协」这一类硬约束,而不是又一轮部署位置的摆动。
三、基础设施层:仿真集群与数据闭环
基础设施层是六层里工程含量最高的一层。物理 AI 的负载不是把一个大模型跑起来就完事,而是仿真器、状态存储、数据回灌、闭环去重、故障域隔离共同构成的一条流水线。这条流水线的难点不在单点算力,而在「持续 + 闭环」两个词:持续要求状态不丢,闭环要求实机数据能干净地回流成训练数据。
组件 | 承担的功能 | 工程约束 | 失效情形 | 可核验判据 |
仿真步进集群 | 按物理时间步推进环境状态 | 步进连续性、状态一致性 | 中断后状态不可恢复 | 检查点可恢复、推进不丢步 |
状态与轨迹存储 | 保存状态序列与动作轨迹 | 高写入吞吐、版本可追溯 | 轨迹与状态错配 | 任一步可回溯、可比对 |
数据回灌管线 | 把实机轨迹转成训练样本 | 去重、标注、时间对齐 | 重复样本污染训练集 | 去重率、标注一致性 |
闭环评测 | 用实机结果校验世界模型 | 物理一致性、长时程连贯 | 仿真与实机偏差累积 | 实机成功率、偏差告警 |
故障域隔离 | 限制单点故障影响面 | 仿真与训练分域、资源隔离 | 仿真异常拖垮训练池 | 故障域边界清晰、互不穿透 |
「点亮易跑满难」这句话在物理 AI 语境里要再加一层:跑满之后还要能长时间稳定地跑闭环。万卡池的验收通常看连续运行稳定性与故障恢复,仿真闭环额外要求状态与轨迹的严格对齐——一步错位,后面整段轨迹都不能用于训练。这与我在交付中反复强调的台账纪律同构:设备台账每一步变更都要能追到原始单据,闭环数据每一步状态也要能追到原始轨迹,转述几手不改变单据的效力,重放几次也不改变轨迹的时间戳。
对本日第 ① 篇的「三类算力需求」表,这里给一个基础设施层的接口:第三类负载之所以难以直接塞进现有机房,不是因为算力不够,而是因为现有机房的调度、存储与容错设计大多围绕「可重跑的批任务」和「无状态的在线请求」两类假设建立。持续仿真与状态闭环是第三类假设,需要单独的集群分区、状态持久化策略与故障域边界。这也是为什么物理 AI 带来的机会更多落在系统侧,而不是把现有机房简单扩容。
四、模型层:世界模型与通用模型当机器人大脑
模型层本周有两条清晰的线。一条是世界模型:Genie 4 一类工作把环境状态、动作与后续状态纳入可学习的表示,目标是让模型对「下一步世界会怎样」具备可验证的预测能力。另一条是通用模型直接下沉作机器人大脑:GPT-6 Astra 被用作具身任务的通用决策核心,同时独立机器人模型线被解散。两条线方向不同,却共享一个前提——不再为每类具身任务单独训一套专用模型。
模型形态 | 表示对象 | 训练数据来源 | 验证方式 | 与负载的关系 |
世界模型 | 环境状态、动作、状态转移 | 仿真序列 + 实机轨迹 | 物理一致性、长时程连贯 | 直接产生持续仿真负载 |
通用模型作机器人大脑 | 任务、感知、动作序列 | 大规模多模态预训练 | 基准集 + 实机成功率 | 推理与规划混合,端侧实时性刚需 |
形式化可验证方向 | 可检查的证明与改写结果 | 形式化库、代码库 | 证明检查器逐行复核 | 输出留凭据,非负载主体 |
传统专用机器人模型 | 单一任务的策略 | 该任务采集数据 | 任务成功率 | 逐步被通用模型线吸收 |
「可验证」这条线要把本日第 ② 篇的工程增量接进来:Antigravity 多智能体完成 Weil 猜想约 180 万行 Lean 形式化、Zircon 内核约 80 万行 Rust 改写,说明形式化凭据正在成为模型输出的一种验收形态。对物理 AI 而言,这一点的价值不在数学结果本身,而在「正确性交给可检查的机制」这一思路——世界模型的物理一致性、动作序列的安全性,同样需要可复核的凭据,而不只是一段自然语言解释。180 万行、80 万行均为代码规模口径,非金额数字,本篇只作定性引用。
模型层还要守住一条边界:能力与训练节奏属模型层,不因治理或组织变量改写。本批次其他篇目讨论的换帅、风险披露、支付执行权,分别落在金融层、应用层与工程机制上,都不改变「世界模型怎么训、通用模型怎么下沉」这条技术曲线。把不同层的变量错置,是产业推演里最常见的偏差。
五、应用层:具身与机器人 vs Coding / 科研 Token 流向
应用层的对照最能说明「叠加而非替代」。现有的 Token 流向已经相对清楚:海外一侧超过 65% 的 Token 流向 Coding 与科研,国内一侧超过 55% 流向短剧漫剧、超过 20% 流向直播带货与跨境电商(○ 产业口径,作结构对比用,非金额数字)。物理 AI 带来的具身与机器人负载,并不挤占这些流向,而是在它们之外新增一类以「任务完成 + 实机成功率」计量的消耗。
应用类别 | 负载形态 | 计量方式 | 峰值特征 | 与基础设施关系 |
Coding / 科研 | 长上下文推理与代码生成 | Token、任务完成数 | 工作时段脉冲 | 复用在线推理集群 |
内容生成 / 直播电商 | 批量多模态生成 | Token、生成件数 | 活动驱动脉冲 | 可错峰、可批处理 |
具身与机器人 | 持续仿真 + 实机闭环 | 仿真步数、实机成功率 | 持续基线,不随波谷释放 | 需独立仿真分区与数据闭环 |
三类负载的计量方式完全不同,这一点常被忽略。Token 类负载可以用统一口径核算,具身负载要同时看仿真步数、轨迹质量与实机成功率,且后两者与「花了多少 Token」几乎无关。于是应用层的结论不是「又多了一个应用场景」,而是「多了一套无法用 Token 口径衡量的验收体系」。这与本日第 ③ 篇讨论的「每任务成本 + 回滚机制」是同一转向在不同层的投影:当智能体进入真实环境,计量从 Token 转向任务与后果。
对国产链而言,应用层的启发是:不要把物理 AI 理解成「再训一个大模型」。国内在内容生成与电商场景已有成熟的 Token 消纳结构,物理 AI 新增的是仿真、闭环与实机验证这一类此前不占主导的负载,需要配套的软件栈、数据管线与超节点互联,而不是把现有推理集群简单扩容。这也是下一节金融层结论的铺垫。
六、金融层与六层推演总表:CAPEX、债务结构与叠加结论
金融层要回答的是「资本往哪种形态投」。本周可核验的产业财务口径集中在资本开支与债务结构上,逐项列出并标注性质。
财务 / 产业口径项 | 数值 | 等级 | 口径性质 | 本篇用法 |
AI 基建债务 | 超 6800 亿(约 2023 年 5 倍) | ○ 市场 / 监管口径 | 产业财务口径,非硬件报价、非接口定价 | 资本层重定价背景 |
AMD 收购 World Labs | 约 82 亿美金全股票 | ○ / △ 以官宣为准 | 并购财务口径,非硬件报价 | 资本选择物理 AI 形态的信号 |
七姐妹 2026 CAPEX | 超 1 万亿美金 | ○ 产业口径 | 产业财务口径,非硬件报价 | 资本开支规模背景 |
国内 AI 资本投入 | 约 3000 亿美金 | ○ 产业口径 | 产业财务口径,非硬件报价 | 购买力与投入结构对比背景 |
这四项都不是硬件买卖价格,也不与国内现货互相推导;海外二级市场对资本的定价与墙内算力现货是不同市场、不同参与者、不同机制,不能互推。82 亿美金一项还须按本日第 ① 篇的纪律处理:交易年底交割、拟任职务以官宣为准,均为待完成事项,此处只作资本取向信号,不作已生效的组织事实。
把六层收进一张总表,本篇的推演就完整了。
层级 | 物理 AI 带来的增量负载 | 对系统的新要求 | 对国产链的机会点 | 判断等级 |
能源 | 持续仿真基线,抬高基线占用 | 供电与散热按长期占用估 | 绿电与算力西移的稳态承载 | 中高 |
芯片 | 端侧实时推理刚需 | 功耗、时延、运行时约束 | 端侧推理与运行时适配 | 中高 |
基础设施 | 仿真集群 + 状态闭环 | 状态持久化、故障域隔离 | 超节点互联、仿真集群调度 | 高 |
模型 | 世界模型 + 通用模型下沉 | 物理一致性、可复核凭据 | 软件栈与工具链适配 | 中高 |
应用 | 具身与机器人的新验收体系 | 从 Token 口径转向任务口径 | 场景侧数据闭环能力 | 中 |
金融 | CAPEX 与债务结构再检验 | 从讲规模转向看现金流与治理 | 资本聚焦系统侧而非单卡 | 中高 |
结论收口成两句话。第一,物理 AI 不是替代 Token 需求,而是叠加一层「持续仿真 + 闭环数据」负载:训练长周期与推理脉冲仍在,机房多了一条不断流的仿真基线,多了一套状态与轨迹的闭环管线。把叠加读成替代,会连带误判机房利用率、互联压力与软件栈投入方向。第二,这一层新增负载对国产链的机会主要落在超节点互联与软件栈,不在单卡峰值指标上——因为瓶颈从「单卡能跑多快」移到「仿真闭环能不能持续稳定地跑、状态能不能不丢、数据能不能干净回流」。我在主持千卡、万卡集群交付时反复遇到的也是同一类问题:点亮容易、跑满难,跑满之后还要长期稳定,难度逐层递增,而决定成败的往往是互联、调度与软件栈,而非单卡峰值参数。
七、Dr.Wu 的判断|七条,附置信度
物理 AI 是叠加一层「持续仿真 + 闭环数据」负载,不替代 Token 训练与推理
:负载曲线多出一条不断流的仿真基线,压缩可弹性调度余量。置信度:中高(负载形态为工程推导,规模待现场验证)。
六层框架在本篇按负载形态逐层落点使用,不设治理横切变量
:换帅后六层断点重排由同批次另一篇处理,两篇分工不重叠。置信度:高(与选题分工可直接对照核验)。
能源层的变化是持续基线占用上升、可调度余量下降、状态不可随意丢弃
:不是简单的「多耗电」,供电与散热设计须按长期占用估。置信度:中高(负载曲线推导,实际占比依赖部署数据)。
芯片层新增的是端侧控制环的时延不可妥协约束
:端侧实时推理属运行时与功耗边界问题,不以云侧 / 边缘的部署位置二分来组织。置信度:高(实时性约束为控制环的固有要求)。
基础设施层是工程含量最高的一层,难点在持续与闭环
:仿真步进、状态存储、数据回灌、闭环去重、故障域隔离需单独分区与持久化策略,现有机房的两类假设不足以承接。置信度:高(与集群交付的系统工程经验一致)。
应用层多了一套无法用 Token 口径衡量的验收体系
:具身与机器人负载以仿真步数、轨迹质量、实机成功率计量,与 Coding / 科研、内容生成的 Token 流向并行而非挤占。置信度:中高(结构对比为 ○ 级口径,验收体系属研判)。
对国产链的机会在超节点互联与软件栈,不在单卡峰值
:瓶颈从单卡速度移到仿真闭环的持续稳定与数据回流质量;文中 6800 亿债务、82 亿收购、CAPEX 均为产业财务口径,非硬件报价、非接口定价。置信度:中高(机会判断属框架研判,财务口径可核验)。
一个仍需观察的变量是这层新增负载的实际规模:仿真基线在机房总占用中的比例、闭环数据管线的工程开销、超节点互联在物理 AI 负载下的实测表现,目前缺可核验的部署数据,属 ○ / △ 级口径与条件推演。若后续出现官方部署数据或正式披露文本,本篇第 1、7 条的置信度需要相应调整。在部署数据出现之前,把负载形态、工程约束与财务口径分开,是研报唯一稳妥的写法。
互动时间
若持续仿真基线真叠加到现有机房,你认为最先需要改的是供电与散热设计、调度框架,还是状态持久化策略?
「机会在超节点互联与软件栈、不在单卡峰值」这个判断,在你们做技术选型时会不会遇到反例?哪一类负载最容易被单卡参数带偏?
具身负载以仿真步数与实机成功率计量,你会把它写进验收条款,还是只作为内部评测指标?欢迎加 Dr. Wu 微信michaelwqs、加 Alan Ng 微信alanngw讨论。
Dr.Wu:michaelwqs
数据来源分级
◎ 官方 / 央媒 / 财报与监管文本:本篇未取用涉及交易条款的 ◎ 级官方文本;涉及全周主线的边界口径为英伟达官网新闻稿《NVIDIA Announces CEO Transition》(2026-11-12)——辞去总裁、CEO 及董事职务即刻生效,CFO 科莱特·克雷斯任临时 CEO 并继续兼任 CFO,哈维·C·琼斯任首任董事会主席,启动永久 CEO 遴选,运营、客户承诺与产品路线图不中断;公告未说明辞任原因、未提及独立调查与相关人事表决、未给遴选时间表与临时任期时长。本篇涉及主线处统一声明:官方公告未说明辞任原因,公司从未将人事变动归因于个人事务,本文不作因果认定。Vera Rubin 10 月量产启动、CUDA 13.5 已 GA、6/18 进驻 CoreWeave 机房、HBM4 制式等为 ◎ / ○ 级产品规格口径,本篇仅作「产品事实不因产业消息改写」的边界说明,未列任何价格。
○ 行业媒体 / 券商研报 / 产业与财务口径:苏姿丰 CoRL 2026 与李飞飞同台定调物理 AI 与机器人机会;AMD 约 82 亿美金全股票收购 World Labs、年底交割、李飞飞拟任执行副总裁兼首席科学家(以官宣为准,待完成事项);OpenAI 解散独立机器人团队、通用模型 GPT-6 Astra 作机器人大脑;DeepMind 世界模型 Genie 4、Gemini 4 Hydrogen、Antigravity 完成 Weil 猜想约 180 万行 Lean 形式化与 Zircon 内核约 80 万行 Rust 改写;AI 基建债务超 6800 亿(约 2023 年 5 倍)、七姐妹 2026 CAPEX 超 1 万亿美金、国内 AI 资本投入约 3000 亿美金;六层框架应用层口径(海外超 65% Token 流向 Coding / 科研,国内超 55% 短剧漫剧、超 20% 直播带货跨境电商);「美 800V 直流 / DSX POD 14 天 / 1GW 工厂、中算力西移绿电 PUE」「美 Rubin 量产 / 2nm、中 7nm 主力 + 昇腾 950 / 960」「美 DSX POD 14 天 vs 中万卡池点亮易跑满难」等六层框架基线。以上均为 ○ 级产业、财务与技术规格口径;6800 亿债务、82 亿美金收购、1 万亿美金 CAPEX、3000 亿美金投入均为产业财务口径,标注「非硬件报价、非接口定价」,标明区间与出处,不与国内现货互相推导,海外盘前或收盘口径不混用;180 万行 Lean、80 万行 Rust 为代码规模口径,65% / 55% / 20% 为结构占比口径,均非金额数字。六层框架与「治理 / 组织形态作为横切变量」的分工取自 2026-11-15 周度收口新闻地基与 v5 写稿任务书第 9 节、第 11 节防重复纪律。
△ 未官宣 / 渠道报 / 预期:交易整合方式、拟任职务职权范围、物理 AI 软件栈具体耦合路径、仿真集群的实际部署规模与占用比例、亚马逊 Trainium 对外销售 2027H2 预期升温,均为 △ 级方向信号,仅作观察清单,不采用为事实、不进入任何价格或产能测算、不升 ◎;灰市与转口裸机报价数字零出现、零参与测算。素材取自 2026-11-15 周度收口新闻地基(第 6 节新闻地基二、四、五,六层结论第 6 条)、v5 写稿任务书第 6 节、第 9 节与第 11 节。
特别声明
本文为产业研究,不构成任何投资、采购或法律建议。算力研报栏目严格执行零 GPU 卡价、零租金、零报价的硬性分工,全文不出现任何 GPU 硬件买卖价格、租赁价格或渠道报价,亦不写任何模型接口定价;文中 6800 亿 AI 基建债务、82 亿美金收购、1 万亿美金 CAPEX、3000 亿美金投入均为产业财务、市场与治理口径,逐项标注「非硬件报价、非接口定价」,非硬件买卖价格;180 万行 Lean、80 万行 Rust 为代码规模口径,65% / 55% / 20% 为结构占比口径,均非金额数字。Rubin / GB300 为 NVL72 整柜、B300 / H200 为 8 卡整机,严禁直接比价;4T/3T/2T 指 GPU 服务器系统内存(DRAM),显存指片上 HBM3e(B300 单卡 288G、8 卡 2304G;H200 单卡 141G、8 卡 1128G),Rubin 片上为 HBM4 制式,与 B300 的 HBM3e 288G 非同一代介质,严禁混说。官方公告未说明辞任原因,公司从未将人事变动归因于个人事务,本文不作因果认定;不预测人事结果、不列候选人、不赋概率、不建立任何因果链,不写可操作的跨境流转路径,涉及合规边界仅采用中性抽象表述;描述第三方立场一律用中性表述,不对任何个人或机构作定性。交易交割与拟任职务均为待完成事项、以官宣为准,不写成已生效组织事实。信源分级随文标注,△ 项仅作方向信号、不进测算;文中「物理 AI 主场」「六层推演」「叠加一层持续仿真 + 闭环数据负载」「机会在超节点互联与软件栈、不在单卡峰值」为作者方法论研判与工程推导,条件推演部分不赋概率、不作时点预测,以官方发布为准。海外估值、市值与债务口径为 ○ 级市场数据,不与国内现货互相推导。所有产品规格与产业动态以厂商官方披露为准。算力有价,信用无价;把负载形态、工程约束与财务口径分开,比给一个漂亮的结论更重要。

研报速递

