英伟达向Thinking Machines Lab提供1吉瓦算力，押注其成为下一个OpenAI级别的平台型公司，并深度参与AI生态建设与标准制定。
原文标题：黄仁勋砸千亿兆瓦算力，押注下一个“Open AI”
原文作者：AI前线
冷月清谈：
怜星夜思：
2、Thinking Machines Lab的核心竞争力在于其多模态AI和模型后训练基础设施，你认为这种策略在AI领域有什么优势和风险？
3、考虑到Thinking Machines Lab成立不久就面临核心创始人离职的情况，你觉得这对公司的发展会产生什么影响？他们应该如何应对？
原文内容
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。
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。
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
