NVIDIA 与 CoreWeave 十年共筑 AI 云基座,智能体闭环开启下一代算力范式
NVIDIA 与 CoreWeave 基于近十年的联合工程,将计算、网络与软件深度整合为专为 AI 设计的云平台,并在多代部署中持续获得投资回报。如今,双方将下一代 NVIDIA 基础设施投入生产,标志着从训练到推理再到智能体自主行动的完整闭环形成。这一合作不仅重塑了 AI 云服务的技术架构,也为大规模智能体部署提供了可复制的商业模型,对云厂商、AI 创业公司和算力供应链都将产生深远影响。
2026 年 9 月,NVIDIA 与 CoreWeave 宣布完成智能体 AI 闭环,将下一代 NVIDIA 基础设施投入生产。这一合作建立在双方近十年的联合工程之上,CoreWeave 从一开始就围绕 NVIDIA 的计算、网络和软件构建了专为 AI 工作负载设计的云平台。从早期的 GPU 集群到如今的 Blackwell 架构,CoreWeave 在多代硬件迭代中持续为客户提供训练和推理服务,并实现了稳定的投资回报。此次升级的核心是将 NVIDIA 最新的 Vera 和 Rubin 平台引入生产环境,同时整合了专为智能体工作流优化的软件栈,使得从模型训练、微调、推理到智能体自主决策与行动的整个链路可以在同一基础设施上无缝运行,真正实现了“智能体 AI 闭环”。 这一闭环的技术意义在于,它将原本割裂的 AI 工作流统一到一个高度协同的系统中。传统上,大模型的训练需要大规模、高吞吐的算力集群,而推理则更注重低延迟和高并发,智能体应用又引入了工具调用、记忆管理和多步推理等新需求。CoreWeave 的云平台通过 NVIDIA Quantum InfiniBand 网络和 Spectrum-X 以太网,将数千个 GPU 节点连接成低延迟、高带宽的算力池,同时利用 NVIDIA AI Enterprise 软件套件中的 NeMo、Triton 推理服务器和 cuOpt 等微服务,为智能体提供从数据预处理到实时决策的全栈支持。特别是针对智能体常见的“思考-行动-观察”循环,平台通过动态批处理、KV 缓存优化和自适应并行策略,大幅降低了端到端延迟,使得智能体在调用外部 API 或数据库时不会因等待推理结果而卡顿。这种技术架构的突破,让企业可以像部署传统微服务一样部署智能体,而无需在多个异构系统之间进行复杂的数据搬运和状态同步。
从商业角度看,CoreWeave 的模式正在改写 AI 云服务的竞争规则。与通用云厂商不同,CoreWeave 不做存储、数据库等传统服务,而是将所有资源集中在 AI 工作负载上,其基础设施利用率远高于混合云。这种专注使其能够以更低的单位算力成本提供更高性能的 GPU 实例,并通过长期合同锁定客户。此次引入下一代 NVIDIA 硬件后,CoreWeave 进一步巩固了其在 AI 原生云领域的先发优势。对于客户而言,这意味着他们可以在同一个云上完成从模型研发到智能体产品化的全流程,避免了跨云迁移带来的数据流出成本和兼容性风险。尤其对于正在构建复杂智能体系统的企业,如自动驾驶仿真、药物分子生成、金融交易助手等,这种端到端的闭环能力直接转化为更快的迭代速度和更低的运维复杂度。与此同时,CoreWeave 的上市和持续融资也表明,市场对这类专业 AI 基础设施提供商给予了高估值,这可能会吸引更多资本涌入该赛道,推动算力供给侧的进一步分化。 行业影响方面,NVIDIA 与 CoreWeave 的深度绑定正在重塑整个 AI 产业链。对于上游的芯片设计,这种合作模式为 NVIDIA 提供了稳定的需求信号和真实的部署反馈,使其能够更快地迭代架构,例如 Vera 和 Rubin 平台中针对智能体负载的稀疏计算和内存带宽优化,很大程度上就来源于 CoreWeave 的实际运行数据。对于中游的云服务市场,CoreWeave 的崛起给 AWS、Azure 和 Google Cloud 带来了直接压力,迫使这些巨头加速推出更专用的 GPU 实例和 AI 平台服务,甚至开始自研 AI 芯片以降低对 NVIDIA 的依赖。对于下游的 AI 应用公司,闭环基础设施降低了智能体开发的门槛,但同时也加深了它们对特定技术栈的依赖,一旦选择 CoreWeave 加 NVIDIA 的组合,迁移到其他平台的技术成本和商业代价都会很高。此外,这种闭环还可能加速智能体在垂直行业的落地,因为企业不再需要自行集成和调优复杂的软硬件栈,可以直接在 CoreWeave 上调用预配置的智能体框架,如 LangChain、AutoGPT 等,并快速扩展到数千个并发智能体。
展望未来,有几个信号值得密切关注。首先,CoreWeave 是否会进一步向上层应用延伸,推出自己的智能体编排平台或行业解决方案,从而与客户形成既合作又竞争的关系。其次,NVIDIA 是否会通过类似 CoreWeave 的模式,扶持更多区域性 AI 云服务商,构建一个分布式的算力网络,以应对地缘政治和供应链风险。第三,随着智能体闭环的成熟,算力的计量方式可能从简单的 GPU 小时转向更复杂的“智能体任务完成量”,这将对定价模型和成本优化策略产生根本性影响。最后,监管层面可能会对高度集中的 AI 基础设施产生关注,因为一旦少数云平台成为智能体部署的默认选择,数据主权、模型安全和竞争公平性都将面临挑战。无论如何,NVIDIA 与 CoreWeave 的这次闭环,不仅是技术上的里程碑,更可能成为 AI 产业从模型竞赛转向应用落地竞赛的关键转折点。