随着AI算力规模迈向吉瓦级，市场对于NVIDIA竞争力的判断也在发生变化。相比GPU本身的性能和供应能力，内存、存储、网络以及数据流的系统级协同，正成为决定AI数据中心性能与成本的关键因素。

据科技媒体TechCrunch 8月29日（当地时间）报道，在NVIDIA公布业绩后，市场分析普遍认为，其优势已不再仅仅体现在GPU供应领先，更在于对整个数据中心架构的整合能力。

在AI热潮初期，NVIDIA凭借对高端GPU的近乎垄断式供应，获得了可观收益。不过，随着Amazon、Google等超大规模云服务商加快推进自研AI芯片，市场对其GPU优势还能维持多久的担忧也随之升温。

自2023年初至2025年中，NVIDIA市值累计接近增长十倍；但过去一年，其股价涨势已明显放缓。这一变化同样反映出市场对竞争加剧的顾虑。

不过，随着AI基础设施持续扩张，行业竞争的重心本身也在转移。对于大规模AI数据中心而言，仅靠提升GPU算力已不足以解决效率问题。要实现高效运行，还需要同步优化内存、存储和网络之间的协同，并确保所需数据能够及时送达GPU。

在这一背景下，NVIDIA正将战略重点从单一GPU，进一步延伸至数据中心关键硬件与系统方案的一体化布局。

其中，下一代Vera Rubin架构是这一方向的代表。NVIDIA计划将Rubin GPU与Vera CPU结合，并把推理加速器、存储设备以及网络机架等组件整合进同一套系统方案。

这一布局的重点，并不只是增加计算单元数量，而是尽可能减少因数据传输不及时或网络瓶颈导致的算力闲置，从而提升数据中心整体效率。

NVIDIA存储技术负责人、副总裁Jason Hardy在谈及Vera的意义时表示，单台服务器或计算平台可搭载的内存存在物理上限。即便数据中心的算力和内存容量同步增长，如果无法及时将所需数据传送给GPU，整个系统的效率仍可能下降。

Hardy称，Vera CPU在部分加速相关任务中可带来最高3倍的性能提升，并有助于让闪存存储性能在不受瓶颈制约的情况下得到更充分释放。

对于试图提升单位电力可处理Token数量、同时压降成本的AI服务企业而言，这种对数据流的控制能力，可能成为新的关键竞争要素。

类似思路也出现在其他AI公司身上。OpenAI本月初在博客中介绍，其自研“Jalapeño”芯片将重点放在减少数据移动和通信延迟上，希望尽可能在统一互连系统内完成整体任务，降低数据搬运需求，并提升请求处理全流程的速度与效率。

两家公司的路径并不完全相同。OpenAI更倾向于在一体化芯片内部完成任务，以减少数据移动本身；而NVIDIA则更接近通过统筹GPU、CPU、存储和网络等全栈系统能力来提升效率。

不过，二者的共同点十分明确：随着AI基础设施加速扩张，相比单纯提升处理器算力，如何以更快、更高效的方式完成数据传输，正变得愈发重要。

这也意味着，AI芯片竞争正在从“GPU单品性能对比”，转向“数据中心整体系统设计能力”的较量。

未来，NVIDIA仍将面对来自自研AI芯片的超大规模云服务商及其他芯片厂商的挑战。但在AI基础设施竞争仍处于早期阶段的当下，相比打造一颗可与NVIDIA对标的GPU，让整个数据中心运转得更高效的系统能力，正成为更关键的变量。

NVIDIA能否从GPU厂商进一步进化为整合算力、内存、存储和网络的系统型企业，或将成为影响下一阶段AI基础设施市场竞争格局的核心看点。