今天真正值得留下来的 AI 更新只有两件。
但放在一起看，反而比硬凑第三则更有意思。
因为它们刚好代表 AI 算力正在往两个完全不同的方向走：
一边是：
大型 AI 贵到连 GPU 都开始变成金融资产。
另一边则是：
原本必须放在 Cloud 的 Agent，开始可以搬回自己桌上跑。
1. Amazon 据报想把 80 亿美元 Nvidia 芯片卖掉，再自己租回来
先看第一件比较反直觉的事。
Amazon 明明花了大量资金买 AI 芯片，
为什么现在反而准备：
把那些芯片卖给别人？
Financial Times 引述知情人士报导，
Amazon 最近正和投资人讨论，
把大约：
80 亿美元
的 Nvidia Advanced AI Chips，
移进一个 Special-purpose Vehicle，也就是 SPV。
这些不是还没买的未来订单。
报导指出，其中包含数千颗 Grace Blackwell 芯片，
已经安装在美国五个州、超过十座数据中心里。
卖掉之后，Amazon 还是继续用
这才是整件事最重要的地方。
Amazon 并不是：
把芯片卖掉 → 不做 AI。
而是可能采用：
Sell → Lease Back。
简单讲：
外部投资人透过 SPV 拥有这批芯片。
Amazon 再向这个 SPV 租用同一批设备。
所以从实际运作来看，
芯片仍然留在数据中心，
仍然继续替 Amazon 跑 AI。
真正改变的是：
谁在帐面上拥有这些昂贵设备。
为什么一家这么有钱的公司还要这样做？
因为现在 AI Infrastructure 的金额已经大到，
问题不再只是：
「公司有没有钱买 GPU？」
而是：
「几千亿美元的资本支出，到底怎么放在资产负债表上？」
AI 芯片本身非常昂贵。
但硬件同时又会：
折旧、
更新换代、
被下一代产品取代。
如果一家 Cloud Company 自己永久持有所有 GPU，
除了先拿出大量现金，
还要承受：
设备折旧、
技术淘汰、
资产价值下降。
所以把部分 Hardware 放进外部 SPV，
再用 Lease 的方式继续使用，
可以让资本结构变得更 Asset-light。
这种做法在飞机、房地产、基础设施等产业并不陌生。
现在：
AI GPU 也开始往同样方向走。
投资人买的其实不是「一张显卡」
如果最后交易成形，
外部投资人真正押注的是：
这批 Nvidia AI Hardware 未来几年仍然会有人需要。
Amazon 则支付 Lease Cost 继续使用。
Financial Times 据报指出，
SPV 还可以透过发债向外部投资人筹资，
Amazon 也可能提供最高约 10% 的 Equity Stake。
也就是：
AI Compute 开始被拆成一种可以：
持有、
融资、
发债、
租赁
的基础设施资产。
这已经离一般人想像的：
「科技公司买一些 GPU」
非常远了。
但目前还不是已完成交易
这一点必须分清楚。
目前是 Financial Times 引述知情人士报导，
Amazon 正和投资人讨论这个安排。
Reuters 转述时也指出，
Amazon 与 Nvidia 当时都没有立即回应评论要求。
所以现在正确的写法是：
Amazon 据报正在研究／洽谈这种结构。
不能写成：
「Amazon 已经正式把 80 亿美元芯片卖掉。」
而且这不是最近第一次看到 AI 融资变复杂
前一天我们才整理过：
Broadcom 同意最多替 Anthropic 提供 420 亿美元融资，
协助 Anthropic 支付长期 Compute Capacity。
更早之前，
市场上也出现：
芯片公司、
Cloud Provider、
AI Lab、
投资人
彼此提供：
资金、
担保、
芯片、
数据中心 Capacity。
现在 Amazon 又出现另一个方向：
把已经部署的 GPU 资产金融化。
这表示 AI Infrastructure 的竞争已经不只看：
谁拿得到芯片。
而是开始比：
谁有能力用最低的资本成本长期持有算力。
2. 另一边 Nvidia 却在做完全相反的事：把 AI 算力搬回桌上
同一天，
Nvidia 公布新的：
DGX Spark 64GB。
它不是大型数据中心机柜。
而是一台桌面级 AI Computer。
新的版本有：
64GB Unified Memory。
预计 10 月 23 日开始由：
Acer、
ASUS、
Dell、
Gigabyte、
HP、
MSI
等合作伙伴提供。
Nvidia 官方公布的起售价是：
4,999 美元。
64GB 听起来比现在很多高级电脑还普通，重点在哪？
关键不只是 RAM 数字。
DGX Spark 使用 Nvidia GB10 Grace Blackwell Superchip，
而且整套：
DGX OS、
CUDA-X AI Libraries、
Agent Toolkit、
Local Model Runtime
都已经集成。
Nvidia 想卖的其实不是：
「一台内存很多的电脑。」
而是：
一台打开后就能直接开发 Local AI Agent 的桌面系统。
官方列出的支持环境包括：
Ollama、
vLLM、
PyTorch、
llama.cpp
等常见 Local AI 工具。
Nvidia 说单机可以跑到 100B 级模型
依 Nvidia 官方说法，
一台 64GB DGX Spark 可支持最高约：
100 Billion Parameters
级别模型的部分 Local Workload。
实际能不能顺跑，
当然仍然会受到：
模型量化方式、
Context 长度、
KV Cache、
Agent 数量、
推理速度
等条件影响。
所以「支持 100B」不能理解成：
所有 100B 模型在任何设置下都能高速运作。
但方向很明显：
以前这种级别的工作，
一般开发者通常第一反应是：
租 Cloud GPU。
现在 Nvidia 想让更多任务作变成：
桌上就能跑。
更有意思的是：两台可以直接接起来
如果 64GB 不够，
Nvidia 推出的 Sync Cluster Assistant，
可以让两台 DGX Spark 直接连接。
官方表示，
两台 64GB 机器可以 Pool 成：
128GB Memory。
并进一步支持最高约：
200B Parameter
级模型。
Nvidia 甚至表示，
Cluster Assistant 可以自动：
侦测另一台设备、
验证设置、
设置 ConnectX-7 Network，
不必开发者自己手工搭整套 Cluster。
这件事真正值得注意的，
不是「两台电脑可以连接」。
而是 Nvidia 正尝试把以前属于：
小型数据中心
的工作方式，
做成：
桌面设备的标准功能。
Local AI 为什么现在突然开始重要？
不是因为 Cloud AI 不好了。
而是 Agent 开始带来新的需求。
例如一个 Coding Agent 可能：
整天读 Repository、
运行 Test、
重复改 Code。
Research Agent 可能：
长时间分析大量文档。
企业也可能有一些数据：
根本不希望一直送进外部 Cloud。
这时本机 AI 有几个很实际的优点：
第一：
数据可以留在本地。
第二：
不必每次都付 Cloud Inference 费。
第三：
长时间 Agent 可以一直跑。
第四：
不会因网络或 API Service 中断就全部停摆。
但它也有代价：
一开始就要买 Hardware。
要自己：
维护、
更新模型、
处理容量、
管理 Security。
所以 Local 和 Cloud 并不是谁一定取代谁。
今天真正值得看的，就是这个反差
在大型 AI 世界，
Amazon 面对的是：
80 亿美元的芯片要怎么融资？
到了个人开发者这一端，
Nvidia 面对的是：
怎么把足够大的 AI 算力压到一台桌面电脑？
一边把 GPU 变成：
可融资的 Infrastructure Asset。
另一边把 GPU 变成：
开发者身旁的 Personal AI Infrastructure。
这其实代表 AI 接下来可能不是只有：
Cloud。
也不是全部回到：
Local。
更可能形成三层。
第一层：超大型 Cloud AI
负责：
最强 Frontier Model、
大量 Training、
巨量 Inference。
需要数据中心、
电力、
大规模融资。
第二层：企业／团队 Private Compute
比较敏感的：
公司文档、
Codebase、
研究数据、
长时间 Agent
可能放在公司自己控制的设备。
第三层：一般 Cloud API
遇到需要：
最新模型、
偶尔的大工作、
弹性容量
时，
再叫 Cloud。
也就是：
不是所有工作都必须送到同一个地方。
这对一般用户有什么关系？
现在你使用 ChatGPT、Claude、Gemini，
通常不需要想：
背后 GPU 到底在哪里。
但 Agent 愈来愈普及后，
这件事情可能会开始影响：
价格、
隐私、
速度、
服务稳定性，
甚至你公司最后采购什么设备。
未来一家公司可能不是问：
「要不要用 AI？」
而是问：
哪些工作要用 Frontier Cloud Model？
哪些数据应该留在公司？
哪些 Agent 值得全年在本地跑？
今天 Amazon 和 Nvidia 两件事，
刚好把这个未来的两端同时摊开来。
推荐阅读
今日 AI 工具｜2026/09/08：UGREEN HomeAgent，把监视器、照片与智能家庭 AI 搬回家里跑，断网仍保留本地功能
AI 一分钟教学｜2026/09/08：HomeAgent 切到 Cloud AI 前，先问「这份原始数据真的需要送出去吗？」
