黄仁勋在公开场合谈及欧洲 AI 产业现状,他认为欧洲拥有人才、科研、产业等百万个有利条件,本该在 AI 赛道取得优势,但当前欧洲的 AI 算力占全球比例还不到 5%,短板集中在高性能 GPU 集群建设、算力基建落地速度上,核心逻辑是 AI 竞争高度依赖算力底座,哪怕算法、应用、人才储备再好,没有足够算力也很难把技术转化成大规模 AI 产品,他指出欧洲在监管、审批、能耗、土地配套等环节拖慢了算力建设节奏,想要追赶就需要简化算力项目落地流程、加快数据中心建设,整套观点是站在算力供给视角分析区域 AI 竞争力,并不是否定欧洲的科研和应用能力,只是点明算力供给已经成为欧洲 AI 发展最主要的瓶颈,后续欧洲各国也在陆续出台政策,试图降低算力项目落地门槛,拉动本土算力规模增长。欧洲高校、科研机构密集,机器人、工业软件、生物医药、自动驾驶这些行业基础很强,天然适合落地行业大模型;但高性能 AI 数据中心建设涉及环评、能耗审批、电网扩容、土地规划,流程链条很长;算力供给不足,会限制本土大模型训练、推理服务规模化;同时欧洲的 AI 法案带来严格合规要求,在规范风险的同时,客观上增加了算力项目的落地成本。
一、发言核心信息清单
- 发言人物:黄仁勋
- 核心观点:欧洲拥有丰富优势条件,但是全球 AI 算力占比不足 5%
- 优势项:科研人才、工业基础、行业场景、学术积累充足
- 核心短板:高性能 AI 算力基础设施规模偏小,算力项目落地慢
- 主要制约因素:审批流程、能耗管控、电网配套、监管规则
- 指向结论:算力底座跟不上,会制约欧洲 AI 产业规模化发展
二、欧洲 AI 优势与算力短板对比表
| 项目 | 欧洲具备的优势 | 欧洲 AI 算力现存短板 |
|---|---|---|
| 产业基础 | 高端制造、工业自动化、医疗、汽车场景丰富 | 大规模 GPU 集群数量偏少,全球占比不足 5% |
| 人才科研 | 顶尖高校、AI 科研团队储备充足 | 算力采购、上架、投产周期长,扩产速度慢 |
| 政策环境 | 重视 AI 安全、版权、用户隐私保护 | 能耗、环评审批复杂,抬高算力项目落地门槛 |
| 商业化潜力 | 行业大模型、工业 AI 落地空间大 | 算力供给不足,很难支撑自研基础大模型持续迭代 |
三、补齐 AI 算力短板一般推进步骤
- 政策优化:简化 AI 算力数据中心的环评、能耗审批流程,明确支持规则
- 基建配套:升级区域电网,保障高功率算力集群的电力供给
- 资本投入:吸引资金建设大型 AI 算力中心,采购高性能加速芯片
- 生态配套:配套液冷机房、高速互联网络、存储系统,搭建完整集群
- 落地应用:向本土 AI 企业、科研机构开放算力,支撑模型训练与推理
- 持续迭代:根据产业需求持续扩容算力,形成长期供给能力
四、观点对应的影响边界
- 该观点侧重算力供给维度,不代表欧洲 AI 技术、应用层面没有竞争力
- 算力占比是动态指标,欧洲多国已经推出算力扶持计划,未来占比存在提升空间
- 监管规则本身有防范 AI 风险的价值,只是在落地效率上和快速扩产存在平衡难题
【常见问题】
问题 1:黄仁勋称欧洲有百万个理由能赢,AI 算力却不足 5%,这个 5% 指的是什么?
回答 1:黄仁勋所说的 AI 算力不足 5%,指欧洲当前高性能 AI 算力在全球总算力当中的占比低于 5%,代表本土算力底座规模偏弱。
问题 2:欧洲明明科研和工业基础很强,为什么 AI 算力建设进度偏慢?
回答 2:黄仁勋指出欧洲算力发展受限,主要是能耗、环评、土地审批流程繁琐,电网配套改造周期长,拖累了 AI 算力中心落地节奏。
问题 3:算力占比不足,会给欧洲 AI 发展带来哪些直接影响?
回答 3:欧洲 AI 算力占比不足,会很难支撑本土基础大模型的大规模训练,推理服务成本偏高,不利于本土 AI 企业快速做大、参与全球 AI 竞争。
【数据来源】
[2026-11-06](黄仁勋怒批欧洲:有百万个理由能赢,AI 算力却不足 5%)36 氪
[2026-11-06](Jensen Huang talks Europe AI compute gap)The Verge
[2026-11-04](欧洲各国 AI 算力扶持政策汇总)机器之心
【免责声明】
本文仅转述公开场合发言观点,算力统计口径不同数值会存在差异,欧洲 AI 监管与算力建设取舍存在多方不同看法,本文观点仅为发言内容整理,不代表对欧洲 AI 产业的定性判断,不构成产业投资建议。
