英伟达旗舰AI服务器DGX B300，在黑市上的价格已从半年前的400万元，飙升至800万元以上。
它只是让算力变得更贵，也更脆弱。花天价买回来的，可能是一台没有官方支持、坏了也找不到官方维修的算力孤岛。
这才是黄仁勋那句话真正锋利的地方：黑市可以帮你买到硬件，却买不到让硬件持续运转的生态。
《金融时报》的调查揭示了一个冷峻现实：美国对非法出口芯片的打击正在收紧，而国内对算力的需求没有消失。
DGX B300包含8枚Blackwell GPU，在美国市场的通常零售价约为40万美元。如今，它在黑市上的标价已经冲到110万美元左右。
对一些急需部署大语言模型的初创公司来说，RTX 6000 Pro工作站芯片原本是相对经济的选择。现在，这个选项也变得越来越奢侈。它的价格从年初约5万元一路涨到13万元，涨幅超过一倍半。
过去，灰色地带足够宽，足以容纳一个半公开的交易网络。现在，这个网络正在从两端被收紧。
国内科技公司正在竞相把AI应用和自主智能体商业化。这催生了一种新的需求结构。
现在，越来越多需求转向推理。把模型部署到用户面前，让它实时响应、稳定运行，同样需要大量算力。
现实是，供应限制还在，国产替代方案的软件和部署生态仍需要时间。对很多企业来说，英伟达芯片，哪怕是旧款，哪怕来自灰色渠道，仍然是最现实的选择。
华为最近发布了旗舰AI处理器昇腾950PR，正在接受大型数据中心客户测试，并被定位为运行推理的首选硬件。
先进的AI数据中心是庞大而集成的系统，需要可信赖的硬件、软件、网络和持续的支持。
这意味着，如果一个黑市买家花110万美元购入的DGX B300服务器出现故障，很可能无法获得官方诊断、维修和后续支持。
黑市流入的硬件来源杂乱、批次不一，缺少官方认证和系统级调试。花天价买回来的硬件，如果没有稳定网络和持续支持，就很难发挥出成规模集群应有的效率。
随着各地执法部门和英伟达自身合规体系织成一张更密的网，走私被发现、被追责的概率正在上升。
对任何一家成规模的企业来说，把核心业务押在一个随时可能崩塌的供应链上，风险已经远远超过贵不贵这个问题。
虽然美国已批准部分H200发货的许可证，但英伟达称尚未由此产生任何收入，也不确定相关产品是否会被允许进口。
当Blackwell架构的新货更贵、更难拿、风险更高，买家开始转向上一代，甚至上上代产品。
这种在数据中心领域已经算不上前沿的处理器，服务器价格从去年底约20万元，一路涨到最高60万元。
贸易商反映，客户开始越来越多地购买那些原本并非为AI数据中心设计的硬件，包括可以被修改以运行AI工作负载的游戏处理器。
有一种做法，是把受限芯片装进其他本身被允许进口的服务器里，试图用整机身份掩盖核心部件。
贸易商透露，交易链条通常是这样运作的：经纪人先支付押金，在海外锁定服务器货源，然后再安排运输。
《金融时报》调查发现，中国GP正规买球的网站U租赁价格已经与美国持平，在某些配置上甚至更高。
尤其是基于英伟达最新Blackwell芯片的系统，过去的价格竞争优势已经消失。
黑市硬件的高昂采购成本、转运过程中的额外开支、规避风险所需的缓冲费用，最后都会体现在每小时GPU租赁单价上。
它像一道建在水流中途的水坝，没有完全截断水流，却抬高了下游每一滴水的价格。
对需要长期稳定算力支持的AI企业来说，这种隐性成本可能比单纯硬件涨价更具破坏性。
英伟达系统可能不是购买成本最低的，但能产生成本最低的Token、最高的Token吞吐量和最多的收入。黄仁勋对股东这样表示。
真正的成本，不在服务器标价上。而在每生成一个有效Token所花费的金钱和时间里。
如果把支持、维护、稳定性和风险都算进去，那条看似能绕开限制的走私之路，恰恰可能是通向死胡同的最贵路径。
当黑市买家为一张流向不明的GPU支付数倍溢价，却无法获得任何后续保障时，英伟达站在另一端。它仍然在用生态和合规，把算力价值的定义权握在自己手里。
而对黑市买家和卖家来说，黄仁勋那句死胡同的判词，正在被每一笔高价交易、每一次冒险转运、每一台坏了却无人维修的服务器印证。
他们面对的，不只是翻倍的价格，还有随时断裂的供应链、无援的技术困境，以及持续累积的合规和法律风险。
它只是把一部分企业对高端英伟达算力的获取，从可预期的商业采购，变成了一条充满不确定性的高风险路径。
价格翻倍，供应链随时断裂，软件生态跟不上，坏了找不到官方维修。每一个环节都在叠加成本。
美国再对伊朗实施军事打击；苹果寻求从长鑫存储购买芯片；英格兰2比0胜巴拿马小组出线；我国核聚变取得重要突破；娃哈哈回应纯净水涨价丨每经早参
【数智周报】DeepSeek：计划将所有部门的规模扩大至少一倍；黄仁勋股东大会放言：本轮AI基建周期长达数十年；字节豆包Seedance 2.5将在7月
我们自费1w购买了砺算、摩尔线程、英伟达，你想看的都在这里：国产显卡全维度深度体验！【X.PIN】
SemiAnalysis：从基础设施到模型层，AI价值链上的财富迁移正在提速
