编辑 ｜ 云昭

“AI是一个五层蛋糕！”

“输入是电子，输出是 token，中间就是英伟达。”

“你为什么要让 AI 产业中的某一层失去整个市场，只为了让另一层受益？”

每次老黄分享，α含量都超标，料也很足！而这次，是看到的冲突性最猛烈的一次播客访谈了。

几个小时前，英伟达创始人黄仁勋在 Dwarkesh Patel 播客里回应了很多对敏感度超标但又十分重要的质疑。

比如，Anthropic 为什么后来选在采购谷歌的 TPU、AWS 的 Trainium，而不是 GPU？对中国卖芯片，如何保证美国的长期竞争？

再比如，英伟达的护城河究竟是什么？是对供应链的控制，还是CUDA生态对头部 AI 实验室的统治力？内部是如何分配GPU订单的？

隔着屏幕都能感受到那种“难以调和”的张力度！

整场对话中，黄仁勋回应了TPU竞争、能源瓶颈、中美芯片博弈的尖锐议题，同时也通过一个“五层蛋糕”模型，拆解了英伟达视角下：从“电子”到“Token”转化背后的商业本质。

首先，黄仁勋坦承早期判断失误，未能预见基础模型实验室需要百亿美元级别的资金支持，但的确钱也不够，导致 Anthropic 最初投向了 Google 和 Amazon 的怀抱。他明确表示，“类似的错误（在 OpenAI 身上）不会再犯”。

其次，老黄也澄清道：GPU 分配并非价高者得，而是基于订单、产能与数据中心准备度的“工业式排产”。并辟谣了一些不实的报道：马斯克、拉里·佩奇跟他聚会吃饭是有的，但丝毫不涉及 GPU 订单。

而对于主持人的好奇：“Nvidia 为什么自己不做云，成为 hyperscaler“，黄仁勋表示这并非能力问题，而是刻意选择“只做必须做的部分”，“多余的一点不做”，通过扶持 CoreWeave 等新型 AI 云形成繁荣的生态。

最为剑拔弩张的部分，也是最敏感的部分：中美对于AI安全的博弈。

他首次较明确表达：中国已有充足算力与芯片基础，限制出口无法阻止其发展。他表示，“算力封锁能压制中国 AI”的观点根本站不住脚。中国已经在能源、工程能力和人才上已具备完整体系，算力差距无法从根本上阻断发展。

而且他爆料到，Mythos 用的算力很普通，中国完全可以获得。这里他特别提到了华为在芯片领域的优势。

“华为刚刚经历了公司历史上最好的一个年度。他们出货了数以百万计的芯片。这个规模远远超过 Anthropic 所拥有的算力规模。”

黄仁勋认为，用算力压制中国，放弃中国市场，反而会倒逼中国研究出更聪明的算法，成为主流的AI栈。“让DeepSeek跑在华为芯片上可不是小事！”

其次，他提出一个核心判断：AI 竞争不只是模型或芯片，而是“五层结构”，从能源、硬件到应用，每一层都必须同时胜出。

而且，老黄对主持人“AI=核武器”的类比持强烈反对态度，认为这种叙事会抑制人才流入和产业发展。

此外，老黄给出了不少反行业直觉的观点。他认为算法进步（如 MoE、attention）对 AI 的推动甚至超过硬件，这直接削弱了“算力决定一切”的简单叙事。

再比如，提及现在芯片产能提升方面，老黄给出了一个冷门的答案：瓶颈在于“水管工”、“电工”。

另外，对于现在美国软件公司估值“缩水”的现象，业界普遍认为“AI 让软件变廉价”，但黄仁勋认为 Agent 的出现会让工具的使用频率指数级增长。

“目前限制软件公司的是工程师数量，未来 Agent 将以前所未有的方式通过现有工具探索设计空间。”

最后，老黄还爆料了一个内部观察到的信号：Nvidia 正在推动“推理分层定价”，高响应速度 token 将成为新的利润来源。

由此可以看出， AI 商业模式已经开始进入精细化分层的时代了。

英伟达不会被“商品化”，输入是电子，输出是 token，中间就是英伟达

主持人：我们看到一批软件公司的估值在下跌，因为大家预期 AI 会让软件变得商品化。有一种比较直观、甚至有点天真的理解是这样的：Nvidia 把 GDS2 文件交给 台积电，后者制造逻辑芯片和交换芯片，再把它们和 SK海力士、美光科技、三星电子 生产的 HBM 一起封装，然后送到t湾的 ODM 厂商组装成整机机架。从这个角度看，英伟达本质上是在做软件，而制造是别人完成的。如果软件被商品化了，那英伟达会不会也被商品化？

黄仁勋：归根结底，总要有一个过程，把电子变成 token，并且让这些 token 随时间变得更有价值，这件事很难被彻底商品化。而这是一段非常惊人的旅程。生成一个 token，就像让一个分子比另一个分子更有价值，让一个 token 比另一个 token 更有价值。这里面涉及的艺术、工程、科学和发明的复杂程度，我们现在正亲眼见证。这整个转化过程、制造过程，以及背后的科学，都远没有被完全理解，这条路也远没有走完。我不认为它会被商品化。

我们当然会让它变得更高效，但你刚才描述问题的方式，其实正是我对公司的心智模型：输入是电子，输出是 token，中间就是英伟达。我们的工作，是在“尽可能多做必要的事”和“尽可能少做不必要的事”之间找到平衡，从而以极高的能力完成这种转化。所谓“尽可能少做”，就是凡是我不需要亲自做的，就与合作伙伴一起完成，把它纳入我们的生态系统。

如果你看今天的英伟达，我们可能拥有最大的合作伙伴生态系统之一，既覆盖上游供应链，也覆盖下游，包括所有计算机厂商、应用开发者以及模型开发者。你可以把 AI 看成一个五层蛋糕，我们在这五层上都有生态布局。我们的策略是尽量少做，但我们必须做的那一部分，实际上极其困难。我不认为那部分会被商品化。另外，我也不认为企业软件公司会被商品化。

回应软件公司估值下跌：未来Agent反而会让软件公司爆发

黄仁勋：今天大多数软件公司本质上是工具制造商，有些是流程固化系统，但很多还是工具，比如 Excel 是工具，PowerPoint 是工具，Cadence Design Systems 和 Synopsys 也是工具公司。我看到的趋势其实正好相反：agent 的数量会指数级增长，工具的使用者也会指数级增长。这些工具的实例数量很可能会爆发式增长，比如 Synopsys Design Compiler 的实例数量会大幅增加，同时使用 floor planner、版图工具、设计规则检查工具的 agent 数量也会暴涨。

今天的限制在于工程师数量，未来工程师会被大量 agent 支持，我们将以前所未有的方式探索设计空间，而且依然会使用今天的这些工具。我认为工具的使用反而会让软件公司迎来爆发。之所以现在还没发生，是因为 agent 还不够擅长使用这些工具。未来要么这些公司自己构建 agent，要么 agent 会进化到足够好，能够熟练使用这些工具，我认为两者都会发生。

为什么上游供应链都喜欢找英伟达，黄仁勋：下游需求足够强，而且我有能力消化供给

主持人：在你们最近的财报中，提到与晶圆厂、内存厂和封装厂的采购承诺接近1000亿美元。SemiAnalysis 报道说这个数字可能达到2500亿美元。一种解读是，英伟达的护城河在于你们锁定了未来多年稀缺的关键组件。别人也许能设计出加速I器，但能不能拿到内存？能不能拿到逻辑芯片？这是否才是英伟达未来几年的真正护城河？

黄仁勋：这是我们能够做到、而别人难以做到的事情之一。我们在上游做了巨大的投入，有些是显性的，比如你提到的采购承诺；有些是隐性的，比如很多上游投资其实是供应链伙伴自己做出的，因为我会对这些公司的 CEO 说：这个行业未来会有多大，我为什么这么判断，我是如何推演的，以及我看到了什么。通过这种信息传递、愿景激励和认知对齐的过程，上游各个行业的 CEO 愿意投入。

为什么他们愿意为我投入，而不是为别人？因为他们知道，我有能力消化他们的供给，并通过下游卖出去。英伟达的下游需求规模巨大，这让他们愿意在上游进行投资。如果你看 GTC，大家会惊叹它的规模和参与者，那是一个完整的 360 度生态，整个 AI 世界都在这里汇聚。他们之所以聚在一起，是因为彼此需要看见对方。我把他们聚在一起，让下游看到上游，让上游看到下游，同时让所有人看到 AI 的进展。更重要的是，他们能见到原生 AI 公司和各种初创企业，亲眼看到我所描述的一切正在发生。我花了大量时间去不断向供应链、合作伙伴和生态系统传递这个机会。

有些人会说，“Jensen，你的 keynote 一直在发布新东西。”但其中有一部分听起来甚至有点像“教学”，甚至略显枯燥。这其实是我有意为之——我要确保整个供应链，从上游到下游，都理解即将发生什么、为什么会发生、什么时候发生、规模有多大，并且能够像我一样系统性地推理这些问题。

关于你说的护城河，我们确实是在为未来构建能力。如果未来几年是万亿美元规模，我们的供应链是能够支撑的。没有这样的覆盖能力和业务速度，就像现I金流一样，供应链也有流动性和周转。如果业务周转不够快，没有人会为某种架构建立供应链。我们之所以能维持这种规模，是因为下游需求足够强，而且他们能看到、听到这一切正在到来，这让我们能够以这样的规模去运作。

主持人：我还是想更具体地理解，上游是否能跟上。过去几年你们的收入每年都在翻倍，提供给全球的算力 FLOPS 甚至超过三倍增长。在这样的规模下还能翻倍，这很惊人。

黄仁勋：没错。

黄仁勋：“水管工、电工，反而是很难解决的瓶颈”芯片产能两三年就能解决

主持人：但从逻辑芯片来看，你们已经是 台积电 N3 制程最大的客户之一，在 N2 上也是主要客户之一。今年 AI 可能占 N3 的60%，明年甚至达到86%。当你已经是大头的时候，还怎么继续翻倍？这种增长是否会因为上游限制而放缓？有没有办法突破？我们要怎么做到每年多建一倍的晶圆厂？

黄仁勋：在某种程度上，当下的即时需求，确实已经超过了全球上下游的供给能力。在某些时刻，我们确实会被“水管工”的数量限制，这种情况是真实发生的。顺便说一句，也许该把他们邀请到明年的 GTC。这其实是个好问题。

一个健康的产业，本来就应该是“即时需求大于总供给”，反过来就不太妙。如果某个环节差距过大，整个行业就会一拥而上去解决它。比如你会发现，现在大家已经很少再讨论 CoWoS 了，原因是过去两年我们对它进行了疯狂的投入，连续翻倍、再翻倍，现在基本已经处在比较好的状态。

台积电已经意识到，CoWoS 的产能必须跟上逻辑芯片和内存的需求，他们正在以和逻辑制程相同的节奏扩展 CoWoS 和未来的先进封装技术。这非常关键，因为很长一段时间里，CoWoS 和 HBM 内存都被当作“特种技术”，但现在不一样了，它们已经成为主流计算技术的一部分。如今我们对供应链的影响力也更大了。在 AI 革命初期，我现在讲的这些话，五年前就已经在讲了，有些人当时就相信并投入，比如 Sanjay Mehrotra 和 美光科技 的团队。我至今还记得那次会议，当时我非常清楚地讲了会发生什么、为什么会发生，以及今天的这些预测。他们选择了加码投入。我们在 LPDDR 和 HBM 上深度合作，他们也进行了大量投资，这对他们来说回报巨大。也有一些公司晚一点才跟上，但现在大家都进来了。每一个瓶颈都会被高度关注，而我们现在已经在提前几年预判瓶颈。比如过去几年我们在 Lumentum、Coherent Corp. 以及硅光子生态上的投资，实际上重塑了供应链。

我们围绕台积电构建了一整套供应链体系，与他们在 COUPE 上合作，发明了大量新技术，并将这些专利授权给整个供应链，让体系保持开放。我们通过发明新技术、新流程、新测试设备（比如双面探测），投资公司并帮助它们扩大产能，来提前准备供应链。可以看到，我们是在主动塑造整个生态，让供应链能够支撑未来的规模。

主持人：听起来有些瓶颈更容易解决，有些更难。

黄仁勋：我刚才其实已经提到最难的那个了。

主持人：哪个？

黄仁勋：水管工，还有电工。这也是我对一些“末日论者”观点的担忧，他们在谈论“工作终结”“就业消失”。如果我们劝年轻人不要去做软件工程师，那未来真的会缺软件工程师。十年前也发生过类似的事，有人说“千万别当放射科医生”，说这是最先消失的职业。现在的结果是什么？我们正缺放射科医生。

回到刚才的问题，有些东西可以扩展，有些不行。比如如何每年把逻辑芯片产量翻倍？最终，内存和逻辑芯片的瓶颈在 EUV 光刻机。那怎么实现每年 EUV 数量翻倍？其实这些都不是无法扩展的难题，大多数问题在两三年内就能解决，关键是要有明确的需求信号。一旦你能造出一台，就能造十台；能造十台，就能造一百万台。这些东西本身并不难复制。

问题在于你要把视野延伸到供应链的多深层。你会不会去找 ASML 说：“三年后，如果英伟达要实现两万亿美元营收，我们需要更多 EUV 设备？”有些环节需要我直接推动，有些是间接推动。如果我能说服台积电，那 ASML 自然也会被说服。关键是识别那些真正的“卡点”。一旦台积电相信了，几年内就会有足够的 EUV 设备。我的判断是，没有哪个瓶颈会持续超过两三年。同时，我们还在把计算效率提升 10 倍、20 倍，从 Hopper 到 Blackwell，甚至达到 30 到 50 倍。因为 CUDA 足够灵活，我们还能持续创造新的算法和技术，在扩展产能的同时提升效率。这些都不让我担心。

真正让我担心的，是我们下游之外的因素，比如能源正策。如果能源供应受限，产业就无法发展。没有能源，就无法建立新的制造业体系。我们希望美国再工业化，把芯片制造、计算机制造、封装带回本土，同时建设电动车、机器人和 AI 工厂，但这些都离不开能源，而能源体系建设需要更长时间。相比之下，增加芯片产能是两三年的问题，提升 CoWoS 产能也是两三年的问题。

主持人：有意思，我有时会听到完全相反的说法，但我自己没有足够的技术背景来判断。

黄仁勋：你现在问的是专家。

谷歌TPU和英伟达GPU，黄仁勋：完全不同

主持人：确实。我想聊聊竞争对手。如果看 TPU，目前全球前三的大模型里，有两个：Claude 和 Gemini，都是用 TPU 训练的。这对英伟达意味着什么？

黄仁勋：我们做的是完全不同的东西。英伟达构建的是“加速计算”，而不是单一的张量处理单元。加速计算可以用于各种场景：分子动力学、量子色动力学、数据处理、数据框架、结构化数据、非结构化数据，也包括流体力学和粒子物理。当然，我们也用它来做 AI。加速计算的应用范围要广泛得多。

虽然今天大家都在讨论 AI，它确实很重要，但计算本身远不止于此。英伟达实际上重新定义了计算方式，从通用计算转向加速计算。我们的市场覆盖范围远远超过任何 TPU 或 ASIC。

如果看我们的定位，我们是唯一一家能够加速各种类型应用的公司，拥有庞大的生态系统，各类框架和算法都运行在英伟达之上。我们的系统是为“被他人操作”而设计的，任何运营者都可以直接购买和使用。但很多自研系统必须由自己来操作，因为它们从一开始就没有为通用性设计。

正因为任何人都能操作我们的系统，我们存在于所有云平台中，包括 Google、Amazon、Microsoft Azure 和 Oracle Cloud Infrastructure。如果你想把它作为租赁服务来运营，你就需要一个横跨多个行业的大规模客户生态来承接算力需求；如果你是自用，我们也可以帮你运营，比如我们为马斯克的 xAI 所做的那样。

因为我们能够支持任何行业、任何公司的运营需求，你可以用它在 礼来公司 建立一个用于科研和药物发现的超级计算机，我们可以帮助他们运行这个系统，并覆盖整个药物研发和生命科学的计算需求。

有大量应用场景是 TPU 无法覆盖的。英伟达通过 CUDA 也能很好地支持张量计算，但它同时覆盖了数据处理、计算和 AI 的完整生命周期。我们的市场空间更大，触达范围也更广。

因为我们现在支持几乎所有应用，你可以在任何地方部署英伟达系统，并且确信一定会有客户使用它。这是完全不同的。

英伟达GPU的核心优势：算法层面的创新，不只依赖摩尔定律

主持人：但问题在于，从“AI 本身”的角度看，什么才是最优解？我虽然不做底层细节，但我和一些 AI 研究者聊过，他们的说法是：TPU 本质上是一个很大的 systolic array，非常适合做矩阵乘法，而 GPU 更灵活，在分支多、内存访问不规则的情况下表现更好。但 AI 的本质似乎就是一遍又一遍地做可预测的矩阵乘法。既然如此，就不需要为 warp 调度器、线程切换、内存银彳这些东西浪费芯片面积。TPU 正好针对当前计算需求的主体，也就是这些矩阵计算，做了极致优化。你怎么看这种说法？

黄仁勋：矩阵乘法确实是 AI 的重要组成部分，但绝不是全部。如果你想设计一种新的 attention 机制，或者用不同方式做拆分，甚至发明一种全新的架构，比如混合 SSM，你就需要一个通用可编程的架构。如果你想把 diffusion 和自回归方法融合起来，也同样需要通用可编程性。我们的系统几乎什么都能跑，这就是优势所在。它让新算法的发明变得更容易，因为这是一个可编程系统。而推动 AI 快速进步的核心，其实正是新算法的不断涌现。

像 TPU 这样的架构，同样会受到摩尔定律的限制，每年大约提升25%。但如果你想实现 10 倍、100 倍的飞跃，就必须每年从根本上改变算法和计算方式。这正是英伟达的核心优势。

我们之所以能让 Blackwell 相比 Hopper 提升 50 倍效率（当初我说 35 倍时都没人相信）是因为我们在算法层面做了创新，而不是只依赖摩尔定律。比如 MoE 模型，通过并行化、解耦、分布式计算实现效率跃迁。如果没有 CUDA 去深入到底层、写新的 kernel，这些几乎不可能实现。这背后是两个能力的结合：一是架构的可编程性，二是英伟达极致的“协同设计”能力。我们甚至可以把部分计算下沉到互联层，比如 NVLink，或者网络层，比如 Spectrum-X。我们可以同时在处理器、系统、互联、库和算法多个层面做优化。如果没有 CUDA，我甚至不知道该从哪里开始。

CUDA的三点优势

主持人：来聊一聊英伟达的客户结构。你们60%的收入来自五大超大规模云厂商。在过去的时代，比如做科研的教授，他们必须用 CUDA，因为他们需要跑 PyTorch 和各种优化。但这些 hyperscaler 有能力自己写 kernel，甚至为了那最后5%的性能必须自己写。

比如 Anthropic 和 Google 很多时候都在用自己的加速I器，TPU 或 Trainium。即使是用 GPU 的 OpenAI，也在用 Triton 写自己的 kernel，甚至往下走到 CUDA C++，绕过 cuBLAS 和 NCCL，构建自己的软件栈，并且可以编译到其他加速I器上。如果你的大客户都可以、也确实在替代 CUDA，那 CUDA 在“前沿 AI”中的作用到底有多关键？

黄仁勋：CUDA 是一个非常丰富的生态系统。如果你要在任何计算平台上开发，从 CUDA 开始是非常聪明的选择。因为生态足够完善，我们支持所有主流框架。如果你要写自定义 kernel，比如 Triton，我们其实也做了大量贡献，它的后端包含大量英伟达技术。我们乐于帮助所有框架变得更好。现在有很多框架，比如 Triton、vLLM、SGLang，还有一批新的强化学习框架，比如 verl 和 NeMo RL。

随着后训练和强化学习的发展，这个领域正在爆发。如果你要基于某种架构开发，选择 CUDA 是最合理的，因为你可以信任这个生态。当系统出问题时，更大概率是你的代码，而不是底层复杂的基础设施。别忘了，这些系统涉及的代码规模是巨大的。你当然希望问题出在自己这里，而不是计算机本身。虽然我们也有 bug，但整个系统已经被充分打磨，你可以在这个基础上构建。这是第一点：生态的丰富性、可编程性和能力。

第二点，如果你是开发者，你最需要的是“装机量”。你希望你写的软件能运行在大量计算机上，而不是只服务自己。作为框架开发者，你是在为整个集群甚至整个行业写软件。CUDA 的生态就是英伟达最重要的资产。现在全球已经有数亿块 GPU，所有云平台都有，从 A10、A100、H100、H200，到 L 系列、P 系列，形态非常多样。如果你是做机器人，你也希望 CUDA 能跑在机器人本体上。我们几乎无处不在。这意味着一旦你开发了软件或模型，它可以在任何地方运行，这一点价值极高。

最后，我们存在于所有云平台，这一点也极其独特。如果你是 AI 公司或开发者，你未必一开始就知道要用哪家云，但无论在哪里运行，英伟达都在那里，甚至你也可以本地部署。生态的丰富性、装机规模以及部署灵活性，共同让 CUDA 变得不可替代。

大客户都可以自己写Kernel，会不会影响英伟达收入，黄仁勋提飞轮逻辑：没有人比我们自己更专业

主持人：这确实很有说服力。我好奇的是，这些优势对你们的核心客户来说，到底有多重要。能够自己构建软件栈的那类客户，其实占了你们收入的大头。尤其是在一个 AI 越来越擅长“可验证闭环任务”的世界里，可以对这些任务做强化学习优化。比如如何写一个 attention 或 MLP 的 kernel，让它在大规模系统中效率最高，这是一个非常容易验证反馈的过程。

那么这些 hyperscaler 是否都可以为自己写这些定制 kernel？当然，英伟达在性价比上依然很强，他们可能仍然会优先选择你们。但问题在于，这是否最终会变成一个纯粹的“参数比拼”，谁能在单位成本下提供更高的 FLOPS 和内存带宽？而历史上，英伟达在硬件和软件上一直拥有超过70%的利润率，很大程度上来自 CUDA 的护城河。如果大多数客户都有能力自建替代方案，这样的利润率还能维持吗？

黄仁勋：我们投入到这些 AI 实验室的工程师数量是非常惊人的，他们与客户一起工作，优化整个软件栈。原因很简单，没有人比我们更了解自己的架构。而且这些架构并不像 CPU 那样通用。CPU 更像一辆凯迪拉克，平稳舒适，不会特别快，但谁都能轻松驾驶。而英伟达的 GPU 和加速I器更像 F1 赛车，大多数人可以开到每小时一百英里，但要把性能推到极限，需要非常高的专业能力。我们自己也大量使用 AI 来生成这些 kernel。我很确定，在未来相当长一段时间里，客户仍然需要我们。

我们的专业能力，往往可以帮 AI 实验室在现有栈上再获得2倍性能提升，这是很常见的情况。有时在我们优化完某个 kernel 或整个系统之后，模型性能可以提升3倍、2倍，甚至50%。这个提升非常巨大，尤其是当你考虑到他们拥有的大规模 GPU 集群——无论是 Hopper 还是 Blackwell——当性能翻倍，收入也会直接翻倍。这是可以直接转化为收入的。英伟达的计算栈，在“总拥有成本（TCO）”上的性能表现是全球最优的，没有例外。没有任何一家公司能向我证明，在性能/TCO 上有更好的平台。现有的一些基准测试也是如此，比如 Dylan 的 InferenceMAX 就摆在那里，但没有一家——无论是 TPU 还是 Trainium——愿意出来对比。

我非常欢迎他们用 InferenceMAX 展示自己的推理成本优势，但这件事非常难，所以没人愿意参与。再比如 MLPerf，我也很欢迎 Trainium 来证明他们常说的40%优势。我也很想看到 TPU 展示成本优势，但在我看来，这在逻辑上根本站不住脚。

所以我们成功的原因很简单：我们的 TCO 优势非常明显。

其次，你说我们60%的收入来自五大客户，但这些业务大多数其实是“外部客户”的需求。比如在 Amazon Web Services 上运行的英伟达算力，大部分是服务外部客户，而不是 AWS 自己使用。在 Microsoft Azure 上，我们的客户全部是外部客户；在 Oracle Cloud Infrastructure 上也是一样。他们选择我们，是因为我们的覆盖面非常广，可以为他们带来全球最优质的客户，而这些客户本身就是构建在英伟达之上的。

这背后的飞轮是：装机规模、架构的可编程性、生态系统的丰富程度，以及全球大量 AI 公司。

如果你是一家 AI 初创公司，你会选什么架构？你会选最普及的、装机量最大的、生态最丰富的那一个，而这些我们都是第一。这就是飞轮的逻辑。

再加上几个因素：第一，我们的“单位成本性能”极高，意味着最低的 token 成本；第二，我们的“单位功耗性能”也是全球最高。如果一个合作伙伴建一个1GW的数据中心，它就必须产生最多的 token 和收入，我们在“每瓦 token 数”上是全球最优。最后，如果你的目标是出租算力，我们拥有全球最多的客户。这就是为什么这个飞轮能持续运转。

“如果没有Anthropic，TPU和Trainium的增长从哪里来？”

主持人：好，我先把问题问完，然后我们再一起讨论。如果关于价格、性能、能效这些判断都成立，那为什么像 Anthropic 这样的公司，最近还宣布与 博通 和 Google 达成多吉瓦级的 TPU 合作？甚至他们的大部分算力都在用这些方案。对 Google 来说，TPU 本来就是主要算力来源。如果看这些头部 AI 公司，他们的算力结构似乎在发生变化，曾经几乎全是英伟达，现在不再是这样。如果纸面上的优势都成立，为什么他们还会选择其他加速I器？

黄仁勋：Anthropic 是一个非常特殊的个例，不代表趋势。如果没有 Anthropic，TPU 的增长从哪里来？基本都是它带动的。同样，如果没有 Anthropic，Trainium 的增长从哪里来？也是它。我认为这一点其实是行业共识。并不存在一个广泛的 ASIC 机会窗口，本质上只有一个 Anthropic。但 OpenAI 也在和 AMD 合作，还在开发自己的 Titan 加速I器。

主持人：是的，但大家也都知道，他们绝大部分算力还是英伟达。

黄仁勋：我们未来仍然会有大量合作。我并不介意别人尝试其他方案。相反，如果他们不尝试，怎么知道我们的方案有多好？有时候需要对比一下才更清楚。我们必须持续“赢得”现在的位置。

行业里一直都有各种宏大的宣称，但你也看到有多少 ASIC 项目被取消了。设计 ASIC 并不意味着成功，你仍然要做出比英伟达更好的东西，而这并不容易，甚至可以说不太现实。很多人总觉得英伟达一定遗漏了什么，但考虑到我们的规模和迭代速度，我们是唯一一家每年都在实现巨大跨越的公司。我理解他们的逻辑是：“不需要比英伟达更好，只要别差超过70%就行”，因为他们认为你们有70%的利润空间。

别忘了，即便是 ASIC，利润率也很高。英伟达大约70%，但 ASIC 也有65%，你真正省下的并不多。

黄仁勋坦承：Anthropic在早期投资阶，自己段判断失误了

主持人：你的意思是像博通这样的公司？确实，总得有人转前。从我看到的情况来看，ASIC 的利润率其实也非常高，他们自己也这么认为，而且对此非常自豪。所以问题还是回到：为什么会出现现在这种局面？

黄仁勋：很早之前，我们其实没有能力去做这件事。当时我没有真正意识到，像 OpenAI 和 Anthropic 这样的基础模型实验室，构建起来有多困难，以及它们需要供应商本身提供多么巨大的资金支持。那时候我们无法为 Anthropic 提供数十亿美元的投资，让它使用我们的算力，但 Google 和 Amazon Web Services 可以。他们在早期投入了巨额资金，换取 Anthropic 使用他们的算力资源。我们当时没有这个能力。

我认为我的一个失误是，没有意识到他们其实没有其他选择，风险投资机构不可能投入50亿到100亿美元去赌一个 AI 实验室最终能成为 Anthropic。所以这是我的判断失误。但即便当时意识到了，我们也未必有能力去做。不过同样的错误我不会再犯。我很高兴投资 OpenAI，也很乐意帮助他们扩展规模，我认为这是非常必要的。后来当 Anthropic 找到我们时，我也很高兴成为投资方，帮助他们成长。只是当初我们确实做不到。如果可以重来一次，如果当年的英伟达有今天这样的规模，我会非常愿意更早参与。

主持人：这点其实很有意思。很多年来，英伟达一直是 AI 行业中最转前的公司之一，而现在你们开始把这些钱投出去。有报道称你们向 OpenAI 投了约300亿美元，向 Anthropic 投了100亿美元。随着这些公司的估值持续上涨，如果回到几年前，当时它们的估值只有现在的十分之一甚至更低，而你们已经有大量现I金，其实存在另一种可能：要么英伟达自己成为一家基础模型公司，要么更早以更低估值达成这些投资。那为什么没有更早这么做？

黄仁勋：我们是在有能力的时候第一时间做的，如果可以更早，我也会更早去做。但在 Anthropic 当时需要我们的时候，我们确实没有这个能力，也没有这样的认知。

主持人：是资金的问题吗？

黄仁勋：一方面是投资规模太大。当时我们从未在公司外做过如此大规模的投资，也没有意识到有这个必要。我一直以为他们可以像其他公司一样从风投那里融资。但他们要做的事情，风投是无法支撑的。

OpenAI 的路径也是一样。我现在明白这一点了，当时并没有意识到。这也是他们聪明的地方，他们很早就看清了这一点，并采取了相应的策略。我很高兴他们这么做了。即便这让 Anthropic 当初不得不去找其他合作方，我仍然认为这是好事。Anthropic 的存在对整个世界都是有价值的。

为什么英伟达不自己做云？黄仁勋：“做必要的全部，多余的一点不做”

主持人：你们现在依然在持续赚很多钱，而且每个季度都在增长。即便如此，回头看也难免会有一些遗憾。所以问题还是回到现在：既然你们有这么多现I金，英伟达接下来应该怎么用？现在有一个中间层生态在兴起，把资本开支转化为运营开支，让这些 AI 实验室可以租用算力。芯片本身很贵，但随着模型能力提升，它们在生命周期内能创造更多价值。既然英伟达有能力承担这些前期投入，比如你们为 CoreWeave 提供了最高63亿美元的担保，还投资了20亿美元，那为什么不自己做云？为什么不成为 hyperscaler，直接把算力租出去？

黄仁勋：这是公司的一个核心理念，而且我认为是正确的：我们应该做“必要的全部，但不必要的一点不做”。

换句话说，在构建计算平台这件事上，如果我们不做，就真的没有人会去做。如果我们不承担这些风险——比如打造 NVLink、构建完整的软件栈、建立生态系统，甚至在 CUDA 上投入20年、长期亏损——这些事情都不会发生。如果我们不开发 CUDA-X 这些面向特定领域的库，比如光线追踪、图像生成、早期 AI 模型、数据处理、结构化和向量数据处理等，这些也不会有人来做。我对此非常确定。我们甚至开发了计算光刻库 cuLitho，如果不是我们，也不会有人做。

所以，如果没有这些投入，加速计算不会发展到今天这个程度。这些事情是我们必须做的，也是我们应该全力以赴去做的。但云计算不同，世界上已经有很多云厂商。如果我们不做，也一定会有人来做。所以按照“做必要的全部、但尽量少做”的原则，我们不会亲自下场做云。

但如果我们不支持像 CoreWeave 这样的公司，这些新型 AI 云（neocloud）也不会出现。如果我们不支持 Nscale，他们不会发展到今天；如果我们不支持 Nebius，情况也是一样。我们选择投资生态，是因为希望整个生态繁荣发展。我们希望 AI 能连接尽可能多的行业、国家，让整个世界都建立在 AI 之上，并且建立在美国技术栈之上，这就是我们的愿景。还有一点，你提到现在有很多优秀的基础模型公司，我们的策略是尽可能投资所有人。我们不去押注单一赢家，这是我们的原则，也是业务上的必然选择。

“不刻意押注单一赢家”的逻辑

主持人：为什么刻意不去选择赢家？

黄仁勋：第一，这不是我们的职责。第二，当年英伟达刚成立的时候，市场上有60家做3D图形的公司，最后只剩下我们一家。

如果你当年面对那60家图形公司，试图判断谁能活下来，英伟达大概率会被排在“最不可能成功”的名单前列。这发生在你出生之前，当时英伟达的图形架构是完全错误的，不是“有点问题”，而是从根子上就错了。我们做出来的架构，开发者几乎不可能支持，从一开始就看起来不可能成功。我们是基于一套合理的第一性原理去推演的，但最终得到的是错误的答案。按当时的情况，所有人都会把我们排除在外。但结果你也看到了，我们活下来了。所以我始终保持足够的谦逊，不去“选赢家”。要么让他们自己发展，要么就支持所有人。

主持人：有一点我没太理解。你一方面说不会因为这些是 neocloud 就刻意扶持它们，另一方面又说如果没有英伟达，这些公司就不会存在，这两点怎么同时成立？

黄仁勋：首先，是他们自己想要存在，他们带着商业计划、能力和热情来找我们。他们本身必须具备一定能力。如果在启动阶段需要资金支持，我们会提供帮助。但一旦他们的飞轮开始运转……你刚才的问题是，我们是否想做“融资业务”？答案是否定的。这个世界上已经有专门做融资的人，我们更愿意与他们合作，而不是自己成为资金提供方。我们的目标是专注于我们擅长的事情，让商业模式尽可能简单，同时支持整个生态。当像 OpenAI 这样的公司，在上市前需要300亿美元级别的资金，而我们又深信它的价值——它已经是一家非常卓越的公司，未来会更强，世界需要它存在——那我们就会支持它、帮助它扩张。这类投资我们会做，因为它们“需要我们做”。但我们的原则始终是：做必要的，不做多余的。

主持人：这听起来很合理。

英伟达如何与客户商讨GPU订单？

主持人：回到一个更现实的问题。过去这些年我们一直处在 GPU 短缺的状态，而且随着模型能力提升，这种短缺还在加剧。英伟达在分配这些稀缺资源时，并不是简单价高者得，而是会考虑生态，比如给 CoreWeave、Crusoe、Lambda Labs 这些 neocloud 分配一部分。这对英伟达来说为什么是好事？或者说，这种“分散市场”的说法是否成立？

黄仁勋：不，这个前提就是错的。我们对这些事情是非常谨慎的。首先，如果你没有下采购订单（PO），再多讨论都没有意义。在收到订单之前，我们能做什么？所以第一件事是，我们和所有客户一起努力做需求预测，因为这些设备和数据中心建设都需要很长时间。我们通过预测来对齐供需，这是第一步。

第二，我们尽可能和更多客户一起做预测，但最终你还是要下订单。如果你没有下单，那我也没办法。从某个时点开始，就是“先进先出”。另外，如果你的数据中心还没准备好，或者某些关键组件还不到位，导致你无法部署系统，我们可能会先服务其他客户。这本质上是为了最大化我们工厂的吞吐能力。除此之外，优先级就是简单的先进先出——你必须下单。

假的！马斯克没吃饭求GPU！

黄仁勋：有些传言，比如说拉里·佩奇和马斯克跟我吃饭时“求 GPU”，其实并不存在。我们确实一起吃过饭，也很愉快，但从来没有人“求 GPU”。他们只需要下订单。一旦下单，我们会尽最大努力提供产能。我们的逻辑很简单。

主持人：听起来像是一个排队系统，根据你什么时候下单、数据中心是否准备好来决定交付时间。但似乎并不是价高者得？

黄仁勋：我们从不这么做。

主持人：为什么不？

黄仁勋：因为那是很糟糕的商业行为。我们定一个价格，客户决定买不买。有些芯片公司会在需求高时涨价，但我们不会。你可以信任我们。我更希望成为一个可靠的存在，成为整个行业的基石。你不需要反复猜测价格——报价是多少，就是多少。即便需求暴涨，也不会改变。反过来，这也是为什么我们和台积电 的关系这么稳固。

主持人：对，你们合作差不多30年了。

黄仁勋：是的，而且我们之间甚至没有正式的法律合同。这其中有一种“默契的公平”。有时候我占便宜，有时候他们占便宜，但整体关系非常牢固。我完全信任他们，也完全依赖他们。同样，客户也可以信任英伟达：今年你会看到 Vera Rubin，明年会有 Vera Rubin Ultra，再下一年是 Feynman，再之后还有新的架构。每一年，你都可以依赖我们。你很难找到另一支 ASIC 团队，可以让你把整个业务押上去，相信他们每年都会交付，而且 token 成本每年都能下降一个数量级，像时钟一样稳定。

给英伟达下一个1000亿美元的AI工厂订单完全没问题

主持人： 我刚才提到了台积电。在历史上，没有其他晶圆厂能让你说出这样的话。

黄仁勋： 但你今天可以这样评价英伟达。你可以每一年都依赖我们。如果你想买价值10亿美元的AI工厂算力，没问题；如果你只想买1亿美元，也没问题；1,000万美元可以，一整柜可以，一张显卡也可以。甚至你想下一个1,000亿美元的AI工厂订单，也没有问题。

今天全世界只有我们一家公司能做到这一点。我对台积电也可以这么说——买一个，买10亿，都可以，只需要走正常的规划流程，做成熟企业该做的事情。英伟达能成为全球AI产业的基础，这个位置是几十年投入、承诺和坚持换来的。公司的稳定性和一致性非常重要。

Mythos 用的算力很普通，中国完全可以获得呼吁中美科研交流，不应该打压中国AI

主持人： 我想聊聊中国。这个问题我自己其实也没有定论，但我喜欢从反面挑战嘉宾。之前我问支持出口管制的 Dario Amodei，为什么不能让中美各自拥有“天才数据中心”。现在你立场相反，我换个问法。比如 Anthropic 刚发布的 Mythos Preview，他们甚至不公开，因为它有很强的网络攻击能力，可以发现大量漏洞。那如果中国公司和正府也能用这些AI芯片训练类似模型，并大规模运行，这会不会威胁美国安全？

黄仁勋： 首先，Mythos 用的算力其实很普通，而且这种算力在中国是完全可以获得的。你得先承认，中国是有芯片的。他们生产全球大约60%的主流芯片，甚至更多，这是个非常庞大的产业。他们也有世界顶级的计算机科学家，很多AI实验室里的研究员本来就是中国人，占全球大约一半。

再考虑他们拥有的资源：充足的能源、足够的芯片、大量AI人才。如果你担心他们，最好的方式是什么？把他们当敌人、打压他们，这不一定是最优解。他们确实是竞争对手，我们当然希望美国赢，但保持对话、保持科研交流，反而更安全。现在最大的问题是这种交流几乎不存在。两边的AI研究人员应该交流，也应该讨论哪些事情不该用AI做。

黄仁勋： 至于用AI找软件漏洞，这本来就是AI该做的事情。软件里本来就有大量漏洞，包括AI系统本身。AI能帮我们更高效，这是好事。一个被低估的点是：围绕AI安全，其实已经有一个非常丰富的生态——网络安全、隐私、安全机制等等。有很多AI初创公司在做一件事：让一个强大的AI，被成千上万个AI守护。未来一定是这样，一个AI不可能在没人监管的情况下运行。这也意味着，我们需要一个开放的生态：开源、开放模型、开放技术栈，让全球研究者都能参与构建“安全的AI”。而这些开源贡献里，很大一部分来自中国。我们不应该去压制它。

关于中国，我们当然希望美国拥有尽可能多的算力。目前美国的瓶颈其实是能源，这需要解决。同时，我们也希望全球开发者都基于美国技术栈开发AI，把创新带回美国生态。如果最终形成两个体系，一个开源但运行在非美国技术栈上，一个封闭运行在美国体系上，那对美国来说是很糟糕的结果。

半导体行业都知道，中国在主流芯片方面是垄断性地位

主持人： 我整理一下担忧。中国现在因为制程限制（比如7nm，没有EUV），算力大概只有美国的十分之一。所以美国公司能更早达到像 Mythos 这样的能力，并提前部署、修补漏洞。如果中国后来才追上，风险会更可控。而且推理阶段的算力规模也很关键，一个黑客有一百万个AI实例和一千个完全不同。所以问题是，是不是应该让美国始终保持算力优势，从而先一步应对这些风险？

黄仁勋： 我们当然始终拥有更多算力。但如果你要让你刚才那个结论成立，就必须把事情推到极端——他们必须完全没有算力。

黄仁勋：如果他们有一部分算力，问题就变成他们需要多少？中国现有的算力规模其实非常庞大。你说的是一个全球第二大计算市场的国家。如果他们想把算力集中起来，他们完全有足够的资源。

主持人： 但这真的成立吗？很多分析认为，比如 SMIC 在制程节点上是落后的。

黄仁勋：我来告诉你。首先，他们拥有惊人的能源规模，对吧？AI本质是一个并行计算问题。既然如此，为什么他们不能用4倍、10倍的芯片数量来弥补？他们有大量能源，还有很多空置但已经供电的数据中心。基础设施非常充足。如果他们愿意，可以把更多芯片拼接在一起，即便是7nm工艺。他们的芯片制造能力在全球也是顶级的。整个半导体行业都知道，他们在主流芯片上几乎是垄断地位，而且是产能过剩。所以，说中国拿不到AI芯片，这完全是站不住脚的。

AI是一个五层蛋糕：能源多可以弥补芯片不足

黄仁勋：当然，如果你问我，美国如果是唯一拥有算力的国家，会不会更领先？但那根本不是现实场景。他们已经有足够的算力，而且已经超过你担心的那个“门槛”。你忽略了一点：AI是一个“五层蛋糕”，最底层是能源。能源多可以弥补芯片不足，芯片多也可以弥补能源不足。

举个例子，美国现在真正稀缺的是能源，这也是为什么英伟达必须不断做架构创新，通过极致协同设计，让每一瓦的吞吐达到极限。但如果你的能源是充足甚至接近免费的，那你根本不在意“每瓦性能”，你可以用更多、甚至更旧的芯片来堆。

比如7nm，其实就接近 NVIDIA Hopper 这一代的能力。现在很多模型本来就是在Hopper上训练出来的。所以7nm完全够用。中国的优势在于能源充足。

中国能造出足够多芯片吗？黄仁勋：当然。华为就是例子，如果DeepSeek优先跑在华为平台上，不是小事

主持人： 但他们能制造足够多芯片吗？

黄仁勋：能。证据是什么？华为刚刚经历了公司历史上最好的一个年度。他们出货了多少芯片？很多，数以百万计。这个规模远远超过 Anthropic 所拥有的算力规模。

主持人： 但训练和推理的瓶颈往往是带宽。如果是HBM2，对比你们最新一代，带宽可能差一个数量级。

黄仁勋：华为本来就是一家网络公司。而且这不意味着一定需要EUV才能做最先进的内存，这个说法并不成立。你可以像我们用 NVL72 那样，把系统规模做大。他们已经展示了硅光技术，把大量算力连接成一个超级计算机。所以你的前提本身就有问题。现实是，他们的AI发展进展顺利。而且，算力受限反而会逼出更聪明的算法。

记住，我刚说过，摩尔定律每年大约提升25%。但通过算法，我们可以实现10倍的提升。真正的杠杆在计算机科学。比如 Mixture of Experts，比如各种注意力机制，都是在减少计算量。AI的进步，很大一部分来自算法，而不仅仅是硬件。

那你再想一个问题：如果进步主要来自算法，而他们拥有庞大的AI研究人员队伍，这难道不是他们的核心优势？我们已经看到了，DeepSeek 的突破不是小事。如果有一天DeepSeek优先在华为平台上运行，那对我们来说是非常不利的。

主持人： 为什么？现在像DeepSeek这样的模型是开源的，可以在任何硬件上运行。

黄仁勋：如果未来它被专门优化到某一种架构上呢？那就会形成不对称优势。你刚才描述的是一种“好消息”：模型在美国技术栈上运行最好。但我给你一个真正的坏消息——如果未来全球的AI模型都在非美国硬件上运行得更好，那才是真正的问题。

主持人： 但我没有看到这种差距大到无法迁移。

黄仁勋：我就是证据。一个为英伟达优化的模型，你拿去别的平台跑，效果就是不一样。英伟达的成功本身就说明了这一点：模型在我们的技术栈上表现最好，这是事实。

主持人： 但像 Anthropic 这样的模型也运行在GPU、Trainium、TPU上。

黄仁勋：那是因为他们做了大量迁移工作。但你去看看全球南方国家、中东地区。如果“开箱即用”的模型在别人的技术栈上跑得更好，那对美国来说绝对不是好事。

华为芯片，完全可以做到平替

主持人： 但如果不向他们提供算力，他们真的能完全替代吗？

黄仁勋：这完全是误解。他们的芯片产业规模巨大。你可以去对比算力、带宽、内存，比如 Huawei Ascend 910C 和 NVIDIA H200，可能是二分之一或三分之一，但他们可以用更多数量来弥补。

主持人： 你的意思是他们可以用规模来弥补性能差距？

黄仁勋：对，他们有能源、有制造能力，而且会持续扩张。当然，未来几年确实关键。

美国不该放弃中国市场

主持人： 就是这几年，AI模型能力会爆发，比如网络攻击能力。如果接下来几年是关键期，那我们就必须确保，全球所有的 AI 模型都构建在美国技术栈之上。

黄仁勋：如果它们是基于美国技术栈构建的，这又如何阻止它们在具备更强能力时，发起类似 Mythos 的网络攻击？这件事本来就没有绝对的保证。

主持人：但如果你先拥有这种能力，我们至少可以提前做准备。

黄仁勋：你为什么要让 AI 产业中的某一层失去整个市场，只为了让另一层受益？AI 是一个“五层蛋糕”，每一层都必须成功。最关键的一层其实是应用层。你为什么如此执着于某一个模型、某一家公司？

主持人：因为这些模型带来了非常强的攻击能力，而运行它们需要算力。

黄仁勋：我觉得你在用一种过于绝对化的方式思考问题。美国的算力规模是全球其他地区的 100 倍。我们在打造最先进的技术，并优先提供给美国的 AI 实验室。如果他们资金不够，我们甚至会投资他们。这一点我们在全力以赴。

我们有 Vera Rubin GPU architecture 提供给美国。先进技术优先在美国部署，这一点没有问题。但问题是，为什么不制定更平衡的正策，让 Nvidia 在全球赢，而不是主动放弃全球市场？

芯片产业是美国科技体系的一部分，是 AI 生态的一部分，也是领导力的一部分。你的逻辑，实际上是在让美国放弃全球市场。

关键在于持续创新

主持人：那问题的核心是：现在卖芯片，如何帮助长期竞争？

黄仁勋：Tesla 曾经长期向中国销售先进电动车，iPhone 也在中国销售。这并没有形成锁定，中国仍然发展出了自己的产业。

但 Nvidia 的情况不同。我们最核心的资产是开发者生态。全球 50% 的 AI 开发者在中国，美国不应该放弃这一点。

主持人：但美国开发者也很多，这并不妨碍他们使用其他加速I器。

黄仁勋：关键在于持续创新。你也看到了，我们的市场份额是在增长的。

黄仁勋：像 x86 架构之所以能存在这么久，是有原因的；ARM architecture 之所以粘性这么强，也是有原因的。这类生态一旦建立，就很难被替代，需要巨大的时间和精力，大多数人并不愿意去做这种替换。

所以我们的职责，是持续培育这个生态，不断推进技术，让我们在市场中具备竞争力。基于你刚才的前提去主动放弃市场，我无法认同，这没有道理。那种失败主义的前提，对我来说毫无意义。

主持人：但他们还是在买你的芯片。

黄仁勋：因为我们的芯片更好，这是事实。你能不能承认一个事实：像 Huawei 这样的公司刚刚经历了历史上最好的一年？很多芯片公司在上市。

主持人：可以，但你们在中国市场的份额已经下降了。

黄仁勋：中国占全球科技产业大约 40%。让美国企业放弃这个市场，是对国家、对国家安全、对技术领导力的伤害，而且只是为了成全某一家公司，这没有逻辑。

主持人：我有点困惑。你一方面说你们能赢，因为你们更强；另一方面又说即使没有你们，他们也会发展。这两件事怎么同时成立？

黄仁勋：很简单。如果没有更好的选择，人们就会用唯一的选择。这有什么不合逻辑的？他们想要 Nvidia，是因为更好。

主持人：更好意味着更多算力，更多算力意味着更强模型。

黄仁勋：“更好”不只是算力，还包括更容易编程、更强的生态。不管是哪种“更好”，关键是：我们也从中受益。

我们获得美国技术领导力的收益，获得开发者在美国技术栈上工作的收益。当这些模型扩散到全球，美国技术栈也随之扩散，并持续演进。这是正向循环。

这是美国技术领导力的重要组成部分。你现在主张的这些正策，曾经已经让美国在通信产业上失去全球主导地位，甚至影响到自身基础设施的掌控。这种思路过于狭隘，而且带来了明显的反作用。

一场“绝对假设”下的讨论：黄仁勋谈放弃中国市场的真正风险

主持人：那我们回到一个更清晰的问题：收益和风险的权衡。风险在于，算力是训练强大模型的核心输入，而强模型具备攻击能力。如果中国更早获得这些能力，并大规模部署，可能带来严重后果。

美国之所以能先达到 Mythos 级别，是因为算力更强。这本身就是 Nvidia 带来的优势。如果这些算力流向中国，这就是潜在成本。你是否承认这一点？

黄仁勋：我也可以告诉你另一种“成本”：我们让 AI 技术栈中最关键的一层——芯片层——放弃全球第二大市场。

结果是什么？他们会形成规模，建立自己的生态，未来的 AI 模型将围绕他们的技术栈优化。当 AI 向全球扩散时，他们的标准、他们的技术栈，反而会变成主流，甚至优于美国。这才是真正的风险。

主持人：但我相信 Nvidia 的工程能力，比如 CUDA 和内核优化，可以应对这些变化。

黄仁勋：AI 远不只是内核优化。

主持人：但你们还有蒸馏、模型适配等手段。

黄仁勋：我们当然会尽全力。但你忽略了一点：中国是全球最大的开源软件贡献者，也是开源模型最大的贡献者。而今天，这一切是构建在 Nvidia、也就是美国技术栈之上的。这是事实。

图片

将AI描述成核武器是错误的，会形成误导

黄仁勋：如果我们把 AI 描述成“核武器”，让整个社会恐惧它，那是在伤害自己。如果因为恐惧 AI 而没人愿意做软件工程师、没人愿意学放射学，那同样是在伤害自己。工作和任务是两回事。放射科医生的工作是照顾病人，而不是单纯读片。

当讨论建立在极端假设上时，人们会被误导。现实不是 0 或 1。我们当然希望美国领先，也必须在每一层都领先。但几年后，当美国希望把技术推广到印度、中东、非洲、东南亚时，如果因为今天的正策而失去了全球第二大市场，那将是一个巨大的错误。

黄仁勋：我们不应该主动放弃市场。如果输了，那是竞争的结果；但主动放弃，是不合理的。没有人主张“完全开放”。我们需要的是平衡：既保证美国拥有最先进、最多的技术，同时也要在全球竞争并取胜。这需要的是判断力，而不是极端立场。

中国芯片产业正在加速，不会停留在7nm

主持人：那关键在于，中国未来的芯片是否能在全球竞争中胜出。

黄仁勋：看事实就行了。Blackwell 相比 Hopper，并不是因为制程提升 50 倍，而是因为架构、计算机科学、系统设计的进步。摩尔定律早已放缓，真正的杠杆在软件和架构。

黄仁勋：AI 的进步，来自整个计算栈，而不仅仅是底层硬件。这也是 CUDA 成功的原因——它提供了一个灵活的生态，让各种新架构（比如 MoE、扩散模型）都能快速实现。如果我们被迫退出中国市场，不仅是正策错误，还会带来反作用：加速他们的芯片产业，推动他们的生态完全转向本土。这已经在发生。

而且他们不会停留在 7nm。他们会继续进步。制程差距并不是决定性因素，架构、网络、能源同样关键。这不是一个可以简单归纳的问题。

主持人：那延伸一个问题：既然先进制程产能有限，是否会回头利用旧制程来扩产 AI 芯片？

黄仁勋：没有必要。每一代的提升不只是晶体管，还有封装、系统设计、数值优化等大量工程。如果真的有一天产能完全无法扩展，我当然会回到 7nm。但现实是，我们更倾向于持续向前推进，而不是倒退。

在CUDA中引入Groq：现在的token市场分层了

主持人：有人问过我一个问题：为什么 Nvidia 不同时推进多条完全不同架构的芯片路线？比如做一个像 Cerebras 那样的晶圆级方案，或者类似 Dojo 的超大封装，甚至做一个不依赖 CUDA 的体系。你们有资源、有工程能力完全可以并行推进，那为什么要把赌注押在一条路上？

黄仁勋：我们当然可以这么做，只是没有更好的理由去这么做。我们在模拟器里已经把这些方案都验证过了，结果是可证明地更差，所以我们不会做。我们现在做的，就是我们认为最值得做的那些项目。如果未来工作负载真的发生根本性变化，我说的不是算法变化，而是整个市场形态的变化，那我们可能会引入新的加速I器。

比如最近我们引入了 Groq，并且会把它整合进 CUDA 生态。这么做的原因是，token 的价值已经变得非常高，因此不同 token 可以有不同定价。几年前 token 几乎是免费的，现在不一样了，不同客户对响应有不同要求。像我们的软件工程师，如果更快的响应能显著提升生产力，我愿意为此付费。这个市场是最近才出现的。

所以现在同一个模型，可以根据响应时间被分成不同的细分市场。这也是我们决定拓展帕累托前沿的原因——做一类响应更快但吞吐更低的推理产品。过去大家都认为吞吐越高越好，但现在可能存在一种高 ASP（单价）的 token，即便整体吞吐下降，收益依然更高。

主持人：也就是说推理市场会分层。

黄仁勋：对，这是一个很有意思的方向。不过从架构角度讲，如果我有更多资源，我还是会继续加码 Nvidia 自己的架构。

即便没有AI，英伟达依旧会做加速计算，因为收益的还有很多领域

主持人：最后一个问题。如果深度学习这波浪潮从未发生，Nvidia 今天会在做什么？除了游戏之外。

黄仁勋：还是一样：加速计算。这一直是我们在做的事情。我们从一开始的判断是：通用计算确实很有用，但对于很多计算任务来说并不高效。所以我们把 GPU 架构和 CUDA 结合到 CPU 上，把一部分工作负载卸载到 GPU 上执行，从而实现 100 倍、200 倍的加速。

这种能力可以应用在很多领域：工程、科学、物理、数据处理、计算机图形、图像生成等等。即使没有 AI，Nvidia 也会是一家非常大的公司。原因很简单，通用计算的扩展已经接近极限，而进一步提升性能，需要依赖领域特定的加速。

我们最早从计算机图形入手，但其实还有很多领域，比如粒子物理、流体模拟、结构化数据处理等等，这些都能从 CUDA 中受益。我们的使命一直是把加速计算带到全世界，推动那些通用计算做不到的应用突破。

早期的应用包括分子动力学、能源勘探中的地震处理、图像处理等等。在这些领域里，通用计算效率太低。

如果没有 AI，我当然会很遗憾。但正是因为我们在计算上的积累，让深度学习得以被“民主化”。任何研究者、科学家、学生，只要有一台 PC 或一块 GeForce 显卡，就可以做出很了不起的研究。

这个初衷从未改变。如果你看 GTC，大量内容其实和 AI 无关，比如计算光刻、量子化学、数据处理等等。这些都同样重要。AI 很火，但世界上还有很多同样关键的工作并不依赖 AI，而且计算也不只有张量这一种方式。我们希望帮助所有人。

主持人：Jensen，非常感谢。

黄仁勋：谢谢，我也很享受这次对话。

主持人：我也是。

参考链接：​​​https://www.you@tube.com/watch?v=Hrbq66XqtCo​​​

本文转载自​​51CTO技术栈​​，作者：云昭