黃仁勛最新對話直面爭議，並稱中國科技僅慢「納秒」而已

本文來自：聰明投資者

9月25日，英偉達創始人黃仁勛戴着顯眼的紅色眼鏡，到Bg2 Pod做了一場播客對話，時長超過100分鍾。

而去年10月4日，同樣的兩個主持人布拉德·格斯特納（Brad Gerstner）和克拉克·唐（Clark Tang）還走進英偉達總部，跟黃仁勛暢聊80分鍾。

當時黃仁勛提出了一個被廣泛引用的觀點：AI的真正爆發點不是訓練，而是推理，而且推理的增長幅度將是「十億倍」。

一年之后，他説，「其實當時還是低估了」。

這次訪談，是黃仁勛眾多頻繁演講交流中比較深入的一次，而且直面了市場近期最關心的爭議。

比如，英偉達既是OpenAI的投資者，又是其重大供應商，似乎形成了某種「循環收入」？比如，未來供給擴張過快，2026年會不會出現產能過剩？以及英偉達的護城河究竟有多深？

黃仁勛直面所有問題。

「我們的股權投資不與採購掛鉤，它只是一次押注未來巨頭的機會。」

「我認為OpenAI很可能會成為下一個萬億美元市值的超大規模公司。如果真是這樣，那麼在它成長到那個規模之前進行投資，就是我們能想到的最明智的決策之一。」

「所以如果有人告訴我，未來全球每年的AI基礎設施資本支出將達到5萬億美元，我會覺得這個數字完全合理。」

「在通用計算全面完成向加速計算和AI的遷移之前，我認為出現供過於求的可能性極低。這還需要幾年時間。」

「極致協同設計的核心，就是同時優化模型、算法、系統和芯片。摩爾定律時代，你只要讓CPU變快，一切就會自然提速。但當芯片性能停滯，你必須跳出框架創新。這就是英偉達改變遊戲規則的地方。」

「外界對我們有誤解，仍然停留在‘英偉達是一家芯片公司’的印象里。沒錯，我們造芯片，而且是世界最頂尖的芯片。但英偉達的本質是一家AI基礎設施公司。」

「壁壘在於兩點：協同設計的極致性和規模的極致性。」

他還談到密切的合作伙伴埃隆·馬斯克，盛讚説，「埃隆的巨大優勢在於，他能在一個人的大腦里整合並處理這些相互依賴的複雜系統，甚至包括融資。他本身就是一個巨大的GPT，一臺超級計算機，是終極的GPU」。

而談到中國時，黃仁勛的讚美一如既往，明確表示：這是一個充滿活力、富有創業精神的高科技產業環境，現代化程度很高。他甚至説，「他們只比我們慢了‘納秒’而已」。

面向未來，黃仁勛描繪了一張藍圖：「我認為在未來五年內，會有一件特別酷的事情發生：人工智能將與機電一體化、機器人技術真正融合。」

可以想象的是，「每個人都能擁有自己的R2-D2」。是的，就是星球大戰中那個陪伴了多個天行者的聰明活潑的忠誠夥伴。

聽下來緊迫感很強，而這列火車正在指數級加速。黃仁勛的提醒是，「最聰明的做法，就是在它還沒快到無法企及之前，趕緊上車，和它一起加速前進。」

全文很長，認真讀了好幾遍，聰明投資者（ID: Capital-nature）把大家可能最關注的幾個話題整理出來，mark並分享下。

推理革命的增長將是十億倍量級

格斯特納：如今你超過40%的收入來自推理業務。而真正的推理革命，也就是「鏈式推理」，纔剛剛拉開序幕，對嗎？

黃仁勛：它的增長將會是十億倍。我們不只是面對一個行業的增長，而是站在一場全新的工業革命前夜。

格斯特納：大約一年半前，大家在預訓練領域情緒有些悲觀，很多人説：「糟了，預訓練到頭了，我們投得太多了。」可你卻説：「推理的增長不是一百倍、一千倍，而是十億倍。」

黃仁勛：我得承認，其實我當時還是低估了。

現在我們已經清楚有三條規模定律：預訓練規模定律、后訓練規模定律，以及推理規模定律。

所謂「后訓練」，本質上就像AI在練習一項新技能。它會不斷嘗試各種方法，直到做對為止。而要做到這一點，就必須依賴推理。

今天的強化學習，其實已經把訓練和推理完全融合在一起，這讓整個過程變得更加複雜，而這就是所謂的「后訓練」。

過去的推理是一種「一次性」的過程。但今天我們強調的是新的推理方式，讓模型在給出答案之前先「思考」。

一個模型「思考」的時間越長，答案的質量就越高。在這個思考過程中，它可以查資料，覈實事實，學習新知識。再思考，再學習，最后生成答案。

關鍵在於，不要急於給出第一個答案。

所以，真正推動AI演進的，並不只是單一的預訓練，而是預訓練、后訓練和推理三者共同作用。

格斯特納：和一年前相比，你現在是不是對「推理會實現十億倍增長」、以及「這種增長會把智能推向怎樣的新高度」更有信心了？

黃仁勛：我今年的信心更足，看看如今的AI代理系統就知道了。

AI已經不再是單一的語言模型，而是一個由多個模型組成的系統。它們可以同時運行，調用工具，做研究，處理各種任務，而且都是多模態的。

OpenAI很可能會成為下一個「萬億美元巨頭」

格斯特納：幾天前，你宣佈了與OpenAI的Stargate項目達成重大合作。能否談談這次合作對你意味着什麼？以及為什麼你認為這對NVIDIA來説是明智之舉？

黃仁勛：我先回答最后一個問題，再展開説。

我認為OpenAI很可能會成為下一個萬億美元市值的超大規模公司。因為它和Meta、谷歌一樣，既有面向消費者的服務，又有面向企業的業務。這樣的雙重佈局，讓它極有可能成為全球下一個萬億級巨頭。

如果真是這樣，那麼在它成長到那個規模之前進行投資，就是我們能想到的最明智的決策之一。

投資必須投在自己熟悉的領域，而這恰好是我們的核心專長。而且他們願意讓我們參與，這非常難得。

我們和OpenAI已經在多個層面合作。這次新合作特別之處在於，OpenAI第一次決定自建AI基礎設施。

這意味着，我們會直接在芯片、軟件、系統乃至「AI工廠」層面與他們合作，幫助OpenAI成為一個完全自營的超大規模公司。

這個過程會持續相當長的時間。這背后是他們正在經歷的「雙重指數級增長」。

第一個指數增長來自用户數。因為AI的效果越來越好，應用場景越來越多，幾乎所有應用都在接入OpenAI，導致使用量爆炸式增加。

第二個指數增長來自單次使用的計算量。過去AI是「一次性」推理，現在則需要經過「思考」才能給出答案。

格斯特納：你剛纔提到「OpenAI極有可能成為萬億美元公司」，在此之前，他們的數據中心建設主要依賴微軟，而現在，他們希望掌握完整的技術棧。

黃仁勛：對，就像自己建工廠一樣。他們希望和我們建立一種類似埃隆與X的關係，走向自主建設。

未來屬於加速計算和人工智能

格斯特納：華爾街25位負責研究英偉達的賣方分析師，他們的共識預測卻是英偉達的增長將在2027年趨緩，到2030年的年增速只有8%。

黃仁勛：我們很清楚，但這沒關係。我們一直以來都能超越他們的預期。

格斯特納：這種觀點部分源於擔心：當下的短缺最終會帶來未來的產能過剩。他們或許相信2026年的增長，但對2027年以后的情況心存疑慮，認為市場可能飽和。

黃仁勛：我倒不覺得這是矛盾。我從三個角度來解釋下：

第一點，也是最根本的一點，是基於物理定律的必然趨勢：通用計算的時代已經結束，未來屬於加速計算和人工智能。

你可以這樣想：全球價值數萬億美元的計算基礎設施，有多少需要更新換代？

所有人都同意摩爾定律已死，通用計算的效率瓶頸已現。下一步必然是從通用計算轉向加速計算。我們和英特爾的合作正是基於這個共識，通用計算必須和加速計算結合，這反而給他們帶來了新機會。

第二點，人工智能的第一個落地場景其實早已無處不在，比如搜索、推薦引擎和電商。

過去，超大規模計算的基礎設施主要是CPU，用來支撐推薦系統；未來，它將轉向GPU，為人工智能服務。

你只要看看傳統計算和超大規模計算的遷移方向，它們正在從CPU向加速計算與AI轉移。支持Meta、谷歌、字節跳動、亞馬遜等公司完成這一轉型，就是一個數千億美元的市場。

格斯特納：光是考慮TikTok、Meta、谷歌服務的40億用户，就已經產生了巨大的算力需求。

黃仁勛：沒錯，這一切都是由加速計算的變革驅動的。即便不算AI帶來的新應用，僅僅是AI改變現有工作方式這一點，就足夠龐大。

到目前為止我講的都只是基礎。就像煤油燈被電燈取代，螺旋槳飛機被噴氣機取代，舊模式終將被淘汰，這很簡單。

真正令人震撼的是，當我們進入AI與加速計算的時代，會誕生哪些全新的應用？這就是生成式AI的機會。

這個機會有多大？你可以類比馬達取代體力勞動，而今天我們有了人工智能。我稱之為「AI工廠」。這些AI超級計算機會不斷生成token，用來增強人類智能。

人類智能對全球GDP的貢獻有多大？大約55%到65%，差不多50萬億美元。

這50萬億美元的經濟活動，未來都將被AI增強。

回到個人層面，假設我花1萬美元為一位年薪10萬美元的員工配一套AI系統，能讓他的生產力提升一倍甚至兩倍，我會不會這麼做？答案是肯定的。

在英偉達，我們的每一位軟件工程師、每一位芯片設計師，都已經在用AI協作。覆蓋率是100%！

這意味着我們設計更多芯片，迭代更快，公司整體增長也更快。我們僱傭更多的人，效率更高，收入和利潤都更高。為什麼不呢？

現在，把英偉達的故事放大到全球GDP。

AI和過去的IT最大的不同在於：過去軟件是提前寫好的，運行在CPU上，需要人去操作；未來，AI會持續生成「通證」，機器必須不停思考才能生成。

軟件將永遠在線運行，而不是一次性寫好。爲了讓AI思考，就需要一個「工廠」。

假設未來AI生成了10萬億美元的token價值，毛利率是50%，那麼就需要一個價值5萬億美元的「AI工廠」——也就是AI基礎設施來支撐。

所以如果有人告訴我，未來全球每年的AI基礎設施資本支出將達到5萬億美元，我會覺得這個數字完全合理。

這就是未來：從通用計算轉向加速計算，用AI重塑所有超大規模計算，並最終增強人類智能。

格斯特納：我們估算，目前這個市場的年規模大約是4000億美元。照此計算，未來的潛在市場規模（TAM）比現在要高出四到五倍。

黃仁勛：沒錯。阿里巴巴的吳泳銘（Eddie Wu）昨天還説，到這個十年末，他們數據中心的電力容量會增加10倍。你想想看，他們的電力翻十倍，而英偉達的收入幾乎與電力消耗成正比。

他還提到另一點：token的生成速度每隔幾個月就會翻倍。

這意味着什麼？意味着每瓦性能必須持續呈指數級提升，這也是我們不斷推出更高性能產品的原因。同樣，每瓦帶來的收入也會隨之提升。未來，「瓦特」幾乎就等同於收入。

格斯特納：你所描繪的，實際上是這樣的場景：全球GDP的增長即將再次提速，因為我們將擁有數十億AI「同事」為我們工作。如果GDP是勞動力和資本投入的產出，那麼它必然會加速。

黃仁勛：是必然的。看看AI領域正在發生什麼。大語言模型、AI代理的崛起，正催生一個全新的產業。OpenAI已經是歷史上營收增長最快的公司，而且還在指數級增長。

因此，AI本身就是一個高速成長的產業。而支撐它的，是「工廠」和基礎設施，這也意味着我們的產業在成長。而且，下游產業同樣在成長。

能源行業就是一個例子。無論是核能還是燃氣輪機，正在迎來新一輪復興。

再看看我們基礎設施生態系統中的公司，幾乎所有人都在增長。

供過於求的可能性要到幾年以后

格斯特納：當然，這些龐大的數字也引發了爭論——會不會出現「供過於求」或者「泡沫」？扎克伯格上周在播客里就説，未來某個時點很可能出現需求的「真空期」，Meta可能在某些領域會超投100億美元。但他認為這是可以接受的，因為這是關乎未來的必要風險。這聽起來有點像「囚徒困境」，不是嗎？

黃仁勛：但他們都是「快樂的囚徒」。

格斯特納：能展開説説嗎？我們估算，到2026年，AI相關收入將達到1000億美元，這還不包括Meta，也不包括推薦引擎、搜索等現有業務的AI化部分。

黃仁勛：就算是1000億美元吧。但整個超大規模計算行業的體量是數萬億美元。而且要記住，這個行業正在全面轉向AI。

在任何人創造新市場之前，你必須先把這塊基數算進去。

格斯特納：懷疑論者會説，要支撐你的論點，我們需要看到AI收入從2026年的1000億美元，增長到2030年至少1萬億美元。你真的認為未來五年能有這樣的速度嗎？

黃仁勛：我認為我們其實已經做到了。

超大規模公司們已經完成了從CPU到AI的轉型，它們的收入基礎如今完全依賴AI。

沒有AI，TikTok無法運行；沒有AI，YouTube Shorts無法運行；沒有AI，Meta的個性化內容也不可能實現。過去很多依賴人工的環節，現在都交給AI了。

過去，內容是預先寫好的，推薦引擎只是從有限的選項里挑選。而現在，AI能夠生成無限的可能。

格斯特納：但推薦引擎正是我們經歷CPU向GPU過渡的關鍵驅動。在過去三四年，它們也一直在演進。

黃仁勛：沒錯。不過扎克伯格自己也承認，Meta在GPU應用上的確有點迟緩。GPU對Meta來説纔是一兩年的新事物。

至於搜索，是不是也用上了GPU？當然，這更是全新的變革。

格斯特納：所以你的意思是，到2030年AI收入達到1萬億美元幾乎是板上釘釘的事，因為我們實際上已經接近目標。你覺得在未來三到五年內，出現供過於求的概率有多大？

黃仁勛：在通用計算全面完成向加速計算和AI的遷移之前，我認為出現供過於求的可能性極低。這還需要幾年時間。

我再補充一點：直到所有推薦引擎都基於AI，直到所有內容生成都基於AI——而消費者內容的生成本質上依賴推薦系統，這些傳統上屬於超大規模計算的應用，包括購物、電商等，都將被AI重塑。

格斯特納：但這些新建設項目，涉及的投資是以萬億計。是不是意味着你們必須無條件地持續投入？即便經濟放緩，或者出現某種過剩，你們也得繼續砸錢嗎？

黃仁勛：實際情況正好相反。我們在供應鏈的最末端，是對需求做出響應。現在，所有投資人都清楚，全球普遍存在算力短缺。

這並不是GPU產能不足，而是需求一直被低估。如果客户下單，我們就會生產。

過去幾年，我們已經全面梳理過供應鏈。從晶圓廠到封裝，再到HBM內存，都已做好準備。如果需求翻倍，我們也能隨時翻倍產出。所以供應鏈不是問題。

我們現在只等需求信號。當雲服務商、超大規模數據中心、客户們制定年度計劃並給出預測時，我們就據此生產。

但迄今為止，所有的預測都被證明偏低。所以我們一直處在追趕狀態。

這種追趕已經持續好幾年。我們收到的每份預測，都比去年顯著增加，但實際需求仍然會超過它們。

格斯特納：你是否看到，一些傳統的超大規模數據中心運營商現在都在加大投入……

黃仁勛：這是因為「第二波指數級增長」來了。第一波是AI的普及和使用量的指數上升；第二波則是推理的應用爆發。

一些超大規模客户，他們的內部工作負載非常龐大，必須從通用計算轉向加速計算，所以消化產能沒問題；另一些客户的工作負載更復雜多樣，因此一開始對需求的判斷比較猶豫。

但現在大家都明白了：他們嚴重低估了所需的算力。

我最看好的一類應用就是傳統數據處理——包括結構化和非結構化數據。我們很快會宣佈一個重大計劃，把數據處理全面加速化。

要知道，目前全球絕大多數的數據處理還是跑在CPU上：Databricks、Snowflake的負載大部分是CPU，甲骨文的SQL處理也一樣。幾乎所有人都用CPU做SQL查詢。

未來，這些都會由AI來完成。

這是一個巨大而開放的市場。對英偉達來説，這需要一個完整的加速層，以及針對特定領域的數據處理庫和方法，我們必須把它們構建出來。

英偉達股權投資只是為押注未來巨頭的機會

格斯特納：也有一些反對聲音。CNBC在談論過剩和泡沫；彭博討論的是「資金循環」和「循環收入」。

所以當你們或微軟、亞馬遜投資的公司，同時又是你們的大客户，比如你們投資了OpenAI，而OpenAI又向你們採購數百億美元的芯片……請告訴我們，分析師們擔心的「循環收入」問題，到底錯在哪？

黃仁勛：10吉瓦的算力，大約價值4000億美元。而這4000億必須由他們真實的銷售和收入來支撐，而這些收入正在呈指數級增長。

資金來源無非三種：資本金、股權融資和債務融資。他們能拿到多少資金，取決於市場對他們維持收入能力的信心。聰明的投資人和貸款人會綜合考量，這就是他們的商業模式。

這和我們沒關係。

當然，我們必須與他們保持緊密聯繫，確保能支持他們的持續擴張。但這屬於收入邏輯，而不是投資邏輯。

我們的股權投資不與採購掛鉤，它只是一次押注未來巨頭的機會。正如我之前説過的，這些公司極有可能成為下一個萬億美元級的超大規模企業。

誰不想投資這樣的公司呢？我唯一的遺憾是，當他們早期邀請我們投資時，我們因為資金有限，投得太少了。

真希望當時能把所有的錢都投進去。

格斯特納：而現實是，如果你們的產品不夠好，比如Vera Rubin芯片性能不佳，他們完全可以去買別的芯片。他們沒有義務必須用英偉達的產品。而且正如你説的，這只是一次機會性的股權投資。

黃仁勛：沒錯。但我們確實做了幾筆很棒的投資，比如xAI和CoreWeave。事后看，這些都非常明智。

英偉達的競爭壁壘

格斯特納：2024年，你們從Hopper芯片開始切換到年度發佈周期；2025年的Grace Blackwell帶來了大規模升級，迫使數據中心進行全面改造；2026年下半年將是Vera Rubin，2027年是Ultra，2028年是Feynman。

這個年度節奏目前進展如何？主要目標是什麼？英偉達內部的AI是否在其中發揮了作用？

黃仁勛：沒有AI，英偉達不可能做到今天這樣的速度、節奏和規模。我們所有的進展都依賴AI。

為什麼要採用年度發佈？因為token的生成速度正在以指數級增長，客户的使用量也在以指數級增長。像ChatGPT上線還不到兩年，周活躍用户已經接近8億。

格斯特納：而且每個用户都在生成更多token，因為推理時花費的思考時間更長。

黃仁勛：對。這其實是兩條指數曲線疊加的結果。如果性能不能以同樣的速度提升，token生成的成本就會持續攀升。

摩爾定律已經停滯，晶體管的成本和能效改進幾乎為零。除非有新的系統性創新，否則局面無解。

幾分點的折扣根本彌補不了性能鴻溝。唯一的辦法，就是每年實現數量級的性能躍遷。

晶體管的紅利已經消失，我們必須在系統層面徹底重構，打破所有邊界，重新設計芯片、軟件棧和系統。

這就是所謂的極致協同設計。從未有人在如此高的層面上做過這樣的整合。

格斯特納：能簡單解釋一下「極致協同設計」嗎？

黃仁勛：極致協同設計的核心，就是同時優化模型、算法、系統和芯片。

摩爾定律時代，你只要讓CPU變快，一切就會自然提速。但當芯片性能停滯，你必須跳出框架創新。

這就是英偉達改變遊戲規則的地方。

我們做了兩件事：發明了CUDA和GPU，並提出了大規模協同設計的理念。

因此，我們進入瞭如此多的行業，構建了龐大的庫並進行聯合優化。從技術棧到數據中心層面，涵蓋交換機、網絡、軟件、NIC、橫向擴展、縱向擴展，全都整合。

結果就是，從Hopper到Blackwell實現了30倍性能提升，這是任何摩爾定律都無法做到的。這就是「極致」。

而能做到這一點，還因為我們有最豐富的軟件和人才積累。

英偉達向世界貢獻的開源軟件比幾乎任何公司都多，覆蓋AI、圖形學、數字生物學、自動駕駛等領域。這些龐大的軟件資源，讓我們真正能夠執行深度而極致的協同設計。

格斯特納：我聽到你的一位競爭對手説，英偉達的年度發佈周期不僅能持續降低Token生成成本，還讓對手們根本追不上。因為你們為供應鏈提供了長達三年的路線圖，使整個供應鏈更有黏性和信心去規劃未來的產能。

黃仁勛：在提這個問題之前，可以先想一想：要支撐每年數千億美元的AI基礎設施建設，我們需要提前一年投入多少資源？

僅在晶圓和DRAM的採購上，就得花掉數百億美元。這個規模幾乎沒有哪家公司能做到。

格斯特納：那麼你會説，你們的競爭壁壘比三年前更牢固了嗎？

黃仁勛：競爭比以往任何時候都激烈，但進入這個賽道的門檻也比任何時候都高。

因為晶圓成本不斷上漲，如果不進行大規模協同設計，就根本不可能實現數量級的性能跨越。

壁壘在於兩點：協同設計的極致性和規模的極致性。當客户要部署1吉瓦的算力時，意味着需要40萬到50萬塊GPU。

讓幾十萬塊GPU協同運轉，本身就是奇蹟。客户必須在我們身上下注。

你要反問自己：什麼樣的客户會在一款尚未經過市場驗證的架構上，提前下500億美元的訂單？再問，作為供應商，你為什麼要為一款剛剛完成設計的芯片，提前投產價值500億美元的晶圓？

對英偉達來説，這能實現，因為我們的架構已經被反覆驗證過。客户的規模巨大，供應鏈也必須匹配這種規模。

沒有對我們交付能力的絕對信任，任何一家公司都不會願意提前為你生產如此龐大的零部件訂單。

他們願意一次性拉動數千億美元的生產計劃，這種信任和規模本身就是壁壘。

格斯特納：站在第一性原理的角度，我會問：你們是在拓寬，還是在縮窄自己的護城河？

黃仁勛：我會説，我們的機遇，遠比市場普遍認知的要大得多。

外界對我們有誤解，仍然停留在「英偉達是一家芯片公司」的印象里。沒錯，我們造芯片，而且是世界最頂尖的芯片。

但英偉達的本質是一家AI基礎設施公司，我們是客户的AI基礎設施合作伙伴。與OpenAI的合作就是明證。

我們與客户合作方式非常靈活，不要求他們必須買全套，也不要求買整個機櫃。他們可以只買一顆芯片，一個組件，或者只買我們的網絡設備。

有些客户只買CPU，或者只買GPU，再配其他廠商的CPU或網絡設備，我們完全接受。

無論怎樣，我唯一的請求是：總得從我們這兒買點東西。（笑）

格斯特納：你説過，AI不僅關乎更好的模型，更需要世界級的「建設者」。在我看來，這個國家最頂尖的建設者也許就是埃隆·馬斯克。

黃仁勛：如果他第一個建成吉瓦級的超算，我一點都不會意外。

格斯特納：請談談「建設者」的優勢。

黃仁勛：這些AI超級計算機是極其複雜的系統。

技術複雜，融資複雜，土地、電力、機房和供電同樣複雜。把所有這些整合並運行起來，這是人類歷史上最複雜的系統工程之一。

埃隆的巨大優勢在於，他能在一個人的大腦里整合並處理這些相互依賴的複雜系統，甚至包括融資。他本身就是一個巨大的GPT，一臺超級計算機，是終極的GPU。

他有強烈的緊迫感和真正的建設意願。當意願與能力結合時，奇蹟就會發生。他確實是獨一無二的。

ASIC之爭與未來格局

唐：説到這點，現在全球一個核心爭論是GPU與ASIC（專用集成電路，即為某個特定用途而設計的「定製芯片」）的對決。考慮到谷歌TPU的成功，你現在怎麼看市場格局的演變？

黃仁勛：谷歌的成功在於遠見。他們在一切開始前就推出了TPU1。

就像創業一樣，應該在市場爆發前就進入，而不是等到市場達到萬億美元規模時再加入。

風險投資里有個常見的謬論，只要能在大市場中拿到幾個點的份額就能成功。這完全錯誤。

真正的邏輯是：你要在一個小市場里佔據100%，並隨着市場成長而成長。TPU當年就是這麼做的，那時這個賽道只有我們和他們。

格斯特納：但前提是，你得祈禱這個小市場最終會長大。實際上，你在創造一個新行業。

黃仁勛：沒錯。這也是今天所有想做ASIC的公司面臨的挑戰。

我曾在LSI Logic工作過，那家公司最早提出ASIC概念，但現在已經不復存在。

為什麼？當市場還很小的時候，ASIC模式確實有效。你找個代工廠，幫你完成設計、封裝、生產，他們抽取50%–60%的毛利。

但當市場足夠大時，模式就會轉向COT（客户自有工具，Customer-Owned Tooling）。蘋果的智能手機就是典型案例：出貨量巨大，他們絕不會把一半利潤交給別人，而是必然採用COT。

所以，當TPU的業務規模大到一定程度時，最終也會走向COT，這是毫無疑問的。

當然，ASIC依然有它的用武之地，比如視頻轉碼器或智能網卡。這類市場規模有限，不會無限膨脹。

你可以用ASIC去做推薦系統里的嵌入式處理器，這是可行的。但要拿它作為AI的核心計算引擎，就完全不現實了。

AI世界變化太快，你需要應對低延迟、高吞吐、推理、Token生成、視頻生成等各種迥異的工作負載，這些需求不可能靠單一ASIC解決。

格斯特納：像Trainium或一些歐洲的新創公司，他們的ASIC芯片更像是「大棋盤里的一枚子」。而你們已經搭建了一個極其複雜的系統、一座「工廠」，而且在不斷開放，比如Grace CPU，就是把不同工作負載分配給最合適的硬件。

黃仁勛：沒錯。我們剛剛開源了Dynamo，一個面向分佈式AI工作負載的編排系統，因為未來的AI工廠一定是分佈式的。

格斯特納：你們推出的NVLink Fusion（英偉達推出的新一代互聯技術，它能把不同廠商的CPU、GPU或加速器高速連接起來，讓它們像一個整體一樣協同工作。相比傳統的封閉互聯，NVLink Fusion更開放，允許Intel、ARM等生態無縫接入，從而擴大了英偉達「AI工廠」的影響力），甚至向英特爾——你們剛剛投資的競爭對手，敞開了大門。這説明你們希望整個行業一起來建設這座「工廠」。

黃仁勛：這次合作把英特爾生態、英偉達AI生態和我們的加速計算平臺打通，就像我們和ARM已經實現的那樣。未來還會有更多合作伙伴。

這是一次雙贏：我會成為他們的大客户，而他們也為我們打開更廣闊的市場。

中國科技只慢了「納秒」而已

格斯特納：大多數人可能不知道，但我認為你對中國的瞭解不亞於美國任何一位領導人。

黃仁勛：我們去中國已經30年了。

格斯特納：能否重申一下，你認為我們國家應該怎麼做，才能在全球人工智能競賽中處於最佳的獲勝位置？

黃仁勛：我們和中國確實是競爭對手。但要認識到，中國希望自己的企業做大做強，這是再自然不過的事。他們理應如此，而且也應該得到儘可能多的支持，這是他們的權利。

別忘了，中國有着世界上一些最優秀的企業家，他們大多畢業於全球頂尖的STEM學校，是全世界最渴望成功、最有衝勁的一羣人。

在他們的職業文化中，「996」工作制就是一個典型例子——每周工作六天，從早上九點到晚上九點。這種方式效率極高，雖然外界爭議不少，但它已經成為他們的文化特徵之一。

整體上，這是一個充滿活力、富有創業精神的高科技產業環境，現代化程度很高。

我聽到過一些聲音，比如「中國永遠造不出AI芯片」。這完全是無稽之談。還有人説「中國不擅長製造」。如果非要説他們最擅長什麼，那就是製造。

有人説他們比我們落后很多年——一兩年？還是三四年？事實上，他們只比我們慢了「納秒」而已，就是這麼微小的差距。所以，我們別無選擇，必須直面競爭。

那麼問題來了：什麼才符合中國的最佳利益？

答案很清楚：維持一個充滿活力的產業。中國領導層也公開表示過，而且理應如此，他們希望中國成為一個開放的市場，吸引外國投資，讓國際公司進入並在市場上競爭。

我相信，也希望我們能夠回到過去的狀態。

回到你剛纔提到的未來，我對此依然充滿信心。因為中國領導人就是這麼説的，我對此深信不疑。我相信這是符合他們利益的做法：既讓外國企業在中國投資、競爭，同時又保證本土企業能在充滿活力的競爭中成長。

另外，他們也明確希望走向全球，參與國際競爭。這是一個相當明智的願景。

至於我們美國，任務就是賦能我們的技術產業。我很榮幸能身處一個被譽為「國家寶藏」的行業。我們必須意識到，這確實是我們的國之瑰寶，是我們最頂尖、獨一無二的產業。

所以，我們為什麼不讓這個產業放手去拼，在競爭中脫穎而出？為什麼不讓它走向世界，把技術傳播到各個角落，建立一個以美國技術為基礎的全球體系？

這樣，我們才能最大限度地提升經濟成就和地緣政治影響力，讓這個在關鍵時刻至關重要的產業蓬勃發展。

雖然有很多討論正在進行，但我始終會回到一個基本事實。我堅信，讓英偉達能夠參與並服務中國市場的競爭，這最符合中國的利益。

同時，這也最符合美國的利益。這兩個事實完全可以同時成立，而且我相信它們都是真實的。

我一直相信智慧和真理終將勝出，這也是我一路走來的信念。

面對一輛正以指數級加速前進的火車，趕緊跳上去

格斯特納：今天我們已經多次提到「指數增長」。未來學家雷·庫茲韋爾（Ray Kurzweil）曾説過：在21世紀，我們體驗到的進步將不止100年，而是相當於兩萬年的進步。展望下未來？

黃仁勛：我認為在未來五年內，會有一件特別酷的事情發生：人工智能將與機電一體化、機器人技術真正融合。到那時，我們每個人身邊都會有能自由活動的AI。

大家其實都能想象，我們終將迎來屬於自己的「R2-D2」。它會陪伴我們成長，記住我們的一切，成為我們的向導和夥伴。

再想象一下：未來在雲端部署80億個GPU，為全球80億人提供服務，每個人都有一個量身定製的AI模型。這完全可能實現，也非常令人振奮。人工智能不僅存在於雲端，還會無處不在：在你的汽車里，在你的機器人里，在各種設備中。

與此同時，我們還將逐步理解生命科學的複雜性。對生物系統的理解和預測，甚至可能讓我們為每個人建立一個數字孿生。

就像我們在亞馬遜有一個用於購物的「數字分身」，在醫療健康領域，我們也完全可以擁有一個。

這個系統能預測衰老過程、潛在疾病，甚至預警可能即將發生的重大健康事件——比如下周，甚至明天下午。這不是幻想，而是迟早會實現的。

很多CEO常常問我：面對這種快速演化的未來，我們該怎麼辦？答案其實很簡單：在一列正以指數級加速前進的火車面前，你唯一要做的，就是跳上去。

一旦上車，問題會在途中得到解決。試圖預測這列火車最終會駛向何方，然后打算在某個路口攔截它，這是徒勞的。

最聰明的做法，就是在它還沒快到無法企及之前，趕緊上車，和它一起加速前進。