黄仁勋最新访谈：AI泡沫？不存在的

　　炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！

　　来源：明亮公司，作者：MD，原文标题：《黄仁勋最新访谈：英伟达投资OpenAI不是签署大额订单的前提》，题图来自：视觉中国

　　近期，英伟达（NVDA.US）投资“出手”频繁，先是宣布50亿美元投资英特尔，随后斥资至多1000亿美元投资OpenAI，而受此前OpenAI与甲骨文的合作，市场均在股价层面给予了积极反馈。

　　但市场也出现了质疑声音——称英伟达、OpenAI与甲骨文存在“收入循环”，财务数字“操作”大于实际营收。

　　9月25日，在播客BG2最新一期节目中，BG2主播、Altimeter Capital创始人Brad Gerstner，Altimeter Capital合伙人Clark Tang与英伟达CEO黄仁勋展开了一次对话。黄仁勋在对话中回应了当下市场关心的问题。

　　黄仁勋认为，投资OpenAI实际上是一个很好的机会，并认为OpenAI将是下一家数万亿美元级别的Hyperscaler。

　　此外，黄仁勋也特别解释了为什么ASIC芯片并不完全和英伟达GPU是竞争关系——因为英伟达是AI基础设施提供商，其提供的能力范围已经不仅仅是硬件和软件层面，也包括其不断迭代的速度、规模优势带来的可靠性，以及整体能源效率等综合因素。

　　因此，黄仁勋认为英伟达目前的护城河比三年前“更宽”，而Brad Gerstner甚至认为，英伟达将是史上第一家达到十万亿美元的公司。

　　以下为“明亮公司”编译的访谈正文（有删节）：

　　Brad Gerstner：Jensen，再次欢迎你。你的红色眼镜很好看，真的很适合你。距离上次上播客，已过去一年多。你们如今超过40%的收入来自推理（inference），而且推理正因为chain of reasoning链式推理而要起飞了。

　　黄仁勋：大多数人还没真正内化这一点，这其实就是一场工业革命。

　　一、投资OpenAI不是合作的前提，是因为有机会能投

　　Brad Gerstner：说真的，从那次之后，感觉你我每天都像在验证那期播客。在AI的时间尺度上，这一年像过了一百年。我最近重看了那期，很多观点让我印象深刻。

　　最打动我的是你当时拍着桌子说——当时大家觉得预训练进入低潮（pre-training），很多人说预训练要完蛋了，硬件建设过度。那是大约一年半前。你说推理不会只是一百倍、一千倍。会是十亿倍。这把我们带到今天。你刚宣布了一项巨大合作，我们应该从这里聊起。

　　黄仁勋：我想正式说下，我认为我们现在有三条Scaling Law。第一是预训练的Scaling Law。第二是后训练（post-training）的Scaling Law。后训练基本上就是让AI练习一种技能，直到做对，它会尝试很多不同方法。要做到这一点，就必须进行推理（inference）。所以训练与推理如今以强化学习的方式整合在一起，非常复杂，这就是后训练。

　　第三是推理（inference）。过去的推理是“一次出手”，而我们现在理解的新推理，是“先思考再作答”。先想，再回答，想得越久，答案质量越高。思考过程中你会检索、查证事实、学到东西，再继续思考、继续学习，最后输出答案，而不是上来就生成。所以思考、后训练、预训练，如今我们有三条Scaling Law，而不是一条。

　　Brad Gerstner：这些你去年就提过，但你今年说“推理会提升十亿倍，并由此带来更高水平智能”的信心更高了吗？

　　黄仁勋：我今年更有把握。原因是看看如今的智能体系统。AI不再是单一语言模型，而是由多个语言模型组成的系统，它们并发运行。有的在用工具，有的在做检索，事情非常多，而且是多模态。看看生成的视频，简直令人难以置信。

　　Brad Gerstner：这也引到本周的关键时刻，大家都在谈你们与OpenAI的重磅合作Stargate。你们将成为首选合作伙伴，并在一段时间内向公司投资1000亿美元。他们会建10个“gig“（Gigawatt，吉瓦）。如果这10个“gig”都用英伟达，那对你们的收入贡献可能高达4000亿美元。帮我们理解一下这个合作，对你意味着什么？以及为何这项投资是合理的？

　　黄仁勋：我先回答后一个问题，再回到我的叙述。我认为OpenAI很可能成为下一家数万亿美元级的hyperscale公司。

　　就像Meta是hyperscale，Google也是，他们会同时拥有C端与企业服务。他们非常可能成为下一家多数万亿美元级的hyperscale公司。如果是这样，能在他们达到那个规模之前投资进去，是我们能想象到的最聪明的投资之一。你必须投资你熟悉的东西，恰好我们熟悉这个领域。所以这笔钱的回报会非常出色。

　　我们很乐意投资，但不是必须的，也不是合作的前提；是他们给了投资机会，这太好了。

　　我们与OpenAI在多个项目上合作。第一，Microsoft Azure的建设，我们会持续推进，这个合作进展非常顺利，未来还有数年的建设；第二，OCI（Oracle Cloud Infrastructure）的建设，我想大概有5-7个GW要建。我们与OCI、OpenAI、软银一道推进。这些项目都已签约，正在实施，工作量很大。第三是CoreWeave。所有与CoreWeave相关的……我还在讲OpenAI，对，一切都在OpenAI语境里。

　　所以问题是，这个新伙伴关系是什么？它是帮助OpenAI首次自建AI基础设施。也就是我们直接与OpenAI在芯片、软件、系统、AI工厂层面协作，帮助他们成为一家完全自运营的hyperscale公司。这会持续相当一段时间，是对他们现有建设的补充。

　　他们正经历两个指数曲线：第一个指数是客户数量在指数级增长，因为AI在变好、用例在变好，几乎每个应用现在都连到OpenAI，所以他们正经历使用指数；

　　第二个指数是计算量的指数增长。每个使用场景的算力在暴涨。过去是一键式推理，现在要先思考再回答。这两个指数叠加，大幅抬升了计算需求。我们会推进所有这些建设。因而这个新合作是对既有所有合作的“增量”，去支撑这股惊人的指数增长。

　　Brad Gerstner：你刚说到一个很有意思的点，你认为他们极大概率会成为数万亿美元公司，是很好的投资；同时你们还在帮助他们自建数据中心。过去他们把数据中心外包给微软，现在他们要自建“全栈工厂”，就像Elon和X那样，对吧？

　　Brad Gerstner：想想Colossus的优势，他们构建全栈，就是hyperscaler，即便自己用不完容量，也能卖给别人。同样的，Stargate在建设海量容量，他们觉得会用掉大部分，但也能售卖出去。这听起来很像AWS、GCP（谷歌云）或Azure，是这意思吗？

　　黄仁勋：我认为他们很可能自己用掉，就像X大多会自用。但他们希望与我们建立直接关系——直接工程协作和直接采购关系。就像Zuck、Meta与我们之间的直接关系。我们与Sundar和Google的直接关系，我们与Satya和Azure的直接伙伴关系。他们规模足够大了，认为该建立这些直接关系了。我很乐意支持，而且Satya（微软CEO）知道，Larry（谷歌联合创始人）知道，大家都知道。

　　二、华尔街与英伟达之间预期背离：如何理解AI的需求规模

　　Brad Gerstner：这儿有件事我觉得颇为神秘。你刚提到Oracle 3000亿、Colossus的建设，我们知道一些主权国家在建（AI基础设施），hyperscaler也在建。Sam正以万亿美元的口吻来谈这一切。可覆盖你们股票的华尔街25位卖方分析师的共识却显示，你们从2027年开始增长放缓，预计2027-2030年年化增速8%。这些人的唯一工作就是给英伟达做增长预测。显然……

　　黄仁勋：我们对此很坦然。看，我们经常能轻松超预期。

　　Brad Gerstner：我明白。但这仍是个有趣的“背离”。我每天都在CNBC、彭博上听到。很多人担心短缺会转向过剩，他们不相信持续高增长。他们说，行，我们姑且信你们的2026年，但2027年可能供给过剩、不再需要那么多。但共识预测其实显示这不会发生。我们也做了自己的预测，纳入了所有这些数字。

　　结果是，即便进入“AI时代”两年半，各方的信念仍然分歧巨大，Sam Altman、你、Sundar、Satya的看法，与华尔街仍然相信的相去甚远。对此，你依旧感到从容吗？

　　黄仁勋：我也不认为这不一致。首先，我们这些“建设者”应该为“机会”而建。我们是建设者。让我给你三个思考点，有助于你对英伟达的未来更放心。

　　第一点，是物理定律层面的、最关键的一点，通用计算已到尽头，未来属于加速计算与AI计算。这是第一点。

　　你可以这样想：全球有多少万亿美元的计算基础设施要被更新换代。所以首先你得认识到通用计算的终结。没人反对这一点。摩尔定律已死，人们常这么说。那么这意味着什么？通用计算会转向加速计算。我们与Intel的合作就是在承认通用计算需要与加速计算融合，为他们创造新机会。通用计算正迁移到加速计算与AI。

　　第二点，AI的首要用例其实已无处不在——在搜索、在推荐引擎等等。基础的hyperscale计算基础设施过去由CPU执行推荐，如今要由GPU执行AI。你把传统计算换成加速计算与AI；你把hyperscale计算从CPU换到加速计算与AI。这是第二点。仅仅满足Meta、Google、字节跳动、Amazon，把它们传统的hyperscale方式搬到AI，就是数千亿美元的市场。

　　所以，哪怕先不谈AI创造新机会，仅仅是AI改变了旧做法到新做法。然后再谈未来。是的，到目前为止我其实只谈了“平凡”的事。旧方式不对了。你不会再用煤油灯，而要用电。这就够了。

　　然后是更不可思议的，当你走向AI、走向加速计算，会出现什么新应用？就是我们在谈的所有AI相关，机会巨大。怎么理解？简单想想，过去电机替代了体力劳动；现在我们有AI——我称之为AI超级计算机、AI工厂——它们会生成tokens来增强人类智能。而人类智能占全球GDP的55%-65%……我们就算50万亿美元吧，这50万亿将被某种东西增强。

　　回到个人层面，假如我雇一位工资10万美元的员工，再给TA配一个1万美元的AI，如果这个AI让那位员工产能翻倍、三倍？我会不会做。一定会做。我现在就在给公司里每个人配，没错，每位协作智能体（co-agents）、每位软件工程师、每位芯片设计师都已有AI与其协作智能体，覆盖率100%。

　　结果是我们做的芯片更好，数量在增长，推进速度更快。公司因此增长更快、招聘更多、生产率更高、营收更高。利润更高。现在把英伟达的故事套到全球GDP上，很可能发生的是，这50万亿会被……我们取个数，10万亿美元所增强。而这10万亿需要跑在一台机器上。

　　AI与过去IT的不同在于，过去软件是事先写好，跑在CPU上，不怎么自己“动”。未来，AI要生成tokens，而机器要生成这些tokens、它“在思考”，所以软件一直在运行；过去是一次性编写，现在是持续编写、持续思考。要让AI思考，就需要工厂。假设这10万亿token的毛利率是50%，其中5万亿需要工厂、需要AI基础设施。

　　所以如果你告诉我全球每年的资本开支大概是5万亿美元，我会说这个数看起来说得通。这大概就是未来的轮廓——从通用计算到加速计算；把所有hyperscale都换成AI；然后用AI去增强人类智能，覆盖全球经济。

　　Clark Tang：以今天而言，我们估算年市场规模大约4000亿美元，所以TAM从现在到目标是四到五倍的提升。

　　黄仁勋：没错。昨晚（北京时间9月24日）阿里巴巴的吴泳铭（Eddie Wu）说，从现在到20年代末，他们要把数据中心电力（消耗）提升十倍。对吧？你刚才说四倍？这就对上了。他们要把电力提升十倍，而我们的收入与电力几乎是正相关。（注：吴泳铭表示，对比2022年GenAI元年，到2032年阿里云全球数据中心能耗规模将提升10倍）他还说token生成量每几个月就翻倍。

　　这意味着什么？单位能耗性能（perf per watt）必须指数级提升。这就是为什么英伟达要疯狂推进单位能耗性能提升，而单位能耗收入（revenue per watt）基本就是收入。

　　Brad Gerstner：在这个未来里，有个假设从历史角度看我觉得很迷人。两千年里，全球GDP基本不增长。然后工业革命来了，GDP加速；接着数字革命，GDP又加速。你现在的意思和Scott Bessent（美国现任财长）说的一样——他认为明年全球GDP增长会到4%。你其实是在说全球GDP增速将加快，因为我们正在给世界提供“数十亿同事”来为我们工作。而如果GDP是在既定劳动与资本下的产出，那么它必须……

　　黄仁勋：一定会增长。看看AI正在发生的事，AI的技术形态、可用性，诸如大语言模型与AI智能体，都在推动一个新的“智能体行业”。这点毫无疑问。OpenAI就是历史上收入增长最快的公司，他们在指数级增长。所以AI本身是个高速增长的行业，因为AI需要背后的工厂与基础设施，这个行业在增长，我的行业也在增长；而因为我的行业在增长，在我们之下的行业也在增长——能源在增长、电力与厂房在增长。这简直是能源产业的复兴。核能、燃气轮机……看看我们生态之下的那些基础设施公司，他们做得很棒，大家都在增长。

　　Brad Gerstne：这些数字让大家都在谈是否会“供给过剩”或“泡沫”。Zuckerberg上周在一个播客说了，可能会有短期的“气阱”（Airpocket），Meta可能会多花个100亿美元之类的。但他说，这不重要。对他业务的未来而言太关键了，这是必须承担的风险。但从博弈角度看，这有点像“囚徒困境”。

　　黄仁勋：开心的囚徒。

　　Brad Gerstner：再捋一遍。今天我们估算到2026年，会有1000亿美元的AI收入，不含Meta，也不含跑推荐引擎的GPU还有搜索等其他工作负载，我们就先算1000亿。

　　黄仁勋：但hyperscale行业本身到底有多大？这个行业现在的基数是多少？

　　Brad Gerstner：以万亿美元计。

　　黄仁勋：对。这个行业会先部署AI，不是从零起步，你得从这里开始。

　　Brad Gerstner：不过怀疑者会说，我们必须从2026年的1000亿，长到2030年至少1万亿的AI收入。你刚才还谈到5万亿。从全球GDP的自下而上推演看，你能看到从1000亿到1万亿在未来五年实现吗？

　　黄仁勋：能，而且我会说我们其实已经到了。因为Hyperscalers已经把CPU迁到AI，他们的整个收入基座如今都由AI驱动。

　　Brad Gerstner：是的。

　　黄仁勋：没有AI就没有TikTok，对吧？没有AI就没有YouTube Shorts。Meta做的为你定制、个性化的内容，没有AI就做不到。以前那些事情，靠人类事先创作、提供几个选项，再由推荐引擎挑选。现在是AI生成无限多的选项。

　　Brad Gerstner：这些转变已经发生：我们从CPU迁到GPU，主要是为了那些推荐引擎。

　　黄仁勋：对。Zuck会告诉你，我在SIGGRAPH时他也说过，他们其实到得有点晚。Meta用GPU也就一年半、两年的事。搜索上用GPU更是崭新的、刚刚开始的。

　　Brad Gerstner：所以论证是，到2030年我们有1万亿AI收入的概率几乎确定，因为我们几乎已经达到了。

　　接着我们只谈“增量”。不管你做自下而上还是自上而下，我刚听了你按全球GDP占比的自上而下的分析。那你觉得，未来三到五年内，出现“供给过剩（glut）”的概率有多大？

　　黄仁勋：在我们把所有通用计算彻底转换为加速计算与AI之前，我认为出现过剩的概率极低。

　　Brad Gerstner：会花几年？

　　黄仁勋：直到所有推荐引擎都基于AI，直到所有内容生成都基于AI。因为面向消费者的内容生成很大程度就是推荐系统之上的，所以所有这些都会转向AI生成。直到传统意义上的hyperscale全部迁到AI，从购物到电商等一切都迁过去。

　　Brad Gerstner：但所有这些新建项目，我们谈的是“万亿级”，总是提前投资。那如果你们看到了放缓或过剩，是不是还“不得不”把钱投进去？还是说，一旦看到放缓迹象，再随时收缩？

　　黄仁勋：实际上正相反，因为我们在供给链的末端，我们按需响应。现在，所有VC都会告诉你——你们也知道——全球短缺的是“计算”，不是GPU的数量短缺。只要给我订单，我就造。过去两年我们把整个供应链都打通了，从晶圆启动、到封装、到HBM内存等等，我们都加足了马力。需要翻倍，我们就翻倍，供应链已备好。我们现在等的是需求信号。当云服务商、hyperscaler和客户做年度计划给我们预测时，我们就响应，并按那个预测去建。

　　问题是，他们每次给我们的预测都会错，因为预测都偏低。于是我们总处于“紧急追赶”模式，已经持续了好几年，每一轮预测都比上一年显著上调。

　　Brad Gerstner：但还不够。比如去年，Satya看起来稍微收敛了一点，有人说他像房间里那个“更稳重的成年人”，压一压预期。但几周前他又说，我们今年也建了两个“gig”，未来还会加速。你是否看到那些传统hyperscalers——相较于Core Weave或Elon的X，或者相较于StarGate——此前略慢一些的，现在都在加倍投入，而且……

　　黄仁勋：因为第二条指数来了。我们已经有一条指数在增长，AI的应用和渗透率指数级增长。第二条指数是“推理与思考”，这就是我们一年前讨论的。我当时说，一旦你把AI从“一次性出手、记忆并泛化”推进到“推理、检索与用工具”，AI就在思考，它会用更多算力。

　　Clark Tang：回到你刚才的点，hyperscale客户无论如何都需要把内部工作负载从通用计算迁到加速计算，他们会穿越周期持续建设。我想部分hyperscalers的负载结构不同，不确定消化速度，现在大家都认定自己严重低配了。

　　黄仁勋：我最喜欢的应用之一就是传统的数据处理，即结构化与非结构化数据处理。很快我们会宣布一个关于“加速数据处理”的重大计划。

　　数据处理占据了当今世界绝大多数CPU，它仍然完全跑在CPU上。去Databricks，大多是CPU；去Snowflake，大多是CPU；Oracle的SQL处理，大多是CPU。

　　大家都在用CPU做SQL/结构化数据。未来，这一切都会迁到AI数据。这是一个极其庞大的市场，我们会推进过去。但你需要英伟达的全部能力——加速层与领域专用的“配方”。数据处理层的“配方”需要我们去构建，但它要来了。

　　三、“循环营收”质疑：投资机会不绑定任何条件

　　Brad Gerstner：还有一个质疑点。昨天我打开CNBC，他们说的是“过剩、泡沫”。换到彭博，是“循环交易与循环营收（round-tripping、circular revenues）”。给在家观看的观众解释下，这指公司之间缔结看似交易、实则缺乏真实经济实质的安排，人为抬高营收。

　　换言之，增长不是来自真实的客户需求，而是财务数字上。所以当你们、微软或亚马逊投资那些同时也是你们大客户的公司时，比如你们投资OpenAI，而OpenAI又购买数百亿美元的芯片。

　　请提醒我们、也提醒大家：当彭博等媒体分析师拿“循环营收”大做文章时，他们到底误解了什么？

　　黄仁勋：建10GW的（数据中心）规模大概就是4000亿美元左右吧。那4000亿主要由他们的offtake（消纳能力/下游需求）来支撑，它在指数增长。

　　（支出）这得由他们自有资本、股权融资和可获得的债务来支持，这是三种工具。能融到多少股权与债务，取决于他们对未来收入的把握程度。精明的投资人与授信人会综合权衡这些因素。这是他们公司的事，不是我的。

　　我们当然要和他们紧密合作，以确保我们的建设能支持他们持续增长，但收入端与投资端无关。投资机会不是绑定任何条件的，是一个纯投资机会。正如前面说的，这家公司很可能成为下一家多万亿美元级的hyperscale公司。谁不想持有它的股权？我唯一的遗憾是，他们早年就邀请我们投资，当时我们太“穷”了，投得不够，真该把所有钱都投进去。

　　Brad Gerstner：而现实是，如果你们不把本职工作做到位，比如Vera Rubin最终不成好芯片，他们也可以去买别家的。对吧？他们没有义务必须用你们的芯片。正如你说的，你们看待这件事是机会性的股权投资。

　　黄仁勋：我们投了xAI、投了CoreWeave，这都是很棒的投资。

　　Brad Gerstne：回到“循环营收”的讨论，还有一个根本点是，你们把一切都摆在台面上，告诉大家你们在做什么。而其背后的经济实质是什么？并不是双方互相倒腾营收。我们看到有用户每月为ChatGPT付费，有15亿月活在用这个产品。你刚说世界上每家企业要么拥抱这一切，要么被淘汰。每个主权国家都把这视为其国防与经济安全的“生死攸关”，就像核能一样。

　　黄仁勋：问问看，有哪一个人、公司、国家会说“智能”对我们是可选项？没有。这就是基础。关键在于“智能的自动化”。

　　四、摩尔定律已死，现在需要极致的软硬件协同设计

　　Brad Gerstner：需求问题我问得够多了，我们聊系统设计。我接下来会把话题递给Clark。2024年你们切换到了年度发布节奏，对吧？

　　Hopper之后，2025年的Grace Blackwell是一次巨大升级，需要数据中心进行重大改造。26年下半年会有Vera Rubin，27年有Rubin Ultra，28年有Feynman。年度发布节奏进行得如何？为什么要改为年度发布？英伟达内部的AI是否让你们能落实年度发布？

　　黄仁勋：是的，答案是肯定的。没有它，英伟达的速度、节奏和规模都会受限。现在没有AI，根本不可能建出我们如今的产品。为什么这么做？记得Eddie（吴泳铭）在财报或大会上说过、Satya说过、Sam也说过……token生成速率在指数级上升，用户使用在指数级上升。我记得OpenAI说周活跃用户有8亿左右，对吧？从ChatGPT推出才两年。

　　Brad Gerstner：而且这些用户的每次使用都在生成更多token，因为他们在使用“推理时思考”（inference-time reasoning）。

　　黄仁勋：没错。所以第一点是：在两个指数叠加的情况下，除非我们以不可思议的速度提升性能，否则token生成成本会持续上升。

　　因为摩尔定律已死，晶体管的单位成本每年几乎不变，电力也大致不变。在这两条“定律”约束下，除非我们发明新技术降成本，否则即便给对方打个几个百分点的折扣，也无法抵消两个指数增长的压力。因此我们必须每年以跟上这个指数的节奏去提升性能。

　　比如从Kepler（注：2012年4月发布）一路到Hopper（注：2022年3月发布），大概实现了100000的提升。那是英伟达 AI旅程的开端，十年十万倍。Hopper到Blackwell，因为NVLink等，我们在一年内实现了30×的系统级提升；接下来Rubin还会再来一波“x”（数倍），Feynman再一波“×”……

　　之所以能做到，是因为晶体管本身帮不上太多忙了。摩尔定律基本只剩密度在涨，性能没有相应提升。所以我们必须把问题在系统层面完全拆开，所有芯片同步升级，软件栈与系统同步升级，这是极致的“协同设计（co-design）”。

　　以前没人做到这个层级。我们同时改变CPU、重塑CPU，与GPU、网络芯片、NVLink纵向扩展、Spectrum-X横向扩展。当然还要去构建更大的系统，在多个AI工厂之间做跨域互联。并且以年度节奏推进。所以我们自身也在技术上形成了“指数叠指数”。这让客户能持续拉低token成本，同时通过预训练、后训练与“思考”让token更聪明。AI变聪明，使用就更多，使用更多就指数增长。

　　Brad Gerstner：极致的协同设计是什么？

　　黄仁勋：极致协同设计，意味着你要同时优化模型、算法、系统与芯片。

　　当摩尔定律还能推动时，只要让CPU更快，一切都会更快。那是在“盒子里”创新，只需把那颗芯片做快。但如果芯片不再变快，你怎么办？就要跳出原有框架来创新。

　　英伟达改变了行业，因为我们做了两件事——发明了CUDA、发明了GPU，并把大规模协同设计的理念落地。

　　这就是为什么我们覆盖这么多行业。我们在构建大量库与协同设计。第一，全栈的极致不仅在软件与GPU，还延伸到数据中心层面的交换与网络，以及它们内部的所有软件：交换机、网络接口、纵向扩展与横向扩展，跨全部层面优化。其结果就是Blackwell对Hopper的30×提升。摩尔定律根本做不到，这是极致协同设计的成果。

　　Brad Gerstner：这些都源自极致协同设计。

　　黄仁勋：是的，这就是为什么我们要做网络、做交换、做纵向/横向/跨域扩展，做CPU、做GPU、做NIC。也是为什么英伟达的软件如此丰富。我们在开源软件上的贡献提交量，全球能比的没几家。而且这还只是AI领域。别忘了我们在计算机图形、数字生物学、自动驾驶等。我们产出的软件规模极其可观，这让我们能做深度且极致的协同设计。

　　Brad Gerstner：我从你一位竞争对手那里听说，你们这么做能降低token生成成本。但与此同时，你们的年度发布节奏让竞争者几乎很难跟上。因为你们给供应链三年的可见性，供应链锁定更深，心里有底该供到什么规模。

　　黄仁勋：你不妨这样想：要让我们一年做几千亿美元级的AI基础设施建设想想我们在一年前就必须提前预备多少产能。我们说的是数千亿美元级的晶圆启动量、DRAM采购量。这个规模，几乎没有公司能承接。

　　五、英伟达的护城河为什么更宽了：如何看ASIC的竞争力

　　Brad Gerstner：你们今天的护城河比三年前更宽了吗？

　　黄仁勋：是的。

　　首先，竞争者比以往更多，但难度也比以往更大。因为晶圆成本在上升。除非你在极致规模上做协同设计，否则你交不出那个“数倍”级的增长，这是第一点。所以，除非你一年同时做6-8颗芯片，否则不行。重点不是做一颗ASIC，而是构建一座AI工厂系统。这座系统里有很多芯片，它们都协同设计。它们共同交付我们几乎固定节奏能拿到的那个“10×”。

　　所以第一，协同设计必须极致。第二，规模必须极致。当你的客户部署1个GW，那就是四五十万颗GPU，要让50万颗GPU协同工作，这就是个奇迹。

　　所以客户是在承担巨大的风险来购买这些。你得想，有哪个客户会在一个架构上下500亿美元的采购订单？一个全新的、未经大规模验证的架构？

　　你再兴奋、大家再为你喝彩，当你刚刚展示第一个硅片的时候，会有谁给你500亿美元的订单？你又为何敢在一颗刚刚流片的芯片上启动500亿美元的晶圆？但对英伟达来说，我们敢，因为我们的架构高度成熟与积累的信用。其二，我们客户的规模极其惊人。再者，我们供应链的规模也极其惊人。谁会替一家企业去提前启动这些、预构建这么多，除非他们确信英伟达能把它交付到底？对吧？他们相信我们能交付到全球所有客户手里，愿意一次性启动数千亿美元的供应。

　　这就是“规模”的故事。

　　Clark Tang：顺着这个点，全球一个最大的争论是“GPU vs ASIC”，比如Google的TPU、Amazon的Trainium。Arm到OpenAI、Anthropic在传出自研……你去年说过我们构建的是“系统”，不是“芯片”，而你们在堆栈的每一层都驱动性能提升。你还说过这些项目里很多可能永远到不了生产规模，事实上…大多数都到不了。在TPU看似成功的前提下，你今天如何看这片正在演进的版图？

　　黄仁勋：Google的优势在“前瞻”。

　　记得他们在一切开始之前就做了TPU v1。这跟创业没区别。你应当在市场尚未做大之前去创业，而不是等市场涨到万亿级再来。所有VC都懂一个谬误：市场很大，只要拿到几个百分点就能做成大公司。这是错的。你该在一个很小的领域拿到“几乎全部份额”，这就是英伟达当年做的，也是TPU当年做的。

　　所以今天那些做ASIC的人的挑战在于：市场看起来很“肥”，但别忘了，这个“肥市场”已经从一颗叫GPU的芯片，演化为我刚描述的“AI工厂”。

　　你们刚看到我宣布了CPX（注：Rubin CPX GPU，英伟达专为长语境推理设计的芯片），这是一颗用于“上下文处理与扩散式视频生成”的芯片，是很专门但很重要的数据中心负载。我刚才也暗示，也许会有“AI数据处理”处理器。因为你需要“长期记忆”和“短期记忆”。KVCache的处理非常重，AI记忆是大事。你希望你的AI有好记忆。围绕整个系统处理KVCache非常复杂，也许它也需要一颗专属处理器。

　　你可以看到，英伟达今天的视角，是俯瞰全体AI基础设施——这些了不起的公司要如何让多元且变动的工作负载流经系统？看看Transformers，这个架构在快速演化。若非CUDA如此好用、易于迭代，他们要如何进行如此海量的实验，来决定采用哪种Transformer变体、哪类注意力算法？如何去做“解耦/重构（disaggregate）”？CUDA之所以能帮你做这一切，是因为它“高度可编程”。

　　所以看我们的业务，你得回到三五年前那些ASIC项目启动之时，那会儿的行业“可爱而简单”，只有GPU。一两年后，它已巨大且复杂；再过两年，它的规模会非常之大。所以，作为后来者要杀入一个巨量市场，这仗很难打。

　　Clark Tang：即便那些客户在ASIC上成功了，他们的算力机队里也应该有个“优化配比”，对吧？我觉得投资人喜欢非黑即白，但其实即便ASIC成功了，也要有个平衡。会有很多不同的芯片或部件加入英伟达的加速计算生态，以适配新生的负载。

　　Brad Gerstner：换句话说，Google也是你们的大客户。

　　黄仁勋：Google是我们的大GPU客户。Google很特殊，我们必须给予尊重。TPU已经迭代到v7了，对吧？这对他们也是极大挑战。他们做的事情极难。

　　所以我想先理顺一下芯片的分类。一类是“架构型”芯片：x86CPU、ArmCPU、英伟达GPU，属于架构级，有丰富的IP与生态，技术很复杂，由架构的拥有者构建。

　　另一个是ASIC，我曾就职于发明ASIC概念的公司LSI Logic。你也知道，LSI早已不在。原因在于，当市场规模不太大时，ASIC很棒，找一家代工/设计服务公司帮你封装整合并代工生产，他们会收你50-60个点的毛利。

　　但当ASIC面向的市场变大后，会出现一种新方式叫COT（Customer-Owned Tooling，客户自有工具），谁会这么做？比如Apple的手机芯片，量级太大，他们绝不会去付给别人50%-60%的毛利做ASIC，他们会自己掌握工具。

　　所以，当TPU变为一门大生意时，它也会走向COT，这毫无疑问。话说回来，ASIC有它的位置——视频转码器的市场永远不会太大；智能网卡（Smart NIC）的市场也不会太大。

　　所以当你看到一家ASIC公司有十来个甚至十五个ASIC项目时，我并不惊讶，因为可能其中五个是Smart NIC、四个是转码器。它们都是AI芯片吗？当然不是。如果有人做一颗为某个特定推荐系统定制的处理器，做成ASIC，当然也可以。但你会用ASIC来做那颗“基础计算引擎”吗？要知道AI的工作负载变化极快。有低延迟负载，有高吞吐负载；有聊天token生成，有“思考”负载，有AI视频生成负载，现在你在谈的是……

　　Clark Tang：算力机群的 “主力骨干”。

　　黄仁勋：这才是英伟达的定位。

　　Brad Gerstner：再通俗点讲，就像“象棋vs跳棋”。那些今天做ASIC的人，不管是Trainium还是别的某些加速器，本质是在造一颗“更大机器中的一个部件”。

　　而你们造的是一个“非常复杂的系统、平台、工厂”，现在你们又开始做一定程度上的“开放”。你提到了CPX GPU，在某种意义上，你们在把工作负载“拆分”到最适合它的硬件切片上。

　　黄仁勋：没错。我们发布了一个叫“Dynamo”的东西——解耦后AI负载编排（disaggregated orchestration），而且开源了它，因为未来的AI工厂就是解耦的。

　　Brad Gerstner：你们还发布了NVLink Fusion，甚至对竞争对手开放，包括你们刚刚投资的Intel，这就是让他们也能接入你们正在建的工厂——没人疯狂到要独自建完整工厂。但如果他们有足够好的产品、足够有吸引力，终端客户说我们想用这个替代某个Arm GPU，或者替代你们的某个推理加速器等，他们就可以插进来。

　　黄仁勋：我们非常乐意把这些接上。NV Fusion是个很棒的主意，我们也很高兴与Intel合作——它把Intel的生态带进来，全球大多数企业工作负载仍跑在Intel上。它融合了Intel生态与英伟达的AI生态与加速计算。我们也会与Arm做同样的融合。之后还会与更多人做。这为双方都打开了机会，是双赢、非常大的双赢。我会成为他们的大客户，他们也会把我们带到更大的市场机会前。

　　Brad Gerstner：与此紧密相关的，是你提出一个让人震惊的观点：就算竞争者造的ASIC芯片今天已经更便宜，甚至就算他们把价格降到零，也依然会买英伟达的系统。因为一个系统的总运营成本——电力、数据中心、土地等——以及“智能产出”，选择你们仍然更划算，即使对方的芯片白送。

　　黄仁勋：因为单是土地、电力、厂房等设施就要150亿美元。

　　Brad Gerstner：我们试着做过这背后的数学题。对很多不熟悉的人来说，这听起来不合逻辑，你把竞品芯片定价为零，考虑到你们芯片并不便宜，怎么可能还是更划算？

　　黄仁勋：有两种看法。一是从营收角度。大家都受“电力”约束。假设你拿到了新增2GW的电力，那你希望2GW能被转化为营收。如果你的“token单位能耗（token per watt）”是别人的两倍，因为你做了深度且极致的协同设计，你的单位能耗性能更好，那你的客户就能从他们的数据中心产出两倍营收。谁不想要两倍营收？而就算有人给他们15%的折扣——比如我们75%的毛利，别人50%-65%的毛利——这点差距也绝不可能弥补Blackwell与Hopper之间30×的差距。

　　就算我们把Hopper和别人的ASIC看作同级，Blackwell也有30×的空间。所以在同一个GW上，你要放弃30×的营收。这代价太大了。就算对方白送芯片，你也只有2GW的电力可用，你的机会成本高得离谱——你永远会选择“单位能耗”最强的那套系统。

　　Brad Gerstner：我从一家hyperscaler的CFO那里听说过，鉴于你们芯片带来的性能提升，特别是以单位能耗（token/gigawatt）和“电力供给”为硬约束，他们不得不升级到新的周期。展望Rubin、Rubin Ultra、Feynman，这条曲线会延续吗？

　　黄仁勋：我们现在一年做六七颗芯片，每一颗都是系统的一部分。系统软件无处不在。要实现Blackwell的30×，需要跨这六七颗芯片的联调与优化。想象一下，我每年都这么做，砰、砰、砰地连发。如果你在这锅“芯片大杂烩”里只做一颗ASIC，而我们却在整锅里到处优化，这就是个很难的问题。

　　Brad Gerstner：这让我回到开头的护城河问题。我们做投资许久了，在整个生态投资，也投了你的竞争对手，比如Google、博通。

　　但当我从第一性原理出发，你们改为以年为单位的发布节奏、跟供应链共研、规模远超所有人预期，这对资产负债表与研发有双重规模要求，你们通过收购与自研推进了NVFusion、CPX等。因此，你们的护城河在拓宽，至少在“构建工厂或打造系统”这件事上是如此。

　　但有趣的是，你们的估值倍数比那些人都低。我认为部分源自“大数定律”——一家4.5万亿美元的公司不可能再变更大了。但一年半前我也问过你，如果市场会把AI负载提升10×或5×，我们也知道Capex的走势。在你看来，结合刚才谈到的优势下，营收“不大幅更高”的概率有多大？

　　黄仁勋：我这样回答，我们的机会远大于市场共识。

　　Brad Gerstner：我认为英伟达很可能成为第一家10万亿美元的公司。我在这行待得够久了。十年前，大家还说世上不可能有1万亿美元公司。现在我们有十家。今天的世界更大了，对吧？

　　黄仁勋：世界变大了。而且人们误解我们在做什么。大家记得我们是“芯片公司”——没错，我们造芯片，造的是全球最惊人的芯片。但英伟达实际上是一家AI基础设施公司。

　　我们是你的“AI基础设施合作伙伴”。我们与OpenAI的伙伴关系就是最好证明。我们是他们的AI基础设施伙伴。我们以很多方式与客户合作。我们不要求任何人买我们的一切。我们不要求你买整机柜，你可以买一颗芯片、一个部件、我们的网络，或仅仅买我们的CPU。也有人只买我们的GPU，配别家的CPU和网络。我们基本上是按你喜欢的方式卖。我的唯一请求是，买点儿我们的东西就行。

　　Brad Gerstner：你说过，不只是更好的模型，还要有“世界级建造者”。你说，也许全国最强的建设者是Elon Musk。我们聊过Colossus One，他在那里把二十几万颗H100/H200组成一个“相干”的大集群。现在他在做Colossus Two，可能是50万颗GPU、相当于几百万H100的“等效”相干集群。

　　黄仁勋：如果他先于所有人做到1GW，我不惊讶。

　　Brad Gerstner：既能做软件与模型，又懂如何打造这些集群的“建造者”有什么优势？

　　黄仁勋：这些AI超级计算机极其复杂。技术复杂，采购复杂（融资），拿地、拿电力与厂房复杂，建设复杂、点亮复杂。这恐怕是人类史上最复杂的系统工程之一。Elon的优势在于：在他脑子里，这些系统是一体协同的，所有相互依赖关系都在他一个人脑中，包括融资。是的，而且……

　　Brad Gerstner：他自己就是个“大GPT”、一台“大超算”。

　　黄仁勋：对，终极“GPU”。他有很强的紧迫感，他非常想把它建出来。当“意志”与“能力”相遇时，不可思议的事会发生。

　　六、主权AI：AI正在成为每个国家的基础设施

　　Brad Gerstner：你深度参与的另一块是主权AI……回看30年前，你大概难以想象如今你经常出入白宫。总统说你与英伟达对美国国家安全至关重要。面对这些，先给我个背景——若不是各国把这件事视为“生死攸关”，至少不亚于我们在1940年代看待“核”，你也不会出现在那些地方。如今如果没有一个由政府出资的“曼哈顿计划”，那它也由英伟达、OpenAI、Meta、Google来出资。

　　黄仁勋：没有人需要原子弹，但人人都需要AI。这就是巨大的不同。AI是现代软件。这是我一开始就说的：从通用计算到加速计算，从人写代码到AI写代码，这个根基不能忘，我们已经重塑了计算。它需要被普及，这就是所有国家都意识到必须进入AI世界的原因，因为每个国家都必须在计算中保持现代化。不会有人说：你知道吗，我昨天还用计算机，明天我就靠木棍和火种了。所以每个人都得继续向前，只是计算被现代化了而已。

　　第二，为了参与AI，你必须把自己的历史、文化、价值观写进AI。随着AI越来越聪明，核心AI学这些的速度很快，不必从零开始。所以我认为每个国家都需要一定的主权能力。我建议大家都用OpenAI、用Gemini、用Grok、用Anthropic……用各类开放模型。但他们也应该投入资源去学习如何“构建”AI，这不仅是为了语言模型，也是为了工业模型、制造模型、国家安全模型。他们要培养一整套“自己的智能”。因此，每个国家都应具备主权能力。

　　Brad Gerstner：这是否也是你在全球听到与看到的？

　　黄仁勋：是的。他们都会成为OpenAI、Anthropic、Grok、Gemini的客户，但同时也需要建设自己的基础设施。这就是英伟达在做的大想法——我们在构建“基础设施”。就像每个国家需要能源基础设施、通信与互联网基础设施，现在每个国家都需要AI基础设施。