北京
2025 年 9 月 25 日，英偉達創始人黃仁勛戴著標志性紅色眼鏡，現身 Bg2 Pod 播客節目，與布拉德?格斯特納、克拉克?唐展開一場超百分鐘深度對話。作為全球 AI 產業的 “風向標” 人物，黃仁勛此次直面行業爭議，從技術革命、市場前景到全球競爭格局，拋出諸多重磅觀點，為 AI 產業發展畫像。
一年前，他提出 “AI 推理增長將達十億倍” 的預判，如今卻坦言 “當時仍低估了”。對話中，他詳解預訓練、后訓練與推理三大規模定律，指出 AI 已從單一語言模型進化為多模態協同系統，“鏈式推理” 開啟產業新局。對于 OpenAI，他直言其有望成為下一個萬億美元巨頭，英偉達與其合作將助力其搭建自營 AI 基礎設施，把握 “雙重指數級增長” 機遇。
面對 “2027 年增長趨緩”“2026 年產能過?！?等質疑，黃仁勛態度堅決：通用計算時代已落幕，加速計算與 AI 遷移是必然趨勢，全球數萬億美元計算基礎設施待升級，5 萬億美元 AI 基礎設施年支出目標合理。他還拆解英偉達競爭壁壘，強調 “極致協同設計” 與 “規模效應” 的核心作用，披露年度芯片迭代背后的技術邏輯。
談及中國科技，黃仁勛打破偏見，盛贊中國高科技產業活力與制造能力，稱 “中國僅慢納秒”，呼吁以開放競爭推動全球產業發展。最后，他描繪 AI 與機器人融合的未來圖景，警示行業 “搭上指數級增長的 AI 列車，方能把握機遇”。這場對話，既是對 AI 產業現狀的深度復盤，更是對未來五年技術革命的清晰展望。以下，Enjoy：
來源：聰明投資者
排版：關鶴九
責編：艾暄
9月25日，英偉達創始人黃仁勛戴著顯眼的紅色眼鏡，到Bg2 Pod做了一場播客對話，時長超過100分鐘。
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分鐘。
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，他說，“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采購掛鉤，它只是一次押注未來巨頭的機會?！?/strong>
“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，那么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，我認為出現供過于求的可能性極低。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。這就是英偉達改變游戲規則的地方。”
“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。”
“壁壘在于兩點：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，盛贊說，“埃隆的巨大優勢在于，他能在一個人的大腦里整合并處理這些相互依賴的復雜系統，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，黃仁勛的贊美一如既往，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。他甚至說，“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?！?/p>
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伙伴。
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?！?/p>
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并分享下。
01
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”，才剛剛拉開序幕，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，很多人說：“糟了，預訓練到頭了，我們投得太多了?！笨赡銋s說：“推理的增長不是一百倍、一千倍，而是十億倍?！?/b>
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復雜，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，核實事實，學習新知識。再思考，再學習，最后生成答案。
關鍵在于，不要急于給出第一個答案。
所以，真正推動AI演進的，并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。
02
OpenAI很可能會成為下一個“萬億美元巨頭”
格斯特納幾天前，你宣布了與OpenAI的Stargate項目達成重大合作。能否談談這次合作對你意味著什么？以及為什么你認為這對NVIDIA來說是明智之舉？
黃仁勛我先回答最后一個問題，再展開說。
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。這樣的雙重布局，讓它極有可能成為全球下一個萬億級巨頭。
如果真是這樣，那么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。而且他們愿意讓我們參與，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于，OpenAI第一次決定自建AI基礎設施。
這意味著，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戶數。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。
格斯特納你剛才提到“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的關系，走向自主建設。
03
未來屬于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，但這沒關系。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于擔心：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，是基于物理定律的必然趨勢：通用計算的時代已經結束，未來屬于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于這個共識，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40億用戶，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，我會不會這么做？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%！
這意味著我們設計更多芯片，迭代更快，公司整體增長也更快。我們雇傭更多的人，效率更高，收入和利潤都更高。為什么不呢？
現在，把英偉達的故事放大到全球GDP。
AI和過去的IT最大的不同在于：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。為了讓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%，那么就需要一個價值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，并最終增強人類智能。
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）昨天還說，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。
這意味著什么？意味著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”幾乎就等同于收入。
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，那么它必然會加速。
黃仁勛是必然的?？纯?b>AI領域正在發生什么。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，這也意味著我們的產業在成長。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。
04
供過于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“供過于求”或者“泡沫”？扎克伯格上周在播客里就說，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”。
格斯特納能展開說說嗎？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說，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應用上的確有點遲緩。GPU對Meta來說才是一兩年的新事物。
至于搜索，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，出現供過于求的概率有多大？
黃仁勛在通用計算全面完成向加速計算和AI的遷移之前，我認為出現供過于求的可能性極低。這還需要幾年時間。
我再補充一點：直到所有推薦引擎都基于AI，直到所有內容生成都基于AI——而消費者內容的生成本質上依賴推薦系統，這些傳統上屬于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。是不是意味著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。
這并不是GPU產能不足，而是需求一直被低估。如果客戶下單，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。當云服務商、超大規模數據中心、客戶們制定年度計劃并給出預測時，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?？蛻?，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；另一些客戶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。我們很快會宣布一個重大計劃，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。對英偉達來說，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。
05
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戶，比如你們投資了OpenAI，而OpenAI又向你們采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，取決于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。
這和我們沒關系。
當然，我們必須與他們保持緊密聯系，確保能支持他們的持續擴張。但這屬于收入邏輯，而不是投資邏輯。
我們的股權投資不與采購掛鉤，它只是一次押注未來巨頭的機會。正如我之前說過的，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。而且正如你說的，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。
06
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布周期；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？主要目標是什么？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。
為什么要采用年度發布？因為token的生成速度正在以指數級增長，客戶的使用量也在以指數級增長。像ChatGPT上線還不到兩年，周活躍用戶已經接近8億。
格斯特納而且每個用戶都在生成更多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。
這就是英偉達改變游戲規則的地方。
我們做了兩件事：發明了CUDA和GPU，并提出了大規模協同設計的理念。
因此，我們進入了如此多的行業，構建了龐大的庫并進行聯合優化。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說，英偉達的年度發布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的采購上，就得花掉數百億美元。這個規模幾乎沒有哪家公司能做到。
格斯特納那么你會說，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。
壁壘在于兩點：協同設計的極致性和規模的極致性。當客戶要部署1吉瓦的算力時，意味著需要40萬到50萬塊GPU。
讓幾十萬塊GPU協同運轉，本身就是奇跡?？蛻舯仨氃谖覀兩砩舷伦?。
你要反問自己：什么樣的客戶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，你為什么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？
對英偉達來說，這能實現，因為我們的架構已經被反復驗證過?？蛻舻囊幠＞薮螅溡脖仨毱ヅ溥@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愿意提前為你生產如此龐大的零部件訂單。
他們愿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？
黃仁勛我會說，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，我們是客戶的AI基礎設施合作伙伴。與OpenAI的合作就是明證。
我們與客戶合作方式非常靈活，不要求他們必須買全套，也不要求買整個機柜。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。
有些客戶只買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）
格斯特納你說過，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超級計算機是極其復雜的系統。
技術復雜，融資復雜，土地、電力、機房和供電同樣復雜。把所有這些整合并運行起來，這是人類歷史上最復雜的系統工程之一。
埃隆的巨大優勢在于，他能在一個人的大腦里整合并處理這些相互依賴的復雜系統，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愿。當意愿與能力結合時，奇跡就會發生。他確實是獨一無二的。
07
ASIC之爭與未來格局
唐說到這點，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“定制芯片”）的對決?？紤]到谷歌TPU的成功，你現在怎么看市場格局的演變？
黃仁勛谷歌的成功在于遠見。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占據100%，并隨著市場成長而成長。TPU當年就是這么做的，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。
為什么？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（客戶自有工具，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，而是必然采用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，你需要應對低延遲、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復雜的系統、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，一個面向分布式AI工作負載的編排系統，因為未來的AI工廠一定是分布式的。
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。這說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戶，而他們也為我們打開更廣闊的市場。
08
中國科技只比我們慢了“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了解不亞于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么做，才能在全球人工智能競賽中處于最佳的獲勝位置？
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，而且也應該得到盡可能多的支持，這是他們的權利。
別忘了，中國有著世界上一些最優秀的企業家，他們大多畢業于全球頂尖的STEM學校，是全世界最渴望成功、最有沖勁的一群人。
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征之一。
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。還有人說“中國不擅長制造”。如果非要說他們最擅長什么，那就是制造。
有人說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，就是這么微小的差距。所以，我們別無選擇，必須直面競爭。
那么問題來了：什么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，讓國際公司進入并在市場上競爭。
我相信，也希望我們能夠回到過去的狀態。
回到你剛才提到的未來，我對此依然充滿信心。因為中國領導人就是這么說的，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愿景。
至于我們美國，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，我們為什么不讓這個產業放手去拼，在競爭中脫穎而出？為什么不讓它走向世界，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，讓英偉達能夠參與并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。
09
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）曾說過：在21世紀，我們體驗到的進步將不止100年，而是相當于兩萬年的進步。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，我們終將迎來屬于自己的“R2-D2”。它會陪伴我們成長，記住我們的一切，成為我們的向導和伙伴。
注：星球大戰中R2-D2，是一位聰明活潑的機器人，陪伴過天行者阿納金和盧克，經常出現在銀河系歷史的關鍵時刻。
再想象一下：未來在云端部署80億個GPU，為全球80億人提供服務，每個人都有一個量身定制的AI模型。這完全可能實現，也非常令人振奮。人工智能不僅存在于云端，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復雜性。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于購物的“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，而是遲早會實現的。
很多CEO常常問我：面對這種快速演化的未來，我們該怎么辦？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。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
