黄仁勋最新对话直面争议，中国科技仅慢“纳秒”

推理革命的增长将是十亿倍量级

格斯特纳：如今你超过40%的收入来自推理业务。而真正的推理革命，也就是“链式推理”，才刚刚拉开序幕，对吗？

黄仁勋：它的增长将会是十亿倍。我们不只是面对一个行业的增长，而是站在一场全新的工业革命前夜。

现在我们已经清楚有三条规模定律：预训练规模定律、后训练规模定律，以及推理规模定律。

所谓“后训练”，本质上就像AI在练习一项新技能。它会不断尝试各种方法，直到做对为止。而要做到这一点，就必须依赖推理。

今天的强化学习，其实已经把训练和推理完全融合在一起，这让整个过程变得更加复杂，而这就是所谓的“后训练”。

过去的推理是一种“一次性”的过程。但今天我们强调的是新的推理方式，让模型在给出答案之前先“思考”。

一个模型“思考”的时间越长，答案的质量就越高。在这个思考过程中，它可以查资料，核实事实，学习新知识。再思考，再学习，最后生成答案。

关键在于，不要急于给出第一个答案。

所以，真正推动AI演进的，并不只是单一的预训练，而是预训练、后训练和推理三者共同作用。

黄仁勋：我今年的信心更足，看看如今的AI代理系统就知道了。

AI已经不再是单一的语言模型，而是一个由多个模型组成的系统。它们可以同时运行，调用工具，做研究，处理各种任务，而且都是多模态的。

OpenAI很可能会成为下一个“万亿美元巨头”

我认为OpenAI很可能会成为下一个万亿美元市值的超大规模公司。因为它和Meta、谷歌一样，既有面向消费者的服务，又有面向企业的业务。这样的双重布局，让它极有可能成为全球下一个万亿级巨头。

如果真是这样，那么在它成长到那个规模之前进行投资，就是我们能想到的最明智的决策之一。

投资必须投在自己熟悉的领域，而这恰好是我们的核心专长。而且他们愿意让我们参与，这非常难得。

我们和OpenAI已经在多个层面合作。这次新合作特别之处在于，OpenAI第一次决定自建AI基础设施。

这意味着，我们会直接在芯片、软件、系统乃至“AI工厂”层面与他们合作，帮助OpenAI成为一个完全自营的超大规模公司。

这个过程会持续相当长的时间。这背后是他们正在经历的“双重指数级增长”。

第一个指数增长来自用户数。因为AI的效果越来越好，应用场景越来越多，几乎所有应用都在接入OpenAI，导致使用量爆炸式增加。

第二个指数增长来自单次使用的计算量。过去AI是“一次性”推理，现在则需要经过“思考”才能给出答案。

黄仁勋：对，就像自己建工厂一样。他们希望和我们建立一种类似埃隆与X的关系，走向自主建设。

未来属于加速计算和人工智能

格斯特纳：这种观点部分源于担心：当下的短缺最终会带来未来的产能过剩。他们或许相信2026年的增长，但对2027年以后的情况心存疑虑，认为市场可能饱和。

第一点，也是最根本的一点，是基于物理定律的必然趋势：通用计算的时代已经结束，未来属于加速计算和人工智能。

你可以这样想：全球价值数万亿美元的计算基础设施，有多少需要更新换代？

所有人都同意摩尔定律已死，通用计算的效率瓶颈已现。下一步必然是从通用计算转向加速计算。我们和英特尔的合作正是基于这个共识，通用计算必须和加速计算结合，这反而给他们带来了新机会。

第二点，人工智能的第一个落地场景其实早已无处不在，比如搜索、推荐引擎和电商。

过去，超大规模计算的基础设施主要是CPU，用来支撑推荐系统；未来，它将转向GPU，为人工智能服务。

你只要看看传统计算和超大规模计算的迁移方向，它们正在从CPU向加速计算与AI转移。支持Meta、谷歌、字节跳动、亚马逊等公司完成这一转型，就是一个数千亿美元的市场。

到目前为止我讲的都只是基础。就像煤油灯被电灯取代，螺旋桨飞机被喷气机取代，旧模式终将被淘汰，这很简单。

真正令人震撼的是，当我们进入AI与加速计算的时代，会诞生哪些全新的应用？这就是生成式AI的机会。

这个机会有多大？你可以类比马达取代体力劳动，而今天我们有了人工智能。我称之为“AI工厂”。这些AI超级计算机会不断生成token，用来增强人类智能。

人类智能对全球GDP的贡献有多大？大约55%到65%，差不多50万亿美元。

这50万亿美元的经济活动，未来都将被AI增强。

回到个人层面，假设我花1万美元为一位年薪10万美元的员工配一套AI系统，能让他的生产力提升一倍甚至两倍，我会不会这么做？答案是肯定的。

在英伟达，我们的每一位软件工程师、每一位芯片设计师，都已经在用AI协作。覆盖率是100%！

这意味着我们设计更多芯片，迭代更快，公司整体增长也更快。我们雇佣更多的人，效率更高，收入和利润都更高。为什么不呢？

现在，把英伟达的故事放大到全球GDP。

AI和过去的IT最大的不同在于：过去软件是提前写好的，运行在CPU上，需要人去操作；未来，AI会持续生成“通证”，机器必须不停思考才能生成。

软件将永远在线运行，而不是一次性写好。为了让AI思考，就需要一个“工厂”。

假设未来AI生成了10万亿美元的token价值，毛利率是50%，那么就需要一个价值5万亿美元的“AI工厂”——也就是AI基础设施来支撑。

所以如果有人告诉我，未来全球每年的AI基础设施资本支出将达到5万亿美元，我会觉得这个数字完全合理。

这就是未来：从通用计算转向加速计算，用AI重塑所有超大规模计算，并最终增强人类智能。

他还提到另一点：token的生成速度每隔几个月就会翻倍。

这意味着什么？意味着每瓦性能必须持续呈指数级提升，这也是我们不断推出更高性能产品的原因。同样，每瓦带来的收入也会随之提升。未来，“瓦特”几乎就等同于收入。

因此，AI本身就是一个高速成长的产业。而支撑它的，是“工厂”和基础设施，这也意味着我们的产业在成长。而且，下游产业同样在成长。

能源行业就是一个例子。无论是核能还是燃气轮机，正在迎来新一轮复兴。

再看看我们基础设施生态系统中的公司，几乎所有人都在增长。

供过于求的可能性要到几年以后

格斯特纳能展开说说吗？我们估算，到2026年，AI相关收入将达到1000亿美元，这还不包括Meta，也不包括推荐引擎、搜索等现有业务的AI化部分。

黄仁勋就算是1000亿美元吧。但整个超大规模计算行业的体量是数万亿美元。而且要记住，这个行业正在全面转向AI。

在任何人创造新市场之前，你必须先把这块基数算进去。

超大规模公司们已经完成了从CPU到AI的转型，它们的收入基础如今完全依赖AI。

没有AI，TikTok无法运行；没有AI，YouTubeShorts无法运行；没有AI，Meta的个性化内容也不可能实现。过去很多依赖人工的环节，现在都交给AI了。

过去，内容是预先写好的，推荐引擎只是从有限的选项里挑选。而现在，AI能够生成无限的可能。

至于搜索，是不是也用上了GPU？当然，这更是全新的变革。

我再补充一点：直到所有推荐引擎都基于AI，直到所有内容生成都基于AI——而消费者内容的生成本质上依赖推荐系统，这些传统上属于超大规模计算的应用，包括购物、电商等，都将被AI重塑。

这并不是GPU产能不足，而是需求一直被低估。如果客户下单，我们就会生产。

过去几年，我们已经全面梳理过供应链。从晶圆厂到封装，再到HBM内存，都已做好准备。如果需求翻倍，我们也能随时翻倍产出。所以供应链不是问题。

我们现在只等需求信号。当云服务商、超大规模数据中心、客户们制定年度计划并给出预测时，我们就据此生产。

但迄今为止，所有的预测都被证明偏低。所以我们一直处在追赶状态。

这种追赶已经持续好几年。我们收到的每份预测，都比去年显著增加，但实际需求仍然会超过它们。

一些超大规模客户，他们的内部工作负载非常庞大，必须从通用计算转向加速计算，所以消化产能没问题；另一些客户的工作负载更复杂多样，因此一开始对需求的判断比较犹豫。

但现在大家都明白了：他们严重低估了所需的算力。

我最看好的一类应用就是传统数据处理——包括结构化和非结构化数据。我们很快会宣布一个重大计划，把数据处理全面加速化。

要知道，目前全球绝大多数的数据处理还是跑在CPU上：Databricks、Snowflake的负载大部分是CPU，甲骨文的SQL处理也一样。几乎所有人都用CPU做SQL查询。

未来，这些都会由AI来完成。

这是一个巨大而开放的市场。对英伟达来说，这需要一个完整的加速层，以及针对特定领域的数据处理库和方法，我们必须把它们构建出来。

英伟达股权投资只是为押注未来巨头的机会

所以当你们或微软、亚马逊投资的公司，同时又是你们的大客户，比如你们投资了OpenAI，而OpenAI又向你们采购数百亿美元的芯片……请告诉我们，分析师们担心的“循环收入”问题，到底错在哪？

资金来源无非三种：资本金、股权融资和债务融资。他们能拿到多少资金，取决于市场对他们维持收入能力的信心。聪明的投资人和贷款人会综合考量，这就是他们的商业模式。

这和我们没关系。

当然，我们必须与他们保持紧密联系，确保能支持他们的持续扩张。但这属于收入逻辑，而不是投资逻辑。

我们的股权投资不与采购挂钩，它只是一次押注未来巨头的机会。正如我之前说过的，这些公司极有可能成为下一个万亿美元级的超大规模企业。

谁不想投资这样的公司呢？我唯一的遗憾是，当他们早期邀请我们投资时，我们因为资金有限，投得太少了。

真希望当时能把所有的钱都投进去。

英伟达的竞争壁垒

这个年度节奏目前进展如何？主要目标是什么？英伟达内部的AI是否在其中发挥了作用？

为什么要采用年度发布？因为token的生成速度正在以指数级增长，客户的使用量也在以指数级增长。像ChatGPT上线还不到两年，周活跃用户已经接近8亿。

摩尔定律已经停滞，晶体管的成本和能效改进几乎为零。除非有新的系统性创新，否则局面无解。

几分点的折扣根本弥补不了性能鸿沟。唯一的办法，就是每年实现数量级的性能跃迁。

晶体管的红利已经消失，我们必须在系统层面彻底重构，打破所有边界，重新设计芯片、软件栈和系统。

这就是所谓的极致协同设计。从未有人在如此高的层面上做过这样的整合。

黄仁勋：极致协同设计的核心，就是同时优化模型、算法、系统和芯片。

摩尔定律时代，你只要让CPU变快，一切就会自然提速。但当芯片性能停滞，你必须跳出框架创新。

这就是英伟达改变游戏规则的地方。

我们做了两件事：发明了CUDA和GPU，并提出了大规模协同设计的理念。

因此，我们进入了如此多的行业，构建了庞大的库并进行联合优化。从技术栈到数据中心层面，涵盖交换机、网络、软件、NIC、横向扩展、纵向扩展，全都整合。

结果就是，从Hopper到Blackwell实现了30倍性能提升，这是任何摩尔定律都无法做到的。这就是“极致”。

而能做到这一点，还因为我们有最丰富的软件和人才积累。

英伟达向世界贡献的开源软件比几乎任何公司都多，覆盖AI、图形学、数字生物学、自动驾驶等领域。这些庞大的软件资源，让我们真正能够执行深度而极致的协同设计。

仅在晶圆和DRAM的采购上，就得花掉数百亿美元。这个规模几乎没有哪家公司能做到。

因为晶圆成本不断上涨，如果不进行大规模协同设计，就根本不可能实现数量级的性能跨越。

壁垒在于两点：协同设计的极致性和规模的极致性。当客户要部署1吉瓦的算力时，意味着需要40万到50万块GPU。

让几十万块GPU协同运转，本身就是奇迹。客户必须在我们身上下注。

你要反问自己：什么样的客户会在一款尚未经过市场验证的架构上，提前下500亿美元的订单？再问，作为供应商，你为什么要为一款刚刚完成设计的芯片，提前投产价值500亿美元的晶圆？

对英伟达来说，这能实现，因为我们的架构已经被反复验证过。客户的规模巨大，供应链也必须匹配这种规模。

没有对我们交付能力的绝对信任，任何一家公司都不会愿意提前为你生产如此庞大的零部件订单。

他们愿意一次性拉动数千亿美元的生产计划，这种信任和规模本身就是壁垒。

黄仁勋：我会说，我们的机遇，远比市场普遍认知的要大得多。

外界对我们有误解，仍然停留在“英伟达是一家芯片公司”的印象里。没错，我们造芯片，而且是世界最顶尖的芯片。

但英伟达的本质是一家AI基础设施公司，我们是客户的AI基础设施合作伙伴。与OpenAI的合作就是明证。

我们与客户合作方式非常灵活，不要求他们必须买全套，也不要求买整个机柜。他们可以只买一颗芯片，一个组件，或者只买我们的网络设备。

有些客户只买CPU，或者只买GPU，再配其他厂商的CPU或网络设备，我们完全接受。

无论怎样，我唯一的请求是：总得从我们这儿买点东西。（笑）

技术复杂，融资复杂，土地、电力、机房和供电同样复杂。把所有这些整合并运行起来，这是人类历史上最复杂的系统工程之一。

埃隆的巨大优势在于，他能在一个人的大脑里整合并处理这些相互依赖的复杂系统，甚至包括融资。他本身就是一个巨大的GPT，一台超级计算机，是终极的GPU。

他有强烈的紧迫感和真正的建设意愿。当意愿与能力结合时，奇迹就会发生。他确实是独一无二的。

ASIC之争与未来格局

格斯特纳：唐说到这点，现在全球一个核心争论是GPU与ASIC（专用集成电路，即为某个特定用途而设计的“定制芯片”）的对决。考虑到谷歌TPU的成功，你现在怎么看市场格局的演变？

就像创业一样，应该在市场爆发前就进入，而不是等到市场达到万亿美元规模时再加入。

风险投资里有个常见的谬论，只要能在大市场中拿到几个点的份额就能成功。这完全错误。

真正的逻辑是：你要在一个小市场里占据100%，并随着市场成长而成长。TPU当年就是这么做的，那时这个赛道只有我们和他们。

我曾在LSILogic工作过，那家公司最早提出ASIC概念，但现在已经不复存在。

为什么？当市场还很小的时候，ASIC模式确实有效。你找个代工厂，帮你完成设计、封装、生产，他们抽取50%–60%的毛利。

但当市场足够大时，模式就会转向COT（客户自有工具，Customer-OwnedTooling）。苹果的智能手机就是典型案例：出货量巨大，他们绝不会把一半利润交给别人，而是必然采用COT。

所以，当TPU的业务规模大到一定程度时，最终也会走向COT，这是毫无疑问的。

当然，ASIC依然有它的用武之地，比如视频转码器或智能网卡。这类市场规模有限，不会无限膨胀。

你可以用ASIC去做推荐系统里的嵌入式处理器，这是可行的。但要拿它作为AI的核心计算引擎，就完全不现实了。

AI世界变化太快，你需要应对低延迟、高吞吐、推理、Token生成、视频生成等各种迥异的工作负载，这些需求不可能靠单一ASIC解决。

没错。我们刚刚开源了Dynamo，一个面向分布式AI工作负载的编排系统，因为未来的AI工厂一定是分布式的。

格斯特纳：你们推出的NVLinkFusion（英伟达推出的新一代互联技术，它能把不同厂商的CPU、GPU或加速器高速连接起来，让它们像一个整体一样协同工作。相比传统的封闭互联，NVLinkFusion更开放，允许Intel、ARM等生态无缝接入，从而扩大了英伟达“AI工厂”的影响力），甚至向英特尔——你们刚刚投资的竞争对手，敞开了大门。这说明你们希望整个行业一起来建设这座“工厂”。

黄仁勋：这次合作把英特尔生态、英伟达AI生态和我们的加速计算平台打通，就像我们和ARM已经实现的那样。未来还会有更多合作伙伴。

这是一次双赢：我会成为他们的大客户，而他们也为我们打开更广阔的市场。

中国科技只比我们慢了“纳秒”而已

格斯特纳：大多数人可能不知道，但我认为你对中国的了解不亚于美国任何一位领导人。

黄仁勋：我们去中国已经30年了。

格斯特纳：能否重申一下，你认为我们国家应该怎么做，才能在全球人工智能竞赛中处于最佳的获胜位置？

黄仁勋：我们和中国确实是竞争对手。但要认识到，中国希望自己的企业做大做强，这是再自然不过的事。他们理应如此，而且也应该得到尽可能多的支持，这是他们的权利。

别忘了，中国有着世界上一些最优秀的企业家，他们大多毕业于全球顶尖的STEM学校，是全世界最渴望成功、最有冲劲的一群人。

在他们的职业文化中，“996”工作制就是一个典型例子——每周工作六天，从早上九点到晚上九点。这种方式效率极高，虽然外界争议不少，但它已经成为他们的文化特征之一。

整体上，这是一个充满活力、富有创业精神的高科技产业环境，现代化程度很高。

我听到过一些声音，比如“中国永远造不出AI芯片”。这完全是无稽之谈。还有人说“中国不擅长制造”。如果非要说他们最擅长什么，那就是制造。

有人说他们比我们落后很多年——一两年？还是三四年？事实上，他们只比我们慢了“纳秒”而已，就是这么微小的差距。所以，我们别无选择，必须直面竞争。

那么问题来了：什么才符合中国的最佳利益？

答案很清楚：维持一个充满活力的产业。中国领导层也公开表示过，而且理应如此，他们希望中国成为一个开放的市场，吸引外国投资，让国际公司进入并在市场上竞争。

我相信，也希望我们能够回到过去的状态。

回到你刚才提到的未来，我对此依然充满信心。因为中国领导人就是这么说的，我对此深信不疑。我相信这是符合他们利益的做法：既让外国企业在中国投资、竞争，同时又保证本土企业能在充满活力的竞争中成长。

另外，他们也明确希望走向全球，参与国际竞争。这是一个相当明智的愿景。

至于我们美国，任务就是赋能我们的技术产业。我很荣幸能身处一个被誉为“国家宝藏”的行业。我们必须意识到，这确实是我们的国之瑰宝，是我们最顶尖、独一无二的产业。

所以，我们为什么不让这个产业放手去拼，在竞争中脱颖而出？为什么不让它走向世界，把技术传播到各个角落，建立一个以美国技术为基础的全球体系？

这样，我们才能最大限度地提升经济成就和地缘政治影响力，让这个在关键时刻至关重要的产业蓬勃发展。

虽然有很多讨论正在进行，但我始终会回到一个基本事实。我坚信，让英伟达能够参与并服务中国市场的竞争，这最符合中国的利益。

同时，这也最符合美国的利益。这两个事实完全可以同时成立，而且我相信它们都是真实的。

我一直相信智慧和真理终将胜出，这也是我一路走来的信念。

面对一辆正以指数级加速前进的火车

赶紧跳上去

格斯特纳：今天我们已经多次提到“指数增长”。未来学家雷·库兹韦尔（RayKurzweil）曾说过：在21世纪，我们体验到的进步将不止100年，而是相当于两万年的进步。展望下未来？

黄仁勋：我认为在未来五年内，会有一件特别酷的事情发生：人工智能将与机电一体化、机器人技术真正融合。到那时，我们每个人身边都会有能自由活动的AI。

大家其实都能想象，我们终将迎来属于自己的“R2-D2”。它会陪伴我们成长，记住我们的一切，成为我们的向导和伙伴。

注：星球大战中R2-D2，是一位聪明活泼的机器人，陪伴过天行者阿纳金和卢克，经常出现在银河系历史的关键时刻。

再想象一下：未来在云端部署80亿个GPU，为全球80亿人提供服务，每个人都有一个量身定制的AI模型。这完全可能实现，也非常令人振奋。人工智能不仅存在于云端，还会无处不在：在你的汽车里，在你的机器人里，在各种设备中。

与此同时，我们还将逐步理解生命科学的复杂性。对生物系统的理解和预测，甚至可能让我们为每个人建立一个数字孪生。

就像我们在亚马逊有一个用于购物的“数字分身”，在医疗健康领域，我们也完全可以拥有一个。

这个系统能预测衰老过程、潜在疾病，甚至预警可能即将发生的重大健康事件——比如下周，甚至明天下午。这不是幻想，而是迟早会实现的。

很多CEO常常问我：面对这种快速演化的未来，我们该怎么办？答案其实很简单：在一列正以指数级加速前进的火车面前，你唯一要做的，就是跳上去。

一旦上车，问题会在途中得到解决。试图预测这列火车最终会驶向何方，然后打算在某个路口拦截它，这是徒劳的。

最聪明的做法，就是在它还没快到无法企及之前，赶紧上车，和它一起加速前进。