实测辅助“微友麻将外卦神器通用版”附开挂脚本详细教程-知乎

　　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。