黃仁勛：制程使GPU硬件性能提升75%，但架構算法使其能效增長50倍

4月16日凌晨1點，美國作家、播客主持人Dwarkesh Patel放出與英偉達創始人黃仁勛的深度訪談。

本次對談高達1小時46分鐘，我猜測錄制總時長要超過2個半小時，也是近兩年黃仁勛對談中第二長的播客采訪，信息密度超大。

對談內容涵蓋英偉達的供應鏈護城河、TPU競爭威脅，以及英偉達為何不自己做云服務等問題。

盡管播客里面存在很多黃仁勛談的舊觀點，如“五層蛋糕理論”、英偉達護城河很高等，但Dwarkesh Patel問的非常犀利，所以黃仁勛輸出了也很多新穎的觀點，值得拆解分析。

例如，黃仁勛首次拋出英偉達的極簡定義：“輸入是電子信號，輸出是Intelligence Token，中間是英偉達。”

他認為這是一套系統化的價值鏈，英偉達需要做到標準化、系統化，而且“只做核心必要業務”，英偉達就不會被淘汰。

對于中國市場，黃仁勛依然表示，我們不能將芯片、算力簡單等同于核武器、濃縮鈾這類物資。芯片是通用計算硬件，中國本身具備大規模自主制造能力，無法實現絕對管控。英偉達主動放棄中國市場，只會加速中國本土芯片產業迭代成熟，徹底脫離美國技術生態，這對美國芯片產業、科技領導力，才是更大的傷害。

黃仁勛指出，制程差距，無法徹底限制 AI 技術迭代。更重要的是，頂尖算法人才的創新能力，能夠突破硬件限制。摩爾定律增速有限，但算法優化、架構創新能夠帶來數十倍的性能提升。DeepSeek等中國開源大模型的快速迭代，已經證明了這一點。

黃仁勛表示，制程迭代的性能差距，被嚴重高估。從Hopper到 Blackwell，制程帶來的硬件性能提升僅有 75%，而架構、算法、互聯優化帶來的能效提升達到50倍。半導體工藝只是底層基礎，計算架構、軟件生態、算法創新、高速互聯，才是決定AI算力上限的核心因素。單純依靠先進制程封鎖，無法限制AI發展，反而會倒逼對方探索差異化技術路線。

黃仁勛強調，絕不對GPU進行“價高者得”的競價售賣，也不會放棄中國市場。

我們將通過萬字左右的篇幅，人類用AI輔助方式，將黃仁勛的觀點摘錄拆解，以饗讀者：

談取代論：軟件不會商品化， 而是需要系統化形成電子+tokens+英偉達

主持人問：我們看到一眾軟件公司的估值大幅暴跌，根源在于市場普遍認為AI會讓軟件徹底商品化。當下存在一種略顯片面的認知邏輯：媒體先傳輸設計文件，交由臺積電完成邏輯芯片的制造；臺積電生產芯片開關元件，再搭配 SK 海力士、美光、三星制造的高帶寬內存完成封裝，隨后運往代工廠完成整機機柜組裝。從本質來看，英偉達只負責研發軟件，硬件制造全部交由外部廠商完成。一旦軟件淪為同質化大宗商品，英偉達自身也會隨之變成大宗商品化的企業。

對此，黃仁勛表示：

歸根結底，必須有一套體系完成電子信號到Intelligence Token的轉化，并且持續提升這些tokens的價值。但這種價值增值的商業化落地，其實很難完全閉環實現。

這種轉化，本身就是一套極具復雜度的產業過程；想要區分Token價值、實現差異化，就好比讓兩種不同分子產生價值差。

想要賦予智能tokens獨特價值，需要凝聚大量工藝設計、工程技術、基礎科學與技術創新。眼下我們正親眼見證這一過程持續演進。

所以，這套轉化流程、制造體系以及底層科學原理，人類遠未完全吃透，整個產業的發展旅程也遠遠沒有抵達終點。因此我并不認同軟件會快速商品化的判斷。

我們會持續優化整套體系的運行效率，而外界對英偉達的定位認知，恰好契合我對公司的核心定義：輸入端是電子信號，輸出端是智能tokens。

英偉達的核心使命，是以最低冗余、最高必要限度，支撐這套轉化體系實現極致性能。

我所說的 “最低冗余”，指所有非核心業務環節，我們都會通過生態合作、外包協同的方式交由合作伙伴完成，納入自身生態體系。

放眼當下，英偉達擁有業內規模最龐大的合作伙伴生態，覆蓋上下游供應鏈、整機廠商、應用開發者、大模型研發企業等全鏈條。

人工智能可以比作五層疊加的分層產業體系，我們的生態布局貫穿全部五層，始終堅持 “只做核心必要業務” 的原則。

但不得不說，我們必須自研深耕的核心業務，難度極高，絕對不可能被商品化。

除此之外，我也不認同多數企業軟件公司的商業模式會走向衰退。如今絕大多數軟件廠商本質都是工具供應商，少數企業專注工作流與標準化系統搭建。

Excel、PowerPoint 是工具，Cadence（楷登）、新思科技同樣以EDA工具研發為核心。

我的判斷和市場主流觀點完全相反：AI 智能體的數量會呈指數級爆發，工具使用者規模同步暴漲，各類工業軟件、研發工具的部署體量也會迎來井噴。

舉個例子，新思科技的AI設計編譯工具、芯片布局規劃軟件、版圖設計工具、設計規則檢測工具，未來的部署規模都會大幅增長。

過去這類工具的使用規模，受限于工程師的人力數量；未來，工程師會由海量 AI 智能體輔助協同，人類能夠前所未有的廣度探索設計邊界，并且持續沿用當下成熟的工業工具。

因此我認為，AI 智能體的普及，會帶動工具類軟件企業的業績與估值迎來爆發。

目前這一趨勢尚未落地，核心原因是現階段 AI 智能體熟練使用專業工具的能力仍有欠缺。

后續要么是軟件廠商自主研發適配的專屬智能體，要么是通用 AI 能力持續迭代、最終適配各類專業工具，大概率會是兩種路徑并行發展。

隨后，主持人問：我注意到，英偉達最新財報披露，已與晶圓廠、存儲廠商、封裝企業達成近千億美元的長期采購承諾；而半導體行業分析機構預測，這類長期鎖量采購的總規模，后續會達到2500億美元。外界有一種解讀：英偉達的核心戰略，是提前鎖定未來數年全球稀缺的芯片核心零部件。即便其他企業能夠自研 AI 加速芯片，也很難拿到配套內存、邏輯芯片等關鍵物料，無法完成量產落地。這正是英偉達未來數年最核心的競爭壁壘與戰略布局。

黃仁勛：

這確實是我們的核心優勢之一，也是其他企業難以復刻的能力。

我們在產業鏈上游做出了海量長期投入與采購承諾，既有公開明確的硬性協議，也有隱性的生態綁定。

多年來，我持續向全產業鏈上游企業的管理層傳遞行業判斷、拆解 AI 產業的長期規模、梳理發展邏輯、分享我們的前沿洞察。

通過持續溝通、理念共識與價值綁定，上游廠商才愿意提前加碼產能投資。

而他們優先選擇與英偉達合作、而非其他企業，核心原因很簡單：我們具備大規模采購消化產能的能力，同時依托龐大的下游生態與需求，幫助上游廠商穩定營收。

英偉達龐大的下游供應鏈與海量市場需求，是上游廠商敢于長期重資產投入的底氣。

就像 GTC 大會，外界只會驚嘆于它的規模與參會體量，但本質上，這是一場覆蓋全 AI 產業的全景生態盛會。

上下游企業、全產業鏈參與者齊聚一堂，彼此對接資源、同步行業進展；我主動整合各方資源，讓上游看見下游需求、讓下游理解上游產能規劃，讓所有人同步 AI 技術迭代成果。

更重要的是，所有參會者能夠直面 AI 原生企業、初創公司，直觀看到 AI 落地的各類創新應用與產業變革，切身驗證我對行業的長期判斷。

我長期投入大量時間，直接或間接向供應鏈伙伴、生態合作方傳遞行業機遇。

很多人覺得我的主題演講只是接連發布新品、公布技術更新，但實際上，我的演講中始終包含產業科普與趨勢解讀的內容，這是我刻意設計的核心環節。

我必須確保上下游全產業鏈、整個生態體系，都能清晰認知行業未來趨勢、變革動因、落地時間與市場規模，像我們一樣形成系統化、理性的長期判斷。

依托這套布局，我們才有能力為未來提前鋪路。

倘若未來數年 AI 產業達到萬億級規模，我們提前布局的供應鏈，足以支撐業務高速增長。

企業發展離不開現金流，產業運轉同樣離不開供應鏈流轉與產能周轉。

沒有企業會為短期性、低周轉的技術架構投入重資產搭建供應鏈。

英偉達能夠持續支撐超大算力規模，唯一核心支撐，就是極致龐大的下游需求，這一點全產業鏈都有目共睹。

正是基于這樣的底層邏輯，我們才有能力持續落地超大體量的產業布局與技術研發。

我們是在超大基數之上，持續實現規模翻倍增長，增長難度可想而知。

客觀來說，現階段全球上下游的瞬時算力需求，已經全面超越現有供給能力。

產業發展會階段性受限于各類細分環節的人力與產能，這種情況確實客觀存在。

主持人問：既然英偉達已經壟斷先進制程的絕大部分產能，如何持續保持每年翻倍的算力擴張？當下是否已經進入瓶頸期，受上游產能限制，AI 算力的增速必然放緩？行業該如何實現晶圓廠產能的逐年翻倍擴張？這是所有企業最終要面對的問題。業內都在調侃，明年 GTC 的核心緊缺崗位，就是基建配套的工程人員。

黃仁勛進一步解釋：

當前存在一個良性的行業特征：瞬時需求大于整體供給，是優質賽道的核心標志。

供需嚴重失衡固然會帶來短期壓力，但完全供過于求的行業，發展前景只會更加黯淡。

如果某一個單一零部件、細分材料出現嚴重短缺，全產業會集中資源攻堅補短板。

舉個例子，此前行業很少討論CoWoS封裝技術，原因在于過去兩年，全產業集中發力擴產、多輪翻倍投入，如今CoWoS產能已經趨于穩定。

臺積電也明確意識到，CoWoS封裝必須同步匹配邏輯芯片、內存芯片的需求增速，因此正在持續擴產，同時同步升級下一代封裝技術，進度與先進制程保持一致，這對整個行業至關重要。

過去，HBM高帶寬內存、高端封裝都屬于小眾定制化產品；而如今，它們已經成為全球通用的主流計算硬件。

相比 AI 產業起步初期，如今我們對整條供應鏈的影響力與掌控力，已經大幅提升。

五年前我提出的所有行業判斷與技術布局構想，如今正在逐一落地。

當時只有少數企業愿意相信并加碼投資，美光就是典型代表，我至今清晰記得當年的溝通會議。

我們精準預判了行業走向，美光堅定加碼布局，雙方圍繞 LPDDR、HBM 內存深度合作，這筆長期投資最終為其帶來了爆發式增長。

還有很多企業入局較晚，但如今也已全面跟進布局。

行業每一輪技術迭代、每一個產能瓶頸，都會獲得全產業的重點關注。

現在我們的策略，是提前數年預判潛在瓶頸、前置布局。

過去數年，我們圍繞硅光技術，與合作企業、生態伙伴持續投入，聯合企業深度協作，徹底重塑了硅光領域的產業生態與供應鏈體系。

在硅光賽道，我們依托臺積電搭建了完整的配套供應鏈，聯合研發多項原創技術，同時將相關專利開放授權給全行業，維持生態的開放性。

通過自研新技術、革新工作流程、研發全新檢測設備、布局雙面探針測試、戰略投資細分企業、助力合作方產能爬坡等方式，提前完善供應鏈配套，為大規模算力落地鋪路。

我們一直在主動塑造產業生態，確保整條供應鏈能夠匹配未來超大算力規模的落地需求。

不過，硬件產能的短期快速擴張確實存在難度，但這類瓶頸的解決周期，普遍只需要兩到三年。

只要下游釋放明確、長期的剛需信號，產能擴張就會快速落地：能造出第一臺設備，就能量產十臺；能量產十臺，就能規模化鋪開。硬件設備的規模化復制，本身不存在底層技術壁壘。

我們的布局分為直接合作與間接聯動兩種模式。部分核心環節會直接深度綁定；更多時候，我們通過推動臺積電等核心代工廠，同步向上游設備廠傳遞長期需求。

只要臺積電確認長期擴產規劃，未來數年的光刻機供給就會得到充分保障。

所有硬件層面的產能瓶頸，都不會長期持續，基本兩到三年就能完全化解。

與此同時，我們還在持續通過技術迭代提升算力效率：從 Hopper 架構到 Blackwell 架構，算力能效提升10至20倍，部分場景甚至達到30至50倍。

這些技術層面的突破，完全不會讓我產生焦慮。

真正需要警惕的，是算力下游的配套限制，比如能源政策。

任何產業的落地都離不開能源支撐，全新的高端制造產業、AI 算力產業，更是需要穩定充足的能源供給。

當下美國正在推進制造業回流，計劃重啟芯片制造、計算機組裝、封裝產業，同步布局新能源汽車、機器人、AI 算力工廠等新興賽道。

但所有產業落地的前提，都是充足的能源。

芯片產能擴張、高端封裝產能建設，都只需要兩到三年就能完成落地；唯有能源體系的升級改造，周期漫長、難度更高。

談到矩陣運算話題，黃仁勛表示：

矩陣運算固然是 AI 的核心基礎，但絕非全部。

如果想要研發全新的注意力機制、拆分重構模型架構、設計混合 SSM 架構、融合擴散模型與自回歸模型，或是探索各類創新算法，都需要高度可編程、高靈活性的算力架構。

英偉達 GPU 能夠支撐所有前沿算法研發與架構創新，這是封閉定制化芯片做不到的。

算法的持續迭代，才是 AI 技術高速發展的核心動力。

摩爾定律每年只能帶來約 25% 的硬件性能提升，想要實現十倍、百倍的性能飛躍，只能依靠底層算法與計算架構的顛覆性創新。

這正是英偉達的核心壁壘。

Blackwell 架構相比 Hopper 架構能效提升的突破，就是最好的證明：我最初公布的提升幅度是 35 倍，后續實測驗證達到 50 倍。

這種級別的性能飛躍，單純依靠制程迭代完全不可能實現，核心源于模型架構重構、混合并行計算、算力拆分分布式部署等軟件與硬件協同優化。

依托 CUDA 生態，研發人員能夠自定義核心算子、優化底層代碼，實現極致定制化優化，這是封閉架構無法復刻的。

除此之外，英偉達堅持軟硬件深度協同設計，能夠將部分計算任務下沉至互聯架構，結合高速互聯總線，打通芯片、整機、網絡、軟件庫、算法的全鏈路優化。

脫離 CUDA 生態，這套全鏈路協同優化體系根本無從搭建。

談失誤：當年我低估頂尖AI大模型資金門檻，錯失投資Anthropic

主持人談到關鍵話題：當下全球頂級大模型中，Claude、Gemini兩大模型均基于谷歌TPU進行訓練，這一趨勢會對英偉達的長期發展造成哪些影響？

黃仁勛：

英偉達的產品定位，和 TPU 有著本質區別：我們打造的是通用加速計算體系，而非單一的張量處理器。

加速計算的應用場景極其廣泛，涵蓋分子動力學、量子色動力學、結構化與非結構化數據處理、流體力學、粒子物理等科研領域，人工智能只是其中一大核心場景。

雖然AI是當下行業焦點、影響力巨大，但計算產業的邊界遠比 AI 更廣闊。

英偉達的核心變革，是將傳統通用計算，升級為高效的加速計算模式，覆蓋全行業應用。

我們的市場覆蓋范圍、落地場景，是 TPU、各類定制 ASIC 芯片無法比擬的。

放眼全球，英偉達是唯一一家能夠全場景應用加速計算的企業，擁有海量生態框架與自研算法適配。

我們的硬件產品主打開放適配，任何企業、機構都能獨立部署運維；反觀谷歌等自研算力體系，高度封閉，僅適配自身業務，運維門檻極高。

目前英偉達算力已經全面入駐全球主流云廠商，包括谷歌云、亞馬遜云、微軟 Azure、甲骨文云等。

無論是按需租用云算力，還是自建本地算力集群，英偉達都能提供完整解決方案。

如果選擇租用算力，我們龐大的跨行業客戶生態，能夠保障算力資源持續消化；如果企業選擇自建算力，我們同樣能提供全流程技術支持，適配不同行業需求。

舉例來說，禮來制藥可以依托英偉達算力搭建超算中心，用于新藥研發、生物科學研究。

這類多元化落地場景，是TPU完全無法覆蓋的。

英偉達的CUDA生態，本身就具備頂級張量計算能力，同時覆蓋數據處理、模型訓練、推理部署等全生命周期計算需求。

我們的市場空間、業務邊界、生態體量，都具備絕對優勢，幾乎適配全球所有應用軟件與科研場景。

企業部署英偉達硬件，無需擔心適配問題，天然擁有海量潛在客戶，這就是我們的核心差異化優勢。

對于主持人問到的另一個關鍵問題：英偉達的核心客戶結構中，五大超大規模科技企業貢獻了 60% 以上的營收。早期 AI 研發以高校、科研機構為主，高度依賴 CUDA 生態，無法脫離英偉達算力；但當下頭部超算企業資金雄厚，完全有能力自研底層算子、定制化優化算力架構。Anthropic、谷歌核心采用自研加速芯片，即便使用 GPU，也會基于 Triton 框架重構底層代碼，拋棄通用組件，搭建專屬技術棧。如果核心大客戶都具備自研適配、替代通用算力的能力，英偉達憑借 CUDA 構建的護城河，還能否持續主導前沿 AI 研發？

黃仁勛直接表示：

CUDA 的核心價值，在于龐大且成熟的全棧生態。

開發者優先基于 CUDA 開發模型，是絕對理性的選擇：生態覆蓋全品類框架，適配所有主流研發工具。

我們深度參與 Triton 框架的研發迭代，為其后端提供大量英偉達核心技術支持，全力適配各類第三方框架。

當下大模型后訓練、強化學習賽道高速爆發，全新框架層出不窮，而 CUDA 能夠無縫兼容所有新技術體系。

其次，成熟的生態能夠大幅降低研發排錯成本。

搭建復雜 AI 系統時，代碼報錯難以避免，完善的底層生態能夠幫研發者快速定位問題：區分自定義代碼 bug 與底層硬件、框架漏洞。

英偉達軟硬件經過長期大規模落地驗證，穩定性與兼容性具備絕對優勢，能夠為上層研發提供可靠底座。

第二大核心優勢，是海量存量裝機規模。

開發者研發模型與工具，最終需要規模化部署落地，必然要求硬件具備廣泛適配性。

英偉達 GPU 覆蓋全代際、全規格產品，全面入駐全球云廠商、本地數據中心、邊緣設備，機器人、終端設備等場景也深度滲透。

一旦基于 CUDA 完成模型開發，就能實現全場景部署復用，極大降低落地成本，這是任何封閉自研架構都無法比擬的。

最后，全云廠商全覆蓋的布局，是英偉達獨一無二的優勢。

AI 企業與開發者無法固定單一云廠商，而英偉達算力能夠適配公有云、私有云、本地部署等所有模式，靈活適配企業多元化需求。

生態完善度、裝機覆蓋規模、全場景適配能力，三者結合，共同構筑了 CUDA 不可替代的核心價值。

英偉達專門組建了大規模專屬技術團隊，深度對接頭部 AI 實驗室，一對一優化客戶專屬技術棧。

我們比任何外部企業都更了解自身硬件架構，能夠幫助客戶實現算力二次翻倍，特定算子、模型的優化幅度甚至達到2至3倍。

CPU可以比作家用豪華轎車，通用性強、操作簡單、門檻極低；

而英偉達 GPU 更像是F1賽車，極限性能極強，想要發揮全部潛力，需要專業技術與深度優化。

即便客戶具備自研能力，也很難僅憑自身團隊挖掘硬件全部性能。

我們同樣會運用AI技術優化底層算子，持續拉大通用方案與定制優化方案的性能差距。

長期來看，頭部AI企業依然高度依賴英偉達的技術協同。

放眼全球，沒有任何一家企業的計算集群，能夠在性能、總體擁有成本上超越英偉達方案，各類公開基準測試都已驗證這一點。

行業推理基準工具 Inference Max 完全公開，但沒有任何一款 TPU、自研芯片能夠拿出對標級別的成本與性能數據。

我們歡迎所有競品公開訓練、推理的實測數據，對標比拼成本優勢，但至今無人響應。

英偉達能夠長期維持高毛利，核心源于極致的綜合成本優勢與全鏈路優化能力。

另外需要糾正一個認知：五大超算企業貢獻的營收中，絕大多數來自對外云服務，而非自身業務自用。

亞馬遜云、Azure、甲骨文云采購英偉達硬件，核心是為了服務全球各行各業的外部客戶。

這些云廠商選擇英偉達，本質是看中我們龐大的生態與客戶資源，能夠幫助他們吸引全球 AI 企業、開發者入駐。

數萬級別的 AI 初創企業、科研團隊，都會優先選擇英偉達生態搭建業務，這就是穩固的商業飛輪。

而對于AI初創企業而言，硬件選型的核心標準永遠是：市場存量最大、生態最完善、落地門檻最低。

這就是英偉達的正向飛輪：

第一，單位算力成本、tokens生成成本行業最低；

第二，單位功耗產出算力全球第一，能夠幫助超大規模數據中心最大化營收與產出；

第三，開放的硬件生態，能夠吸引全球海量客戶，保障云廠商、算力合作方的業務穩定性。

多重優勢疊加，共同構筑了不可復制的行業壁壘。

主持人繼續追問Anthropic官宣與博通、谷歌深度合作的話題：我結合現實現象提問，拋開理論優勢，近期 Anthropic 官宣與博通、谷歌深度合作，大規模采用 TPU 集群作為核心訓練算力；谷歌更是全面自研 TPU，實現算力自給。曾經前沿大模型清一色基于英偉達 GPU 訓練，如今多元算力架構快速崛起，這一趨勢該如何解讀？既然英偉達軟硬件綜合優勢客觀存在，為何頭部企業會主動選擇競品架構？

黃仁勛回應稱：

Anthropic 是極個別的特殊案例，并非行業普遍趨勢。

脫離 Anthropic 來看，TPU 的市場需求與產業規模，很難獨立支撐增長，高度依賴單一客戶。

整個 ASIC 定制芯片賽道，并沒有出現全面爆發的趨勢，僅此一家特例無法代表行業走向。

再看 OpenAI 與 AMD 的合作、自研加速芯片項目：即便布局多元算力，其核心算力集群依然以英偉達為主，雙方的深度合作也會長期持續。

我們完全尊重競品布局，行業良性競爭能夠倒逼技術迭代，持續鞏固我們的產品力。

各類自研芯片項目層出不窮，但最終能夠實現規模化落地、全面超越英偉達的產品，至今尚未出現。

英偉達常年保持每年一代的技術跨越式迭代，持續拉大技術差距，這是其他企業難以復刻的節奏。

不能只看英偉達的高毛利率，就片面認定硬件溢價過高。

定制 ASIC 芯片的廠商，自身同樣維持著極高的利潤率。

長期來看，供應鏈成本、研發投入、技術迭代成本最終都會轉嫁，不存在單方面的成本優勢。

還有一個關鍵歷史因素：AI 產業早期，我們并未預判到頭部大模型實驗室需要千億級別的重資產投資。

谷歌、亞馬遜云早期通過戰略投資綁定 Anthropic，以資本換取算力采購綁定，這是我們早期錯失的布局機會。

受限于當時的企業體量與戰略節奏，我們無法拿出數百億級別資金，戰略投資頭部 AI 實驗室。

這是我當年的戰略失誤：低估了頂級大模型實驗室的資金門檻，原本依賴風險投資的行業，最終需要算力廠商的大額戰略輸血。

即便提前預判，以當時英偉達的體量，也無法支撐千億級別的產業投資。

但同樣的錯誤不會再犯。

如今我們已經戰略投資OpenAI，全面助力其算力擴容；后續Anthropic尋求合作時，我們也主動參與投資、提供技術支持。

如果時光倒流，以英偉達如今的體量與現金流，我們一定會更早入局，綁定頭部 AI 原生企業。

我們的布局節奏，完全依托自身發展能力。

只要能力允許，我們就會第一時間落地產業投資；

當年 Anthropic 尋求戰略合作時，我們確實不具備大規模投資的能力，整體戰略節奏也尚未成熟。

既是現金流限制，也是戰略理念因素。

早年英偉達極少開展大規模對外戰略投資，沒有成熟的外部投資體系。

我一直默認，科技企業的常規發展路徑，都是依托風險投資市場融資。

但大模型賽道完全打破了這套規則，OpenAI、Anthropic這類企業的發展需求，早已超出傳統風投的承載能力，這也是它們選擇綁定算力巨頭的核心原因。

我如今完全理解這套邏輯，但當年認知存在短板。

即便如此，我也認可當下的行業格局，Anthropic 的存在豐富了行業生態，對全球 AI 發展具備積極意義。

主持人繼續問：英偉達現金流持續暴漲，營收季度創新高，當下手握海量閑置資金。外界普遍好奇，英偉達該如何規劃這筆巨額資金？當下行業誕生了大量中間服務商，專門承接算力重資產投入，為 AI 實驗室提供算力租賃服務。高端芯片造價高昂，但大模型迭代能夠持續提升tokens價值，算力集群的長期回報率極高。英偉達已經通過戰略投資布局算力生態，為何不親自下場，自建云服務、打造超大規模算力集群，直接入局超算企業賽道？

黃仁勛稱：

這是英偉達長期堅守的企業哲學：有所為，有所不為，只做核心剛需業務，最小化業務冗余。

我們只深耕不可替代的核心領域：如果英偉達放棄研發加速計算架構、放棄互聯生態搭建、放棄 CUDA 全棧布局、放棄長達二十年的長期技術投入，整個加速計算產業都會停滯不前，沒有任何企業能夠替代我們完成這些工作。

無論是光線追蹤、圖像生成、早期 AI 研發、數據處理、計算光刻等細分領域的專用軟件庫，都是英偉達長期自研沉淀的成果。

這些底層基礎技術，沒有商業企業會主動投入長期虧損式研發，而這正是我們的核心使命。

公有云服務賽道已經高度成熟，現有廠商完全能夠滿足市場需求，英偉達沒有必要重復入局、冗余競爭。

我們的生態投資，核心目標不是跨界做金融、做云服務，而是扶持 AI 原生云廠商、新興算力企業，完善產業生態。

助力 CoreWeave、Crusoe、Lambda 等新興算力企業成長，能夠豐富算力供給體系，擴大英偉達硬件的落地場景，鞏固全行業生態優勢。

同時我們堅持投資多元化基礎模型企業，不刻意扶持單一頭部玩家，不押注單一技術路線。

那么，為何堅持不挑選贏家、不綁定單一頭部企業？

黃仁勛進一步解釋：

第一，跨界壟斷、定向綁定并非我們的企業使命。

第二，我親身經歷過行業洗牌，深知賽道格局充滿不確定性。

英偉達初創時期，全球有 60 多家圖形芯片企業，最終只有我們存活下來。

以當年的行業視角來看，英偉達的架構設計完全偏離主流，不被市場看好，幾乎是公認的淘汰選手。

正是基于這段經歷，我始終保持敬畏與謙遜：永遠不要預判行業贏家，不要低估任何一家創新企業的潛力。

與其定向綁定，不如賦能全行業、扶持所有創新主體。

我們只會主動賦能有清晰商業模式、核心技術、創業熱情與落地能力的企業。

新興企業主動尋求合作、提出合理需求后，我們會通過技術支持、生態開放、適度戰略投資，幫助其渡過初創瓶頸。

但我們不會跨界轉型，不會親自下場做金融放貸、做重資產運營。

市場有專業的金融機構、投資機構，英偉達的核心是做好算力底座、技術研發，與全行業合作伙伴協同分工。

只有在頭部 AI 實驗室這類關乎行業全局、具備戰略價值的企業面臨資金缺口時，我們才會啟動大額戰略投資。

所有投資動作，都是基于產業剛需，而非盲目擴張業務邊界，始終堅守 “最少冗余” 的核心原則。

主持人則問了網上傳聞：全球 GPU 短缺已經持續多年，AI 模型迭代進一步加劇了供需矛盾。業內普遍認為，英偉達的稀缺算力分配，并非簡單價高者得，而是會刻意傾斜資源，扶持新興 AI 云廠商，平衡市場格局。比如向CoreWeave、Crusoe、Lambda 等企業定向分配算力。想問問你是否認可這種說法？這種分配模式，對英偉達的長期價值是什么？

黃仁勛對此表示：

你的前提描述并不準確。

我們對算力分配、產能規劃保持高度理性與審慎。

產能交付的核心前提是采購訂單，所有硬件生產周期漫長，數據中心建設、整機部署同樣需要周期。

我們的核心工作，是與全行業客戶協同預判需求、同步產能規劃，以供需平衡為第一目標。

在訂單充足的前提下，整體交付遵循先到先得原則。

如果客戶的數據中心尚未完工、配套設施不完善，無法快速落地部署，我們會動態調整交付順序，優先保障具備落地條件的客戶，最大化產能利用效率。

網絡上流傳的各類謠言毫無依據，比如我與馬斯克、拉里會面，對方跪求 GPU 資源，完全是虛假信息。

會面屬實，但從未出現索要、跪求算力的情況，所有合作都是基于正式采購訂單推進，流程規范透明。

英偉達的產能分配體系，不存在特殊傾斜，核心就是訂單優先、落地能力優先。

英偉達完全放棄價高者得的盈利模式。

單純哄抬價格、隨行就市漲價，是短視的商業行為，絕非長久之計。

我們堅持定價穩定、規則透明，確定售價后統一執行，不會因為供需失衡隨意漲價。

芯片行業部分企業會在需求暴漲時上調價格，但這從來不是英偉達的經營理念。

我們的核心目標，是成為全球 AI 產業穩定、可靠的核心底座，讓全行業能夠穩定預判成本、規劃發展，無需擔心價格暴漲、資源壟斷。

穩定、可預判、可持續，是英偉達的核心標簽。

我們的技術迭代節奏完全可預期，一代代產品有序落地，節奏清晰。

放眼全球，沒有任何一家ASIC芯片企業，能夠給到客戶如此穩定的長期技術承諾與迭代規劃。

無論是百億級超算集群，還是單臺服務器、消費級顯卡，英偉達都能提供穩定供貨與技術支持。

我可以用同樣的評價形容臺積電：全球僅此一家，能夠支撐超大制程產能、穩定交付先進芯片。

英偉達的核心使命，就是成為全球 AI 產業的基石，這份行業地位，是數十年持續投入與穩定經營沉淀而來。

談中國市場：英偉達不會放棄競爭

這次，Dwarkesh Patel問了很多關于出口管制、英偉達在中國市場等話題，我拆解其中能放出來的信息點，簡單用原文呈現黃仁勛對于中國市場的觀點。

黃仁勛：

我們需要認清客觀現實：中國掌握全球 60% 以上的主流芯片制造產能，科研人才儲備雄厚，擁有全球半數以上的 AI 研究員。

單純依靠芯片出口限制，無法徹底封鎖科技的發展。

在這樣的背景下，刻意對立、技術封鎖，絕非全球安全的最優解。

美國的核心目標是保持技術領先，但理性的科研交流、行業對話，才是管控 AI 安全風險的關鍵。

當下中美AI研究領域的溝通近乎斷裂，這是巨大的隱患。

雙方需要共同劃定AI技術的使用邊界，明確網絡攻防、漏洞挖掘等高危場景的約束規則。

漏洞挖掘本身是AI的正向應用，能夠幫助企業修復安全隱患、提升系統防護能力。

未來必然會形成完善的AI安全生態：頂尖大模型之外，會誕生海量專用安全 AI 智能體，全方位監控風險、抵御惡意攻擊。

開源生態、開源模型、開放技術棧，是AI安全體系落地的核心基礎。

中國在全球開源生態、開源模型研發中貢獻巨大，刻意打壓、封鎖，會破壞全球 AI 安全體系的構建。

聚焦中美競爭，美國需要最大化自身算力優勢，但能源短缺是核心短板。

因此英偉達持續迭代高能效架構，用有限的能源，產出極致算力。

而中國的核心優勢是能源充足、基建完善，即便制程相對落后，也能通過大規模集群堆疊，彌補單芯片性能差距。

我們絕對不能推動兩套完全割裂的技術生態：一套美國主導、一套中國自主，這會成為美國科技長期發展的重大隱患。

美國保持領先、算力規模領跑全球，是必然目標，我們也在全力推動這一目標落地。

但無需極端化看待問題，中國并非零算力、零 AI 研發能力，現有算力儲備，已經足以支撐高危模型的研發需求。

AI 是分層產業體系，能源、算力、算法、人才、應用層層關聯。

美國能源稀缺，倒逼我們追求極致能效；能源充裕的地區，可以通過規模化硬件堆疊，抵消單芯片制程差距。

制程芯片的性能完全對標英偉達Hopper架構，而當下絕大多數主流大模型，本身就是基于Hopper架構訓練落地。

中國充足的電力儲備、空置數據中心、完善的硬件制造產能，都是不可忽視的核心優勢。

單純依靠制程封鎖，無法從根本上限制 AI 技術發展。

而帶寬與互聯能力，并非只有先進制程一種解決方案。

更重要的是，頂尖算法人才的創新能力，能夠突破硬件限制。

摩爾定律增速有限，但算法優化、架構創新能夠帶來數十倍的性能提升。

DeepSeek等中國開源大模型的快速迭代，已經證明了這一點。

如果未來大量優質開源模型，全面優化適配中國本土硬件，形成獨立生態，會直接沖擊美國技術棧的全球主導地位，這才是更大的長期風險。

模型一旦深度適配特定硬件架構，底層算子、計算邏輯都會深度綁定，跨平臺遷移的成本極高、性能損耗巨大。

長期來看，模型生態會跟隨硬件生態分化，這是行業客觀規律。

英偉達的全球領先，正是依托軟硬件深度適配的生態壁壘。

如果全球主流開源模型，優先優化本土硬件、脫離美國技術棧，美國的科技主導權會持續弱化。

跨架構適配必然伴隨性能損耗，深度優化的原生架構，永遠具備極致優勢。

這是最基礎的行業邏輯，英偉達的成功就是最好的佐證。

我們不能將芯片、算力簡單等同于核武器、濃縮鈾這類高危管控物資。

芯片是通用計算硬件，中國本身具備大規模自主制造能力，封鎖無法實現絕對管控。

英偉達主動放棄中國市場，只會加速本土芯片產業迭代成熟，徹底脫離美國技術生態，這對美國芯片產業、科技領導力，才是更大的傷害。

不可否認，我們的硬件綜合體驗、生態完善度更優，但差距并非不可逾越。

長期出口管控，已經讓英偉達在中國市場的份額大幅下滑，同時倒逼本土芯片企業實現突破，華為就是典型代表，出貨量與營收創下歷史新高。

主動讓出全球第二大科技市場，犧牲美國芯片產業的全球競爭力，只為規避極端化的安全風險，得不償失，更不符合國家長期利益。

沒有最優選擇時，用戶會選擇次優方案，這是基本市場邏輯。

英偉達的優勢，是更好的生態、更低的開發門檻、更完善的全棧優化；

一旦徹底斷供，對方只能依托本土硬件艱難發展，最終形成完全割裂的技術生態，這才是最大的隱患。

保持有限度的市場競爭，依托開放生態綁定全球開發者，才是維持美國技術主導權的關鍵。

當下全球半數 AI 開發者聚集在中國，主動放棄這批開發者、放棄龐大市場，是短視的戰略決策。

計算生態的遷移成本極高，X86、ARM 能夠長期主導市場，核心就是生態粘性。

英偉達數十年沉淀的CUDA生態，絕非短期能夠復刻。

我們的核心戰略，是持續優化產品、迭代技術，在開放競爭中守住優勢，而非依靠政策封鎖規避競爭。

封閉保守的思維，只會讓美國科技產業喪失全球競爭力。

主持人問：那么，開放AI芯片進出口呢？

黃仁勛繼續解釋：

我認可短期的潛在風險，但需要正視長期的戰略代價：

徹底封鎖會倒逼對方完善自主生態，未來全球 AI 模型、開發標準、軟件體系全面分化，美國技術棧的全球影響力會持續下滑。

AI 分為五層產業體系，任何一層的全面失守，都會引發連鎖反應。

相比小眾的高危模型研發，AI 應用層的全球主導權、科技標準制定權，戰略價值更高。

過度放大單一安全風險、采取極端化管控，會阻礙 AI 產業良性發展，甚至引發全社會的 AI 恐慌。

就像當年醫療行業恐慌 AI 取代放射科醫生，最終反而導致人才短缺，違背發展初衷。

看待產業問題，需要理性平衡短期風險與長期戰略，拒絕非黑即白的極端思維。

制程迭代的性能差距，被嚴重高估。

從 Hopper 到 Blackwell，制程帶來的硬件性能提升僅有 75%，而架構、算法、互聯優化帶來的能效提升達到 50 倍。

芯片半導體工藝只是底層基礎，計算架構、軟件生態、算法創新、高速互聯，才是決定 AI 算力上限的核心因素。

單純依靠先進制程封鎖，無法限制 AI 發展，反而會倒逼對方探索差異化技術路線。

AI不會被替代，加速計算才是未來

黃仁勛坦言：

事實上，我最關注、也是最難解決的瓶頸，恰恰是基建工人、電工這類基礎人力缺口。

這也能回應當下盛行的 “AI 取代人類、大規模失業” 的悲觀論調。

如果全社會刻意勸退年輕人投身工程、技術類實操崗位，未來必然會面臨嚴重的人才缺口。

十年前就有悲觀論調宣稱，放射科醫生會率先被 AI 淘汰，這類言論至今仍在網絡流傳。

但現實恰恰相反：如今全球放射科醫生缺口巨大，人力嚴重不足。

主持人繼續問：英偉達已經壟斷臺積電 N3 先進制程的大部分產能，未來會進一步搶占 N2 工藝份額。在先進制程產能見頂的背景下，英偉達是否會反向復用老舊成熟制程，大規模復刻 Hopper 這類經典架構，通過成熟制程擴產，填補算力缺口？這套方案，能否在 2030 年前落地？

黃仁勛表示：

短期內無需復用老舊制程，每一代新架構的升級，都是全鏈路優化，不局限于晶體管密度。

封裝技術、芯片堆疊、數值計算、系統架構的協同優化，能夠持續挖掘算力潛力。

只有在先進制程產能徹底觸頂、毫無擴張空間的極端前提下，我們才會考慮復用七納米成熟制程復刻經典架構。

如果行業長期面臨產能枯竭，我會毫不猶豫落地這套方案。

我們并非沒有探索多元架構，所有差異化方案都會在內部仿真驗證、對比測試。

最終沒有落地的核心原因很簡單：綜合性能、成本、適配性，都不如現有架構。

我們會持續監控算力負載變化、行業需求迭代，隨時調整研發方向。

近期我們已經新增 Grok 架構適配，納入 CUDA 生態體系，豐富產品矩陣。

隨著tokens價值提升、推理場景細分，行業誕生了全新的需求：高響應速度、低延遲的輕量化推理算力。

過往行業只追求高吞吐量，而當下實時交互、AI 智能體協作等場景，需要差異化算力支撐。

基于市場新需求，我們正在拓展算力產品邊界，覆蓋不同定價、不同性能的細分場景。

但核心主架構的研發，依然會集中資源、聚焦深耕，最大化研發效率。

最后，主持人問了一個靈魂問題：如果深度學習革命從未爆發，英偉達如今會是什么樣子？

黃仁勛再次打起了廣告：

即便沒有 AI，英偉達的核心賽道也不會改變：加速計算。

公司創立的核心邏輯，就是看透通用計算的局限性：傳統 CPU 通用性強，但在高強度、專業化計算場景效率極低。

我們通過 GPU+CUDA 架構，實現計算任務拆分，將高負載、高復雜度的算子卸載到加速芯片，實現應用數十倍、上百倍的性能飛躍。

加速計算的應用場景遍布各行各業：分子動力學、能源勘探地震模擬、粒子物理、流體力學、結構化與非結構化數據處理、計算機圖形學等。

AI 只是加速計算的其中一個核心落地場景。

依托專業化加速計算，英偉達即便脫離 AI 賽道，也會成長為全球頂級的科技企業。

通用計算的性能天花板早已顯現，細分場景的專用加速，是全球計算產業的必然趨勢。

我們最早從游戲圖形加速切入，逐步拓展全行業加速計算，底層使命從未改變。

AI 的誕生讓行業發展加速，但英偉達的技術布局、底層研發，長期覆蓋非 AI 場景。

參觀 GTC 大會就能發現，演講內容有大量計算光刻、量子化學、科研數據處理等非 AI 內容，這些業務常年穩定運轉，具備極高的產業價值。

張量計算不是計算產業的全部，我們的使命，是用加速計算，賦能全行業科研與產業升級。