1 月 8 日，英偉達創(chuàng)始人兼 CEO 黃仁勛 接受了海外播客 No Priors 的深度訪談。本次對話發(fā)生在 AI 產(chǎn)業(yè)從“規(guī)模擴張”轉(zhuǎn)向“邏輯推理”的關(guān)鍵節(jié)點，全方位探討了 Scaling Law 的本質(zhì)、AI 工廠的商業(yè)模式、對基礎(chǔ)設(shè)施的重定義、以及具身智能與數(shù)字生物學的突破路徑、對“AI 泡沫論”的反擊等話題。

黃仁勛指出，AI 已徹底脫離傳統(tǒng)“預錄制軟件（如 Excel）”的范疇，進化為持續(xù)消耗能源并實時產(chǎn)出智能 Token 的“AI 工廠”。黃仁勛強調(diào)，這種范式轉(zhuǎn)移意味著在摩爾定律失效的背景下，計算的產(chǎn)出效率已不再依賴晶體管的堆疊，而是轉(zhuǎn)向算法、架構(gòu)與硬件的“三重紅利”。他預判，未來十年 Token 生成成本將實現(xiàn) 10 億倍的爆發(fā)式下降，這將驅(qū)動全球價值 2 萬億美元的研發(fā)預算從傳統(tǒng)的“濕實驗室”向超級計算機集群進行結(jié)構(gòu)性遷移。

針對 AI 失業(yè)論，黃仁勛提出了“任務(wù)與目標”剝離的視角，他以放射科醫(yī)生為例指出，AI 雖然承擔了“研究掃描圖”的任務(wù)，卻強化了“診斷疾病”的終極目標，這種效率提升反而會通過釋放社會對高質(zhì)量醫(yī)療的潛在需求，導致相關(guān)崗位數(shù)量不降反增。

黃仁勛指出，AI 基礎(chǔ)設(shè)施的巨大電力缺口已成為全球氣候創(chuàng)新最強有力的引擎。他認為，正是由于 AI 產(chǎn)業(yè)對算力的極致渴求，才倒逼了核能、小型模塊化反應(yīng)堆（SMR）及新型電池技術(shù)的跨越式發(fā)展，AI 將成為可持續(xù)能源有史以來最強大的驅(qū)動力。此外，他認為未來5年是“垂直化爆發(fā)之年”，指出行業(yè)已成功跨越“幻覺”難題，AI 正在法律、醫(yī)療及具身智能領(lǐng)域?qū)崿F(xiàn) 99.9999% 的工業(yè)級可靠性。

01

行業(yè)成功解決幻覺難題，高價值推理 Token 已實現(xiàn)商業(yè)盈利

2025 年作為 AI 風暴中心的親歷者，回顧這一年，哪些變化最令你驚訝？特別是在解決 AI 曾廣受詬病的幻覺和生成無意義內(nèi)容方面，行業(yè)取得了哪些實質(zhì)性進展？這種飛躍如何體現(xiàn)在醫(yī)療、法律等垂直領(lǐng)域的實際應(yīng)用中？目前推理 Token 的生成率和盈利表現(xiàn)如何？

黃仁勛：有些事情是在預料之中的，例如 Scaling Law 的持續(xù)生效并沒有讓我感到驚訝，技術(shù)的穩(wěn)步演進也在意料之中。令我欣慰的是事實置根（Grounding）能力的提升、推理能力的進步，以及所有模型與搜索功能的深度整合?，F(xiàn)在模型前端普遍引入了路由器，能根據(jù)答案的置信度自主決定是否進行深入研究，這從整體上提高了回答的質(zhì)量和準確性。我對此深感自豪，整個行業(yè)成功解決了 AI 最受質(zhì)疑的難題之一，即幻覺和生成無意義內(nèi)容的問題。今年，從語言、視覺到機器人和自動駕駛，各領(lǐng)域在推理應(yīng)用和事實置根方面都實現(xiàn)了飛躍。我為全行業(yè)的努力感到驕傲，令我略感驚訝的是，推理 Token 的生成率增長如此之快，似乎多個指數(shù)級增長在同時發(fā)生。更令人欣喜的是，這些 Token 現(xiàn)在已經(jīng)能產(chǎn)生利潤。OpenEvidence 的毛利率達到了 90%，這些都是極具價值且盈利豐厚的 Token。Cursor 的利潤非常可觀，Claude、OpenAI 的企業(yè)端應(yīng)用利潤表現(xiàn)也都很好。看到我們生成的 Token 質(zhì)量足夠好、價值足夠高，以至于客戶愿意為此支付高昂費用，這真的很棒。

（關(guān)于 AI 軟件本質(zhì)）短期內(nèi)最關(guān)鍵的一點是，AI 雖然是軟件，但它不是傳統(tǒng)的預錄制軟件。像 Excel 是由數(shù)百名工程師編寫、編譯并分發(fā)多年的成品。而 AI 會結(jié)合你的提問背景和全球?qū)崟r信息，每一次都是實時生成。就像人類智能一樣，雖然對話基于事實和知識，但每個字都是當下生成的。AI 的獨特之處在于它需要計算機實時生成這些 Token。我稱這些設(shè)施為 AI 工廠，因為它們在源源不斷地生產(chǎn)供全球使用的 Token。

02

AI 驅(qū)動了芯片、超級計算機和智能工廠三大產(chǎn)業(yè)鏈的大規(guī)模動工

你提出的“AI 工廠”概念如何重塑我們對基礎(chǔ)設(shè)施的理解？為了支撐這種前所未有的實時計算需求，目前在產(chǎn)業(yè)端和勞動力市場正在發(fā)生哪些結(jié)構(gòu)性變化？

黃仁勛：AI 也是一種基礎(chǔ)設(shè)施，因為它影響著每個應(yīng)用、每家公司、每個行業(yè)乃至每個國家，就像能源和互聯(lián)網(wǎng)一樣。為了滿足這種前所未有的計算需求，三個全新的產(chǎn)業(yè)正在興起：第一，我們需要更多的芯片工廠，像 TSMC 和 SK Hynix 正在大規(guī)模擴建。第二，我們需要新型計算機工廠，生產(chǎn)像 Grace Blackwell 這種全新的超級計算機，它的整個機架就是一個 GPU。第三，我們需要大規(guī)模的 AI 工廠。這三類工廠目前正在美國范圍內(nèi)大規(guī)模動工。

這創(chuàng)造了對建筑工人、管工、電工、技術(shù)員和網(wǎng)絡(luò)工程師的巨大需求，這種熟練勞動力缺口是驚人的。我很高興看到電工的薪水翻倍，他們現(xiàn)在像商務(wù)人士一樣到處出差去支援建設(shè)。這三大產(chǎn)業(yè)正在創(chuàng)造海量的就業(yè)崗位。

03

生產(chǎn)力提升釋放了社會對高質(zhì)量服務(wù)的潛在需求

AI 社區(qū)中常存在一種末日論調(diào)，認為技術(shù)會取代人類工作。但歷史證明技術(shù)變革往往在改變職能的同時創(chuàng)造更多崗位，結(jié)合核醫(yī)學、會計或護理等行業(yè)的現(xiàn)狀，請問該如何區(qū)分工作的“任務(wù)”與“目標”？如何理解 AI 在解決全球勞動力短缺（如老齡化、司機短缺）中的角色？

黃仁勛：我最喜歡 Geoff Hinton 的例子，他在大約五到七年前預測 AI 將在五年內(nèi)徹底改變放射科并取代醫(yī)生。他的前半句是對的，現(xiàn)在 100% 的放射科應(yīng)用都由 AI 驅(qū)動。但在八年后的今天，放射科醫(yī)生的數(shù)量反而增加了。

這就是工作的任務(wù)與目標之間的區(qū)別。放射科醫(yī)生的任務(wù)是研究掃描圖，但目標是診斷疾病。正因為 AI 能幫他們更深、更準地研究更多片子，他們能要求更多掃描并進行科研，從而更好地診斷疾病。醫(yī)院效率更高，病人更多，收入隨之增加，進而需要聘用更多的醫(yī)生。你工作目標是什么，你在工作中執(zhí)行的任務(wù)又是什么，這兩者需要區(qū)分。我每天大部分時間在打字，那是我的任務(wù)，但打字顯然不是我的目標。AI 幫我自動完成打字任務(wù)，并沒有讓我清閑下來，反而讓我能處理更多工作，變得更忙了。

（關(guān)于企業(yè)效率）如果 NVIDIA 的生產(chǎn)力提高了，我們不會裁員，而是會去做更多創(chuàng)新性的事情。我們越有生產(chǎn)力，能探索的想法就越多，公司增長就快，利潤也隨之增加，從而支持我們追求更多愿景。如果世界上的問題是有限且已解決的，提高生產(chǎn)力才會縮減經(jīng)濟規(guī)模，但現(xiàn)實顯然相反。關(guān)于機器人搶走工作的擔憂，現(xiàn)實是我們面臨嚴重的工廠勞動力短缺。大部分公司很難留住工人，全球卡車司機也嚴重短缺，因為很少有人愿意長年累月四處奔波。機器人將填補由于人口老齡化帶來的日益嚴峻的勞動力缺口。自動化是在解決勞動力不足問題。而且大家別忘了，有了汽車，就誕生了機械維修行業(yè)。如果世界上有 10 億臺機器人，那將催生全球最大的維修產(chǎn)業(yè)。AI 行業(yè)本身就在創(chuàng)造一場就業(yè)熱潮。

04

God AI 在短期內(nèi)是偽命題，開源是全球企業(yè)創(chuàng)新的氧氣

面對 AI 實現(xiàn)的復雜架構(gòu)，你如何看待開源在其中的角色？現(xiàn)在有一種敘事認為全能模型應(yīng)由垂直巨頭壟斷，這種“God AI”的觀點是否客觀？同時，一些 CEO 向政府游說加強監(jiān)管，這是否屬于“監(jiān)管俘獲”以扼殺初創(chuàng)公司的競爭？

黃仁勛：我們可以把 AI 的實現(xiàn)看作一個五層蛋糕架構(gòu)：底層是能源；第二層是芯片；第三層是基礎(chǔ)設(shè)施；第四層是模型；最頂層是應(yīng)用。領(lǐng)先的實驗室選擇閉源無可厚非，那是投資回報考量。但如果沒有開源，初創(chuàng)公司和各行各業(yè)的傳統(tǒng)企業(yè)都將舉步維艱。那些擁有百年歷史的工業(yè)或醫(yī)療企業(yè)需要基于預訓練模型，根據(jù)專業(yè)領(lǐng)域進行微調(diào)，開源是他們創(chuàng)新的氧氣。我們絕不能破壞這個創(chuàng)新的飛輪。

（關(guān)于 God AI）或許未來某天會出現(xiàn)所謂的 God AI，但那一天的到來可能需要銀河系級別的時間尺度。談?wù)搹默F(xiàn)狀直接躍遷到 God AI 并沒有實際意義，目前沒有任何公司或研究人員具備創(chuàng)造它的能力。要讓 AI 極度精通語言、基因、分子及物理規(guī)律，這種 God AI 現(xiàn)階段根本不存在。認為單一巨頭能壟斷它的想法過于極端且毫無益處。如果 God AI 真的無所不能，政府制定政策的意義又何在？我們應(yīng)該回歸務(wù)實。

（關(guān)于監(jiān)管俘獲）一些德高望重的人描繪的末日敘事極其有害，科幻小說很有趣，但這些論調(diào)對政府毫無幫助。當公司游說政府去監(jiān)管其他公司或行業(yè)時，這種行為顯然存在利益沖突。我無法揣測其內(nèi)心，但監(jiān)管俘獲確實令人擔憂。

05

AI 性價比每十年提升百萬倍，未來成本將降低 10 億倍

目前 GPT-4 級模型的 Token 成本已大幅下降，這種性價比的提升源于何處？隨著 Scaling Law 推動模型規(guī)模持續(xù)擴大，我們該如何平衡訓練成本與推理成本？你對未來十年的 Token 經(jīng)濟學有何預判？

黃仁勛：Andrej Karpathy 曾估計構(gòu)建第一個 ChatGPT 的成本，現(xiàn)在同樣的模型在個人電腦上一個周末就能完成。我們提升 AI 性價比的速度是驚人的。每一代產(chǎn)品的架構(gòu)都在改進，從 Volta 到 Ampere 再到 Blackwell，晶體管數(shù)量和容量都在增加。摩爾定律是每 18 個月翻倍、十年百倍，而在 AI 領(lǐng)域，十年可能實現(xiàn)百萬倍的增長。

（關(guān)于成本預判）結(jié)合硬件、算法和模型的優(yōu)化，如果十年內(nèi)將 Token 生成成本降低 10 億倍，我一點都不會感到驚訝。這就是 AI 的 Token 經(jīng)濟學。

（關(guān)于 MoE 的紅利）雖然人們追求更大規(guī)模，但 MOE（混合專家模型）讓計算負擔并不會同比例增加。我們正獲得硬件、算法和架構(gòu)的三重紅利。這種跨團隊的相互學習是行業(yè)進步的最大動力。隨著重心轉(zhuǎn)向后訓練，初創(chuàng)公司將利用開源基礎(chǔ)在垂直領(lǐng)域做到極致。

06

靈活架構(gòu)與算法演進

在 ASIC 層出不窮的當下，英偉達為何始終堅持可編程架構(gòu)？面對注意力機制、混合狀態(tài)空間模型（Hybrid SSM）等算法的快速迭代，這種靈活性如何轉(zhuǎn)化為成本優(yōu)勢？另外，英偉達內(nèi)部是如何利用 AI 工具提升工程效率的？

黃仁勛：專用 ASIC 在特定任務(wù)中表現(xiàn)出色，但 Transformer 變體演進極快。我們的 Nemotron 采用了混合狀態(tài)空間模型架構(gòu)。堅持可編程架構(gòu)的核心在于，摩爾定律失效后，每年數(shù)百倍的跨越完全依賴算法創(chuàng)新。因此，能支持任何算法的架構(gòu)才是最優(yōu)解。

（關(guān)于兼容性與 MoE）這種靈活性保護了龐大的安裝基數(shù)。FlashAttention、SSM、擴散模型等新技術(shù)，甚至 CNN 和 LSTM 都能在英偉達平臺上無縫運行。憑借最新的 NVLink 72 技術(shù)，我們在生成 MoE Token 的成本上已做到全球最低。此前業(yè)內(nèi)低估了 MoE 的推理難度，在推理端生成 Token 極其困難，而我們的架構(gòu)解決了這一點。

（關(guān)于內(nèi)部 AI 實踐）英偉達內(nèi)部已經(jīng)全面普及了 Cursor，每位工程師都在使用。我們現(xiàn)在每周一都有新員工入職，招聘規(guī)模驚人。如果工程師的目的是解決問題，而不僅僅是寫代碼這種任務(wù)，那么 AI 將釋放他們?nèi)ヌ剿鞲辔粗@對公司價值巨大。

07

蛋白質(zhì)生成進入飛躍期，推理能力將解決機器人的安全性難題

展望 2026 年，多模態(tài)與超長上下文將帶來哪些行業(yè)拐點？特別是在數(shù)字生物學領(lǐng)域，蛋白質(zhì)理解與生成技術(shù)達到了什么水平？同時，具備推理能力的端到端模型將如何改變自動駕駛與具身智能的安全性？

黃仁勛：推理能力的提升將使汽車從簡單的感知進化為推理駕駛，能夠拆解從未見過的場景。英偉達的自動駕駛棧安全性能目前全球第一。在多模態(tài)視覺、語言-動作模型與推理系統(tǒng)的協(xié)同下，人形機器人將迎來突破。

（關(guān)于數(shù)字生物學）我們將迎來數(shù)字生物學的 ChatGPT 時刻。我們已經(jīng)掌握了蛋白質(zhì)理解技術(shù)，最近開源了 LatteProtina 模型。已有不少公司嘗試端到端分子設(shè)計，涵蓋化學理解與蛋白質(zhì)構(gòu)象解析。以前研發(fā)重心在濕實驗室，現(xiàn)在正向超級計算機遷移。

（關(guān)于機器人安全性）我對機器人更樂觀。雖然人形機器人在機械電子方面仍有挑戰(zhàn)，比如 300 磅的機器人摔倒與兒童互動的安全風險，但這些終將解決。AI 會根據(jù)需求驅(qū)動不同的工具，無論是工業(yè)臂還是重型機械。在工業(yè)領(lǐng)域，必須達到 99.9999% 的可靠性，核心技術(shù)解決前 99%，剩下的精度則由垂直行業(yè)巨頭配合底層技術(shù)打磨完成。

08

AI 需求正驅(qū)動核能與 SMR 技術(shù)的跨越式發(fā)展

面對 2025 年日益嚴峻的能源供應(yīng)挑戰(zhàn)，你如何看待現(xiàn)有電力儲備對 AI 爆發(fā)的約束？如何評價政策轉(zhuǎn)變對工業(yè)革命的影響？同時，AI 基礎(chǔ)設(shè)施建設(shè)帶來的巨大需求，是否正在反過來驅(qū)動美國在新型電池、太陽能濃縮設(shè)備以及小型模塊化反應(yīng)堆（SMR）等領(lǐng)域的創(chuàng)新？

黃仁勛：政府提出的能源政策轉(zhuǎn)向非常關(guān)鍵，必須承認，如果不是因為國家對能源增長情緒的徹底轉(zhuǎn)變，我們恐怕已經(jīng)把這場工業(yè)革命拱手讓人。即便如此，電力短缺依然是當前最現(xiàn)實的約束。沒有能源，新工業(yè)就無從談起。事實上，我們已經(jīng)處于能源匱乏狀態(tài)近十年了。增長離不開能源，我們需要所有形式的能源，包括天然氣、更多的并網(wǎng)能源以及用戶側(cè)能源。我們還需要核能，單靠風能和太陽能無法滿足工業(yè)級需求。雖然我們會利用一切可用資源，但在未來十年內(nèi)，天然氣仍將是支撐增長的唯一現(xiàn)實路徑。

（關(guān)于氣候創(chuàng)新）這非常有意思，AI 產(chǎn)業(yè)的崛起正在反過來推動可持續(xù)能源產(chǎn)業(yè)。由于市場預見到了巨大的需求，即便短期內(nèi)除了大規(guī)模天然氣外沒有更實際的方案，它依然成為了氣候創(chuàng)新的引擎。需求才是產(chǎn)業(yè)發(fā)展的終極動力。當歷史重寫時，AI 可能會被證明是可持續(xù)能源有史以來最強大的驅(qū)動力。我們必須在現(xiàn)實中尋找平衡。如果 90% 的聲音都在宣揚悲觀情緒，就會嚇跑那些本可以利用 AI 讓社會更安全的投資。我對未來的技術(shù)演進充滿期待。

09

為什么說“AI 泡沫論”過于膚淺

業(yè)界目前非常關(guān)注 AI 是否處于泡沫之中，特別是有人引用 MIT 的研究稱大多數(shù)企業(yè)部署收效甚微。如果回歸計算的第一性原理，NVIDIA 的加速計算范式如何超越 AI 聊天機器人的范疇？如何看待 OpenAI 等應(yīng)用層公司對算力“產(chǎn)能”的需求，以及量化金融和生物制藥研發(fā)預算向 AI 基礎(chǔ)設(shè)施的結(jié)構(gòu)性遷移？

黃仁勛：理解這個問題需要回歸計算的第一性原理。NVIDIA 定義了加速計算，這一范式涵蓋了計算機圖形學、SQL 數(shù)據(jù)處理、分子動力學和量子化學，這些領(lǐng)域與 AI 并不重疊。核心動態(tài)是計算基礎(chǔ)正從通用計算向加速計算轉(zhuǎn)型，因為摩爾定律已基本終結(jié)。你不能再像以前那樣把 CPU 用于一切，它的產(chǎn)出效率和通縮效應(yīng)已經(jīng)不足以支撐現(xiàn)代需求。即便今天所有的聊天機器人都不存在，NVIDIA 依然會是一家數(shù)千億美元的公司，因為計算的底層邏輯已經(jīng)發(fā)生了根本性轉(zhuǎn)移。

（關(guān)于產(chǎn)能與需求）針對 AI 泡沫的質(zhì)疑，外界習慣僅通過 OpenAI 的收入判斷。但事實是，如果他們現(xiàn)在的算力產(chǎn)能翻倍，收入就會翻倍。在我們的世界里這叫產(chǎn)能需求，在他們的世界里這就是工廠需求。沒有工廠產(chǎn)能，他們就無法生成 Token，也就無法轉(zhuǎn)化為業(yè)務(wù)增長。

（關(guān)于研發(fā)預算遷移）AI 的內(nèi)涵遠比聊天機器人豐富。我們的自動駕駛業(yè)務(wù)已接近百億規(guī)模，我們在數(shù)字生物學、金融服務(wù)等領(lǐng)域的 AI 工作同樣進展神速。尤其在量化交易領(lǐng)域，現(xiàn)在完全依靠 AI 發(fā)掘特征。放眼全球 100 萬億美元的 GDP，每年約有 2% 投入研發(fā)。五年前，頂級藥企的研發(fā)重心都在濕實驗室里，而今天他們都在建造超級計算機。這 2 萬億美元的研發(fā)預算，正經(jīng)歷從舊模式向 AI 基礎(chǔ)設(shè)施模式的結(jié)構(gòu)性遷移。沒有任何一個科學家會說自己的算力夠了。單純以應(yīng)用層初期收入來定義基礎(chǔ)設(shè)施投入為泡沫，是極其膚淺的。

10

垂直化爆發(fā)與未來五年展望

想要觀察全球創(chuàng)新，為什么應(yīng)該關(guān)注初創(chuàng)公司而非大型企業(yè)？在醫(yī)療、保險等保守行業(yè)，像 OpenEvidence 和 Abridge 這種工具是如何通過解決“任務(wù)”來服務(wù)“工作目的”的？當我們思考未來五年時，AI 作為“多層蛋糕”架構(gòu)將如何改變我們的研究模式（如閱讀 Arxiv 論文）？

黃仁勛：想要發(fā)現(xiàn)風向標，不應(yīng)該去大企業(yè)，因為大企業(yè)通常是新技術(shù)最慢的采用者。你應(yīng)該去和那三、四萬家活躍的初創(chuàng)公司交流。醫(yī)療行業(yè)是所有行業(yè)中最保守的，但正因為他們極度關(guān)注答案準確性，像 OpenEvidence 這種能產(chǎn)出高質(zhì)量信息的研究工具才顯得彌足珍貴。醫(yī)生們不需要繁雜的搜索，他們需要直接的答案。Abridge 也是極佳案例，它讓醫(yī)生從枯燥的文書工作中解脫。

（關(guān)于認知極限與 AI 協(xié)作）從需求看，很多職位的工作量已超人類極限。以前我們必須親自讀 Arxiv 論文，我現(xiàn)在不再親力親為了。我直接將論文加載進 AI，讓它學習并進行多輪提煉。我們的目標是獲取答案并變得更聰明，而 AI 正是利器。

（關(guān)于未來五年展望）AI 就像一個多層蛋糕，它在各行各業(yè)展現(xiàn)出極高的多樣性。當我們思考如何獲勝時，不應(yīng)僅僅追求某一家公司的勝出，而應(yīng)該是全方位、跨領(lǐng)域的全面領(lǐng)先。工廠依賴能源，沒有能源就沒有工廠，沒有工廠就沒有 AI。整個行業(yè)在過去一年取得了巨大的跨越。Scaling Law 的持續(xù)生效讓我們確信投入更多算力就能獲得更高智能。一個領(lǐng)域的創(chuàng)新正以前所未有的速度滲透到所有其他行業(yè)。接下來的五年將是非凡的，明年更是不可思議的一年。

| 文章來源：數(shù)字開物

【AI技術(shù)與應(yīng)用交流群｜僅限受邀加入】

AI算力領(lǐng)域TOP級從業(yè)者專屬圈層

√ 與頭部算力企業(yè)深度對話

√ 與AI上下游企業(yè)深度對話

√ 獲取一手全球AI與算力產(chǎn)業(yè)信息

√ 獲取AI熱點及前沿產(chǎn)業(yè)獨家信息

√ 隨時了解全球AI領(lǐng)域高管最新觀點及實錄全文

√ 有機會參與AI主題產(chǎn)業(yè)交流活動

掃碼驗證身份（需備注姓名/公司/職務(wù)

不止有 DeepSeek，更有 AI產(chǎn)業(yè)的未來！

? END ?

【專欄】精品再讀