作者 | Dwarkesh Patel 翻譯 | 蘇宓

出品 | CSDN（ID：CSDNnews）

2023 年 6 月，英偉達市值剛剛站上 1 萬億美元；到了 2025 年 7 月，它成為全球首家市值突破 4 萬億美元的科技公司。再往后不到一年的時間，如今其已經(jīng)逼近 5 萬億美元關(guān)口。

一家起家于顯卡的公司，為什么能在 AI 時代一路“加速”，甚至改寫全球市值的天花板？答案顯然不只在 GPU 本身。

在最近一場長達 103 分鐘的深度對話中，英偉達 CEO 黃仁勛接受知名主持人 Dwarkesh Patel 專訪，集中回應(yīng)了外界最關(guān)注的一系列問題：當(dāng)軟件被 AI 快速“商品化”，英偉達會不會也走向同樣的命運？面對 Google TPU 的持續(xù)逼近，它的優(yōu)勢還能維持多久？在全球先進制程產(chǎn)能高度緊張的背景下，英偉達如何真正“鎖住”供應(yīng)鏈？以及一個更具爭議的問題——如何看待芯片出口管制？

這些問題背后，指向的是同一個核心：英偉達的護城河，到底只是技術(shù)領(lǐng)先，還是一整套難以復(fù)制的產(chǎn)業(yè)能力。

在這場對話中，黃仁勛給出了非常直接的判斷以及一些獨特鮮明的看法，其表示：

• 輸入是電子，輸出是 token，中間就是英偉達。
  

• 如果未來幾年市場規(guī)模達到萬億美元級別，英偉達是有供應(yīng)鏈能力去承接的。

• 水管工和電工會成為 AI 行業(yè)“稀缺人才”。

• 曾經(jīng)我并沒有真正意識到，打造像 OpenAI、Anthropic 這樣的頂級 AI 實驗室有多困難，也沒有意識到，這些實驗室需要來自供應(yīng)商的巨額投資。這是我的失誤。

• 英偉達只做必要之事，盡可能少做額外之事。

• 如果世界分裂為兩大生態(tài)：開源生態(tài)僅運行于外國技術(shù)棧，封閉生態(tài)依附于美國技術(shù)棧，這對美國而言將是極度愚蠢的結(jié)果。

• 認為中國無法獲得 AI 芯片的說法，完全是無稽之談。

原文采訪地址：https://www.dwarkesh.com/p/jensen-huang

英偉達最大的護城河，是它對稀缺供應(yīng)鏈的掌控嗎？

Dwarkesh Patel：我們已經(jīng)看到，一批軟件公司的估值出現(xiàn)下跌，因為大家預(yù)期 AI 會讓軟件變成“同質(zhì)化商品”。有一種可能比較直觀、但也有點天真的理解方式是這樣的：你看，英偉達把一個 GDS2 文件（集成電路或 IC 布局圖稿電子設(shè)計自動化 (EDA) 數(shù)據(jù)交換的事實行業(yè)標(biāo)準(zhǔn)）交給臺積電，由臺積電來制造邏輯芯片和交換機，再和 SK 海力士、美光、三星生產(chǎn)的 HBM 一起封裝。之后，這些組件被送到臺灣的 ODM 廠商那里組裝成整機機架。

從這個角度看，英偉達本質(zhì)上是在做軟件，而制造是由別人完成的。如果軟件最終被“商品化”了，那英偉達會不會也被商品化？

黃仁勛：歸根結(jié)底，總得有東西把“電子”層面的計算轉(zhuǎn)化為“token”。而這個從電子到 token 的轉(zhuǎn)化過程，以及讓這些 token 隨時間變得更有價值，本質(zhì)上是很難被完全商品化的。

從電子到 token 的轉(zhuǎn)化，是一段非常不可思議的旅程。創(chuàng)造一個 token，就像是讓一個分子比另一個分子更有價值，讓一個 token 比另一個更有價值。為了讓這個 token 具備價值，整個行業(yè)在其背后投入了大量的藝術(shù)、工程、科學(xué)和發(fā)明。我們現(xiàn)在正實時見證這一切的發(fā)生。這個轉(zhuǎn)化過程、制造過程，以及其中涉及的所有科學(xué)原理，都遠沒有被完全理解，這條路也遠遠沒有走完。所以我不認為它會變成一種簡單的商品。

當(dāng)然，我們會不斷提升效率。你剛才描述問題的方式，其實和我看待我們公司的方式是一樣的：輸入是電子，輸出是 token，中間就是英偉達。

我們的工作，是在這個轉(zhuǎn)化過程中“做盡可能多必要的事，同時盡可能少地做不必要的事”。所謂“盡可能少”，就是凡是不需要我們親自做的部分，我們就和合作伙伴一起完成，把它納入我們的生態(tài)體系。

如果你看今天的英偉達，我們可能擁有最大的合作伙伴生態(tài)之一——無論是上游供應(yīng)鏈，還是下游的整機廠商、應(yīng)用開發(fā)者、模型開發(fā)者。

如果把 AI 比作一個“”，我們在這五層里都有完整的生態(tài)布局。我們盡量少做，但那些必須由我們來做的部分，恰恰是極其困難的。我不認為這些核心能力會被商品化。

事實上，我也不認同“企業(yè)軟件會被邊緣化”的看法。現(xiàn)在的大多數(shù)軟件公司，本質(zhì)上都是“工具制造商”。當(dāng)然，也有一些不是，比如工作流編排系統(tǒng)。但大量公司本質(zhì)上是在做工具。舉個例子，Excel 是工具，PowerPoint 是工具，Cadence 做的是工具，Synopsys 也是做工具。

而我看到的趨勢，恰恰和很多人相反。我認為，Agent 的數(shù)量會指數(shù)級增長，而使用這些工具的“用戶”數(shù)量也會指數(shù)級增長。換句話說，這些工具的使用實例數(shù)量，很可能會暴漲。比如，Synopsys Design Compiler 的使用實例很可能會大幅增加，同時使用 floor planner（布局規(guī)劃工具）、版圖工具、設(shè)計規(guī)則檢查工具的 Agent 數(shù)量也會激增。

今天我們的瓶頸在于工程師數(shù)量，而未來，這些工程師會被大量 Agent 輔助。我們將以前所未有的方式探索設(shè)計空間，而所使用的，依然是今天這些工具。

我認為，正是“工具使用”的爆發(fā)，會推動軟件公司的增長。之所以現(xiàn)在還沒有發(fā)生，是因為 Agent 還不夠擅長使用這些工具。接下來，要么這些公司自己去做 Agent，要么 Agent 本身變得足夠強大，能夠熟練使用這些工具。我覺得最終會是兩者的結(jié)合。

Dwarkesh Patel：我記得在你們最近的財報中提到，英偉達在晶圓廠、內(nèi)存和封裝方面的采購承諾接近 1000 億美元。SemiAnalysis 的報道甚至說，這類采購承諾可能會達到 2500 億美元。

有一種解讀是，英偉達真正的護城河，其實是你們鎖定了未來幾年大量稀缺的關(guān)鍵組件。也就是說，別人或許也能設(shè)計出加速器，但他們真的能拿到足夠的內(nèi)存來生產(chǎn)嗎？能拿到足夠的邏輯芯片嗎？這是不是英偉達未來幾年的核心優(yōu)勢所在？

黃仁勛：這確實是我們能做到、而別人很難做到的事情之一。我們在上游做了非常巨大的投入和承諾。一部分是公開的，也就是你剛才提到的那些采購承諾；另一部分是隱性的。比如說，上游供應(yīng)鏈中有大量投資，其實是我們的合作伙伴自己做出的。原因在于，我會和這些公司的 CEO 交流：“讓我告訴你這個行業(yè)未來會有多大，我來解釋為什么會這樣，我們一起推演這個邏輯，我也會把我看到的趨勢講給你聽?！?/p>

在這個“傳遞信息、激發(fā)信心、對齊認知”的過程中，上游各個行業(yè)的 CEO 會愿意投入資金。那為什么他們愿意為我投資，而不是為別人？因為他們知道，我有能力把他們的產(chǎn)能消化掉，并通過下游市場把產(chǎn)品賣出去。事實上，英偉達的下游需求規(guī)模非常大，我們的出貨能力也很強，因此他們愿意在上游進行投入。

如果你看 ，很多人都會驚嘆它的規(guī)模和參會者陣容。那其實是一個 360 度的全景——整個 AI 生態(tài)幾乎都匯聚在一個地方，可謂包羅萬象。之所以大家都會來，是因為他們需要彼此交流。

我把這些人聚在一起，讓下游能看到上游，上游也能看到下游，同時讓所有人都能看到 AI 的最新進展。更重要的是，他們還能接觸到那些“原生 AI 公司”、各種 AI 初創(chuàng)企業(yè)，以及正在發(fā)生的各種創(chuàng)新，從而親眼驗證我平時告訴他們的那些判斷。我花了大量時間，以直接或間接的方式，讓我們的供應(yīng)鏈、合作伙伴以及整個生態(tài)系統(tǒng)理解眼前的機會。

有些人會說：“Jensen，你的主題演講總是一項接一項發(fā)布新東西?！钡珜嶋H上，我們的 Keynote 有一部分聽起來甚至有點“像在上課”，甚至有點“折磨人”。但這正是我有意為之。

我需要確保整個供應(yīng)鏈，無論是上游還是下游以及整個生態(tài)，都能理解接下來會發(fā)生什么、為什么會發(fā)生、什么時候發(fā)生、規(guī)模有多大，并且能像我一樣，用系統(tǒng)性的方式去推演這些事情。

至于你說的“護城河”，我們確實具備為未來構(gòu)建能力的條件。如果未來幾年市場規(guī)模達到萬億美元級別，我們是有供應(yīng)鏈能力去承接的。

如果沒有我們現(xiàn)在這樣的覆蓋范圍和業(yè)務(wù)運轉(zhuǎn)速度——不僅僅是現(xiàn)金流，還有供應(yīng)鏈的流動速度、庫存周轉(zhuǎn)——是做不到這一點的。沒有人會為一種架構(gòu)去建立完整供應(yīng)鏈，除非這個業(yè)務(wù)本身的周轉(zhuǎn)足夠快、規(guī)模足夠大。

我們之所以能夠維持這樣的規(guī)模，本質(zhì)上是因為下游需求極其強勁。而這些需求，上游也看得到、聽得到，他們知道這一切正在發(fā)生。正是這一點，讓我們能夠以現(xiàn)在這樣的規(guī)模，去做我們正在做的事情。

Dwarkesh Patel：我想更具體地理解一下，上游供應(yīng)鏈?zhǔn)欠裾娴哪芨?。過去很多年里，你們的營收幾乎每年都在翻倍增長，同時每年向世界提供的算力（FLOPS）也在三倍以上增長。

黃仁勛：在現(xiàn)在這個規(guī)模下還能做到翻倍增長，其實已經(jīng)非常驚人了。

Dwarkesh Patel：確實。但如果看邏輯層面，你們是臺積電 N3 制程最大的客戶之一，在 N2 上也是最大客戶之一。而根據(jù) SemiAnalysis 的數(shù)據(jù)，今年整個 AI 已經(jīng)占到 N3 產(chǎn)能的 60%，明年可能會達到 86%。

如果你已經(jīng)是市場里的主導(dǎo)者，要怎么實現(xiàn)“翻倍增長”？而且還是一年接一年地持續(xù)翻倍？我們現(xiàn)在是不是已經(jīng)進入這樣一種階段：因為上游供給的限制，AI 算力的增長速度不得不放緩？你有沒有看到繞開這種瓶頸的可能性？從根本上來說，我們要怎么做到每年把晶圓廠規(guī)模再擴大一倍？

黃仁勛：在某種層面上，全球在某一時刻的瞬時需求，確實已經(jīng)超過了上下游的總供給。甚至在任何一個瞬間，我們都可能被“水管工”數(shù)量限制住，這種情況確實發(fā)生過。

不過，這其實也是一種理想狀態(tài)。你會希望處在這樣一個行業(yè)里：瞬時需求大于整個行業(yè)的總供給。反過來的情況顯然就沒那么好了。如果供需差距拉得太大，或者某個關(guān)鍵環(huán)節(jié)嚴重短缺，那么整個行業(yè)就會“蜂擁而上”去解決它。比如你可以注意到，現(xiàn)在大家已經(jīng)不太怎么討論 CoWoS 了。

原因就是過去兩年，我們對這個環(huán)節(jié)進行了大規(guī)模的“圍攻式擴張”：翻倍、再翻倍、連續(xù)幾輪翻倍。現(xiàn)在情況已經(jīng)改善很多。臺積電現(xiàn)在非常清楚，CoWoS 的供給必須跟上邏輯芯片和內(nèi)存的需求。他們正在以和邏輯制程相同的節(jié)奏擴展 CoWoS 以及未來的封裝技術(shù)。

這其實是件好事。因為在很長一段時間里，CoWoS 和 HBM 內(nèi)存都屬于“特殊工藝”，但現(xiàn)在它們已經(jīng)不再是小眾技術(shù)，而是主流計算基礎(chǔ)設(shè)施的一部分。

當(dāng)然，我們現(xiàn)在也更有能力去影響更大范圍的供應(yīng)鏈了。在 AI 革命剛開始的時候，我現(xiàn)在說的這些判斷，其實五年前就已經(jīng)在講了。有些人相信并提前投入了，比如 Sanjay 和美光（Micron）團隊。我還清楚記得當(dāng)時那次會議，我非常明確地講了這個行業(yè)會發(fā)生什么、為什么會發(fā)生，以及今天這些結(jié)果是怎么一步步走來的。他們選擇了加大投入。我們在 LPDDR 和 HBM 內(nèi)存上深度合作，他們也做了大規(guī)模投資，這對公司來說顯然是非常成功的。有些人來得晚一點，但現(xiàn)在大家都已經(jīng)進入這個體系了。

這些瓶頸問題都受到了高度關(guān)注。現(xiàn)在，我們正在提前數(shù)年預(yù)先解決這些瓶頸問題。比如過去幾年，我們和 Lumentum、Coherent 以及整個硅光子生態(tài)系統(tǒng)的合作，已經(jīng)在重塑供應(yīng)鏈結(jié)構(gòu)。我們圍繞臺積電構(gòu)建了一整套供應(yīng)體系，并與他們在 COUPE 等技術(shù)上合作，發(fā)明了很多新技術(shù)，還把相關(guān)專利授權(quán)給供應(yīng)鏈，以保持整個生態(tài)的開放性。

我們通過發(fā)明新技術(shù)、新工作流、新測試設(shè)備（比如雙面探測），以及對企業(yè)進行投資，幫助它們擴產(chǎn)，來提前準(zhǔn)備供應(yīng)鏈。你可以看到，我們其實是在主動塑造整個生態(tài)系統(tǒng)，讓供應(yīng)鏈能夠承載未來的規(guī)模。

Dwarkesh Patel：看起來有些瓶頸比其他瓶頸更容易解決。

黃仁勛：其實我剛才已經(jīng)說到最難的那個瓶頸了。

Dwarkesh Patel：哪個？

黃仁勛：水管工和電工。這其實也引出了我對“工作消失論”的擔(dān)憂。有些人認為 AI 會終結(jié)工作、消滅就業(yè)。但如果我們讓年輕人不再愿意當(dāng)軟件工程師，那未來反而會出現(xiàn)軟件工程師短缺。

十年前也發(fā)生過類似的預(yù)測。當(dāng)時一些“末日論者”說：“千萬別去做放射科醫(yī)生，這個職業(yè)很快會被 AI 取代?！蹦悻F(xiàn)在還能在網(wǎng)上看到這些視頻。但現(xiàn)實是，我們現(xiàn)在反而缺放射科醫(yī)生。

Dwarkesh Patel：如果從制造角度看，要每年把邏輯芯片產(chǎn)能翻倍，但最終無論是內(nèi)存還是邏輯，都被光刻（EUV）設(shè)備限制。那你們怎么做到每年 EUV 數(shù)量翻倍？

黃仁勛：這些東西其實都不是“無法擴展”的。只要有需求信號，在兩三年時間內(nèi)，它們都是可以擴展的。一旦你能造一臺，就能造十臺；一旦能造十臺，就能造一百萬臺。這些都不是本質(zhì)上難以復(fù)制的東西。

Dwarkesh Patel：那你們會往供應(yīng)鏈下游推進到什么程度？你會直接去找 ASML 說：“如果三年后英偉達做到 2 萬億美元規(guī)模，我們需要更多 EUV 光刻機”嗎？

黃仁勛：有些事情我會直接去溝通，有些是間接影響。如果我能說服臺積電，ASML 自然也會被說服。關(guān)鍵在于識別供應(yīng)鏈中的“卡點”。只要臺積電被說服，EUV 的供給在幾年后自然會跟上。

我的核心觀點是：沒有哪個瓶頸會持續(xù)超過兩三年，所有瓶頸最終都會被解決。與此同時，我們還在不斷提升計算效率——10 倍、20 倍，在 Hopper 到 Blackwell 之間甚至是 30 到 50 倍的提升。

我們還在通過 CUDA 的靈活性不斷發(fā)明新算法、新技術(shù)，進一步提升效率。所以這些都不會讓我擔(dān)心。

真正讓我更在意的是下游問題，比如能源政策。如果能源受限，就無法建立新的工業(yè)體系。你不可能在沒有能源的情況下建立一個制造業(yè)帝國。

我們希望推動美國再工業(yè)化：把芯片制造、計算機制造、封裝產(chǎn)業(yè)帶回來，同時發(fā)展電動車、機器人，以及 AI 工廠。但這一切都離不開能源，而且能源基礎(chǔ)設(shè)施的建設(shè)是非常長期的。

芯片產(chǎn)能擴張是兩三年的問題，CoWoS 擴產(chǎn)也是兩三年的問題。

TPU 會動搖英偉達在 AI 算力上的統(tǒng)治嗎？

Dwarkesh Patel：我想聊聊你的競爭對手。如果看 TPU，你會發(fā)現(xiàn)世界上最頂尖的三個模型里，有兩個——Claude 和 Gemini——都是在 TPU 上訓(xùn)練的。這對英偉達未來意味著什么？

黃仁勛：我們做的是完全不同的東西。英偉達構(gòu)建的是“加速計算”，而不是某種單一的張量處理單元。加速計算可以用于非常多領(lǐng)域：分子動力學(xué)、量子色動力學(xué)、數(shù)據(jù)處理、結(jié)構(gòu)化與非結(jié)構(gòu)化數(shù)據(jù)分析，也可以用于流體力學(xué)和粒子物理。當(dāng)然，也包括 AI。

加速計算的應(yīng)用范圍要廣得多。雖然今天大家討論的焦點是 AI，而且它確實非常重要，但計算本身的范圍遠不止于此。

英偉達所做的，其實是重新定義了計算方式——從通用計算轉(zhuǎn)向加速計算。我們的市場覆蓋面，遠遠大于任何 TPU 或 ASIC 能觸及的范圍。

如果看我們的定位，我們是唯一一家可以加速各種不同應(yīng)用的公司。我們擁有一個極其龐大的生態(tài)系統(tǒng)，各種框架和算法都可以運行在英偉達平臺上。

因為我們的計算機是設(shè)計給“別人來使用”的，所以任何運營者都可以購買并使用我們的系統(tǒng)。而很多自研系統(tǒng)并沒有這種靈活性，它們往往只能自己用，因為沒有為外部用戶設(shè)計。

正因為任何人都能使用我們的系統(tǒng)，我們才得以進入所有云平臺，包括 Google、Amazon、Azure 和 OCI。

如果你要把系統(tǒng)作為服務(wù)出租，那你必須擁有足夠大的客戶生態(tài)作為“下游承接”。如果是自用型部署，我們也可以幫客戶自己運營，比如我們?yōu)轳R斯克和 xAI 做的那樣。

無論是在企業(yè)內(nèi)部、還是跨行業(yè)使用，我們都能支持運營，比如 Lilly 這樣的公司，可以用我們的系統(tǒng)構(gòu)建用于科學(xué)研究和藥物發(fā)現(xiàn)的超級計算機，我們也能幫助他們運行這些系統(tǒng)，并支持整個藥物研發(fā)和生物科學(xué)的計算流程。

我們能覆蓋的應(yīng)用場景非常多，這是 TPU 做不到的。英偉達的 CUDA 不僅可以當(dāng)作優(yōu)秀的張量處理工具，它還能覆蓋數(shù)據(jù)處理、計算、AI 等整個生命周期。因此我們的市場機會更大，覆蓋范圍也更廣。

現(xiàn)在，因為我們支持全球所有應(yīng)用，你可以在任何地方構(gòu)建英偉達系統(tǒng)，并且知道一定會有客戶使用它。這是完全不同的一件事。

Dwarkesh Patel：你們的營收非常驚人，但并不是靠量子計算賺到每季度 600 億美元的，而是因為 AI 這一前所未有的技術(shù)正在以極快速度增長。所以問題是：對 AI 本身來說，什么架構(gòu)更優(yōu)？

我和一些 AI 研究人員聊過，他們說：“TPU 是一個巨大的脈動陣列，非常適合做矩陣乘法；而 GPU 更靈活，適合有分支結(jié)構(gòu)或不規(guī)則內(nèi)存訪問的情況?！?/p>

但 AI 本身不就是大量重復(fù)的矩陣乘法嗎？如果是這樣，你其實不需要為線程調(diào)度器、warp scheduler 或不同內(nèi)存銀行之間的切換浪費芯片面積。

TPU 看起來就是為當(dāng)前 AI 計算爆發(fā)式增長的核心需求量身定制的。我想知道你怎么回應(yīng)這種說法。

黃仁勛：矩陣乘法確實是 AI 的重要組成部分，但它不是全部。

如果你想設(shè)計一種新的注意力機制，用不同方式拆分計算，或者發(fā)明一種全新的架構(gòu)——比如混合 SSM 模型——你需要的是一個“通用可編程”的架構(gòu)。

如果你想把擴散模型和自回歸模型融合在一起，你同樣需要可編程的系統(tǒng)。我們可以運行你能想到的任何模型，這正是優(yōu)勢所在。

這種通用性讓新算法的發(fā)明變得更容易，而 AI 的進步，本質(zhì)上正是由算法創(chuàng)新驅(qū)動的。

TPU 和其他芯片一樣，都受制于摩爾定律，大概每年提升 25%。但如果你想實現(xiàn) 10 倍甚至 100 倍的躍遷，就必須改變算法本身以及計算方式。

這正是英偉達的核心優(yōu)勢。Blackwell 到 Hopper 能做到 50 倍提升，這不是靠摩爾定律實現(xiàn)的。當(dāng)我第一次說 Blackwell 會比 Hopper 節(jié)能 35 倍時，沒人相信。后來有人甚至寫文章說我“保守了”，其實是 50 倍。

這種提升不可能僅靠硬件工藝實現(xiàn)。

我們是通過新模型來做到的，比如 MoE（專家混合模型），把計算并行化、解耦并分布到整個系統(tǒng)中。

如果沒有 CUDA 這種能力去深入開發(fā)新的 kernel，要做到這一點幾乎是不可能的。

真正關(guān)鍵的是：我們架構(gòu)的可編程性，以及英偉達作為一個“極致協(xié)同設(shè)計公司”的能力。

我們甚至可以把計算下放到不同層級，比如 NVLink 互連層，或者 Spectrum-X 網(wǎng)絡(luò)層，在處理器、系統(tǒng)、互聯(lián)結(jié)構(gòu)、庫函數(shù)和算法多個層面同時優(yōu)化。

如果沒有 CUDA，我甚至不知道從哪里開始做這些事情。

Dwarkesh Patel：這引出了一個關(guān)于英偉達客戶群體的有趣問題。你們 60% 的收入都來自這五大超大規(guī)模云服務(wù)商。在客戶群體不同的另一個時代——比如做實驗的教授們——他們離不開 CUDA，沒法使用其他加速芯片，只需要搭載 CUDA 運行 PyTorch，讓所有程序?qū)崿F(xiàn)最優(yōu)適配即可。

但這些超算服務(wù)商有足夠的資源自行編寫內(nèi)核。事實上，為了在自身特定架構(gòu)上榨取最后 5% 的性能，他們也必須這么做。Anthropic 和谷歌主要使用自研加速芯片，或是 TPU、Trainium 芯片。就連采用 GPU 的 OpenAI，也自研了 Triton，因為他們需要專屬內(nèi)核。他們摒棄了 cuBLAS 和 NCCL 庫，轉(zhuǎn)而使用 CUDA C++ 底層開發(fā)，搭建了一套可兼容其他加速芯片的自有技術(shù)棧。如果你的大部分客戶都有能力、也確實在替代 CUDA，那么 CUDA 究竟在多大程度上，才是推動前沿 AI 依托英偉達平臺發(fā)展的核心關(guān)鍵？

黃仁勛：CUDA 是一個龐大完善的生態(tài)系統(tǒng)。想要在任何計算機平臺上開發(fā)產(chǎn)品，優(yōu)先基于 CUDA 搭建都是極為明智的選擇。因為這個生態(tài)足夠豐富，我們支持所有主流框架。即便你想開發(fā)定制內(nèi)核也沒問題——比如我們就為 Triton 投入了大量技術(shù)支持，Triton 的后端集成了大量英偉達的核心技術(shù)。

我們樂于助力每一個框架發(fā)揮最大價值。市面上的框架數(shù)不勝數(shù)，除了 Triton，還有 vLLM、SGLang 等。如今還涌現(xiàn)出一批全新的強化學(xué)習(xí)框架，比如 Verl 和 NeMo RL。隨著模型后訓(xùn)練與強化學(xué)習(xí)技術(shù)的發(fā)展，整個領(lǐng)域都在飛速擴張。因此，選擇基于 CUDA 搭建技術(shù)架構(gòu)是最合理的，你能享受到成熟完善的生態(tài)支持。

你會清楚，一旦程序出現(xiàn)問題，大概率是自身代碼的漏洞，而非底層龐大代碼庫的故障。別忘了搭建這類系統(tǒng)時，你要處理的代碼量極其龐大。當(dāng)程序運行異常時，你總希望問題出在自己身上，同時能完全信任底層硬件。誠然，我們的系統(tǒng)也存在不少漏洞，但經(jīng)過反復(fù)打磨優(yōu)化，至少能為開發(fā)者提供穩(wěn)固的開發(fā)基礎(chǔ)。這是第一點：CUDA 生態(tài)的豐富性、可編程性與功能性。

第二點，對于任何開發(fā)者而言，最重要的莫過于龐大的裝機量。你希望自己編寫的軟件能在海量設(shè)備上運行，而非僅服務(wù)于自身。作為框架開發(fā)者，你的產(chǎn)品是為自家服務(wù)器集群，乃至所有廠商的服務(wù)器集群服務(wù)的。英偉達的 CUDA 生態(tài)，正是我們最核心的財富。

目前我們的 GPU 裝機量已達數(shù)億臺，各大云服務(wù)商均有部署，產(chǎn)品線覆蓋 A10、A100、H100、H200，以及 L 系列、P 系列等多個型號，規(guī)格形態(tài)十分豐富。如果是機器人企業(yè)，還能讓 CUDA 技術(shù)棧直接運行在機器人本體上。我們的產(chǎn)品幾乎無處不在。龐大的裝機量意味著，你開發(fā)的軟件或模型，能在所有場景中發(fā)揮作用，這一價值無可估量。

最后一點，我們的產(chǎn)品覆蓋所有云平臺，這是獨一無二的優(yōu)勢。對于 AI 企業(yè)或開發(fā)者來說，往往無法確定最終合作的云服務(wù)商，也不確定部署場景。而我們的技術(shù)能適配所有平臺，也支持本地部署。正是生態(tài)的豐富性、裝機量的廣泛性，以及部署場景的靈活性，讓 CUDA 具備了不可替代的價值。

Dwarkesh Patel：這很有道理。我真正好奇的是，這些優(yōu)勢對你的核心客戶而言究竟有多重要。這類優(yōu)勢對很多人或許意義重大，但貢獻你大部分收入的，恰恰是那些有能力自建軟件棧的客戶。尤其在未來，AI 在具備嚴密驗證閉環(huán)、可進行強化學(xué)習(xí)的任務(wù)上會表現(xiàn)得愈發(fā)出色……如何寫出能在大規(guī)模場景下最高效實現(xiàn)注意力機制或多層感知機計算的內(nèi)核，這本身就是一個驗證性極強的反饋閉環(huán)。

所有超大規(guī)模云服務(wù)商都能為自己編寫這類定制內(nèi)核嗎？英偉達依然擁有出色的性價比，所以他們或許仍會選擇英偉達。但問題在于，這會不會最終變成單純比拼誰能在同等成本下提供更好的參數(shù)、更高的算力與內(nèi)存帶寬。而過去，英偉達憑借 CUDA 的護城河，在整個 AI 軟硬件領(lǐng)域一直保持著業(yè)內(nèi)最高的利潤率，超過 70%。關(guān)鍵問題是，如果你的大部分客戶都有能力自建技術(shù)棧，不再依賴 CUDA 護城河，你還能維持這樣的利潤率嗎？

黃仁勛：我們派駐到這些 AI 實驗室的工程師數(shù)量極其龐大，全程與他們協(xié)作，優(yōu)化其技術(shù)棧。原因很簡單，沒有人比我們更了解自己的架構(gòu)。這類架構(gòu)并不像 CPU 那樣通用。CPU 就像一輛凱迪拉克，行駛平穩(wěn)舒適，速度不會太快，誰都能輕松駕駛，配有定速巡航，一切都很簡單。

但在很多層面上，英偉達的 GPU、加速芯片就像 F1 賽車。我想每個人都能把它開到一百英里每小時，但要將其性能壓榨到極限，則需要極高的專業(yè)能力。我們運用大量 AI 技術(shù)來開發(fā)現(xiàn)有的內(nèi)核。

我很確定，在未來相當(dāng)長一段時間里，我們依然不可或缺。我們的專業(yè)技術(shù)常常能輕松幫助 AI 實驗室合作伙伴將其技術(shù)棧性能再提升一倍。經(jīng)過我們對其技術(shù)?；蛱囟▋?nèi)核的優(yōu)化，模型速度提升 2 倍、3 倍甚至 50% 的情況屢見不鮮。

這是極為可觀的提升，尤其考慮到他們所擁有的服務(wù)器集群規(guī)模，以及大量 Hopper 和 Blackwell 架構(gòu)芯片。性能提升一倍，就意味著收入直接翻倍，這會直接轉(zhuǎn)化為營收。

英偉達的計算棧擁有全球無可匹敵的最優(yōu)總擁有成本性價比。沒有任何一家廠商能向我證明，當(dāng)下全球有任何一個平臺的性能總擁有成本比我們更出色。一家都沒有。事實上，現(xiàn)有基準(zhǔn)測試已經(jīng)說明了一切。Dylan 的 InferenceMAX 基準(zhǔn)測試工具對所有人開放，卻沒有一家競品參與……谷歌 TPU 參與，亞馬遜 Trainium 也不參與。

我很歡迎他們使用 InferenceMAX，展示其所謂驚人的推理成本優(yōu)勢，但這實在太難了，沒人愿意現(xiàn)身。還有 MLPerf 基準(zhǔn)測試。我很期待 Trainium 能展示它們一直宣稱的 40% 性能優(yōu)勢，也很想聽聽谷歌展示 TPU 的成本優(yōu)勢。在我看來這完全站不住腳，根本毫無道理。從基本原理上就說不通。

所以我認為我們?nèi)绱顺晒Φ脑蚝芎唵危褪俏覀兊目倱碛谐杀緲O具優(yōu)勢。其次，你提到我們 60% 的收入來自前五家云廠商，但其中大部分業(yè)務(wù)都是面向外部客戶的。比如 AWS 上的英偉達產(chǎn)品，絕大多數(shù)都服務(wù)于外部客戶，而非內(nèi)部使用。Azure 的客戶顯然也全部是外部客戶，OCI 同樣如此。他們青睞我們的原因，是我們的覆蓋范圍足夠廣，能為他們帶來全球所有優(yōu)質(zhì)客戶，而這些客戶都基于英偉達平臺構(gòu)建。所有這些公司選擇英偉達，正是因為我們的覆蓋范圍與通用性無人能及。

因此我認為，這一良性循環(huán)的核心在于龐大的裝機量、架構(gòu)的可編程性、豐富的生態(tài)系統(tǒng)，以及全球數(shù)量眾多的 AI 公司——如今已有數(shù)萬家。如果你是一家 AI 初創(chuàng)企業(yè)，你會選擇怎樣的架構(gòu)？你一定會選擇存量最充足的架構(gòu)，而我們在全球的存量最大；你會選擇裝機量最廣的架構(gòu)，而我們的裝機量遙遙領(lǐng)先；你也會選擇生態(tài)最豐富的架構(gòu)。

這就是飛輪效應(yīng)。原因在于幾點結(jié)合：第一，我們的單位成本算力極強，能實現(xiàn)最低的 token 成本；第二，我們的單位功耗算力全球領(lǐng)先。如果我們的合作伙伴搭建一座 1 吉瓦的數(shù)據(jù)中心，這座數(shù)據(jù)中心必須實現(xiàn)最大的營收與 token 產(chǎn)出，而 token 直接對應(yīng)營收。企業(yè)都希望盡可能多地產(chǎn)出 token，最大化數(shù)據(jù)中心的營收。我們的架構(gòu)是全球單位功耗產(chǎn)出 token 最多的。最后，如果你的目標(biāo)是出租算力基礎(chǔ)設(shè)施，我們擁有全球最多的客戶。這就是這一循環(huán)能夠成立的原因。

Dwarkesh Patel：如果性價比、性能、單位功耗性能等優(yōu)勢都如你所說屬實，那為什么像 Anthropic 這樣的公司，幾天前剛宣布與博通、谷歌達成數(shù)吉瓦規(guī)模的合作，采用 TPU，且其大部分算力都依賴這些方案？

顯然谷歌自身的算力也以 TPU 為主。所以我觀察到，這些大型 AI 公司的算力布局，曾經(jīng)一度完全依賴英偉達，如今卻不再如此。我很好奇，如果紙面數(shù)據(jù)都站在英偉達這邊，他們?yōu)楹芜€要選擇其他加速芯片？

黃仁勛：Anthropic 只是個例，并非行業(yè)趨勢。如果沒有 Anthropic，谷歌 TPU 根本不會有任何增長，其增長完全 100% 依靠 Anthropic。

如果沒有 Anthropic，亞馬遜 Trainium 也不會有任何增長，同樣 100% 依靠Anthropic。

我想這一點已是業(yè)內(nèi)公認的事實。專用定制芯片的市場機會并不多，只有 Anthropic 這一家客戶。

Dwarkesh Patel：但 OpenAI 與 AMD 達成了合作……他們還在自研 Titan 加速芯片。

黃仁勛：沒錯，但我們都清楚，他們使用的算力絕大部分依然來自英偉達。我們今后仍會展開大量合作。我并不介意其他廠商嘗試使用別的產(chǎn)品。如果他們不去試試其他方案，又怎么能知道我們的產(chǎn)品有多出色？有時候，對比反而能讓人更清醒。我們也必須不斷證明自己，才能守住現(xiàn)在的位置。

行業(yè)里從不缺少夸大其詞的宣傳。你看看有多少專用 ASIC 芯片項目最終被取消了。就算下定決心要做一款 ASIC……也必須做出比英偉達更優(yōu)秀的產(chǎn)品才行。想要超越英偉達，并沒有那么容易，實際上也并不劃算。

說真的，英偉達一定是在某些方面無可替代。憑借我們的規(guī)模和迭代速度，我們是全球唯一一家每年都能推出新一代產(chǎn)品的公司，而且每一代都實現(xiàn)巨大飛躍。

Dwarkesh Patel：我想他們的邏輯是：“我們不需要做得比你更好，只要性能差距不超過 70% 就行”，畢竟他們要為你 70% 的利潤率買單。

黃仁勛：不對，別忘了，就算是 ASIC 芯片，利潤率也相當(dāng)高。就算英偉達的利潤率是 70%，ASIC 的利潤率也能達到 65%。你到底能省下多少錢？

Dwarkesh Patel：你是說博通這類廠商的利潤率？

黃仁勛：沒錯。你總要向供應(yīng)商付費。在我看來，ASIC 的利潤率高得驚人。他們自己也很清楚這一點，甚至還對如此可觀的 ASIC 利潤率引以為傲。

回到你剛才的問題，原因其實很簡單。在很早之前，我們并沒有能力做到這一點。那時候，我并沒有真正意識到，打造像 OpenAI、Anthropic 這樣的頂級 AI 實驗室有多困難，也沒有意識到，這些實驗室需要來自供應(yīng)商的巨額投資。我們當(dāng)時沒有能力向 Anthropic 投入數(shù)十億美元，以換取他們使用我們的算力。但谷歌和 AWS 做到了，他們在初期投入巨額資金，作為交換，Anthropic 使用了他們的算力。我們在當(dāng)時確實不具備這樣的條件。

我認為這是我的失誤，我沒有深刻認識到他們當(dāng)時別無選擇——風(fēng)投機構(gòu)絕不會為一家 AI 實驗室投入 50 到 100 億美元，賭它能成長為今天的 Anthropic。這是我的疏忽。但即便我當(dāng)時意識到了，以我們那時的體量，恐怕也無力做到。不過我不會再犯同樣的錯誤。

我很樂意投資 OpenAI，幫助他們擴大規(guī)模，我也認為這至關(guān)重要。后來當(dāng) Anthropic 找到我們時，我也很高興能成為投資方，助力他們發(fā)展。我們只是在最初階段無能為力。如果一切可以重來，如果當(dāng)時的英偉達就擁有如今的規(guī)模，我一定會非常樂意參與投資。

英偉達為何不自己做超大規(guī)模云服務(wù)商？

Dwarkesh Patel：多年來，英偉達一直是 AI 領(lǐng)域賺錢、賺大錢的一方?，F(xiàn)在你也在進行投資。據(jù)報道，你向 OpenAI 投資了高達 300 億美元，向 Anthropic 投資了 100 億美元。而如今這些公司的估值已經(jīng)大幅上漲，而且我相信還會繼續(xù)走高。

這么多年來，你們一直為它們提供算力，也看清了行業(yè)的發(fā)展方向。幾年前，甚至在某些情況下一年前，這些公司的估值還只有現(xiàn)在的十分之一左右，而你們當(dāng)時手握大量現(xiàn)金。其實完全存在另一種可能：要么英偉達自己成立一家大模型實驗室，投入巨資把這件事做成；要么更早地以當(dāng)時的估值達成現(xiàn)在這樣的投資交易，而且你們完全有資金這么做。所以我其實很好奇，為什么沒有更早行動？

黃仁勛：我們是在有能力行動的第一時間就做了。只要條件允許，我們早就動手了，如果可以的話，我還想更早。當(dāng)年 Anthropic 需要我們出手投資的時候，我們當(dāng)時根本不具備那樣的條件，那樣做也不符合我們當(dāng)時的經(jīng)營邏輯。

Dwarkesh Patel：具體是為什么？是現(xiàn)金流方面的問題嗎？

黃仁勛：是的，是投資規(guī)模的問題。我們當(dāng)時從未對外進行過如此大規(guī)模的投資，也沒有意識到有這個必要。我當(dāng)時一直覺得，它們完全可以像其他所有公司一樣，去找風(fēng)投融資，這不是理所當(dāng)然的嗎？但后來才發(fā)現(xiàn)，它們想做的事情，靠風(fēng)投根本做不成。OpenAI 想做的事，也不是風(fēng)投能支撐起來的。這些我現(xiàn)在都明白了，但當(dāng)時并沒有意識到。

不過這也正是它們的過人之處，這就是為什么它們足夠聰明。它們在當(dāng)時就意識到必須走這樣的路。我也很高興它們這么做了。即便因為我們當(dāng)時沒能出手，導(dǎo)致 Anthropic 不得不轉(zhuǎn)向其他投資方，我依然為這件事的發(fā)生感到高興。Anthropic 的存在對整個世界都是好事，我由衷為此開心。

Dwarkesh Patel：我想你們現(xiàn)在依然賺得盆滿缽滿，而且每個季度的利潤都在大幅增長。

黃仁勛：即便如此，心里有遺憾也很正常。

Dwarkesh Patel：既然走到今天這一步，你們又持續(xù)獲得巨額現(xiàn)金流，英偉達應(yīng)該拿這些錢做什么？有一種思路是，現(xiàn)在已經(jīng)出現(xiàn)了一整套中間生態(tài)，幫助這些 AI 實驗室把資本支出轉(zhuǎn)化為運營支出，讓它們可以租用算力。因為芯片本身非常昂貴，而隨著 AI 模型不斷優(yōu)化，芯片在整個生命周期里能創(chuàng)造極高的價值。它們生成的 token 價值在不斷提升，但前期搭建成本極高。英偉達完全有資金承擔(dān)這類資本支出。事實上，有報道稱，你們?yōu)?CoreWeave 提供了最高 63 億美元的資金支持，并直接投資了 20 億美元。

那英偉達為什么不自己做云服務(wù)商？為什么不親自成為超大規(guī)模云廠商，直接對外出租算力？你們完全有足夠的現(xiàn)金去做這件事。

黃仁勛：這是公司的經(jīng)營理念，我認為這一理念是明智的：只做必要之事，盡可能少做額外之事。對于構(gòu)建我們的計算平臺這件事，如果我們不去做，我確信就不會有人做成。如果我們沒有承擔(dān)那些風(fēng)險——沒有按現(xiàn)在的方式打造 NVLink，沒有搭建完整的技術(shù)棧，沒有構(gòu)建如今這樣的生態(tài)，沒有在長達 20 年里持續(xù)投入 CUDA、即便大部分時間都在虧損——如果我們沒做這些，就不會有其他人來做。

如果我們沒有開發(fā)出所有 CUDA-X 庫，沒有讓它們覆蓋各個專業(yè)領(lǐng)域……十五年前，我們就開始推進領(lǐng)域?qū)Ｓ脦?，因為我們意識到，如果我們不開發(fā)這些庫，無論是光線追蹤、圖像生成，還是早期的 AI 模型、數(shù)據(jù)處理、結(jié)構(gòu)化數(shù)據(jù)處理、向量數(shù)據(jù)處理，都不會有人去做。對此我十分確定。我們還開發(fā)了一個用于計算光刻的庫 cuLitho，如果我們不做，也不會有其他人做。所以說，如果沒有我們的努力，加速計算就不會取得今天這樣的進展。

這些事我們必須做。我們應(yīng)該傾盡全力、全身心投入去做這些事。但另一方面，做云服務(wù)的廠商已經(jīng)有很多了，就算我們不做，也會有別人來做。因此，秉持“只做必要之事，盡可能少做”的理念，至今仍是公司的核心準(zhǔn)則。我做任何決策，都會遵循這一原則。

說到云服務(wù)，如果我們沒有扶持 CoreWeave 這類新興 AI 云廠商，它們根本不會存在。如果沒有我們的支持，CoreWeave 不會走到今天；Nscale、Nebius 也一樣。而現(xiàn)在它們都發(fā)展得非常出色。

這算是一種商業(yè)模式嗎？我們的原則依然是只做必要之事，盡可能少做。我們投資生態(tài)，是希望生態(tài)能夠繁榮發(fā)展，希望我們的架構(gòu)、AI 技術(shù)能夠觸達更多行業(yè)、更多國家，讓整個世界都能建立在 AI 和美國技術(shù)棧之上。這正是我們追求的愿景。

你剛才提到的一點是，現(xiàn)在有很多優(yōu)秀的大模型公司，我們會盡量投資所有這些公司。這也是我們的做法之一：我們不押注某一家贏家，而是支持所有人。這既是我們樂于做的事，也對我們的業(yè)務(wù)至關(guān)重要。我們刻意避免偏袒任何一方，投資其中一家，就會投資所有同類公司。

Dwarkesh Patel：你為什么刻意不押注贏家？

黃仁勛：首先，這不是我們該做的事。其次，英偉達剛成立時，市場上有 60 家 3D 圖形公司，最后只有我們活了下來。如果當(dāng)時讓你從這 60 家里挑誰能成功，英偉達大概率會是最不被看好的那一個。

那是很早以前的事了，當(dāng)時英偉達的圖形架構(gòu)可以說是完全走錯了方向，不是小問題，而是根本性錯誤，開發(fā)者根本不可能支持這樣的架構(gòu)，基本沒有成功的可能。我們當(dāng)時基于合理的底層邏輯做了推導(dǎo)，最終卻得出了錯誤的方案。所有人都不看好我們，但我們還是走到了今天。

所以我足夠謙遜，也清楚這一點：不要去挑選贏家，要么讓它們各自發(fā)展，要么就全部支持。

Dwarkesh Patel：有一點我不太理解：你說“我們扶持這些新興云廠商，不只是因為它們是新玩家就刻意扶植”，但你又列舉了好幾家，說沒有英偉達它們就不會存在。這兩種說法怎么能自洽？

黃仁勛：首先，它們自己要有生存下去的意愿，主動來找我們尋求幫助。它們要有商業(yè)計劃、專業(yè)能力和創(chuàng)業(yè)熱情，自身顯然也要具備一定實力。但如果最終它們需要一些投資才能起步，我們就會伸出援手。當(dāng)然，我們也希望它們能盡快跑通自己的商業(yè)飛輪。

你的問題其實是“我們想做金融投資生意嗎？”答案是否定的。市場上有專門做金融投資的機構(gòu)，我們更愿意和這些機構(gòu)合作，而不是自己變成投資方。我們的目標(biāo)是專注于自身業(yè)務(wù)，保持商業(yè)模式盡可能簡潔，同時扶持好整個生態(tài)。

像 OpenAI 這樣的公司，在 IPO 之前需要 300 億美元規(guī)模的投資，而我們深度信任它們，我堅信它們會成為……它們現(xiàn)在已經(jīng)是一家非凡的公司，未來更會成就卓越。世界需要它們存在，也希望它們存在，我個人也希望它們發(fā)展壯大。它們正處于上升期，我們理應(yīng)支持它們擴大規(guī)模。這類投資我們會做，因為它們確實需要我們的幫助。但我們不會追求盡可能多的投資，而是盡可能少做。

Dwarkesh Patel：這個問題可能很直白，但這么多年來 GPU 一直處于短缺狀態(tài)，而且隨著模型效果越來越好，短缺情況還在加劇。

黃仁勛：我們的 GPU 確實供不應(yīng)求。

Dwarkesh Patel：沒錯。英偉達在分配稀缺產(chǎn)能時，并不是只看誰出價更高，還會考慮“我們要讓這些新興云廠商活下來，分給 CoreWeave 一些，分給 Crusoe 一些，分給 Lambda 一些”。這么做對英偉達有什么好處？首先，你認同這種“拆分市場、多方分配”的說法嗎？

黃仁勛：不認同。你的前提本身就是錯的。我們在這些事情上考慮得非常周全，也十分謹慎。首先，如果你不下采購訂單，說再多都沒用。沒有采購訂單，我們什么都做不了。所以第一步，我們會和所有客戶全力溝通，做好需求預(yù)測，因為芯片生產(chǎn)周期很長，數(shù)據(jù)中心建設(shè)也需要很久。我們通過預(yù)測來平衡供需，這是首要工作。

其次，我們會盡可能和更多客戶做預(yù)測。如果你的數(shù)據(jù)中心還沒建好，或是某些配件沒到位，無法立刻啟用算力，我們可能會先把產(chǎn)能分配給其他已經(jīng)就緒的客戶。這只是為了最大化工廠的出貨效率，會做一些調(diào)整。

除此之外，優(yōu)先級基本就是先到先得。你必須下采購訂單，不下單就沒用。當(dāng)然外界有很多傳言，比如有文章說拉里·埃里森（Oracle 董事長）和埃隆·馬斯克跟我一起吃飯，求我給 GPU。這事根本沒發(fā)生。我們確實一起吃了飯，氣氛也很好，但他們從來沒有求過 GPU，只需要正常下單就行。一旦下單，我們會盡力為他們協(xié)調(diào)產(chǎn)能。我們的規(guī)則并不復(fù)雜。

Dwarkesh Patel：明白了。聽上去是有排隊順序，根據(jù)數(shù)據(jù)中心是否就緒、下單時間來分配，而不是價高者得。這么做是有什么特別原因嗎？

黃仁勛：我們從來不會價高者得。絕對不會。

Dwarkesh Patel：為什么不直接價高者得？

黃仁勛：因為這是很差的商業(yè)做法。我們定好價格，客戶自主選擇買或不買。我知道芯片行業(yè)有些公司會在需求高漲時漲價，但我們不會，這從來不是我們的行事方式。大家可以信賴我們。我更愿意做一個可靠的伙伴，做整個行業(yè)的基石。你不需要去猜測揣摩，我給你報了價，就是這個價。就算需求暴漲，也不會變。

Dwarkesh Patel：從另一方面說，這也是你們和臺積電合作順暢的原因，對吧？

黃仁勛：是的。英偉達和臺積電合作就要滿 30 年了。我們之間甚至沒有正式法律合同，更多是一種默契與公道。有時候我占優(yōu)，有時候他們占優(yōu)；有時候我們拿到更好的條件，有時候則一般。但整體來看，這段合作關(guān)系無與倫比，我完全可以信任他們、依靠他們。

大家可以放心的一點是，今年我們會推出非常強大的 Vera Rubin，明年會有 Vera Rubin Ultra，后年是 Feynman，再之后的產(chǎn)品名稱我還沒公布。每一年，你都可以信賴我們會有新一代產(chǎn)品問世。你去找世界上任何一家做專用芯片的團隊試試看，有沒有哪家能讓你放心押上全部身家、相信他們每年都能如期交付，相信 token 成本每年都會大幅下降，像鐘表一樣穩(wěn)定可靠。

我剛才說到臺積電，歷史上也沒有其他代工廠能做到這一點。但今天的英偉達可以。你每年都可以信賴我們。你想采購十億美元的 AI 算力，沒問題；一億美元，沒問題；一千萬美元，甚至只是一個機柜，都沒問題；就算只買一張顯卡，也沒問題。就算你想下單一千億美元的 AI 算力工廠，我們也接得住。目前全球只有我們一家公司能做到這一點。

臺積電也是如此。買一顆芯片，還是十億顆，都沒問題，我們只需要走規(guī)劃流程，用成熟的方式推進合作。英偉達能成為全球 AI 產(chǎn)業(yè)的基石，這個地位是我們花了幾十年時間、付出巨大投入與專注才換來的。公司的穩(wěn)定、行事的一貫性，至關(guān)重要。

如何看待中國芯片技術(shù)？

Dwarkesh Patel：就在幾天前，Anthropic 發(fā)布了 Mythos Preview。這款 Mythos 模型甚至沒有公開發(fā)布，因為其具備極強的網(wǎng)絡(luò)攻擊能力，他們認為在修復(fù)所有零日漏洞之前，世界還未做好接納它的準(zhǔn)備。該模型在各大主流操作系統(tǒng)、主流瀏覽器中發(fā)現(xiàn)了數(shù)千個高危漏洞，甚至在專為防范零日漏洞設(shè)計的 OpenBSD 系統(tǒng)中，找到了一個已存在 27 年的漏洞。

那么，如果中國企業(yè)、中國實驗室能夠獲得 AI 芯片，訓(xùn)練出具備此類網(wǎng)絡(luò)攻擊能力的 Claude Mythos 級模型，并憑借更充足的算力運行數(shù)百萬個實例，這是否會對美國企業(yè)構(gòu)成威脅？

黃仁勛：首先，Mythos 的訓(xùn)練所使用的算力規(guī)模相當(dāng)普通，只是研發(fā)團隊極為出色。其訓(xùn)練所需的算力類型與總量，在中國完全可以輕松獲得。你必須先認清一個事實：中國本身就擁有大量芯片。

他們生產(chǎn)了全球 60% 以上的主流芯片，這是一個規(guī)模龐大的產(chǎn)業(yè)。他們擁有全球頂尖的計算機科學(xué)家，你也清楚，全球各大 AI 實驗室中，半數(shù)研究人員都來自中國，中國占據(jù)了全球 AI 研究者的半壁江山。

所以問題在于，考慮到他們已掌握的各類資源——充沛的能源、充足的芯片、絕大多數(shù) AI 研究者——如果你真的對此感到擔(dān)憂，怎樣做才能構(gòu)建一個安全的世界？

打壓他們、將其塑造成敵人，顯然不是最優(yōu)解。他們確實是競爭對手，我們也希望美國能夠勝出。但我認為，開展對話與學(xué)術(shù)交流，或許才是最安全的方式。而由于當(dāng)前我們將中國視為對手的態(tài)度，這一關(guān)鍵領(lǐng)域的交流嚴重缺失。美國的 AI 研究者與中國的 AI 研究者必須保持溝通，雙方必須就 AI 的禁用場景達成共識，這一點至關(guān)重要。

至于利用 AI 查找軟件漏洞，這本就是 AI 的應(yīng)有功能。它必然會發(fā)現(xiàn)大量軟件漏洞，畢竟軟件中本就存在無數(shù)漏洞，AI 系統(tǒng)自身也不例外。我很高興 AI 已經(jīng)發(fā)展到能大幅提升我們工作效率的水平。

有一點常常被忽視：圍繞網(wǎng)絡(luò)安全、AI 安全、隱私保護與 AI 倫理的生態(tài)體系極為豐富。大量 AI 初創(chuàng)企業(yè)正在構(gòu)建未來安全格局——一個超強 AI 主體，由數(shù)千個 AI 智能體守護其安全，這一未來必然會實現(xiàn)。

放任一個無人監(jiān)管的 AI 智能體肆意運行，這種想法本身就很荒謬。我們深知，這一生態(tài)需要蓬勃發(fā)展，而它離不開開源技術(shù)、開源模型與開源技術(shù)棧，只有這樣，全球優(yōu)秀的 AI 研究者與計算機科學(xué)家才能構(gòu)建出強大且安全的 AI 系統(tǒng)。因此，我們必須確保開源生態(tài)充滿活力，這一點不容忽略。而大量開源成果正來自中國，我們不應(yīng)扼殺這一生態(tài)。

針對中國問題，我們當(dāng)然希望美國擁有盡可能充足的算力。目前我們受限于能源供應(yīng)，但已有大量團隊著手解決，絕不能讓能源成為國家發(fā)展的瓶頸。同時，我們更要確保全球 AI 開發(fā)者都基于美國技術(shù)棧開展研發(fā)，讓 AI 領(lǐng)域的進步——尤其是開源成果——反哺美國生態(tài)。如果世界分裂為兩大生態(tài)：開源生態(tài)僅運行于外國技術(shù)棧，封閉生態(tài)依附于美國技術(shù)棧，這對美國而言將是極度愚蠢的結(jié)果。

Dwarkesh Patel：沒錯，中國擁有算力，但有估算顯示，由于芯片制造出口管制，他們無法獲得 EUV 光刻機，只能生產(chǎn) 7nm 工藝芯片，實際可用算力僅為美國的十分之一。

那么，他們最終能否訓(xùn)練出 Mythos 級別的模型？答案是肯定的。但關(guān)鍵在于，美國憑借更充足的算力，實驗室能率先突破這類技術(shù)。就像 Anthropic 率先研發(fā)出 Mythos，他們選擇先保密一個月，向美國企業(yè)開放權(quán)限，協(xié)助修復(fù)所有漏洞后再公開發(fā)布。

此外，即便他們訓(xùn)練出同類模型，規(guī)?；渴鹉芰σ仓陵P(guān)重要。對于網(wǎng)絡(luò)攻擊而言，擁有一千個實例與一百萬個實例，危險程度天差地別，推理算力的作用極為關(guān)鍵。事實上，中國擁有大量頂尖 AI 研究者，這一點反而更令人擔(dān)憂——決定這些研發(fā)人員效率的核心，正是算力。

你去詢問美國任何一家 AI 實驗室，他們都會說算力是最大瓶頸。深度求索（DeepSeek）創(chuàng)始人、通義千問團隊負責(zé)人等都曾表示，算力制約了他們的發(fā)展。那么問題來了：讓擁有更多算力的美國企業(yè)率先突破 Mythos 級技術(shù)，為社會做好防御準(zhǔn)備，再等到算力較弱的中國追趕上來，這樣難道不是更安全嗎？

黃仁勛：我們理應(yīng)始終保持領(lǐng)先，擁有更多算力。但你描述的理想場景，需要將對方的算力壓制到零才能實現(xiàn)。只要他們擁有一定規(guī)模的算力，核心問題就變成：究竟需要多少算力才能達成目標(biāo)？

中國的算力規(guī)模極為龐大，是全球第二大計算市場。如果他們整合現(xiàn)有算力，完全能夠匯聚出驚人的總量。

Dwarkesh Patel：事實真的如此嗎？

黃仁勛：我來說明真相。中國的能源儲備極為充足，不是嗎？AI 本身是并行計算問題，既然能源成本低廉，他們?yōu)槭裁床荒苡盟谋丁⑹稊?shù)量的芯片堆疊算力？只要愿意，即便只是 7nm 芯片，他們也能通過大規(guī)模集群實現(xiàn)算力突破。

他們的芯片制造能力位居全球前列，半導(dǎo)體行業(yè)都清楚，他們壟斷了主流芯片市場，產(chǎn)能甚至出現(xiàn)過剩。認為中國無法獲得 AI 芯片的說法，完全是無稽之談。

當(dāng)然，如果你問我，若全球其他國家完全沒有算力，美國是否會更具優(yōu)勢？答案是肯定的，但這根本不現(xiàn)實。中國早已擁有充足算力，遠超你所擔(dān)憂的風(fēng)險閾值。

我認為你誤解了 AI 的五層架構(gòu)，最底層便是能源。能源充足可以彌補芯片性能短板，芯片充足也能抵消能源限制。比如美國能源供應(yīng)緊張，這也是英偉達持續(xù)迭代架構(gòu)、推進極致協(xié)同設(shè)計的原因——在能源有限、芯片出貨量受限的情況下，實現(xiàn)極致的每瓦算力。

但如果能源近乎無限、成本低廉，每瓦性能便不再重要。即便使用老舊芯片也足夠應(yīng)對，7nm 芯片的性能基本等同于 Hopper 架構(gòu)。要知道，當(dāng)前主流模型大多基于 Hopper 架構(gòu)訓(xùn)練，7nm 芯片完全夠用。充沛的能源，正是他們的核心優(yōu)勢。

Dwarkesh Patel：但問題在于，他們能否制造出足夠數(shù)量的芯片。

黃仁勛：他們完全可以。證據(jù)就在眼前：華為剛剛創(chuàng)下公司史上最佳年度業(yè)績。

Dwarkesh Patel：但這無法改變一個事實：最先進的 HBM 芯片必須依賴 EUV 光刻機制造。

黃仁勛：這一說法完全錯誤。他們可以像我們通過 NVL72 技術(shù)互聯(lián)芯片一樣，將大量芯片集群聯(lián)動，而且他們已經(jīng)展示了硅光互聯(lián)技術(shù)，能夠?qū)⑺兴懔φ蠟橐慌_巨型超級計算機。

事實是，中國的 AI 研發(fā)進展十分順利。全球最頂尖的 AI 研究者，在算力受限的情況下，反而研發(fā)出了極為精妙的算法。我之前提到過，摩爾定律每年推進約 25%，而優(yōu)秀的計算機科學(xué)能讓算法性能提升 10 倍。也就是說，頂尖的算法研發(fā)才是核心驅(qū)動力。

混合專家模型（MoE）無疑是偉大發(fā)明，各類注意力機制也有效降低了算力消耗。我們必須承認，AI 領(lǐng)域的大部分進步源于算法突破，而非單純的硬件升級。如果大部分進展來自算法、計算機科學(xué)與編程實現(xiàn)，那么中國龐大的 AI 研究者隊伍，就是他們的核心優(yōu)勢。DeepSeek 的突破絕非小事。

Dwarkesh Patel：為什么這么說？目前像 DeepSeek 這樣的開源模型，可以在任何加速芯片上運行，未來為何會改變這一現(xiàn)狀？

黃仁勛：假設(shè)未來不再兼容，假設(shè)模型專為中國架構(gòu)優(yōu)化，我們的技術(shù)棧就會陷入劣勢。你剛才描述的場景，在我看來本是好消息：一家企業(yè)研發(fā)的 AI 模型，最優(yōu)運行于美國技術(shù)棧。但你卻將其預(yù)設(shè)為壞消息。而我要告訴你真正的壞消息：如果全球 AI 模型都最優(yōu)適配非美國硬件，對我們而言將是巨大危機。

Dwarkesh Patel：我沒有看到任何證據(jù)表明，芯片之間的遷移存在巨大壁壘。美國實驗室的模型本就可以在各大云平臺、各類加速芯片上運行——

黃仁勛：我就是最好的證據(jù)。你把專為英偉達優(yōu)化的模型放到其他芯片上運行試試。

Dwarkesh Patel：但美國實驗室確實在這么做。

黃仁勛：但性能絕不會更優(yōu)。英偉達的成功就是最有力的證明：AI 模型基于我們的技術(shù)棧研發(fā)，也在我們的平臺上表現(xiàn)最佳，這一邏輯難道難以理解嗎？

Dwarkesh Patel：Anthropic 的模型既能在 GPU 上運行，也能適配 Trainium 與 TPU。

黃仁勛：這需要投入大量工程資源進行適配。但放眼全球南方國家、中東地區(qū)，如果開箱即用的 AI 模型都最優(yōu)運行于他國技術(shù)棧，你還要堅稱這對美國有利，那未免太過荒謬。

Dwarkesh Patel：我還是無法理解你的邏輯。假設(shè)中國企業(yè)率先研發(fā)出下一代 Mythos 模型，率先發(fā)現(xiàn)美國軟件的安全漏洞，即便他們使用英偉達硬件開展研究，并將模型推向全球市場，這對我們有什么好處？

黃仁勛：沒有任何好處。

Dwarkesh Patel：沒錯。

黃仁勛：這絕不是好事，我們必須避免這種情況發(fā)生。

Dwarkesh Patel：你為何認為芯片完全可替代？如果我們不向其出售算力，他們就只能使用自己的芯片。

黃仁勛：這一觀點完全站不住腳，現(xiàn)實證據(jù)就擺在眼前：中國的芯片產(chǎn)業(yè)規(guī)模極為龐大。

Dwarkesh Patel：你的核心論點是，他們擁有充足的待利用能源，需要用芯片填滿這些算力基礎(chǔ)設(shè)施。

黃仁勛：而且他們擅長制造芯片。

Dwarkesh Patel：我相信他們最終有望實現(xiàn)產(chǎn)能超越，但關(guān)鍵就在未來這幾年。

黃仁勛：你所說的關(guān)鍵年份，具體是指什么？

Dwarkesh Patel：未來幾年。即將出現(xiàn)能夠?qū)嵤┐笠?guī)模網(wǎng)絡(luò)攻擊的 AI 模型。

黃仁勛：如果未來幾年至關(guān)重要，我們就更要確保，在這一關(guān)鍵時期，全球所有 AI 模型都基于美國技術(shù)棧研發(fā)。

Dwarkesh Patel：即便基于美國技術(shù)棧研發(fā)，又如何阻止他們憑借更先進的技術(shù)，發(fā)起等同于 Mythos 的網(wǎng)絡(luò)攻擊？

黃仁勛：這一點沒有絕對的保障。

Dwarkesh Patel：但我們率先掌握技術(shù)，就能提前做好防御。

黃仁勛：你想想，為什么要犧牲 AI 產(chǎn)業(yè)的一個環(huán)節(jié)，去成全另一個環(huán)節(jié)？AI 產(chǎn)業(yè)有五大層級，每一層都必須成功，其中最關(guān)鍵的其實是 AI 應(yīng)用層。你為何要執(zhí)著于單一模型、單一公司？這毫無意義。

Dwarkesh Patel：因為正是這些模型催生出了極強的攻擊性能力，而運行它們需要算力支撐。

黃仁勛：真正起作用的是能源、芯片，以及龐大的 AI 研究者生態(tài)。

Dwarkesh Patel：但 AI 既能用于正面用途，也能帶來危害。但如果這份算力能跑起一個可以對全美軟件發(fā)起零日漏洞攻擊的模型，這怎么不算一種武器？

黃仁勛：首先，解決這個問題的方式，是和研究者對話、和中國對話、和所有國家對話，確保人們不會以這種方式濫用技術(shù)。這種對話必須發(fā)生，明白嗎？這是第一點。

第二，我們也要確保美國保持領(lǐng)先，確保 Vera Rubin、Blackwell 這些架構(gòu)在美國海量部署、充足供應(yīng)。顯然我們的成果已經(jīng)說明了這一點，供應(yīng)極其充裕。我們擁有強大的算力、頂尖的 AI 研究者，我們理應(yīng)保持領(lǐng)先。

但同時我們也必須認識到，AI 不只是模型。AI 是一個五層架構(gòu)，每一層都至關(guān)重要，我們希望美國在每一層都贏，包括芯片層。長期來看，放棄整個市場，不可能讓美國在芯片層、在計算技術(shù)棧上贏得科技競賽。這是不爭的事實。

Dwarkesh Patel：那核心問題就變成：現(xiàn)在向他們出售芯片，如何幫助我們長期取勝？特斯拉長期向中國出售非常優(yōu)秀的電動車，iPhone 也在中國熱銷，產(chǎn)品都很出色，但并沒有形成鎖定。中國依然造出了自己的電動車，而且占據(jù)主導(dǎo)，智能手機也是一樣。

黃仁勛：我們今天對話一開始，你就承認英偉達的地位截然不同，你還用了“護城河”這個詞。對我們公司而言，最重要的就是以開發(fā)者為核心的繁榮生態(tài)，而全球 50% 的 AI 開發(fā)者都在中國。美國不應(yīng)該放棄這部分資源。

Dwarkesh Patel：但美國也有大量英偉達開發(fā)者，這并不妨礙美國實驗室未來使用其他加速芯片。事實上，他們現(xiàn)在就在混用其他芯片，這本身沒問題。我不明白為什么在中國就不一樣——就算你賣給他們英偉達芯片，他們照樣可以像谷歌用 TPU 一樣，同時用自己的芯片。

黃仁勛：我們必須持續(xù)創(chuàng)新，而且你可能也知道，我們的市場份額一直在增長，而非萎縮。那種“就算我們在中國參與競爭，最終也會丟掉市場”的前提……你不是在跟一個天生的失敗者說話。這種失敗者心態(tài)、失敗者邏輯，我無法認同。

我們不是汽車。今天買這個品牌、明天換那個品牌，很容易。計算產(chǎn)業(yè)不是這樣的。x86 能形成壟斷、ARM 擁有極強黏性，都是有原因的。這類生態(tài)很難被替代，替換需要耗費巨大的時間和精力，大多數(shù)人根本不愿意這么做。所以我們的職責(zé)是持續(xù)培育生態(tài)、不斷推進技術(shù)，從而在市場中具備競爭力。

基于你描述的前提就放棄一個市場，我完全無法接受，這毫無道理。因為我不認為美國是失敗者，我們的行業(yè)也不是。這種認輸?shù)恼撜{(diào)、失敗主義的心態(tài)，我無法理解。

Dwarkesh Patel：我想核心分歧已經(jīng)慢慢清晰了，謝謝你陪我把這些繞來繞去的問題聊透。

黃仁勛：核心問題在于你走向了極端。你的論證從極端假設(shè)出發(fā)：只要在這個狹窄窗口期給他們一丁點兒算力，我們就會滿盤皆輸。這種極端化的說法很幼稚。

Dwarkesh Patel：讓我把我的觀點說清楚。關(guān)鍵并不在于存在某個關(guān)鍵算力閾值，而是任何增量算力都是有幫助的。算力越多，就能訓(xùn)練出更好的模型。

黃仁勛：那我也希望你承認，對美國科技行業(yè)而言，任何增量銷售都是有利的。

Dwarkesh Patel：我其實并不認同……如果跑在這些芯片上的 AI 模型具備網(wǎng)絡(luò)攻擊能力，或是芯片被用來訓(xùn)練攻擊性模型并大規(guī)模部署，它雖然不是核武器，但確實在支撐某種武器化能力。

黃仁勛：按你的邏輯，你大可以把這套說法套在微處理器、DRAM，甚至電本身身上。

Dwarkesh Patel：但事實上，我們確實對制造最先進 DRAM 相關(guān)的技術(shù)實施出口管制，對中國各類芯片制造設(shè)備都有各式各樣的管制。

黃仁勛：我們依然向中國出售大量 DRAM 和 CPU，而且我認為這是正確的。

你能否認我們曾經(jīng)在該市場擁有巨大份額，如今卻已不再占據(jù)優(yōu)勢嗎？你也要承認，中國市場約占全球科技產(chǎn)業(yè)的 40%。對美國科技行業(yè)而言，放棄這個市場，是對國家的損害，是對國家安全的損害，是對美國技術(shù)領(lǐng)導(dǎo)力的損害，僅僅為了某一家公司的利益，這完全說不通。

Dwarkesh Patel：我有點困惑。你好像在同時表達兩種觀點：一是只要允許我們參與競爭，我們就能憑借更優(yōu)秀的芯片在與中國競爭中取勝；二是就算沒有我們，他們照樣會做一模一樣的事情。這兩件事怎么可能同時成立？

黃仁勛：顯然可以同時成立。沒有更好選擇時，人就會退而求其次。這有什么不符合邏輯的？再合理不過了。

Dwarkesh Patel：他們想要英偉達芯片，就是因為性能更好。

黃仁勛：沒錯。

Dwarkesh Patel：更好就意味著更強算力，更強算力就能訓(xùn)練出更好的模型。

黃仁勛：不，不只是算力更強。更好是因為更容易編程，我們擁有更完善的生態(tài)。但無論優(yōu)勢體現(xiàn)在哪方面……我們當(dāng)然會向他們提供算力，那又如何？事實是，美國會從中受益。別忘了，我們鞏固了美國的技術(shù)領(lǐng)導(dǎo)力，讓更多開發(fā)者基于美國技術(shù)棧開發(fā)。當(dāng) AI 模型向全球擴散時，美國技術(shù)棧會成為最優(yōu)選擇，我們可以持續(xù)推進并輸出美國技術(shù)。我相信這是正面價值，也是美國技術(shù)領(lǐng)導(dǎo)力至關(guān)重要的一部分。

而你所主張的政策，已經(jīng)導(dǎo)致美國電信行業(yè)在全球范圍內(nèi)被政策排擠，最終甚至失去了對自身電信產(chǎn)業(yè)的掌控。我不認為這是明智之舉。這種思路有些狹隘，并且會帶來我剛才所說的一系列意外后果，而你似乎很難理解這一點。

Dwarkesh Patel：好，我們再退一步。核心矛盾顯然在于潛在收益與潛在風(fēng)險的權(quán)衡，我們要判斷收益是否值得風(fēng)險。我希望你能承認潛在風(fēng)險：算力是訓(xùn)練強大模型的投入，而強模型確實具備網(wǎng)絡(luò)攻擊這類強攻擊性能力。美國公司率先達到 Mythos 這種級別是件好事，他們選擇暫時不公開這類能力，讓美國企業(yè)和政府先加固軟件安全，再對外披露。

如果中國擁有更多算力，或是更充足的集群算力，更早造出 Mythos 級模型并大規(guī)模部署，后果將非常嚴重。這件事至今沒有發(fā)生，原因之一就是美國有英偉達這樣的企業(yè)，提供了更充足的算力。這就是向中國出售芯片的風(fēng)險。我們先不談收益，你是否承認這是一種潛在代價？

黃仁勛：我同樣可以告訴你另一個潛在代價：我們放任 AI 技術(shù)棧中最重要的一層——芯片層——放棄全球第二大市場，讓他們有機會建立規(guī)模、培育自有生態(tài)，讓未來的 AI 模型朝著與美國技術(shù)棧完全不同的方向優(yōu)化。當(dāng) AI 向全球擴散時，他們的標(biāo)準(zhǔn)、他們的技術(shù)棧會因為模型開源而變得比我們更具優(yōu)勢。

Dwarkesh Patel：我只是足夠相信英偉達的內(nèi)核工程師和 CUDA 團隊，認為他們完全可以做優(yōu)化——

黃仁勛：你也清楚，AI 不只是內(nèi)核優(yōu)化那么簡單。

Dwarkesh Patel：當(dāng)然，但能做的事情還有很多，比如把模型蒸餾優(yōu)化到更適配你們芯片的形態(tài)。

黃仁勛：我們會盡最大努力。

Dwarkesh Patel：你們掌握著全套軟件。很難想象中國生態(tài)能形成長期鎖定，哪怕他們的開源模型在一段時間內(nèi)略占優(yōu)勢。

黃仁勛：中國是全球開源軟件最大貢獻者，這是事實。中國是全球開源模型最大貢獻者，這也是事實。而目前這些成果都構(gòu)建在美國技術(shù)棧、英偉達技術(shù)棧之上，這同樣是事實。

AI 技術(shù)棧的五個層級都至關(guān)重要，美國理應(yīng)在全部五個層級取得勝利，它們?nèi)币徊豢伞Ｆ渲凶钪匾?，無疑是 AI 應(yīng)用層。真正滲透進社會、被廣泛使用的那一層，將從這場產(chǎn)業(yè)革命中獲益最多。但我的核心觀點是，每一層都必須成功。

如果我們把整個國家嚇得以為 AI 就是某種核彈，讓所有人厭惡 AI、恐懼 AI，我不知道這對美國有什么幫助，反而是在傷害它。如果我們把所有人都嚇離軟件工程崗位，宣稱 AI 會消滅所有相關(guān)工作，最終導(dǎo)致美國沒有軟件工程師，那同樣是在損害國家利益。

如果我們把所有人都嚇出放射科，讓沒人愿意成為放射科醫(yī)生，理由是計算機視覺完全免費、AI 不會比醫(yī)生做得更差，那我們就徹底誤解了職業(yè)與任務(wù)的區(qū)別。放射科醫(yī)生的工作是患者照護，讀片只是其中一項任務(wù)。如果我們對此產(chǎn)生如此深刻的誤解，把所有人都嚇出醫(yī)學(xué)院，我們就會面臨放射科醫(yī)生短缺、醫(yī)療質(zhì)量下降的局面。

所以我想表達的是，當(dāng)你把前提推向極端，非黑即白、非零即無窮，最終只會以不實的方式制造恐慌。現(xiàn)實并非如此。我們希望美國領(lǐng)先嗎？當(dāng)然希望。我們需要在技術(shù)棧的每一層都保持領(lǐng)先嗎？當(dāng)然需要，毫無疑問。今天你在討論 Mythos，因為它很重要，這很好。

但我可以預(yù)測，幾年之后，當(dāng)我們希望美國技術(shù)棧、美國科技向全球輸出——進入印度、中東、非洲、東南亞——當(dāng)國家希望出口技術(shù)、輸出標(biāo)準(zhǔn)時，我希望到那天我們能再進行一次同樣的對話。我會清清楚楚地告訴你今天的討論，告訴你你所主張的政策與想象，是如何讓美國毫無必要地放棄了全球第二大市場。

我們不該主動放棄。就算最終輸?shù)簦且彩歉偁幗Y(jié)果，但為什么要拱手相讓？現(xiàn)在沒有人主張非此即彼。我們理應(yīng)在本土保有最先進、最充足的技術(shù)，并且率先應(yīng)用。但我們同時也應(yīng)該在全球范圍內(nèi)競爭并取勝。這兩件事完全可以并行，它需要分寸、需要成熟理性，而不是極端絕對化。世界本就不是非黑即白的。

Dwarkesh Patel：爭論的關(guān)鍵就在這里。幾年后，他們會打造出適配自家最優(yōu)芯片的模型，這些芯片會出口到世界各地，進而確立標(biāo)準(zhǔn)。但正如我們所說，由于 EUV 出口管制，你們會一路推進到 1.6nm 工藝，而他們幾年后依然會停留在 7nm。

在他們國內(nèi)或許說得通：“我們能源充足，可以大規(guī)模制造，繼續(xù)用 7nm 就行?！钡f到出口，他們的 7nm 芯片必須和你們的 1.6nm 芯片競爭。他們的模型必須深度優(yōu)化到 7nm 平臺，以至于在 7nm 上跑比在你們 1.6nm 上效果更好才行。

黃仁勛：那我們不妨看看事實。Blackwell 的光刻工藝比 Hopper 先進 50 倍嗎？有 50 倍嗎？差得遠呢。我一再強調(diào)，摩爾定律已經(jīng)失效。從 Hopper 到 Blackwell，單看晶體管本身提升大約 75%，前后相隔三年，也就 75%。但 Blackwell 的整體能力是 Hopper 的 50 倍。

我想說的是，架構(gòu)至關(guān)重要，計算機科學(xué)至關(guān)重要。半導(dǎo)體物理固然重要，但計算機科學(xué)更加關(guān)鍵。AI 的進步很大程度來自計算棧，這也是 CUDA 如此高效、如此受青睞的原因。它是一套生態(tài)、一種計算架構(gòu)，擁有極高的靈活性。哪怕你想徹底重構(gòu)架構(gòu)——做出混合專家模型、擴散模型，或是去中心化的新結(jié)構(gòu)——都可以輕松實現(xiàn)。

事實是，AI 既依賴底層架構(gòu)，也同樣依賴上層技術(shù)棧。我們擁有為自身生態(tài)優(yōu)化的架構(gòu)與軟件棧，這顯然是巨大優(yōu)勢，就像我們今天開場時談到的，英偉達的生態(tài)無比豐富。為什么開發(fā)者總是優(yōu)先選擇 CUDA 編程？他們確實如此，中國的研究者也一樣。

但如果我們被迫退出中國市場，這首先就是一項政策失誤，顯然會產(chǎn)生反噬，對美國造成不利后果。這反而扶持、加速了他們的芯片產(chǎn)業(yè)，迫使他們的整個 AI 生態(tài)轉(zhuǎn)向自研架構(gòu)?，F(xiàn)在回頭還不算晚，但影響已經(jīng)發(fā)生。

未來你會看到，他們顯然不會一直卡在 7nm。他們擅長制造，會從 7nm 繼續(xù)向前迭代。5nm 和 7nm 之間有 10 倍差距嗎？答案是否定的。架構(gòu)重要，網(wǎng)絡(luò)互聯(lián)重要——這也是英偉達收購 Mellanox 的原因。能源同樣重要。所有這些因素都在起作用，并非你試圖簡化的那樣簡單。

英偉達為何不打造多種不同的芯片架構(gòu)？

Dwarkesh Patel：現(xiàn)在你已經(jīng)占據(jù)了 3nm 工藝的大部分產(chǎn)能，未來還會主導(dǎo) 2nm 工藝，那么你有沒有可能回過頭利用 7nm 這類成熟工藝的閑置產(chǎn)能，說一句：“AI 需求實在太旺盛，先進制程擴產(chǎn)跟不上，我們干脆用今天掌握的數(shù)值計算技術(shù)和你剛才提到的各類改進，重新打造一版 Hopper 或者 Ampere 架構(gòu)？”你覺得 2030 年之前會出現(xiàn)這種情況嗎？

黃仁勛：沒有這個必要。原因在于，每一代產(chǎn)品的架構(gòu)提升遠不止晶體管尺寸這么簡單，它還涉及到工程設(shè)計、封裝堆疊、數(shù)值計算和系統(tǒng)架構(gòu)。

產(chǎn)能不足就輕易退回到舊工藝，這種研發(fā)成本是沒人承受得起的。我們有能力向前迭代，但沒有余力回頭重做。當(dāng)然我們可以做個思想實驗：如果有一天，我們徹底沒有辦法再擴大先進制程產(chǎn)能，我會不會回頭用 7nm？那肯定會，毫不猶豫。

Dwarkesh Patel：有個朋友問過我一個問題：英偉達為什么不同時推進多個完全不同架構(gòu)的芯片項目？比如做 Cerebras 那樣的晶圓級芯片，做 Dojo 那種超大規(guī)模封裝，甚至做一套不依賴 CUDA 的架構(gòu)。你們有資金也有人才，完全可以并行推進。既然 AI 和架構(gòu)的未來走向充滿未知，為什么要把所有雞蛋放在一個籃子里？

黃仁勛：我們當(dāng)然可以這么做，只是我們沒有找到更優(yōu)的方案。這些方向我們?nèi)荚谀M器里驗證過，結(jié)果證明更差，所以我們不會付諸實踐。我們只聚焦在真正有價值的項目上。除非未來負載形態(tài)發(fā)生根本性變化——我指的不是算法，而是市場需求驅(qū)動的實際負載模式——我們才會考慮增加其他類型的加速芯片。

舉個例子，我們最近收購了 Groq，并會把它整合進 CUDA 生態(tài)。之所以這么做，是因為 token 的價值已經(jīng)大幅提升，可以出現(xiàn)不同定價的 token 服務(wù)。就在幾年前，token 還幾乎是免費的，或者價格極低。但現(xiàn)在客戶群體出現(xiàn)分層，不同客戶需要不同的響應(yīng)效果。比如我們的軟件工程師這類用戶，如果能提供響應(yīng)更迅捷的 token，大幅提升他們的工作效率，他們愿意為此付費。

這個市場直到最近才真正成型。所以我們現(xiàn)在可以針對響應(yīng)速度，對同一模型做市場細分。這也是我們拓展性能邊界、推出一類低吞吐量但高響應(yīng)速度推理芯片的原因。在此之前，行業(yè)一直認為吞吐量越高越好。但我們認為，未來會出現(xiàn)高單價 token 的市場，即便算力工廠吞吐量更低，單價也足以彌補差距。

這是我們拓展架構(gòu)的唯一原因。除此之外，從架構(gòu)本身來看，如果我有更多資金，只會進一步加碼英偉達現(xiàn)有架構(gòu)。

Dwarkesh Patel：最后一個問題。假如深度學(xué)習(xí)革命從未發(fā)生，英偉達現(xiàn)在會在做什么？

黃仁勛：做加速計算，和我們一直以來做的事情一樣。公司成立的初衷就是，摩爾定律逐漸走到盡頭，通用計算雖然用途廣泛，但在很多計算場景下效率并不理想。

于是我們把 GPU、CUDA 與 CPU 結(jié)合，讓 CPU 的工作負載可以被加速。把不同的代碼內(nèi)核或算法卸載到 GPU 上運行，應(yīng)用性能就能提升 100 倍、200 倍。

這些能力能用在哪里？

顯然，它適用于工程、科研、物理模擬、數(shù)據(jù)處理、計算機圖形、圖像生成等方方面面。就算今天 AI 不存在，英偉達依然會是一家規(guī)模極大的公司。

背后的原因非常簡單：通用計算的持續(xù)擴展能力基本已經(jīng)見頂，而實現(xiàn)突破的重要路徑就是領(lǐng)域?qū)Ｓ眉铀佟?/strong>我們最早從計算機圖形起步，但可覆蓋的領(lǐng)域還有很多，比如粒子物理、流體模擬、結(jié)構(gòu)化數(shù)據(jù)處理，各類算法都能從 CUDA 中受益。

我們的使命，一直是把加速計算帶向全世界，拓展通用計算無法勝任的應(yīng)用類型，把性能擴展到能助力科學(xué)突破的級別。早期應(yīng)用就包括分子動力學(xué)、能源勘探的地震處理、圖像處理等，這些領(lǐng)域用通用計算實在太過低效。

如果沒有 AI，我會很遺憾。但正是我們在計算領(lǐng)域的突破，才讓深度學(xué)習(xí)得以普及，讓全球任何一位研究者、科學(xué)家、學(xué)生，都能通過 PC 或者 GeForce 顯卡做出了不起的科研成果。這個核心使命從未改變，分毫未變。

如果你看過 GTC 大會，開場很長一段內(nèi)容都和 AI 無關(guān)。計算光刻、量子化學(xué)研究、數(shù)據(jù)處理相關(guān)成果，全都和 AI 沒有關(guān)系，但它們依然至關(guān)重要。我知道 AI 備受關(guān)注、令人興奮，但還有很多人在做非 AI 領(lǐng)域的重要工作，張量計算也并非唯一的計算方式。我們希望幫助每一個人。