4月16日凌晨1点，美国作家、播客主持人Dwarkesh Patel放出与英伟达创始人黄仁勋的深度访谈。
本次对谈高达1小时46分钟，我猜测录制总时长要超过2个半小时，也是近两年黄仁勋对谈中第二长的播客采访，信息密度超大。
对谈内容涵盖英伟达的供应链护城河、TPU竞争威胁，以及英伟达为何不自己做云服务等问题。
尽管播客里面存在很多黄仁勋谈的旧观点，如“五层蛋糕理论”、英伟达护城河很高等，但Dwarkesh Patel问的非常犀利，所以黄仁勋输出了也很多新颖的观点，值得拆解分析。
例如，黄仁勋首次抛出英伟达的极简定义：“输入是电子信号，输出是Intelligence Token，中间是英伟达。”
他认为这是一套系统化的价值链，英伟达需要做到标准化、系统化，而且“只做核心必要业务”，英伟达就不会被淘汰。
对于中国市场，黄仁勋依然表示，我们不能将芯片、算力简单等同于核武器、浓缩铀这类物资。芯片是通用计算硬件，中国本身具备大规模自主制造能力，无法实现绝对管控。英伟达主动放弃中国市场，只会加速中国本土芯片产业迭代成熟，彻底脱离美国技术生态，这对美国芯片产业、科技领导力，才是更大的伤害。
黄仁勋指出，制程差距，无法彻底限制 AI 技术迭代。更重要的是，顶尖算法人才的创新能力，能够突破硬件限制。摩尔定律增速有限，但算法优化、架构创新能够带来数十倍的性能提升。DeepSeek等中国开源大模型的快速迭代，已经证明了这一点。
黄仁勋表示，制程迭代的性能差距，被严重高估。从Hopper到 Blackwell，制程带来的硬件性能提升仅有 75%，而架构、算法、互联优化带来的能效提升达到50倍。半导体工艺只是底层基础，计算架构、软件生态、算法创新、高速互联，才是决定AI算力上限的核心因素。单纯依靠先进制程封锁，无法限制AI发展，反而会倒逼对方探索差异化技术路线。
黄仁勋强调，绝不对GPU进行“价高者得”的竞价售卖，也不会放弃中国市场。
我们将通过万字左右的篇幅，人类用AI辅助方式，将黄仁勋的观点摘录拆解，以飨读者：
谈取代论：软件不会商品化， 而是需要系统化形成电子+tokens+英伟达
主持人问：我们看到一众软件公司的估值大幅暴跌，根源在于市场普遍认为AI会让软件彻底商品化。当下存在一种略显片面的认知逻辑：媒体先传输设计文件，交由台积电完成逻辑芯片的制造；台积电生产芯片开关元件，再搭配 SK 海力士、美光、三星制造的高带宽内存完成封装，随后运往代工厂完成整机机柜组装。从本质来看，英伟达只负责研发软件，硬件制造全部交由外部厂商完成。一旦软件沦为同质化大宗商品，英伟达自身也会随之变成大宗商品化的企业。
对此，黄仁勋表示：
归根结底，必须有一套体系完成电子信号到Intelligence Token的转化，并且持续提升这些tokens的价值。但这种价值增值的商业化落地，其实很难完全闭环实现。
这种转化，本身就是一套极具复杂度的产业过程；想要区分Token价值、实现差异化，就好比让两种不同分子产生价值差。
想要赋予智能tokens独特价值，需要凝聚大量工艺设计、工程技术、基础科学与技术创新。眼下我们正亲眼见证这一过程持续演进。
所以，这套转化流程、制造体系以及底层科学原理，人类远未完全吃透，整个产业的发展旅程也远远没有抵达终点。因此我并不认同软件会快速商品化的判断。
我们会持续优化整套体系的运行效率，而外界对英伟达的定位认知，恰好契合我对公司的核心定义：输入端是电子信号，输出端是智能tokens。
英伟达的核心使命，是以最低冗余、最高必要限度，支撑这套转化体系实现极致性能。
我所说的 “最低冗余”，指所有非核心业务环节，我们都会通过生态合作、外包协同的方式交由合作伙伴完成，纳入自身生态体系。
放眼当下，英伟达拥有业内规模最庞大的合作伙伴生态，覆盖上下游供应链、整机厂商、应用开发者、大模型研发企业等全链条。
人工智能可以比作五层叠加的分层产业体系，我们的生态布局贯穿全部五层，始终坚持 “只做核心必要业务” 的原则。
但不得不说，我们必须自研深耕的核心业务，难度极高，绝对不可能被商品化。
除此之外，我也不认同多数企业软件公司的商业模式会走向衰退。如今绝大多数软件厂商本质都是工具供应商，少数企业专注工作流与标准化系统搭建。
Excel、PowerPoint 是工具，Cadence（楷登）、新思科技同样以EDA工具研发为核心。
我的判断和市场主流观点完全相反：AI 智能体的数量会呈指数级爆发，工具使用者规模同步暴涨，各类工业软件、研发工具的部署体量也会迎来井喷。
举个例子，新思科技的AI设计编译工具、芯片布局规划软件、版图设计工具、设计规则检测工具，未来的部署规模都会大幅增长。
过去这类工具的使用规模，受限于工程师的人力数量；未来，工程师会由海量 AI 智能体辅助协同，人类能够前所未有的广度探索设计边界，并且持续沿用当下成熟的工业工具。
因此我认为，AI 智能体的普及，会带动工具类软件企业的业绩与估值迎来爆发。
目前这一趋势尚未落地，核心原因是现阶段 AI 智能体熟练使用专业工具的能力仍有欠缺。
后续要么是软件厂商自主研发适配的专属智能体，要么是通用 AI 能力持续迭代、最终适配各类专业工具，大概率会是两种路径并行发展。
随后，主持人问：我注意到，英伟达最新财报披露，已与晶圆厂、存储厂商、封装企业达成近千亿美元的长期采购承诺；而半导体行业分析机构预测，这类长期锁量采购的总规模，后续会达到2500亿美元。外界有一种解读：英伟达的核心战略，是提前锁定未来数年全球稀缺的芯片核心零部件。即便其他企业能够自研 AI 加速芯片，也很难拿到配套内存、逻辑芯片等关键物料，无法完成量产落地。这正是英伟达未来数年最核心的竞争壁垒与战略布局。
黄仁勋：
这确实是我们的核心优势之一，也是其他企业难以复刻的能力。
我们在产业链上游做出了海量长期投入与采购承诺，既有公开明确的硬性协议，也有隐性的生态绑定。
多年来，我持续向全产业链上游企业的管理层传递行业判断、拆解 AI 产业的长期规模、梳理发展逻辑、分享我们的前沿洞察。
通过持续沟通、理念共识与价值绑定，上游厂商才愿意提前加码产能投资。
而他们优先选择与英伟达合作、而非其他企业，核心原因很简单：我们具备大规模采购消化产能的能力，同时依托庞大的下游生态与需求，帮助上游厂商稳定营收。
英伟达庞大的下游供应链与海量市场需求，是上游厂商敢于长期重资产投入的底气。
就像 GTC 大会，外界只会惊叹于它的规模与参会体量，但本质上，这是一场覆盖全 AI 产业的全景生态盛会。
上下游企业、全产业链参与者齐聚一堂，彼此对接资源、同步行业进展；我主动整合各方资源，让上游看见下游需求、让下游理解上游产能规划，让所有人同步 AI 技术迭代成果。
更重要的是，所有参会者能够直面 AI 原生企业、初创公司，直观看到 AI 落地的各类创新应用与产业变革，切身验证我对行业的长期判断。
我长期投入大量时间，直接或间接向供应链伙伴、生态合作方传递行业机遇。
很多人觉得我的主题演讲只是接连发布新品、公布技术更新，但实际上，我的演讲中始终包含产业科普与趋势解读的内容，这是我刻意设计的核心环节。
我必须确保上下游全产业链、整个生态体系，都能清晰认知行业未来趋势、变革动因、落地时间与市场规模，像我们一样形成系统化、理性的长期判断。
依托这套布局，我们才有能力为未来提前铺路。
倘若未来数年 AI 产业达到万亿级规模，我们提前布局的供应链，足以支撑业务高速增长。
企业发展离不开现金流，产业运转同样离不开供应链流转与产能周转。
没有企业会为短期性、低周转的技术架构投入重资产搭建供应链。
英伟达能够持续支撑超大算力规模，唯一核心支撑，就是极致庞大的下游需求，这一点全产业链都有目共睹。
正是基于这样的底层逻辑，我们才有能力持续落地超大体量的产业布局与技术研发。
我们是在超大基数之上，持续实现规模翻倍增长，增长难度可想而知。
客观来说，现阶段全球上下游的瞬时算力需求，已经全面超越现有供给能力。
产业发展会阶段性受限于各类细分环节的人力与产能，这种情况确实客观存在。
主持人问：既然英伟达已经垄断先进制程的绝大部分产能，如何持续保持每年翻倍的算力扩张？当下是否已经进入瓶颈期，受上游产能限制，AI 算力的增速必然放缓？行业该如何实现晶圆厂产能的逐年翻倍扩张？这是所有企业最终要面对的问题。业内都在调侃，明年 GTC 的核心紧缺岗位，就是基建配套的工程人员。
黄仁勋进一步解释：
当前存在一个良性的行业特征：瞬时需求大于整体供给，是优质赛道的核心标志。
供需严重失衡固然会带来短期压力，但完全供过于求的行业，发展前景只会更加黯淡。
如果某一个单一零部件、细分材料出现严重短缺，全产业会集中资源攻坚补短板。
举个例子，此前行业很少讨论CoWoS封装技术，原因在于过去两年，全产业集中发力扩产、多轮翻倍投入，如今CoWoS产能已经趋于稳定。
台积电也明确意识到，CoWoS封装必须同步匹配逻辑芯片、内存芯片的需求增速，因此正在持续扩产，同时同步升级下一代封装技术，进度与先进制程保持一致，这对整个行业至关重要。
过去，HBM高带宽内存、高端封装都属于小众定制化产品；而如今，它们已经成为全球通用的主流计算硬件。
相比 AI 产业起步初期，如今我们对整条供应链的影响力与掌控力，已经大幅提升。
五年前我提出的所有行业判断与技术布局构想，如今正在逐一落地。
当时只有少数企业愿意相信并加码投资，美光就是典型代表，我至今清晰记得当年的沟通会议。
我们精准预判了行业走向，美光坚定加码布局，双方围绕 LPDDR、HBM 内存深度合作，这笔长期投资最终为其带来了爆发式增长。
还有很多企业入局较晚，但如今也已全面跟进布局。
行业每一轮技术迭代、每一个产能瓶颈，都会获得全产业的重点关注。
现在我们的策略，是提前数年预判潜在瓶颈、前置布局。
过去数年，我们围绕硅光技术，与合作企业、生态伙伴持续投入，联合企业深度协作，彻底重塑了硅光领域的产业生态与供应链体系。
在硅光赛道，我们依托台积电搭建了完整的配套供应链，联合研发多项原创技术，同时将相关专利开放授权给全行业，维持生态的开放性。
通过自研新技术、革新工作流程、研发全新检测设备、布局双面探针测试、战略投资细分企业、助力合作方产能爬坡等方式，提前完善供应链配套，为大规模算力落地铺路。
我们一直在主动塑造产业生态，确保整条供应链能够匹配未来超大算力规模的落地需求。
不过，硬件产能的短期快速扩张确实存在难度，但这类瓶颈的解决周期，普遍只需要两到三年。
只要下游释放明确、长期的刚需信号，产能扩张就会快速落地：能造出第一台设备，就能量产十台；能量产十台，就能规模化铺开。硬件设备的规模化复制，本身不存在底层技术壁垒。
我们的布局分为直接合作与间接联动两种模式。部分核心环节会直接深度绑定；更多时候，我们通过推动台积电等核心代工厂，同步向上游设备厂传递长期需求。
只要台积电确认长期扩产规划，未来数年的光刻机供给就会得到充分保障。
所有硬件层面的产能瓶颈，都不会长期持续，基本两到三年就能完全化解。
与此同时，我们还在持续通过技术迭代提升算力效率：从 Hopper 架构到 Blackwell 架构，算力能效提升10至20倍，部分场景甚至达到30至50倍。
这些技术层面的突破，完全不会让我产生焦虑。
真正需要警惕的，是算力下游的配套限制，比如能源政策。
任何产业的落地都离不开能源支撑，全新的高端制造产业、AI 算力产业，更是需要稳定充足的能源供给。
当下美国正在推进制造业回流，计划重启芯片制造、计算机组装、封装产业，同步布局新能源汽车、机器人、AI 算力工厂等新兴赛道。
但所有产业落地的前提，都是充足的能源。
芯片产能扩张、高端封装产能建设，都只需要两到三年就能完成落地；唯有能源体系的升级改造，周期漫长、难度更高。
谈到矩阵运算话题，黄仁勋表示：
矩阵运算固然是 AI 的核心基础，但绝非全部。
如果想要研发全新的注意力机制、拆分重构模型架构、设计混合 SSM 架构、融合扩散模型与自回归模型，或是探索各类创新算法，都需要高度可编程、高灵活性的算力架构。
英伟达 GPU 能够支撑所有前沿算法研发与架构创新，这是封闭定制化芯片做不到的。
算法的持续迭代，才是 AI 技术高速发展的核心动力。
摩尔定律每年只能带来约 25% 的硬件性能提升，想要实现十倍、百倍的性能飞跃，只能依靠底层算法与计算架构的颠覆性创新。
这正是英伟达的核心壁垒。
Blackwell 架构相比 Hopper 架构能效提升的突破，就是最好的证明：我最初公布的提升幅度是 35 倍，后续实测验证达到 50 倍。
这种级别的性能飞跃，单纯依靠制程迭代完全不可能实现，核心源于模型架构重构、混合并行计算、算力拆分分布式部署等软件与硬件协同优化。
依托 CUDA 生态，研发人员能够自定义核心算子、优化底层代码，实现极致定制化优化，这是封闭架构无法复刻的。
除此之外，英伟达坚持软硬件深度协同设计，能够将部分计算任务下沉至互联架构，结合高速互联总线，打通芯片、整机、网络、软件库、算法的全链路优化。
脱离 CUDA 生态，这套全链路协同优化体系根本无从搭建。
谈失误：当年我低估顶尖AI大模型资金门槛，错失投资Anthropic
主持人谈到关键话题：当下全球顶级大模型中，Claude、Gemini两大模型均基于谷歌TPU进行训练，这一趋势会对英伟达的长期发展造成哪些影响？
黄仁勋：
英伟达的产品定位，和 TPU 有着本质区别：我们打造的是通用加速计算体系，而非单一的张量处理器。
加速计算的应用场景极其广泛，涵盖分子动力学、量子色动力学、结构化与非结构化数据处理、流体力学、粒子物理等科研领域，人工智能只是其中一大核心场景。
虽然AI是当下行业焦点、影响力巨大，但计算产业的边界远比 AI 更广阔。
英伟达的核心变革，是将传统通用计算，升级为高效的加速计算模式，覆盖全行业应用。
我们的市场覆盖范围、落地场景，是 TPU、各类定制 ASIC 芯片无法比拟的。
放眼全球，英伟达是唯一一家能够全场景应用加速计算的企业，拥有海量生态框架与自研算法适配。
我们的硬件产品主打开放适配，任何企业、机构都能独立部署运维；反观谷歌等自研算力体系，高度封闭，仅适配自身业务，运维门槛极高。
目前英伟达算力已经全面入驻全球主流云厂商，包括谷歌云、亚马逊云、微软 Azure、甲骨文云等。
无论是按需租用云算力，还是自建本地算力集群，英伟达都能提供完整解决方案。
如果选择租用算力，我们庞大的跨行业客户生态，能够保障算力资源持续消化；如果企业选择自建算力，我们同样能提供全流程技术支持，适配不同行业需求。
举例来说，礼来制药可以依托英伟达算力搭建超算中心，用于新药研发、生物科学研究。
这类多元化落地场景，是TPU完全无法覆盖的。
英伟达的CUDA生态，本身就具备顶级张量计算能力，同时覆盖数据处理、模型训练、推理部署等全生命周期计算需求。
我们的市场空间、业务边界、生态体量，都具备绝对优势，几乎适配全球所有应用软件与科研场景。
企业部署英伟达硬件，无需担心适配问题，天然拥有海量潜在客户，这就是我们的核心差异化优势。
对于主持人问到的另一个关键问题：英伟达的核心客户结构中，五大超大规模科技企业贡献了 60% 以上的营收。早期 AI 研发以高校、科研机构为主，高度依赖 CUDA 生态，无法脱离英伟达算力；但当下头部超算企业资金雄厚，完全有能力自研底层算子、定制化优化算力架构。Anthropic、谷歌核心采用自研加速芯片，即便使用 GPU，也会基于 Triton 框架重构底层代码，抛弃通用组件，搭建专属技术栈。如果核心大客户都具备自研适配、替代通用算力的能力，英伟达凭借 CUDA 构建的护城河，还能否持续主导前沿 AI 研发？
黄仁勋直接表示：
CUDA 的核心价值，在于庞大且成熟的全栈生态。
开发者优先基于 CUDA 开发模型，是绝对理性的选择：生态覆盖全品类框架，适配所有主流研发工具。
我们深度参与 Triton 框架的研发迭代，为其后端提供大量英伟达核心技术支持，全力适配各类第三方框架。
当下大模型后训练、强化学习赛道高速爆发，全新框架层出不穷，而 CUDA 能够无缝兼容所有新技术体系。
其次，成熟的生态能够大幅降低研发排错成本。
搭建复杂 AI 系统时，代码报错难以避免，完善的底层生态能够帮研发者快速定位问题：区分自定义代码 bug 与底层硬件、框架漏洞。
英伟达软硬件经过长期大规模落地验证，稳定性与兼容性具备绝对优势，能够为上层研发提供可靠底座。
第二大核心优势，是海量存量装机规模。
开发者研发模型与工具，最终需要规模化部署落地，必然要求硬件具备广泛适配性。
英伟达 GPU 覆盖全代际、全规格产品，全面入驻全球云厂商、本地数据中心、边缘设备，机器人、终端设备等场景也深度渗透。
一旦基于 CUDA 完成模型开发，就能实现全场景部署复用，极大降低落地成本，这是任何封闭自研架构都无法比拟的。
最后，全云厂商全覆盖的布局，是英伟达独一无二的优势。
AI 企业与开发者无法固定单一云厂商，而英伟达算力能够适配公有云、私有云、本地部署等所有模式，灵活适配企业多元化需求。
生态完善度、装机覆盖规模、全场景适配能力，三者结合，共同构筑了 CUDA 不可替代的核心价值。
英伟达专门组建了大规模专属技术团队，深度对接头部 AI 实验室，一对一优化客户专属技术栈。
我们比任何外部企业都更了解自身硬件架构，能够帮助客户实现算力二次翻倍，特定算子、模型的优化幅度甚至达到2至3倍。
CPU可以比作家用豪华轿车，通用性强、操作简单、门槛极低；
而英伟达 GPU 更像是F1赛车，极限性能极强，想要发挥全部潜力，需要专业技术与深度优化。
即便客户具备自研能力，也很难仅凭自身团队挖掘硬件全部性能。
我们同样会运用AI技术优化底层算子，持续拉大通用方案与定制优化方案的性能差距。
长期来看，头部AI企业依然高度依赖英伟达的技术协同。
放眼全球，没有任何一家企业的计算集群，能够在性能、总体拥有成本上超越英伟达方案，各类公开基准测试都已验证这一点。
行业推理基准工具 Inference Max 完全公开，但没有任何一款 TPU、自研芯片能够拿出对标级别的成本与性能数据。
我们欢迎所有竞品公开训练、推理的实测数据，对标比拼成本优势，但至今无人响应。
英伟达能够长期维持高毛利，核心源于极致的综合成本优势与全链路优化能力。
另外需要纠正一个认知：五大超算企业贡献的营收中，绝大多数来自对外云服务，而非自身业务自用。
亚马逊云、Azure、甲骨文云采购英伟达硬件，核心是为了服务全球各行各业的外部客户。
这些云厂商选择英伟达，本质是看中我们庞大的生态与客户资源，能够帮助他们吸引全球 AI 企业、开发者入驻。
数万级别的 AI 初创企业、科研团队，都会优先选择英伟达生态搭建业务，这就是稳固的商业飞轮。
而对于AI初创企业而言，硬件选型的核心标准永远是：市场存量最大、生态最完善、落地门槛最低。
这就是英伟达的正向飞轮：
第一，单位算力成本、tokens生成成本行业最低；
第二，单位功耗产出算力全球第一，能够帮助超大规模数据中心最大化营收与产出；
第三，开放的硬件生态，能够吸引全球海量客户，保障云厂商、算力合作方的业务稳定性。
多重优势叠加，共同构筑了不可复制的行业壁垒。
主持人继续追问Anthropic官宣与博通、谷歌深度合作的话题：我结合现实现象提问，抛开理论优势，近期 Anthropic 官宣与博通、谷歌深度合作，大规模采用 TPU 集群作为核心训练算力；谷歌更是全面自研 TPU，实现算力自给。曾经前沿大模型清一色基于英伟达 GPU 训练，如今多元算力架构快速崛起，这一趋势该如何解读？既然英伟达软硬件综合优势客观存在，为何头部企业会主动选择竞品架构？
黄仁勋回应称：
Anthropic 是极个别的特殊案例，并非行业普遍趋势。
脱离 Anthropic 来看，TPU 的市场需求与产业规模，很难独立支撑增长，高度依赖单一客户。
整个 ASIC 定制芯片赛道，并没有出现全面爆发的趋势，仅此一家特例无法代表行业走向。
再看 OpenAI 与 AMD 的合作、自研加速芯片项目：即便布局多元算力，其核心算力集群依然以英伟达为主，双方的深度合作也会长期持续。
我们完全尊重竞品布局，行业良性竞争能够倒逼技术迭代，持续巩固我们的产品力。
各类自研芯片项目层出不穷，但最终能够实现规模化落地、全面超越英伟达的产品，至今尚未出现。
英伟达常年保持每年一代的技术跨越式迭代，持续拉大技术差距，这是其他企业难以复刻的节奏。
不能只看英伟达的高毛利率，就片面认定硬件溢价过高。
定制 ASIC 芯片的厂商，自身同样维持着极高的利润率。
长期来看，供应链成本、研发投入、技术迭代成本最终都会转嫁，不存在单方面的成本优势。
还有一个关键历史因素：AI 产业早期，我们并未预判到头部大模型实验室需要千亿级别的重资产投资。
谷歌、亚马逊云早期通过战略投资绑定 Anthropic，以资本换取算力采购绑定，这是我们早期错失的布局机会。
受限于当时的企业体量与战略节奏，我们无法拿出数百亿级别资金，战略投资头部 AI 实验室。
这是我当年的战略失误：低估了顶级大模型实验室的资金门槛，原本依赖风险投资的行业，最终需要算力厂商的大额战略输血。
即便提前预判，以当时英伟达的体量，也无法支撑千亿级别的产业投资。
但同样的错误不会再犯。
如今我们已经战略投资OpenAI，全面助力其算力扩容；后续Anthropic寻求合作时，我们也主动参与投资、提供技术支持。
如果时光倒流，以英伟达如今的体量与现金流，我们一定会更早入局，绑定头部 AI 原生企业。
我们的布局节奏，完全依托自身发展能力。
只要能力允许，我们就会第一时间落地产业投资；
当年 Anthropic 寻求战略合作时，我们确实不具备大规模投资的能力，整体战略节奏也尚未成熟。
既是现金流限制，也是战略理念因素。
早年英伟达极少开展大规模对外战略投资，没有成熟的外部投资体系。
我一直默认，科技企业的常规发展路径，都是依托风险投资市场融资。
但大模型赛道完全打破了这套规则，OpenAI、Anthropic这类企业的发展需求，早已超出传统风投的承载能力，这也是它们选择绑定算力巨头的核心原因。
我如今完全理解这套逻辑，但当年认知存在短板。
即便如此，我也认可当下的行业格局，Anthropic 的存在丰富了行业生态，对全球 AI 发展具备积极意义。
主持人继续问：英伟达现金流持续暴涨，营收季度创新高，当下手握海量闲置资金。外界普遍好奇，英伟达该如何规划这笔巨额资金？当下行业诞生了大量中间服务商，专门承接算力重资产投入，为 AI 实验室提供算力租赁服务。高端芯片造价高昂，但大模型迭代能够持续提升tokens价值，算力集群的长期回报率极高。英伟达已经通过战略投资布局算力生态，为何不亲自下场，自建云服务、打造超大规模算力集群，直接入局超算企业赛道？
黄仁勋称：
这是英伟达长期坚守的企业哲学：有所为，有所不为，只做核心刚需业务，最小化业务冗余。
我们只深耕不可替代的核心领域：如果英伟达放弃研发加速计算架构、放弃互联生态搭建、放弃 CUDA 全栈布局、放弃长达二十年的长期技术投入，整个加速计算产业都会停滞不前，没有任何企业能够替代我们完成这些工作。
无论是光线追踪、图像生成、早期 AI 研发、数据处理、计算光刻等细分领域的专用软件库，都是英伟达长期自研沉淀的成果。
这些底层基础技术，没有商业企业会主动投入长期亏损式研发，而这正是我们的核心使命。
公有云服务赛道已经高度成熟，现有厂商完全能够满足市场需求，英伟达没有必要重复入局、冗余竞争。
我们的生态投资，核心目标不是跨界做金融、做云服务，而是扶持 AI 原生云厂商、新兴算力企业，完善产业生态。
助力 CoreWeave、Crusoe、Lambda 等新兴算力企业成长，能够丰富算力供给体系，扩大英伟达硬件的落地场景，巩固全行业生态优势。
同时我们坚持投资多元化基础模型企业，不刻意扶持单一头部玩家，不押注单一技术路线。
那么，为何坚持不挑选赢家、不绑定单一头部企业？
黄仁勋进一步解释：
第一，跨界垄断、定向绑定并非我们的企业使命。
第二，我亲身经历过行业洗牌，深知赛道格局充满不确定性。
英伟达初创时期，全球有 60 多家图形芯片企业，最终只有我们存活下来。
以当年的行业视角来看，英伟达的架构设计完全偏离主流，不被市场看好，几乎是公认的淘汰选手。
正是基于这段经历，我始终保持敬畏与谦逊：永远不要预判行业赢家，不要低估任何一家创新企业的潜力。
与其定向绑定，不如赋能全行业、扶持所有创新主体。
我们只会主动赋能有清晰商业模式、核心技术、创业热情与落地能力的企业。
新兴企业主动寻求合作、提出合理需求后，我们会通过技术支持、生态开放、适度战略投资，帮助其渡过初创瓶颈。
但我们不会跨界转型，不会亲自下场做金融放贷、做重资产运营。
市场有专业的金融机构、投资机构，英伟达的核心是做好算力底座、技术研发，与全行业合作伙伴协同分工。
只有在头部 AI 实验室这类关乎行业全局、具备战略价值的企业面临资金缺口时，我们才会启动大额战略投资。
所有投资动作，都是基于产业刚需，而非盲目扩张业务边界，始终坚守 “最少冗余” 的核心原则。
主持人则问了网上传闻：全球 GPU 短缺已经持续多年，AI 模型迭代进一步加剧了供需矛盾。业内普遍认为，英伟达的稀缺算力分配，并非简单价高者得，而是会刻意倾斜资源，扶持新兴 AI 云厂商，平衡市场格局。比如向CoreWeave、Crusoe、Lambda 等企业定向分配算力。想问问你是否认可这种说法？这种分配模式，对英伟达的长期价值是什么？
黄仁勋对此表示：
你的前提描述并不准确。
我们对算力分配、产能规划保持高度理性与审慎。
产能交付的核心前提是采购订单，所有硬件生产周期漫长，数据中心建设、整机部署同样需要周期。
我们的核心工作，是与全行业客户协同预判需求、同步产能规划，以供需平衡为第一目标。
在订单充足的前提下，整体交付遵循先到先得原则。
如果客户的数据中心尚未完工、配套设施不完善，无法快速落地部署，我们会动态调整交付顺序，优先保障具备落地条件的客户，最大化产能利用效率。
网络上流传的各类谣言毫无依据，比如我与马斯克、拉里会面，对方跪求 GPU 资源，完全是虚假信息。
会面属实，但从未出现索要、跪求算力的情况，所有合作都是基于正式采购订单推进，流程规范透明。
英伟达的产能分配体系，不存在特殊倾斜，核心就是订单优先、落地能力优先。
英伟达完全放弃价高者得的盈利模式。
单纯哄抬价格、随行就市涨价，是短视的商业行为，绝非长久之计。
我们坚持定价稳定、规则透明，确定售价后统一执行，不会因为供需失衡随意涨价。
芯片行业部分企业会在需求暴涨时上调价格，但这从来不是英伟达的经营理念。
我们的核心目标，是成为全球 AI 产业稳定、可靠的核心底座，让全行业能够稳定预判成本、规划发展，无需担心价格暴涨、资源垄断。
稳定、可预判、可持续，是英伟达的核心标签。
我们的技术迭代节奏完全可预期，一代代产品有序落地，节奏清晰。
放眼全球，没有任何一家ASIC芯片企业，能够给到客户如此稳定的长期技术承诺与迭代规划。
无论是百亿级超算集群，还是单台服务器、消费级显卡，英伟达都能提供稳定供货与技术支持。
我可以用同样的评价形容台积电：全球仅此一家，能够支撑超大制程产能、稳定交付先进芯片。
英伟达的核心使命，就是成为全球 AI 产业的基石，这份行业地位，是数十年持续投入与稳定经营沉淀而来。
谈中国市场：英伟达不会放弃竞争
这次，Dwarkesh Patel问了很多关于出口管制、英伟达在中国市场等话题，我拆解其中能放出来的信息点，简单用原文呈现黄仁勋对于中国市场的观点。
黄仁勋：
我们需要认清客观现实：中国掌握全球 60% 以上的主流芯片制造产能，科研人才储备雄厚，拥有全球半数以上的 AI 研究员。
单纯依靠芯片出口限制，无法彻底封锁科技的发展。
在这样的背景下，刻意对立、技术封锁，绝非全球安全的最优解。
美国的核心目标是保持技术领先，但理性的科研交流、行业对话，才是管控 AI 安全风险的关键。
当下中美AI研究领域的沟通近乎断裂，这是巨大的隐患。
双方需要共同划定AI技术的使用边界，明确网络攻防、漏洞挖掘等高危场景的约束规则。
漏洞挖掘本身是AI的正向应用，能够帮助企业修复安全隐患、提升系统防护能力。
未来必然会形成完善的AI安全生态：顶尖大模型之外，会诞生海量专用安全 AI 智能体，全方位监控风险、抵御恶意攻击。
开源生态、开源模型、开放技术栈，是AI安全体系落地的核心基础。
中国在全球开源生态、开源模型研发中贡献巨大，刻意打压、封锁，会破坏全球 AI 安全体系的构建。
聚焦中美竞争，美国需要最大化自身算力优势，但能源短缺是核心短板。
因此英伟达持续迭代高能效架构，用有限的能源，产出极致算力。
而中国的核心优势是能源充足、基建完善，即便制程相对落后，也能通过大规模集群堆叠，弥补单芯片性能差距。
我们绝对不能推动两套完全割裂的技术生态：一套美国主导、一套中国自主，这会成为美国科技长期发展的重大隐患。
美国保持领先、算力规模领跑全球，是必然目标，我们也在全力推动这一目标落地。
但无需极端化看待问题，中国并非零算力、零 AI 研发能力，现有算力储备，已经足以支撑高危模型的研发需求。
AI 是分层产业体系，能源、算力、算法、人才、应用层层关联。
美国能源稀缺，倒逼我们追求极致能效；能源充裕的地区，可以通过规模化硬件堆叠，抵消单芯片制程差距。
制程芯片的性能完全对标英伟达Hopper架构，而当下绝大多数主流大模型，本身就是基于Hopper架构训练落地。
中国充足的电力储备、空置数据中心、完善的硬件制造产能，都是不可忽视的核心优势。
单纯依靠制程封锁，无法从根本上限制 AI 技术发展。
而带宽与互联能力，并非只有先进制程一种解决方案。
更重要的是，顶尖算法人才的创新能力，能够突破硬件限制。
摩尔定律增速有限，但算法优化、架构创新能够带来数十倍的性能提升。
DeepSeek等中国开源大模型的快速迭代，已经证明了这一点。
如果未来大量优质开源模型，全面优化适配中国本土硬件，形成独立生态，会直接冲击美国技术栈的全球主导地位，这才是更大的长期风险。
模型一旦深度适配特定硬件架构，底层算子、计算逻辑都会深度绑定，跨平台迁移的成本极高、性能损耗巨大。
长期来看，模型生态会跟随硬件生态分化，这是行业客观规律。
英伟达的全球领先，正是依托软硬件深度适配的生态壁垒。
如果全球主流开源模型，优先优化本土硬件、脱离美国技术栈，美国的科技主导权会持续弱化。
跨架构适配必然伴随性能损耗，深度优化的原生架构，永远具备极致优势。
这是最基础的行业逻辑，英伟达的成功就是最好的佐证。
我们不能将芯片、算力简单等同于核武器、浓缩铀这类高危管控物资。
芯片是通用计算硬件，中国本身具备大规模自主制造能力，封锁无法实现绝对管控。
英伟达主动放弃中国市场，只会加速本土芯片产业迭代成熟，彻底脱离美国技术生态，这对美国芯片产业、科技领导力，才是更大的伤害。
不可否认，我们的硬件综合体验、生态完善度更优，但差距并非不可逾越。
长期出口管控，已经让英伟达在中国市场的份额大幅下滑，同时倒逼本土芯片企业实现突破，华为就是典型代表，出货量与营收创下历史新高。
主动让出全球第二大科技市场，牺牲美国芯片产业的全球竞争力，只为规避极端化的安全风险，得不偿失，更不符合国家长期利益。
没有最优选择时，用户会选择次优方案，这是基本市场逻辑。
英伟达的优势，是更好的生态、更低的开发门槛、更完善的全栈优化；
一旦彻底断供，对方只能依托本土硬件艰难发展，最终形成完全割裂的技术生态，这才是最大的隐患。
保持有限度的市场竞争，依托开放生态绑定全球开发者，才是维持美国技术主导权的关键。
当下全球半数 AI 开发者聚集在中国，主动放弃这批开发者、放弃庞大市场，是短视的战略决策。
计算生态的迁移成本极高，X86、ARM 能够长期主导市场，核心就是生态粘性。
英伟达数十年沉淀的CUDA生态，绝非短期能够复刻。
我们的核心战略，是持续优化产品、迭代技术，在开放竞争中守住优势，而非依靠政策封锁规避竞争。
封闭保守的思维，只会让美国科技产业丧失全球竞争力。
主持人问：那么，开放AI芯片进出口呢？
黄仁勋继续解释：
我认可短期的潜在风险，但需要正视长期的战略代价：
彻底封锁会倒逼对方完善自主生态，未来全球 AI 模型、开发标准、软件体系全面分化，美国技术栈的全球影响力会持续下滑。
AI 分为五层产业体系，任何一层的全面失守，都会引发连锁反应。
相比小众的高危模型研发，AI 应用层的全球主导权、科技标准制定权，战略价值更高。
过度放大单一安全风险、采取极端化管控，会阻碍 AI 产业良性发展，甚至引发全社会的 AI 恐慌。
就像当年医疗行业恐慌 AI 取代放射科医生，最终反而导致人才短缺，违背发展初衷。
看待产业问题，需要理性平衡短期风险与长期战略，拒绝非黑即白的极端思维。
制程迭代的性能差距，被严重高估。
从 Hopper 到 Blackwell，制程带来的硬件性能提升仅有 75%，而架构、算法、互联优化带来的能效提升达到 50 倍。
芯片半导体工艺只是底层基础，计算架构、软件生态、算法创新、高速互联，才是决定 AI 算力上限的核心因素。
单纯依靠先进制程封锁，无法限制 AI 发展，反而会倒逼对方探索差异化技术路线。
AI不会被替代，加速计算才是未来
黄仁勋坦言：
事实上，我最关注、也是最难解决的瓶颈，恰恰是基建工人、电工这类基础人力缺口。
这也能回应当下盛行的 “AI 取代人类、大规模失业” 的悲观论调。
如果全社会刻意劝退年轻人投身工程、技术类实操岗位，未来必然会面临严重的人才缺口。
十年前就有悲观论调宣称，放射科医生会率先被 AI 淘汰，这类言论至今仍在网络流传。
但现实恰恰相反：如今全球放射科医生缺口巨大，人力严重不足。
主持人继续问：英伟达已经垄断台积电 N3 先进制程的大部分产能，未来会进一步抢占 N2 工艺份额。在先进制程产能见顶的背景下，英伟达是否会反向复用老旧成熟制程，大规模复刻 Hopper 这类经典架构，通过成熟制程扩产，填补算力缺口？这套方案，能否在 2030 年前落地？
黄仁勋表示：
短期内无需复用老旧制程，每一代新架构的升级，都是全链路优化，不局限于晶体管密度。
封装技术、芯片堆叠、数值计算、系统架构的协同优化，能够持续挖掘算力潜力。
只有在先进制程产能彻底触顶、毫无扩张空间的极端前提下，我们才会考虑复用七纳米成熟制程复刻经典架构。
如果行业长期面临产能枯竭，我会毫不犹豫落地这套方案。
我们并非没有探索多元架构，所有差异化方案都会在内部仿真验证、对比测试。
最终没有落地的核心原因很简单：综合性能、成本、适配性，都不如现有架构。
我们会持续监控算力负载变化、行业需求迭代，随时调整研发方向。
近期我们已经新增 Grok 架构适配，纳入 CUDA 生态体系，丰富产品矩阵。
随着tokens价值提升、推理场景细分，行业诞生了全新的需求：高响应速度、低延迟的轻量化推理算力。
过往行业只追求高吞吐量，而当下实时交互、AI 智能体协作等场景，需要差异化算力支撑。
基于市场新需求，我们正在拓展算力产品边界，覆盖不同定价、不同性能的细分场景。
但核心主架构的研发，依然会集中资源、聚焦深耕，最大化研发效率。
最后，主持人问了一个灵魂问题：如果深度学习革命从未爆发，英伟达如今会是什么样子？
黄仁勋再次打起了广告：
即便没有 AI，英伟达的核心赛道也不会改变：加速计算。
公司创立的核心逻辑，就是看透通用计算的局限性：传统 CPU 通用性强，但在高强度、专业化计算场景效率极低。
我们通过 GPU+CUDA 架构，实现计算任务拆分，将高负载、高复杂度的算子卸载到加速芯片，实现应用数十倍、上百倍的性能飞跃。
加速计算的应用场景遍布各行各业：分子动力学、能源勘探地震模拟、粒子物理、流体力学、结构化与非结构化数据处理、计算机图形学等。
AI 只是加速计算的其中一个核心落地场景。
依托专业化加速计算，英伟达即便脱离 AI 赛道，也会成长为全球顶级的科技企业。
通用计算的性能天花板早已显现，细分场景的专用加速，是全球计算产业的必然趋势。
我们最早从游戏图形加速切入，逐步拓展全行业加速计算，底层使命从未改变。
AI 的诞生让行业发展加速，但英伟达的技术布局、底层研发，长期覆盖非 AI 场景。
参观 GTC 大会就能发现，演讲内容有大量计算光刻、量子化学、科研数据处理等非 AI 内容，这些业务常年稳定运转，具备极高的产业价值。
张量计算不是计算产业的全部，我们的使命，是用加速计算，赋能全行业科研与产业升级。
热门跟贴