撰文：Techub News 整理
导语
2025 年 10 月，NVIDIA 创始人兼 CEO Jensen Huang（黄仁勋）受邀出席 Citadel Securities 举办的活动，与红杉资本合伙人 Konstantine Buhler 进行了一场深度对话。在这场面向全球顶尖机构投资者的交流中，黄仁勋回顾了 NVIDIA 从一家图形芯片公司成长为 AI 基础设施巨头的三十年历程，并分享了对于 AI 未来发展趋势、产业格局、技术挑战以及地缘政治影响的深刻见解。作为当前 AI 革命的核心架构师，他的观点对理解未来数万亿美元规模的 AI 投资方向至关重要。
摘要
- AI 工厂是产出「智能」的设施：黄仁勋重新定义了数据中心，强调其核心价值在于单位能耗所产生的「令牌」（智能）吞吐量，这直接决定了客户的收入能力。
- 从加速计算到通用平台：NVIDIA 的成功源于早期对摩尔定律极限的预判，并坚持通过 CUDA 等生态将专用加速器转变为通用计算平台。
- 生成式 AI 将重塑一切计算：未来的计算范式将从检索式转向 100% 生成式，如同人类对话一样实时产生内容，这将催生对 AI 工厂基础设施的巨量需求。
- 主权 AI 成为国家战略：每个国家都应发展基于自身数据生产国家智能的能力，而不应完全依赖外部，全球范围内主权 AI 建设正在加速。
- 机器人技术与物理 AI 是下一前沿：通用 AI 模型将能「体现」在各种物理形态中，从汽车到人形机器人，其发展依赖于训练、模拟和部署三套计算机系统。
从图形加速到 AI 革命：NVIDIA 的「第一性原理」之路
对话从 NVIDIA 的创立原点开始。1993 年，个人电脑和 CPU 革命正如火如荼，摩尔定律是硅谷的投资圣经。然而，年仅 30 岁的黄仁勋看到了不同的东西。他观察到，通用 CPU 在处理某些复杂问题时效率不足，而专用加速器可能提供更好的解决方案。更重要的是，他和联合创始人预见到晶体管微缩终将遇到物理极限，而世界需要解决的计算问题规模几乎是无限的。因此，他们决定创立 NVIDIA，专注于加速计算，作为通用计算的补充和增强。
然而，创造一个全新的计算架构面临「先有鸡还是先有蛋」的难题：没有庞大的市场，就无法支撑新平台；而没有新平台，市场也无从谈起。黄仁勋回忆了早期向红杉资本 Don Valentine 融资时的趣事，当时他将电子艺界（Electronic Arts）作为「杀手级应用」，却不知对方刚投资了这家公司，且其 CTO 年仅 14 岁。尽管如此，NVIDIA 最终成功开创并推动了现代 3D 图形游戏生态，这成为了后来一切的基础。
3D 图形本质上是对现实的模拟，其数学基础是物理仿真和线性代数。NVIDIA 意识到，将高度专用化的技术逐步通用化，是公司成长的关键路径。CUDA 的发明不仅是技术的突破，更是产品策略、市场开拓和生态系统构建的综合创新。黄仁勋强调，创造一个像 ARM 或 x86 那样被广泛使用的新计算平台极为罕见，NVIDIA 花了近 30 年才做到。
深度学习、CUDA 与 AI 工厂的诞生
时间推进到 2010 年代初期，深度学习仍处于学术边缘。2012 年 AlexNet 在 ImageNet 竞赛中的突破性表现，全部运行在 NVIDIA GPU 上。黄仁勋分享了其中的机缘与洞察：当时他本人正苦于计算机视觉技术的停滞不前，而通过「CUDA 无处不在」战略接触全球高校研究者的过程中，他结识了 Geoff Hinton、Andrew Ng、Yann LeCun 等正在攻克同一难题的顶尖学者。
NVIDIA 为此开发了关键的库——Q DNN，使得研究人员能更高效地利用 CUDA。但比看到计算机视觉性能飞跃更重要的是，NVIDIA 团队进行了更深层的推理：深度神经网络因其分层训练和反向传播的特性，可以学习几乎任何函数，成为一个通用函数逼近器。他们得出结论，大多数待解决的问题都可以融入深度学习组件。于是，NVIDIA 决定全面押注，重新构想计算栈的每一层——从芯片、系统到软件。
2016 年，NVIDIA 推出了世界上第一台 AI 超级计算机 DGX-1。黄仁勋幽默地回忆，在 GTC 大会上发布时观众反应平淡，直到他邀请 Elon Musk（埃隆·马斯克）上台。马斯克当即表示 OpenAI 这个「非营利组织」需要一台，于是黄仁勋亲自充当「外卖员」，将这台庞大的设备送到了旧金山。如今，DGX 已演变为价值数百万美元、重达两吨、功耗惊人的机架级 GPU，而更大规模的 AI 工厂 GPU 集群价值可达数百亿甚至上千亿美元。
黄仁勋解释了为何将之称为「工厂」而非数据中心：「它们正在用它赚钱。」 单位能耗的智能产出（令牌生成率）直接决定了客户的收入。因此，NVIDIA 的创新速度极快，通过全栈协同设计（算法、软件、网络、CPU、GPU），每年性能提升约 10 倍，同时驱动成本快速下降，让客户能在同一座工厂中产生更多收入。
万亿美元市场：AI 的 ROI 与未来投资方向
对于投资者关心的市场潜力和投资回报，黄仁勋给出了清晰的图景。他首先驳斥了当前 AI 热潮与 2000 年互联网泡沫的类比。他指出，当今的 AI 革命首先是对现有万亿美元规模产业的改造。例如，Meta 在 2022 年底面临苹果隐私政策冲击时，正是利用 NVIDIA GPU 驱动的 AI 推荐系统恢复了广告归因能力，市值随之回升上万亿美元。谷歌、亚马逊、TikTok 的搜索、推荐、个性化广告系统都在全面转向 AI。这构成了第一波价值数百亿美元的转型投资。
第二波是新兴的 AI 模型制造商（如 OpenAI、Anthropic、xAI 等）构建自己的 AI 工厂。第三波，也是潜力最大的，是 AI 原生应用层，特别是「智能体 AI」和物理 AI。智能体 AI 将创造数字劳动力，如软件工程师、会计师、律师、营销人员，这将触及数万亿美元的企业市场。黄仁勋透露，NVIDIA 内部已 100% 使用 AI 编码助手（如 Cursor）来增强所有工程师的工作。
物理 AI 即机器人技术。黄仁勋用一个思想实验解释其必然性：既然 AI 能生成「黄仁勋拿起瓶子喝水」的视频，那么它理应能操控机器人完成这个动作。自动驾驶汽车本质上是一个「数字司机」，其技术可以泛化到操纵机械臂、人形机器人等任何物理实体。这需要三套计算机系统：用于训练模型的 AI 工厂、用于在虚拟世界（Omniverse）中模拟学习的「实验室」计算机，以及机器人本体内的「大脑」计算机。NVIDIA 提供全部三者，并与几乎所有机器人及自动驾驶公司合作。
黄仁勋预测，未来的计算范式将彻底转向100% 生成式。他以 Perplexity AI 和 Sora 为例：前者生成的答案并非预先存储，而是实时合成；后者的每个像素、每个动作都由 AI 生成。未来的计算机将更像一个实时协作的 CEO、艺术家或诗人，根据上下文动态生成独一无二的内容。支撑这一切的，正是 AI 工厂。他认为，目前全球仅建造了价值数千亿美元的基础设施，而未来每年可能需要数万亿美元的投资。
主权 AI、地缘政治与 AI 安全
针对日益重要的主权 AI 议题，黄仁勋表达了明确观点：「没有一个国家能够承担将所有国家数据外包，然后进口自己智能的后果。」 他认为这不符合第一性原理。每个国家都应利用自身数据生产国家智能，但同时也可以进口或购买部分技术。随着开源能力和工具越来越成熟，全球各国都在推进主权 AI 建设，例如法国的 Mistral、英国的 Nscale、日本的众多公司等。
谈及对中国的出口管制，黄仁勋展现了务实而 nuanced（ nuanced）的立场。他指出，美国当然希望赢得 AI 竞赛，但政策需要平衡。中国拥有全球约 50% 的 AI 研究人员，是一个充满活力的巨大市场。他认为，让中国研究人员基于美国技术栈开发 AI 符合美国利益，完全割裂是双输。他透露，由于当前政策，NVIDIA 在中国的市场份额已从曾经的 95% 降至零，公司在所有预测中都假设中国收入为零。他希望政策能有所调整，因为「很难想象任何政策制定者会认为让美国失去全球最大市场之一是一件好事。」
关于 AI 安全，黄仁勋认为其未来将类似网络安全，需要全球社区共享漏洞和威胁情报。此外，由于 AI 的边际成本趋向于零，安全 AI 的边际成本也会趋向于零。因此，未来每个 AI 系统周围都可能被成千上万个「守护 AI」所环绕，形成多层防护。在数字世界里，安全人员的比例可能远超物理世界。
闪电问答：被低估的 KPI、技术与领导力
在对话最后的快问快答环节，黄仁勋分享了一些精辟见解：
- 最被华尔街低估的 KPI：AI 工厂的「单位能耗令牌生成率」，这直接决定了客户的收入能力。
- NVIDIA 平台最被低估的部分：不是 CUDA，而是其上层的 350 多个库，如 Q DNN、cuLitho（用于半导体制造光刻），这些是 NVIDIA 的「宝藏」。
- 被严重低估的技术：Omniverse（虚拟世界模拟平台），它对物理 AI 的训练至关重要，正席卷机器人行业。
- 影响最大的商业书籍：克莱顿·克里斯坦森（Clayton Christensen）的所有著作、阿尔·里斯（Al Ries）的《定位》、杰弗里·摩尔（Geoffrey Moore）的《跨越鸿沟》。
- 给 CIO 的 100 亿美元投资建议：立即开始实验构建自己的企业专属 AI。未来的 IT 部门将成为「智能体 AI 的 HR 部门」，负责招聘、培训和集成数字员工。
整场对话勾勒出黄仁勋清晰的思考脉络：从第一性原理出发预见趋势，通过全栈创新构建护城河，并以平台思维推动整个产业生态的演进。在他看来，AI 革命远未结束，而是刚刚拉开了万亿美元基础设施建设的序幕。
