Loading...
Loading...
NVIDIA 创始人 Jensen Huang（黄仁勋）谈下一代 AI 芯片撰文：Techub News 整理
导语
北京时间 2026 年 3 月，NVIDIA 年度技术盛会 GTC 在圣何塞 SAP 中心拉开帷幕。在创始人兼 CEO Jensen Huang（黄仁勋）的主题演讲之前，一场长达三小时的「开场秀」汇集了数十位全球顶尖的开发者、企业家、科学家和投资者。本次预热讨论由 Conviction 创始合伙人 Sarah Guo 和 Atreides Management 创始合伙人 Gavin Baker 主持，并穿插了现场记者 Tiffany Janzen 对多位嘉宾的采访。对话聚焦于加速计算如何从训练走向推理，并深入物理世界，成为重塑各行各业的基础设施。本文整理了这场高密度思想碰撞的核心观点，为读者呈现 AI 革命前沿的全景图。
摘要
加速计算已超越 AI，成为从图形渲染、数据处理到科学模拟的通用计算范式，其市场正首次扩展到设计与工程领域。
企业 AI 应用的核心挑战正从「算力约束」转向「能力约束」与「数据价值解锁」，可靠、可解释的推理结果成为关键。
推理工作负载的「解构」（如分离预填充和解码）将极大提升现有 GPU 的利用率和残值，延长基础设施生命周期，降低创新门槛。
物理 AI（机器人、自动驾驶）是下一个爆发点，其发展路径将从结构化的企业场景逐步走向非结构化的消费场景，安全与仿真验证至关重要。
专业化、多智能体协作的 AI 模式（如医疗领域的数字孪生专家）将成为复杂领域的主流，推动知识工作范式变革。
加速计算：从专用引擎到通用基础设施
摩根士丹利董事总经理 Mark Edelstone 作为当年 NVIDIA 上市的分析师，回顾了公司的崛起之路。他指出，NVIDIA 早期就确立了构建「平台」的愿景，即结合架构、算法和软件兼容性，并通过「三支团队应对两个产品周期」的研发节奏，在激烈的图形芯片竞争中建立了持续领先的能力。这种平台思维后来顺利过渡到加速计算领域。
IBM 软件高级副总裁 Desh Nirmal 从数据演进的视角解读了 AI 平台化。他认为，数据正从过去的「终点」（存储在数据库中等待查询），演变为今天的「工具」（通过多种接口访问），并即将成为明天的「代码」或「技能」。未来，企业将能通过自然语言指令，动态生成处理特定数据任务的程序，从而实现前所未有的灵活性和规模。企业 90% 的数据是非结构化的，如何将其与交易数据关联并提取价值，是生成式 AI 落地的核心。
Palantir 美国政府业务总裁兼 CTO Akash “Aki” Jain 分享了该公司从数据治理走向 AI 应用的经验。Palantir 的起点是帮助人类团队像软件工程团队一样协同处理数据。随着计算机视觉等 AI 技术因 NVIDIA GPU 和 CUDA 而变得实用，Palantir 开始将这些能力用于关键任务，例如利用视频、音频等非结构化数据保障军事人员安全。如今，随着生成式 AI 的成熟，焦点转向如何安全、受控地将「AI 队友」接入人类工作流，实现规模化的成果加速。Aki 提出了一个有趣的观点：组织的规模限制因素正从「神经元」（人力）转向「电子」（算力）。
Cadence 总裁兼 CEO Anirudh Devgan 则从芯片设计这一基石领域阐述了 AI 的影响。他将其比喻为一个三层蛋糕：顶层是智能体 AI，中间是物理、化学等「地面实况」真理，底层是计算与数据。成功的应用需要垂直切下整个蛋糕。在芯片设计领域，智能体 AI 已能自动生成寄存器传输语言代码和测试平台，而底层强大的算力（如 GPU）使得仿真速度和规模达到过去难以想象的水平。尽管设计工具效率已提升百倍，但芯片复杂性的指数级增长要求工具性能必须再提升十倍，AI 正是实现这一目标的关键。
AI 基础设施：构建全球智能的「五层蛋糕」
戴尔科技创始人、董事长兼 CEO Michael Dell 指出，计算将无处不在，从边缘设备到超大规模数据中心。戴尔推出的 AI 工厂和数据平台，核心在于解决数据编排问题，以极快的速度向 GPU 输送数据。他特别强调，随着多智能体系统和复杂查询的出现，KV 缓存等分层内存系统变得至关重要，内存和存储数据的增长速度甚至可能超过算力本身。解锁企业内从未被使用的「冷数据」，是当前数千家客户正在探索的方向。
云算力提供商 CoreWeave 联合创始人、董事长兼 CEO Michael Intrator 对推理工作负载的「解构」感到兴奋。他认为，将推理分解为不同阶段（如预填充和解码），使得像 CoreWeave 这样的公司能够针对每个环节进行深度优化。这种专业化在以往的计算浪潮中并不经济，但现在由于规模巨大而变得可行。更重要的是，解构允许将部分工作负载路由到旧一代 GPU 上执行，从而从现有基础设施中榨取更多价值，延长资产使用寿命，这将对融资和信贷模式产生积极影响。
Fireworks AI 联合创始人兼 CEO Lynn 将 2026 年视为「效率之年」和「AI 创新爆发之年」。她指出，当前拥有产品市场匹配度并不等于拥有可持续的业务，许多公司可能因推理成本过高而「扩张至破产」。Fireworks 通过「三维优化」方法，帮助客户利用其私有数据提升模型智能、速度和成本效益，目标是将总拥有成本降低 5 到 10 倍。她展望的未来是训练与推理的融合，模型在服务过程中持续学习，实现更极致的效率。
卡特彼勒 CEO Joe Creed 代表了 AI 基础设施金字塔的底层——能源与物理建设。他坦言，正在见证职业生涯中最大规模的基础设施建设浪潮。Jensen Huang（黄仁勋）提出的「五层蛋糕」（芯片、系统、软件、AI 工厂、物理世界）中，前三层（能源、芯片、基础设施）正是卡特彼勒所赋能的领域。AI 的爆发将消耗远超预期的电力，而卡特彼勒正在全球范围内提升发电和工程机械的产能，以支撑这场智能革命。
物理 AI 与智能体：当智能融入现实世界
Open Evidence 联合创始人兼 CEO Daniel Nadler 从医疗领域阐述了专业化智能体的必要性。人体本身是高度分化的，医学知识也早已高度专业化。因此，未来的医疗 AI 不会是单一的通用智能，而是由众多数字孪生专家（如心脏病学、神经学专家）组成的协作网络。医生可以动态调用这些「数字专家」来辅助诊断。他指出，生物医学知识的爆炸式增长（每 5 年翻一番）已远超人类医生的学习能力，AI 数字孪生将成为医生应对知识海洋的必备工具。他透露，Open Evidence 这家不足百人的公司，今年将间接支持美国 3 亿人次的患者诊疗，展现了 AI 时代「小团队、大影响」的新范式。
西门子研发副总裁 Danping 分享了 AI 在工业物理世界的应用。通过智能体 AI 和模型上下文协议，可以将行业专家的领域知识嵌入工作流，赋能非技术背景的员工。西门子与 NVIDIA 的合作涵盖仿真、供应链、制造和电子设计自动化四大领域。例如，利用 GPU 加速物理仿真，用 AI 构建高精度流程模型，甚至用生成式 AI 控制工作流，让软件具备「思考并行动」的能力。数字孪生工具允许全球团队在虚拟环境中进行照片级真实的协作设计与决策。
Waabi 创始人兼 CEO Raquel Urtasun 从自动驾驶的历程为物理 AI 提供了经验教训。她指出，早期自动驾驶采用「机器人专家」方法，试图手工编码一切，这无法实现规模化。Waabi 秉持「AI 优先」、「仿真优先」的理念，通过构建世界模型和混合现实测试，能够在虚拟环境中穷尽测试 corner case，这是确保安全关键系统安全的唯一途径。她认为，这种基于仿真、可进行端到端验证与推理的新方法，将被其他物理 AI 领域广泛采纳。
机器人公司创始人 Deepak 探讨了通用机器人的落地路径。他认为，机器人将遵循从企业到消费场景的渐进式发展。首先在结构化、付费意愿强、容错度较高的企业环境（如工厂）大规模部署；然后利用积累的数据，逐步拓展至医院、杂货店等半结构化场景；最后才进入家庭等完全非结构化环境。这个过程依赖于「数据飞轮」——用前一阶段的数据驱动下一阶段通用能力的提升。他预告将有重要企业合作公告，实现机器人在企业场景的「一次性大规模部署」。
自动驾驶公司 Wayve 联合创始人兼 CEO Alex Kendall 展示了「端到端 AI」驱动自动驾驶的进展。Wayve 通过构建世界模型，实现了在超过 500 个城市进行「零样本」驾驶测试（即在从未采集过训练数据的城市驾驶），证明了其系统具备真正的泛化能力。他强调，未来的每辆车都将是自动驾驶的，而汽车产业将是 embodied AI（具身智能）首个大规模展示的舞台。Wayve 已与 Uber、Stellantis 等合作，计划在全球超 10 个城市推出机器人出租车试运营。
Nvidia 刚刚彻底击碎了空头逻辑，而股价依然被低估三个月前，我写道 Nvidia Corporation（NVDA）刚刚交出了我所关注的所有公司中最好的一份季度业绩。如今，它又超越了自己。NVDA 公布了 2027 财年第二季度业绩，交出的数字在如此巨大的体量下几乎令人难以置信。NVDA 实现收入 962.2 亿美元，同比增长 105.85%，比管理层今年 5 月给出的 910 亿美元指引高出 52.2 亿美元。NVDA 实现非 GAAP EPS 2.22 美元，比市场一致预期的 2.09 美元高出 0.13 美元，同比增长 119.80%。季度收入环比增加 146.1 亿美元，超过了 NVDA 仅仅一个季度前刚创下的纪录，这也是公司连续第 4 个季度实现同比增速加快。通常来说，一家公司在年化收入运行率达到 3,850 亿美元时，不应该还能继续加速增长，但这正是 NVDA 现在正在发生的事情。如果这还不够，管理层还给出了第三季度 1,080 亿美元的收入指引，并做了一件 NVDA 过去从未做过的事情。Colette Kress 首次对 2028 财年给出了初步数字，并告诉市场预计收入增长约 70%。她明确表示，这还是一个受供给限制的展望，因为客户预测显示需求实际上可能翻倍，而 Jensen Huang 在问答环节也证实了这一点，他表示实际需求远高于 70%，真正限制增长的是供给。我原本带着一个问题进入这次财报：我今年 5 月提出的资本回报逻辑是否依然成立。结果出来后，我反而认为空头逻辑是在这场电话会议中被现场拆解掉了。本季度，几乎所有针对 NVDA 的主要空头论点都被正面回应，而股价当前的估值倍数依然没有反映管理层刚刚告诉我们的这些信息。
【原文图片位置：NVDA 股价及相关数据（Seeking Alpha）】
继续跟进我此前关于 Nvidia 的文章
今年 5 月底，我曾写过一篇关于 NVDA 的文章，在其中讨论了为什么公司将股息提高 2,400%，并承诺将大约 50% 的自由现金流（FCF）返还给股东，这标志着一个极其强大的股息增长故事正式开始。在那篇文章中，我建立了一个 5 年模型，假设 NVDA 每年将股息增长 50%，同时回购并注销超过 8% 的流通股，并累计向股东返还超过 9,000 亿美元资本。我的核心观点是，市场把这项资本回报计划当成了一个脚注，但实际上它可能是一个多年复利循环的起点。
第二季度比我预期更快地验证了这一逻辑。NVDA 在本季度向股东返还了 260 亿美元，其中 200 亿美元来自股票回购，60 亿美元来自每季度 0.25 美元的股息。Colette Kress 披露，按年初至今计算，NVDA 已经返还了 60% 的自由现金流，超过此前承诺的 50%，并表示管理层未来计划在扣除战略用途后，进一步提高并返还多余自由现金流。目前股票回购授权额度仍剩下大约 990 亿美元，而下一次每股 0.25 美元的股息将在 10 月 1 日支付给截至 9 月 10 日登记在册的股东。不过，我这次继续写 NVDA 并不仅仅是因为资本回报计划依然按计划推进，而是因为第二季度彻底扩大了整个投资逻辑的边界，而我认为市场还没有真正消化这次电话会议里透露的信息。
【原文图片位置：NVDA 相关资本回报及财务数据（Seeking Alpha）】
第二季度业绩大幅超预期，而运营进展比预期更好
表面数字已经非常惊人，但真正让我印象深刻的是这一季度内部结构。NVDA 实现收入 962.2 亿美元，环比增长 17.90%，GAAP 和非 GAAP 毛利率都达到 75%，同比提升 2.6 个百分点。公司实现 GAAP 营业利润 637.3 亿美元，同比增长 124.10%，GAAP 净利润 596.9 亿美元，同比增长 125.90%。NVDA 的 GAAP EPS 达到 2.46 美元，同比增长 127.78%。在一家达到如此规模的公司里，利润增长速度居然依然快于收入增长，这在历史上几乎没有出现过。根据第二季度股东演示材料，NVDA 数据中心收入达到 890 亿美元，环比增长 18%，同比增长 117%。其中，Hyperscale（超大规模云客户）在持续强劲的 Blackwell 需求推动下贡献 490 亿美元收入，而 ACIE——即 AI 云、工业和企业客户业务——贡献 400 亿美元，同比增长 138%。在我看来，这是本季度最重要的变化。过去两年空头逻辑一直围绕一个问题展开：当超大规模云厂商资本开支放缓时会发生什么？现在答案是，Hyperscale 已经只占数据中心业务的 55%，另外 45% 来自主权国家、NeoCloud、AI 原生企业以及传统企业，而这一侧业务的复合增长速度甚至高于 Hyperscale。与此同时，Hyperscale 本身也没有减速，因为云行业积压订单目前已经超过 2 万亿美元，预计前五大超大规模云厂商 2026 年资本开支将接近 8,000 亿美元，2027 年将达到 1.3 万亿美元。
【原文图片位置：2027 财年第二季度数据中心业务（NVIDIA Q2 Deck）】
网络业务又创下了一个季度纪录，收入环比增长 18%，其中 Spectrum-X Ethernet 同比增长 2.6 倍。接下来还有 Vera Rubin，而这才是支撑 NVDA 未来 18 个月增长的核心故事。NVDA 本月早些时候已经开始出货 Vera Rubin，机架目前已经在 CoreWeave, Inc.（CRWV）、Alphabet Inc.（GOOG、GOOGL）旗下 Google Cloud、Microsoft Corporation（MSFT）的 Azure、Oracle Corporation（ORCL）的 Cloud Infrastructure，以及 Nebius Group N.V.（NBIS）运行。管理层已经拿到了所有主要超大规模云厂商、AI 云平台以及系统 OEM 的采购订单，并预计 Vera Rubin 将成为 NVDA 历史上放量最快的产品，第三季度该平台将占数据中心收入约 20%。其性能跃升非常巨大，相比 Grace Blackwell Ultra，Vera Rubin 每兆瓦吞吐量提高 30 倍，同时 token 成本下降 35 倍。
新的产品线同样重要。NVDA 发布了 Vera，这是首款专为 AI Agent 构建的 CPU，目前已经全面量产。Grace CPU 也在悄然之间形成了一项过去 12 个月收入超过 50 亿美元的业务，管理层认为服务器 CPU 的总需求大约达到 200 亿美元，并预计 CPU 收入将在 2028 财年翻倍以上。Groq 3 LPX 是 NVDA 首款机架级 LPU 系统，目前也已经全面量产，其每秒 token 输出能力几乎达到次优替代方案的 4 倍，预计本季度稍晚开始批量出货。NVDA 还宣布扩大与 Amazon.com, Inc.（AMZN）的合作，AWS 将从本季度开始一直到 2029 财年第二季度额外部署 200 万颗 GPU，同时还将部署 Vera CPU 和 NVDA 面向仓储机器人的完整 Physical AI 技术栈。Edge Computing（边缘计算）收入达到 72 亿美元，同比增长 27%，与此同时 NVDA 正与 Microsoft 合作，围绕 RTX Spark 和 DGX Station 重新定义 Windows PC。
【原文图片位置：Vera、Groq 3 LPX 与边缘计算产品进展（NVIDIA Q2 Deck）】
资产负债表本身也说明了很多问题。NVDA 可交易权益证券规模增长至 427.8 亿美元，非上市证券达到 511.6 亿美元，因此公司的投资组合规模在六个月内从本财年初的 350 亿美元增长至大约 940 亿美元。库存增加至 315.8 亿美元，为 Vera Rubin 放量提前备货；同时，应收账款周转天数（DSO）延长至 60 天，主要由于公司给予大型投资级客户更长的付款期限，Colette Kress 在 CFO 评论中对此进行了说明。NVDA 本季度还筹集了约 250 亿美元债务资金，我认为这更像是在为融资平台提前配置低成本资本，而不是警示信号。管理层给出的第三季度收入指引为 1,080 亿美元，对应环比增长 12.24%，同时他们在毛利率问题上也非常直接。由于内存价格上涨幅度超过此前预期，公司预计第三季度毛利率为 74%，第四季度触底于 71%-72%，随后随着已经执行的涨价措施生效，2028 财年恢复至 72%-73%。Kress 表示，她宁愿现在就重新设定市场预期，而不是让这个问题一直悬着不解决，我很欣赏这种透明度。
Nvidia 的关键成功因素解释了为什么它正在赢得 AI 竞赛
如果把所有因素简化，我认为 NVDA 正在凭借三个结构性优势赢得 AI 竞赛，而每一个优势都直接击破了一个具体的空头论点。第一个优势是，NVDA 的架构可以运行所有模型。闭源模型和开源模型的采用率都在爆发式增长，而 NVDA 既运行 OpenAI 和 Anthropic 等领先闭源模型，也几乎运行所有领先的开源模型，这意味着 NVDA 根本不需要押注谁会赢得模型竞争。一套可互换的平台就可以完成数据准备、预训练、后训练以及 Agentic Inference，并且能够在 AI 的完整生命周期内持续创造价值。这直接击破了“开源模型崛起会削弱推动 NVDA 需求的前沿实验室”的论点，因为两类模型实际上都在爆发式增长，而几乎所有主要开源模型同样运行在 NVDA 硬件上。NVDA 的护城河甚至延伸到了大多数投资者根本不会关注的领域，例如支持 confidential computing（机密计算）的 NVDA GPU 现在已经运行在 Apple Inc.（AAPL）的 Private Cloud Compute 中执行机密推理，而 Blackwell 则横扫 MLPerf Training 6.0 基准测试中的所有类别，同时也在 AgentPerf——行业首个 Agentic AI 基础设施基准测试——中取得领先。
第二个优势是完整的 AI 工厂全栈平台，这正在不断提高 NVDA 对每一美元数据中心投资的价值获取比例。NVDA 每吉瓦收入机会已经从 Hopper 时代的大约 180 亿美元，提高至 Blackwell 时代的 250 亿美元，再到 Vera Rubin 时代的 400 亿美元，而 Vera Rubin 平台现在已经覆盖 Vera CPU、Rubin GPU、NVLink、InfiniBand、Ethernet 网络以及 Groq LPU。这正是针对定制硅空头逻辑的答案。当 Jensen 被直接问到 OpenAI 的 Alpamayo 芯片时，他回应称，XPU 本质上是为某一家云或者某一项服务打造的特定推理芯片，而 NVDA 销售的是一整个 AI 工厂，可以在世界任何地方、任何云上运行任何模型。NVDA 已经进入第三代 NVLink 72 机架级系统，而竞争对手甚至还在努力部署第一代系统；随着已安装的网络和软件栈越来越庞大，每年将其整体替换掉的转换成本都在继续上升。
【原文图片位置：Nvidia AI 工厂平台与每吉瓦收入机会（NVIDIA Q2 Deck）】
第三个优势是 CUDA 生态系统，它把 AI 扩展到了单纯一颗芯片永远无法触达的市场。主权国家、NeoCloud 和传统企业都没有兴趣自己设计定制芯片，而 NVDA 是唯一一家能够直接交付一整套经过验证的 AI 工厂设计，并通过自己的开发者生态连接到最终计算需求的公司。主权 AI 收入环比增长 35%，同比增长超过三倍。NeoCloud 合作伙伴预计今年年底将拥有 8 吉瓦已安装容量，高于 2025 年底大约 3 吉瓦。Jensen 表示，非 Hyperscale 这一半业务目前每年增长 100%，而且全球这一部分计算市场最终很可能会比今天整个云计算市场还要大。企业市场也在快速扩张，其中汽车垂直领域过去 12 个月本地部署收入达到 80 亿美元，而金融服务、制造和医疗合计又贡献了另外 70 亿美元。
接下来是融资结构，它反过来击破了“循环融资”的批评。NVDA 已经向前沿 AI 实验室投资接近 500 亿美元，而管理层指出，这只占公司同期预期自由现金流的一小部分。真正承担大部分资本开支的是第三方资金，因为 NVDA 已经与 Apollo Global Management, Inc.（APO）、BlackRock, Inc.（BLK）、Blackstone Inc.（BX）、Brookfield Asset Management Ltd.（BAM）、The Goldman Sachs Group, Inc.（GS）以及 KKR & Co. Inc.（KKR）建立融资平台，计划为 AI 基础设施建设筹集超过 5,000 亿美元机构资本。NVDA 会对部分设施容量提供 take-or-pay（照付不议）承诺，为贷款机构提供一个可以用于承保的最低收入底线，而作为交换，NVDA 可以分享超过该底线部分所产生的收入。换句话说，NVDA 可以赚两次钱：第一次是在硬件销售时获得收入，第二次则通过与使用量挂钩的持续性收入再次获利。Kress 明确表示，NVDA 并没有直接发放贷款，每笔交易都由独立资本方基于自身条件独立承保。NVDA 出货的计算资源最终都由投资级客户使用，或者由投资级机构提供支持；而那些利用 NVDA 资产负债表支持的 AI 实验室，大约只占公司明年业务的四分之一。对于一个计算资源高度可互换且在单个客户出现问题时可以重新部署的平台而言，这种风险敞口仍然可控。仅 OpenAI 现有和计划中的项目，到 2030 年就对应约 12 吉瓦 NVDA 计算资源，其中位于 Ohio 的 PORTS-Pike 园区首期 4.25 吉瓦部署将全部采用 NVDA 计算平台，而这个园区本身也是按照未来 20 年多轮升级周期进行设计的。
需求背景则进一步提升了这一趋势的持久性。2026 年上半年，全球 AI 风险投资融资额已经超过 4,000 亿美元，超过 2025 全年 2,650 亿美元的融资额，而其中大约 70% 最终都会用于购买计算资源。目前已经有接近 20 家 AI 原生企业的年化收入运行率超过 10 亿美元，而两个季度前这一数字只有 13 家。Jensen 表示，Agentic AI 工作负载所消耗的计算资源，是人类单纯向模型输入 prompt 的 15 到 100 倍，而且就在上个月，AI 工作负载中 Agentic AI 已经首次占据多数。他还指出，如今一个 500 亿美元数据中心的投资资本回报周期已经缩短到一年以内。Jensen 在财报新闻稿中用一句话总结了整个逻辑：“Compute is revenue（计算就是收入）。”Token 可以盈利，而真正的约束是计算资源本身，这也正是为什么管理层可以给出 70% 增长指引，同时告诉你真实需求其实接近 100%。
Nvidia 的估值并没有反映管理层刚刚给出的指引
当我查看最新市场一致盈利预测时，其中的错位非常明显。分析师目前预计 NVDA 在 2027 财年实现 EPS 9.05 美元，同比增长 89.76%，对应当前股价约 23.54 倍当年市盈率。到 2028 财年，一致预期 EPS 为 13.13 美元，同比增长 45.03%，对应股价仅为 16.23 倍市盈率。到 2029 财年，市场预期 EPS 为 16.61 美元，对应估值进一步下降至 12.83 倍，而两位给出 2030 财年预测的分析师预计 EPS 为 19.10 美元，对应仅 11.16 倍市盈率。NVDA 股价当前约为 213 美元，对应市值约 5.2 万亿美元。当我今年 5 月写 NVDA 时，股价对应的前瞻市盈率还超过 25 倍。因此，在连续两个极其强劲的季度之后，NVDA 相对于一个规模更大、增速更快的盈利基础，前瞻估值反而变得更便宜了。
【原文图片位置：NVDA 前瞻盈利估值（Seeking Alpha）】
我还认为，市场一致预期本身也太低了。NVDA 在 2027 财年前两个季度已经实现 1,778.4 亿美元收入，同时第三季度收入指引为 1,080 亿美元。如果第四季度继续按照最近几个季度类似的环比增速增长，那么 2027 财年全年收入将达到大约 4,050 亿至 4,100 亿美元。管理层刚刚给出了 2028 财年约 70% 的收入增长指引，这意味着全年收入大约会达到 6,900 亿美元。当前市场一致预期却认为明年 EPS 只增长 45.03%，而收入增长达到 70%，我很难理解这两个数字如何能够同时成立。随着已经执行的涨价措施生效，毛利率预计恢复至 72%-73%，同时运营费用增速低于收入，因此盈利至少应该与收入保持类似增速。我的判断是，未来几个季度 13.13 美元这一 EPS 预测将会被显著上调，而每一次上调都会让当前 16.23 倍的估值显得更加脱节。以大约 16 倍前瞻市盈率买入一家刚刚给出 70% 收入增长指引、同时将 60% 自由现金流返还给股东的公司，我很难在市场其他地方找到类似配置。即使估值倍数完全不扩张，目前一致预期本身也已经认为 NVDA 从 2027 财年到 2029 财年 EPS 将增长超过 80%，而股价理论上也应该随着盈利上升。
投资 NVDA 所面临的风险
虽然我持有 NVDA 多头仓位，并认为股价未来会获得更高估值，但确实存在可能影响我投资逻辑的真实风险。最直接的风险就是毛利率。内存价格涨幅超过管理层此前预期，而且预计明年还会进一步上涨，这也是为什么公司预计第四季度毛利率会触底至 71%-72%。2028 财年恢复至 72%-73%，依赖于已经执行的涨价措施能够真正覆盖成本上涨。如果内存价格上涨速度超过这些涨价幅度，那么毛利率恢复将无法兑现，EPS 预测反而会下调而不是上调。第二个风险是资产负债表结构正在变得越来越复杂。由于大型投资级客户获得延长付款期限，DSO 已经增加至 60 天，应收账款也从本财年初的 384.7 亿美元增长至 630.6 亿美元。由于营运资本大幅增加，第二季度自由现金流只有 213.4 亿美元，显著低于净利润，而 NVDA 本季度还新增了约 250 亿美元债务。大约四分之一的明年业务与 AI 实验室有关，这些实验室通过股权投资、take-or-pay 承诺以及选择性信用增级利用 NVDA 的资产负债表。如果 AI 融资环境趋紧，那么“循环融资”的批评就会变得更加尖锐，而这些结构也将首次真正面临压力测试。管理层的回应是，这些计算资源具有可替代性，也可以重新部署，而且客户本身要么是投资级，要么拥有投资级合作方支持。但无论如何，这是我未来最密切关注的领域。无论多头逻辑看起来多么强劲，任何人在投入资金购买 NVDA 之前都应该进行自己的尽职调查。
结论
NVDA 刚刚交出了迄今最有力的证据，证明 AI 基础设施建设正在扩散，而不是接近顶部。公司连续第 4 个季度实现增长加速，目前数据中心业务的一半已经来自 Hyperscale 以外客户；毛利率下调也伴随着清晰的恢复路径；前沿 AI 实验室基础设施建设依靠的是超过 5,000 亿美元第三方资本，而不是仅仅依赖 NVDA 自己的资产负债表；同时资本回报计划目前已经达到自由现金流的 60%，高于此前承诺的 50%。更重要的是，管理层首次在公司历史上直接给出了 2028 财年 70% 的增长数字，并明确告诉市场，实际需求更接近 100%。我不认为当前股价按照明年盈利仅 16.23 倍估值能够反映这些变化，而且我认为盈利预测未来还会继续上调。我今年 5 月写过的股息复利逻辑依然完全成立，而包裹在这一逻辑外面的增长故事如今反而变得更大。我继续持有 NVDA 多头仓位，而且在看完这份财报之后，我比财报前更加看多，因为空头已经失去了他们最有力的几个论据。
NVIDIA 创始人 Jensen Huang（黄仁勋）谈 19 条公司经营哲学撰文：Techub News 整理
导语
在最新一期的 Founders Podcast 中，主持人 David Senra 以新书《The NVIDIA Way: Jensen Huang and the Making of a Tech Giant》为蓝本，对 NVIDIA 创始人兼 CEO 黄仁勋（Jensen Huang）的经营哲学进行了长达 100 分钟的深度剖析。这场对话之所以重要，在于它不仅追溯了 NVIDIA 从濒临倒闭到成为 AI 时代核心引擎的跌宕历程，更首次系统性地提炼出黄仁勋在三十余年商海沉浮中形成的、一套高度个人化且极具成效的公司构建与运营法则。此时，正值 NVIDIA 市值突破三万亿美元、其 GPU 成为全球 AI 基础设施的关键时刻，理解这位传奇领袖的思考方式，对于洞察科技行业的未来走向与组织管理精髓具有非凡价值。
摘要
卓越源于承受痛苦的能力：黄仁勋认为，伟大并非来自智力，而是源于性格，而性格只能在克服问题、挫折和逆境并拒绝放弃的过程中锻造。
构建“自我延伸”的组织：NVIDIA 是“拥有 29,000 条生命的黄仁勋”，公司的组织架构、文化和工作节奏都是其个人特质与哲学的延伸，旨在打造一台 CEO 能够完美驾驭的“赛车”。
公开批评与极度坦诚：黄仁勋信奉公开、直接的批评，认为这能让整个组织从单一个体的错误中学习，对抗官僚主义与自满情绪，将工作质量置于个人感受之上。
用“光速”作为唯一基准：NVIDIA 内部评判工作速度的唯一标准是物理定律允许的极限——“光速”，而非过去的成绩或竞争对手的表现，以此驱动极致的效率与创新。
集中力量，猛攻最大机遇：从早年押注 CUDA 生态到全力转向深度学习，黄仁勋展现了识别并调动全公司资源“蜂拥而至”最大历史性机遇的非凡魄力与远见。
早年淬炼：卓越是对痛苦的承受力
理解黄仁勋（Jensen Huang）的经营哲学，必须从其早年经历开始。四岁时，父母为了给他和兄弟争取更好的机会，毅然决定从台湾移民美国。这段经历让黄仁勋深刻体会到“牺牲”与“机会”的重量。随后，他被父母送入肯塔基州一所实为问题少年改造学校的寄宿机构。在那里，他不仅需要严格遵守日程并每日劳作，还因年幼体弱而时常遭受欺凌。这段经历塑造了他异于常人的韧性。他后来回忆道：“因为这段经历，我很少感到害怕。我不担心去从未去过的地方。我可以忍受大量的不适。”
这种“忍受不适”的能力贯穿了他的职业生涯。在 AMD 全职工作期间，他利用夜晚和周末时间，花了八年才完成斯坦福大学的硕士学位，同时还要养育年幼的家庭。他从中领悟到：“我有很长的视野。我对某些事情可能没有耐心，但对其他事情却可以无限耐心。我会持续努力。”在他看来，成功的关键并非单纯智力，而是性格（Character），而性格只能通过克服问题、挫折和逆境并拒绝放弃来获得。因此，当被问及成功建议时，他的回答始终如一：“我祝愿你们有充足剂量的痛苦和磨难。”
创业前夜：机会与关系的复利
在创立 NVIDIA 之前，黄仁勋在 LSI Logic 的工作经历至关重要，他在这里收获了三条影响深远的经验。第一，他形成了“磨砺刀剑（Honing The Sword）”的理念。他意识到，对于真正在乎的事情，不应回避冲突，而应主动寻求。正如杰夫·贝索斯（Jeff Bezos）所说：“如果我必须在一致和冲突之间选择，我每次都选冲突。因为它总能产生更好的结果。”激烈的辩论虽然暂时令人不适，但最终能打磨出更锐利、更优秀的想法。这让人联想到史蒂夫·乔布斯（Steve Jobs）的“岩石抛光机”比喻：一群才华横溢的人相互碰撞、摩擦，最终将彼此和彼此的想法打磨得光彩夺目。
第二，也是最重要的，他在这里遇到了未来的联合创始人克里斯·马拉科夫斯基（Chris Malachowsky）和柯蒂斯·普里姆（Curtis Priem）。当时，后两人对 Sun Microsystems 不满，计划离职创业，因欣赏黄仁勋的才华而邀请他协助。这次合作最终催生了共同创立 NVIDIA 的想法。这完美印证了一条法则：“机会处理得当，会带来更多意想不到的机会。”黄仁勋在每一份工作中都竭尽全力，这种卓越的表现为他打开了原本无法预测的大门。
第三，当他向 LSI Logic 的 CEO 威尔弗雷德·科里根（Wilfred Corrigan）提出离职创业时，科里根的第一反应是：“我能投资吗？”并随后将他引荐给了红杉资本创始人唐·瓦伦丁（Don Valentine）。尽管黄仁勋回忆自己的初次 pitch “糟糕透顶”，但瓦伦丁依然决定投资，并说：“违背我的更好判断，基于你刚才告诉我的（显然是个糟糕的 pitch），我会给你我的钱。但如果你把我的钱亏了，我会杀了你。”这次经历让黄仁勋刻骨铭心地认识到：“你的声誉会走在你的前面。” 你的长期声誉是商业世界中最宝贵的资产，它能为你开启或关闭未来的机会之门。
NVIDIA 的诞生与早期磨难：在失败中学习
NVIDIA 的起步并非一帆风顺。其首款产品 NV1 遭遇市场冷遇，几乎将公司拖垮。黄仁勋事后复盘，认识到几个关键错误：产品过度设计，塞入了太多无人关心的功能；市场定位模糊复杂。他总结道：“我们学到，做好少数几件事，比做太多事情更好。没人会去商店买一把瑞士军刀（那只是圣诞礼物）。”这与詹姆斯·戴森（James Dyson）的感悟不谋而合：“人们不想要万能的东西，他们想要高科技的专精。”
这次失败也让黄仁勋深感自己对营销定位的无知。他后来强调，产品定位的核心在于回答两个简单问题：“产品做什么？”以及“为谁而做？”。NV1 的教训是：“诱惑需要一个简单的信息。” 复杂的消息无法打动市场。
早期接连的失败（前两款产品均告失利）导致公司大规模裁员，从超过 100 人缩减至 40 人，现金也即将耗尽。黄仁勋不得不背水一战，将开发周期压缩到极限。为了加速第三款产品 RIVA 128 的测试，他毅然决定花费宝贵的 100 万美元购买一台 EOS 仿真器，尽管这会将公司的跑道从 9 个月缩短至 6 个月。最终，RIVA 128 获得成功，拿到了关键订单，拯救了公司于水火。这些早期的痛苦经历，锻造了黄仁勋和 NVIDIA 的“耐力”与“痛苦承受力”，为日后应对更大的挑战奠定了基础。
19 条经营哲学：黄仁勋的“NVIDIA 之道”
基于数十年的经验、学习、实践、失败与痛苦，黄仁勋形成了一套独特而系统的经营哲学。主持人 David Senra 从《The NVIDIA Way》一书中提炼出 19 条相互关联、彼此强化的核心理念。
1. 黄仁勋是教师
书中的第一句话便是：“在另一种人生里，黄仁勋可能会是一名教师。”历史上许多伟大的创始人，如沃伦·巴菲特（Warren Buffett）、史蒂夫·乔布斯（Steve Jobs），都将大量时间用于教导组织。好市多（Costco）联合创始人吉姆·辛内格（Jim Sinegal）更是直言：“作为公司领导者，如果你没有把 90% 的时间花在教导上，你就没有做好你的工作。”黄仁勋通过不断重复公司的原则和格言，持续灌输其哲学与价值观。NVIDIA 员工甚至称他为“黄教授”。他偏爱的教学工具是白板，擅长将复杂概念以几乎任何人都能理解的方式拆解。
2. NVIDIA 是“拥有 29,000 条生命的黄仁勋”
书的结尾指出：“NVIDIA 之道最简洁的定义就是黄仁勋之道，或者干脆就是黄仁勋本人。”这与“苹果就是拥有 10,000 条生命的史蒂夫·乔布斯”异曲同工。黄仁勋将公司打造成自身特质的延伸：每个人都分享他对使命的专注、他的工作 ethic、以及尽可能快的工作节奏以保持领先。公司的组织像一辆赛车，必须是 CEO 知道如何驾驶的机器。
3. 白板文化
白板是 NVIDIA 会议中的主要沟通工具。它代表着可能性与“无常”的信念——无论一个想法多么出色，最终都必须被擦除，让位于新想法。白板要求人们在观众面前实时展示思维过程，无处可藏，迫使思考必须彻底和清晰。黄仁勋对此极为执着，甚至只使用一种台湾生产的特定品牌白板笔，出差时也随身携带。
4. 扁平化组织架构
黄仁勋以拥有约 60 名直接下属且拒绝进行一对一会议而闻名。他认为，扁平结构能对抗决策缓慢的危险，赋予员工更多独立性，并淘汰那些不习惯独立思考、等待指令的低绩效者。他坚持这一管理哲学，即便有新董事会成员建议他聘请首席运营官（COO）来减轻行政负担，他也断然拒绝。扁平化使得信息传递迅速，员工被充分赋能。
5. 公开批评
与“公开表扬、私下批评”的传统智慧相反，黄仁勋相信公开批评，以便整个组织能从单一个人的错误中学习。这是他对抗官僚主义、地盘保护和政治内斗的解药。他直言：“我毫不介意把人们叫出来。”例如，在一次产品设计失误后，他在全体员工会议上大声质问：“这就是你们打算打造的东西吗？架构师把产品组装得一塌糊涂！”他认为，反馈就是学习，“凭什么只有你一个人应该从中学到东西？我们都应该从那个机会中学习。”他将工作质量置于个人感受之上，正如乔布斯曾对乔尼·艾维（Jony Ive）说的：“你把别人对你的看法，看得比工作本身更重要。”
6. “折磨”出伟大（自我批评）
黄仁勋不仅公开批评他人，更对自己进行无情的自我批评。他拥有极度的自信与魅力，同时也有一个内在声音不断告诉他“你做得还不够好”。在公司取得巨大成功的季度后，他会在会议上站起来说：“我每天早晨看着镜子里的自己说，‘你真差劲’。”他相信这种严苛能防止自满，并说：“我不喜欢放弃别人，我宁愿‘折磨’他们，直到他们变得伟大。”他也这样“折磨”自己。
7. “光速”基准
NVIDIA 评判自身速度的唯一标准是物理定律允许的极限——“光速”。他们将每个项目分解为组成部分，为每个任务设定一个假设“无延迟、无排队、无停机”的理论最短完成时间。他们不与自己过去的成就或竞争对手比较，只与这个理论最大值比较。例如，在开发 RIVA 128 时，为了节省近一年时间，他们决定在芯片原型完成前就开始开发驱动程序软件，并投资百万美元购买仿真器，以接近“光速”。
8. 毫不妥协的极致
黄仁勋在所有事情上都追求极致。“可能有人比我聪明，但绝不会有人比我更努力。”当有高管提到员工抱怨长时间工作时，他回应道：“为奥运会训练的人也会抱怨早起训练。”他将工作视为必需。他的专注和强度无处不在，甚至会在洗手间“堵住”员工询问工作进展。他重组工程部门，形成“三个团队，两个季节”的模式，使 NVIDIA 能够每六个月发布一款新芯片，而竞争对手则需要十八个月，从而建立了巨大的产品迭代优势。
9. “前五件事”（Top 5 Things）邮件
黄仁勋要求所有层级的员工定期发送“前五件事”邮件，列出他们正在做的、观察到的五件要事（如客户痛点、竞争对手动向、技术进展、项目延迟等）。他每天阅读上百封此类邮件，以获得公司状况的即时快照。他说：“策略不是我说的，而是他们做的。重要的是我要理解每个人在做什么。”他想要的是“来自边缘的信息”，即未经管理层过滤的一手信息，以便在信号还很微弱时就能捕捉到下一个巨大市场机遇。正是通过这些邮件，他早期察觉到了 GPU 在机器学习中的潜力。
10. 自满是杀手
黄仁勋对自满保持高度警惕，视其为公司的头号杀手。他通过设定极高的标准、公开批评、以及“光速”基准来持续制造“健康的不适感”，防止组织陷入安逸。他认为，只有持续感到“痛苦”和“不适”，公司才能保持敏锐和前进的动力。
11. 战略耐心与战术急躁
他能够对长期目标保持无限耐心（如用十年以上培育 CUDA 生态），同时对短期执行中的拖延和低效极度没有耐心。这种结合使他既能进行长远布局，又能确保日常运营的卓越效率。
12. 从每个人身上学习
黄仁勋具有强烈的求知欲，善于“向所有人学习”。无论是客户、合作伙伴、竞争对手还是行业活动中的其他智者，他都能从中汲取 insights 并应用到 NVIDIA 的经营中。他记忆力惊人，能记住员工的背景细节，这体现了他对人和知识的深度关注。
13. 创造市场，而非争夺市场份额
NVIDIA 不相信打造大宗商品化产品，因为那会面临激烈的价格竞争。黄仁勋的理念是：“我们应该做别人做不到的事情。”这与埃德温·兰德（Edwin Land）的格言“不要做任何别人也能做的事”一脉相承。他说：“我们没有争夺市场份额的文化。我们宁愿创造市场。”
14. 蜂拥而至最大的机会
当黄仁勋认定人工智能和深度学习将是历史性机遇时，他调动全公司资源全力投入。即便在 2008 年前后，大力投资 CUDA 导致毛利率下滑、股价暴跌，面对投资者要求战略调整的压力，他依然坚持：“我相信 CUDA……我们不得不做出那种牺牲。我深信它的潜力。”他不仅投资技术，还投入巨大资源教育市场（如向大学捐赠设备、编写教材、举办峰会），为生态爆发奠定基础。
15. 构建自我强化的网络（护城河）
通过通用 GPU（硬件）和易于使用的 CUDA（软件层）的组合，NVIDIA 创造并主导了一个全新的计算市场。随着越来越多人学习 CUDA，对 GPU 的需求增长，进一步巩固了其地位。黄仁勋不喜欢“护城河”这个词，他更倾向于称之为“强大的、自我强化的网络”。竞争对手难以突破，因为 NVIDIA 不仅提供了领先的产品，还建立了完整的生态系统和开发者社区。
16. 简化信息，强化传播
从早期失败中，黄仁勋学会了产品定位和信息传递必须简单、有力。复杂的消息无法打动人心。在推广 CUDA 和 AI 愿景时，他确保了信息的清晰和一致性，并通过各种渠道（演讲、会议、教育项目）不断强化。
17. 关系创造世界
黄仁勋深刻理解人际关系和声誉在商业中的复利效应。他在 LSI Logic 建立的声誉为他赢得了红杉资本的投资。他持续维护和拓展与业界关键人物的关系，这些关系在 NVIDIA 发展的各个阶段都提供了重要支持。
18. 像创始人一样思考（即便对于非创始人）
他期望员工，特别是高管，能够像公司所有者一样思考，承担风险，做出长远有利于公司的决策，而非仅仅扮演“职业经理人”角色。这有助于建立一种责任感和主人翁文化。
19. 持久战：留在牌桌上的艺术
NVIDIA 的历史证明了“留在游戏中足够久，以便获得幸运”的重要性。公司经历了多次濒死体验，但都因黄仁勋和团队的韧性而存活下来，并最终抓住了 GPU 计算和 AI 的历史性浪潮。长期的坚持是捕捉不期而至的巨大机会的前提。
结语：NVIDIA 之道即黄仁勋之道
纵观这 19 条理念，它们并非孤立存在，而是相互交织、彼此强化，共同构成了黄仁勋独特的经营哲学体系。从承受痛苦的韧性、极致执行的文化，到识别并全力拥抱历史机遇的远见，这套哲学深深烙印在 NVIDIA 的每一个角落。正如书中所总结的：“NVIDIA 之道最简洁的定义就是黄仁勋之道，或者干脆就是黄仁勋本人。”在 AI 重塑世界的2025 年 1 月，理解这位带领 NVIDIA 从图形芯片制造商跃升为人工智能计算巨擘的领袖其思考与行动方式，无疑对每一位创业者、管理者乃至技术从业者都具有深刻的启示意义。黄仁勋用三十年的时间证明，一套高度个人化、真诚且坚韧不拔的经营哲学，能够驱动一家公司穿越周期，最终抵达无人预见的顶峰。
NVIDIA 创始人 Jensen Huang（黄仁勋）：光速思维如何缔造万亿美元帝国撰文：Techub News 整理
导语
在科技行业的历史上，鲜有公司能像NVIDIA一样，在如此短的时间内实现如此惊人的价值飞跃。从一家为游戏玩家提供图形芯片的初创公司，到如今驱动人工智能革命的全球市值最高企业，其背后的掌舵人Jensen Huang（黄仁勋）的思维方式与管理哲学，无疑是解码这一奇迹的关键。2025 年 12 月，Inner World Podcast深入探讨了黄仁勋的核心思维框架——“光速思维”，通过对其创业历程、关键决策和内部管理规则的剖析，为我们揭示了NVIDIA如何打破常规、挑战物理极限，最终在激烈的竞争中脱颖而出。
摘要
摒弃“相对性思维”陷阱：黄仁勋禁止员工与竞争对手或过去的自己比较，要求只关注在理想条件下，基于物理定律所能达到的绝对最快速度。
以“光速”定义成功：将工作目标设定为消除所有流程延迟，达到理论上的物理极限时间，以此作为衡量进展的唯一标准。
通过关键决策践行理念：在生死存亡之际，用软件模拟取代芯片物理原型测试，将两年的开发周期压缩至六个月；挑战行业标准，将芯片封装时间从三周的理论极限压缩至36小时。
构建无延迟组织：建立极度扁平的架构，包括60人直接汇报制、禁止一对一“邀功”会议、推行“五件要事”邮件规则，确保信息从一线直达决策层。
光速思维：超越竞争，挑战物理极限
黄仁勋（Jensen Huang）的“光速思维”并非一个简单的效率口号，而是一套从根本上重塑工作方式的哲学体系。其核心在于彻底摒弃商业世界中常见的“相对性思维”陷阱。通常，公司会通过对比竞争对手或对比自身过往业绩来衡量成功，例如“我们比对手快15%”或“我们比去年增长了10%”。黄仁勋认为，这是一种致命的误区。如果竞争对手本身行动迟缓，那么比他们快一点并无实质优势；而与过去的自己比较，则容易陷入渐进式改进的舒适区，无法催生颠覆性创新。
因此，他要求NVIDIA全体员工转向“绝对性思维”。唯一的衡量标准是物理定律所允许的极限速度。具体规则是：当接手一个项目时，必须将其分解为最基础的任务单元，然后计算在绝对理想条件下——没有等待、没有官僚流程、一切完美运行——完成每个任务所需的最短时间。这个理论上的最短时间，就是“光速”。工作的目标，不是比昨天快一点，而是找到并消除所有导致实际耗时远超这个“光速”的延迟，将延迟降至零。当一家公司以物理极限的速度运作时，竞争对手最多只能打平，而无法超越。
生死赌注：Riva 128与六个月的奇迹
“光速思维”并非纸上谈兵，它首次力挽狂澜的应用，就发生在NVIDIA命悬一线之际。1996年，公司的首款产品NV1芯片遭遇市场惨败，客户大量退货，超过一半员工离职，公司现金仅够维持九个月运营。按照当时半导体行业的铁律，设计并推出一款新芯片需要24个月。但NVIDIA没有24个月，只有9个月。
黄仁勋拒绝接受行业惯例。他质疑为何必须等待耗时的物理原型来进行测试。在他的推动下，NVIDIA做出了一个被资深工程师称为“自杀任务”的决定：动用所剩无几的资金，购买一台名为ICOST Emulator的模拟器，完全在软件中模拟和调试即将设计的Riva 128芯片，跳过所有物理原型制作阶段。这意味着，芯片必须在计算机模拟中达到完美，才能直接投入量产，如同设计好飞机图纸后，不经试飞就直接载客首航。
在接下来的六个月里，剩下的35名工程师24小时轮班工作，目标是一次成功。当首批芯片从工厂运抵并成功点亮屏幕时，NVIDIA得救了。Riva 128大获成功，前四个月就售出100万颗。这一战证明，半导体行业24个月的流程本身存在巨大的“延迟”，通过消除恐惧、相信模拟技术，NVIDIA用六个月完成了两年的工作，实现了第一次“光速”超越。
挑战“不可能”：36小时封装与流程重构
“光速思维”也体现在挑战供应链的“行业标准”上。2007年，Debora Shoquist（时任NVIDIA运营执行副总裁）刚加入公司，就被黄仁勋要求缩短芯片封装时间。她认为这不可能，因为全球标准流程就是三周。但黄仁勋不接受这个答案，他追问：“实际物理操作到底需要多久？”
为了证明老板是错的，Shoquist亲自飞往台湾的合作工厂实地考察。结果她发现，机器和人工实际处理一颗芯片的纯物理劳动时间，仅为36小时。三周（21天）与1.5天（36小时）之间巨大的时间差，就是黄仁勋所说的“延迟”——主要由等待时间和库存队列造成。工厂表示，如果优先处理NVIDIA的订单，理论上可以在36小时内完成，但每颗芯片的成本将从8美元飙升至1000美元。
Shoquist带着这个看似荒谬的报价回来，以为黄仁勋会放弃。然而，黄仁勋看到36小时这个数字后却说：“就按这个做，这才是物理极限的速度。”他认为，不能因为官僚流程而浪费19.5天。支付高价并非长期之计，而是一种“教育投资”。通过支付超高费用，NVIDIA迫使工厂重组了整个流程，消除了所有不必要的步骤和等待。几年内，NVIDIA成功将交货期缩短至3到5天，而成本仅比旧流程增加20-30%。这个故事的核心在于，首先要看清物理极限在哪里，然后不惜代价去消除实现极限过程中的所有障碍。
扁平化组织：消除信息传递的“延迟”
黄仁勋深知，随着公司规模扩大，官僚主义会成为“光速”的最大敌人。信息在层级间传递，如同失真的传话游戏，每一层都是过滤器和延迟源。为了消除这种“致命延迟”，他将NVIDIA构建成一个极度扁平的组织，并立下三条铁律。
第一，60人直接汇报规则。 违背管理学教科书（建议CEO直接管理6-10人），黄仁勋有多达60名直接下属。他的目的是不想通过任何人的过滤来听取信息，希望直接从掌控问题的一线人员那里获取未经修饰的真相，让“战场”信息无障碍直达“指挥部”。
第二，禁止一对一“邀功”会议。 黄仁勋几乎完全禁止了员工与上司之间为汇报功劳而进行的一对一会议。他认为这类会议是内部政治和信息不平等的温床。所有重要信息和策略都应在团队中公开讨论，错误也应向整个团队坦诚。
第三，“五件要事”邮件规则。 公司所有层级的员工，每周都必须发送一封邮件，列出他们当前正在处理的五件最重要的事，每件事必须以动词开头，邮件必须简洁扼要。黄仁勋每天早晨会随机阅读约100封这样的邮件。正是通过阅读基层工程师和销售人员的“五件要事”邮件，他在2012年左右察觉到了问题：尽管副总裁们的报告一片乐观，但基层反馈却显示，为了在智能手机芯片价格战中取胜，NVIDIA正在牺牲性能、背离其解决最复杂问题的核心DNA。这些分散的线索促使他在2014年做出了退出智能手机市场、全力转向AI和自动驾驶的关键决策，从而塑造了今日的AI芯片霸主。
将光速思维应用于个人生活
黄仁勋能用“光速思维”改造一家数万人的公司，个人同样可以借鉴这一思维来提升效率、解放时间。关键在于回答两个问题：
问题一：在绝对理想条件下，完成此事最快需要多久？ 这一步是确定个人任务的“物理极限”。例如，撰写一份报告，常规可能拖满5天。但如果置身于一个无手机、无干扰、资料齐全、全心投入的环境，最快可能只需3-4小时。这3-4小时就是你的“个人光速”。
问题二：那我们为什么不用3小时完成？ 这一步旨在识别并消除“延迟”。答案会暴露所有吞噬时间的敌人：手机通知、拖延症、完美主义、等待灵感、工作娱乐混杂的习惯等。
通过这种方式思考，目标不是把自己累垮，而是将原本需要五天痛苦拉伸完成的工作，压缩在几个高效小时内完成，从而腾出大量时间用于休息、学习或追求其他目标。起初，“光速思维”听起来可能令人倍感压力，但实际上它是一种解放，将人从繁琐流程和无意义的时间浪费中解脱出来。
NVIDIA 创始人 Jensen Huang（黄仁勋）：从买错教科书到万亿市值，NVIDIA 的算法世界观与 AI 未来撰文：Techub News 整理
导语
在 Y Combinator 举办的 Startup School 2026 大会上，NVIDIA 创始人兼 CEO Jensen Huang（黄仁勋）进行了一场近一小时的深度对话。作为当今全球 AI 浪潮中最具影响力的领导者之一，黄仁勋的每次公开分享都备受关注。此次对话不仅回顾了 NVIDIA 从一家濒临破产的图形芯片初创公司成长为市值超万亿美元的科技巨头的关键转折，更深入剖析了驱动这家公司前进的“算法世界观”，并展望了 AI 代理、物理智能（Physical AI）等前沿领域的未来图景。对于每一位身处技术变革洪流中的创业者、开发者而言，这无异于一堂关于创新、韧性与未来洞察的“大师课”。
摘要
NVIDIA 创立之初选择的技术路线是完全错误的，公司是靠创始人买回教科书重新学习才得以存活。
NVIDIA 成功的核心理念不是制造最好的芯片，而是“加速算法领域”，即用专用处理器解决通用 CPU 难以处理的复杂计算问题。
AI 的突破在于认识到深度学习是一个“通用函数逼近器”，这彻底改变了从芯片到应用的整个计算栈。
未来最重要的技能之一是“系统思维”，因为底层的具体任务将由 AI 代理自动化完成。
AI 自动化的是“任务”，而非“工作”，证据表明自动化正在创造更多就业机会。
物理 AI（机器人技术）的“ChatGPT 时刻”已经发生，自动驾驶将是其首个大规模经济应用。
开源是推动整个计算产业（从移动云到现代 AI）发展的根本动力。
创业者的核心心态应是“这能有多难？”，保持学习、直面现实并具备韧性。
一、 教科书拯救的公司：直面错误与学习的力量
如今被视为 AI 基石和图形王者的 NVIDIA，其起点却是一个巨大的错误。Jensen Huang（黄仁勋）在分享中坦言，1993 年公司创立时选择的核心技术“绝对是错的”。当时的愿景是将每台个人电脑变成游戏主机，为此他们试图重新发明 3D 图形算法。然而，到了 1995 年，他们痛苦地意识到，不仅算法行不通，整个团队甚至不知道正确的方法是什么。
彼时，已有 35 到 40 家公司投身 PC 3D 图形领域，NVIDIA 濒临绝境。黄仁勋回忆道，他口袋里只剩下几百美元，于是跑到 Fry‘s 电子产品商店，买回了三本关于 OpenGL 和图形管线设计的教科书。“我把书带回公司，交给工程师……我们后来 reinvent 了计算机图形学，成为现代计算机图形的全球领导者，过去 25 年大多数重大突破都是我们发明的。人人都以为 NVIDIA 一开始就是 3D 图形领域的王者，但我们是从教科书学来的。”他总结道，“我们实际上是开了公司，融了资，然后去买教科书。”
这段经历奠定了 NVIDIA 最根本的哲学：技术本身并不重要，重要的是直面现实的能力和持续学习的态度。“从那以后，NVIDIA 一直在发明各种我们以前从未真正做过的技术……我们以同样的态度对待一切：如果这件事重要，我们就去学，这能有多难？”当然，实际过程总是比想象中艰难得多，但带着“这能有多难”的心态出发，是克服恐惧和开启征程的关键。
二、 算法而非芯片：NVIDIA 的“加速计算”世界观
早期与世嘉（Sega）的合作，是另一个关于诚信与救赎的关键故事。NVIDIA 原本受合约要为世嘉的下一代游戏机（后来的 Dreamcast）提供芯片，但因技术根本性缺陷，黄仁勋亲自飞往日本，向时任 CEO Irimajiri 坦诚无法履约，并建议对方另寻合作伙伴。然而，他也直言公司仍需要合约款项以维持生存。
“你可以想象这场对话。我对他说，‘你合同要求我做的事，我做不到，但我希望拿到合同所有的钱。’”黄仁勋回忆道。最终，世嘉出于对“人”而非“公司”的信任，支付了 500 万美元，这笔钱让 NVIDIA 得以续命，并争取到时间找到正确的方向。后来世嘉在 NVIDIA 上市时出售了股份，获得了可观的回报。这个故事印证了黄仁勋的观点：投资者投资的是人。
从这些生死考验中，NVIDIA 提炼出其成功的核心“大理念”：公司的独特视角在于相信可以通过增强 CPU（即加速计算）来解决原本过于困难的问题。3D 图形只是第一个“算法领域”，后来的分子动力学、图像处理、物理模拟，以及最重要的深度学习，都是同一理念的延伸。
“我们很早就意识到，关键不是制造一个伟大的芯片，而是加速一个算法领域。”黄仁勋强调，“伟大公司的特质在于你对世界有一个独特的、你深信不疑的视角。这不完全是技术，甚至不完全是市场……一个关于未来重要事物的高层愿景，一个独特的视角，并且追求这个愿景是困难的，这些是好的组合。”对于 NVIDIA 而言，这个视角就是“加速计算将变得重要”，而其核心“一切与算法有关，而非芯片”，被证明是完全正确的。
三、 从 AlexNet 到“通用函数逼近器”：预见 AI 革命
当 AlexNet 在 2012 年横空出世时，黄仁勋和许多人一样看到了它。但不同的是，他始终透过“寻找算法”的透镜观察世界。他将 AlexNet 不仅仅视为一个图像识别模型，而是认识到其背后的深度学习是一种“通用函数逼近器”。
“大约 15 年前，我告诉所有人，‘嘿，猜猜怎么着？我们2026 年 7 月学会了通用函数逼近器。’……我们可以给它几乎所有函数的答案，它就能学会这个函数是什么。”这一认知是革命性的。这意味着 AI 可以学习任何函数，而世界上大多数有趣的问题都具有这种“不精确”的特性。
基于此，黄仁勋开始推演这对整个计算栈、软件和各行各业意味着什么。NVIDIA 几乎立即开始了在计算机视觉、机器人、自动驾驶汽车等领域的布局。“我认为重大突破很简单，就是这比 AlexNet 更基础。这是一种做软件的方式。”他描述了一个需要从头开始重新发明的“五层蛋糕”产业栈，包括处理器、中间件、算法和应用。这种从第一性原理出发进行推理、追问“如果这样，那会怎样”的能力，是 NVIDIA 能够提前布局并抓住 AI 浪潮的关键。
四、 CEO 如冲浪者：保持好奇与系统思维
黄仁勋以深入技术细节、直接阅读论文、与一线科学家交流而闻名。当被问及如何在一个庞大组织中保持这种“创始人模式”并推动第一性原理思考时，他表示这始于好奇心。
“我的心态总是从好奇心开始……我首先倾向于自己去发现答案。”如果发现某个信息领域对公司可能非常重要，他的下一个倾向就是尽可能多地学习，以便服务于公司并与他人分享。“我认为 CEO 是为公司服务、为所有员工服务的。你想用一些洞察力赋能他们。”
他比喻道，担任 CEO 就像冲浪。对于外行，海浪是混乱的，但冲浪者能读懂波浪并保持在浪尖。“你必须学会冲浪，而要学会冲浪，你必须理解波浪……你无法拥有任何这些（能力），除非你去尝试，除非你真的去做。”因此，深入细节部分是为了自我了解，部分是为了分解问题以便公司能够学习并采取行动，部分是为了激励他人。
黄仁勋强调，不必为了成为 CEO 而改变个性。“你正在建造一辆你要去比赛的赛车。你应该让车适应你……当我在工作中去世的那天，他们只需要为下一任 CEO 重塑公司。”这种“让组织适应你”的理念，是他能够以“创始人模式”领导公司 34 年，并将其从零带到超 5 万亿美元市值的原因。
五、 智能体、开源与物理 AI 的未来
谈及当前最前沿的算法，黄仁勋着重提到了智能体（Agent）和物理 AI。他认为，系统思维将是未来最重要的技能，因为底层的具体任务（无论是芯片设计还是软件编码）都将被智能体自动化。人们需要更抽象地思考系统：要解决什么问题？约束条件是什么？信息如何流动？
对于智能体，他认为当前最大的突破需求是可控性。“我们不需要智能体 100% 准确、100% 高质量才能使用它……我认为可控性可能是我们在每个层级上对智能体所需的唯一最大突破。”他设想未来人们可以与智能体精细协作，修改计划中的一个词、CAD 文件中的一个组件，然后让智能体重构其余部分。
黄仁勋是开源模式的坚定支持者。他将 OpenClaw 的出现比作“Linux 时刻”，并宣布 NVIDIA 的工程师将全力协助其发展。他认为，就像 Linux、Kubernetes、PyTorch 推动了移动云和现代 AI 一样，开源对于让每个人、每家公司都能构建自己的 AI 至关重要。“如果不开源，移动云产业就永远不会发生……如果没有所有这些，我们怎么会有现代 AI？”
在物理 AI（机器人）方面，黄仁勋表示，其“ChatGPT 时刻”（即打开想象力的时刻）在几年前已经发生，当时他们看到了由神经网络生成的视频和模拟。他意识到，如果能生成手指移动或拿起杯子的视频，就能让机器人执行相同动作。NVIDIA 正在构建“世界基础模型”，让 AI 理解物理定律。他预测，自动驾驶将是物理 AI 首个具有大规模经济价值的应用，目前相关业务规模已近百亿美元，并有望在未来成为下一个千亿美元级业务。
六、 AI 创造就业，与给年轻一代的建议
针对 AI 对就业影响的普遍担忧，黄仁勋提出了一个鲜明的观点：AI 消灭的是“任务”，而不是“工作”。他以软件工程、放射学和律师助理为例：编码、读片等任务被自动化了，但这些职业的就业人数却在显著增长。原因在于，自动化提高了生产率，解决了巨大的需求积压，从而创造了更多的岗位来处理更宏大的抱负和更多的案例。“这是生产力增长推动增长，增长驱动更多就业的经典例子。”
最后，对于年轻一代和在场创业者，黄仁勋给出了真诚的建议。他认为，简单的技能（如手动编码）会被自动化，但硬科学（物理、化学、生物）、计算机工程，尤其是系统思维和跨学科领域的能力将永远至关重要。AI 是一个强大的工具，让我们能够更有野心、更“不耐烦”地去解决那些极其庞大和困难的问题。
回顾自己的创业历程，黄仁勋送给年轻时的自己，也是送给所有创业者一句话：“这能有多难？” 他承认实际过程总是无比艰难，但不要让对困难的想象变成焦虑并阻碍行动。要相信学习的能力，这是最强大的超能力。“你不需要在一天内克服一生。你只需要克服那个早晨，克服今天……如果你坚持足够长的时间，NVIDIA 就会发生。”韧性，或许是所有品质中最重要的一个。
NVIDIA 创始人 Jensen Huang（黄仁勋）：AI 工厂是新时代基础设施，机器人将无处不在撰文：Techub News 整理
导语
当地时间，NVIDIA 创始人兼 CEO Jensen Huang（黄仁勋）在巴黎 VivaTech 2025 大会上，进行了其公司在欧洲首次 GTC（GPU 技术大会）的主题演讲。这场长达 96 分钟的演讲，不仅是对 NVIDIA 最新技术进展的集中展示，更是对 AI 产业未来格局的一次系统性阐述。在 AI 竞争全球化的背景下，黄仁勋亲赴欧洲，宣布与当地企业、研究机构和政府的深度合作，凸显了欧洲市场在构建下一代「AI 基础设施」中的战略地位。
摘要
AI 进入新阶段：从生成式 AI 迈向「智能体 AI」和「具身智能」，AI 将具备规划、推理、执行复杂任务的能力。
「AI 工厂」成为国家基础设施：数据中心正转变为生产智能「代币」的工厂，是驱动经济增长的新基础设施，各国正争相建设。
Blackwell 是「思维机器」：专为推理和复杂思考设计，其 NVLink 互联技术实现了性能的跨越式提升，以支撑爆炸式增长的推理需求。
欧洲全面拥抱 AI：NVIDIA 宣布与 Mistral 共建 AI 云、建立工业 AI 云，并预计未来两年欧洲 AI 算力将增长十倍，缓解 GPU 短缺。
机器人时代来临：通过 Omniverse 数字孪生训练，人形机器人将可快速学习并适应物理世界，预示着一个全新的庞大产业。
从加速计算到量子计算：CUDA 生态的持续进化
Jensen Huang（黄仁勋）开篇回顾了 NVIDIA 的初心：创建加速计算平台。他指出，加速计算不仅仅是新处理器，更是算法和软件范式的重构。为此，NVIDIA 构建了覆盖各领域的 CUDA-X 库生态系统，如用于计算光刻的 cuLitho、用于优化决策的 cuOpt、用于深度神经网络原语的 cuDNN 等。这些库将复杂的并行计算封装起来，为开发者打开了新的应用大门。
他重点宣布了量子计算领域的拐点到来。随着谷歌在 2023 年演示首个逻辑量子比特，量子计算正遵循类似摩尔定律的轨迹发展。NVIDIA 的 CUDA-Q 平台，旨在为量子-经典混合计算提供统一架构。黄仁勋宣布，CUDA-Q 现已针对 Grace Blackwell 200 平台加速，性能提升显著。他预测，未来几年内，新一代超级计算机都将配备量子处理单元，与 GPU 协同工作，开启下一代计算。
AI 新浪潮：从生成内容到生成行动与思考
黄仁勋将 AI 发展划分为几个阶段：最初的感知 AI（识别信息）、过去五年的生成式 AI（创造内容），以及正在开启的第三波浪潮。这波新浪潮的核心是智能体 AI和具身智能。
智能体 AI 意味着 AI 能够像人一样理解、推理、规划并执行任务。它不再是一次性的问答，而是能够分解问题、进行研究、使用工具、评估自身答案的复杂过程。例如，一个智能体可以接收「在巴黎开一家餐车」的指令，然后自动调用市场研究、菜单设计、财务规划、营销策划等多个子智能体协作完成全套方案，生成数千倍于传统问答的「代币」。
具身智能则是智能体在物理世界的体现，即机器人。AI 的能力从生成文本、图像，扩展到生成运动——行走、抓取、使用工具。黄仁勋强调，让机器人学会在复杂物理环境中行动，是当前 AI 最具挑战性的前沿之一。
Blackwell：为「思考」而生的工程奇迹
支撑 AI 新浪潮需要前所未有的算力，尤其是推理算力。黄仁勋指出，传统的单次生成模型正被需要大量内部「思考」（链式思考、树状思考、自我反思）的推理模型取代，这催生了对「思维机器」的需求。NVIDIA 的 Grace Blackwell 架构正是为此设计。
他将 GB200 系统比作一个巨大的虚拟 GPU，其核心突破在于 NVLink 互联技术。通过创新的「脊柱」式纯铜背板，NVLink 将 144 个 Blackwell 芯片连接成一个整体，提供高达 130 TB/秒的全对全带宽——超过全球互联网的峰值流量。这种设计使得性能在摩尔定律放缓的背景下，实现了代际间的巨大飞跃，满足智能体 AI 对高吞吐量和低延迟思考的需求。
黄仁勋通过一段视频展示了 Blackwell 从晶圆到成品的复杂制造过程，涉及全球供应链、120 万个组件、2 英里长的铜缆。他透露，目前该系统的产量已达每周 1000 台，正在以前所未有的规模量产超级计算机。
「AI 工厂」：新时代的国家基础设施
黄仁勋提出了一个核心观点：未来的 AI 数据中心不应再被视为成本中心，而应被重新定义为「AI 工厂」——一种生产智能「代币」并直接产生收入的基础设施。
「没有人会把数据中心看作创收设施，但人们会这样看待汽车工厂。AI 工厂就是创收设施，它们被设计用来生产代币。」他解释道。这些代币可以转化为各行各业的生产力，因此 AI 工厂正成为国家关键基础设施的一部分。这也是他频繁与各国元首会晤的原因——每个国家都希望拥有自己的 AI 制造能力。
他展示了欧洲在此领域的积极行动：电信公司、云服务提供商、超级计算中心都在与 NVIDIA 合作建设 AI 基础设施。他宣布，未来两年，欧洲的 AI 计算能力将增加十倍，这将极大缓解研究者和初创公司的 GPU 短缺问题。同时，NVIDIA 正在七个欧洲国家建立 AI 技术中心，以促进协作研究、扶持初创企业和构建生态系统。
合作、开源与智能体平台：赋能欧洲生态
黄仁勋宣布了多项针对欧洲的具体合作。其中最重要的是与法国 AI 公司 Mistral 合作，共同建设一个大规模的 AI 云，用于交付 Mistral 的模型并为其他 AI 初创公司提供服务。
在模型层面，他介绍了 NVIDIA 的 Nemotron 计划。该计划旨在对 Llama、Mistral、DeepSeek、Qwen 等开源模型进行后期训练、架构搜索和强化学习，大幅提升其推理、长上下文理解等能力，并将优化后的模型以 NIM 的形式封装，供开发者免费下载部署。他强调，数据属于用户自己，鼓励企业利用自身数据在开源模型基础上进行定制化。
为了帮助企业构建自己的专用智能体，NVIDIA 推出了完整的平台，包括世界级的 Nemotron 推理模型、NeMo Retriever 多模态搜索引擎，以及一套涵盖智能体入职、微调、评估、防护、部署全生命周期的工具包。同时，新发布的 DGX Cloud Lepton 服务提供了一个「云上之云」的统一界面，让开发者可以轻松地将训练好的模型或智能体部署到全球任何支持 NVIDIA 架构的云、本地服务器甚至桌面设备上。
工业 AI 与数字孪生：欧洲的复兴机遇
黄仁勋认为，AI 与欧洲深厚的工业根基结合，将催生第四次工业革命。他回顾了欧洲在工业历史上的贡献，并特别提及西门子在 1992 年就推出了神经网络计算机 Synapse 1，以此向欧洲的工业与创新传统致敬。
数字孪生是工业 AI 的核心。通过 NVIDIA Omniverse 平台，企业可以创建逼真且遵守物理定律的工厂、仓库、甚至核聚变反应堆的数字孪生。在其中，可以进行实时设计、仿真、优化，以及训练机器人。宝马、梅赛德斯-奔驰、舍弗勒、丰田等公司均已利用 Omniverse 构建其生产设施的数字化双胞胎。
他预告，NVIDIA 将在欧洲建设世界上第一个工业 AI 云，专门用于满足工业设计、仿真和机器人训练对高性能、高安全性的特殊需求。
自动驾驶与人形机器人：具身智能的未来
黄仁勋将自动驾驶汽车视为最大的机器人应用场景。他介绍了 NVIDIA DRIVE 平台及其核心的 Halos 安全系统，该系统从芯片架构、软件栈到 AI 模型训练和验证，全程贯穿安全理念。基于 Transformer 的感知-推理-规划模型，使得汽车能够像智能体一样处理复杂驾驶场景。
演讲的高潮部分转向了更具象的具身智能——人形机器人。黄仁勋指出，当前机器人普及的障碍在于编程困难，而 AI 将改变这一切。未来的机器人可以通过学习而非编程来掌握技能。
NVIDIA 为此提供全栈解决方案：底层的 Thor 机器人计算芯片、机器人专属操作系统，以及上层的感知与运动生成 AI 模型。最关键的是训练方式：机器人先在 Omniverse 创建的、遵守物理定律的数字孪生世界中，经历数十万种场景的训练，然后再迁移到现实世界。
现场，黄仁勋与一个名为「Grek」的、在 Omniverse 中学会行走的小型机器人进行了生动互动，直观展示了这项技术的成熟度。他预言，人形机器人将成为有史以来最大的产业之一，而拥有强大制造业的欧洲将在此领域拥有巨大机遇。
结语：一切皆已开始
在演讲结尾，黄仁勋总结道，一场新的工业革命已经开启，AI 的新浪潮已经到来。智能体 AI 和机器人将驱动推理工作负载呈指数级增长，这需要 Blackwell 这样的「思维机器」，也需要 AI 工厂这样的新型基础设施。他欣喜地看到欧洲正在全力投入 AI，并相信这将成为欧洲复兴的重要契机。在雷鸣般的掌声中，他与机器人 Grek 告别，为这场信息量巨大的技术盛宴画上了充满未来感的句号。
NVIDIA CEO Jensen Huang（黄仁勋）与 Dell CEO Michael Dell（迈克尔·戴尔）：AI 工厂、智能体与供应链的未来撰文：Techub News 整理
导语
2026 年 5 月，NVIDIA 创始人兼 CEO Jensen Huang（黄仁勋）与 Dell Technologies 董事长兼 CEO Michael Dell（迈克尔·戴尔）共同接受了 Bloomberg 的深度访谈。此次对话发生在 NVIDIA GTC 大会之后，正值 AI 从技术探索迈向大规模生产应用的关键节点。两位科技巨头领袖不仅分享了各自公司在 AI 基础设施、企业解决方案上的最新进展，更就 AI 智能体的未来、全球供应链挑战以及地缘政治下的市场准入等尖锐问题发表了看法。他们的对话，为我们勾勒出一幅从云端到边缘、从生成内容到执行任务的 AI 未来全景图。
摘要
AI 应用正从“测试评估”全面转向“生产部署”，企业级市场是下一波巨大增长点。
“智能体”将取代“生成式 AI”成为新焦点，其核心是在数据所在处（如本地、工厂）执行实际工作。
NVIDIA 与 Dell 正携手构建完整的“AI 工厂”解决方案栈，涵盖大脑（GPU）、运行时（CPU+软件框架）和长期记忆（数据平台）。
AI 驱动的需求增长远超全球供应链当前产能，尤其是先进存储和半导体，这被视为结构性而非周期性变化。
Jensen Huang（黄仁勋）对中国 AI 芯片市场持开放态度，认为尽管存在限制，但巨大的需求终将推动市场进一步开放。
从云到边缘：AI 部署的范式转移
访谈伊始，主持人便指出一个显著变化：过去几年，Jensen Huang（黄仁勋）谈论的重心是超大规模云服务商的加速计算，而现在，焦点转向了本地部署（on-prem）的“AI 工厂”。黄仁勋对此给出了清晰解释：智能必须在其上下文所在之处产生和执行。
早期 AI 应用多集中在云端，尤其是消费级服务。然而，对于像礼来（Eli Lilly）、三星这样的制造业巨头或任何拥有大量敏感、专有数据的企业而言，将 AI 智能体部署在本地至关重要。那里存放着公司所有的核心数据、技能和业务流程。黄仁勋强调，生成式 AI（如初代的 ChatGPT）擅长创造内容，但这只是开始。新一代的“生产性 AI”或“智能体 AI”的价值在于“完成工作”。它们更像是数字员工，能够利用工具，在真实的物理世界或企业系统中执行任务，带来十倍甚至百倍的效率提升。
Michael Dell（迈克尔·戴尔）补充道，当企业利用这项技术重新构想工作流程时，获得的不是百分之几十的渐进式改进，而是数量级式的飞跃。这种变革速度正是企业赢得竞争优势的关键。Dell 的角色是将 NVIDIA 的技术转化为客户可直接使用的完整解决方案，为全球企业提供类似云服务商为自身提供的“AI 工厂”能力。
构建 AI 智能体：大脑、缰绳与记忆
黄仁勋详细阐述了构建一个能够“工作”的 AI 智能体所需的技术栈，这远远超出了一个大型语言模型（LLM）本身。
首先，是“大脑”。即像 Grace Blackwell GB200 这样的超级芯片，用于运行庞大的语言模型。其次，是“缰绳”。这是指即将发布、专为生成式 AI 设计的 Vera CPU。CPU 的作用如同缰绳，控制着 LLM 这匹“骏马”，使其能够安全、有效地访问内存、网络、工具，并管理短期工作记忆和长期记忆。这个“缰绳”软件层将原始的大脑模型转变为可用的“智能体”或“数字机器人”。
第三，是“长期记忆”。NVIDIA 与 Dell 合作，创建了基于 NVIDIA 技术的 Dell AI 数据平台，专门服务于智能体的长期记忆需求。此外，扩展智能体规模所需的网络、以及名为 Nemo Crawl 的智能体运行时环境，都被集成在一个名为 Open Shell 的安全治理容器中。
Michael Dell（迈克尔·戴尔）指出，随着企业内部智能体框架的普及，CPU 的需求量将大幅增加。他描绘了一个未来图景：全球可能有数百亿个智能体，它们持续不断地使用工具，其速度和频率远高于人类。因此，我们需要海量的 CPU，而这些 CPU 都连接着 GPU“大脑”，以便知道如何思考、推理、计划和使用工具。
供应链：结构性挑战与长期愿景
当被问及当前最大的供应限制时，两位 CEO 不约而同地提到了高带宽内存（HBM）和先进制程半导体。黄仁勋承认，尽管半导体供应链正在扩张，但需求增长的速度更快。NVIDIA 通过多年的规划和与合作伙伴的深度协作，确保了从 HBM、Grace Blackwell 芯片到硅光技术等各个环节的供应对齐。然而，全球的总产能仍难以满足爆炸式的需求。
主持人提出了一个关键问题：内存行业历来具有周期性（繁荣与萧条交替），如何说服供应链伙伴这是结构性、永久性的需求增长？黄仁勋分享了他的方法论：NVIDIA 长期致力于与供应链上游（如美光、SK 海力士）沟通未来的产业愿景。例如，他在三年前就向美光 CEO 详细解释了今天正在发生的 AI 变革，以确保对方能据此规划产能。他强调，必须让上下游供应链（包括电力、土地、融资方）都为这个未来做好准备。
黄仁勋的逻辑很简单：我们正在进入一个拥有数十亿 AI 智能体的时代，它们如同数字工人，7x24 小时不间断工作。正如每个知识工作者需要一台笔记本电脑和一部分数据中心资源，每个智能体也需要相应的计算、存储和基础设施支持。Michael Dell（迈克尔·戴尔）也认同，尽管预测长期需求很难，但他们与供应链伙伴长达数十年的合作关系正在发挥作用。他判断，AI 基础设施的建设才刚刚开始，将持续至少十年，而紧随其后的将是物理 AI（机器人）的浪潮，那将是一个更大的市场，需要全新的基础设施能力。
地缘政治与市场前景：中国与供应链韧性
访谈不可避免地触及了地缘政治话题。主持人询问了黄仁勋2026 年 5 月随美国总统访问中国的行程，特别是关于 H200 芯片对华销售许可以及中国市场的态度。
黄仁勋首先表明，美国总统希望美国在 AI 革命中引领全球。关于 H200，他表示该产品已获得对华销售许可证，但最终取决于中国政府如何平衡保护本土产业与引入更多 AI 算力以扩大市场。他感受到中国对 AI 的需求同样惊人，生成式 AI 在中国也取得了巨大进展。他引用中国领导人的表态，认为中国将继续扩大开放，因此他预期市场将随着时间的推移而进一步开放。不过，他澄清此次行程主要是作为美国代表支持总统，并未直接与中国官员讨论 H200 的销售细节。
Michael Dell（迈克尔·戴尔）作为总统科技顾问委员会成员，也表达了希望看到中美之间更多经济合作的愿望，他认为这最终将为所有人带来更大的繁荣和更成功的国际关系。
关于台湾问题，黄仁勋指出台湾仍是全球科技制造与研发的核心，供应链高度集中于此。但同时，美国也在积极推进本土制造业回流，建设更多的晶圆厂、封装厂和 AI 工厂。由于需求极其旺盛，全球产能正在全方位扩张。他的结论是，实现供应链的多样性和韧性是可能且必要的，而台湾将继续作为全球科技中心之一发挥关键作用。
PC 的未来：个人 AI 的崛起
在访谈尾声，话题转向了看似传统的 PC。Michael Dell（迈克尔·戴尔）强调，PC 仍然是知识生产力的中心设备，并且正在进化。新款 XPS 笔记本已经能够本地运行小型 AI 模型，实现混合 AI 计算。用户对更强大 PC 的需求正在上升，这依然是一个充满活力且能带来供应链规模优势的业务。
黄仁勋则从更宏大的计算演进角度展望未来。他认为，我们正在见证“个人 AI”时代的开端，它将接续“个人电脑”时代。其核心理念依然是：AI 需要存在于上下文所在之处。如果一个人的所有信息和工作都在笔记本电脑上完成，那么 AI 助手就需要在本地运行。同理，工厂、医院、自动驾驶汽车中的 AI 都必须部署在相应场景中。这种分布式、无计量限制的智能，将是下一代计算的核心特征。当被问及 NVIDIA 与 Dell 在 PC GPU 上是否会合作时，两位 CEO 卖了个关子，暗示“很快会有消息”，留下了巨大的想象空间。
Elon Musk（马斯克）与 Jensen Huang（黄仁勋）对谈：AI 将终结贫穷，工作将成“选项”撰文：Techub News 整理
导语
2025 年 11 月，在沙特阿拉伯举行的一场高级别科技论坛上，全球科技界两位极具影响力的领袖——特斯拉、SpaceX 及 XAI 创始人 Elon Musk（马斯克）与 NVIDIA 创始人兼 CEO Jensen Huang（黄仁勋）——进行了一场公开对话。此次对话正值沙特与美国宣布建立 AI 战略伙伴关系之际，背景特殊，意义深远。Musk 和 Huang 分别作为电动汽车、太空探索、人形机器人及 AI 算力基础设施领域的领军者，他们的观点交汇预示了塑造未来数十年的关键技术路径与产业变革。
摘要
Elon Musk（马斯克）预言，随着 AI 和人形机器人的发展，“工作将成为可选选项”，并可能最终消除贫穷。
Jensen Huang（黄仁勋）阐释了从“检索式计算”到“生成式计算”的范式转变，这正是全球需要建设“AI 工厂”的根本原因。
Musk 提出了一个激进观点：未来 5 年内，成本最低的 AI 计算可能将通过太空中的太阳能 AI 卫星来实现，而非在地球上。
针对“AI 泡沫论”，Huang 从计算范式根本性转移的角度论证，当前对 AI 算力的巨大需求有着坚实的底层逻辑支撑。
从创造到革命：人形机器人将超越手机
当被问及如何持续颠覆不同行业时，Elon Musk（马斯克）首先纠正了“颠覆”的说法，更倾向于称之为“创造”。他以 SpaceX 的可重复使用火箭、特斯拉的电动汽车为例，指出这些领域在起步时几乎是一片空白。真正的革命在于解决根本问题：火箭的可复用性决定了太空访问的成本，而电动汽车的核心是使其具有吸引力和可负担性。
话题自然转向了人形机器人。Musk 直言，目前市面上还没有真正实用的人形机器人，有的只是“噱头”。他相信，特斯拉将制造出第一个真正有用的人形机器人，这将是又一次重大革命。“我总是在想，谁不想要自己的 C-3PO 和 R2-D2 呢？当然每个人都想要。” Musk 说道。他进一步大胆预测，人形机器人将成为有史以来规模最大的产业或产品，甚至超过手机，因为每个人都会想要一个，甚至多个，它们也将广泛应用于工业领域。
更重要的是，Musk 将人形机器人与消除全球贫困这一宏大议题联系起来。他指出，关于消除贫困的讨论已经持续了很久，但进展有限。他认为，AI 和人形机器人将是真正实现普遍富裕的唯一途径。特斯拉将率先开拓这一领域，但最终会有许多公司参与其中，共同推动这一变革。
AI 工厂：从“检索”到“生成”的范式革命
随着对话转向 AI 基础设施，Jensen Huang（黄仁勋）接过了话题。他赞赏了沙特从建设“石油精炼厂”到建设“AI 工厂”的转型比喻，并深入阐述了为何 AI 本身就是一种新时代的基础设施。
Huang 指出，从计算机科学的角度看，AI 带来了一场根本性的范式转变。过去的计算主要是“检索式”的：无论是文档、艺术品还是广告，内容都是预先由人类创建好的，系统只是根据指令检索出合适的版本呈现给用户。过去的 Hadoop 等框架和操作系统都是为此设计的。
“但今天的软件将是实时生成的，” Huang 强调，生成式 AI 基于上下文、环境、用户身份和具体问题来动态生成独一无二的内容。每一次交互产生的输出都是独特的。例如，每次使用 Grok（Musk 旗下 xAI 的 AI 模型）的体验都会因提示词和情境的不同而不同。
正是这种从“检索”到“生成”的根本性转变，导致了全球对“AI 工厂”（即大规模 AI 计算中心）的迫切需求。如果内容需要为全球每个人实时、个性化地生成，那么就需要遍布世界各地的 AI 工厂来提供所需的巨大算力。这种计算模式是独特的，其优势在于内容不再是预先构想和记录的，而是具有情境感知能力，因而更加智能。
未来的工作：从“必须”到“可选”
当讨论到 AI 和机器人对未来就业的影响时，两位领袖给出了既有交集又各有侧重的展望。
Elon Musk（马斯克）给出了一个长期而清晰的预测：“工作将成为可选选项。” 他将未来的工作类比于在后院种菜或进行体育运动——过程可能更费力，但人们选择去做是因为他们喜欢。他预计，在 10 到 20 年的“长期”内，随着 AI 和机器人持续进步，“货币在未来的某个时刻将变得无关紧要”。当然，电力、物质等物理层面的约束依然存在，但经济体系可能发生根本性变化。他建议人们阅读 Iain M. Banks 的《文明》系列科幻小说，以窥见一种可能的、积极的 AI 未来图景。
Jensen Huang（黄仁勋）则着眼于更近期的未来。他承认每个人的工作都将发生变化，许多繁琐、艰巨的任务将变得简单，从而提升整体生产力。但他认为，这并不意味着人们会变得清闲。“我有种预感，因为 AI，Elon 会更忙，我也会更忙。” Huang 解释道，这是因为效率提升后，人们会有更多时间去追逐脑海中的无数想法，处理公司内部积压的创新项目。
他以放射学为例，提供了一个有力的实证：当 AI 驱动医学影像分析后，外界预测放射科医生将首先失业，但事实恰恰相反。因为放射科医生的核心目标是诊断疾病，而非仅仅看片子。AI 使分析图像变得极其高效，医生因此可以查看更多影像、研究更多模态、花更多时间与患者沟通，最终接收了更多患者。全球范围内的放射诊疗数量和质量都在提升，对放射科医生的需求反而增加了。Huang 认为，这代表了 AI 提升生产力的近期积极结果。
重大合作宣布与太空 AI 计算的未来
对话中穿插了重要的合作宣布。Musk 透露，其旗下的 XAI 将与沙特合作，启动一个规模达 500 兆瓦的 AI 计算项目，初期阶段为 50 兆瓦，并将使用 NVIDIA 的技术。Jensen Huang（黄仁勋）对此表示祝贺，并盛赞合作方 Humane（应为主办方或沙特相关实体，根据上下文推断）作为一家初创公司能获得如此规模的项目是“破纪录”的。Huang 还补充了 NVIDIA 与沙特在其他领域的合作，包括利用 Omniverse 数字孪生平台训练机器人，以及构建超级计算机来模拟和辅助量子计算等。
随后，一个关于“太空 AI”的问题将讨论推向了更富想象力的层面。Elon Musk（马斯克）认为，如果文明持续发展（他提醒不应将此视为理所当然），那么太空 AI 是不可避免的。他从卡尔达肖夫文明等级的角度分析：若要利用太阳能量的哪怕百万分之一，达到 II 型文明的水平，就必须依赖位于深空、太阳能供电的 AI 卫星。
他给出了一个时间框架和令人震惊的结论：“我认为，甚至可能在四五年内，进行 AI 计算成本最低的方式将是使用太阳能供电的 AI 卫星。所以我说，距离现在不会超过 5 年。” 他解释道，地球上的 AI 计算面临电力供应和散热的双重极限挑战。一个 GB300（NVIDIA 新一代 AI 芯片）机柜重约 2 吨，其中 1.95 吨可能都用于冷却。如果想实现每年 300 吉瓦的 AI 计算规模（相当于美国年均用电量的三分之二），在地球上建设所需的发电厂是极其困难的。而若想达到每年 1 太瓦，则“根本不可能”。
相比之下，太空中拥有持续的太阳能，无需电池储能，散热仅靠辐射即可解决，太阳能板也因无需玻璃和框架而更便宜。因此，Musk 坚信，太空 AI 计算的经济性将远超地面。Jensen Huang（黄仁勋）也幽默地附和道：“在太空给芯片散热也更容易（因为没有介质，主要靠辐射）。” 这为未来超大规模 AI 计算描绘了一条跳出地球束缚的新路径。
AI 是否存在泡沫？黄仁勋的底层逻辑分析
在对话临近尾声时，主持人提出了一个尖锐的问题：我们是否正身处一个 AI 泡沫中？Jensen Huang（黄仁勋）没有直接回答“是”或“否”，而是回归计算机科学的第一性原理，给出了三层逻辑严密的论述。
首先，摩尔定律已趋近尽头，通用计算性能的提升无法满足全球计算需求的增长。因此，世界早已转向加速计算。他提供了一个关键数据：六年前，全球 TOP500 超级计算机中 90% 基于 CPU，如今这一比例已降至不足 15%；反之，加速计算的比例从 10% 上升到了 90%。这是一个在高性能计算领域已经发生的根本性转折。
其次，生成式 AI 正在接管互联网的核心引擎。过去 15 年最重要的应用是“推荐系统”，它决定了我们在社交信息流、广告、电商中看到什么。没有它，人类在浩瀚的互联网中将寸步难行。如今，这个引擎正从 CPU 迁移到 GPU 上运行，并进化为生成式 AI。
最后，基于前两点，许多互联网公司仅为了处理海量数据和运行新一代推荐系统，就需要建设数量庞大的 GPU 超级计算机。在此坚实基础之上，才诞生了第三层机会——智能体 AI（Agentic AI），即如 Grok、ChatGPT、Claude、Gemini 等大众熟知的 AI 应用。
Huang 的结论是，当人们只看到最上层的“AI 泡沫”时，往往忽略了底层正在发生的、从通用计算到加速计算的不可逆的范式转移。如果考虑到这一点，就会认识到，真正留给驱动革命性智能体 AI 的算力需求，远低于人们的想象，并且是完全合理的。他的分析为当前 AI 投资热潮提供了一个坚实的技术逻辑支撑。
NVIDIA 创始人 Jensen Huang（黄仁勋）谈 AI 工厂、推理革命与机器人未来撰文：Techub News 整理
导语
北京时间 2025 年 3 月，NVIDIA 年度技术盛会 GTC 在美国圣何塞盛大开幕。在长达两个多小时的主题演讲中，公司创始人兼 CEO Jensen Huang（黄仁勋）再次以标志性的皮衣造型登台，向全球开发者、合作伙伴与行业观察者展示了 AI 浪潮下的最新进展与未来蓝图。本次演讲被外界誉为「AI 超级碗」，其重要性在于，它不仅宣告了 Blackwell 架构 GPU 的全面量产，更系统性地阐述了 AI 发展已进入以「推理」和「具身智能」为核心的新范式，并揭示了由此引发的百倍级计算需求增长。
黄仁勋在演讲中强调，AI 正在经历从生成式（Generative AI）到智能体（Agentic AI），再到物理 AI（Physical AI）与机器人的演进。当前，支持智能体「推理」能力的 AI 模型，其计算需求远超一年前的预期。为此，NVIDIA 提出了「AI 工厂」的概念，并发布了旨在管理这种新型计算范式的操作系统「Dynamo」。同时，在机器人领域，NVIDIA 宣布开源其通用机器人基础模型 Groot N1，并与 DeepMind、迪士尼研究部门联合推出了新一代物理引擎「Newton」，标志着具身智能的产业化进程全面加速。
摘要
推理计算需求爆发：由于智能体 AI 需要进行逐步推理、一致性检查等复杂思考，其生成的令牌（Token）数量可能是传统生成式 AI 的百倍以上，对计算基础设施提出了前所未有的要求。
「AI 工厂」与操作系统：未来数据中心将转变为专注于「生成令牌」的 AI 工厂。NVIDIA 推出开源操作系统「Dynamo」，用于在超大规模 GPU 集群上动态调度和管理复杂的推理工作负载。
Blackwell 平台全面就绪：Blackwell 架构 GPU 已投入全速生产，其 MVLink 72 机架级系统在同等功耗下，推理性能较上一代 Hopper 提升高达 40 倍，旨在应对推理计算的极端需求。
机器人时代开启：通过 Omniverse 数字孪生平台、生成式模型 Cosmos 以及新的物理引擎 Newton，NVIDIA 构建了完整的机器人开发与训练堆栈，并开源 Groot N1 模型，加速通用机器人产业发展。
全栈 AI 基础设施落地：从云端 AI 工厂、企业级 AI 工作站（DGX Spark/Station），到边缘通信网络（与 T-Mobile、思科合作），再到机器人计算平台，NVIDIA 正在构建覆盖所有场景的 AI 基础设施。
AI 的范式转移：从生成到推理，再到物理世界
黄仁勋开篇回顾了 AI 过去十年的发展历程：从感知 AI（计算机视觉、语音识别）到生成式 AI，再到如今的智能体 AI 和物理 AI。他指出，生成式 AI 从根本上改变了计算模式，从过去的「检索计算」转变为「生成计算」。而当前的关键突破在于智能体 AI，其核心是赋予了 AI「推理」能力。AI 可以感知上下文，规划步骤，使用工具，并通过「思维链」等技术逐步解决问题，而非一次性输出答案。
这种转变带来了计算需求的指数级增长。黄仁勋解释，当一个 AI 进行逐步推理时，它需要生成一系列代表思考步骤的令牌。例如，解决一个复杂的婚宴座位安排问题，传统模型可能快速生成 500 个令牌但答案错误，而推理模型则需要生成近 9000 个令牌来逐步推导出正确答案。这不仅仅是令牌数量的增加，为了保持交互的实时性，计算速度也需要同步提升。「两者叠加，我们需要的计算量很容易达到一年前预期的一百倍以上。」黄仁勋强调。
支撑智能体 AI 的训练方式也发生了变革。通过强化学习与可验证结果（如数学定理、物理定律）相结合，AI 可以在海量合成数据上进行自我训练，无需完全依赖有限的人类标注数据。这解决了数据和训练规模化的根本问题，但也将「极端计算」的挑战摆在了整个产业面前。
AI 工厂：计算基础设施的根本性重塑
面对百倍增长的计算需求，黄仁勋提出了「AI 工厂」的概念。未来的数据中心不再仅仅是运行传统软件的地方，而是一座座专门「生产」智能令牌的工厂。这些令牌被重组为文本、图像、视频、蛋白质结构或商业洞察，直接创造价值。因此，AI 工厂的运营效率直接关系到服务质量和经济收益。
AI 工厂的运营面临一个根本性矛盾：既要为单个用户提供快速（低延迟）的智能响应，又要让整个工厂能同时服务海量用户（高吞吐量）。黄仁勋用一张图表阐释了这一挑战，横轴是用户体验的令牌生成速度，纵轴是整个工厂的令牌产出吞吐量，理想状态是同时最大化两者。这要求基础设施必须具备极高的计算性能（FLOPS）和内存带宽。
为此，NVIDIA 推出了划时代的 Blackwell 平台。其顶级配置 MVLink 72 将一个机柜内的所有 GPU 通过高速互联整合成一个巨型计算设备，提供每秒 1 Exaflops（百亿亿次）的计算能力和 576 TB/s 的内存带宽。黄仁勋展示的数据显示，在同等功耗下，Blackwell MVLink 72 系统在推理工作负载上的性能可达上一代 Hopper 系统的25 倍，而在处理需要复杂推理的模型时，性能优势更可达40 倍。他直言：「当 Blackwell 开始大规模出货时，Hopper 可能会无人问津。」
然而，硬件只是基础。如何在如此庞大且异构的 GPU 集群上高效运行万亿参数模型，并动态分配资源以应对「上下文填充」和「令牌解码」等不同计算阶段的需求，需要极其复杂的软件调度。NVIDIA 2025 年 3 月发布的Dynamo，正是为解决这一问题而生。黄仁勋将其称为「AI 工厂的操作系统」。Dynamo 可以动态管理模型在数万张 GPU 上的张量并行、流水线并行、专家并行等复杂分布策略，并能将计算资源在「思考」和「输出」任务间灵活调配。NVIDIA 宣布将 Dynamo 开源，并与 Perplexity 等合作伙伴共同推进其生态。
攻克通信瓶颈：硅光子与下一代网络
为了将 AI 工厂扩展到数十万甚至数百万 GPU 的规模，传统的网络连接方式在功耗和成本上已难以为继。黄仁勋指出，在当前架构下，每个 GPU 可能需要 6 个光模块，每个功耗 30 瓦，成本约 1000 美元。对于一个百万 GPU 的数据中心，仅光模块的功耗就将高达 180 兆瓦，成本高达 60 亿美元。
NVIDIA 的解决方案是硅光子技术。黄仁勋展示了全球首款 1.6 Tb/s 的共封装光学（CPO）交换机芯片，其核心是采用微环谐振器调制器技术。该技术将光子集成电路、电子集成电路通过 3D 封装集成，实现了极高的密度和能效。相比传统方案，新技术能节省数据中心数十兆瓦的功耗，这些宝贵的电力可以转而用于增加更多的计算单元。搭载该技术的 Spectrum-X 以太网平台预计将于 2026 年下半年上市，为超大规模 AI 集群铺平道路。
机器人：物理 AI 的终极体现与产业爆发
演讲的后半段，焦点转向了物理 AI 和机器人。黄仁勋认为，机器人是解决全球劳动力短缺的关键，未来将成为一个巨大的产业。NVIDIA 为此提供了涵盖仿真、训练、部署的完整计算平台。
核心挑战依然是数据和训练。NVIDIA 通过 Omniverse 数字孪生平台生成高度逼真且多样化的合成训练数据，并通过物理引擎提供可验证的奖励信号来训练机器人 AI。黄仁勋宣布了两项重大进展：一是与 DeepMind、迪士尼研究部门联合推出的新一代 GPU 加速物理引擎Newton，专注于刚体、软体和触觉反馈的高保真、超实时仿真，为机器人精细技能训练提供基础。二是开源其通用人形机器人基础模型Groot N1。该模型采用「快思考」与「慢思考」双系统架构，能感知环境、进行推理规划，并控制机器人执行复杂任务序列。
「物理 AI 和机器人技术的发展速度如此之快，」黄仁勋提醒道，「这很可能成为未来最大的产业。」
从云到端：全栈 AI 基础设施的全面落地
黄仁勋强调，AI 将无处不在，而不仅限于云端。NVIDIA 正在构建覆盖所有场景的 AI 基础设施：
云端与 AI 工厂：Blackwell 平台及 Dynamo 操作系统，服务于超大规模 CSP 和 AI 公司。
企业级：推出全新的 AI 工作站产品线，包括便携式「DGX Spark」（与联发科合作）和桌面级「DGX Station」，将强大的 AI 计算能力带给每一位开发者和数据科学家。同时，与戴尔、慧与等 OEM 厂商合作，提供全栈企业 AI 解决方案，甚至重新定义了未来的「语义存储」系统。
边缘与通信：宣布与 T-Mobile、思科、CUS-ODC 合作，在美国构建融合 AI 的电信边缘计算全栈，旨在用 AI 革新无线通信网络。
自动驾驶：宣布通用汽车选择 NVIDIA 作为合作伙伴，共同构建其未来的自动驾驶车队。黄仁勋还特别介绍了 NVIDIA 在功能安全（DRIVE Halos）方面的深厚投入。
最后，黄仁勋公布了清晰的产品路线图，承诺每年更新一次架构，每两年推出新产品系列，并预告下一代平台将以著名物理学家「维拉·鲁宾」和「理查德·费曼」的名字命名。在结束演讲前，他再次感谢了全球开发者生态，并播放了一段由 AI 生成、致敬人类探索精神的震撼影片，将全场气氛推向高潮。
整场演讲表明，NVIDIA 已不再仅仅是一家芯片公司，而是作为 AI 革命的「总建筑师」，通过从硅、系统、软件到生态的全栈创新，正在定义和构建智能时代的核心基础设施。
NVIDIA 创始人兼 CEO Jensen Huang（黄仁勋）：AI 工厂、物理 AI 与机器人革命撰文：Techub News 整理
导语
2025年1月，NVIDIA 创始人兼 CEO Jensen Huang（黄仁勋）在 CES（国际消费电子展）发表了一场长达91分钟的主题演讲。这场演讲不仅是消费电子领域的风向标，更是 AI 与计算产业的一次重磅宣言。在生成式 AI 浪潮席卷全球一年后，黄仁勋系统性地阐述了 NVIDIA 从芯片、软件到生态的全栈战略，并揭示了 AI 从数字世界迈向物理世界的宏大蓝图。本次演讲的背景是 Blackwell 架构 GPU 全面投产，以及 AI 正在从云端渗透到边缘、PC 乃至每一个机器人的核心。
摘要
Blackwell 架构 GeForce RTX 50 系列 GPU 发布，性能大幅提升，AI 驱动的神经渲染成为未来计算机图形学核心。
AI 工厂（AI Factory）规模空前，Blackwell 系统正在全球45家工厂生产，以满足三大扩展定律驱动的海量算力需求。
发布世界首个物理 AI 基础模型平台 Cosmos，旨在理解物理世界，为机器人、自动驾驶等提供“世界模型”。
预言智能体 AI、自动驾驶汽车和人形机器人将构成未来多万亿美元规模的机器人产业，并公布了相应技术栈与合作伙伴进展。
推出 Project Digits，一种新型桌面 AI 超级计算机，旨在让每个开发者都能轻松获得强大的 AI 算力。
从 GeForce 到 Blackwell：AI 如何重塑图形与游戏
演讲开场，黄仁勋回顾了 NVIDIA 三十年的历程，从最初的游戏图形处理器（GPU）到如今驱动 AI 革命的引擎。他特别指出，正是 GeForce 平台将 AI 带给了大众，而现在，AI 正在“回馈”并彻底革新 GeForce 自身。
现场演示了一段实时渲染的、细节惊人的游戏画面。黄仁勋解释道，这背后是 AI 驱动的神经渲染技术——DLSS（深度学习超级采样）的最新飞跃。传统的光线追踪需要计算每一个像素，计算量巨大。而新一代 DLSS 结合了可编程着色器、光线追踪加速以及 AI 预测。系统仅渲染少量关键像素，然后由在超级计算机上训练好的神经网络，基于这些像素预测并生成其余所有像素，甚至能预测未来帧。黄仁勋用一组数字强调了其革命性：在 4K 分辨率下，每帧有约3300万像素，但系统实际只计算了其中的200万，其余均由 AI 高效生成。“这绝对是个奇迹，”他说，“AI 的计算量少得多，但经过海量训练后，生成效率极高。”这标志着计算机图形学的未来是神经渲染，即人工智能与计算机图形的融合。
在此基础上，黄仁勋正式发布了基于 Blackwell 架构的 GeForce RTX 50 系列 GPU。旗舰型号 RTX 5090 拥有920亿晶体管，提供4 PetaFLOPS的 AI 性能（是上一代 Ada 的三倍）、380 TeraFLOPS的光线追踪性能。它采用美光的 G7 内存，带宽达1.8 TB/s。黄仁勋特别提到，这一代 GPU 的着色器也能处理神经网络，从而实现了“神经纹理压缩”和“神经材质着色”，带来前所未有的图像质量。RTX 5090 定价为1599美元，他幽默地称之为“对你那价值1万美元的家庭娱乐指挥中心的绝佳投资”。
更令人印象深刻的是，如此强大的性能也被塞进了笔记本电脑。黄仁勋展示了 RTX 570 笔记本电脑，其性能堪比上一代桌面旗舰 RTX 4090，起售价仅为1299美元。这得益于 AI 神经渲染大幅提升了能效，使得高性能 GPU 能够放入轻薄本中。他总结道：“GeForce 将 AI 带给世界，使其民主化；现在，AI 回来彻底革新了 GeForce。”
AI 工厂与三大扩展定律：驱动算力需求的永动机
随后，黄仁勋将话题转向更宏观的 AI 产业。他指出，整个行业正在追逐并竞相扩展人工智能的规模，而这背后遵循着强大的“扩展定律”。
他详细阐述了目前观察到的三大扩展定律：
预训练扩展定律：模型能力随着训练数据量、模型规模和所用计算量的增加而提升。互联网产生的多模态数据（视频、图像、声音）仍在快速增长，为训练基础模型提供了燃料。
后训练扩展定律：通过强化学习、人类反馈等技术，AI 在“毕业”后继续精进技能，如解决数学问题、优化推理能力。这类似于请教练进行针对性辅导。
测试时扩展定律：AI 在被使用时，可以动态分配计算资源来解决问题。例如，通过“长思考”或“思维链”将复杂问题分解为多步推理，生成多个方案并评估最优解。这大幅提升了回答质量，但也显著增加了推理阶段的计算需求。
黄仁勋强调，这些定律共同驱动了对 NVIDIA 计算平台的“巨大需求”，尤其是对 Blackwell 芯片的需求。他宣布，Blackwell 现已全面投产。全球所有主要云服务提供商都已部署基于 Blackwell 的系统，约有15家计算机制造商正在生产超过200种不同配置的服务器（风冷、液冷、x86或 NVIDIA Grace CPU 版本）。
为了直观展示 AI 工厂的规模，黄仁勋请工作人员搬上了一台完整的 GB200 NVL72 系统。这台机器重达1.2吨，包含约60万个零件（相当于20辆汽车），功耗120千瓦，内部有长达2英里的铜缆和5000条线缆。它正在全球45家工厂制造、测试和组装。“制造过程令人惊叹，”他说，“但这一切的目标，是因为扩展定律正如此强劲地驱动着计算需求。”
Blackwell 相比上一代 Hopper，能效提升了4倍，性价比提升了3倍。这意味着训练模型的成本降低了三分之二，或者说，用同样的成本可以训练大三倍的模型。黄仁勋指出，每个数据中心都受限于电力，因此能效提升4倍，意味着数据中心可生成的 AI “令牌”（Token）和可支撑的业务收入也相应大幅增加。“这些 AI 工厂系统，2025 年 1 月就是真正的工厂。”
智能体 AI：下一代数字劳动力与企业软件革命
黄仁勋预测，智能体 AI 将是下一个机器人级别的产业，可能创造数万亿美元的价值。智能体 AI 不是单一模型，而是一个由多个模型组成的系统，它们能够感知、推理、计划并行动，代表人类执行任务。
为了帮助生态构建智能体 AI，NVIDIA 推出了三层技术栈：
NVIDIA NIM：AI 微服务。将复杂的 CUDA 软件、优化后的模型打包成容器，开发者可以轻松部署在任何云或本地。NIM 提供视觉、语言、语音、动画、数字生物学等多种模型。
NVIDIA Nemo：数字员工入职与培训框架。未来，AI 智能体将成为企业的“数字劳动力”，Nemo 提供工具来定制智能体（学习公司特定术语、业务流程）、评估其表现、设置行为护栏（Guardrails）并管理其生命周期。黄仁勋预言：“未来，每家公司的 IT 部门都将成为 AI 智能体的人力资源部。”
蓝图与开源模型：NVIDIA 提供各种智能体应用的参考蓝图，并宣布推出基于 Meta Llama 3.1 微调而成的 “Llama Neotron” 系列开源模型。这些模型针对企业用例进行了优化，在多项基准测试中领先，将成为构建企业级智能体的重要基石。
他列举了智能体 AI 的多个应用场景：为知识工作者提供 AI 研究助手，自动分析复杂文档并生成播客；帮助开发者持续扫描代码安全漏洞；协助研究人员快速筛选数十亿化合物以发现候选药物；通过城市摄像头网络分析海量视频，实现交通监控、事件预警和自动化报告。黄仁勋总结道：“智能体 AI 的时代已经到来，适用于每个组织。”
物理 AI 与 Cosmos：为机器人赋予“世界模型”
演讲中最具前瞻性的部分之一是关于“物理 AI”。黄仁勋指出，当前的大语言模型处理的是文本令牌，但如果输入是物理环境（如传感器数据），请求是物理动作（如“去拿起那个盒子”），输出是动作令牌，那么我们就进入了机器人领域。
机器人需要一个理解物理世界的“基础模型”。它需要理解重力、摩擦力、惯性、几何空间关系、因果关系、物体恒存性等。为此，NVIDIA 发布了世界首个物理 AI 基础模型平台——Cosmos。
Cosmos 使用2000万小时专注于物理动态（如自然现象、人类运动、物体操控）的视频进行训练，旨在教会 AI 理解物理世界。它包括自回归模型（用于实时应用）、扩散模型（用于高质量图像生成）、先进的令牌化器以及端到端 CUDA 和 AI 加速的数据处理流水线。
黄仁勋强调了 Cosmos 与 NVIDIA Omniverse（一个基于物理原理的数字孪生仿真平台）结合的重要性。Omniverse 提供物理“基础事实”，可以控制和约束 Cosmos 的生成，确保其输出符合物理规律，这类似于为大语言模型提供检索增强生成（RAG）来 grounding 在真实信息上。两者结合，形成了一个“物理基础的多元宇宙模拟器”，可用于合成数据生成、模型训练和测试。
他提出了未来机器人公司必备的“三台计算机”架构：
DGX：用于训练 AI 模型。
Omniverse + Cosmos：数字孪生仿真平台，用于测试、验证 AI，并生成海量合成训练数据。
AGX（如 Thor）：部署在机器人、汽车等边缘设备上的车载超级计算机。
机器人革命：自动驾驶、人形机器人与工业数字化
基于“物理 AI”和“三台计算机”框架，黄仁勋描绘了即将到来的机器人革命，并聚焦于三个关键领域：智能体 AI（信息工作者）、自动驾驶汽车和人形机器人。他预言，这三者将构成“世界上有史以来规模最大的科技产业”。
1. 自动驾驶汽车：黄仁勋宣布，NVIDIA 下一代车载计算机 Thor 已全面投产。Thor 的处理能力是上一代 Orin 的20倍，且其操作系统 Drive OS 已获得汽车功能安全最高等级认证（ASIL D）。他透露，NVIDIA 正在与几乎所有主流汽车公司合作，并特别宣布了与丰田在下一代自动驾驶领域的合作。
他展示了如何利用 Omniverse 和 Cosmos 构建“自动驾驶汽车数据工厂”：将真实路采数据在数字孪生中重建，然后利用 AI 生成近乎无限的、符合物理规律的合成驾驶场景（如不同天气、光照、交通状况），从而将数千英里的真实路测数据扩展为数十亿英里的有效训练数据。“我们将拥有海量的训练数据，”黄仁勋说，“自动驾驶行业已经到来。”
2. 工业数字化与仓储物流：NVIDIA 正与全球领先的仓储自动化解决方案提供商柯尔柏（Körber）以及埃森哲合作，利用 Omniverse 蓝图“Mega”为万亿美元规模的仓储物流市场带来物理 AI。通过构建仓库的数字孪生，企业可以在投入物理改造前，模拟和优化机器人车队调度、任务分配，并预测关键运营指标。
3. 人形机器人：黄仁勋认为，通用机器人的“ChatGPT 时刻”即将到来。他介绍了 NVIDIA Isaac Groot 机器人开发平台，它提供机器人基础模型、数据流水线、仿真框架和 Thor 机器人计算机。其中，通过“合成动作生成”工作流，开发者可以利用 Apple Vision Pro 等设备进行少量人工遥操作演示，然后在 Omniverse 和 Cosmos 中将这些演示扩展成海量的合成训练数据，从而高效训练机器人策略。“我们将拥有海量数据来训练机器人，”他总结道。
Project Digits：将 AI 超级计算机带到每个桌面
演讲尾声，黄仁勋回到了 NVIDIA 的起点：让强大的计算能力更易获得。他回忆了2016年将第一台 DGX-1 AI 超级计算机交付给 OpenAI 的场景，那台机器开启了 AI 研究的新时代。如今，AI 已成为主流，每个开发者、创作者都需要 AI 超级计算机。
于是，他揭晓了“Project Digits”——一款新型的桌面 AI 超级计算机。这款设备外观紧凑，内置了与联发科合作开发的秘密芯片“GB110”（一款小型化的 Grace Blackwell 芯片），通过芯片间 NVLink 连接 CPU 和 GPU。它运行完整的 NVIDIA AI 软件栈，既可以作为本地工作站，也可以像云超级计算机一样远程访问。黄仁勋表示，Project Digits 预计将在2025年5月左右上市。“想象一下，谁不想要一台这样的设备？”他笑着说。
最后，黄仁勋以一段回顾与展望的视频结束演讲，感谢了合作伙伴，并祝愿大家新年快乐。整场演讲不仅是一场产品发布会，更是对 AI 如何从数字计算迈向物理世界、重塑万亿美元产业的一次系统性宣言。英伟达 CEO 黄仁勋称人类水平 AI 已实现，但业界定义仍存分歧Techub News 消息，英伟达 CEO 黄仁勋近日表示，人类水平的人工智能（AGI）已经到来，并特别提及 OpenAI 的 GPT-6 Astra 模型已达到通用人工智能水平。然而，他此前在 G20 会议上的表态则更为模糊，称 AGI 可能在几年内实现，甚至“实际上今天就已经达到了”，并认为该术语的定义可能意味着很多，也可能毫无意义。
业界对 AGI 的定义和达成标准存在显著分歧。OpenAI 与微软的合作协议曾将 AGI 与创造约 1000 亿美元利润的能力挂钩，但 2026 年 4 月修订的协议已取消这一技术里程碑触发条款，无论技术进步如何，OpenAI 的付款将持续至 2030 年。红杉资本合伙人年初发文称“2026 年就是 AGI”，而 Anthropic 首席执行官 Dario Amodei 则认为当前系统远未达到“天才国度”的水平。
认知科学家 Gary Marcus 对此持怀疑态度，认为在真正实现之前的任何声明都为时过早。投资者则更关注这些系统能可靠地接管多少人类工作。 （BeInCrypto）黄仁勋宣称 AGI 已到来，Nvidia 将部署 40 万 AI 代理Techub News 消息，Nvidia CEO 黄仁勋（Jensen Huang）在 Lex Fridman 播客及 Q2 2026 财报电话会上宣称，人工通用智能（AGI）已在许多实际任务中实现。他提出应以「盈利性代币」（profitable tokens）——即 AI 系统产生的实际经济产出——作为衡量 AGI 的新标准，而非传统认知基准。
黄仁勋透露，Nvidia 正构建超 40 万个 AI 代理与约 4 万名人类员工协同工作的模式，覆盖工程、运营及商业职能。同时，公司计划部署超 150 万块 GPU 打造「AI 工厂」，将智能生产工业化。该定义与 OpenAI 将 AGI 定义为「在多数经济价值任务上超越人类」的正式标准形成分歧，后者涉及公司治理层面的合约触发机制。（cryptobriefing.com）英伟达 CEO 呼吁 G20 扩大 AI 基础设施Techub News 消息，英伟达（Nvidia）首席执行官黄仁勋（Jensen Huang）呼吁 G20 国家加速人工智能采用，通过扩大数据中心及相关基础设施建设促进全球主要经济体增长。
作为领先的 AI 芯片制造商，英伟达的数据中心业务已实现显著增长，反映出市场对 AI 技术的持续需求。黄仁勋的呼吁与该公司战略利益一致，其收入与 AI 基础设施发展密切相关。市场观察人士指出，若 G20 国家就基础设施扩张做出具体政策承诺或投资，可能进一步巩固英伟达在 AI 芯片领域的市场地位。（CryptoBriefing）英伟达CEO黄仁勋称AI将推动制造业回流美国Techub News 消息，英伟达CEO黄仁勋近日表示，人工智能是推动美国制造业回流的催化剂。他指出，AI驱动的制造业回流将有助于重振美国制造业，创造就业机会并提升本土生产能力，但同时也需要大量的能源投资。（Crypto Briefing）英伟达 CEO 黄仁勋不赞同比尔·盖茨提出的 AI 税收建议Techub News 消息，英伟达（NVIDIA）CEO 黄仁勋公开表示不赞同比尔·盖茨此前提出的 AI 税收相关建议。该讨论突显了在 AI 技术快速发展的背景下，如何在促进创新与确保经济收益公平分配之间取得平衡。
（Crypto Briefing）马斯克、奥特曼与黄仁勋等科技领袖将出席G20科技主题会议Techub News 消息，Elon Musk、David Sacks、NVIDIA CEO Jensen Huang 以及 OpenAI CEO Sam Altman 等多位科技行业领袖，将于下周在美国北卡罗来纳州参加一场以科技为主题的 G20 活动。（@Cointelegraph）英伟达 CFO 称其投资的 AI 实验室明年将贡献公司约 25% 业务Techub News 消息，英伟达首席财务官 Colette Kress 在 8 月 26 日的分析师会议上表示，由英伟达自身资产负债表支持的 AI 实验室所产生的需求，预计将在明年贡献公司约四分之一的业务。她透露，英伟达已向购买其芯片的 AI 实验室投入近 500 亿美元，并与六家投资机构合作设立融资平台，计划为这些实验室筹集超过 5000 亿美元的外部资本。
Kress 具体说明，英伟达已与 Apollo、贝莱德、黑石、Brookfield、高盛和 KKR 建立合作。公司还与 SB Energy 确保了土地、电力和建筑容量，其中第一阶段 4.25 吉瓦的容量将供 OpenAI 使用。她表示，OpenAI 到 2030 年的现有及计划承诺总计约 12 吉瓦的英伟达算力。对于另一家未具名的实验室，英伟达将提供覆盖近 2 吉瓦的信贷支持。
Kress 在回应关于“循环融资”的标签时表示，外部贷款方仍会独立评估每笔交易，英伟达并非提供贷款，且所发货的芯片客户均具有投资级信用或由其支持。她认为，若客户失败，设备可转移至其他买家，因此英伟达的风险敞口有限。她解释，这些实验室面临算力需求远超其财务支撑能力的困境，限制其增长的是获取计算资源的途径，而非客户或技术。（AI News）英伟达 CEO 黄仁勋称公司已实现通用人工智能Techub News 消息，英伟达 CEO 黄仁勋在 X 平台发文表示，公司已经实现了通用人工智能（AGI）。
（@CryptoTony__）英伟达 CEO 黄仁勋称 AI 已到达转折点，从实验技术转向生产性盈利工作Techub News 消息，英伟达 CEO 黄仁勋表示，人工智能已正式到达其转折点，正从实验性技术转向生产性、可盈利的工作。他指出，AI 技术正进入大规模部署和创造实际商业价值的阶段。（@Cointelegraph）英伟达今日公布二季度财报，营收指引约 910 亿美元Techub News 消息，英伟达将于今日盘后公布第二季度财报，营收指引约为 910 亿美元。财报将揭示 AI 支出是向更广泛客户扩散，还是仍集中于少数买家。英伟达上一季度财报显示，其前三大客户贡献了总营收的 54%，并占应收账款的 64%。
投资者将关注其超大规模客户与其他客户之间的增长差距是否进一步扩大。此外，英伟达近期与六家华尔街公司达成融资协议，旨在为超过 5000 亿美元的 AI 基础设施提供资金，该供应商支持的融资模式使得外部观察者更难区分真实的 AI 需求与英伟达自身资助的交易。
英伟达下一代 Rubin 平台将于今秋开始发货，管理层可能面临关于早期客户采用的提问。公司此前警告称，芯片架构切换可能导致收入波动。今日的数据本身不会平息关于 AI 泡沫的争论，但超大规模客户与更广泛企业需求之间的分化，以及融资敞口的任何新细节，都将影响下季度投资者对 AI 风险的定价。（BeInCrypto）撰文：Techub News 整理 导语 北京时间 2026 年 3 月，NVIDIA 年度技术盛会 GTC 在圣何塞 SAP 中心拉开帷幕。在创始人兼 CEO Jensen Huang（黄仁勋）的主题演讲之前，一场长达三小时的「开场秀」汇集了数十位全球顶尖的开发者、企业家、科学家和投资者。本次预热讨论由 Conviction 创始合伙人 Sarah Guo 和 Atreides Management 创始合伙人 Gavin Baker 主持，并穿插了现场记者 Tiffany Janzen 对多位嘉宾的采访。对话聚焦于加速计算如何从训练走向推理，并深入物理世界，成为重塑各行各业的基础设施。本文整理了这场高密度思想碰撞的核心观点，为读者呈现 AI 革命前沿的全景图。 摘要 加速计算已超越 AI，成为从图形渲染、数据处理到科学模拟的通用计算范式，其市场正首次扩展到设计与工程领域。 企业 AI 应用的核心挑战正从「算力约束」转向「能力约束」与「数据价值解锁」，可靠、可解释的推理结果成为关键。 推理工作负载的「解构」（如分离预填充和解码）将极大提升现有 GPU 的利用率和残值，延长基础设施生命周期，降低创新门槛。 物理 AI（机器人、自动驾驶）是下一个爆发点，其发展路径将从结构化的企业场景逐步走向非结构化的消费场景，安全与仿真验证至关重要。 专业化、多智能体协作的 AI 模式（如医疗领域的数字孪生专家）将成为复杂领域的主流，推动知识工作范式变革。 加速计算：从专用引擎到通用基础设施 摩根士丹利董事总经理 Mark Edelstone 作为当年 NVIDIA 上市的分析师，回顾了公司的崛起之路。他指出，NVIDIA 早期就确立了构建「平台」的愿景，即结合架构、算法和软件兼容性，并通过「三支团队应对两个产品周期」的研发节奏，在激烈的图形芯片竞争中建立了持续领先的能力。这种平台思维后来顺利过渡到加速计算领域。 IBM 软件高级副总裁 Desh Nirmal 从数据演进的视角解读了 AI 平台化。他认为，数据正从过去的「终点」（存储在数据库中等待查询），演变为今天的「工具」（通过多种接口访问），并即将成为明天的「代码」或「技能」。未来，企业将能通过自然语言指令，动态生成处理特定数据任务的程序，从而实现前所未有的灵活性和规模。企业 90% 的数据是非结构化的，如何将其与交易数据关联并提取价值，是生成式 AI 落地的核心。 Palantir 美国政府业务总裁兼 CTO Akash “Aki” Jain 分享了该公司从数据治理走向 AI 应用的经验。Palantir 的起点是帮助人类团队像软件工程团队一样协同处理数据。随着计算机视觉等 AI 技术因 NVIDIA GPU 和 CUDA 而变得实用，Palantir 开始将这些能力用于关键任务，例如利用视频、音频等非结构化数据保障军事人员安全。如今，随着生成式 AI 的成熟，焦点转向如何安全、受控地将「AI 队友」接入人类工作流，实现规模化的成果加速。Aki 提出了一个有趣的观点：组织的规模限制因素正从「神经元」（人力）转向「电子」（算力）。 Cadence 总裁兼 CEO Anirudh Devgan 则从芯片设计这一基石领域阐述了 AI 的影响。他将其比喻为一个三层蛋糕：顶层是智能体 AI，中间是物理、化学等「地面实况」真理，底层是计算与数据。成功的应用需要垂直切下整个蛋糕。在芯片设计领域，智能体 AI 已能自动生成寄存器传输语言代码和测试平台，而底层强大的算力（如 GPU）使得仿真速度和规模达到过去难以想象的水平。尽管设计工具效率已提升百倍，但芯片复杂性的指数级增长要求工具性能必须再提升十倍，AI 正是实现这一目标的关键。 AI 基础设施：构建全球智能的「五层蛋糕」 戴尔科技创始人、董事长兼 CEO Michael Dell 指出，计算将无处不在，从边缘设备到超大规模数据中心。戴尔推出的 AI 工厂和数据平台，核心在于解决数据编排问题，以极快的速度向 GPU 输送数据。他特别强调，随着多智能体系统和复杂查询的出现，KV 缓存等分层内存系统变得至关重要，内存和存储数据的增长速度甚至可能超过算力本身。解锁企业内从未被使用的「冷数据」，是当前数千家客户正在探索的方向。 云算力提供商 CoreWeave 联合创始人、董事长兼 CEO Michael Intrator 对推理工作负载的「解构」感到兴奋。他认为，将推理分解为不同阶段（如预填充和解码），使得像 CoreWeave 这样的公司能够针对每个环节进行深度优化。这种专业化在以往的计算浪潮中并不经济，但现在由于规模巨大而变得可行。更重要的是，解构允许将部分工作负载路由到旧一代 GPU 上执行，从而从现有基础设施中榨取更多价值，延长资产使用寿命，这将对融资和信贷模式产生积极影响。 Fireworks AI 联合创始人兼 CEO Lynn 将 2026 年视为「效率之年」和「AI 创新爆发之年」。她指出，当前拥有产品市场匹配度并不等于拥有可持续的业务，许多公司可能因推理成本过高而「扩张至破产」。Fireworks 通过「三维优化」方法，帮助客户利用其私有数据提升模型智能、速度和成本效益，目标是将总拥有成本降低 5 到 10 倍。她展望的未来是训练与推理的融合，模型在服务过程中持续学习，实现更极致的效率。 卡特彼勒 CEO Joe Creed 代表了 AI 基础设施金字塔的底层——能源与物理建设。他坦言，正在见证职业生涯中最大规模的基础设施建设浪潮。Jensen Huang（黄仁勋）提出的「五层蛋糕」（芯片、系统、软件、AI 工厂、物理世界）中，前三层（能源、芯片、基础设施）正是卡特彼勒所赋能的领域。AI 的爆发将消耗远超预期的电力，而卡特彼勒正在全球范围内提升发电和工程机械的产能，以支撑这场智能革命。 物理 AI 与智能体：当智能融入现实世界 Open Evidence 联合创始人兼 CEO Daniel Nadler 从医疗领域阐述了专业化智能体的必要性。人体本身是高度分化的，医学知识也早已高度专业化。因此，未来的医疗 AI 不会是单一的通用智能，而是由众多数字孪生专家（如心脏病学、神经学专家）组成的协作网络。医生可以动态调用这些「数字专家」来辅助诊断。他指出，生物医学知识的爆炸式增长（每 5 年翻一番）已远超人类医生的学习能力，AI 数字孪生将成为医生应对知识海洋的必备工具。他透露，Open Evidence 这家不足百人的公司，今年将间接支持美国 3 亿人次的患者诊疗，展现了 AI 时代「小团队、大影响」的新范式。 西门子研发副总裁 Danping 分享了 AI 在工业物理世界的应用。通过智能体 AI 和模型上下文协议，可以将行业专家的领域知识嵌入工作流，赋能非技术背景的员工。西门子与 NVIDIA 的合作涵盖仿真、供应链、制造和电子设计自动化四大领域。例如，利用 GPU 加速物理仿真，用 AI 构建高精度流程模型，甚至用生成式 AI 控制工作流，让软件具备「思考并行动」的能力。数字孪生工具允许全球团队在虚拟环境中进行照片级真实的协作设计与决策。 Waabi 创始人兼 CEO Raquel Urtasun 从自动驾驶的历程为物理 AI 提供了经验教训。她指出，早期自动驾驶采用「机器人专家」方法，试图手工编码一切，这无法实现规模化。Waabi 秉持「AI 优先」、「仿真优先」的理念，通过构建世界模型和混合现实测试，能够在虚拟环境中穷尽测试 corner case，这是确保安全关键系统安全的唯一途径。她认为，这种基于仿真、可进行端到端验证与推理的新方法，将被其他物理 AI 领域广泛采纳。 机器人公司创始人 Deepak 探讨了通用机器人的落地路径。他认为，机器人将遵循从企业到消费场景的渐进式发展。首先在结构化、付费意愿强、容错度较高的企业环境（如工厂）大规模部署；然后利用积累的数据，逐步拓展至医院、杂货店等半结构化场景；最后才进入家庭等完全非结构化环境。这个过程依赖于「数据飞轮」——用前一阶段的数据驱动下一阶段通用能力的提升。他预告将有重要企业合作公告，实现机器人在企业场景的「一次性大规模部署」。 自动驾驶公司 Wayve 联合创始人兼 CEO Alex Kendall 展示了「端到端 AI」驱动自动驾驶的进展。Wayve 通过构建世界模型，实现了在超过 500 个城市进行「零样本」驾驶测试（即在从未采集过训练数据的城市驾驶），证明了其系统具备真正的泛化能力。他强调，未来的每辆车都将是自动驾驶的，而汽车产业将是 embodied AI（具身智能）首个大规模展示的舞台。Wayve 已与 Uber、Stellantis 等合作，计划在全球超 10 个城市推出机器人出租车试运营。
