黃仁勛最新訪談實錄：輸入電子，輸出Token，中間就是英偉達

凌晨，英偉達CEO黃仁勛接受了知名科技主持人Dwarkesh Patel的專訪，長達1小時45分鐘。

這位油管百萬大V以遞進式的提問方式和極其鋒利的選題而出名，這次也不例外地選擇了直白開場，一上來就直戳英偉達的“肺管子”，問黃仁勛：“如果軟件被商品化了，那英偉達會不會也被商品化？”

有網友評價這次訪談：很少見黃仁勛這么“生氣”。

在這次訪談中，黃仁勛深度回答了關于AI時代的競爭本質、英偉達如何鎖住供應鏈、為什么不做AI云，以及中國與AI芯片等問題。

我們整理了這次訪談，內容亮點都在下面。

01

英偉達真正的護城河不是芯片，是供應鏈

Dwarkesh：現在市場上有一種看法是，AI會讓軟件逐漸商品化，很多軟件公司的估值已經因此下滑了。

從一個可能比較天真的角度來看：你們把設計交給晶圓廠，比如把GDS文件交給TSMC（臺積電），再由他們制造芯片，然后再和像SK Hynix、Micron、Samsung做的HBM封裝在一起，最后送到ODM廠組裝成整機。

所以本質上，英偉達做的是軟件，只不過由別人來制造。如果軟件被商品化了，那英偉達會不會也被商品化？

黃仁勛：歸根結底，總有一件事必須發生：把電子變成Token。不僅僅是變成Token，還要讓這些Token越來越有價值。我認為這件事很難被完全商品化。

把電子轉化為Token本身就是一段非常復雜的旅程，就像讓一個分子比另一個分子更有價值一樣，這里面包含了大量的藝術、工程、科學和發明。我們現在正在親眼見證這一切發生，而這個過程遠沒有被完全理解，也遠沒有結束。所以我不認為它會被商品化——當然，我們會讓這個過程變得更高效。

如果用剛才的方式來理解英偉達，已經接近我對公司的心智模型了：輸入是電子，輸出是Token，中間就是英偉達。我們的工作是用盡可能少的東西，完成這個轉化過程，并把能力做到極致。

所謂“盡可能少”，意思是能不做的事情，我們就不做。我們會把這些事情交給合作伙伴，讓它成為整個生態的一部分。如果你看今天的英偉達，我們在上下游都有極其龐大的合作生態，所以我們盡量少做，但我們必須做的那一部分是極其困難的。我不認為這部分會被商品化。

Dwarkesh：那企業軟件公司呢？很多人覺得它們會被AI沖擊。

黃仁勛：現在很多軟件公司，本質上是“工具制造商”。比如Excel、PowerPoint，或者像Cadence、Synopsys。當然也有一些是流程系統，但很大一部分是工具。但我看到的趨勢是完全相反的：未來Agent的數量會指數級增長，使用這些工具的用戶也會指數級增長。也就是說工具的使用量，會暴漲。

舉個例子：像Synopsys Design Compiler這種工具，未來它的實際用量很可能會暴漲。今天我們被工程師數量限制住了，但未來，每個工程師都會有一堆Agent輔助。這些Agent會去探索設計空間，探索的程度會遠遠超過今天。而它們會用的，正是今天這些工具。

所以我認為工具的使用量，會推動這些軟件公司的增長，而不是壓垮它們。這件事之所以現在還沒有發生，是因為Agent還不夠會用工具。接下來會發生兩件事：要么這些軟件公司自己去做Agent；要么Agent變得足夠強大，可以使用這些工具。最終很可能是兩者同時發生。

Dwarkesh：在你們最近的財報里，我看到英偉達已經有接近1000億美元的采購承諾，還有分析認為這個數字可能會達到2500億美元。有一種解讀是這樣的：英偉達的護城河在于你們鎖定了未來幾年關鍵的稀缺資源，比如晶圓、內存、封裝。別人即使有芯片設計能力，也不一定能拿到這些資源。這是你們未來幾年的核心優勢嗎？

黃仁勛：這是我們能做到、但別人不太容易做到的一件事情。原因其實很簡單：我們之所以能在上游做出這么大的承諾，是因為我們有能力把這些產能買下來，并且賣出去。

那些承諾有些是顯性的，比如我們直接簽的采購合同；但也有很多是隱性的，比如我們的供應鏈伙伴會自己去做投資。因為我會和他們的CEO溝通，我會告訴他們這個行業會變多大、為什么會變大、我們是如何推理出來的。在這個過程中，我其實是在對齊整個上游生態的認知。

那為什么他們愿意為我們投資，而不是為別人？原因很簡單：他們知道我有能力把他們的產能買下來，并賣給下游。英偉達的下游需求非常大，正是因為有這種下游需求的規模，才讓他們愿意在上游投入。

如果你去看GTC大會，你會發現很多人對它的規模感到驚訝。這是一個360度的AI生態，整個AI世界的人都在一個地方，而他們來這里，是因為他們需要彼此。上游需要看到下游，下游需要看到上游。他們也需要看到AI的發展，以及那些AI原生公司和創業公司。

我花了很多時間，不斷去告知和影響我們的供應鏈和生態伙伴，讓他們理解機會是什么、為什么會發生、什么時候會發生、規模會有多大。很多人會覺得我的Keynote有點像上課，甚至有點折磨，但這是故意的。因為我需要讓整個生態，像我一樣去理解未來。

03

沒有任何一個瓶頸，會持續超過2到3年

Dwarkesh：我想更具體地理解一個問題：上游供應鏈真的能跟得上嗎？你們過去幾年基本是收入翻倍增長，同時提供給全球的算力也在大幅增長。現在這個規模已經很大了，比如你們是TSMC先進制程（N3、N2）的最大客戶之一，甚至有分析說，今年AI會占到N3產能的60%，明年可能到80%以上。

那問題來了，如果你已經是最大客戶了，你還怎么繼續“翻倍”？這個增長會不會被上游限制住？

黃仁勛：在某一個時間點上，需求超過供給，是很正常的事情——甚至，這是一種好狀態。你希望一個行業的即時需求是大于總供給的。當然，也可能會在某一個具體環節被卡住，比如說，有時候真的會被“水管工”卡住（笑）。

Dwarkesh：水管工？

黃仁勛：對，真的。你可能在某個時間點，被某個完全意想不到的環節限制住。但這并不是壞事，因為當某一個瓶頸出現的時候，整個行業會迅速“圍攻”它。

舉個例子：前幾年大家一直在討論CoWoS，但現在你已經很少聽到有人談這個問題了。因為過去兩年，整個行業對它進行了極端投入，連續擴產，現在基本已經解決了。TSMC現在也已經意識到，CoWoS的供給必須和邏輯芯片和內存的需求同步擴展。以前，CoWoS和HBM是“特殊技術”，但現在已經不是了，它們已經變成了主流計算的一部分。

我們現在比以前更有能力去影響更大范圍的供應鏈。我現在說的這些其實5年前我就已經在說了，有些公司當時相信并且投資了，比如Micron，我還記得當時和他們CEO的那次會面，我當時非常明確地告訴他們，未來會發生什么、為什么會發生。他們當時真的投入了，而且投入得很深。從LPDDR到HBM，他們都做了很多投資，結果當然也非常好。有些公司后來才跟上，但現在大家基本都已經在這個節奏里了。

所以我的看法是：沒有任何一個瓶頸，會持續超過兩到三年，每一代都會有新的瓶頸，但也都會被解決。現在大家已經開始提前幾年去預判這些瓶頸，并提前投資。比如硅光（silicon photonics），比如新的封裝技術、新的測試設備……我們在過去幾年做了很多這樣的事情，本質上是在“重塑供應鏈”，讓它為未來的規模做好準備。

Dwarkesh：聽起來有些瓶頸比其他更容易擴展，比如CoWoS和封裝可以擴，但有些東西，比如制造能力本身，可能更難。

黃仁勛：我剛才其實已經說到最難的那個了：水管工，還有電工。這是最難擴展的。

這也是為什么我對現在很多末日論者“AI會終結工作”的說法感到擔憂。如果我們去勸年輕人不要做軟件工程師，那未來我們就會缺軟件工程師。10年前，有人說“千萬不要做放射科醫生”，說這是第一個會被AI取代的職業，這些視頻現在網上還能找到。結果呢？我們現在缺放射科醫生。

Dwarkesh：回到剛才的問題，制造能力這邊，你如何讓晶圓產能每年翻倍？如何讓EUV設備每年翻倍？

黃仁勛：這些都不是問題，它們都可以在2到3年內擴展。關鍵只有一個，那就是需求信號（demand signal）。一旦有明確的需求，能做1臺，就能做10臺；能做10臺，就能做100萬臺……這些東西并不難復制。

Dwarkesh：那你會不會直接去跟ASML說：“未來三年我們需要更多EUV機器”？

黃仁勛：有些事情我會直接做，有些是間接做。如果我能說服TSMC，那ASML自然也會被說服，所以要找到真正的關鍵節點。但這些都不讓我擔心——真正讓我擔心的是能源，你不可能在沒有能源的情況下建立一個新產業。無論是想重建制造業、建AI工廠、做電動車、做機器人，這些都需要能源，而能源是一個長期問題。相比之下，芯片產能和封裝只是2到3年的問題。

Dwarkesh：我聽過一些完全相反的說法，所以我不確定該相信誰（笑）。

黃仁勛：你現在是在跟專家對話（笑）。

04

AI只是計算的一部分，而計算遠不止AI

Dwarkesh：我想再回到競爭問題，比如Google TPU。現在世界上最強的模型里，有相當一部分是在TPU上訓練的，這對英偉達意味著什么？

黃仁勛：我們做的東西是完全不同的。英偉達做的是加速計算（accelerated computing），而不是一個“張量處理單元”。加速計算被用在各種各樣的領域，比如分子動力學、數據處理、流體力學……當然，也包括AI。

AI現在是最熱門的討論方向，但計算遠不止AI。我們做的是重新發明計算方式，從通用計算走向加速計算。我們的覆蓋范圍比任何TPU都要大得多，因為我們可以加速所有應用。

Dwarkesh：但現實情況是，你們現在的收入絕大多數還是來自AI，而不是來自藥物發現或者量子計算。而AI的核心計算，很多人認為就是矩陣乘法。TPU在這方面是高度優化的，雖然GPU更通用。那問題是，對于當前這波AI需求來說，TPU是不是更適合？

黃仁勛：矩陣乘法確實很重要，但它不是全部。如果你想發明新的attention機制，想用不同方式做計算分解，或者想設計全新的模型架構，比如混合SSM模型，融合diffusion和autoregressive模型……你需要的是一個完全可編程的系統。

AI進步的核心是算法。摩爾定律大概每年提升25%，但我們卻在實現10倍甚至100倍的提升。這些提升來自新的算法、新的模型結構、新的計算方式，而如果沒有可編程性，你甚至不知道從哪里開始做這些創新。

Dwarkesh：那我們聊一個更現實的問題。你的客戶，比如Amazon、Google、Microsoft，他們有能力寫自己的kernel，甚至做自己的軟件棧。那CUDA還重要嗎？

黃仁勛：CUDA是一個非常豐富的生態系統。如果你要開發系統，從CUDA開始是非常合理的。我們支持所有框架，如果你要寫自定義kernel也可以。我們甚至在Triton里投入了大量技術。

但你要考慮，當系統出問題時，是你的代碼有問題，還是底層系統有問題？你當然會希望問題出在你自己這里，CUDA的價值就在于，你可以信任底層。

另外一個關鍵點是安裝基數（install base），作為開發者，你最想要的是你的軟件可以運行在大量機器上。我們現在有數億GPU，在所有云平臺上，各種型號，各種規模。這意味著，你開發一次，就可以在全世界運行。

Dwarkesh：但如果你的主要客戶是這些超大公司，他們完全可以為自己的系統優化，甚至支持多個硬件平臺。你的優勢還成立嗎？

黃仁勛：我們有大量工程師直接和這些AI公司合作。而且你要理解，GPU不是CPU：CPU就像一輛巡航車，誰都能開；但GPU更像F1賽車，你可以開，但要開到極限，需要專業能力。我們用大量AI來優化kernel，很多時候，我們幫客戶優化之后，性能提升2倍，有時候3倍……哪怕提升50%都是巨大的。而對于一個擁有巨大算力集群的公司來說，性能提升，直接意味著收入提升。

Dwarkesh：如果這些客戶可以自己做優化，競爭是不是會變成誰的價格更低、性能更高？

黃仁勛：我們在這些AI實驗室里有大量工程師在幫他們優化，沒有人比我們更了解我們的架構。GPU不像CPU那樣完全通用，它更復雜，我們可以幫他們從系統里再挖出2倍性能。而且我們的系統，在整個行業里擁有最好的TCO（總擁有成本），沒有任何一家公司可以證明自己在TCO上比我們更好，無論是訓練還是推理。

Dwarkesh：但還是有公司在用其他方案。比如Anthropic最近宣布和Broadcom以及Google合作，很多計算在TPU上。

黃仁勛：這是一個非常特殊的例子。如果沒有Anthropic，TPU的增長幾乎不存在，他們是一個極端案例。

Dwarkesh：但OpenAI也在和AMD合作，甚至在做自己的芯片。

黃仁勛：但他們絕大多數計算還是在英偉達上，我們也會繼續和他們合作。我不介意別人嘗試其他方案。如果他們不嘗試，怎么知道我們有多好？我們必須持續證明自己。

你看看歷史上那些做ASIC的項目，有多少最后是做不下去、被砍掉的。做一個比英偉達更好的系統并不容易。

Dwarkesh：他們的邏輯是不需要比你更好，只要不比你差太多，但成本更低就可以。

黃仁勛：ASIC的利潤率其實也很高，大概是65%，英偉達是70%。差距沒有你想的那么大。

Dwarkesh：那回到一個問題，為什么英偉達沒有更早投資這些AI公司？

黃仁勛：我們在能做的時候，就做了。在更早的時候，我們沒有能力做那種級別的投資（幾十億美元），那在當時不是我們的模式。

而且我當時沒有意識到，這些公司其實沒有其他融資路徑——我當時以為他們可以像普通公司一樣去找VC（風險投資）融資，但后來我才意識到，他們要做的事情，VC根本投不了。這是我的誤判。

Dwarkesh：現在你們有大量現金。為什么不自己做云？成為像AWS那樣的公司？

黃仁勛：這是我們的公司哲學：做必須做的事情，盡量少做其他事情。如果我們不做某件事，這個世界就不會有，那我們就必須做。但云這件事，如果我們不做，會有很多公司來做。所以我們不做。

05

對中國的態度：算法才是關鍵

Dwarkesh：很多分析認為，中國在先進制程上落后。比如他們很多還是在7nm，沒有EUV設備。在算力上，有人估算，他們大概只有美國的十分之一，在HBM帶寬上，差距可能接近一個數量級。那是不是意味著美國可以先達到這些能力，先部署，先修補漏洞，從而獲得安全優勢？

黃仁勛：如果你要讓這個邏輯成立，那你必須假設他們沒有算力，但這不是現實。他們已經有大量算力。中國是全球第二大計算市場，如果他們愿意集中資源，他們完全可以聚合足夠的算力。

Dwarkesh：但他們在帶寬、內存等方面還是落后。

黃仁勛：那他們就用更多芯片。AI本質上是并行計算問題。如果你有足夠的能源，你可以用更多節點來彌補差距。他們有大量能源，他們有很多已經建好的數據中心，甚至有空置的。他們可以用更多芯片，把系統拼起來，而且他們的芯片制造能力本身就很強。所以“他們沒有AI芯片”這個說法是錯誤的。

Dwarkesh：但先進芯片確實存在差距，比如帶寬差距可能接近一個數量級。

黃仁勛：那他們就用更多節點連接起來。就像我們用NVLink一樣，他們也已經在做類似的事情。比如華為，他們已經在把大量計算節點連接成一個系統，通過硅光（silicon photonics）等技術把大量計算資源連接在一起。所以如果你只看單個芯片，你會低估整個系統。

而且不要忘了，算法才是關鍵。他們有大量優秀研究者，這才是他們最大的優勢。很多AI進步來自算法，而不是硬件。如果你在算力上受限，你反而會被逼去做更好的算法，比如DeepSeek——這不是一個無關緊要的進展。它代表的是一種能力：在算力受限的情況下，依然能做出非常強的模型。

Dwarkesh：那如果DeepSeek這樣的模型在華為芯片上首先優化、首先跑起來呢？

黃仁勛：那就是一個很糟糕的結果。如果一個強大的模型，在非美國技術棧上運行得更好，那對美國來說是壞消息。

06

即使沒有AI，英偉達也會是一個非常大的公司

Dwarkesh：剛才我們在討論TSMC和內存這些瓶頸。那如果未來是這樣一個世界：你們已經占據了N3的大部分產能，未來還會占據N2的大部分產能。那有沒有一種可能，你們會回到更舊的制程，比如7nm，利用那些“閑置產能”，重新做類似Hopper或者Ampere這樣的架構，但結合今天在數值計算、系統設計等方面的進步。你覺得這種情況，會不會在2030年前發生？

黃仁勛：沒有必要這樣做。因為每一代架構的進步，不只是晶體管規模。它還包括大量工程優化、封裝、堆疊、數值計算（numerics）、系統架構等等，如果你想回到舊制程，那意味著你要重新做一整套研發。這是一個幾乎沒有人負擔得起的研發成本。

我們可以向前推進，但我不認為我們能向后回退。當然，如果我們做一個思想實驗：如果有一天，世界真的說“我們再也不會有更多先進產能了”，那我會不會立刻用7nm？當然會。毫不猶豫。

Dwarkesh：還有一個問題，是別人問我的。為什么英偉達不同時做多個完全不同的芯片項目？比如類似Cerebras那種超大芯片、類似TeslaDojo那樣的系統，甚至做一個完全不依賴CUDA的架構。你們有資源、有工程能力，為什么不把賭注分散？畢竟AI未來的架構方向還不確定。

黃仁勛：我們當然可以這么做。只是我們沒有看到一個更好的方案。這些東西我們都在仿真系統里模擬過，它們的效果其實更差。所以我們不會去做。我們現在做的，就是我們認為最正確的架構。

當然，如果未來工作負載本身發生變化——我說的不是算法變化，而是工作負載的形態變化，那我們可能會增加新的加速器。比如最近，我們引入了Grok相關的方向，并且會把它整合進CUDA生態。

這是因為Token的價值變高了。幾年前，Token幾乎是免費的，或者非常便宜。但現在不一樣了，現在不同客戶對Token有不同需求。比如，如果我是軟件工程師，我愿意為更快響應的Token付錢，因為它能讓我更高效。這個市場是最近才出現的。

所以我們現在可以做一件事：同一個模型根據響應時間，劃分出不同市場。這也是為什么我們決定擴展推理的“帕累托前沿”（Pareto frontier）做一個響應更快、但吞吐更低的推理形態。

過去大家都認為吞吐越高越好，但現在可能出現一種市場：Token價格很高（ASP高），即使吞吐低，整體收益仍然更高。如果是這樣那我們就會去做。但從架構角度來說，如果我有更多資源，我更愿意把它投入到現有架構上，而不是分散。

Dwarkesh：這個高價Token市場的想法非常有意思。

黃仁勛：是的，本質是市場分層（segmentation）。

Dwarkesh：最后一個問題。假設深度學習革命沒有發生，英偉達今天會在做什么？

黃仁勛：還是同一件事：加速計算。我們公司的基本假設一直是，摩爾定律會放緩，通用計算不會適用于所有問題。所以我們把GPU和CPU結合，讓GPU去加速特定計算。

不同的算法、不同的kernel，可以被卸載到GPU上執行，從而讓應用加速100倍、200倍。這些應用在幾乎所有地方：科學計算、工程、物理、數據處理、圖形計算、圖像生成……即使沒有AI，英偉達也會是一個非常大的公司。

因為這是一個更基礎的問題，通用計算的擴展已經接近極限，而解決方案就是領域專用加速（domain-specific acceleration）。我們從圖形開始，但其實有無數其他領域，像分子動力學、地震數據處理、能源勘探、圖像處理……這些都是通用計算無法高效解決的問題。我們的使命一直是把加速計算帶給世界，推動那些通用計算無法突破的領域。

當然，如果沒有AI，我會很難過。但正是因為我們在計算上的這些進展，讓深度學習更加普及，讓任何人都可以用一張GPU卡做出很厲害的事情。這一點，從來沒有改變。

如果你去看GTC，前面很大一部分內容其實都不是AI。比如計算光刻、量子化學、數據處理，這些都是非常重要的工作，只是沒有AI那么火。

世界上有很多重要的事情并不依賴AI，而Tensor也不是唯一的計算方式。我們希望幫助所有人。