英伟达的护城河 | 黄仁勋BG2专访

在人工智能（AI）技术加速演进、全球科技格局深刻重塑的背景下，英伟达CEO黄仁勋于近期接受知名播客BJ Two的深度访谈，题为《英伟达、OpenAI、计算的未来和美国梦》。这场超过100分钟的对话，不仅是黄仁勋近年来信息密度最高的一次公开分享，更系统性地揭示了AI基础设施产业的核心驱动力、英伟达的战略纵深以及全球AI竞争的本质逻辑。

本次访谈的核心价值在于，它超越了传统芯片厂商“卖硬件”的叙事框架，构建了一个从物理定律、经济结构到国家战略的三层增长模型，并首次完整阐述了“三种缩放定律”对算力需求的根本性影响。与此同时，黄仁勋直面华尔街与硅谷之间的巨大认知分歧，剖析了市场对AI推理需求的严重低估，澄清了关于ASIC芯片、主权AI、中美科技博弈等关键议题的误解。

本报告基于该访谈内容，全面梳理其核心观点与战略洞见，聚焦三大主题：

1. AI算力需求的三大驱动机制——重新定义训练与推理的关系；

2. 英伟达的增长逻辑与护城河本质——从组件创新到系统级协同设计的跃迁；

3. 全球AI竞赛与国家竞争力重构——主权AI兴起、中美关系再平衡及人才流动趋势。

通过结构化呈现黄仁勋的战略思维体系，本报告旨在为政策制定者、企业决策者、投资者和技术从业者提供一份权威、连贯且具有前瞻性的分析参考。

长期以来，业界普遍认为AI的算力消耗主要集中于模型预训练阶段，而推理阶段的需求相对有限。然而，黄仁勋在此次访谈中明确指出，这一认知已严重滞后于技术发展现实。他提出，AI算力需求正由三种相互叠加的缩放定律共同驱动，而非单一因素决定。这三种定律分别是：

• 预训练缩放定律（Scaling Law of Pre-training）

这是最早被广泛认知的AI性能提升路径，即通过增加模型参数量、扩大训练数据集规模和延长训练时间来提高模型智能水平。过去几年GPT系列大模型的发展正是这一规律的典型体现。

例如，GPT-3拥有约1750亿参数，在训练过程中每日消耗数百PFLOPS级别的算力。这种指数级增长推动了数据中心对高性能GPU的持续采购需求。但黄仁勋强调，这只是算力需求的第一波浪潮。

• 后训练缩放定律（Scaling Law of Post-training）

后训练是指模型在完成基础预训练之后，通过强化学习、任务微调等方式掌握特定技能的过程。这个过程并非简单的参数调整，而是需要大量试错、反馈与优化。

以代码生成为例，仅让AI阅读海量开源代码库不足以使其成为合格程序员；必须让它反复编写代码、运行测试、修复错误，才能真正掌握编程能力。这类“练习式学习”本质上是一种高频率、高强度的推理活动，每一次尝试都伴随着显著的计算开销。

黄仁勋指出，后训练阶段的算力消耗远超预期，且随着应用场景的专业化程度加深，其需求将持续攀升。这意味着即使基础模型已经训练完毕，后续仍需投入巨量资源进行精细化打磨。

• 推理时思维缩放定律（Scaling Law of Reasoning-in-Inference）

这是黄仁勋认为当前市场理解最不充分、却最具革命性的算力驱动因素。传统的AI推理是“输入问题→输出答案”的一次性过程，而新一代AI系统则引入了“思考”机制——即在生成最终回应前，进行多轮内部推理、事实核查、逻辑推导甚至调用外部工具。

这种“思考”表现为：

• 思维链（Chain-of-Thought）：AI逐步拆解问题，形成中间推理步骤；
• 思维树（Tree-of-Thought）：AI探索多种可能路径，评估不同方案优劣；
• 工具调用（Tool Use）：AI主动访问数据库、搜索引擎或执行脚本以获取信息。

每一次内部循环都是独立的计算操作，复杂任务可能导致成百上千次子推理。因此，单次用户请求背后的算力消耗可能是传统模式的数万乃至百万倍。

黄仁勋举例说明：当一个AI agent被赋予“制定年度营销战略”的任务时，它不仅要分析市场数据、竞争对手动态、消费者行为，还需模拟预算分配、预测ROI、撰写报告并提出备选方案。整个过程如同人类专家工作数日的工作量，但在AI系统中压缩为几分钟内完成——而这背后是对算力的巨大吞噬。

• 三重缩放的叠加效应

这三种缩放定律并非孤立存在，而是彼此交织、相互放大：

• 更大的预训练模型 → 更强的基础能力 → 支持更复杂的后训练任务；
• 更深入的后训练 → 更专业的领域知识 → 增加推理过程中的决策分支；
• 更复杂的推理结构 → 更长的计算链条 → 指数级提升单位请求的算力成本。

由此带来的结果是：AI系统的总生命周期算力消耗，将主要集中在使用阶段而非训练阶段。黄仁勋断言：“推理需求的增长不是100倍，也不是1,000倍，而是会达到10亿倍的量级。”一年后的实际发展证明，这一预测甚至仍是保守估计。

这也解释了为何OpenAI、谷歌等领先机构纷纷转向开发具备自主规划与执行能力的agent型AI系统——因为这才是未来算力需求的真实来源。

面对华尔街分析师普遍预测英伟达增长率将在2027年断崖式下跌至8%的观点，黄仁勋提出了一个宏大的三层增长叙事框架，从根本上驳斥了线性外推式的估值逻辑。他认为，英伟达的增长并非依赖短期产品周期，而是嵌入在全球计算范式转型的历史进程中。

第一层：物理定律层面的转变——通用计算终结，加速计算崛起

摩尔定律已接近极限，单纯依靠晶体管密度提升来增强CPU性能的时代结束。这意味着全球现有价值数万亿美元的基于CPU的数据中心基础设施，在下一轮更新换代中必须转向加速计算架构。

所谓加速计算，是指针对特定工作负载（如矩阵运算、神经网络推理）设计专用硬件（如GPU、TPU），实现数量级的效率提升。英伟达的GPU正是为此类任务而生。

黄仁勋强调，这不是创造新市场，而是存量市场的系统性替换。仅将全球旧有CPU数据中心升级为加速计算平台，就足以支撑英伟达未来十年以上的增长空间。

第二层：现有应用的迁移——互联网核心负载向AI重构

第二层增长来自已有数字服务的智能化改造。Meta、谷歌、亚马逊、字节跳动等科技巨头的核心业务——搜索、推荐、广告、电商——长期运行在CPU架构之上。如今这些公司正全面转向AI驱动的个性化引擎，底层计算平台也随之迁移至GPU。

这一过程类似于历史上从煤油灯到电力、从螺旋桨飞机到喷气式飞机的技术跃迁。虽然服务形态不变，但底层技术彻底革新。据估算，仅此一项迁移即可带来数百亿美元的基础设施投资需求。

更重要的是，AI不仅能提升用户体验，还能显著降低运营成本。例如，AI推荐系统可减少无效流量分发，提升转化率；AI客服可替代部分人工坐席，节省人力开支。企业在获得更高收益的同时，也愿意为更强算力支付溢价。

第三层：未来的增量——AI作为“智能工厂”赋能全球GDP

第三层也是最具想象力的部分：AI将成为新型生产要素，直接参与智力劳动的增强与创造，从而催生全新的经济价值。

黄仁勋将AI比作工业革命中的“马达”——马达替代体力劳动，AI则增强脑力劳动。他提出以下经济学推演：

• 全球GDP中约50%-65%与智力劳动相关（如研发、设计、咨询、编程），总量约为50万亿美元；
• 若企业愿意为其员工配备AI助手（年均投入约1万美元/人），换取2-3倍生产力提升，则该项支出具备极高投资回报率；
• 英伟达已在内部为每位工程师配备AI助手，实测显示生产力显著提升；
• 若全球每年需10万亿美元的AI生成服务来增强50万亿美元的智能经济活动，假设服务毛利率为50%，则需5万亿美元的AI基础设施支撑其运行。

这一推论表明，AI不仅是效率工具，更是经济增长的新引擎。而英伟达作为AI基础设施的核心供应商，其市场规模上限不再受限于半导体行业本身，而是与全球经济结构变迁同步扩展。

• 数据验证：算力、电力与TOKEN增长的高度相关性

黄仁勋进一步指出，英伟达的收入增长与数据中心电力消耗高度正相关。原因在于：每增加一瓦特的计算功率，就意味着更多TOKEN的生成能力，进而转化为商业价值。

具体证据包括：

• 阿里巴巴CTO吴泳铭预测，其数据中心电力消耗将在本年代末增长10倍；
• AI生成的TOKEN数量每几个月翻一番；
• OpenAI、微软、谷歌等公司持续追加千亿级美元算力投资。

这些指标共同指向一个结论：AI算力需求正处于指数级上升通道，远未触及天花板。

近期关于英伟达拟投资OpenAI千亿美元共建“星际之门”项目的传闻引发广泛关注。外界多将其解读为普通商业合作，但黄仁勋在访谈中明确表示，这是一次深层次的战略绑定，背后蕴含多重战略考量。

• 对OpenAI前景的高度看好

黄仁勋认为，OpenAI极有可能成长为下一个“超大规模公司”（hyperscaler），即兼具消费端与企业端服务能力、并构成全球数字基础设施一部分的企业，类似今日的Meta、谷歌、微软。

他判断，OpenAI的服务将渗透个人生活、企业办公、工业自动化等多个领域，成为无处不在的智能接口。因此，在其尚未完全成熟之际进行战略投资，是“我们能想到的最聪明的投资之一”。

尤为关键的是，这笔投资并非英伟达主动发起，而是由OpenAI主动邀请。这表明OpenAI认可英伟达不仅是芯片供应商，更是能够共担风险、共享愿景的战略伙伴。

• 合作的三个层次

黄仁勋将双方合作划分为三个递进层次：

#### 1. 现有云合作的延续

英伟达将继续支持OpenAI在微软Azure云平台上构建数千亿美元级别的算力集群。同时联合甲骨文、软银建设多个吉瓦级数据中心，确保算力供给稳定。

#### 2. 自建基础设施的支持（核心新增）

过去OpenAI主要依赖租赁云资源，但随着算力需求呈“指数的指数”增长，租用模式已难以为继。因此，OpenAI正启动自建AI基础设施计划。

英伟达将从最底层参与：

• 芯片定制设计；
• 系统架构集成；
• 软件栈优化；
• 整个“AI工厂”的规划与运维。

这是一种全站式、端到端的技术支持，远超传统供应商角色。

#### 3. 直接战略关系的确立

黄仁勋将此关系类比为英伟达与扎克伯格（Meta）、皮查伊（Google）、纳德拉（Microsoft）、马斯克（xAI）之间的直接对话机制。这意味着OpenAI已具备与顶级技术供应商平起平坐的地位，无需通过云服务商中介即可达成战略合作。

• “双重指数增长”倒逼基础设施变革

OpenAI面临两大指数级压力：

• 用户增长指数：AI越强大，应用场景越多，用户数量与使用频次呈指数上升；
• 计算增长指数：每次交互因“思考”机制引入，所需算力亦呈指数上升。

两者叠加形成“指数的指数”增长曲线，使得任何单一云服务商都无法满足其长期需求。唯有“租+建”双轨并行，方能保障算力供应安全。

这也反映出英伟达在其中的关键作用：只有具备跨芯片、系统、软件、规模化部署能力的企业，才能支撑如此庞大的基础设施工程。

面对AMD、英特尔及各类ASIC创业公司的挑战，主持人直接提问：英伟达的竞争护城河是在扩大还是缩小？

黄仁勋的回答清晰而坚定：真正的护城河不是某款芯片的性能优势，而是“极限协同设计”（Extreme Co-design）的能力。

• 极限协同设计的内涵

传统半导体创新属于“盒子内创新”——专注于提升单一组件（如CPU）的性能。而在AI时代，整体系统效率取决于所有环节的协同表现。因此，必须实现模型、算法、系统、芯片的同步优化。

英伟达的年度发布周期（从Hopper到Blackwell仅一年）正是为此服务。由于摩尔定律失效，仅靠工艺进步无法维持成本下降。唯有通过系统级创新，才能持续降低每个TOKEN的生成成本。

极限协同设计体现在三个层面：

#### • 芯片层面

并行研发革命性组件：

• CPU（Grace）；
• GPU（Hopper/Blackwell）；
• 网络芯片（BlueField DPU）；
• NVLink高速互连技术。

各部件均按AI工作负载特性专门设计，避免通用化带来的效率损失。

#### • 系统层面

将上述芯片以最优方式整合，确保：

• 数据传输延迟最低；
• 内存带宽最大化；
• 能效比最优；
• 大规模集群稳定性。

例如，Blackwell架构采用双GPU封装+NVLink Chip-to-Chip连接，使两颗GPU间通信速度达900GB/s，远超PCIe标准。

#### • 软件层面

提供完整软件栈，涵盖：

• 底层驱动；
• 编程语言（CUDA）；
• 数学库（cuBLAS、cuDNN）；
• AI框架支持（PyTorch、TensorFlow）；
• 集群管理工具（DOCA、RAPIDS）。

开发者无需关心底层硬件细节，即可调用全部系统能力，极大降低使用门槛。

正是这种跨层级的协同设计，使英伟达在一年内实现从Hopper到Blackwell的30倍性能跃升，远非单一技术突破所能达成。

• 规模化部署的信任壁垒

客户之所以敢于下达数百亿美元订单，不仅因为性能领先，更因为英伟达的架构经过大规模验证。

以马斯克xAI的Colossus 2集群为例，需部署50万个GPU。这不仅是硬件堆叠，更涉及：

• 电力供应（数吉瓦级别）；
• 散热系统设计；
• 网络拓扑优化；
• 故障容错机制；
• 运维自动化。

任何一个环节出问题，都将导致整个系统瘫痪。而英伟达已在全球范围成功交付多个超大规模AI集群，积累了无可替代的工程经验与信任资本。

黄仁勋直言：“现在的竞争不再是‘我的芯片比你的快’，而是‘我的整个AI工厂比你的AI工厂效率更高’。”

• 关于ASIC的生态定位

尽管ASIC（专用集成电路）在某些场景下效率极高，但黄仁勋指出其局限性：

• 适用场景狭窄：适合算法固定的任务（如视频转码、加密解密）；
• 缺乏可编程性：难以适应快速演进的AI算法；
• 生态封闭：无法灵活集成到异构计算环境中。

相比之下，GPU具备高度可编程性，能应对聊天、编程、图像生成、数据分析等多种任务。这也是为何谷歌虽有TPU，但仍大量采购英伟达GPU的原因——二者互补而非替代。

此外，英伟达采取开放策略，允许英特尔等厂商通过NVLink、Fusion接口接入其生态系统，体现出平台化思维。这种“非排他性护城河”反而增强了生态粘性，吸引更多伙伴加入。

• 成本逻辑的根本逆转

黄仁勋提出一个颠覆性观点：即便竞争对手免费赠送ASIC芯片，客户仍应选择英伟达系统。

原因在于，现代数据中心的核心约束不再是芯片价格，而是电力与空间。一旦获得宝贵的电力配额（如2吉瓦），企业的目标就是最大化单位能耗产生的商业价值。

若英伟达系统的每瓦性能是对手的两倍，则同等电力下可产生两倍收入。Blackwell相比Hopper提升30倍性能，意味着潜在收入差距高达30倍。

在这种情况下，节省芯片采购成本的机会成本极高。任何理性CFO都会优先选择每瓦性能最高的解决方案，因为它直接决定了企业收入上限。

黄仁勋在访谈中花了大量篇幅讨论全球AI格局，尤其关注中美关系与人才流动趋势。

• 主权AI：国家战略资源的新维度

黄仁勋提出，AI基础设施已上升为与能源、通信同等重要的国家战略资源。各国正在掀起“主权AI”建设浪潮。

所谓主权AI，指国家自主掌控的AI基础设施，使用本国数据、反映本国文化与价值观，服务于本土产业与安全需求。

他强调，尽管全球会共享GPT、Gemini等先进模型，但每个国家仍需建立自己的AI底座。原因在于：

• 工业制造、医疗健康等领域需本地化训练数据；
• 国家安全不能依赖外部AI系统；
• 文化表达与历史记忆需由本国AI承载。

这为英伟达等基础设施提供商创造了全球性新市场——不仅是美国、欧洲，还包括日本、韩国、印度、中东等地的主权AI项目。

• 对美国对华技术政策的批评

黄仁勋坦率批评美国现行的“小院高墙”式对华技术封锁（如限制高端GPU出口），认为其效果适得其反：

#### • 后果一：催生强大竞争对手

将英伟达排除出中国市场，等于将95%份额让给华为等本土企业。这些公司在无强竞争环境下，可利用垄断利润加速研发，迅速成长为全球级对手。

#### • 后果二：严重低估中国能力

外界常误判中国芯片技术落后美国数年，黄仁勋称此为“疯狂的想法”。他指出，中国拥有世界上最勤奋的企业家和最活跃的内部竞争生态，技术差距实则“以‘纳秒’计”——意指极其微小。

他警告：封锁不会阻止中国进步，只会削弱美国企业的全球影响力。

• 正确路径：竞争优于对抗

黄仁勋主张，美国应让其最优秀的企业在中国市场与本土企业公平竞争。这样做有三大好处：

• 为美国企业创造经济价值；
• 维持美国技术在全球的话语权；
• 倒逼本国企业不断创新，保持领先。

他引用一句口号：“一个自信强大的国家应该秉持‘放马过来’的态度，相信自己的体系和人民能够在竞争中胜出。”

• 美国梦的危机：顶尖人才流向逆转

黄仁勋作为移民创业者，深切认同“美国梦”品牌的价值——即任何人只要努力，就有机会成功。正是这一信念吸引了全球顶尖科学家、工程师赴美发展。

但他发出严峻警告：近三年来，顶尖中国AI研究者赴美意愿已从90%骤降至10%-15%。这不是普通的人才流动变化，而是关乎美国未来生存的“早期预警信号”。

AI竞争本质是人才竞争。若美国继续推行对中国人强硬的政策，将摧毁其作为“全球人才灯塔”的品牌形象，最终丧失技术领导地位。

他呼吁政策制定者区分“与中国竞争”与“对中国人强硬”——前者是健康的市场比拼，后者则是自我伤害。

黄仁勋在访谈结尾提出一个深刻隐喻：面对AI带来的指数级变革，不要试图预测它最终会到达哪里，因为当系统呈指数加速时，任何预测都是徒劳的。唯一正确的策略是——趁它还慢的时候跳上去，然后随它一起前行。

英伟达自身的进化正是这一理念的最佳诠释：从一家图形芯片公司，转型为AI基础设施平台，再到参与构建全球AI文明的底层支柱。

这场访谈所揭示的不仅是英伟达的成长密码，更是整个AI时代的运行法则：

• 算力需求由三重缩放定律驱动，远未见顶；
• 增长源于物理规律、经济结构与社会变革的共振；
• 护城河在于系统级协同设计，而非单一技术优势；
• 全球竞争的本质是人才、生态与开放性的较量。

对于企业而言，必须重新审视自身在AI价值链中的位置，拥抱系统思维，构建端到端能力。对于国家而言，需认识到AI不仅是技术问题，更是战略资源、文化主权与人才吸引力的综合体现。

正如黄仁勋所言，这趟旅程或许才刚刚开始。而唯一确定的是：未来属于那些已经登上火车的人。

（全文共计约11,600字）