输入电子，输出 Token，中间是英伟达。
编辑|赵卫卫
英伟达 CEO 黄仁勋接受播客主持人 Dwarkesh Patel 的深度访谈，一小时四十分钟的内容涵盖了行业竞争格局、AI 商业化和中国市场等诸多问题。
谈到英伟达的定位时，他认为英伟达的业务本质是「将电子转化为 Token」，其核心竞争力在于这一转化过程的效率与工程艺术，而非单一软件层面的商品化风险。
黄仁勋认为，英伟达的职责是，「必要之事尽力而为，力所能免之事绝不多做」，以此支撑这种转化以极致的性能实现。他认为的「绝不多做」意味着，凡是英伟达无需亲自完成的环节，都会与合作伙伴共建生态，交由生态伙伴落地。
此外，黄仁勋还提到，电力、内存、封装等上游瓶颈都能在 2–3 年内被行业集群式突破，唯一真正棘手的搭建、安装超大规模 AI 数据中心所必需的设施。英伟达的重要价值在于向整个供应链布道未来，促使上游 CEO 敢于下注大规模资本开支。
而对于竞争对手谷歌的 TPU，黄仁勋认为谷歌 TPU 和亚马逊的 Trainium 增长 100% 来自 Anthropic 这一个客户，这是孤例，而非行业趋势。
事实上，谷歌和亚马逊 AWS 早期向 Anthropic 投入了数十亿美元，芯片使用是投资条款的一部分，这与其他 AI 公司的采购逻辑不同，而英伟达是通用加速计算平台，可运行分子动力学、量子色动力学、数据处理、流体力学等全领域工作负载。
本质上，这是英伟达对行业的一种明确表态：英伟达的真正护城河不是 GPU 性能本身，而是四重叠加，包括 CUDA 生态、装机基数、协同设计能力、供应链上下游塑造力，而任何只针对芯片性能的挑战都低估了系统。
更重要的是，黄仁勋明确反对当前的芯片对华管制政策，中国拥有全球 50% 的 AI 研究人员、60% 的主流芯片制造、充沛的能源和大量空置数据中心，因而即使只使用 7nm 芯片，通过堆量也可弥补制程差距。
以下为经过编辑访谈核心要点：
AI 不会使英伟达商品化甚至同质化
问：我们已经看到许多软件公司估值崩塌，原因是市场预期 AI 将使软件商品化。本质上，英伟达制造的是软件，由其他人来做物理制造。如果软件被商品化了，英伟达是否也会被商品化?
黄仁勋：归根结底，某种东西必须将电子转化为 Token。将电子转化为 Token、并使 Token 随着时间推移变得更有价值——这一过程很难被彻底商品化。
从电子到 Token 的转化是一段令人惊叹的旅程。制造一个 Token，就像让一个分子比另一个分子更有价值、一个 Token 比另一个 Token 更有价值。其中所蕴含的艺术性、工程、科学与创造，我们正在实时见证它的发生。这一转化、这一制造过程、以及其中涉及的科学，远未被深入理解，这段旅程也远未结束。我不认为英伟达会被商品化，当然，我们会让它变得更高效。
我对公司业务的心智模型是，输入是电子，输出是 Token，中间是英伟达。我们的职责是「必要之事尽力而为，力所能免之事绝不多做」，凡是不必自己做的，就与合作伙伴共建生态。
我也不认为企业软件公司、工具类公司会被商品化。今天大多数软件公司本质上是工具制造商，Excel 是工具，PowerPoint 是工具，Cadence、Synopsys 都是工具。
Agent 的数量将指数级增长，工具使用者的数量也将指数级增长。新思科技的设计工具的实例数量将暴涨，因为会有大量 Agent 在使用布图规划器、布局工具、设计规则检查器。今天我们受限于工程师数量，明天这些工程师将被大量 Agent 支撑，我们将以前所未有的方式探索设计空间。
供应链和护城河
问：据最新披露，英伟达对晶圆厂、存储、封装的采购承诺接近 1000 亿美元，实际规模将达 2500 亿美元。一种解读是英伟达真正的护城河，是锁定了未来数年稀缺组件的产能，即使有人做出了竞品，他们是否能拿到内存和逻辑产能，这是否是英伟达未来几年的关键护城河？
黄仁勋：这是我们能做、而别人难以复制的事情之一。我们在上游做出了巨大的承诺，有些是显性的，有些是隐性的——我们的供应链自己投入了大量资本，因为我告诉这些 CEO:「让我告诉你这个行业会有多大、为什么会这样、让我与你一起推演、让我给你看我看到的。」
正因为这一「告知、启发、对齐」的过程，上游不同行业的 CEO 们才愿意投资。为什么他们愿意为我投、而不是为别人投？因为他们知道我有能力消化他们的产能，并通过下游销售出去。英伟达的下游供应链与下游需求如此庞大，他们才愿意在上游投入。
在 GTC 大会上，所有人都为规模与参与者所惊叹。这是全 360 度的 AI 宇宙，所有人齐聚一堂。他们需要彼此见面，我把他们聚到一起，让下游看到上游，上游看到下游，所有人一起看到 AI 的进展：更重要的是，让他们亲眼见到 AI 原住民、所有 AI 初创公司以及正在发生的所有精彩。我花大量时间，直接或间接地向我们的供应链、合作伙伴、生态系统传达我们面前的机会。
有人常说：Jensen，大多数主题演讲都是一个接一个的发布。但我们的 Keynote 总有一部分近乎教育。事实上这正是我的意图：我必须确保上游与下游整条供应链、整个生态都理解即将到来的一切：为什么来、何时来、规模多大，并能像我一样系统地推理。
关于你所说的护城河——我们有能力为未来而建。如果未来几年我们的业务规模是 1 万亿美元，我们有供应链去支撑它。没有我们的触达能力、没有我们业务的 velocity，就没有今天的一切。有现金流、就有供应链流(churns)。如果供应链流转效率低，没人会为一个架构去建供应链。我们能维持这种规模，只因为下游需求如此巨大。
行业竞争格局变化
问：若看谷歌 TPU，全球前三大模型中可能有 Claude、Gemini 两个是在 TPU 上训练的。这对英伟达意味着什么?TPU 专为矩阵乘法的大型脉动阵列优化，没有为线程调度、分支、内存切换而浪费芯片面积。对于当前主要由矩阵乘组成的 AI 负载，这是否比 GPU 更有针对性?
黄仁勋：我们做的是完全不同的东西。英伟达做的是加速计算，不是张量处理单元。加速计算用于分子动力学、量子色动力学、数据处理、结构化与非结构化数据、流体力学、粒子物理——此外才用于 AI。英伟达重塑了计算方式，从通用计算转向加速计算。
我们的业务覆盖范围，是任何 TPU 或专用 ASIC 都比不了的。我们的 GPU 系统从设计之初就考虑了通用性，不管是谁，只要想做算力业务，都能直接用我们的设备，但很多公司自研的专用芯片系统，只能自己内部用，从一开始就没设计成能给别人用的灵活架构。
正因为通用性强，现在所有主流云厂商的平台上都有我们的 GPU，不管是 Google、AWS、Azure 还是 OCI，都能买到。不管是像 xAI 那样自己搭集群跑模型的客户，还是礼来（Eli Lilly）这样要建超算做药物研发的药企，我们都能支持。
矩阵乘法是 AI 里很核心的运算，但它绝对不是 AI 的全部。要是你想搞出新的注意力机制，采用新的算力解耦方案，或者干脆发明全新的模型架构，比如把状态空间模型（SSM）和其他技术结合的混合方案，就必须用能灵活编程的通用架构。哪怕你想把扩散模型和自回归模型的技术结合起来，也得靠这种通用能力才能实现。
市面上任何你能想到的 AI 计算任务，我们的 GPU 都能跑通 ，这就是我们的核心优势，能让研究者轻轻松松搞出新算法。而 TPU 这类专用芯片，和其他硬件一样，只能靠摩尔定律每年挤 25% 左右的性能；要想实现 10 倍、100 倍的性能飞跃，必须靠算法和计算方式的底层革新，这才是英伟达真正的护城河。
我第一次宣布 Blackwell 架构的能效比 Hopper 高 35 倍的时候，没人信。后来行业人士证实，我实际留有余量 ，实际能效提升能到 50 倍，光靠摩尔定律根本做不到这种级别的提升。
我们靠的是多方面的创新：MoE（混合专家模型）这类新模型、并行计算、算力解耦和分布式架构，靠 CUDA 编写新的核心计算函数，再加上软硬件极致协同设计，把部分计算任务放到 NVLink 高速互联和 Spectrum-X 网络里处理，才拿到了这种性能飞跃。
英伟达的边界和错失
问：报道说英伟达投资 OpenAI 300 亿美元，Anthropic 投入约 100 亿美元，为什么不早投资，你早已经看清了方向。英伟达为什么不做AI 智算云（ Neocloud）？
黄仁勋：只要我们有能力做，就立刻去做，要是能更早，我肯定会更早行动。当年 Anthropic 找我们投资的时候，我们既没那个能力，也根本没往这方面想。一方面是投资规模的问题，我们那时候从来没做过对外投资，压根没意识到还需要做这件事。我当时还以为，他们跟其他公司一样，找风投就能解决资金问题。
但他们要做的事，根本不是风投能扛得住的。没有哪家风投会往一个前途未卜的 AI 实验室投 50 到 100 亿美元，除非他们后来做成了 Anthropic 这样的规模。
他们早就看清了这一点，这就是他们的厉害之处。我当时没看到这一层，但现在绝对不会再犯同样的错。我很庆幸能投资 OpenAI，还支持它扩大规模，这一步非常关键；后来 Anthropic 再找我们的时候，我也很乐意成为他们的投资人。
「必要的事尽力做，非必要的事绝不做」（do as much as needed, as little as possible），这也是我们公司的哲学。
我们之所以要搭建计算平台，是因为这件事要是我们不做，就没人会去做—— 不管是 NVLink、全栈技术，还是 20 年来持续亏损投入的 CUDA，还有 CUDA-X 旗下的各类领域专用工具库（比如 cuLitho、光线追踪、图像生成、向量 / 结构化数据处理等等），这些事换别人，根本不会去做。
但云业务不一样，世界上有那么多云厂商，我们不做，总会有人做。
要是没有 CoreWeave，这些新兴云厂商（Neocloud）也不会出现；Nscale、Nebius 这些厂商，也是一样的道理。我们从不挑选行业赢家 ，30 年前，有 60 家做 3D 图形的公司，当时看这份名单，没人会觉得英伟达能活下来。我们最早的图形架构完全走错了方向， 我一直记着这一点，也始终保持谦卑。
GPU 分配和台积电的关系问：在 GPU 长期缺货的情况下，英伟达是怎么分配稀缺算力的？是不是谁出价高就给谁？
黄仁勋：我们从来不会这么做。我们定好价格，客户自己决定买还是不买。芯片行业里有些公司会在需求高涨时涨价，但我们不会。你可以完全信赖我们 —— 我更愿意做整个行业稳定可靠的基石。我报给你的价格，就是最终价格。
我们的分配原则就是先到先得，依据是采购订单（PO）以及客户的数据中心是否就绪。如果你不下单，说再多都没用。如果你的数据中心还没建好、关键部件没到位，无法立刻上架使用，我们可能会先把产能交给其他就绪的客户，这样做只是为了最大化工厂的出货效率。
顺便澄清一件事—— 网上传拉里・佩奇、埃隆・马斯克和我共进晚餐恳求 GPU 的故事，完全没有发生过。晚餐确实有，气氛也很好，但他们从来没有求我给 GPU，他们只需要正常下采购订单就行。
英伟达和台积电合作已近 30 年，我们之间甚至没有正式的法律合同，靠的就是一种大致的公平与默契。有时候我占优，有时候他们占优；有时候我拿到更好的条件，有时候则相反，但整体合作关系极好，彼此完全信任、完全依赖。
你可以完全信赖英伟达每年的产品节奏：今年是 AI 超级芯片平台 Vera Rubin，明年是 Vera Rubin Ultra，再下一年是 Feynman，之后还有尚未公布名称的新品。你可以像相信钟表一样笃定 ，每年你的Token成本都会实现数量级的下降。
我刚才也说到台积电，历史上没有任何一家晶圆代工厂，能让你给出这样的评价。你可以来找我们买 10 亿美元、1 亿美元、1000 万美元的 AI 工厂算力，也可以只买一个机架、一张显卡；你甚至可以下 1000 亿美元的超级订单。当今全球只有我们两家公司能做到这一点。
台积电我也可以给出同样的评价，想买一套设备，或是 10 亿美元的产能，都没问题，我们只需要走规划流程，用成熟行业的方式推进就好。
中美 AI 研究应该对话
问：为什么不应该对中国进行芯片出口管制？
黄仁勋：中国承担了全球 60% 以上的主流芯片制造，他们拥有全球一些最优秀的计算机科学家，所有 AI 实验室里大部分 AI 研究人员都是中国人，全球 50% 的 AI 研究人员来自中国。
我认为开展对话，尤其是研究对话可能才是最安全的做法。正因为目前的竞争状态，这一领域的缺失格外明显。AI 研究人员之间必须对话，必须共同界定「AI 不应用于什么」。
有一点一直被低估：围绕网络安全、AI 网络安全、AI 安全、AI 隐私与 AI 安全治理的生态体系。有一大批 AI 初创企业正在共同构建这样的未来：一个核心超级智能体的周围，会有成千上万个 AI 智能体为其保驾护航，保障它的安全与可控。这样的未来必然会到来。
如果放任一个 AI 智能体不受任何监管地运行，这种想法本身就很不理智。因此我们必须确保开源生态保持活力，这一点绝不能忽视。而大量开源创新都来自中国，我们不应该扼杀这种活力。
AI 是一套五层架构，最底层就是能源。能源充沛，就可以弥补芯片性能的不足；芯片数量充足，也能弥补能源的短缺。
举个例子，美国的能源供应相对紧缺，这也是为什么英伟达必须持续升级架构、进行极致的软硬件协同设计，即便我们出货的芯片数量有限，受制于能源规模，也能实现极致的每瓦算力。
但如果能源供应极度充沛、成本几乎为零，谁还会在意每瓦算力的高低？即便用老旧芯片也足够实现目标。7nm 芯片的能力已能对标 Hopper，完全满足训练需求。今天主流大模型大多基于 Hopper 架构训练。因此 7 纳米芯片完全够用，充沛的能源就是他们的核心优势。
但随之而来的问题是，他们真的能生产出足够多的芯片吗？答案是可以。证据是什么？华为刚刚创下史上最佳年度业绩，其芯片出货量达数百万颗，远超 Anthropic 所使用的芯片总规模。