drizzle digest
⌕ ESC
↑↓ 选择↵ 打开esc 关闭⌘K 唤起
← 主页 NO.170
专栏 · AI 投资与产业观察 ›
第 170 期 · 投资 · 收录于 2026 年 8 月 15 日

黄仁勋:TPU 竞争、为什么该把芯片卖给中国、英伟达的供应链护城河

JH
Jensen Huang · Dwarkesh Podcast
投资创业增长
视频 103:10 原文约 9.2 万字 预计阅读 27 分钟 来源视频 ↗ 中英对照全文
TL;DR · 三句话
  1. 一黄仁勋当面否认「护城河 = 供应链锁定」这个流行叙事：近 1,000 亿美元采购承诺（外部估算 2,500 亿）只是「我们能做而别人难做的事情之一」，真正的飞轮是四件事叠加——每美元性能最低的 token 成本、全世界最高的每瓦 token 数、几亿块 GPU 的装机量、以及「每一朵云里都有」带来的客户触达。→ 详细
  2. 二他对「上游卡脖子会拖慢 AI」给出了一个极硬的判断：没有哪个瓶颈能撑过两三年，一个都没有——CoWoS 先进封装、HBM 内存、EUV 光刻机都是「给个需求信号、两三年就能扩出来」的问题；他真正担心的是能源政策，以及电工、管道工这些人力瓶颈。→ 详细
  3. 三全场最激烈的 40 分钟是中国辩论，两人谁也没说服谁：Dwarkesh 咬住「算力是训练攻击性模型的输入，卖芯片就是给对手加算力」；黄仁勋咬住「AI 是五层蛋糕、每层都要赢，中国有 50% 的 AI 研究员和过剩的能源、芯片本来就拦不住，让出第二大市场只会重演美国电信业被赶出全世界的下场」。→ 详细
01

开场质问：如果 AI 把软件商品化，NVIDIA 会不会也被商品化？

  • Dwarkesh 抛出的「天真版拆解」很有杀伤力：NVIDIA 只是把一个 GDS2 文件（芯片版图的最终交付格式）发给台积电，台积电做逻辑裸片和交换芯片，跟 SK 海力士 / 美光 / 三星的 HBM（高带宽内存）封装在一起，再交给台湾的 ODM 厂组装机柜——说到底 NVIDIA 卖的是软件，制造是别人干的。那软件被商品化时，它凭什么例外？→ 详细
  • 黄仁勋的回答是全场最好的一句心智模型，也是理解这家公司的钥匙：「输入是电子，输出是 token，中间那一块，就是 NVIDIA。」他说让一个 token 比另一个 token 更有价值，就像让一个分子比另一个分子更有价值，里面的技艺、工程、科学、发明「远远谈不上被彻底理解」，所以很难被彻底商品化。→ 详细
  • 配套的是他反复念的那句公司哲学——「做到必要的那么多，同时尽可能少做」（as much as needed, as little as possible）：凡是我不必自己做的，就找伙伴做、把它变成生态的一部分。他说 NVIDIA 今天在 AI 这块「五层蛋糕」的每一层都有生态，「我们尽量少做，但我们必须做的那部分，事实证明难得离谱」。→ 详细
02

反向判断：软件工具公司不会被 AI 吃掉，实例数会暴涨

  • 他明确说自己「看到的结论恰恰跟大家相反」：agent 数量指数级增长 → 工具使用者指数级增长 → Excel、PowerPoint、Cadence、Synopsys 这类工具的实例数会暴涨。今天用 Synopsys Design Compiler 的数量受限于工程师人数，明天每个工程师背后会有一堆 agent。→ 详细
  • 他给了「还没发生」的原因：agent 还不够会用它们的工具。要么这些软件公司自己去做 agent，要么 agent 变得足够好，「我觉得两者都会发生」。→ 详细
03

供应链锁定：近 1,000 亿采购承诺，但他说那只是「之一」【厚】

  • Dwarkesh 摆出数字：最新财报里跟代工厂、内存厂、封装厂的采购承诺接近 1,000 亿美元，SemiAnalysis 报道这类承诺会到 2,500 亿美元。「一种解读是，NVIDIA 真正的护城河，是你们把稀缺元器件锁定了好多年——别人也许能做出加速器，但他们真的拿得到内存和逻辑产能吗？」→ 详细
  • 黄仁勋没有否认，但把它降级成「我们能做、而别人很难做的事情之一」，并且强调一个更重要的隐性部分：上游的很多投资不是 NVIDIA 掏钱，是供应链自己掏钱。机制是他一家家去跟 CEO 讲——「让我告诉你这个行业将会有多大，让我解释给你听为什么，让我跟你一起把这个逻辑推一遍」。→ 详细
  • 他给出他们为什么愿意为 NVIDIA 投而不为别人投的答案：因为他们知道 NVIDIA 有能力把他们的供给全部买下、并通过自己的下游卖出去。「就像有现金流一样，供应链也有流动、也有周转次数。如果一个架构的生意周转很低，没人会为它建供应链。」→ 详细
  • GTC 大会在这个体系里的真实功能被他说破了：不是发布会，是对齐机器。「它是 360 度的，整个 AI 宇宙都在同一个地方。他们都在那儿，是因为他们需要看见彼此」——让下游看见上游、上游看见下游，让供应链亲眼确认他讲的那些预测。他还自嘲 keynote 里总有一段「有点折磨人，因为它几乎像在上课」，而那正是他的本意。→ 详细
  • 规模感：「如果我们未来几年的规模是一万亿美元，我们有能撑起来的供应链。」→ 详细
04

上游到底跟不跟得上：「没有哪个瓶颈能撑过两三年」【厚】

  • Dwarkesh 的压力测试很具体：NVIDIA 是台积电 N3 制程最大客户、N2 上最大客户之一；有分析说 AI 今年吃掉 N3 产能的 60%、明年到 86%。「当你已经占大头的时候，怎么再翻倍？我们怎么可能一年建出两倍多的晶圆厂？」→ 详细
  • 黄仁勋先重构问题：瞬时需求大于全行业总供给是好状况，反过来才糟。而一旦某个环节差得太远，「行业显然会一拥而上去解决它」。他举 CoWoS（台积电的先进封装技术）为例：「大家现在不太谈 CoWoS 了吧？原因就是这两年我们把它往死里猛攻，翻倍、翻倍、再翻倍，翻了好几轮。」现在台积电把 CoWoS 和未来封装技术按跟逻辑产能同等力度在扩——CoWoS 和 HBM 都已经从小众品类变成主流计算技术。→ 详细
  • 他描述了「预取瓶颈」（prefetch the bottlenecks）的打法：五年前他说的话跟今天一模一样，美光 CEO Sanjay Mehrotra 和团队信了、在 LPDDR 和 HBM 上重仓押下去，「这对那家公司显然是巨大的回报」。近几年他们又把整个硅光子（silicon photonics）生态重塑了一遍——投 Lumentum、Coherent，围绕台积电搭供应链，发明双面探针测试这类新测试设备，并把这些专利授权给供应链、保持开放。→ 详细
  • 对 EUV 光刻机翻倍的回答干脆到近乎轻蔑：「一旦你能造出一台，你就能造出十台；一旦你能造十台，你就能造一百万台。」而且 NVIDIA 不必直接去说服 ASML——「如果我能说服台积电，ASML 自然就被说服了」。结论句：「没有哪个瓶颈能撑过两三年，一个都没有。」→ 详细
  • 他真正担心的是下游：阻碍供电的能源政策。「没有能源你没法造出一个产业……我们想让美国重新工业化，想把芯片制造、计算机制造和封装带回来，还想造电动车、机器人、AI 工厂——没有能源你什么都建不了，而这些要花很长时间。但更多芯片产能是两三年的问题，更多 CoWoS 产能也是两三年的问题。」→ 详细
  • Dwarkesh 诚实地记了一笔分歧：「我感觉有些嘉宾跟我讲的完全相反，这件事上我没有足够的技术知识来裁决。」黄仁勋笑答：「好在你正在跟专家说话。」→ 详细
05

人力才是最难扩的瓶颈：管道工、电工，以及「别吓跑放射科医生」

  • 被问到「哪个瓶颈最难」，他的答案是管道工和电工——「我可是挑了最难的那个」。→ 详细
  • 由此引到他对「末日论者」的反感：十年前他们说「不管你干什么千万别当放射科医生，放射科会是第一个消失的职业」，结果今天最缺的就是放射科医生。同样，劝阻人们别做软件工程师，就真的会没有软件工程师。→ 详细
06

TPU / ASIC 竞争：他的正面回应是「我们根本不是一类东西」【厚】

  • Dwarkesh 的开场很不客气：全世界前三的模型里有两个（Claude 和 Gemini）是在 TPU 上训练的，这对 NVIDIA 意味着什么？→ 详细
  • 黄仁勋的第一层回答是品类之争：NVIDIA 造的是加速计算（accelerated computing），不是张量处理单元。加速计算被用在分子动力学、量子色动力学、数据处理、流体力学、粒子物理上，AI 只是其中之一。「我们的市场触达面，比任何 TPU、任何 ASIC 都要大得多。」→ 详细
  • 第二层是可运营性：NVIDIA 的系统被设计成「可以被别人运营」，所以在每一朵云上都有（Google、Amazon、Azure、OCI）；而大多数自研自建的加速器「你必须自己当运营商，因为它从来没被设计得足够灵活、能让别人来运营」。既能帮 xAI 这种自用方运营，也能帮礼来（Lilly）建做药物发现的超算。→ 详细
  • 第三层是算法自由度——这是他最技术性的一段。Dwarkesh 转述 AI 研究员的说法：TPU 是巨大的脉动阵列（systolic array），做矩阵乘法完美，而且不用为线程束调度器、线程/内存 bank 切换让出芯片面积。黄仁勋反驳：「矩阵乘法是 AI 的重要一部分，但不是 AI 的全部。」如果你想做新的注意力机制、想做分离式部署（disaggregate）、想做混合 SSM、想做扩散加自回归融合的模型，你需要一个通用可编程架构。→ 详细
  • 他给了一个可量化的核心论点：摩尔定律现在每年只带来约 25% 的提升，所以 10 倍、100 倍的跃迁只能来自每年从根本上改变算法和计算方式。Blackwell 相对 Hopper 的能效提升——他当初宣布 35 倍时没人信，后来 SemiAnalysis 的 Dylan Patel 写文章说他「保守了，实际上是 50 倍」——靠的是 MoE（混合专家）、并行化、分离式部署，以及极致协同设计（把一部分计算卸载到 NVLink 互联和 Spectrum-X 网络里）。「没有 CUDA 来做这件事，我都不知道该从哪儿下手。」→ 详细
07

CUDA 还是不是护城河？超大厂已经在自己写 kernel 了【厚】

  • Dwarkesh 的攻击点很准：60% 的收入来自五大超大规模云厂商，而他们有资源自己写 kernel（核函数）——实际上必须写，才能为自己的架构榨出最后那 5%。Anthropic、Google 大多跑自研加速器或 TPU / Trainium；连用 GPU 的 OpenAI 也有 Triton，往下到 CUDA C++ 这层不用 cuBLAS、NCCL，自己那套栈还能编译到别的加速器。「如果你的大多数客户既有能力、也确实在做 CUDA 的替代品，那 CUDA 到底在多大程度上还是那个决定因素？」→ 详细
  • 黄仁勋的第一反击是生态与信任：NVIDIA 对 Triton 的贡献极大（「Triton 的后端里有海量 NVIDIA 的技术」），也在帮 vLLM、SGLang 以及一大堆新的强化学习框架（verl、NeMo RL）变好。基于 CUDA 开发最合理的原因是：「一旦出问题，问题更可能在你自己的代码里，而不是在你底下那座代码大山里。当有东西跑不通时，到底是你的问题，还是计算机的问题？」→ 详细
  • 第二反击是装机量（install base）：「如果你是开发者，你最想要的东西胜过一切，就是装机量。」几亿块 GPU，每一朵云都有，从 A10、A100、H100、H200 到 L 系列、P 系列，各种形态；机器人公司希望 CUDA 栈能真的跑在机器人本体里。「NVIDIA 的 CUDA 生态归根到底是它最大的宝藏。」→ 详细
  • 第三反击是驻场工程师这门手艺，他打了个很好的比方：CPU 像凯迪拉克（谁都能开、永远舒服），NVIDIA 的加速器像 F1 赛车——「每个人都能把它开到 100 英里/小时，但要把它推到极限需要相当多的专业能力」。NVIDIA 派驻 AI 实验室的工程师「数量多到离谱」，优化完常常让对方模型提速 50% 到 3 倍。而这是直接换算成钱的：「他们手里所有的 Hopper 和 Blackwell，当你把它提升 2 倍，那就是收入翻倍。」→ 详细
  • 面对「70% 以上毛利能不能守住」的直球，他改用 TCO（总拥有成本） 应战，并且当场下战书：「没有人能向我证明今天世界上有任何一个平台的性能/TCO 比更好，一家都没有。」Dylan 的 InferenceMAX 基准就摆在那儿谁都能用，「没有一家 TPU 会来，Trainium 也不会来……没人愿意露面」；他还点名欢迎 Trainium 上 MLPerf 证明他们「成天宣称的那 40%」。→ 详细
  • 他还纠正了「60% 收入来自五大厂」的隐含结论：那部分生意大多是对外的——AWS、Azure、OCI 上 NVIDIA 的量绝大多数给外部客户，不是自用。「他们之所以偏爱我们，是因为我们的触达面太广了，我们能把全世界最好的客户带给他们。」→ 详细
  • 飞轮的完整四要素，他自己列了一遍：每美元性能最好 → 客户 token 成本最低；每瓦 token 数全世界最高（1 吉瓦数据中心产出的 token 直接等于收入）；装机量最大；租赁方的客户最多。→ 详细
08

Anthropic 是个案不是趋势 + ASIC 的毛利账【厚】

  • Dwarkesh 举证：Anthropic 几天前刚宣布跟博通和 Google 的多吉瓦级 TPU 协议，占其大部分算力；Google 自己 TPU 也是主力。「很多公司曾经是全 NVIDIA，现在不是了。」→ 详细
  • 黄仁勋的回答是全场最锋利的一刀：「Anthropic 是一个独特的个案，不是趋势。没有 Anthropic，TPU 的增长从哪来？100% 来自 Anthropic。没有 Anthropic，Trainium 的增长从哪来？100% 来自 Anthropic。并不是有一大堆 ASIC 的机会，只有一个 Anthropic。」→ 详细
  • 对 OpenAI 的 AMD 合作和自研 Titan 加速器，他态度松弛：「他们绝大部分还是 NVIDIA……如果他们不去试试别的，怎么知道我们的有多好？有时候你是需要被提醒一下的。」并补一句「我们必须持续赢得我们现在的位置」。→ 详细
  • 省钱账他直接给拆了：Dwarkesh 说「ASIC 不需要更好，只要别差过 70% 就行，因为客户本来就在为你的 70% 毛利买单」。黄仁勋反问——「就算是 ASIC，毛利也相当高。假设 NVIDIA 毛利是 70%，ASIC 的毛利是 65%，你到底省下了什么？你总得付钱给某个人。」而且「看看有多少 ASIC 项目被取消了」。→ 详细
09

他公开承认的两个失误：没早投 Anthropic、没内化「VC 做不到」【厚】

  • 被追问「为什么不早点投」，他没有绕：当年 NVIDIA 没能力向 Anthropic 投几十亿美元换算力，「但 Google 和 AWS 有」。这是 Anthropic 转向 TPU / Trainium 的直接原因，他自己承认「是我们害得 Anthropic 不得不去找别人」。→ 详细
  • 第二个失误更接近判断力问题：「我的失误是我没有深刻内化他们真的别无选择——VC 是绝不会往一个 AI 实验室里投 50 亿、100 亿美元、指望它长成 Anthropic 的。我一直以为他们可以去融 VC 啊，天哪，所有公司不都这样吗。但他们想做的事没法通过 VC 完成……那正是他们的天才之处。」他补了句：「我不会再犯同样的错了。」→ 详细
  • 现在的补救：有报道称已投 OpenAI 多达 300 亿美元、Anthropic 100 亿美元；给 CoreWeave 的兜底承诺最高 63 亿美元、已投 20 亿。「Anthropic 的存在对世界是好事，我为此高兴。」→ 详细
10

为什么不自己做云、不自己做基础模型实验室【厚】

  • 判据非常清晰，就是那句公司哲学的可操作版：「如果我们不做，这件事就不会有人做」→ 我们做；「如果我不做，总会有人冒出来」→ 我们不做。 前者的例证是 NVLink、整个栈、「在大部分时间亏钱的情况下把 CUDA 坚持二十年」、十几年前就开始做 CUDA-X 领域专用库（光线追踪、图像生成、数据处理、向量处理），以及计算光刻库 cuLitho——「如果我们不做，没人会做。我对此完全确信」。后者的例证就是云：「世界上有的是云。如果我不做，总会有人冒出来。」→ 详细
  • 那新云（NeoCloud）怎么算？他的界限是「他们得自己想存在、自己来找我们、自己有商业计划和能力」，NVIDIA 只补最后那笔起步投资。CoreWeave、Nscale、Nebius 都是这么来的，「现在他们都做得很棒」。至于金融业务：「我们想不想做金融生意？答案是不想——因为已经有人在做金融生意了，我们宁可跟他们合作。」→ 详细
  • 「我们不挑赢家」，理由是一段很有分量的自陈：NVIDIA 起步时有 60 家 3D 图形公司，只有它活下来；但当年若让人预测，「NVIDIA 会排在『最不可能活下来』的名单最前面」——因为「NVIDIA 的图形架构是精确地错的，不是错一点点，对开发者来说根本没法支持，它绝无可能成功。我们从很好的第一性原理去推理，但最后落到了错误的解上」。所以：「我有足够的谦卑去认识到，别挑赢家。要么让他们各自照顾自己，要么照顾所有人。」→ 详细
11

稀缺产能怎么分配：先到先得，绝不价高者得【厚】

  • Dwarkesh 提出「NVIDIA 靠分配 GPU 在打散市场」，被当场否掉：「你的前提就是错的。」实际规则只有三条——① 跟所有人一起把需求预测做出来（因为芯片和数据中心都要很久才建成）；② 最终你得下采购订单（PO），「如果你不下 PO，说再多也没用」；③ 之后先到先得，唯一的调整是如果你的数据中心还没就绪，会先服务另一个客户，「那只是在最大化我们自己工厂的产出」。→ 详细
  • 他顺手辟了个流传很广的谣：那篇写 Larry Ellison 和 Elon Musk 跟他吃饭「求 GPU」的报道，「那从来没发生过。我们确实一起吃了饭，那是一顿很愉快的晚餐，但他们从来没求过 GPU。他们只需要下个订单。」→ 详细
  • 短缺期为什么不涨价——这是本期最值得记的定价哲学：「因为那是糟糕的商业习惯。你定你的价，然后别人决定买不买。我知道芯片行业里别人会在需求高的时候改价，但我们就是不。……我更愿意做那个可靠的、做行业地基的角色，让你不需要反复猜疑。如果我给你报了价，那就是报了价。如果需求爆表，那就爆表吧。」→ 详细
12

可依赖性本身就是产品：跟台积电 30 年没有法律合同

  • NVIDIA 和台积电做了近 30 年生意，没有法律合同，靠的是「粗糙的公道」——「有时我拿到更好的条件，有时更差，但总体上这段关系好得不得了」。→ 详细
  • 他把节奏承诺当成竞争武器：今年 Vera Rubin、明年 Vera Rubin Ultra、后年 Feynman、再后年名字还没公布。「你去全世界挑一个 ASIC 团队，看你敢不敢说『我可以把整个生意押上，你每一年都会在这儿等着我，我的 token 成本每年会下降一个数量级』。」→ 详细
  • 订单弹性也是同一件事的一部分：从一块显卡、一个机柜、1,000 万、1 亿、10 亿，到 1,000 亿美元的 AI 工厂订单，「我们是当今世界上唯一一家你能这么说的公司」。→ 详细
13

中国辩论（一）：Mythos 与「零日漏洞」的威胁设定

  • Dwarkesh 的起点是 Anthropic 几天前发布的 Mythos 预览版——一个因网络攻击能力太强而没有公开发布的模型：它在每个主流操作系统和浏览器里找到数以千计的高危漏洞，包括在专门为「无零日漏洞」而设计、已存在 27 年的 OpenBSD 里找到了一个。「如果中国拿到能训这种模型的芯片，还能用更多算力跑上百万个实例呢？」→ 详细
  • 黄仁勋的第一句拆解就很硬：「Mythos 是用相当平常的产能、相当平常的量训出来的，只不过是被一家非凡的公司训出来的——它训练所用的算力，在中国是大量存在的。」→ 详细
  • 他列的中国底牌：制造全世界 60% 以上的主流芯片、拥有全世界 50% 的 AI 研究员、能源充沛。「如果你担心他们，创造一个安全世界的最好方式是什么？把他们受害者化、把他们变成敌人，很可能不是最好的答案。」他主张研究员之间必须有对话，「就『不该把 AI 用于什么』达成一致」。→ 详细
  • 他还提了一个被低估的判断：AI 安全本身会长成一个巨大的生态——「你有一个非常强的 AI agent，周围有上千个 AI agent 在保护它。让一个 AI agent 到处跑却没人看着它，这种想法是相当疯狂的。」而这个生态需要开源、开放模型和开放技术栈，「而其中很大一部分是从中国出来的」。→ 详细
  • 由此得出他最怕的结局：开源生态跑在中国技术栈、闭源生态跑在美国技术栈的「两个生态」分裂——「我认为那对美国来说是可怕的结果。」→ 详细
14

中国辩论（二）：五层蛋糕、能源补芯片、算法才是杠杆【厚】

  • Dwarkesh 的核心反驳有三段：中国因缺 EUV 而卡在 7 纳米，实际算力只有美国的十分之一；美国实验室先到 Mythos 级能力，就能像 Anthropic 那样「先压一个月让美国公司补漏洞再发布」；部署规模也重要——「一个网络黑客有一百万个实例比一千个实例危险得多」。他还引了 DeepSeek 创始人和通义千问负责人的原话：我们的瓶颈就是算力。→ 详细
  • 黄仁勋的框架是本期最重要的思维模型之一：AI 是五层蛋糕，最底层是能源。「当你有充沛的能源，它可以补上芯片的不足；当你有充沛的芯片，它可以补上能源的不足。」美国因为电力稀缺，NVIDIA 才必须做极致协同设计、把每瓦吞吐做到爆表；而如果瓦数几乎免费，你根本不用在乎每瓦性能，用老芯片堆就行。他的换算是：「7 纳米芯片本质上就是 Hopper——而今天的模型大部分就是在 Hopper 上训练的。」→ 详细
  • 事实层面他给的证据：中国有完全空置但电力已到位的数据中心、「鬼城、鬼数据中心」；半导体行业都知道中国主流芯片产能过剩；华为刚经历「公司历史上最大的一年」，出货「数以百万计，比 Anthropic 手上的多得多」。「所以『中国拿不到 AI 芯片』这个想法完全是胡说。」→ 详细
  • 关于 HBM 带宽这个技术卡点，两人正面撞车：Dwarkesh 说最先进 HBM 需要 EUV、HBM2 跟最新产品差近一个数量级带宽；黄仁勋两次强调「华为是家网络公司」，并说他们已经演示过用硅光子把算力连成一台巨型超算——「你可以把它们串联起来，就像我们用 NVLink 72 串起来一样。你的前提就是错的。」→ 详细
  • 最有洞察力的一段是「算力受限反而催生算法」：「摩尔定律每年推进约 25%，然而通过出色的计算机科学，我们仍然能把算法性能提升 10 倍……MoE 是个伟大的发明，所有那些注意力机制都在减少所需算力。AI 的大部分进步来自算法进步，而不只是原始硬件。那么，他们那支 AI 研究员大军怎么就不是他们的根本优势？DeepSeek 不是无关紧要的进展。」他的噩梦场景是：「DeepSeek 首发在华为上的那一天，对我们国家是个可怕的结果。」→ 详细
  • Dwarkesh 反问「开源模型不是能跑在任何加速器上吗」，黄仁勋的回答简洁到蛮横：「我就是证据。你拿一个为 NVIDIA 优化的模型，试着在别的东西上跑……跑得没那么好。AI 模型在我们的栈上被创造出来、在我们的栈上跑得最好，这有什么不合逻辑的？」→ 详细
15

中国辩论（三）：电信业前车之鉴，与「你在走极端」【厚】

  • 双方在事实层面僵住后，黄仁勋把战线拉到政策后果。他的历史类比是美国电信产业：「你主张的那种政策，结果就是让美国的电信产业基本被赶出了全世界，以至于我们连自己的电信都控制不了了。我不觉得那聪明，那有点狭隘，而且它导致了我现在正在跟你描述的、而你似乎很难理解的意外后果。」→ 详细
  • 数字支撑：中国约占全世界科技产业的 40%、50% 的 AI 开发者在中国、中国是全世界开源软件和开放模型最大的贡献者（他连说两次「事实」），而「今天，它建立在美国技术栈上，NVIDIA 的。事实」。→ 详细
  • 他把出口管制的已发生后果摊开：「它加速了他们的芯片产业，它迫使他们整个 AI 生态聚焦到自己的内部架构上。现在还不算太晚，但这已经发生了。」并预测中国不会永远卡在 7 纳米。→ 详细
  • 对「浓缩铀 / 波音卖核弹给朝鲜」类比（Dario 的原话）他两次拒绝入局：「把 AI 拿来跟你刚才说的任何东西比，都是疯话」「我们不是浓缩铀，这是芯片，而且是他们自己能造的芯片」。他的解法回到对话：「解决那个问题的方式是跟研究员对话、跟中国对话、跟所有国家对话。」→ 详细
  • 他对辩论方法本身的指控是全场最尖锐的一句：「症结在于你在走极端，你的论证是从极端出发的……那些极端说法是幼稚的。当你提出一个如此极端的前提、一切非零即无穷，我们最后就把人们吓成了一个根本不真实的样子。生活不是那样的。这需要一些细微的分寸感、一些成熟，而不是绝对化。」→ 详细
  • 他对「恐惧叙事的代价」有一整段连排：把国家吓得以为 AI 是核弹 → 所有人恨 AI；吓得没人做软件工程 → 真的没有软件工程师；吓得没人读放射科 → 医疗变差。核心是混淆了「工作」和「任务」——「放射科医生的工作是照护病人，任务才是读片。」→ 详细
  • 他也留了个可检验的预测，等于给未来定了个复盘时点：「几年之后，当我们希望美国技术扩散到印度、中东、非洲、东南亚，当我们的国家想要出口技术和标准——到那一天，我希望你我再进行一次同样的对话。」→ 详细
  • 值得记的是：Dwarkesh 全程被反复告知「你的前提是错的」，仍然把问题追到底；黄仁勋中途主动说「你不用换话题，我挺享受的」。这是一场谁也没退让、也没有失礼的硬辩。→ 详细
16

生态粘性的类比之争：芯片不是汽车

  • Dwarkesh 用特斯拉、iPhone 举例说「卖好产品给中国并没造成锁定，他们照样做出自己的电动车和手机」。黄仁勋直接拒绝这个类比：「我们不是一辆车。换车牌子很容易，计算不是那样——x86 之所以还存在是有原因的，ARM 之所以粘性这么强是有原因的。这些生态很难被替换，替换要花巨量的时间和精力，而大多数人不想干这事。」→ 详细
17

架构 vs 制程：Blackwell 的光刻只强 75%，性能却是 50 倍

  • 这是本期最有说服力的单个数据点：从 Hopper 到 Blackwell 隔了三年，单看晶体管本身只提升约 75%，但整机性能是 50 倍。「Blackwell 的光刻工艺比 Hopper 先进 50 倍吗？差得远。摩尔定律已经死了……架构重要，计算机科学重要。」→ 详细
  • 同理他否定「5 纳米 vs 7 纳米差 10 倍」的说法：「答案是没有。架构重要，网络重要——这就是 NVIDIA 收购 Mellanox 的原因——能源也重要。不像你试图把它简化成的那样简单。」→ 详细
18

会不会回头去用 N7 老制程扩产？不会

  • 被问到能否用老节点的闲置产能「再造一个 Hopper 或 Ampere」，他说没必要：每一代架构不只是晶体管尺度，还有封装、堆叠、数值格式（numerics）和系统架构的大量工程，往回移植的研发量「没有人负担得起」。「我们负担得起往前倾，我不认为我们负担得起往回走。」但如果世界真的永远不再有新产能了，「那我当然会毫不犹豫地退回去用 7 纳米」。→ 详细
19

为什么不并行押多个架构：「我们仿真过，它们可证明更差」【厚】

  • 有人问为什么不同时做 Cerebras 式晶圆级、Dojo 式超大封装、以及一个不带 CUDA 的方案——资源和人才都够。他的答案是这期最好的「资源配置」金句：「哦，我们可以啊，只是我们没有更好的想法。我们可以做所有那些事，只是它们不更好。而且我们全都仿真过，在我们的仿真器里它们是可证明更差的，所以我们不会去做。」→ 详细
  • 但他给了一个会让他们改主意的条件——不是算法变了，是工作负载变了（取决于市场形态）。最近的实例：他们加进了 Groq，并会把它折进 CUDA 生态。→ 详细
  • 触发这次扩张的商业逻辑值得单独记：token 开始分层定价了。「几年前 token 要么免费、要么便宜得几乎不要钱。但现在不同客户想要不同的答案……比如我们的软件工程师，如果我能给他们响应快得多的 token、让他们更高效，我愿意为此付钱。」所以 NVIDIA 决定扩展帕累托前沿，做一个「响应更快但吞吐更低」的推理细分市场——「在此之前，吞吐越高总是越好」；现在则赌极高单价（ASP）的 token 能补回吞吐的损失。→ 详细
  • 但他自己的优先级仍然是架构本身：「除此之外，如果我有更多钱，我会把更多钱押在架构上。」→ 详细
20

收尾问题：如果深度学习革命没发生，NVIDIA 会在做什么？

  • 答案是「加速计算，就是我们一直在做的那件事」。公司的原始前提是：通用计算继续扩展的能力基本走到头了，出路是领域专用加速——把代码核函数卸载到 GPU，把应用提速 100 到 200 倍。「就算今天 AI 不存在，NVIDIA 也会非常非常大。」→ 详细
  • 早期落地场景包括分子动力学、能源勘探的地震数据处理、图像处理。而他真正引以为傲的是民主化：「我们让任何研究者、任何科学家、任何地方的任何学生，都能用一台 PC 或一块 GeForce 显卡去做了不起的科学。那个根本承诺一点都没有改变。」他还提醒 GTC 开头一整块（计算光刻、量子化学、数据处理）跟 AI 完全无关——「张量也不是唯一的计算方式」。→ 详细
21

闪电问答 / 收尾

（本期无独立的闪电问答环节。最后一问是「假设深度学习革命没有发生，NVIDIA 会在做什么」，答案见上文第 20 节。收尾只有一句互道感谢：「Jensen，非常感谢你。」「不客气，我很享受。」）→ 详细

22

联系方式

（本期无。嘉宾为 NVIDIA 创始人兼 CEO 黄仁勋；节目为 Dwarkesh Podcast，主持人 Dwarkesh Patel。）

接着读
NO.169 · 投资 Alex Imas 与 Phil Trammell:AGI 之后什么还稀缺? AGI经济学 · 20 分钟 NO.168 · 投资 为什么更聪明的 AI 模型反而会把算力价格推高 10 倍 Dwarkesh · 9 分钟