上阳网-杠杆配资公司-股票配资知识网推荐-在线股票配资网

配资查询官网它只是一次押注未来巨头的机会

9月25日，英伟达创始人黄仁勋戴着显眼的红色眼镜，到Bg2 Pod做了一场播客对话，时长超过100分钟。

而去年10月4日，同样的两个主持人布拉德·格斯特纳（Brad Gerstner）和克拉克·唐（Clark Tang）还走进英伟达总部，跟黄仁勋畅聊80分钟。

当时黄仁勋提出了一个被广泛引用的观点：AI的真正爆发点不是训练，而是推理，而且推理的增长幅度将是“十亿倍”。

一年之后，他说，“其实当时还是低估了”。

这次访谈，是黄仁勋众多频繁演讲交流中比较深入的一次，而且直面了市场近期最关心的争议。

比如，英伟达既是OpenAI的投资者，又是其重大供应商，似乎形成了某种“循环收入”？比如，未来供给扩张过快，2026年会不会出现产能过剩？以及英伟达的护城河究竟有多深？在竞争对手环伺、估值不及部分科技巨头的情况下，它还能维持多久的领先？

黄仁勋直面所有问题。

我们的股权投资不与采购挂钩，它只是一次押注未来巨头的机会。

“我认为OpenAI很可能会成为下一个万亿美元市值的超大规模公司。如果真是这样，那么在它成长到那个规模之前进行投资，就是我们能想到的最明智的决策之一。”

“所以如果有人告诉我，未来全球每年的AI基础设施资本支出将达到5万亿美元，我会觉得这个数字完全合理。”

“在通用计算全面完成向加速计算和AI的迁移之前，我认为出现供过于求的可能性极低。这还需要几年时间。”

“极致协同设计的核心，就是同时优化模型、算法、系统和芯片。摩尔定律时代，你只要让CPU变快，一切就会自然提速。但当芯片性能停滞，你必须跳出框架创新。这就是英伟达改变游戏规则的地方。”

“外界对我们有误解，仍然停留在‘英伟达是一家芯片公司’的印象里。没错，我们造芯片，而且是世界最顶尖的芯片。但英伟达的本质是一家AI基础设施公司。”

“壁垒在于两点：协同设计的极致性和规模的极致性。”

他还谈到密切的合作伙伴埃隆·马斯克，盛赞说，“埃隆的巨大优势在于，他能在一个人的大脑里整合并处理这些相互依赖的复杂系统，甚至包括融资。他本身就是一个巨大的GPT，一台超级计算机，是终极的GPU”。

而谈到中国时，黄仁勋的赞美一如既往，明确表示：这是一个充满活力、富有创业精神的高科技产业环境，现代化程度很高。他甚至说，“他们只比我们慢了‘纳秒’而已”。

面向未来，黄仁勋描绘了一张蓝图：“我认为在未来五年内，会有一件特别酷的事情发生：人工智能将与机电一体化、机器人技术真正融合。”

可以想象的是，“每个人都能拥有自己的R2-D2”。是的，就是星球大战中那个陪伴了多个天行者的聪明活泼的伙伴。

这列火车正在指数级加速。黄仁勋的提醒是，“最聪明的做法，就是在它还没快到无法企及之前，赶紧上车，和它一起加速前进。”

全文很长，认真读了好几遍，聪明投资者（ID: Capital-nature）把大家可能最关注的几个话题整理出来，mark并分享下。

推理革命的增长将是十亿倍量级

格斯特纳如今你超过40%的收入来自推理业务。而真正的推理革命，也就是“链式推理”，才刚刚拉开序幕，对吗？

黄仁勋它的增长将会是十亿倍。我们不只是面对一个行业的增长，而是站在一场全新的工业革命前夜。

格斯特纳大约一年半前，大家在预训练领域情绪有些悲观，很多人说：“糟了，预训练到头了，我们投得太多了。”可你却说：“推理的增长不是一百倍、一千倍，而是十亿倍。”

黄仁勋我得承认，其实我当时还是低估了。

现在我们已经清楚有三条规模定律：预训练规模定律、后训练规模定律，以及推理规模定律。

所谓“后训练”，本质上就像AI在练习一项新技能。它会不断尝试各种方法，直到做对为止。而要做到这一点，就必须依赖推理。

今天的强化学习，其实已经把训练和推理完全融合在一起，这让整个过程变得更加复杂，而这就是所谓的“后训练”。

过去的推理是一种“一次性”的过程。但今天我们强调的是新的推理方式，让模型在给出答案之前先“思考”。

一个模型“思考”的时间越长，答案的质量就越高。在这个思考过程中，它可以查资料，核实事实，学习新知识。再思考，再学习，最后生成答案。

关键在于，不要急于给出第一个答案。

所以，真正推动AI演进的，并不只是单一的预训练，而是预训练、后训练和推理三者共同作用。

格斯特纳和一年前相比，你现在是不是对“推理会实现十亿倍增长”、以及“这种增长会把智能推向怎样的新高度”更有信心了？

黄仁勋我今年的信心更足，看看如今的AI代理系统就知道了。

AI已经不再是单一的语言模型，而是一个由多个模型组成的系统。它们可以同时运行，调用工具，做研究，处理各种任务，而且都是多模态的。

OpenAI很可能会成为下一个“万亿美元巨头”

格斯特纳几天前，你宣布了与OpenAI的Stargate项目达成重大合作。能否谈谈这次合作对你意味着什么？以及为什么你认为这对NVIDIA来说是明智之举？

黄仁勋我先回答最后一个问题，再展开说。

我认为OpenAI很可能会成为下一个万亿美元市值的超大规模公司。因为它和Meta、谷歌一样，既有面向消费者的服务，又有面向企业的业务。这样的双重布局，让它极有可能成为全球下一个万亿级巨头。

如果真是这样，那么在它成长到那个规模之前进行投资，就是我们能想到的最明智的决策之一。

投资必须投在自己熟悉的领域，而这恰好是我们的核心专长。而且他们愿意让我们参与，这非常难得。

我们和OpenAI已经在多个层面合作。这次新合作特别之处在于，OpenAI第一次决定自建AI基础设施。

这意味着，我们会直接在芯片、软件、系统乃至“AI工厂”层面与他们合作，帮助OpenAI成为一个完全自营的超大规模公司。

这个过程会持续相当长的时间。这背后是他们正在经历的“双重指数级增长”。

第一个指数增长来自用户数。因为AI的效果越来越好，应用场景越来越多，几乎所有应用都在接入OpenAI，导致使用量爆炸式增加。

第二个指数增长来自单次使用的计算量。过去AI是“一次性”推理，现在则需要经过“思考”才能给出答案。

格斯特纳你刚才提到“OpenAI极有可能成为万亿美元公司”，在此之前，他们的数据中心建设主要依赖微软，而现在，他们希望掌握完整的技术栈。

黄仁勋对，就像自己建工厂一样。他们希望和我们建立一种类似埃隆与X的关系，走向自主建设。

未来属于加速计算和人工智能

格斯特纳华尔街25位负责研究英伟达的卖方分析师，他们的共识预测却是英伟达的增长将在2027年趋缓，到2030年的年增速只有8%。

黄仁勋我们很清楚，但这没关系。我们一直以来都能超越他们的预期。

格斯特纳这种观点部分源于担心：当下的短缺最终会带来未来的产能过剩。他们或许相信2026年的增长，但对2027年以后的情况心存疑虑，认为市场可能饱和。

黄仁勋我倒不觉得这是矛盾。我从三个角度来解释下：

第一点，也是最根本的一点，是基于物理定律的必然趋势：通用计算的时代已经结束，未来属于加速计算和人工智能。

你可以这样想：全球价值数万亿美元的计算基础设施，有多少需要更新换代？

所有人都同意摩尔定律已死，通用计算的效率瓶颈已现。下一步必然是从通用计算转向加速计算。我们和英特尔的合作正是基于这个共识，通用计算必须和加速计算结合，这反而给他们带来了新机会。

第二点，人工智能的第一个落地场景其实早已无处不在，比如搜索、推荐引擎和电商。

过去，超大规模计算的基础设施主要是CPU，用来支撑推荐系统；未来，它将转向GPU，为人工智能服务。

你只要看看传统计算和超大规模计算的迁移方向，它们正在从CPU向加速计算与AI转移。支持Meta、谷歌、字节跳动、亚马逊等公司完成这一转型，就是一个数千亿美元的市场。

格斯特纳光是考虑TikTok、Meta、谷歌服务的40亿用户，就已经产生了巨大的算力需求。

黄仁勋没错，这一切都是由加速计算的变革驱动的。即便不算AI带来的新应用，仅仅是AI改变现有工作方式这一点，就足够庞大。

到目前为止我讲的都只是基础。就像煤油灯被电灯取代，螺旋桨飞机被喷气机取代，旧模式终将被淘汰，这很简单。

真正令人震撼的是，当我们进入AI与加速计算的时代，会诞生哪些全新的应用？这就是生成式AI的机会。

这个机会有多大？你可以类比马达取代体力劳动，而今天我们有了人工智能。我称之为“AI工厂”。这些AI超级计算机会不断生成token，用来增强人类智能。

人类智能对全球GDP的贡献有多大？大约55%到65%，差不多50万亿美元。

这50万亿美元的经济活动，未来都将被AI增强。

回到个人层面，假设我花1万美元为一位年薪10万美元的员工配一套AI系统，能让他的生产力提升一倍甚至两倍，我会不会这么做？答案是肯定的。

在英伟达，我们的每一位软件工程师、每一位芯片设计师，都已经在用AI协作。覆盖率是100%！

这意味着我们设计更多芯片，迭代更快，公司整体增长也更快。我们雇佣更多的人，效率更高，收入和利润都更高。为什么不呢？

现在，把英伟达的故事放大到全球GDP。

AI和过去的IT最大的不同在于：过去软件是提前写好的，运行在CPU上，需要人去操作；未来，AI会持续生成“通证”，机器必须不停思考才能生成。

软件将永远在线运行，而不是一次性写好。为了让AI思考，就需要一个“工厂”。

假设未来AI生成了10万亿美元的token价值，毛利率是50%，那么就需要一个价值5万亿美元的“AI工厂”——也就是AI基础设施来支撑。

所以如果有人告诉我，未来全球每年的AI基础设施资本支出将达到5万亿美元，我会觉得这个数字完全合理。

这就是未来：从通用计算转向加速计算，用AI重塑所有超大规模计算，并最终增强人类智能。

格斯特纳我们估算，目前这个市场的年规模大约是4000亿美元。照此计算，未来的潜在市场规模（TAM）比现在要高出四到五倍。

黄仁勋没错。阿里巴巴的吴泳铭（Eddie Wu）昨天还说，到这个十年末，他们数据中心的电力容量会增加10倍。你想想看，他们的电力翻十倍，而英伟达的收入几乎与电力消耗成正比。

他还提到另一点：token的生成速度每隔几个月就会翻倍。

这意味着什么？意味着每瓦性能必须持续呈指数级提升，这也是我们不断推出更高性能产品的原因。同样，每瓦带来的收入也会随之提升。未来，“瓦特”几乎就等同于收入。

格斯特纳你所描绘的，实际上是这样的场景：全球GDP的增长即将再次提速，因为我们将拥有数十亿AI“同事”为我们工作。如果GDP是劳动力和资本投入的产出，那么它必然会加速。

黄仁勋是必然的。看看AI领域正在发生什么。大语言模型、AI代理的崛起，正催生一个全新的产业。OpenAI已经是历史上营收增长最快的公司，而且还在指数级增长。

因此，AI本身就是一个高速成长的产业。而支撑它的，是“工厂”和基础设施，这也意味着我们的产业在成长。而且，下游产业同样在成长。

能源行业就是一个例子。无论是核能还是燃气轮机，正在迎来新一轮复兴。

再看看我们基础设施生态系统中的公司，几乎所有人都在增长。

供过于求的可能性要到几年以后

格斯特纳当然，这些庞大的数字也引发了争论——会不会出现“供过于求”或者“泡沫”？扎克伯格上周在播客里就说，未来某个时点很可能出现需求的“真空期”，Meta可能在某些领域会超投100亿美元。但他认为这是可以接受的，因为这是关乎未来的必要风险。这听起来有点像“囚徒困境”，不是吗？

黄仁勋但他们都是“快乐的囚徒”。

格斯特纳能展开说说吗？我们估算，到2026年，AI相关收入将达到1000亿美元，这还不包括Meta，也不包括推荐引擎、搜索等现有业务的AI化部分。

黄仁勋就算是1000亿美元吧。但整个超大规模计算行业的体量是数万亿美元。而且要记住，这个行业正在全面转向AI。

在任何人创造新市场之前，你必须先把这块基数算进去。

格斯特纳怀疑论者会说，要支撑你的论点，我们需要看到AI收入从2026年的1000亿美元，增长到2030年至少1万亿美元。你真的认为未来五年能有这样的速度吗？

黄仁勋我认为我们其实已经做到了。

超大规模公司们已经完成了从CPU到AI的转型，它们的收入基础如今完全依赖AI。

没有AI，TikTok无法运行；没有AI，YouTube Shorts无法运行；没有AI，Meta的个性化内容也不可能实现。过去很多依赖人工的环节，现在都交给AI了。

过去，内容是预先写好的，推荐引擎只是从有限的选项里挑选。而现在，AI能够生成无限的可能。

格斯特纳但推荐引擎正是我们经历CPU向GPU过渡的关键驱动。在过去三四年，它们也一直在演进。

黄仁勋没错。不过扎克伯格自己也承认，Meta在GPU应用上的确有点迟缓。GPU对Meta来说才是一两年的新事物。

至于搜索，是不是也用上了GPU？当然，这更是全新的变革。

格斯特纳所以你的意思是，到2030年AI收入达到1万亿美元几乎是板上钉钉的事，因为我们实际上已经接近目标。你觉得在未来三到五年内，出现供过于求的概率有多大？

黄仁勋在通用计算全面完成向加速计算和AI的迁移之前，我认为出现供过于求的可能性极低。这还需要几年时间。

我再补充一点：直到所有推荐引擎都基于AI，直到所有内容生成都基于AI——而消费者内容的生成本质上依赖推荐系统，这些传统上属于超大规模计算的应用，包括购物、电商等，都将被AI重塑。

格斯特纳但这些新建设项目，涉及的投资是以万亿计。是不是意味着你们必须无条件地持续投入？即便经济放缓，或者出现某种过剩，你们也得继续砸钱吗？

黄仁勋实际情况正好相反。我们在供应链的最末端，是对需求做出响应。现在，所有投资人都清楚，全球普遍存在算力短缺。

这并不是GPU产能不足，而是需求一直被低估。如果客户下单，我们就会生产。

过去几年，我们已经全面梳理过供应链。从晶圆厂到封装，再到HBM内存，都已做好准备。如果需求翻倍，我们也能随时翻倍产出。所以供应链不是问题。

我们现在只等需求信号。当云服务商、超大规模数据中心、客户们制定年度计划并给出预测时，我们就据此生产。

但迄今为止，所有的预测都被证明偏低。所以我们一直处在追赶状态。

这种追赶已经持续好几年。我们收到的每份预测，都比去年显著增加，但实际需求仍然会超过它们。

格斯特纳你是否看到，一些传统的超大规模数据中心运营商现在都在加大投入……

黄仁勋这是因为“第二波指数级增长”来了。第一波是AI的普及和使用量的指数上升；第二波则是推理的应用爆发。

一些超大规模客户，他们的内部工作负载非常庞大，必须从通用计算转向加速计算，所以消化产能没问题；另一些客户的工作负载更复杂多样，因此一开始对需求的判断比较犹豫。

但现在大家都明白了：他们严重低估了所需的算力。

我最看好的一类应用就是传统数据处理——包括结构化和非结构化数据。我们很快会宣布一个重大计划，把数据处理全面加速化。

要知道，目前全球绝大多数的数据处理还是跑在CPU上：Databricks、Snowflake的负载大部分是CPU，甲骨文的SQL处理也一样。几乎所有人都用CPU做SQL查询。

未来，这些都会由AI来完成。

这是一个巨大而开放的市场。对英伟达来说，这需要一个完整的加速层，以及针对特定领域的数据处理库和方法，我们必须把它们构建出来。

英伟达股权投资只是为押注未来巨头的机会

格斯特纳也有一些反对声音。CNBC在谈论过剩和泡沫；彭博讨论的是“资金循环”和“循环收入”。

所以当你们或微软、亚马逊投资的公司，同时又是你们的大客户，比如你们投资了OpenAI，而OpenAI又向你们采购数百亿美元的芯片……请告诉我们，分析师们担心的“循环收入”问题，到底错在哪？

黄仁勋 10吉瓦的算力，大约价值4000亿美元。而这4000亿必须由他们真实的销售和收入来支撑，而这些收入正在呈指数级增长。

资金来源无非三种：资本金、股权融资和债务融资。他们能拿到多少资金，取决于市场对他们维持收入能力的信心。聪明的投资人和贷款人会综合考量，这就是他们的商业模式。

这和我们没关系。

当然，我们必须与他们保持紧密联系，确保能支持他们的持续扩张。但这属于收入逻辑，而不是投资逻辑。

我们的股权投资不与采购挂钩，它只是一次押注未来巨头的机会。正如我之前说过的，这些公司极有可能成为下一个万亿美元级的超大规模企业。

谁不想投资这样的公司呢？我唯一的遗憾是，当他们早期邀请我们投资时，我们因为资金有限，投得太少了。

真希望当时能把所有的钱都投进去。

格斯特纳而现实是，如果你们的产品不够好，比如Vera Rubin芯片性能不佳，他们完全可以去买别的芯片。他们没有义务必须用英伟达的产品。而且正如你说的，这只是一次机会性的股权投资。

黄仁勋没错。但我们确实做了几笔很棒的投资，比如xAI和CoreWeave。事后看，这些都非常明智。

英伟达的竞争壁垒

格斯特纳 2024年，你们从Hopper芯片开始切换到年度发布周期；2025年的Grace Blackwell带来了大规模升级，迫使数据中心进行全面改造；2026年下半年将是Vera Rubin，2027年是Ultra，2028年是Feynman。

这个年度节奏目前进展如何？主要目标是什么？英伟达内部的AI是否在其中发挥了作用？

黄仁勋没有AI，英伟达不可能做到今天这样的速度、节奏和规模。我们所有的进展都依赖AI。

为什么要采用年度发布？因为token的生成速度正在以指数级增长，客户的使用量也在以指数级增长。像ChatGPT上线还不到两年，周活跃用户已经接近8亿。

格斯特纳而且每个用户都在生成更多token，因为推理时花费的思考时间更长。

黄仁勋对。这其实是两条指数曲线叠加的结果。如果性能不能以同样的速度提升，token生成的成本就会持续攀升。

摩尔定律已经停滞，晶体管的成本和能效改进几乎为零。除非有新的系统性创新，否则局面无解。

几分点的折扣根本弥补不了性能鸿沟。唯一的办法，就是每年实现数量级的性能跃迁。

晶体管的红利已经消失，我们必须在系统层面彻底重构，打破所有边界，重新设计芯片、软件栈和系统。

这就是所谓的极致协同设计。从未有人在如此高的层面上做过这样的整合。

格斯特纳能简单解释一下“极致协同设计”吗？

黄仁勋极致协同设计的核心，就是同时优化模型、算法、系统和芯片。

摩尔定律时代，你只要让CPU变快，一切就会自然提速。但当芯片性能停滞，你必须跳出框架创新。

这就是英伟达改变游戏规则的地方。

我们做了两件事：发明了CUDA和GPU，并提出了大规模协同设计的理念。

因此，我们进入了如此多的行业，构建了庞大的库并进行联合优化。从技术栈到数据中心层面，涵盖交换机、网络、软件、NIC、横向扩展、纵向扩展，全都整合。

结果就是，从Hopper到Blackwell实现了30倍性能提升，这是任何摩尔定律都无法做到的。这就是“极致”。

而能做到这一点，还因为我们有最丰富的软件和人才积累。

英伟达向世界贡献的开源软件比几乎任何公司都多，覆盖AI、图形学、数字生物学、自动驾驶等领域。这些庞大的软件资源，让我们真正能够执行深度而极致的协同设计。

格斯特纳我听到你的一位竞争对手说，英伟达的年度发布周期不仅能持续降低Token生成成本，还让对手们根本追不上。因为你们为供应链提供了长达三年的路线图，使整个供应链更有黏性和信心去规划未来的产能。

黄仁勋在提这个问题之前，可以先想一想：要支撑每年数千亿美元的AI基础设施建设，我们需要提前一年投入多少资源？

仅在晶圆和DRAM的采购上，就得花掉数百亿美元。这个规模几乎没有哪家公司能做到。

格斯特纳那么你会说，你们的竞争壁垒比三年前更牢固了吗？

黄仁勋竞争比以往任何时候都激烈，但进入这个赛道的门槛也比任何时候都高。

因为晶圆成本不断上涨，如果不进行大规模协同设计，就根本不可能实现数量级的性能跨越。

壁垒在于两点：协同设计的极致性和规模的极致性。当客户要部署1吉瓦的算力时，意味着需要40万到50万块GPU。

让几十万块GPU协同运转，本身就是奇迹。客户必须在我们身上下注。

你要反问自己：什么样的客户会在一款尚未经过市场验证的架构上，提前下500亿美元的订单？再问，作为供应商，你为什么要为一款刚刚完成设计的芯片，提前投产价值500亿美元的晶圆？

对英伟达来说，这能实现，因为我们的架构已经被反复验证过。客户的规模巨大，供应链也必须匹配这种规模。

没有对我们交付能力的绝对信任，任何一家公司都不会愿意提前为你生产如此庞大的零部件订单。

他们愿意一次性拉动数千亿美元的生产计划，这种信任和规模本身就是壁垒。

格斯特纳站在第一性原理的角度，我会问：你们是在拓宽，还是在缩窄自己的护城河？

黄仁勋我会说，我们的机遇，远比市场普遍认知的要大得多。

外界对我们有误解，仍然停留在“英伟达是一家芯片公司”的印象里。没错，我们造芯片，而且是世界最顶尖的芯片。

但英伟达的本质是一家AI基础设施公司，我们是客户的AI基础设施合作伙伴。与OpenAI的合作就是明证。

我们与客户合作方式非常灵活，不要求他们必须买全套，也不要求买整个机柜。他们可以只买一颗芯片，一个组件，或者只买我们的网络设备。

有些客户只买CPU，或者只买GPU，再配其他厂商的CPU或网络设备，我们完全接受。

无论怎样，我唯一的请求是：总得从我们这儿买点东西。（笑）

格斯特纳你说过，AI不仅关乎更好的模型，更需要世界级的“建设者”。在我看来，这个国家最顶尖的建设者也许就是埃隆·马斯克。

黄仁勋如果他第一个建成吉瓦级的超算，我一点都不会意外。

格斯特纳请谈谈“建设者”的优势。

黄仁勋这些AI超级计算机是极其复杂的系统。

技术复杂，融资复杂，土地、电力、机房和供电同样复杂。把所有这些整合并运行起来，这是人类历史上最复杂的系统工程之一。

埃隆的巨大优势在于，他能在一个人的大脑里整合并处理这些相互依赖的复杂系统，甚至包括融资。他本身就是一个巨大的GPT，一台超级计算机，是终极的GPU。

他有强烈的紧迫感和真正的建设意愿。当意愿与能力结合时，奇迹就会发生。他确实是独一无二的。

ASIC之争与未来格局

克拉克说到这点，现在全球一个核心争论是GPU与ASIC（专用集成电路，即为某个特定用途而设计的“定制芯片”）的对决。考虑到谷歌TPU的成功，你现在怎么看市场格局的演变？

黄仁勋谷歌的成功在于远见。他们在一切开始前就推出了TPU1。

就像创业一样，应该在市场爆发前就进入，而不是等到市场达到万亿美元规模时再加入。

风险投资里有个常见的谬论，只要能在大市场中拿到几个点的份额就能成功。这完全错误。

真正的逻辑是：你要在一个小市场里占据100%，并随着市场成长而成长。TPU当年就是这么做的，那时这个赛道只有我们和他们。

格斯特纳但前提是，你得祈祷这个小市场最终会长大。实际上，你在创造一个新行业。

黄仁勋没错。这也是今天所有想做ASIC的公司面临的挑战。

我曾在LSI Logic工作过，那家公司最早提出ASIC概念，但现在已经不复存在。

为什么？当市场还很小的时候，ASIC模式确实有效。你找个代工厂，帮你完成设计、封装、生产，他们抽取50%–60%的毛利。

但当市场足够大时，模式就会转向COT（客户自有工具，Customer-Owned Tooling）。苹果的智能手机就是典型案例：出货量巨大，他们绝不会把一半利润交给别人，而是必然采用COT。

所以，当TPU的业务规模大到一定程度时，最终也会走向COT，这是毫无疑问的。

当然，ASIC依然有它的用武之地，比如视频转码器或智能网卡。这类市场规模有限，不会无限膨胀。

你可以用ASIC去做推荐系统里的嵌入式处理器，这是可行的。但要拿它作为AI的核心计算引擎，就完全不现实了。

AI世界变化太快，你需要应对低延迟、高吞吐、推理、Token生成、视频生成等各种迥异的工作负载，这些需求不可能靠单一ASIC解决。

格斯特纳像Trainium或一些欧洲的新创公司，他们的ASIC芯片更像是“大棋盘里的一枚子”。而你们已经搭建了一个极其复杂的系统、一座“工厂”，而且在不断开放，比如Grace CPU，就是把不同工作负载分配给最合适的硬件。

黄仁勋没错。我们刚刚开源了Dynamo，一个面向分布式AI工作负载的编排系统，因为未来的AI工厂一定是分布式的。

格斯特纳你们推出的NVLink Fusion（英伟达推出的新一代互联技术，它能把不同厂商的CPU、GPU或加速器高速连接起来，让它们像一个整体一样协同工作。相比传统的封闭互联，NVLink Fusion更开放，允许Intel、ARM等生态无缝接入，从而扩大了英伟达“AI工厂”的影响力），甚至向英特尔——你们刚刚投资的竞争对手，敞开了大门。这说明你们希望整个行业一起来建设这座“工厂”。

黄仁勋这次合作把英特尔生态、英伟达AI生态和我们的加速计算平台打通，就像我们和ARM已经实现的那样。未来还会有更多合作伙伴。

这是一次双赢：我会成为他们的大客户，而他们也为我们打开更广阔的市场。