两小时激辩：黄仁勋为什么不怕 TPU、不怕华为、不怕出口管制？ · AI HOT
宝玉 @dotey 69
2026-04-18 11:02 ·76天前
AI 摘要 黄仁勋在接受专访时，将Nvidia的使命定义为“输入是电子，输出是Token”。他阐述了公司“少做，但每件事都独一无二”的哲学，因此不做云服务、不押注特定赢家。他认为供应链瓶颈最多持续两三年，真正的长期制约是能源政策。针对竞争，他指出专用芯片在跨云可移植性和广泛适用性上不及Nvidia的通用加速计算平台。对于出口管制，他认为中国已拥有足够的7nm产能和能源，限制反而会加速其芯片自主化，使美国失去第二大科技市场。
宝玉 @dotey · X 2026-04-18 11:02 · 76天前
在 X 看原推 · x.com AI 摘要 黄仁勋在接受专访时，将Nvidia的使命定义为“输入是电子，输出是Token”。他阐述了公司“少做，但每件事都独一无二”的哲学，因此不做云服务、不押注特定赢家。他认为供应链瓶颈最多持续两三年，真正的长期制约是能源政策。针对竞争，他指出专用芯片在跨云可移植性和广泛适用性上不及Nvidia的通用加速计算平台。对于出口管制，他认为中国已拥有足够的7nm产能和能源，限制反而会加速其芯片自主化，使美国失去第二大科技市场。
"有人总跟我说『Jensen，你演讲有时像在上课』，但这正是我要做的事。我希望产业链上的所有人，都能像我一样清晰地看到 AI 即将到来的巨大机会。"
【3】产能瓶颈？不存在的 访谈到这里，Dwarkesh 再次追问了一个尖锐问题：Nvidia 已经占据了台积电 3nm 产能的绝大部分，2026 年甚至达到 60%，2027 年更要占到 86%。在如此巨大的基数下，Nvidia 怎么可能再翻倍增长？
"所有产能瓶颈最多持续两三年。一旦你能造一个，就能造一百万个。"
任何时候，瞬时需求都会超越供应能力，瓶颈可能出在你完全想不到的环节，甚至可能是水管工人--"明年 GTC 我们还真邀请了水管工参加。"
他以 CoWoS（台积电用来集成芯片和高带宽内存的先进封装技术）为例，两年前它还是 AI 芯片的最大瓶颈，Nvidia 花了大力气解决，现在产能已经翻了数倍。
更重要的是，Nvidia 提前数年就开始主动预判瓶颈。比如硅光子（用光传输数据）领域，Nvidia 不仅亲自开发关键技术，还投资并与台积电及合作伙伴联手扩产，完全掌握供应链的主动权。
但老黄强调，真正让他担忧的并非这些硬件瓶颈，而是下游能源政策：
"没能源，你什么产业都建不了，更别提再工业化美国了。芯片、电动车、机器人、AI 工厂，这些都吃能源，而能源问题可不是两三年就能解决的。"
【4】GPU vs TPU：F1 赛车还是凯迪拉克？ 访谈到这里，Dwarkesh 又抛出了一个犀利的观点：世界上最强的两个 AI 模型--Claude 和 Gemini，都是用 Google 的 TPU 训练出来的。这是不是意味着 Nvidia 已经落后了？
面对这个挑战，老黄迅速把讨论格局拉大："Nvidia 做的不是『张量处理单元』，而是更广泛的『加速计算』。"除了 AI，Nvidia 的 GPU 还能覆盖分子动力学、流体力学、量子计算、数据处理等数十个领域。这种广泛的适用性，是专用芯片（ASIC）无论如何也追不上的。
而且更关键的是，Nvidia 是云计算领域的通用基础设施，任何人都能操作，能跑在 Google、Amazon、Azure、OCI 等所有主流云平台上。但 TPU 和 Trainium 这些芯片就不同，只能被特定的云服务商使用。
Dwarkesh 显然对这个解释不买账。他代表一些 AI 研究者指出，TPU 本质上就是专门优化矩阵乘法的脉动阵列（systolic array），简单、高效，而 GPU 的通用性反而成了浪费："做 AI 就是反复的矩阵计算，你非得弄个能做其他事情的 GPU，晶体管面积不是白瞎了吗？"
对此，老黄坚决反驳："矩阵乘法当然重要，但不是 AI 的全部。如果你想试试新的注意力机制、融合不同的模型架构，你就需要 GPU 这种通用计算平台。"
然后他直接给出了数据--新一代的 Blackwell 架构相比 Hopper 架构能效提高了整整 50 倍：
"靠摩尔定律，每年最多提升 25%。但你要实现 10 倍甚至 100 倍的飞跃，唯一的方法就是不断改变算法和计算方式。"
老黄特意提到，最初宣布 Blackwell 比 Hopper 能效高 35 倍时，没人相信。直到 SemiAnalysis 独立分析后，才发现实际提升居然达到 50 倍！而这一突破的背后，靠的不是制程升级，而是处理器架构、算法、分布式计算策略，以及 NVLink、Spectrum-X 等网络技术的全面创新。
"GPU 就像 F1 赛车，CPU 更像凯迪拉克。凯迪拉克人人都能开到时速 100 英里，但想把 F1 赛车推到极限，你必须拥有专业的驾驶技术。"
而 Nvidia 自己就拥有这种专业的"驾驶技术"--用 AI 自动生成最优计算内核，帮客户轻松将性能提升 2 倍甚至更多。"考虑到现在 Hopper 和 Blackwell 在全球的装机量，这 2 倍的性能提升，直接等于客户收入翻倍。"
【5】CUDA：生态便利还是技术锁定？ 访谈中 Dwarkesh 再次犀利提问：如果 Nvidia 60% 的收入都来自少数几个巨头客户，而这些客户完全有资源自己写内核，那 CUDA 到底还有多大优势？Anthropic 和 Google 已经开始主推自己的芯片，连依赖 Nvidia GPU 的 OpenAI 都开发了 Triton 框架，让内核编程不再依赖 CUDA。
第一，是生态的丰富程度。 CUDA 已经支持了几乎所有主流框架，从 OpenAI 的 Triton，到 vLLM、SGLang，再到最新的强化学习框架 Verl 和 NeMo RL。Nvidia 自己也积极参与 Triton 的底层开发，这意味着如果出了问题，你至少明确知道问题出在自己代码上，而不是无底洞般的底层实现。
第二，是庞大的装机规模。 "作为开发者，你最在乎什么？当然是用户装机量！" Nvidia 在全球拥有数亿块 GPU，从老旧的 A10 到最新的 Blackwell，横跨各个云平台、每个垂直领域。无论你是做云服务还是机器人，你都希望自己的代码随时随地能跑起来，而 CUDA 就能保证这一点。
第三，是跨云平台的自由。 Nvidia 是唯一一个能同时存在于 Google、Amazon、Azure 和 OCI 等所有主流云服务上的芯片公司。AI 公司无法确定自己未来会选哪家云服务，因此 Nvidia 能提供最大的灵活性和安全感。
但 Dwarkesh 还是不依不饶：这些优势对那些顶级客户真的有那么重要吗？当 AI 越来越擅长自己写高效内核时，Nvidia 会不会变成单纯拼性能和价格的芯片商？到那个时候，Nvidia 还能维持超过 70% 的高毛利率吗？
对此老黄非常自信地回应："Nvidia 工程师优化的不只是内核，而是客户整个技术栈。"
他说，没有人比 Nvidia 自己更懂 Nvidia 的架构，"我们的每瓦性能和总拥有成本（TCO）都是全球最好的，没有例外。"
他甚至公开喊话 TPU 和 Trainium 等竞争对手："我鼓励他们站出来，用 Inference Max 这种公认的基准测试证明自己的推理性能。但现实是，他们根本不敢来。"
最后，老黄指出了一个容易被忽视的重要细节： 虽然 Nvidia 60% 的收入确实来自几家超大型云厂商，但这些 GPU 大部分最终服务于外部客户。云厂商愿意大规模采购 Nvidia，是因为 Nvidia 本身带来了最多的客户。这才是 Nvidia 真正的生态护城河。
【6】Anthropic 的芯片选择：老黄承认了一个错误 访谈最有意思的地方，莫过于老黄公开解释 Anthropic 为什么大量使用 Google 的 TPU 和 Amazon 的 Trainium。
Dwarkesh 提到了 Anthropic 刚宣布的与 Google 和 Broadcom 总计 3.5GW 算力规模的 TPU 交易，尖锐地问道："如果 Nvidia 性价比真的全球第一，Anthropic 为什么还要选别家的？"
对此，老黄的回应非常直接："Anthropic 是一个特例，不是趋势。"
"没有 Anthropic，TPU 哪来的增长？100% 是靠 Anthropic。没有 Anthropic，Trainium 的增长从哪来？还是 Anthropic。"
虽然现实情况并没有老黄说得这么绝对，但他的核心意思其实很明确--在 Nvidia 所有的重要客户中，只有 Anthropic 明显地偏向了其他芯片生态。
更有意思的是，接下来老黄主动承认了自己过去的一个重大失误：
"很久以前，我们确实没能力这么做。我低估了建立一家像 OpenAI 或 Anthropic 这样的大模型实验室有多难，也低估了它们对供应商巨额资金支持的需求。当时 Nvidia 根本拿不出 50 亿、100 亿美元给 Anthropic，但 Google 和 AWS 能做到。"
"我们的失误导致 Anthropic 不得不去找别人。但即使这样，我仍然为 Anthropic 的存在感到高兴--Anthropic 对世界是有益的。"
后来老黄痛定思痛，决心不再犯同样的错误，因此 Nvidia 后续大手笔投资了 OpenAI（300 亿美元）和 Anthropic（100 亿美元）。
关于 Nvidia 为什么不自己做云服务，老黄再次强调了他核心的经营哲学：
"如果我们不冒险打造计算平台，真的就没人做了。如果没有 NVLink、CUDA 和整个生态的搭建与投入，AI 产业根本不会有今天的繁荣。但云服务不同，世界上有很多人能做。我们不做，自然会有人去做。"
他强调 Nvidia 不会亲自做融资业务，因为"融资业务市场上已经有很多人在做了，我们宁愿跟所有做融资的人合作。"
至于为什么 Nvidia 从来不去押注某个赢家，老黄回忆起创业时的教训："我们刚起步的时候，全行业有 60 家 3D 图形公司。要是那时候投票选谁最可能失败，我们绝对排第一，因为我们的架构方向根本就是错的。"
"我足够谦逊地知道，不要去挑选赢家。要么大家自己想办法活下去，要么我们干脆照顾好所有人。"
【7】GPU 定价哲学：不涨价、不竞标的理由 访谈中，Dwarkesh 又抛出了一个让人直觉上觉得"这才合理"的问题："GPU 紧缺时，为什么不直接卖给出价最高的人？"
"我们从来不做竞价分配 GPU 的事。这不是 Nvidia 的风格，我们只负责定好一个合理的价格，客户自己决定买不买。"
老黄强调，即使市场火爆到爆炸，他们也绝不会趁机涨价："其他芯片公司可能会，但我们绝不。我们想做整个行业可信赖的基石，让客户永远不需要猜测或担心我们会不会趁机割韭菜。"
他甚至顺带辟了个谣："坊间传闻 Larry Ellison 和 Elon Musk 曾经在一次晚餐上苦苦求我分 GPU 给他们，这事确实有，但他们根本不用求，只要下订单就可以了。"
更让人吃惊的是，老黄透露 Nvidia 与台积电近 30 年的合作，从来没签过正式法律合同：
"我们之间一直存在一种默契，有时候我占点便宜，有时候吃点亏，但总体上公平。我可以完全信任他们、依赖他们。"
最后，他点出了 Nvidia 的另一个优势--超强的可预测性：
"今年我们交付 Vera Rubin 架构，明年是 Vera Rubin Ultra，后年是 Feynman，再下一年还有未公布的新架构。"
"你放眼全球，有哪家 ASIC 团队敢拍胸脯承诺：每年稳定推出新架构、每年 Token 成本持续下降一个数量级？只有 Nvidia 能做到，我们像钟表一样准时可靠。"
【8】对华出口管制：老黄全场最激烈的交锋 访谈进行到中段时，Dwarkesh 开启了本场最激烈的 20 分钟辩论。他直言，自己习惯当"魔鬼代言人"--此前他曾挑战过支持出口管制的 Dario Amodei，现在面对反对管制的老黄，他反过来问了同样尖锐的问题：
"如果中国企业和政府拥有了训练出类似 Anthropic Claude Mythos 这种顶级模型的 AI 芯片，会不会威胁美国国家安全？"
Claude Mythos 近期刚发布，就已发现了数千个零日漏洞，甚至能在主流操作系统和浏览器中自主发掘高危漏洞。正因如此，Anthropic 不敢公开发布，只限量提供给 Google、微软等机构修补漏洞。
对此老黄迅速而坚定地反驳："Mythos 训练所需的算力其实并不特殊，在中国早已普遍存在。他们有世界 60% 以上的芯片产能，拥有最顶尖的计算机科学家，全球 50% 的 AI 研究者也都来自中国。"
他更犀利地提出："如果你真担心中国，用最糟糕的方式--把他们变成受害者、敌人，肯定不是好主意。"
老黄指出，现在美中最大的缺失，是 AI 研究者之间的真正对话。他认为双方应该公开、直接地讨论，明确 AI 哪些领域不能涉及。
Dwarkesh 不认同老黄的观点。他强调，中国虽然芯片多，但先进算力只有美国的十分之一，因为中国的制程还卡在 7nm，没有 EUV 设备。这意味着美国有一个宝贵的窗口期，可以比中国更快达到 Mythos 的级别，并提前堵上漏洞。
"中国拥有的免费能源实在太惊人了。AI 就是一个巨大的并行计算问题，如果中国芯片算力不够先进，他们完全可以用大量便宜芯片和几乎免费的电力拼成超算。他们甚至有空置的鬼城、鬼数据中心，可以迅速规模化部署。"
他进一步补充道："7nm 芯片其实就是我们过去的 Hopper 芯片，而全球绝大部分先进 AI 模型，就是用 Hopper 训练出来的。华为去年更是创下了史上最大规模的单年芯片出货量。"
在老黄看来，出口管制只会促使中国更快走向芯片自主，而美国则将因此白白放弃全球第二大的科技市场。
Dwarkesh 试图用"内存带宽"问题继续施压，但老黄干脆回应："华为本质上是一家网络公司，他们完全有能力通过先进的互联技术，把大量普通芯片串联成超级计算机。他们甚至已经展示过用硅光子技术把低端芯片变成巨型超算的能力。"
"如果未来 DeepSeek 这样的顶尖模型，首发选在华为芯片上，那对美国来说将是灾难。"
他的逻辑非常清晰：如果开源 AI 模型被优化到非美国的技术栈上，当这些模型传播到全球南方、中东和东南亚地区时，美国的技术标准和硬件生态将不再有竞争力，美国将丢掉全球 AI 技术主导权。
Dwarkesh 随即反驳道："Anthropic 的模型同时能跑在 GPU、TPU 和 Trainium 上，这种跨平台兼容性不会轻易消失。"
老黄不以为然："你试试看，把一个为 Nvidia 优化的模型搬到其他平台上去，性能会怎么样？Nvidia 的成功就是最佳证明。AI 模型在我们的技术栈上被创造，也在我们的技术栈上达到最好效果，这点毫无疑问。"
接下来，Dwarkesh 引用了 Dario Amodei 曾在达沃斯论坛上的尖锐比喻："Nvidia 卖芯片给中国，就像波音自豪地说，朝鲜的核武器导弹外壳是波音造的，所以这是支持美国技术生态。"
"你把 AI 和你刚刚提到的任何东西比较，简直是荒谬透顶。"
Dwarkesh 仍不罢休："但如果他们的芯片可以跑出攻击所有美国软件的 AI 模型，这难道不算武器？"
老黄冷静地指出："真正解决之道，是美中通过沟通达成明确共识，确保所有国家都不滥用 AI 技术。更何况，中国是全球最大开源贡献者，AI 安全依赖于全球开源生态。我们不能掐死它。"
Dwarkesh 抓住老黄逻辑上的微妙矛盾追问："你一边说 Nvidia 芯片最强，在中国市场一定能赢；一边又说，就算不卖芯片，中国照样可以做到一样的事。"
老黄强调，这两点并不矛盾："如果市场上有更好的芯片，自然选更好的。如果没有，也能用已有的方案，这完全合乎逻辑。"
老黄坚持，AI 技术像一块"五层蛋糕"，每一层都必须竞争并取胜。牺牲芯片层（也就是不卖芯片给中国）来防止他们训练出高端模型，是一种极端且短视的做法。他举了美国电信行业的例子：过去严格的出口管制曾让美国公司彻底丢掉全球电信市场，最终让美国"不再控制自己的电信产业"。
Dwarkesh 激烈地质问老黄，这种说法是不是一种"输家心态"。老黄当场火力全开：
"你面前这个人，不是早上醒来准备输的人。这种输家的态度、输家的假设，对我来说毫无意义。"
"没有人说要么全部开放、要么全封闭。美国必须永远领先，拥有最好的技术。但同时我们也应该积极参与全球竞争并赢下市场。这两件事是完全能同时做到的。世界从来不是非黑即白的。"
【9】收购 Groq 背后：推理市场进入分层时代 访谈最后阶段，Dwarkesh 将话题从敏感的地缘政治拉回到技术上，问老黄："Nvidia 为什么不尝试不同的芯片架构？比如 Cerebras 那种晶圆级芯片，或者像 Dojo 那样的大封装结构，甚至推出完全不依赖 CUDA 的版本？"
老黄简单又直接地回应："我们当然能做，但事实证明这些架构并没有更好。它们早就在我们的模拟器里反复验证过了，效果都不如现在的方案。"
不过他承认，Nvidia 最近的确在推理芯片领域迈出了新的一步--高价收购了 Groq。
但老黄强调，收购 Groq 并非因为 GPU 架构不够优秀，而是因为推理市场本身出现了重大变化：
"几年前，推理产生的 Token 基本不值钱，甚至可以说免费。但现在不同客户对 Token 的要求不同，他们愿意为更快的响应速度支付更高的价格。"
他举了自家软件工程师的例子："如果我们能给工程师提供更快响应的 Token，让他们的生产力翻倍，我们当然愿意为此额外付费。"这就是所谓的"高端推理市场"，过去并不存在，但如今正在快速形成。
老黄继续解释："我们现在已经进入了一个『推理分层时代』。同一个模型可以根据响应速度不同来定价，这意味着吞吐量高不再是唯一标准。更快的响应速度，即使整体吞吐量低一些，也可能获得更高的平均售价（ASP）。"
对于是否会考虑回到旧制程（比如 7nm）来缓解芯片供应压力的问题，老黄果断表示不太可能：
"理论上可以这么做，但经济上完全不划算。我们能承担得起向前发展，但负担不起向后退步。每一代新架构的进步，不仅仅是制程，还有封装、堆叠技术、数值精度和整体系统架构的革新。除非有一天真的再也无法提高产能，否则我们绝不会往回走。"
【10】假如 AI 革命从未发生，Nvidia 还会做什么？ 访谈的尾声，Dwarkesh 提出了一个假设性的、稍显哲学的问题："如果深度学习革命从来没有发生，今天的 Nvidia 会做什么？"
老黄没有犹豫，干脆地回答："我们还是会做加速计算，这本来就是 Nvidia 一直在做的事。"他强调，通用计算的时代已经走到了尽头，计算世界转向加速计算的趋势和 AI 并不必然相关。
"即使 AI 不存在，Nvidia 依然会是一家非常大的公司。"
他说，即便没有 AI，计算光刻、量子化学、数据处理和图像生成等领域，依旧需要强大的加速计算能力。他提到 GTC 大会上有很大一部分话题并非围绕 AI 展开，但依然对产业至关重要。
"张量计算不是计算的全部。我们希望能帮助所有计算领域。"
但老黄最后也坦率承认了自己内心深处的一点小情绪："但如果世界上真的没有 AI，我会感到非常伤心。"
最后的快问快答 Q：Nvidia 会不会变成商品化公司？ Jensen：不会。因为从电子到 Token 的转化本身非常复杂，工程和科学问题还远未被理解透彻。AI 智能体的爆发还会为软件工具带来巨大的需求增长。
Q：CUDA 最大的价值到底是什么？ Jensen：不是技术锁定，而是全球数亿块 GPU 的装机量、极其丰富的生态系统，以及跨每一家云平台的便捷性。此外，Nvidia 的工程师还能帮客户轻松实现 2-3 倍的性能提升。
Q：Anthropic 为什么选择 TPU 而不是 GPU？ Jensen：因为 Nvidia 早年缺乏财务能力，没有及时投资 Anthropic，导致他们不得不依靠 Google 和 AWS 的芯片生态。这是一个特例，而不是长期趋势。
Q：Nvidia 应不应该向中国出售 AI 芯片？ Jensen：应该。中国已经有了充足的 7nm 芯片产能和丰富的能源，出口限制只会加速中国自主生态的建立。美国需要在所有技术层面积极竞争，而不是通过牺牲市场来"赢"。
Q：Nvidia 为什么自己不做云服务？ Jensen："因为如果我们不做，总有人会做。"Nvidia 的哲学是只做那些如果我们不做，就没人能做的事情。而云基础设施显然不属于这一类。
老黄的自相矛盾与现实考验 这场近两个小时的访谈，呈现出了几个值得持续关注的矛盾与悬念。
首先，老黄所谓"尽可能少做事"的哲学，在现实中早已偏离了字面含义。投入 300 亿美元给 OpenAI，100 亿美元给 Anthropic，花 200 亿美元收购 Groq，又扶持 CoreWeave 等新兴云服务商……Nvidia 的触手实际上早已深入 AI 产业链的每一个环节。如今看来，这个原则更像是一种事后美化的叙事，而非真正约束行动的法则。
其次，"Anthropic 是特例"这一论断，能否扛住现实的检验也充满悬念。Anthropic 在过去一年与 Broadcom 和 Google 的 TPU 合作规模翻了数倍（从 1GW 增至 3.5GW），与此同时 OpenAI 也开始发展自己的 Triton 框架并和 AMD 合作。如果未来出现更多这样的"特例"，那么老黄的说法基础势必动摇。
再来看最敏感的对华出口话题。整场辩论下来，老黄始终没有直面回答一个最关键的问题："他到底愿意接受什么程度的出口限制？"他反复强调不应该限制出口，又同时表示美国必须永远领先。一旦这两种立场发生冲突，究竟哪个更重要？他没有给出明确答案。他举出的"美国电信产业失败"的案例虽有启发性，但这种类比是否能完全适用于 AI 芯片这种显著的双重用途技术，仍有待商榷。
而在商业策略上，老黄一再强调 Nvidia 作为"行业基石"绝不涨价、不搞竞价分配 GPU，能精准预测每年发布新架构。但这个承诺的可信度，很大程度上依赖于 Nvidia 目前超过 70% 的超高毛利率。当竞争真正来临时，Nvidia 是否还能如此慷慨与淡定？
接下来 Vera Rubin 架构的实际量产进度与性能表现、Groq 3 LPX 在真实推理任务中的表现，以及中国自研芯片在未来几个月的真实部署规模，都将是检验老黄此次访谈诸多观点的最佳指标。
完整访谈视频：Dwarkesh Patel Podcast
供应链的瓶颈最多两三年就能解决，真正制约未来的是能源政策，而非芯片产能。 CUDA 的壁垒不是技术锁定，而是庞大的 GPU 装机量、丰富的生态系统，以及在不同云平台之间的可移植性。Nvidia 还直接派驻工程师帮 AI 公司优化模型，通常能轻松提升模型速度 2-3 倍。 Anthropic 使用 TPU 和 Trainium 是特殊个案而非趋势，原因在于早年 Nvidia 没及时投资 Anthropic，逼得后者只能依靠 Google 和 Amazon 的芯片生态。 中国早已拥有足够的 7nm 芯片产能和大量能源，限制出口根本挡不住 AI 发展，反而会推动中国芯片的完全自主化，让美国白白丢掉全球第二大科技市场。 Nvidia 收购 Groq 不是因为自家 GPU 架构不行，而是因为推理市场的 Token 已经贵到可以分档收费了。
【1】从电子到 Token：Nvidia 如何定义自己？ 一开场，Dwarkesh 就抛出一个尖锐的问题：如果 Nvidia 的工作本质是写软件，而 AI 又正在把软件逐渐商品化，那 Nvidia 自己会不会也被商品化？
老黄干脆直接把问题推翻重来："把电子转化成 Token，这事儿本身几乎没法被商品化。"因为这个转化过程不仅复杂，而且远未被充分理解。他强调 Nvidia 的哲学是：
> "做必要的事情，越少越好。" （"We should do as much as needed， as little as possible."）
这句话贯穿了整个访谈，解释了 Nvidia 为什么不自己做云，不偏向某个赢家，也不搞竞价分配 GPU。
而针对"AI 会不会让软件公司贬值"这个反直觉问题，老黄的观点恰好相反。他认为未来 AI 智能体的数量将指数级增长，这些智能体需要大量使用现有的软件工具，而过去这些工具只能由有限数量的人类工程师操作。
他举了个生动的例子：芯片设计公司 Synopsys 的设计编译器（Design Compiler），未来的使用实例可能会爆炸式增长--因为 AI 智能体将成批地使用这些工具进行设计探索。这不仅不会淘汰软件公司，反而会带来史无前例的需求大爆发。
老黄总结道："今天智能体还不擅长使用这些工具，未来要么工具公司自己开发智能体，要么智能体自动变聪明，学会高效使用工具。这两个过程会同时发生。"
【2】当供应链"布道者"：老黄如何推动整个产业链？ 访谈中，Dwarkesh 直接戳中了 Nvidia 看似牢不可破的护城河--他援引了最新财报里的千亿美元采购承诺，以及 SemiAnalysis 更高的 2500 亿美元估值，质疑 Nvidia 是不是靠"买空市场"卡住了竞争对手。
老黄没否认这点，但强调事情没这么简单。Nvidia 敢砸出这么多钱的根本原因，是下游需求足够大，给了供应商十足信心去扩产：
> "需求多 → 上游敢投 → 产能增 → 市场更大 → 需求更多"， 这是 Nvidia 背后真实运转的飞轮。
但这飞轮并不是自动转起来的。老黄形容自己花了大量精力做供应链"布道者"，挨个儿向上下游 CEO 讲清楚 AI 大潮为什么会来、什么时候来、以及将有多大：
他特意讲了与美光（Micron）CEO Sanjay Mehrotra 的关键对话，详细告诉对方为何 HBM（高带宽内存）市场马上会爆炸式增长。后来事实证明，美光押注 HBM 和 LPDDR 是个极为成功的决策。
在更上游的光通信领域，Nvidia 直接牵头重塑了供应链：和台积电一起开发封装技术，创造新工艺，还主动把专利分享给合作伙伴，并直接投资帮他们扩大产能--最近对 Lumentum 的 20 亿美元投资，就是典型案例。
老黄把 Nvidia 每年举办的 GTC 大会，定义为产业链上下游的集体"思想升级"：
"有人总跟我说『Jensen，你演讲有时像在上课』，但这正是我要做的事。我希望产业链上的所有人，都能像我一样清晰地看到 AI 即将到来的巨大机会。"
【3】产能瓶颈？不存在的 访谈到这里，Dwarkesh 再次追问了一个尖锐问题：Nvidia 已经占据了台积电 3nm 产能的绝大部分，2026 年甚至达到 60%，2027 年更要占到 86%。在如此巨大的基数下，Nvidia 怎么可能再翻倍增长？
"所有产能瓶颈最多持续两三年。一旦你能造一个，就能造一百万个。"
任何时候，瞬时需求都会超越供应能力，瓶颈可能出在你完全想不到的环节，甚至可能是水管工人--"明年 GTC 我们还真邀请了水管工参加。"
他以 CoWoS（台积电用来集成芯片和高带宽内存的先进封装技术）为例，两年前它还是 AI 芯片的最大瓶颈，Nvidia 花了大力气解决，现在产能已经翻了数倍。
更重要的是，Nvidia 提前数年就开始主动预判瓶颈。比如硅光子（用光传输数据）领域，Nvidia 不仅亲自开发关键技术，还投资并与台积电及合作伙伴联手扩产，完全掌握供应链的主动权。
但老黄强调，真正让他担忧的并非这些硬件瓶颈，而是下游能源政策：
"没能源，你什么产业都建不了，更别提再工业化美国了。芯片、电动车、机器人、AI 工厂，这些都吃能源，而能源问题可不是两三年就能解决的。"
【4】GPU vs TPU：F1 赛车还是凯迪拉克？ 访谈到这里，Dwarkesh 又抛出了一个犀利的观点：世界上最强的两个 AI 模型--Claude 和 Gemini，都是用 Google 的 TPU 训练出来的。这是不是意味着 Nvidia 已经落后了？
面对这个挑战，老黄迅速把讨论格局拉大："Nvidia 做的不是『张量处理单元』，而是更广泛的『加速计算』。"除了 AI，Nvidia 的 GPU 还能覆盖分子动力学、流体力学、量子计算、数据处理等数十个领域。这种广泛的适用性，是专用芯片（ASIC）无论如何也追不上的。
而且更关键的是，Nvidia 是云计算领域的通用基础设施，任何人都能操作，能跑在 Google、Amazon、Azure、OCI 等所有主流云平台上。但 TPU 和 Trainium 这些芯片就不同，只能被特定的云服务商使用。
Dwarkesh 显然对这个解释不买账。他代表一些 AI 研究者指出，TPU 本质上就是专门优化矩阵乘法的脉动阵列（systolic array），简单、高效，而 GPU 的通用性反而成了浪费："做 AI 就是反复的矩阵计算，你非得弄个能做其他事情的 GPU，晶体管面积不是白瞎了吗？"
对此，老黄坚决反驳："矩阵乘法当然重要，但不是 AI 的全部。如果你想试试新的注意力机制、融合不同的模型架构，你就需要 GPU 这种通用计算平台。"
然后他直接给出了数据--新一代的 Blackwell 架构相比 Hopper 架构能效提高了整整 50 倍：
"靠摩尔定律，每年最多提升 25%。但你要实现 10 倍甚至 100 倍的飞跃，唯一的方法就是不断改变算法和计算方式。"
老黄特意提到，最初宣布 Blackwell 比 Hopper 能效高 35 倍时，没人相信。直到 SemiAnalysis 独立分析后，才发现实际提升居然达到 50 倍！而这一突破的背后，靠的不是制程升级，而是处理器架构、算法、分布式计算策略，以及 NVLink、Spectrum-X 等网络技术的全面创新。
"GPU 就像 F1 赛车，CPU 更像凯迪拉克。凯迪拉克人人都能开到时速 100 英里，但想把 F1 赛车推到极限，你必须拥有专业的驾驶技术。"
而 Nvidia 自己就拥有这种专业的"驾驶技术"--用 AI 自动生成最优计算内核，帮客户轻松将性能提升 2 倍甚至更多。"考虑到现在 Hopper 和 Blackwell 在全球的装机量，这 2 倍的性能提升，直接等于客户收入翻倍。"
【5】CUDA：生态便利还是技术锁定？ 访谈中 Dwarkesh 再次犀利提问：如果 Nvidia 60% 的收入都来自少数几个巨头客户，而这些客户完全有资源自己写内核，那 CUDA 到底还有多大优势？Anthropic 和 Google 已经开始主推自己的芯片，连依赖 Nvidia GPU 的 OpenAI 都开发了 Triton 框架，让内核编程不再依赖 CUDA。
第一，是生态的丰富程度。 CUDA 已经支持了几乎所有主流框架，从 OpenAI 的 Triton，到 vLLM、SGLang，再到最新的强化学习框架 Verl 和 NeMo RL。Nvidia 自己也积极参与 Triton 的底层开发，这意味着如果出了问题，你至少明确知道问题出在自己代码上，而不是无底洞般的底层实现。
第二，是庞大的装机规模。 "作为开发者，你最在乎什么？当然是用户装机量！" Nvidia 在全球拥有数亿块 GPU，从老旧的 A10 到最新的 Blackwell，横跨各个云平台、每个垂直领域。无论你是做云服务还是机器人，你都希望自己的代码随时随地能跑起来，而 CUDA 就能保证这一点。
第三，是跨云平台的自由。 Nvidia 是唯一一个能同时存在于 Google、Amazon、Azure 和 OCI 等所有主流云服务上的芯片公司。AI 公司无法确定自己未来会选哪家云服务，因此 Nvidia 能提供最大的灵活性和安全感。
但 Dwarkesh 还是不依不饶：这些优势对那些顶级客户真的有那么重要吗？当 AI 越来越擅长自己写高效内核时，Nvidia 会不会变成单纯拼性能和价格的芯片商？到那个时候，Nvidia 还能维持超过 70% 的高毛利率吗？
对此老黄非常自信地回应："Nvidia 工程师优化的不只是内核，而是客户整个技术栈。"
他说，没有人比 Nvidia 自己更懂 Nvidia 的架构，"我们的每瓦性能和总拥有成本（TCO）都是全球最好的，没有例外。"
他甚至公开喊话 TPU 和 Trainium 等竞争对手："我鼓励他们站出来，用 Inference Max 这种公认的基准测试证明自己的推理性能。但现实是，他们根本不敢来。"
最后，老黄指出了一个容易被忽视的重要细节： 虽然 Nvidia 60% 的收入确实来自几家超大型云厂商，但这些 GPU 大部分最终服务于外部客户。云厂商愿意大规模采购 Nvidia，是因为 Nvidia 本身带来了最多的客户。这才是 Nvidia 真正的生态护城河。
【6】Anthropic 的芯片选择：老黄承认了一个错误 访谈最有意思的地方，莫过于老黄公开解释 Anthropic 为什么大量使用 Google 的 TPU 和 Amazon 的 Trainium。
Dwarkesh 提到了 Anthropic 刚宣布的与 Google 和 Broadcom 总计 3.5GW 算力规模的 TPU 交易，尖锐地问道："如果 Nvidia 性价比真的全球第一，Anthropic 为什么还要选别家的？"
对此，老黄的回应非常直接："Anthropic 是一个特例，不是趋势。"
"没有 Anthropic，TPU 哪来的增长？100% 是靠 Anthropic。没有 Anthropic，Trainium 的增长从哪来？还是 Anthropic。"
虽然现实情况并没有老黄说得这么绝对，但他的核心意思其实很明确--在 Nvidia 所有的重要客户中，只有 Anthropic 明显地偏向了其他芯片生态。
更有意思的是，接下来老黄主动承认了自己过去的一个重大失误：
"很久以前，我们确实没能力这么做。我低估了建立一家像 OpenAI 或 Anthropic 这样的大模型实验室有多难，也低估了它们对供应商巨额资金支持的需求。当时 Nvidia 根本拿不出 50 亿、100 亿美元给 Anthropic，但 Google 和 AWS 能做到。"
"我们的失误导致 Anthropic 不得不去找别人。但即使这样，我仍然为 Anthropic 的存在感到高兴--Anthropic 对世界是有益的。"
后来老黄痛定思痛，决心不再犯同样的错误，因此 Nvidia 后续大手笔投资了 OpenAI（300 亿美元）和 Anthropic（100 亿美元）。
关于 Nvidia 为什么不自己做云服务，老黄再次强调了他核心的经营哲学：
"如果我们不冒险打造计算平台，真的就没人做了。如果没有 NVLink、CUDA 和整个生态的搭建与投入，AI 产业根本不会有今天的繁荣。但云服务不同，世界上有很多人能做。我们不做，自然会有人去做。"
他强调 Nvidia 不会亲自做融资业务，因为"融资业务市场上已经有很多人在做了，我们宁愿跟所有做融资的人合作。"
至于为什么 Nvidia 从来不去押注某个赢家，老黄回忆起创业时的教训："我们刚起步的时候，全行业有 60 家 3D 图形公司。要是那时候投票选谁最可能失败，我们绝对排第一，因为我们的架构方向根本就是错的。"
"我足够谦逊地知道，不要去挑选赢家。要么大家自己想办法活下去，要么我们干脆照顾好所有人。"
【7】GPU 定价哲学：不涨价、不竞标的理由 访谈中，Dwarkesh 又抛出了一个让人直觉上觉得"这才合理"的问题："GPU 紧缺时，为什么不直接卖给出价最高的人？"
"我们从来不做竞价分配 GPU 的事。这不是 Nvidia 的风格，我们只负责定好一个合理的价格，客户自己决定买不买。"
老黄强调，即使市场火爆到爆炸，他们也绝不会趁机涨价："其他芯片公司可能会，但我们绝不。我们想做整个行业可信赖的基石，让客户永远不需要猜测或担心我们会不会趁机割韭菜。"
他甚至顺带辟了个谣："坊间传闻 Larry Ellison 和 Elon Musk 曾经在一次晚餐上苦苦求我分 GPU 给他们，这事确实有，但他们根本不用求，只要下订单就可以了。"
更让人吃惊的是，老黄透露 Nvidia 与台积电近 30 年的合作，从来没签过正式法律合同：
"我们之间一直存在一种默契，有时候我占点便宜，有时候吃点亏，但总体上公平。我可以完全信任他们、依赖他们。"
最后，他点出了 Nvidia 的另一个优势--超强的可预测性：
"今年我们交付 Vera Rubin 架构，明年是 Vera Rubin Ultra，后年是 Feynman，再下一年还有未公布的新架构。"
"你放眼全球，有哪家 ASIC 团队敢拍胸脯承诺：每年稳定推出新架构、每年 Token 成本持续下降一个数量级？只有 Nvidia 能做到，我们像钟表一样准时可靠。"
【8】对华出口管制：老黄全场最激烈的交锋 访谈进行到中段时，Dwarkesh 开启了本场最激烈的 20 分钟辩论。他直言，自己习惯当"魔鬼代言人"--此前他曾挑战过支持出口管制的 Dario Amodei，现在面对反对管制的老黄，他反过来问了同样尖锐的问题：
"如果中国企业和政府拥有了训练出类似 Anthropic Claude Mythos 这种顶级模型的 AI 芯片，会不会威胁美国国家安全？"
Claude Mythos 近期刚发布，就已发现了数千个零日漏洞，甚至能在主流操作系统和浏览器中自主发掘高危漏洞。正因如此，Anthropic 不敢公开发布，只限量提供给 Google、微软等机构修补漏洞。
对此老黄迅速而坚定地反驳："Mythos 训练所需的算力其实并不特殊，在中国早已普遍存在。他们有世界 60% 以上的芯片产能，拥有最顶尖的计算机科学家，全球 50% 的 AI 研究者也都来自中国。"
他更犀利地提出："如果你真担心中国，用最糟糕的方式--把他们变成受害者、敌人，肯定不是好主意。"
老黄指出，现在美中最大的缺失，是 AI 研究者之间的真正对话。他认为双方应该公开、直接地讨论，明确 AI 哪些领域不能涉及。
Dwarkesh 不认同老黄的观点。他强调，中国虽然芯片多，但先进算力只有美国的十分之一，因为中国的制程还卡在 7nm，没有 EUV 设备。这意味着美国有一个宝贵的窗口期，可以比中国更快达到 Mythos 的级别，并提前堵上漏洞。
"中国拥有的免费能源实在太惊人了。AI 就是一个巨大的并行计算问题，如果中国芯片算力不够先进，他们完全可以用大量便宜芯片和几乎免费的电力拼成超算。他们甚至有空置的鬼城、鬼数据中心，可以迅速规模化部署。"
他进一步补充道："7nm 芯片其实就是我们过去的 Hopper 芯片，而全球绝大部分先进 AI 模型，就是用 Hopper 训练出来的。华为去年更是创下了史上最大规模的单年芯片出货量。"
在老黄看来，出口管制只会促使中国更快走向芯片自主，而美国则将因此白白放弃全球第二大的科技市场。
Dwarkesh 试图用"内存带宽"问题继续施压，但老黄干脆回应："华为本质上是一家网络公司，他们完全有能力通过先进的互联技术，把大量普通芯片串联成超级计算机。他们甚至已经展示过用硅光子技术把低端芯片变成巨型超算的能力。"
"如果未来 DeepSeek 这样的顶尖模型，首发选在华为芯片上，那对美国来说将是灾难。"
他的逻辑非常清晰：如果开源 AI 模型被优化到非美国的技术栈上，当这些模型传播到全球南方、中东和东南亚地区时，美国的技术标准和硬件生态将不再有竞争力，美国将丢掉全球 AI 技术主导权。
Dwarkesh 随即反驳道："Anthropic 的模型同时能跑在 GPU、TPU 和 Trainium 上，这种跨平台兼容性不会轻易消失。"
老黄不以为然："你试试看，把一个为 Nvidia 优化的模型搬到其他平台上去，性能会怎么样？Nvidia 的成功就是最佳证明。AI 模型在我们的技术栈上被创造，也在我们的技术栈上达到最好效果，这点毫无疑问。"
接下来，Dwarkesh 引用了 Dario Amodei 曾在达沃斯论坛上的尖锐比喻："Nvidia 卖芯片给中国，就像波音自豪地说，朝鲜的核武器导弹外壳是波音造的，所以这是支持美国技术生态。"
"你把 AI 和你刚刚提到的任何东西比较，简直是荒谬透顶。"
Dwarkesh 仍不罢休："但如果他们的芯片可以跑出攻击所有美国软件的 AI 模型，这难道不算武器？"
老黄冷静地指出："真正解决之道，是美中通过沟通达成明确共识，确保所有国家都不滥用 AI 技术。更何况，中国是全球最大开源贡献者，AI 安全依赖于全球开源生态。我们不能掐死它。"
Dwarkesh 抓住老黄逻辑上的微妙矛盾追问："你一边说 Nvidia 芯片最强，在中国市场一定能赢；一边又说，就算不卖芯片，中国照样可以做到一样的事。"
老黄强调，这两点并不矛盾："如果市场上有更好的芯片，自然选更好的。如果没有，也能用已有的方案，这完全合乎逻辑。"
老黄坚持，AI 技术像一块"五层蛋糕"，每一层都必须竞争并取胜。牺牲芯片层（也就是不卖芯片给中国）来防止他们训练出高端模型，是一种极端且短视的做法。他举了美国电信行业的例子：过去严格的出口管制曾让美国公司彻底丢掉全球电信市场，最终让美国"不再控制自己的电信产业"。
Dwarkesh 激烈地质问老黄，这种说法是不是一种"输家心态"。老黄当场火力全开：
"你面前这个人，不是早上醒来准备输的人。这种输家的态度、输家的假设，对我来说毫无意义。"
"没有人说要么全部开放、要么全封闭。美国必须永远领先，拥有最好的技术。但同时我们也应该积极参与全球竞争并赢下市场。这两件事是完全能同时做到的。世界从来不是非黑即白的。"
【9】收购 Groq 背后：推理市场进入分层时代 访谈最后阶段，Dwarkesh 将话题从敏感的地缘政治拉回到技术上，问老黄："Nvidia 为什么不尝试不同的芯片架构？比如 Cerebras 那种晶圆级芯片，或者像 Dojo 那样的大封装结构，甚至推出完全不依赖 CUDA 的版本？"
老黄简单又直接地回应："我们当然能做，但事实证明这些架构并没有更好。它们早就在我们的模拟器里反复验证过了，效果都不如现在的方案。"
不过他承认，Nvidia 最近的确在推理芯片领域迈出了新的一步--高价收购了 Groq。
但老黄强调，收购 Groq 并非因为 GPU 架构不够优秀，而是因为推理市场本身出现了重大变化：
"几年前，推理产生的 Token 基本不值钱，甚至可以说免费。但现在不同客户对 Token 的要求不同，他们愿意为更快的响应速度支付更高的价格。"
他举了自家软件工程师的例子："如果我们能给工程师提供更快响应的 Token，让他们的生产力翻倍，我们当然愿意为此额外付费。"这就是所谓的"高端推理市场"，过去并不存在，但如今正在快速形成。
老黄继续解释："我们现在已经进入了一个『推理分层时代』。同一个模型可以根据响应速度不同来定价，这意味着吞吐量高不再是唯一标准。更快的响应速度，即使整体吞吐量低一些，也可能获得更高的平均售价（ASP）。"
对于是否会考虑回到旧制程（比如 7nm）来缓解芯片供应压力的问题，老黄果断表示不太可能：
"理论上可以这么做，但经济上完全不划算。我们能承担得起向前发展，但负担不起向后退步。每一代新架构的进步，不仅仅是制程，还有封装、堆叠技术、数值精度和整体系统架构的革新。除非有一天真的再也无法提高产能，否则我们绝不会往回走。"
【10】假如 AI 革命从未发生，Nvidia 还会做什么？ 访谈的尾声，Dwarkesh 提出了一个假设性的、稍显哲学的问题："如果深度学习革命从来没有发生，今天的 Nvidia 会做什么？"
老黄没有犹豫，干脆地回答："我们还是会做加速计算，这本来就是 Nvidia 一直在做的事。"他强调，通用计算的时代已经走到了尽头，计算世界转向加速计算的趋势和 AI 并不必然相关。
"即使 AI 不存在，Nvidia 依然会是一家非常大的公司。"
他说，即便没有 AI，计算光刻、量子化学、数据处理和图像生成等领域，依旧需要强大的加速计算能力。他提到 GTC 大会上有很大一部分话题并非围绕 AI 展开，但依然对产业至关重要。
"张量计算不是计算的全部。我们希望能帮助所有计算领域。"
但老黄最后也坦率承认了自己内心深处的一点小情绪："但如果世界上真的没有 AI，我会感到非常伤心。"
最后的快问快答 Q：Nvidia 会不会变成商品化公司？ Jensen：不会。因为从电子到 Token 的转化本身非常复杂，工程和科学问题还远未被理解透彻。AI 智能体的爆发还会为软件工具带来巨大的需求增长。
Q：CUDA 最大的价值到底是什么？ Jensen：不是技术锁定，而是全球数亿块 GPU 的装机量、极其丰富的生态系统，以及跨每一家云平台的便捷性。此外，Nvidia 的工程师还能帮客户轻松实现 2-3 倍的性能提升。
Q：Anthropic 为什么选择 TPU 而不是 GPU？ Jensen：因为 Nvidia 早年缺乏财务能力，没有及时投资 Anthropic，导致他们不得不依靠 Google 和 AWS 的芯片生态。这是一个特例，而不是长期趋势。
Q：Nvidia 应不应该向中国出售 AI 芯片？ Jensen：应该。中国已经有了充足的 7nm 芯片产能和丰富的能源，出口限制只会加速中国自主生态的建立。美国需要在所有技术层面积极竞争，而不是通过牺牲市场来"赢"。
Q：Nvidia 为什么自己不做云服务？ Jensen："因为如果我们不做，总有人会做。"Nvidia 的哲学是只做那些如果我们不做，就没人能做的事情。而云基础设施显然不属于这一类。
老黄的自相矛盾与现实考验 这场近两个小时的访谈，呈现出了几个值得持续关注的矛盾与悬念。
首先，老黄所谓"尽可能少做事"的哲学，在现实中早已偏离了字面含义。投入 300 亿美元给 OpenAI，100 亿美元给 Anthropic，花 200 亿美元收购 Groq，又扶持 CoreWeave 等新兴云服务商……Nvidia 的触手实际上早已深入 AI 产业链的每一个环节。如今看来，这个原则更像是一种事后美化的叙事，而非真正约束行动的法则。
其次，"Anthropic 是特例"这一论断，能否扛住现实的检验也充满悬念。Anthropic 在过去一年与 Broadcom 和 Google 的 TPU 合作规模翻了数倍（从 1GW 增至 3.5GW），与此同时 OpenAI 也开始发展自己的 Triton 框架并和 AMD 合作。如果未来出现更多这样的"特例"，那么老黄的说法基础势必动摇。
再来看最敏感的对华出口话题。整场辩论下来，老黄始终没有直面回答一个最关键的问题："他到底愿意接受什么程度的出口限制？"他反复强调不应该限制出口，又同时表示美国必须永远领先。一旦这两种立场发生冲突，究竟哪个更重要？他没有给出明确答案。他举出的"美国电信产业失败"的案例虽有启发性，但这种类比是否能完全适用于 AI 芯片这种显著的双重用途技术，仍有待商榷。
而在商业策略上，老黄一再强调 Nvidia 作为"行业基石"绝不涨价、不搞竞价分配 GPU，能精准预测每年发布新架构。但这个承诺的可信度，很大程度上依赖于 Nvidia 目前超过 70% 的超高毛利率。当竞争真正来临时，Nvidia 是否还能如此慷慨与淡定？
接下来 Vera Rubin 架构的实际量产进度与性能表现、Groq 3 LPX 在真实推理任务中的表现，以及中国自研芯片在未来几个月的真实部署规模，都将是检验老黄此次访谈诸多观点的最佳指标。
完整访谈视频：Dwarkesh Patel Podcast
宝玉@dotey · X