---
layout: post.njk
source: https://baoyu.io/blog/jensen-huang-dwarkesh-interview
speaker: baoyu.io
title: 两小时激辩：黄仁勋为什么不怕 TPU、不怕华为、不怕出口管制？ | 宝玉的分享
date: '2026-04-17'
summary: 文章深入分析了黄仁勋在访谈中对英伟达（Nvidia）在AI基础设施领域的主导地位、与TPU及华为的竞争、对出口管制的看法，以及其经营哲学。他强调了Nvidia从电子到Token转化的核心作用、CUDA生态的重要性，并认为能源政策比产能瓶颈更关键。访谈还探讨了Anthropic选择TPU的原因、对华出口管制的影响，以及推理市场的分层趋势。
area: tech-engineering
category: ai-application
tags:
  - nvidia
  - jensen-huang
  - ai-infrastructure
  - ai-competition
people:
  - Jensen Huang
  - Dwarkesh Patel
  - Dario Amodei
companies_orgs:
  - Nvidia
  - Google
  - Huawei
  - Anthropic
  - Amazon
  - OpenAI
products_models:
  - TPU
  - Trainium
  - Claude
  - Gemini
  - Mythos
  - Blackwell
  - Hopper
  - Triton
media_books: []
draft: true
status: evergreen
---

宝玉的分享

Menu

See all posts

Published on 2026-04-17

# 两小时激辩：黄仁勋为什么不怕 TPU、不怕华为、不怕出口管制？

作者：

宝玉

黄仁勋最近接受了 Dwarkesh Patel 长达两个小时的高密度专访。这场访谈没有客套寒暄，只有密集的观点碰撞。如果你没时间看完，那就记住这一句话——掌控全球 AI 基础设施命脉的老黄，用这样一句话定义了 Nvidia 的使命：

> “输入是电子，输出是 Token，中间是 Nvidia。”
> （“The input is electron, the output is tokens. That is in the middle, Nvidia.”）

整场对话的气氛激烈又直白。主持人 Dwarkesh 在每个话题都紧追不放，尤其涉及中国芯片出口时，两人更是直接“杠”了整整二十分钟。老黄强烈反对把 AI 芯片当作武器的类比，而 Dwarkesh 则紧盯着刚发布不久、网络攻击能力惊人的 Anthropic Claude Mythos 模型，穷追猛打。

访谈来源：Dwarkesh Patel Podcast（2026 年 4 月初）
原始视频：YouTube 链接

## 要点速览

Nvidia 的经营哲学是“少做，但每件事都是独一无二”。这也是为什么 Nvidia 不做云、不押注赢家、不竞价分配 GPU。

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：

> “我需要让他们看到我看到的未来。”

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？

老黄的回答异常乐观，他直截了当地表示：

> “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。

最后，老黄以一个生动的比喻结束：

> “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。

面对这个问题，老黄一口气给出了三个层面的答案：

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。”

他甚至夸张地表示：

> “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。”

他直言不讳地说：

> “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。”

最后老黄总结道：

> “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？”

对此老黄给出了一个出人意料但底气十足的回答：

> “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。”

他带着骄傲地总结道：

> “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。

老黄却一针见血地指出了被忽略的现实：

> “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。”

随后，老黄抛出了访谈中最具争议的一句话：

> “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。”

这句话立刻激怒了老黄，他强烈回击：

> “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。”

辩论到最后，双方立场都非常鲜明：

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。”

最后，老黄平静地总结了自己的核心观点：

> “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

See all posts

Built by 宝玉.  RSS . 本站原创内容，独家授权赛博禅心公众号发布。

Toggle theme