从英伟达最新发布的GPU Rubin以及将在2028年发布的GPU Feynman开始，黄仁勋回答了AI基础设施与工厂化、GPU与AI的未来、全球供应链与合作、AI与能源、物理AI与机器人以及英伟达的定位与核心竞争力等问题。
黄仁勋重新定义了英伟达：“我们不是一家芯片公司，而是一家算法公司。”
他在会上反复向媒体强调AI工厂的概念，他认为AI工厂是数字经济的新引擎，数据中心将会升级为AI工厂，它们不仅仅是托管应用，而是直接创造收入。
这也引发了媒体的质疑，有媒体记者提问：“英伟达正在发生转变，不仅提供世界领先的芯片，还提供算法、基础设施和软件，正在成为一站式AI解决方案提供商。这对公司的未来意味着什么？英伟达之所以伟大，在于它一直是一个成功的平台，受到广泛欢迎。而现在，你们正在进入部分客户的领域，如果在某些方面成为他们的竞争对手，他们会如何反应？”
黄仁勋对这个问题给出很高的评价，并回应：“我们是全球唯一一家与所有AI公司合作的AI公司。”
而谈到中国时，黄仁勋说：“我们能做的就是始终确保合规，并全力在市场中服务客户。”他还肯定了中国的AI研究：“全球50%的AI研究人员来自中国，没有任何其他国家能接近这个比例。据此可以推测，未来大量AI研究成果将来自中国。”
黄仁勋在大约一个小时的媒体会上显得有些疲惫，他坦言：“这两天里我只摄入了大约100卡路里的食物。”
但他依然强调这次GTC非常重要，它展示了英伟达从计算机技术公司向AI基础设施公司的转型，展现了数据中心如何从数据访问和应用托管进化为AI工厂，他希望大家见证一个全新行业的崛起。
比较遗憾的是，在今天的媒体会上，黄仁勋没有回答任何中国大陆地区媒体的提问。
「甲子光年」现场参加了媒体会，并精选了部分问答内容。为了方便阅读，相关内容做了不改变原意的翻译、编辑和备注。
1.谈定位：英伟达不是一家芯片公司
问：为什么英伟达能够如此快速地推出新软件？你们有多少软件工程师？
黄仁勋：英伟达制造芯片，但我们不是一家芯片公司，而是一家算法公司。
我们是目前全球计算机图形学领域最领先的算法开发者。当谷歌DeepMind和迪士尼研究院（Disney Research）想要合作开发高精度物理算法时，他们最终选择了英伟达。
再举个例子，计算光刻（注：Computational Lithography，是一种利用计算技术来优化和改进光刻工艺的方法）。英伟达是唯一一家与所有计算光刻公司都合作的企业，而计算光刻正是“逆向物理”（注：Inverse Physics，已知输出，反推出系统输入或系统参数的过程）的典型应用。我们在物理学、逆向物理学、计算机图形学和光线追踪等领域都非常擅长，而这些技术本质上都涉及物理学——无论是正向物理（forward physics）还是逆向物理（inverse physics）。
我们擅长算法，将所有算法知识提炼到一个通用架构CUDA，并沿此框架拓展。在许多方面，我们从算法和数学的角度看待计算世界。这也是为什么当深度学习兴起时，我们能迅速适应。
我们拥有数百名人工智能研究人员，并且比许多公司更早开始研究。
在扩散模型流行之前，你可能见过我们在渐进式增长（注：Progressive Growth， 通常指的是通过逐步增加复杂性或能力来改进AI系统的性能或表现）方面的早期研究，扩散模型正是其中的一种渐进式方法。
你可能也见过我们在变分自编码器（注：Variational Autoencoders，VAE，是一种基于概率图模型的深度生成模型）方面的研究。
通常，很多公司的CEO不会谈论这些内容，但我们的研究是先锋性的，我们对算法领域非常熟悉，这是英伟达的核心竞争力，我们的基础是数学。
英伟达是少数几家能够完整设计从处理器、交换机到网络整个计算系统的公司。我们开发网络算法和协议，擅长发明新网络协议，并在此基础上设计自己的交换机，将互联网拓展为“超级互联网”。
英伟达之所以能快速创新，正是因为我们从底层算法出发，全面掌握计算系统。
我认为芯片设计反而是次要的。虽然我们对此感到自豪，且能制造极其复杂的芯片，但我们真正的优势在于解决问题的能力，包括制造体系的优化。
问：英伟达每年都会推出新一代加速产品，与此同时，存储器制造商是否需要同步升级？你们在系统设计和供应链协作中的关系有多紧密？供应规模的增长是否推动了生产集成度（PII）？
黄仁勋：合作关系非常紧密。如果我向他们明确提供了英伟达的产品路线图，这种关系会变得更加紧密。这正是我向全球公布英伟达未来三到四年发展规划的原因。
第一，我们已经不再只是制造芯片的厂商，发展模式也不再是购买芯片，将其安装到计算机中，然后销售计算机。
我们正在构建的基础设施规模非常庞大，部署规模达到了数千亿美元，因此规划必须做到极致完善。AI基础设施并不是今天决定购买，明天就能部署的。它需要提前两年投资，并进行全方位的规划，然后在合适的时间完成部署。这意味着所有相关信息必须保持一致，我们需要协同规划，共同打造这一基础设施。
我的产品迭代周期需要同时考虑上游和下游的多年规划。
第二，我们是一家AI工厂。
这意味着，这家AI工厂可以直接帮助客户创造收入。它不仅仅关乎某一块芯片或某个产品，而是一个极其复杂的整体系统，这已经接近物理极限。
我们将相关产品的单位功率性能、单位能耗性能推向物理极限。这意味着如果你的功率受到自然法则的限制，事实上每家公司都面临这种限制，那么你能实现的最大收入也受到这个限制。因此，AI工厂的最佳性能直接决定了客户收益的百分比。
我们正在打造AI工厂，而在这一领域，商业门槛、竞争门槛比以往任何时候都要高，而客户的风险容忍度比以往更低。这是一个跨越多个投资周期，涉及数千亿美元的基础设施建设。
第三，AI是一项基础性技术。
不仅对我们如此，对所有公司、所有行业都是如此,这也是为什么这么多合作伙伴齐聚在GTC，他们来自汽车、金融、零售等行业，我们已经成为众多企业赖以构建自身业务的基础性公司。
这三个核心理念，是过去一两年发生的重大变化。大家已经注意到，GTC的氛围发生了明显变化，现场影响力、活力以及参与者的构成都已不同往昔。我认为，这种变化正是来自上面三个核心理念，而我也意识到了这一点，因此我决定调整我们对外沟通的方式。
我们是历史上首家一次发布四代产品的科技公司。这就像……你想想看，有人站出来说：“今天，我要发布我未来几年的所有工作流。”这似乎听起来毫无道理，但我们必须这样做。
问：英伟达正在发生转变，不仅提供世界领先的芯片，还提供算法、基础设施和软件，正在成为一站式AI解决方案提供商。这对公司的未来意味着什么？英伟达之所以伟大，在于它一直是一个成功的平台，受到广泛欢迎。而现在，你们正在进入部分客户的领域，如果在某些方面成为他们的竞争对手，他们会如何反应？
黄仁勋：非常感谢你的提问。显然，我们在解释我们所做的事情上做得很糟糕。
实际上，我会这样描述。英伟达是唯一一家同时拥有云端AI、汽车AI、机器人AI和企业AI的AI公司。正如你所说，我们是全栈的，拥有完整的基础设施、网络、交换机，现在还包括存储技术，当然还有计算技术，涵盖从小型DGX Spark（注：英伟达最新推出的桌面个人AI超级计算机）SuperPOD（注：英伟达为支持大规模 AI 和高性能计算任务而设计的超级计算集群）各种形态。
从多个层面来看，我们在整个技术栈和各个行业中提供基础技术。然而，关键在于，我们虽然构建了完整的技术体系，但始终以客户希望的方式将其提供给世界。
我们不是一家解决方案公司，我们提供核心技术，并与生态系统合作创建解决方案。
这就是为什么在企业网络领域，我们与思科合作；在企业计算领域，我们与戴尔、HPE、联想合作；在存储领域，我们与DDN、NetApp、戴尔EMC、日立、IBM等公司合作。
这也是为什么虽然我们是一家AI公司，但Salesforce、ServiceNow、SAP、Cadence、Synopsys等企业依然是我们的AI合作伙伴。我们将核心技术开放，让他们集成到自身解决方案中，并推向市场。
我们是全球唯一一家与所有AI公司合作的AI公司。
我们能够毫无障碍地适应任何客户的需求，与任何企业合作，这正是英伟达的独特之处。我们不设限制，让客户以最适合他们的方式使用我们的技术。如果他们决定自主研发更多技术，减少对我们的依赖，我们也完全接受。
这就是为什么我们在多个技术层面进行研发。无论是芯片、系统、系统软件还是算法，都由客户决定他们需要哪部分。他们可以选择从我们这里获取两项、三项、四项，甚至不获取任何产品。我们的理念是：客户可以自由选择，但希望他们能从我们这里采购所需的技术。
我们构建了大量核心技术，但目的不是取代客户，而是赋能生态系统，使他们能够更好地运作。
2.谈合作：将有限的精力集中在世界上尚不存在的技术上
问：中国在AI方面雄心勃勃，正常情况下，英伟达在中国市场将有巨大的机会。你能告诉我们，在中国，你对英伟达和AI的愿景是什么吗？这些愿景是否会受到贸易战和关税的影响？
黄仁勋：我们的首要责任是经营好业务，遵守法律，尽最大努力竞争并服务客户。全球局势变得更加复杂，但这些并不是我们能左右的。我们能做的就是始终确保合规，并全力在市场中服务客户。
我观察到，全球50%的AI研究人员来自中国，没有任何其他国家能接近这个比例。据此可以推测，未来大量AI研究成果将来自中国，仅仅因为其庞大的研究人员基数。在美国的每个AI实验室，都有许多出色的来自中国的研究人员，毫无例外。无论中国是如何做到的，请继续保持。
问：你在之前的受访中提到了关税，并表示短期内不会有实质性影响。我理解你对台积电的立场，你也提到了富士康，但毕竟美国的制造业能力仍然远未达到理想水平，为什么不会有实质性影响？
黄仁勋：我们拥有一个高度灵活的供应链网络。供应商不仅限于台湾地区，以及墨西哥、越南，而是分布在多个国家或地区。关税的具体影响取决于生产地、采购地以及最终产品的目的地。这其中涉及许多变量，最终受哪国关税影响，要看具体情况。
在短期内，根据我们目前所知的情况，我们不认为会有显著影响。我们的供应链目前已具有很强的灵活性，而如果进一步增强本土制造能力，将使供应链更加完善。我们今年在增加制造能力上应该有所进展。
问：想了解英伟达在美国的生产情况。台积电最近宣布了在美国追加投资，并表示将继续在亚利桑那州生产芯片。那么，英伟达会有多少产品在美国生产？
黄仁勋：我们具备在美国大规模制造的能力，但并非所有产品都会在美国生产。
问：近年来，英伟达加深了与联发科、富士康等企业的合作，同时也在全球投资越来越多的初创公司。能否分享这些合作伙伴关系和投资在当前阶段对英伟达的战略意义？你希望实现哪些目标？
黄仁勋：我们与台达电子、联发科、台积电、富士康等公司合作，因为它们是世界一流的企业。
这种合作始于敬佩和尊重，已经持续了约30年，彼此之间自然会建立深厚的关系。就像大家知道的那样，我是全球任职时间最长的科技公司CEO之一。
关于技术投资，我们关注具有创新能力的公司，特别是那些突破传统创新路径的企业，这与供应链合作并无直接联系。
我们选择合作伙伴的唯一标准是卓越。通过合作，将他们的卓越与我们的能力结合，可以共同实现更伟大的目标。
英伟达是一家规模相对较小的公司，全球仅有36000名员工，远少于硅谷的大多数科技公司，我们的策略是只专注做必要的事情。
英伟达不会为市场竞争而战，那不是我们的风格。我们的员工不会谈论争夺市场份额，因为我们的目标是创造新事物。
如果某家公司打造了优秀的产品，我们会使用它，无论它是谁。我们与AMD、英特尔、博通、Marvell等公司合作，并与联发科达成重要合作，共同开发新产品。
我们始终与各家公司合作，以便将有限的精力集中在世界上尚不存在的技术上。
问：最近有报道称，英伟达是收购英特尔联盟成员之一，未来会发生什么？
黄仁勋：我不知道这个消息的来源，但没有人邀请我们加入任何联盟。我不是说这不是真的新闻，但至少没有人找过我。所以可能有其他人在参与，但我不清楚。或许有个计划，但我没被邀请。
问：英伟达宣布加入由xAI、黑石集团和微软等共同参与的300亿美元人工智能基础设施基金。想了解英伟达在这个联盟中的具体角色是什么？
黄仁勋：这是一个投资合作，因为所有参与方都投入了资金。这个基金是一个投资工具，主要用于支持数据中心能源基础设施的建设，而这需要大量资本。
AI行业需要大量资金和能源，至少需要庞大的资本投入。这个合作关系允许各方共同出资，帮助资助AI数据中心和AI工厂的建设、开发和资金支持。
英伟达的角色之一是提供专业知识，同时也参与资本投入。这个行业的发展将离不开充足的资金支持。
问：我的问题关于英伟达与通用汽车的合作，此前英伟达也与Rivian、Lucid等厂商合作，这些车辆已上市。你认为未来消费者会因为汽车搭载英伟达技术而购买，就像他们因为英伟达或英特尔的芯片而选择个人电脑一样吗？
黄仁勋：是，也不是。
我自己的车就没有搭载英伟达技术，我觉得完全没问题，我的法拉利对我来说太重要了。（笑）
不过，我的Rimac Concept Two（注：一款高性能电动超级跑车）搭载了英伟达技术，我对此很满意。
首先汽车对人们而言是高度个性化的，它反映了个人风格和生活方式，因此技术并不能完全左右人们的购车选择。
另一方面，在自动驾驶领域，汽车属于机器人技术的一部分，这对我们来说至关重要。我们研究物理AI、机器人系统和自主系统已超过十年。
我们的战略不仅针对汽车计算机，而是涵盖三大计算机架构：机器人AI基础设施、机器人AI模拟器和机器人AI计算机。
首先必须训练AI，然后在部署之前，AI需要经过模拟测试，比如车要在虚拟道路上行驶，机器人要在虚拟厨房中操作。这种方法称为Sim-to-Real adaptation，即通过仿真来训练AI，再部署到真实环境中。
目前我们几乎与全球所有机器人公司和汽车公司，在这三种计算机架构中至少有一种展开了合作。
我们甚至开发了完整的软件系统。就像昨天发布的，我们宣布了全球首个通用人形机器人基础模型GR00T N1，并创建了一个用于开发物理AI的平台——Cosmos。
在机器人系统中实现AI安全极具挑战性，需要在芯片系统、操作系统、算法、软件堆栈、工具和方法论等方面实现多样性、冗余性、透明度和可解释性。整个系统必须是可访问的，以确保安全，这类似于航空的安全标准。未来人们将采用我们开发的系统。
我们在这一领域制定了严格标准，称之为Halos（全栈式综合安全系统）。
我相信，这种专业能力未来将带来巨大回报。如果机器人普及，我们希望它们是安全的。
我们在这个领域已投资十年。不论是四轮车、两轮车、双足机器人还是无腿机器人，无论是什么机器人系统，我们都有适合的计算架构。
这已经成为一个价值数十亿美元的业务，年收入已超5亿美元。我相信，长期来看，它将成为英伟达最大的业务之一，也是AI最重要的应用之一。
3.谈未来：当“智能制造业”成为现实，我们所有人都会因此受益
问：你昨天在主题演讲谈到了新一代芯片架构Vera Rubin，Vera Rubin似乎使用了台积电3纳米工艺，我想知道再下一代芯片架构Feynman是否会使用环绕式栅极晶体管(gate-all-around transistors)。如果是，我们能从这种新型晶体管中获得怎样的性能和优势？
黄仁勋：如果我们使用新型晶体管，性能估计能提升20%。这个结果可以接受，但这不会改变核心问题。
虽然在大规模计算中，20%的提升是非常可观的，但在AI工厂、AI基础设施这样规模的计算中，每个处理器都很重要，也就是说，在整体格局中，它们的重要性会相对降低。
原因是，管理所有这些处理器的开销成为最关键的因素。扩展这些处理器系统是最困难的事情，如果扩展不到位，损失将是巨大的。
昨天我解释过，应该始终先扩展（scale up）再缩小（scale down）。在将一百万个GPU连接到网络之前，应该先在计算结构（fabric）上连接几百甚至上千个GPU。
问：你能否为全球数据中心的能源供应提供一些建议？
黄仁勋：AI行业也是制造业，但它是工业化制造业，产品由机器制造，而制造业需要能源。
问题的关键不是某个国家是否想建造数据中心，而是他们是否希望参与这个新行业的生产。AI是一种生产活动，而生产需要能源。
那么问题就变成：在所有需要消耗能源的行业中，国家更愿意支持哪一个？是用于生产水泥、钢铁，还是AI？这其实是一个选择题。
我相信，在未来10年内，AI将成为一个万亿美元级别的行业，并在全球范围内发展。
问：根据当前数据中心行业的反馈，他们认为未来几年内能够实际支持的技术极限是什么？
黄仁勋：目前一个数据中心的功率大约是250兆瓦，这是机架的上限，其余的只是工程细节。
如果说一个数据中心的功率达到1吉瓦，那么每个机架1吉瓦听起来就是合理的限制。但关键在于，是否有必要将所有计算能力都集中在一个机架中？
如果纵向扩展非常高效，比如从72个GPU扩展到144、288、576个时仍然能保持良好的扩展性，那么就应该尽可能地纵向扩展，目前的情况正是如此。
未来某一天，我们可能会发现纵向扩展的收益递减。一旦达到这一临界点，我们会扩展到大约4000个或更多的GPU，之后再横向扩展，而不必过度堆叠计算单元的密度。
问：你认为行业未来四年将如何发展？
黄仁勋：我认为首先要做的事情是将推理能力融入一切。这样做的好处是，我们不必给AI提供过于具体的提示，而是可以更专注于任务导向。可以构建具备不同技能的agent系统，并通过设定目标让它们自主工作。
优化这样的系统相当复杂，因为它受到多种约束，需要大量推理、优化和数学计算。但如果能明确两个端点，AI就可以自动解决整个过程。
我认为下一代AI将具备更强的推理能力，能够调用工具、访问信息，并生成所需的结果。这个过程涉及多步骤嵌套式推理，我对此感到非常兴奋。这项技术的发展已触手可及，各个核心组件正在不断完善。
问：美国、欧盟、中国都在投入大量资金到AI基础设施，这是否意味着谁投资最多，谁就能最先实现AGI（通用人工智能）？
黄仁勋：你们知道世界上最聪明的人是谁吗？你们在乎吗？我认为这就是答案。
我相信我们需要实现AGI，这样AI才能真正发挥作用，解决我刚才描述的问题，但最聪明的AGI可能并不是最重要的。我不确定自己是否雇佣了世界上最聪明的员工，也许有，但我不完全确定，而且我也不认为这对我来说那么重要，我需要的是卓越的智能。
但我仍然相信，将智能应用于具体目标，如何选择任务、制定战略，仍然是最重要的。领域专业知识依然至关重要。我认为这才是世界上99%的真正价值所在，而不是单纯地去寻找世界上最聪明的人。
所以我认为问题的关键不在于谁能最先实现AGI，我认为最重要的事情是投资未来，建设尽可能多的数据中心和原生AI计算机。
那么，应该投入多少？5000亿美元——这是全球今年在AI计算上投入的资金，并且增长速度极快。到2030年，这个数字可能达到1万亿美元，而我相信，届时100%的计算投资都应该是AI原生的。
我认为：第一，全球的计算资本支出应该全面向AI转移；第二，AI远不止是数据中心，AI是制造业。
AI在制造什么？AI在制造智能。这些智能经过重组后，可以成为文本、故事、法律文件、分析报告，如果正确构建，它还可以转换为机器人行动，甚至是汽车的方向盘控制。
本质上，AI就是在制造tokens。那么，全球GDP应该有多大比例用于制造智能？我认为比例应该非常大。这是我的观点，也是我的信念。
如果今天这个预测看起来不合理，那可以回顾300年前，看看当时能源生产在全球GDP中的占比。当时的“能源产业”只是依靠人力，比如体力劳动。但随着时间推移，能源产业成为世界上最大的行业之一。它的本质是将物理能量转换为电子能量，而现在，我们正在进入一个新的阶段——将电子能量转换为智能。
那么，每年全球在GPU和AI计算基础设施上的资本支出会是多少？我相信这将是数万亿美元级别的产业。
这就是我的信念，我希望它能发生，因为我相信，当“智能制造业”成为现实，我们所有人都会因此受益。
问：在这波物理AI浪潮中，我们应将时间和资源集中在哪个方向？
黄仁勋：AI的核心挑战仍然是数据战略和训练战略，这一点没有改变。
过去几年中，有人曾说数据已经用尽了，大家还记得吗？这种说法非常荒谬，也没有考虑到强化学习的作用。实际上我们现在几乎拥有无限的数据来源，因为强化学习能够不断生成新的训练数据。
强化学习的优势在于，它可以通过可验证的结果和奖励机制不断优化，而数学、定理和科学发现已经帮助人类解决了许多问题。例如，在游戏领域，国际象棋比赛可以通过计算确定赢家，AI可以一直推演直到找到获胜策略。这意味着，我们现在可以利用可验证的方法生成无限量的数据，以训练模型进行推理。
物理AI也面临类似的挑战，我们必须明确数据战略和训练战略。
我之前谈到过其中的一些方法，例如，通过人类示范、生成式AI和模拟技术，我们可以生成无限数量的相关场景。这类似于给AI一个代数问题，然后生成大量不同的代数练习题，让AI必须逐步解决所有这些问题。
物理操作同样可以采用类似的方法，比如训练AI进行跑步，甚至教AI如何完成需要高度协调和关节控制的体育运动。这个过程中涉及数据战略和训练战略。
此外还有一个关键环节：使用策略，即如何最有效地提示AI以生成正确的答案。这相当于现代的软件编程方式，提示词就是新一代的软件编程语言。同样，在物理AI领域，我们需要思考：如何提示AI进行物理推理？这些都是极具价值的研究方向。
问：你提到每次演讲最喜欢的幻灯片是英伟达的加速库，它让众多研究人员、科学家和工程师在各个领域的研究成为可能。随着进入Blackwell时代，你是否期待某个新领域被添加到这张幻灯片上？或者说，你期待的下一个被加速的行业是什么？
黄仁勋：加速计算不仅仅是顶层的软件和底层的芯片，它依赖于中间层。这类似于AI，它不仅仅是提示框和底层计算机，中间的模型至关重要。模型本身不是AI，但它对AI系统至关重要。
库不是应用程序，但库使应用程序及其数学计算成为可能。它可以是Spark的数据处理，可以是计算光刻、计算生物学、地震处理、逆向物理、CT重建等。它涵盖了流体动力学、粒子物理学，每个库对其领域来说都是不可或缺的。
我最期待的领域之一是计算机辅助药物发现。
我这一代人和我的行业受益于电子设计自动化(EDA)。如果没有Cadence、Synopsys以及随后出现的Mentor Graphics和西门子等公司，我们无法构建这些复杂的芯片，也无法在没有仿真和模拟工具（即数字孪生）的情况下实现这一切。没有这些工具和库，我们无法做到今天的一切。
如果我们为生物学创建类似的工具，让医生和生物学家能够以数字孪生方式表示蛋白质、细胞、器官和组织，并能模拟从纳米到米、从纳秒到年的生物过程，那将彻底改变制药行业和医疗保健的方式。
我们最近与Arc Institute合作的Evo 2项目，已实现从蛋白质到细胞的数字孪生表示，并扩展到多细胞系统。当这种建模和规模复杂性达到新的层次时，我认为生物学将被彻底改变，所以我非常期待这个方向的发展。
注：文/苏霍伊，文章来源：甲子光年(公众号ID：jazzyear)，本文为作者独立观点，不代表亿邦动力立场。
文章来源：甲子光年
