黄仁勋深度访谈：英伟达的护城河远超芯片本身

视频标题：Jensen Huang： – Will Nvidia』s moat persist? 视频作者：Dwarkesh Patel 编译：Peggy，BlockBeats 编者按：当外界仍在讨论「英伟达的护城河是否来自供应链」时，这场对话认为，真正难以复制的，并非芯片本身，而是将「电子转化为 Token」的整套系统能力——即从计算架构、软件体系到开发者生态的协同运作。 本文编译自 Dwarkesh Patel 与 Jensen Huang（黄仁勋）的对谈。Dwarkesh Patel 是当下硅谷最受关注的科技播客主持人之一，主理 YouTube 频道 Dwarkesh Podcast，以深度研究型访谈见长，长期对话 AI 研究者与科技产业核心人物。

右侧为 Dwarkesh Patel，左侧为 Jensen Huang 围绕这一核心，这场对谈可以从三个层面来理解。

其一，是技术与产业结构的变化。 英伟达的优势并不止于硬件性能，而在于 CUDA 所承载的开发者生态，以及围绕计算栈形成的路径依赖。在这一体系中，算力不再是唯一变量，算法、系统工程、网络与能效共同决定了 AI 的推进速度。这也引出一个重要判断：软件不会因 AI 而被简单「商品化」，相反，随着 Agent 的普及，工具调用将呈指数级增长，软件的价值反而被进一步放大。

其二，是商业边界与策略选择。 面对不断扩张的 AI 产业链，英伟达选择「做必要的一切，但不做全部」。它不进入云计算，也不进行过度垂直整合，而是通过投资与生态扶持放大整体市场规模。这种克制，使其既保持了关键控制力，又避免成为生态的替代者，从而将更多参与者纳入其技术体系之中。

其三，是关于技术扩散与产业格局的分歧。 对话中最具张力的部分，并不在于具体结论，而在于如何理解「风险」本身。一种观点强调算力领先所带来的先发优势，另一种则更关注技术扩散过程中生态与标准的长期归属。相较于短期能力差距，更关键的问题或许在于：未来的 AI 模型与开发者，究竟运行在哪一套技术体系之上。

换句话说，这场竞争的终局，不只是「谁率先做出更强的模型」，而是「谁定义了模型运行的基础设施」。 在这个意义上，英伟达的角色，已不再只是芯片公司，而更接近 AI 时代的「底层操作系统提供者」——它试图确保，无论计算能力如何扩散，价值生成的路径，仍然围绕自身展开。

以下为原文内容（为便于阅读理解，原内容有所整编）： TL;DR ·英伟达的护城河不在「芯片」，而在「从电子到 Token 的整套系统能力」。核心不是硬件性能，而是把计算转化为价的全栈能力（架构 + 软件 + 生态）。 ·CUDA 的本质优势不是工具，而是全球最大 AI 开发者生态。开发者、框架、模型全部绑定在同一技术栈上，形成难以替代的路径依赖。 ·AI 竞争的关键不只是算力，而是「计算栈 × 算法 × 系统工程」的组合。架构、网络、能效、软件协同带来的提升，远超单纯制程进步。 ·算力瓶颈是短期问题，供给会在 2–3 年内被需求信号驱动补齐。真正的长期约束不是芯片，而是能源与基础设施。 ·AI 软件不会被商品化，反而会因 Agent 爆发带来工具使用的指数级增长。未来不是软件变便宜，而是软件调用次数暴涨。 ·不做云是英伟达的核心策略：做「必要的一切」，但不吞掉整个价值链。通过投资与生态扶持，而不是垂直整合，放大整体市场规模。 ·真正的战略风险不是对手获得算力，而是全球 AI 生态不再基于美国技术栈。一旦模型与开发者迁移，长期技术标准与产业主导权将随之转移。 访谈内容 英伟达护城河在哪里：供应链，还是「电子到 Token」的控制权？ Dwarkesh Patel（主持人）： 我们已经看到，很多软件公司的估值出现了下滑，因为大家预期 AI 会把软件变成一种标准化商品。还有一种可能略显天真的理解方式，大致是这样：你看，从设计文件（GDS2）交给台积电，台积电负责制造逻辑芯片、晶圆，构建开关电路，然后再和 SK 海力士、美光、三星生产的 HBM 一起封装，最后送到 ODM 去组装成整机机架。 注：HBM（High Bandwidth Memory，高带宽内存）是一种专门为高性能计算和 AI 设计的先进内存技术；ODM（Original Design Manufacturer，原始设计制造商）是指不仅负责生产，还负责产品设计的代工厂商 所以，从这个角度看，英伟达本质上是在做软件，而制造是由别人完成的。如果软件被商品化了，那英伟达也会被商品化。 Jensen Huang（黄仁勋，英伟达 CEO）： 但归根结底，总得有一个过程，把电子转化为 token。从电子到 token，并让这些 token 随时间变得更有价值，这种转化我认为很难被完全商品化。 从电子到 token 的转化，本身就是一段非常非凡的过程。而让一个 token 更有价值，就像让一个分子比另一个分子更有价值一样，是让一个 token 比另一个 token 更有价值。 在这个过程中，包含了大量的艺术、工程、科学和发明，才让这个 token 具备价值。 显然，我们正在实时地观察这一切发生。所以这个转化过程、制造过程，以及其中涉及的各种信号，其实远远没有被完全理解，这段旅程也远未结束。所以我不认为那种情况会发生。 当然，我们会让它变得更高效。事实上，你刚才描述问题的方式，其实就是我对英伟达的一个心智模型：输入是电子，输出是 token，中间这一段就是英伟达。 我们的工作，是在「尽可能做必要的事情，同时尽可能少做不必要的事情」，以实现这种转化，并让它具备极高的能力。 我说的「尽可能少做」，是指凡是我们不需要自己做的部分，我们就会和别人合作，把它纳入我们的生态。如果你看今天的英伟达，我们在上游供应链和下游供应链，可能都拥有规模最大的合作生态之一。从计算机厂商、应用开发者，到模型开发者——你可以把 AI 看作一个「五层蛋糕」。而我们在这五个层级上都有生态布局。 相关阅读：《英伟达黄仁勋最新文章：AI 的「五层蛋糕」》 所以我们尽量少做，但我们必须做的那一部分，其实是极其困难的。而我不认为那一部分会被商品化。 事实上，我也不认为企业软件公司本质上是在做「工具制造」。不过现实是，今天大多数软件公司确实是工具提供者。 当然也有例外，有些是在做工作流系统的编码与固化，但很多公司本质上是工具公司。 比如 Excel 是工具，PowerPoint 是工具，Cadence 做的是工具，Synopsys 也是工具。 Jensen Huang： 而我看到的趋势，恰恰和很多人的看法相反。我认为 agent 的数量会指数级增长，工具的使用者数量也会指数级增长。 各种工具的调用实例数量也很可能会激增。比如 Synopsys Design Compiler 的使用实例，很可能会大幅增长。 会有大量 agent 使用 floor planner、版图工具、设计规则检查工具。 今天，我们受限于工程师的数量；而明天，这些工程师会被大量 agent 支持，我们将以前所未有的方式去探索设计空间。当你用上今天这些工具时，这种变化会非常明显。 工具的使用会推动这些软件公司实现爆发式增长。这种情况之所以还没有发生，是因为现在的 agent 还不够擅长使用工具。 所以，要么这些公司自己去构建 agent，要么 agent 本身变得足够强，能够使用这些工具。我认为最终会是两者的结合。 Dwarkesh Patel 我记得在你们最新的披露中，你们在边界组件、内存、封装等方面有接近 1000 亿美元的采购承诺。而 SemiAnalysis 的报告认为，这个数字可能会达到 2500 亿美元。 一种解读是，英伟达的护城河在于你们锁定了未来多年这些稀缺组件的供给。也就是说，别人可能也能做加速器，但他们能拿到足够的内存吗？能拿到足够的逻辑芯片吗？ 这是不是英伟达未来几年的核心优势？ Jensen Huang： 这是我们能做到、但别人很难做到的一件事。我们之所以能在上游做出巨大的承诺，一部分是显性的，也就是你提到的这些采购承诺；另一部分是隐性的。 比如，上游很多投资其实是我们的供应链伙伴做的，因为我会对他们的 CEO 说：让我告诉你这个行业会有多大，让我解释为什么会这样，让我和你一起推演，让我告诉你我看到的是什么。 通过这样的过程——传递信息、激发愿景、建立共识——我在和上游不同行业的 CEO 对齐，他们才愿意去做这些投资。 那为什么他们愿意为我投资，而不是为别人？因为他们知道，我有能力买下他们的产能，并通过我的下游把它消化掉。正是因为英伟达的下游需求和供应链规模如此之大，他们才愿意在上游进行投资。 你看 GTC，大会的规模让很多人感到震撼。它本质上是一个 360 度的 AI 宇宙，把整个行业聚在一起。大家聚在一起，是因为他们需要彼此看见。我把他们聚在一起，让上游看到下游，下游看到上游，同时让所有人看到 AI 的进展。 更重要的是，他们可以接触到 AI 原生公司和初创企业，看到正在发生的各种创新，从而亲眼验证我所说的那些判断。 所以我花了很多时间，直接或间接地向我们的供应链和生态伙伴解释眼前的机会。很多人会说，我的 keynote 不像传统发布会那样一个接一个宣布产品，而是有一部分听起来像是在「上课」。而这其实正是我的目的。 我需要确保整个供应链——无论上游还是下游——都理解：接下来会发生什么、为什么会发生、什么时候发生、规模会有多大，并且能够像我一样系统性地去推理这些问题。 所以你刚才说的那种「护城河」，确实存在。如果未来几年这个市场达到万亿美元规模，我们有能力去构建支撑它的供应链。就像现金流一样，供应链也有流动和周转。如果一个架构的业务周转不够快，没有人会为它建立供应链。我们之所以能维持这样的规模，是因为下游需求极其强劲，而且大家都能看到这一点。 正是这一点，让我们能够以现在这样的规模去做这些事情。 Dwarkesh Patel 我还是想更具体地理解一下，上游能不能跟得上。过去很多年，你们的收入基本是逐年翻倍，提供给全球的算力规模甚至是三倍增长。 Jensen Huang： 而且是在这个体量下继续翻倍。 Dwarkesh Patel 对。所以如果你看逻辑芯片，比如你们是台积电 N3 制程最大的客户之一，在 N2 上也是主要客户之一。 根据一些分析，今年 AI 可能会占 N3 产能的 60%，明年甚至可能达到 86%。 注：N3 指的是 TSMC 的 3 纳米（3nm）制程节点（process node），可以理解为台积电当前一代最先进的芯片制造工艺之一 那在你已经占据这么大比例的情况下，你怎么还能继续翻倍？而且是每年都翻倍？我们是不是进入了一个阶段，AI 算力的增长必须因为上游限制而放缓？有没有办法绕开这些限制？我们到底要怎么做到每年建出两倍的晶圆厂？ Jensen Huang： 在某些时刻，瞬时需求确实会超过整个行业的供给，无论是上游还是下游。而且在某些情况下，我们甚至会被水管工的数量限制住——这是真的发生过的。 Dwarkesh Patel ： 那明年的 GTC 应该邀请水管工了。 Jensen Huang： 对，这其实是个好现象。你希望处在这样一个市场里：瞬时需求是大于整个行业总供给的。反过来当然就不太好了。 如果两者差距太大，某一个具体环节、某一个组件成为明显瓶颈，整个行业就会一拥而上去解决它。比如说，我注意到现在大家已经不太讨论 CoWoS 了。原因是过去两年，我们对它进行了极大规模的投入和扩展，翻了好几倍。 现在我觉得整体已经处在一个比较好的状态。台积电也已经意识到，CoWoS 的供应必须跟上逻辑芯片和内存的需求增长。所以他们在扩展 CoWoS，同时也在扩展未来的先进封装技术，而且是按照和逻辑芯片同样的节奏在扩展。 这非常重要，因为过去 CoWoS 和 HBM 内存都更像是「特种能力」，但现在已经不是了。现在大家已经意识到，它们是主流计算技术的一部分。 同时，我们现在也更有能力去影响更大范围的供应链。在过去，在 AI 革命刚开始的时候，我现在说的这些判断，其实五年前就已经在讲了。 当时有些人相信并投入了，比如美光的 Sanjay 团队。我至今还记得那次会议，我当时非常清楚地讲了未来会发生什么、为什么会发生，以及今天这些结果的预测。他们当时选择大幅加码，我们也和他们建立了合作关系。在 LPDDR、HBM 等多个方向上，他们都进行了投入，这对他们来说显然带来了很大的回报。也有一些公司是后来才跟上的，但现在大家都已经进入这个阶段了。 所以我认为，每一代技术、每一个瓶颈，都会得到大量关注。而现在，我们已经在提前几年「预取」这些瓶颈。比如我们和 Lumentum、Coherent，以及整个硅光（silicon photonics）生态的合作。过去几年，我们实际上重塑了整个生态和供应链。 在硅光方面，我们围绕台积电建立了完整的供应链，与他们合作开发技术，发明了很多新的技术，并把这些专利授权给供应链，保持生态的开放。我们通过发明新技术、新工作流程、新测试设备（包括双面探测等），投资相关公司、帮助它们扩产，来为供应链做准备。 所以你可以看到，我们是在主动塑造这个生态，让供应链能够支撑未来的规模。 Dwarkesh Patel： 听起来有些瓶颈比其他的更容易解决。比如说，相比扩展 CoWoS 更难的那些 Jensen Huang： 我刚才其实举的是最难的那个例子。 Dwarkesh Patel： 哪个？ Jensen Huang： 水管工。对，是真的。我刚才说的是最难的那个——水管工和电工。原因在于，这也让我对一些「末日论者」的说法有点担忧，他们总是在谈工作会消失、岗位会被替代。如果我们因此劝人不要去做软件工程师，那未来就真的会缺软件工程师。 类似的预测，十年前也出现过。当时有人说：「无论你做什么，都不要去当放射科医生。」你现在还能在网上找到那些视频，说放射科会是第一个被淘汰的职业，世界将不再需要放射科医生。但现实是，我们现在反而缺放射科医生。 Dwarkesh Patel： 好，那回到刚才的问题：有些环节可以扩展，有些不行。那具体来说，逻辑芯片的产能怎么翻倍？毕竟真正的瓶颈在这里，内存和逻辑都是限制因素。那 EUV 光刻机呢？你怎么做到每年把它的数量也翻一倍？ Jensen Huang： 这些都不是做不到的事情。确实，快速扩产不容易，但在两到三年内把这些事情做到，其实并不难。关键是要有明确的需求信号。一旦你能造出一台，就能造出十台；一旦能造出十台，就能造出一百万台。所以这些东西本质上并不难复制。 Dwarkesh Patel： 那你会把这种判断传达到供应链多深？比如你会不会去找 ASML，说：如果我往后三年看，为了让英伟达年收入达到 2 万亿美元，我们需要更多的 EUV 光刻机？ Jensen Huang： 有些我会直接做，有些是间接推动。如果我能说服台积电，那 ASML 自然也会被说服。所以我们要识别关键的瓶颈点。但只要台积电相信这个趋势，几年之后你就会有足够的 EUV 设备。 我的意思是，没有任何一个瓶颈会持续超过两到三年，没有一个。 与此同时，我们也在提升计算效率。从 Hopper 到 Blackwell，大约提升了 10 倍、20 倍，有些情况下甚至达到 30 到 50 倍。我们也在不断提出新的算法。因为 CUDA 足够灵活，我们可以开发出各种新方法，在扩充产能的同时提升效率。 所以这些事情都不会让我担心。真正让我担心的，是我们下游之外的因素，比如能源政策。没有能源，你就无法扩张；没有能源，你就无法建立一个产业；没有能源，你就无法建立一个全新的制造业体系。 现在我们想推动美国再工业化，想把芯片制造、计算机制造、封装带回美国，同时建设电动车、机器人这些新产业。当我们在建设 AI 工厂时，这些都离不开能源，而能源相关的建设周期很长。相比之下，增加芯片产能，是一个两三年的问题；增加 CoWoS 产能，也是两三年的问题。 Dwarkesh Patel： 挺有意思的。我感觉我采访过的一些嘉宾，给出的判断正好相反。只是这个问题上，我确实没有足够的技术背景来做判断。 Jensen Huang： 不过，好的一点是，你现在是在和专家对话。 Google 的 TPU 会动摇英伟达的地位吗？ Dwarkesh Patel： 对，确实。我想问一下你的竞争对手。如果看 TPU，可以说现在全球前三的大模型里，有两个——Claude 和 Gemini——是用 TPU 训练的。这对英伟达未来意味着什么？ 注：TPU（Tensor Processing Unit，张量处理单元）是由 Google 专门为人工智能（尤其是深度学习）设计的一类专用芯片 Jensen Huang： 我们做的是完全不同的东西。英伟达构建的是「加速计算」（accelerated computing），而不是张量处理单元（TPU）。 加速计算可以用于各种各样的任务，比如分子动力学、量子色动力学，也用于数据处理、数据框架、结构化数据、非结构化数据，还用于流体力学、粒子物理，当然也包括 AI。所以，加速计算的应用范围要广得多。 虽然现在大家的讨论集中在 AI 上，AI 确实非常重要、影响也很大，但「计算」本身的范围要比 AI 广得多。英伟达所做的，是把计算方式从通用计算重新发明为加速计算。我们的市场覆盖范围远远大于任何 TPU 或其他专用加速器所能覆盖的范围。 如果看我们的定位，我们是唯一一家可以加速各种类型应用的公司。我们拥有庞大的生态系统，各种框架和算法都可以运行在英伟达平台上。而且，我们的计算机系统是为「由他人来运营」而设计的。任何运营者都可以购买我们的系统来使用。 大多数自研系统并不是为他人使用而设计的，你基本上必须自己来运营它们，因为它们从一开始就没有被设计成足够灵活，供他人使用。正因为我们的系统任何人都可以运营，我们进入了所有主要平台，包括 Google、Amazon、Azure、OCI 等。 无论你是为了出租算力来运营系统，还是自己使用系统，如果你要做租赁业务，你就必须拥有一个覆盖多个行业的大规模客户生态来承接这些需求。如果你是为了自己使用而运营系统，我们当然也有能力帮助你完成这件事。比如说，Elon 的 xAI。 因为我们可以让任何行业、任何公司的运营者都能够使用我们的系统，你可以用它来为像 Lilly 这样的公司构建超级计算机，用于科学研究和药物发现。我们可以帮助他们运营自己的超级计算机，并将其用于整个药物研发和生物科学的各种应用场景，而这些都是我们可以加速的领域。 所以我们可以覆盖大量应用场景，而 TPU 做不到这一点。英伟达构建的 CUDA，本身也可以作为一个非常出色的张量处理平台，但它不仅仅是这样，它覆盖了数据处理、计算、AI 等整个生命周期。所以我们的市场机会要大得多，覆盖范围也更广。而且因为我们现在基本支持全球所有类型的应用，你可以在任何地方部署英伟达系统，并且可以确信一定会有客户来使用它。 所以这本质上是完全不同的一种东西。 Dwarkesh Patel ： 这个问题会稍微长一点。 你们现在的收入非常惊人，而且这些收入主要并不是来自制药或量子计算。你们不是靠这些业务每季度赚 600 亿美元，而是因为 AI 是一项前所未有、而且正在以前所未有速度推进的技术。 所以问题是：如果只看 AI，本身最优的方案是什么？我不是做底层的，但我和一些 AI 研究员朋友聊过，他们会说：当我使用 TPU 时，它是一个很大的阵列，非常适合做矩阵乘法；而 GPU 更灵活，适合处理大量分支和不规则内存访问。 但如果你看 AI，本质上是不是就是一遍又一遍、非常可预测的矩阵乘法？那你其实不需要为 warp 调度、线程切换、内存 bank 等等这些功能去占用芯片面积。所以 TPU 在当前这波算力需求和收入增长中，针对主要应用场景是高度优化的。 你怎么看这个观点？ Jensen Huang： 矩阵乘法确实是 AI 中一个重要部分，但它并不是 AI 的全部。 如果你想提出一种新的 attention 机制，或者用不同方式来做计算；如果你想设计一种全新的架构，比如 hybrid SSM；如果你想构建一种融合 diffusion 和 autoregressive 的模型——你需要的是一个通用可编程的架构，而我们可以运行你能想到的任何东西。 这就是我们的优势，它让新算法的发明变得容易得多。正因为这是一个可编程系统，而不断发明新算法，正是 AI 能够如此快速进步的原因。 TPU 和其他任何硬件一样，也受到摩尔定律的影响。我们知道摩尔定律大约每年带来 25% 的提升。所以如果你想实现 10 倍、100 倍的跃升，唯一的方式是每年都从根本上改变算法以及它的计算方式。 这正是英伟达的核心优势。 我们之所以能让 Blackwell 相比 Hopper 实现大幅提升——我当时说是 35 倍——当我第一次宣布 Blackwell 的能效会比 Hopper 提高 35 倍时，没有人相信。 后来 Dylan 写了一篇文章，说其实我还保守了，真实提升更接近 50 倍，而这种提升不可能仅靠摩尔定律实现。我们解决这个问题的方法，是引入新的模型结构，比如 MoE，并把计算进行并行化、解耦、分布式处理，扩展到整个计算系统中。如果没有能力深入到底层、用 CUDA 去开发新的计算内核，这些是很难做到的。 注：指 Dylan Patel 半导体与 AI 基础设施领域的知名分析师，研究机构 SemiAnalysis 创始人 所以我们的优势在于：架构的可编程性，以及英伟达作为一家高度协同设计的公司。我们甚至可以把一部分计算卸载到互连架构中，比如 NVLink，或者网络层，比如 Spectrum-X。也就是说，我们可以在处理器、系统、互连、软件库、算法这些层面同时推动变化。所有这些都是同时完成的。如果没有 CUDA 来支撑这一切，我甚至不知道该从哪里开始。 Dwarkesh Patel： 这也引出了一个关于英伟达客户结构的问题：如果你们 60% 的收入来自这五大超大规模云厂商（hyperscalers），在另一个时代、面对不同类型的客户，比如做实验的教授，他们会非常依赖 CUDA。他们不能用别的加速器，只能用 PyTorch + CUDA，并且需要一切都被优化好。 但如果是这些超大规模云厂商，他们有能力自己写内核。事实上，他们也必须这么做，去榨取最后那 5% 的性能。Anthropic、Google 很多时候在用自研加速器或者 TPU 来