黄仁勋最近被当面问到了AI泡沫这个热词。他回答：这本账，可能从一开始就算窄了。
英伟达卖出去的算力里，本来就有相当一部分在跑传统计算、推荐系统、科学模拟和金融风控。另一部分才是OpenAI、Anthropic、Gemini这些前沿实验室。剩下的，则散在成千上万家AI创业公司、机器人、生物医药、材料科学和各种还没被大众记住名字的新业务里。
换句话说，今天几万亿美元的AI基础设施，不需要靠两三家公司单独把收入扛起来。但这也没有让问题自动消失，黄仁勋能看到订单、GPU和数据中心，但真正还要等时间回答的，是这些机器开起来以后，到底有多少公司能靠它赚到钱。
这场访谈里，他讲了一个很乐观的AI未来，也顺手把这份乐观背后的账本摊开了。供给已经在疯狂往前冲，接下来该轮到需求交作业了。以下，Enjoy：
黄仁勋专访｜AI营收能否支撑资本支出、2027年AI瓶颈、奇点、开源与闭源之争等来源 | 深思圈
你有没有想过，市场一边在喊"AI 泡沫"，一边又眼看着英伟达的收入预期在一年之内被分析师上调了一倍到两倍，那个最清楚每一块 GPU 去了哪里的人，到底是怎么算这笔账的？英伟达创始人兼 CEO 黄仁勋最近第三次做客 Bg2 Pod，主持人是 Brad Gerstner 和 Clark Tang。三个多小时里他从推理算力、AI 安全聊到明年的供应链瓶颈，我觉得最值得认真看的，是他对"AI收入撑不撑得起资本开支"的回答。
这篇文章我把访谈里信息量最大的几个判断梳理出来。凡是黄仁勋本人说的，我会明确写"他说"，主持人给出的数字也会标明是主持人的口径。另外要先提醒一句，他是卖算力的人，每一个判断都站在英伟达的位置上，这一点我会在后面放进来一起想。
01
思考比背诵贵，算力需求为什么能涨到十亿倍
访谈一开头，Brad 回顾了黄仁勋两年前说过的话：推理算力会涨到原来的十亿倍，累计的算力建设至少是两万亿美元，而现在这个数字已经被超过了。黄仁勋这次解释的，是这件事在逻辑上为什么是顺的。他说最早的 ChatGPT 是把大部分知识编码进了模型里，你问它一个问题，它基本是在回忆，所以会产生幻觉（hallucination）。下一步是让它先去搜索，拿回 ground truth（可验证的事实依据），再结合自己学到的东西生成答案。而现在我们真正想让它做的事，需要一步一步地推理：先想出几种方案，做规划，把几条路径各自推演下去，看结果，反思哪条最好，剪掉其他的，再继续往下走。
他用了一个很生活化的类比：好的战略家都喜欢 strategic optionality（保留战略上的选择空间），你不想太早剪枝，但资源有限，又必须取舍，AI 现在做的就是这件事。这些探索和反思，全都要算力。而且是两层叠加，每个任务要用更多算力，同时因为它做得好，我们就会雇它去做更多的任务。两件事乘在一起，需求自然不是线性的。
我觉得这段话换了一个计价单位。以前我们习惯按"一次问答"来想 AI 的成本，现在更像是按"一份工作"来算。一个 agent 干一下午的活，背后是成百上千次推演和剪枝，这跟人想问题其实很像，只不过我们的剪枝都发生在脑子里，看不见成本。AI 把这个成本摆到了账单上。
02
去年真正的解锁，是模型外面那层 harness
黄仁勋说，模型本身还会继续变好，scaling law（规模定律）还会继续有效，但他认为去年最大的变化是 harness，可以理解成模型外面的外骨骼，相当于大脑的身体。它让模型有了管理工作记忆的能力，有了把短期记忆整理成长期知识、形成 knowledge graph（知识图谱）的能力。他打了个比方，就像我们睡觉的时候会做 compaction（压缩整理），不重要的慢慢忘掉，重要的重新连起来。另一块是 tool use（工具调用）。他说，一个机器人走进你家，更可能去用你家里现成的工具，而不是从头造一个，所以那些人类做出来的工具，从仿真器、Verilog 到 Photoshop 和 AutoCAD，都会成为 agent 的工具，只是 agent 得先学会怎么用。
他说，把 LLM 装进这个 harness，再接上公司自己的 ground truth 和工具，它就开始做出很厉害的事了。coding 是最容易的第一个入口，因为用户是工程师，对"有用但不太好用"的东西有耐受度。下一步是设计和创意类的工作，他举的例子是，把一张照片给 OpenAI 的 Astra，它能直接重建成 CAD 文件，英伟达内部已经在这么用。他认为真正的难题，是怎么把 agent安全地部署进全世界的企业。
我对"coding 最先成功"的这个解释印象很深。我们常说是因为代码有明确的对错、容易验证，但黄仁勋给的原因更朴素：用户是同行，能忍受粗糙的东西，还会自己想办法把它用顺。这也意味着，其他行业的 agent 要走通，关键可能不是模型再强多少，而是什么时候做到让一个不懂技术的人也敢把活交出去。
03
智能的成本曲线，会长成摩尔定律的样子
聊到 OpenAI 解出 Navier-Stokes（纳维-斯托克斯方程，流体力学里的千禧年难题）这件事，黄仁勋先做了一个澄清。他说这不是从零解出来的，是站在大量数学家和科学家的前人工作上，再用 AI 做了穷举式的探索。他的逻辑很直接：如果这个问题只需要某个人想通一条第一性原理，早就有人解出来了。它之所以悬了这么多年，是因为需要探索一个巨大的搜索空间。他认为很多领域都站在这样的悬崖边上，缺的是大规模的算力把空间走完。
成本方面，黄仁勋预期智能的成本会下降得很快：算力在增加，模型更聪明也就更高效。他拿摩尔定律做对照，过去三十多年计算成本几乎每年减半，他希望智能的成本每年能降两倍甚至二十倍，因为消费量的增长会把降幅补回来。他举的例子是，训练当年的 GPT-1 大约要两千万美元，现在可能只要一百美元左右。但同时，我们现在训练的模型已经是 3 万亿、10 万亿、30 万亿参数，野心跟着一起涨，过去十年里 AI 的使用量涨了大概一百万倍。
他还说了一段我很喜欢的话，针对的是"AI 会让我们有更多闲暇"这种说法。他说他完全不同意，因为他活得越久越发现，每学会一件事就打开一扇新的门，门后面又是更多的机会和问题。Brad 引了凯恩斯 1930 年的预言：经济增长八倍，每周只需要工作 15 小时。经济确实增长了，我们没有只工作 15 小时。我觉得这是需求侧最有说服力的一条，东西便宜了，大家用得更多，想做的事也变大了。但这是他的判断，GPT-1 的例子只能证明单位成本降得很快，总开支会不会继续往上走，还得看接下来几年有没有那么多事真的值得做。
04
对齐是个永远的问题，所以先从 containment 做起
讲到安全，黄仁勋先抠了一个字：build。他说这是个工程词，安全问题首先要靠工程师和研究者去建造出来，如果觉得造不出安全的，那就不应该造。他谈了对 alignment（对齐）的看法：你让一个人"在生活里取得成功"，每个人都说得出口，但每个人的文化和背景不同，理解出来的做法差别很大。所以对齐是一个永远存在的问题，如果必须等到完美对齐才算安全，那永远到不了。
他的办法是回到我们对待新员工和小孩的方式：从零信任开始，给最小的权限，随着测试和信心积累再逐步扩大边界，这就是 containment（隔离控制）。第二是 monitoring（监控），而且必须是 out-of-band（在系统之外）的。理由很人性，被盯着的人和没被盯着的人行为不一样，所以监控不能依赖被监控者自己的表现，还要能在发现它违反策略时升级处理，或者直接关掉。他说英伟达最近发布的 OpenShell 就是往这个方向做的，已经有一百多家公司加入。
然后是他那个"气囊"的类比。有人把 AI 技术和安全看成两条线，好像汽车只有引擎是正事，气囊、ABS、车道保持都是附加品。他的看法是，整辆车都是汽车技术，所以"加速 AI"就意味着同时加速安全。他还说了一句很重的话：如果不安全，功能永远没有机会发言。
我觉得最有用的是零信任这个思路，因为它可以直接用在做产品上，agent 的权限应该按它要干的岗位去给，而不是按它能干什么去给。out-of-band 监控这点也值得记一下，现在很多团队做 agent 的观测，还是让 agent 自己写日志、自己汇报。不过黄仁勋给的只是框架，具体能做到什么程度，能不能管住一个比监控者更聪明的系统，访谈里没有展开，我也没有答案。
05
明年的瓶颈不在芯片，在土地、电力和厂房
Brad 引用了 SemiAnalysis 的估算：明年全球会新增大约 43GW 的 AI 算力，比现在整个世界已有的 AI 算力还多。他问黄仁勋，这个数字靠不靠谱。黄仁勋的回答是，需求是有的，甚至更多，难点在于从数字世界走进物理世界。他列了一串：土地审批、发电、施工的工人、水管工和各种安装队伍，建一个 500 亿美元的数据中心需要很多特定技能的人，还有各地出现的暂停建设的政策。他的判断是，land（土地）、power（电力）、shell（厂房主体）会是明年最难的部分。
供应链上游也是一样，基板（substrate）越做越大，封装的翘曲和缺陷更难控制，硅光（silicon photonics）产能也受限。他的原话大意是，什么东西都是供应受限的，这个缺口几年内都很难补上。他还提到几周前宣布的澳大利亚 2GW 项目，对英伟达来说相当于大约 800 亿美元。
他给了一个有意思的反向逻辑：电力越紧，大家越会选择每瓦产出 token 最多的架构，因为所有 CEO 明年都要交出收入。所以他说英伟达的市场份额反而在上升。他还给了一组口径：英伟达每提供 1GW 的内容，价值从大约 180 亿美元涨到了现在的 400 多亿美元。在云服务商的资本开支里，英伟达占比六年前是个位数，现在大约 40%。
这段我觉得要读两层。第一层是真的：电力和土地确实是物理约束，连 Brad 转述街上的说法也是，宣布的芯片有 50GW，能通电的只有 35 到 40GW。第二层是他在做一件很聪明的事，把竞争的标尺从"每美元买多少算力"换成了"每瓦产出多少 token"，而这恰好是对英伟达最有利的一把尺子。尺子本身没错，但我们得知道是谁递过来的。
06
收入撑不撑得起资本开支，他把账本拆成了三块
这是整场访谈的核心。Brad 算了一笔账：今年几家前沿实验室加上一些推理实验室，收入大约 2000 亿美元，要想在基础设施的投入上回本，明年要翻到 4000 亿，后年要到 8000 亿。他问黄仁勋，实验室的收入能每年翻两三倍吗？黄仁勋说，人们误解了现在发生的事。他把 NVIDIA 的算力需求分成三大块。
第一块是基础计算，数据处理、分子动力学、物理和量子化学模拟、计算机图形，还有 Visa 和 Mastercard 反欺诈用的 XGBoost 这类经典机器学习，以及给你推荐新闻的推荐系统，这些都不是深度学习和 agent，大约占 NVIDIA 业务的三分之一，而且以每年 30% 到 40% 的速度增长。他的说法是：没有任何 AI 实验室，NVIDIA 也不是零。第二块是 AI 实验室，他看到的不止两家，而是五六家，包括 Meta Muse、Gemini，以及今年开始合作的 Anthropic，合计大约占四分之一到三成。第三块是大批新创公司，从消费级到物理 AI、生物 AI、材料科学 AI，数以千计，它们的共同点是租用 NVIDIA 的算力，大约又占三分之一，他把这一块叫做"下一代的 AWS"。
再放大到整个行业，他认为到这个十年末，基础设施的年投入会在 3 万亿到 4 万亿美元之间，更接近 4 万亿，其中算力部分约 1.5 万亿美元。而在 AI 之前，这个数字就已经是 5000 亿美元左右。他还加了一个因素：摩尔定律已经结束，以前想要两倍的晶体管，等一年就行，现在想要两倍，就得付两倍的钱。所以不需要把任何一家实验室的收入外推到几万亿美元，这是不必要的。他说，OpenAI 和 Anthropic 会是历史上极具影响力的公司，会非常成功，但它们不需要接近万亿美元的收入也能成功，我们给两家公司施加了太大的压力。
我觉得这个拆法最有价值的地方，是把"AI 泡沫"的讨论从一个单点故事变成了一个结构问题。如果你只盯着两家公司的收入曲线，任何一次增速放缓都像是泡沫破裂的前兆。但如果需求来自三块完全不同的来源，基础计算的自然增长、实验室的投入、以及成千上万家新创公司，那每一块的节奏是不一样的。当然，这个拆法有一个前提，就是你得相信第三块"新创公司"真的会持续成长，并且最终能付得起账单。这恰恰是目前最难验证的部分。
07
通用比专用值钱，他的 fungibility 论证
Brad 给他看了一张图：一年前分析师对英伟达的共识预测，在一年之内被上调了一倍到两倍。黄仁勋没有直接去评价市场的情绪，他做了一个思想实验：现在要你开一张 1000 亿美元的支票，为下一代的 Vera Rubin Ultra 下订单，而且是 sight unseen（没见过产品），你敢下给谁？他说，因为 Grace Blackwell 做得好，大家对 Vera Rubin 才有信心，而这种系统已经没法单独跑个 benchmark 来测了，需要一个巨大的数据中心和几年时间改造，所以他说在这个量级上，英伟达是唯一一个能让人这样下单的。他把它和台积电做了类比：英伟达把 100% 的订单给台积电，因为只有这家公司能让他看着五年后的路线图直接下单。
他的核心论证是三个词：fungible（可通用、可替换）、durable（耐用）、rentable（可出租）。算力能在不同的工作负载、不同的模型、不同的客户和不同的地区之间换用，哪怕以后想把一半容量转租给别人也行。CUDA 八年前卖出去的硬件，现在还在更新软件。所以租的人愿意租，贷款的人愿意放贷。他还有一句很直接的话：专用化是通用性的敌人。这是针对定制芯片说的，意思是当你砸 500 亿到 1000 亿美元建设基础设施，你要知道无论如何它都能用很多年。
开放模型这块，他的立场也跟他的生意一致：大约 80% 的创业公司在用开放模型，它们并不是在跟前沿实验室竞争，而是在去解锁别的领域，比如物理 AI、制造、医疗。在他的画面里，前沿实验室去做通用的 AGI，各个垂直公司用自己的专有数据，在开放模型上调出各自领域的 superintelligence（超级智能）。
我对这段的感受有点复杂。他的论证在逻辑上是通顺的：通用性降低风险，风险低就好融资，好融资就能压低总拥有成本（TCO），这条链上每一环我都觉得说得通。但它成立的前提是，未来几年 AI 的工作负载还会长得和现在差不多。如果出现一种我们现在没想到、特别适合专用硬件的工作方式，这条护城河的宽度就要重新量。黄仁勋自己也承认，到底需要更多预训练、后训练还是 agentic 推理，现在并不知道，他的回答是反正都能跑。这是个很强的回答，但它同时也说明，未来的形状没人知道。
08
我自己的一点思考
听完这期，我最大的感受是，黄仁勋回答"泡沫"问题的方式，是不跟你在同一张账本上算。主持人拿的是实验室收入对资本开支，他拿的是全球算力开支、摩尔定律的终结、经典计算的存量，再加上成千上万的创业公司。这个算法让人觉得安心，但我们也应该知道，这是卖算力的人能给出的最有利的算法。我不觉得他在说假话，数字都是他看得到的订单和出货，只是他站的位置，决定了他看到哪一面，也决定了他愿意把哪一面讲给我们听。
另一件事是他自己在访谈里说的，我觉得说得很准。他说今天的 AI 是 soft matter（软的东西），看不见摸不着，大家搜索、购物、看 Netflix、收快递，背后每一件事都有智能和加速计算，但没人有感觉，这个故事他们讲得不好。他说，如果把数据中心关掉一个周末，所有人都会注意到。我觉得这句话既是他对公众的解释，也是对他自己那三块账本的一个提醒。第一块经典计算是看得见的，第二块实验室的收入是看得见的，第三块那些创业公司的收入，才是最需要时间去验证的，而这一块恰好是最"看不见"的那一块。
他在最后说了自己有 99.99% 的信心，并且说那些预言世界末日的人低估了人的能力，也许是傲慢，以为只要他们不做，事情就不会被做。后半句我很认同，我们身边确实有很多聪明人在默默把事情做出来。但我想给这份乐观加一个小小的注脚，乐观靠信心撑不了太久，得靠账本上的每一项慢慢被验证。新增多少 GW 是供给的事，我自己会盯的是需求这一头：下一年里，有多少家公司因为用了这些算力，真的赚到了钱。
