黃仁勳親自「定義」英偉達：將「電子」轉為「Token」的轉換器

「輸入是電子，輸出是Token，中間是英偉達。」黃仁勳首次拋出英偉達的極簡定義，並以此為核心闡釋了公司的供應鏈護城河、對TPU競爭的不屑、堅持不自己做雲服務的哲學。他強調，英偉達提供的是覆蓋全科學領域的加速計算平台，其成本優勢在於最優的TCO（總擁有成本）與每瓦特Token產出。他表示，絕不對GPU進行「價高者得」的競價售賣，也不會放棄中國市場。

英偉達(NVDA)CEO黃仁勳用一句話定義了自己的公司：輸入是電子，輸出是Token，中間是英偉達。

4月15日，英偉達CEO黃仁勳接受播客主持人Dwarkesh Patel的深度訪談，內容涵蓋英偉達的供應鏈護城河、TPU競爭威脅，以及英偉達為何不自己做雲服務等問題。

英偉達：「電子」—「Token」轉換器

訪談開篇，主持人提出了一個尖銳問題：英偉達本質上只是寫軟件，晶片由台積電(TSM)製造，記憶體由SK 海力士、美光(MU)、三星(SMSN.UK)提供，封裝由台灣ODM廠商完成——如果軟件被商品化，英偉達會不會也被商品化？

黃仁勳給出了他對英偉達最精煉的定義：

最終，需要有某個東西把電子轉化成Token。把電子轉化成Token，並且讓這些Token隨時間變得更有價值，這件事很難被完全商品化。

他進一步說：「輸入是電子，輸出是Token，中間是英偉達。我們的工作是盡可能高效地完成這一轉化。」

在供應鏈層面，外界關注的焦點是英偉達的採購承諾規模——最新財報顯示接近1000億美元，行業分析機構SemiAnalysis預測這一數字未來可能達到2500億美元。黃仁勳解釋了這背後的邏輯：

如果未來幾年是萬億美元規模，我們的供應鏈能支撐它。

他說，這種能力並非單純來自合約，而來自對上游CEO的持續「告知、激勵和對齊」——讓他們看清AI產業的規模和方向，然後願意為英偉達的需求進行投資。CoWoS封裝是典型案例：兩年前是全行業最緊缺的瓶頸，英偉達「連續幾個翻倍」地擴產之後，現已基本不再是話題。

他判斷，供應鏈上的任何瓶頸都不會持續超過兩三年：「EUV機器、邏輯產能、封裝——這些東西都不難複製，只需要需求信號。」他認為真正的長期制約在下游：能源政策。「你不能在沒有電力的情況下建立一個工業，這才是需要時間的事情。」

TPU競爭：沒有一家敢來跑基準測試

雲巨頭（Hyperscalers）貢獻了英偉達約60%的收入，但谷歌(GOOG)、亞馬遜(AMZN)、甚至OpenAI等大客戶都在加碼自研TPU或其他ASIC晶片，這直接質疑英偉達的競爭地位。

黃仁勳的回應分兩層。

第一層是定性區分：英偉達做的是「加速計算」，而不是專用張量處理單元。加速計算覆蓋分子動力學、流體力學、數據處理、量子計算等幾乎所有科學計算領域，遠比AI更寬。

我們是唯一一家加速所有類型應用的公司。

第二層，黃仁勳稱，全球沒有任何一個平台的性能和總擁有成本能優於英偉達，谷歌(GOOGL)TPU、亞馬遜Trainium都無法與之匹敵，我並不認可Trainium所宣稱的40%成本優勢。英偉達毛利率能達到70%，而ASIC晶片毛利率約為65%，企業替換產品並不能實現顯著的成本節省。

英偉達的計算棧是全球最佳性價比，沒有例外。沒有一家公司能向我證明，今天世界上有任何平台的AI數據中心的總擁有成本（TCO）比我們更好。沒有。Dylan的InferenceMAX擺在那裏供所有人用，TPU不來，Trainium不來。

對於Anthropic大量使用TPU的問題，黃仁勳直接回應：

Anthropic是一個特例，不是趨勢。沒有Anthropic，TPU的增長從哪裏來？是100%來自Anthropic。沒有Anthropic，Trainium的增長從哪裏來？也是100%來自Anthropic。

他也坦承，早年未能及時向Anthropic進行戰略投資是自己的判斷失誤：

當時谷歌和亞馬遜AWS投入了大量資金，Anthropic因此使用了他們的算力。我當時沒有深刻意識到，風投根本不可能給一家AI實驗室投50億、100億美元。這是我的失誤。但我不會再犯同樣的錯誤。

目前，黃仁勳已分別對OpenAI和Anthropic進行了大規模投資，據報道金額分別高達300億和100億美元。

為甚麼不做雲？「盡可能少做」是哲學

手握巨額現金流，英偉達近期頻頻向CoreWeave(CRWV)等初創雲服務商提供資金和算力支持。市場猜測，英偉達是否會越過客戶，親自下場做超大規模雲服務商，收取算力租用費？

黃仁勳的回答涉及公司哲學：

我們應該做盡可能必要的事，做盡可能少的事。我們做的這些事，如果我們不做，我真的相信它們就不會發生。但雲服務？如果我不做，有人會來做的。

他舉了CoreWeave、Nscale、Nebius(NBIS)等「新雲」作為例子——這些公司若沒有英偉達的早期投資和支持，根本不會存在。但英偉達的介入是「讓生態繁榮」，而不是轉行做金融租賃或雲計算營運。

他對於「不挑贏家」也有明確表態：「當我投資其中一家，我會投資所有家。」理由是：英偉達自己當年在60家3D圖形公司中幾乎是被公認「最不可能活下來」的一家，「我有足夠的謙遜來認識到這一點。」

堅守賣鏟人定位，GPU分配絕不搞「價高者得」

在供需極度失衡的背景下，英偉達如何分配緊俏的GPU？黃仁勳明確否認了「價高者得」的市場傳聞。

我們絕不會那樣做，這是糟糕的商業行為。你定好價格，然後人們決定是否購買。

黃仁勳解釋了英偉達的分配邏輯：優先考察客戶的排產預測和採購訂單（PO），其次看客戶數據中心的就緒程度，最終遵循先到先得的原則。「我更希望成為行業可靠的基石。如果你下達了1000億美元的AI工廠訂單，沒問題，全世界只有我們能給你這種確定性承諾。」

不會放棄全球第二大市場

針對當前的晶片出口管制，黃仁勳從商業與技術標準的角度表達了務實的看法。

他指出，算力只是AI產業的底層輸入，當受到約束時，競爭對手可以通過堆疊更多能源、使用更多上一代晶片，以及優化算法來彌補硬件代差。

他表示，首先要認識到：中國並不缺晶片。他們擁有全球頂尖的計算機科學家，眾所周知，這些AI實驗室裏的AI研究人員有相當大比例是中國人。他們擁有全球約50%的AI研究人員。

他們是競爭對手，我們希望美國勝出，但我認為進行對話和研究交流可能是最安全的做法。放棄整個市場不會讓美國長期在技術競賽中在晶片層、計算堆棧中獲勝。這是一個事實。

CUDA生態系統與飛輪效應

英偉達的核心競爭壁壘就是成熟的開發生態，GPU全球裝機量達到數億級別，應用場景實現全面覆蓋。

行業發展飛輪效應清晰，依靠最大的裝機量、可編程的架構、豐富的生態體系以及全球海量的AI公司，形成強勁發展動力。再加上性價比、能效、客戶基數均處於全球領先地位，進一步推動發展飛輪持續運轉。

架構優勢（對比ASIC/TPU）

黃仁勳表示，傳統摩爾定律每年性能增長約25%，想要實現10到100倍的性能飛躍，必須依靠算法與計算架構的雙重革新。Blackwell架構的能效相比Hopper架構提升50倍，這一成果絕非單純依靠晶體管進步就能實現，架構優化與計算機科學創新才是核心關鍵。該架構支持全流程可編程以及全棧協同設計，依託NVLink、Spectrum-X技術實現，沒有CUDA生態根本無法完成。對於產品路線圖與發布節奏。黃仁勳透露，英偉達產品會保持年度穩定迭代，從Vera Rubin到Vera Rubin Ultra，再到Feynman，每年都會推出穩定升級的新品。同時我們是全球唯一一家，能夠承接從1000萬美元到1000億美元任意規模AI算力訂單的企業。

訪談文字實錄（略有刪減）

章節目錄

（00:00:00） 英偉達最大的護城河，是否在於對稀缺供應鏈的掌控？

（00:16:25） TPU能否打破英偉達對AI算力的壟斷？

（00:41:06） 英偉達為何不轉型為超大規模雲服務商？

（01:35:06） 英偉達為何不同時開發多種不同的晶片架構？

00:00:00——英偉達最大的護城河，是否在於對稀缺供應鏈的掌控？

Dwarkesh Patel

我們看到許多軟件公司的估值大幅下跌，因為人們預期AI將使軟件商品化。有一種可能過於簡單的看法是：英偉達把GDS2文件發給台積電，台積電製造邏輯晶片和交換機，再與SK海力士、美光和三星期產的HBM一起封裝，然後發往台灣的ODM廠商組裝成機架。英偉達本質上是在做軟件，而製造由他人完成。如果軟件被商品化，英偉達是否也會被商品化？

Jensen Huang

歸根結底，總需要有某種東西把電子轉化為Token。將電子轉化為Token，並持續提升Token的價值，這件事很難被徹底商品化。這個轉化過程本身就是一段了不起的旅程——讓這個Token變得有價值，就像讓一個分子比另一個分子更珍貴，讓一個Token比另一個Token更珍貴。其中涉及的藝術性、工程智慧、科學原理和創新發明，我們正在實時見證這一切的發生。這個轉化過程、這套製造體系、所有的科學積累，遠未被深刻理解，這段旅程也遠未結束。我不認為商品化會發生。

我們當然會持續提升效率。你描述問題的框架，正是我理解這家公司的方式：輸入是電子，輸出是Token，英偉達在中間。我們的職責是：在實現這種轉化的過程中，做一切必要的事，同時盡可能少做。所謂「盡可能少做」，就是凡是我不需要親自完成的，我都找合作夥伴來做，納入我的生態系統。

如果你今天審視英偉達，我們可能擁有全球最大的合作夥伴生態系統，上游有供應鏈，下游有所有計算機公司、應用開發者和模型創造者。AI是一塊五層蛋糕，我們在整個五層都擁有生態系統。我們盡可能少做，但我們必須親自完成的那部分，恰恰是極其困難的事，我不認為那會被商品化。

事實上，我也不認為企業軟件公司或工具製造商會被商品化。如今大多數軟件公司都是工具製造商，也有一些是工作流程編碼系統。但就工具製造商而言，Excel是工具，PowerPoint是工具，Cadence做工具，Synopsys做工具——我看到的前景與很多人恰恰相反。我認為AI智能體的數量將會指數級增長，工具使用者的數量也將指數級增長，各類工具的實例數量極有可能會急速飆升。

Synopsys Design Compiler的實例數量很可能會急劇增加，使用平面規劃器、佈局工具和設計規則檢查器的智能體數量也會如此。如今我們受限於工程師的數量，但將來，這些工程師將得到大批智能體的支持。我們將以前所未有的方式探索設計空間，而我們使用的，正是今天這些工具。

我認為工具使用的爆發將推動軟件公司的價值飆升。之所以尚未發生，是因為智能體使用工具的能力還不夠強。未來，要麼這些公司自己打造智能體，要麼智能體本身足夠強大，能夠運用這些工具。我認為兩種情況都會發生。

Dwarkesh Patel

根據你們最新的財務文件，英偉達在晶圓廠、記憶體和封裝方面的採購承諾接近1000億美元。SemiAnalysis報道稱，這類採購承諾總額將達到2500億美元。有一種解讀認為，英偉達真正的護城河，在於你們鎖定了未來多年所需的稀缺元器件供應。競爭對手或許能做出一款加速晶片，但他們能拿到所需的記憶體來製造嗎？能拿到邏輯晶片來製造嗎？這真的是英偉達未來幾年最大的護城河嗎？

Jensen Huang

這是我們能做、而他人難以複製的事情之一。我們在上游做出了巨大承諾，有些是你提到的顯性承諾，有些則是隱性的。舉個例子，上游的許多投資，是由我們的供應鏈合作夥伴主動做出的，因為我曾對那些CEO們說：「讓我告訴你這個行業將會有多大，讓我解釋為甚麼，讓我和你一起推演，讓我展示給你看我所看到的未來。」

正是通過這個告知、激勵、與各行業上游CEO達成共識的過程，他們願意做出投資。為甚麼他們願意為我而不是為別人投資？因為他們知道，我有能力消化他們的產能，並通過我的下游渠道銷售出去。英偉達的下游供應鏈規模和下游需求體量如此龐大，所以他們才願意在上游持續投入。

看看GTC，人們驚歎於它的規模和與會者的構成——整個AI宇宙匯聚一堂，因為他們彼此都需要見到對方。我把他們聚在一起，讓下游看到上游，上游看到下游，所有人共同見證AI的進步。更重要的是，他們都能親眼看到那些AI原生公司、那些正在構建的AI初創企業，以及所有令人振奮的發展，親身印證我所描述的一切。我花了大量時間，直接或間接地讓我們的供應鏈、合作夥伴和生態系統，了解我們面前的機遇。

有人說，在大多數科技發佈會上，都是一個接一個的公告，但我們的發佈會總有一部分有些「折磨人」，因為它更像是在傳授知識。事實上，這正是我的用意。我需要確保整個供應鏈的上游下游，以及整個生態系統，都理解即將到來的是甚麼，為甚麼會來，甚麼時候會來，規模會有多大，並且能夠像我一樣系統地進行推演。

關於你描述的護城河，我們之所以能夠為未來做好準備，是因為：如果未來幾年的規模達到萬億美元，我們有供應鏈來支撐它。沒有我們的影響力和業務的高速運轉——就像現金流帶來供應鏈流動和業務周轉——沒有人會為一個業務周轉率低的架構專門建設供應鏈。我們能夠維持這種規模，恰恰是因為我們的下游需求如此旺盛，而他們看到了這一切，聽到了這一切，一切都歷歷在目。這才使我們得以在如此規模上做成今天能做的事。

Dwarkesh Patel

我想更具體地了解，上游供應鏈能否跟上。多年來，你們的營收一直在逐年翻倍，每年向全球提供的算力也在以翻倍以上的速度增長。

Jensen Huang

而且在如今這個規模上繼續翻倍，是真的了不起。

Dwarkesh Patel

正是如此。但再看邏輯晶片這一環——你們是台積電N3節點最大的客戶，也是N2節點最大客戶之一。根據SemiAnalysis的數據，AI今年將佔N3產能的60%，明年將達到86%。你已經是多數，還怎麼翻倍？又如何年復一年地持續下去？我們是否已經進入了一個AI算力增長必須因上游瓶頸而放緩的階段？你有沒有破局之法？歸根結底，我們怎樣才能每年新建兩倍的晶圓廠？

Jensen Huang

在某種程度上，瞬時需求始終大於全球的供給能力。在任何時刻，我們都可能受限於某一環節的產能——水暖工短缺就是個真實案例。

Dwarkesh Patel

水暖工要被邀請參加明年的GTC了。

Jensen Huang

其實這是個好主意。但瞬時需求大於總供給，本身是個好現象。你希望身處一個供不應求的行業，反過來才糟糕。如果某個特定元器件的缺口過大，整個行業就會蜂擁而至，集中攻克。舉個例子，注意現在幾乎沒人再談CoWoS了。

原因就在於過去兩年我們已經全力以赴、連續翻倍地擴產。如今CoWoS的供給已經相當充裕。台積電現在明白，CoWoS的供給必須與邏輯晶片和記憶體的需求同步擴張，並以相同的節奏規模化CoWoS及未來的封裝技術。這是一大進步——過去很長一段時間，CoWoS和HBM記憶體都是相當小眾的專業品，但如今它們已經是主流計算技術，整個行業都意識到了這一點。

當然，我們現在也能對更廣泛的供應鏈施加更大的影響。AI革命之初，我今天所說的這些話，五年前我就已經在說了。一些人相信了並付諸行動，比如Sanjay和美光團隊。我至今清楚地記得那次會議，當時我明確說明了即將發生甚麼、為甚麼會發生，以及對今日的預判。他們真的All-in了，我們在LPDDR和HBM記憶體領域開展了深度合作，他們為此大力投資，這對美光來說顯然是一段非凡的旅程。有些人來得稍晚，但現在他們都到位了。

每一個瓶頸都會受到高度關注，而我們現在已經提前數年預判下一個瓶頸。比如，過去幾年我們在Lumentum、Coherent以及硅光子生態系統上的投資，從根本上重塑了供應鏈。我們圍繞台積電構建了一整套供應鏈，與他們合作推進COUPE項目，發明了一系列新技術，並將這些專利授權給整個供應鏈，以保持其開放性。

我們通過發明新技術、新工藝、雙面探針測試等新型測試設備，以及投資企業、幫助其擴大產能等方式，主動塑造生態系統，確保供應鏈隨時準備好支撐所需的規模。

Dwarkesh Patel

有些瓶頸似乎比其他的更容易解決。擴大CoWoS產能，對比擴大——

Jensen Huang

我直接說最難的那個。

Dwarkesh Patel

是甚麼？

Jensen Huang

水暖工，還有電工。這也是我對「末日論者」渲染工作終結、大規模失業的說法感到擔憂的原因之一。如果我們把人嚇退出軟件工程這個行業，我們就會面臨軟件工程師短缺的問題。十年前也有過類似的預言——有些末日論者告訴大家，無論如何都不要去做放射科醫生。你或許還能在網上找到這些影片，聲稱放射科會是第一個消亡的職業，世界將不再需要放射科醫生。現在我們短缺的是甚麼？恰恰是放射科醫生。

Dwarkesh Patel

回到剛才關於哪些東西可以擴展、哪些不能的話題——邏輯晶片的產量，究竟如何實現每年翻倍？歸根結底，記憶體和邏輯晶片的產能都受限於EUV光刻機。我們怎樣才能每年擁有兩倍的EUV機器？

Jensen Huang

這些都不是短期內無法快速擴展的問題。在兩三年內完全可以實現，關鍵是要有明確的需求信號。一旦你能造出一台，就能造出十台，造出十台就能造出一百萬台。這些東西並不難複製。

Dwarkesh Patel

你會深入到供應鏈的哪個層級去溝通？比如，你會直接去找ASML(ASML)說：「如果三年後英偉達要做到年營收兩萬億美元，我們需要更多的EUV光刻機」嗎？

Jensen Huang

有些狀況需要我親自去溝通，有些可以間接推動，還有一部分…… 只要我說服台積電，ASML 自然也會跟著被說服。我們必須鎖定關鍵瓶頸節點；只要台積電完全認同，短短幾年內，就能取得充足的 EUV 曝光機台。

我的核心看法是：任何一項產業瓶頸，持續時間都不會超過兩三年。與此同時，我們持續把運算效率提升 10 倍、20 倍，從 Hopper 架構一路到 Blackwell，效能甚至拉高 30 至 50 倍。

透過 CUDA 高度的靈活性，我們不斷推出全新演算法、研發各項新技術，在擴大產能的同時，持續帶動效率升級。這些問題我完全不擔心。

真正讓我憂慮的，是下游層面的隱憂：能源政策拖慢能源發展，沒有充足能源，任何產業都無法落地興建。

美國想要重新工業化、引回晶片製造、電腦組裝與封測產業，也要發展電動車、機器人、AI 工廠等新興領域，而這一切全都仰賴能源。能源基礎建設的建設週期極長。

相較之下，擴增晶片產能、提升 CoWoS 產能，都只是兩到三年就能解決的問題。

Dwarkesh Patel：

很有意思。我聽過不少來賓剛好持相反看法，但這塊領域我專業不足，無法判斷誰對誰錯。

黃仁勳：

幸好，你現在正在跟業內頂尖專家對談。

一、TPU 能否打破輝達 AI 算力壟斷？

Dwarkesh Patel：

沒錯。我想聊聊你的競爭對手。

全球前三大 AI 模型之中，Claude 與 Gemini，全都以 TPU 做訓練。這件事，對輝達的未來代表什麼？

黃仁勳：

我們做的是完全不同的東西。

輝達主打「加速運算」，並非單純張量處理器。

加速運算的應用場景極為廣泛：分子動力學、量子色動力學、數據處理、各式數據框架、結構化與非結構化數據、流體力學、粒子物理，AI 只不過是其中一環。

加速運算的多元性遠遠高出一截。

即便 AI 是當下最熱門的議題、影響力龐大，但運算的邊界遠比 AI 更遼闊。

輝達從根本重新定義運算模式，從傳統通用運算，全面轉向加速運算。

我們的市場覆蓋範圍，遠遠超越任何 TPU 或 ASIC 的極限。

以產業定位來看，輝達是全球唯一能全場景加速各類應用的企業，並且擁有龐大生態系，絕大多數框架、演算法都能在輝達平台順利執行。

我們的運算平台，一開始就設計成開放給第三方營運；任何營運商都能直接採購我們的系統。

反觀多數自研晶片，多半只能內部自用，一開始就沒有規劃開放給外部企業彈性使用。

也正因任何人都能部署、營運我們的設備，輝達才能全面進駐各大雲端，包含谷歌、亞馬遜、微軟 Azure 與 OCI。

不論你是要對外出租算力、或是自建內部運算中心，我們都能完整支援。

就像我們協助馬斯克的 xAI 一樣。

舉例來說，禮來這類大型藥廠，能透過我們的超級電腦，投入藥物研發與生命科學研究，這些領域都是 TPU 無法覆蓋、卻是輝達的強項。

市面上有大量 TPU 無法處理的場景，全都在我們的服務範圍內。

輝達透過 CUDA 建構完整的張量運算能力，同時串聯數據處理、科學運算與 AI 完整生命週期。

我們的市場規模與發展空間，完全不在同一個層次。

也因為支援全球絕大多數應用，輝達硬體能隨處部署、隨處落地，自然形成完全不同的競爭格局。

Dwarkesh Patel：

我換個角度提問。

你們單季營收高達 600 億美元，獲利驚人，但核心獲利並非來自製藥或量子運算，而是高速爆發的 AI 產業。

關鍵問題是：什麼才是對 AI 長遠發展最有利的選項？

我的 AI 研究員朋友常說：TPU 是大規模陣列架構，完美契合 AI 重複的矩陣乘法運算；

而 GPU 勝在彈性，適合大量分支邏輯、不規則記憶體存取的複雜場景。

但 AI 的本質，就是不斷重複、高度規律的矩陣運算。

根本不需要額外消耗晶片面積，去做執行緒排程、記憶體切換這類設計。

TPU 正是針對當下成長最快的算力需求，做極致最佳化。

我很好奇，你對這段說法有什麼看法？

黃仁勳：

矩陣乘法確實是 AI 的核心，但絕對不是全部。

如果你要研發全新注意力機制、解耦架構，或是開發混合 SSM 這類全新模型架構，就必須仰賴可高度程式化的通用運算架構。

如果想結合擴散模型與自生成技術，同樣需要高彈性的開發環境。

我們能跑任何你想像得到的演算法，這才是核心優勢：大幅降低新演算法的研發門檻。

AI 之所以能快速迭代進步，正是因為持續不斷的架構創新、演算法革新。

TPU 和多數硬體一樣，都受摩爾定律限制，每年效能增幅大約只有 25%。

想要達成 10 倍、甚至 100 倍的效能躍升，唯一方式，就是從底層翻轉演算法與運算邏輯。

這就是輝達的根本優勢。

Blackwell 相較 Hopper 實現 50 倍效能提升，就是最好證據。

當初我預估提升 35 倍，外界普遍質疑，後續驗證才發現實際增幅更高。

單靠晶體體微縮，永遠不可能做到這種等級的突破。

我們的突破，來自全新模型架構，例如 MoE 混合專家模型，在同一套運算系統內，實現平行化、解耦與分散式部署。

如果沒有 CUDA 的高度可程式性，這類創新根本無從實現。

Dwarkesh Patel：

這也牽扯到輝達的客戶結構。

你們超過六成營收，來自五大頂級雲端巨頭。

早期學界、實驗室研究團隊高度依賴 CUDA，只能在 GPU 上執行 PyTorch，仰賴完整最佳化生態。

但現在這些頂級雲端大廠，都有足夠資源自研核心內核。

為了在自有架構榨出最後 5% 效能，他們也必須自定義開發。

就連使用 GPU 的 OpenAI，也導入 Triton、自建技術棧，直接底層開發，跳過現成函式庫，方便跨晶片遷移。

如果你的核心大客戶，全都在積極打造 CUDA 替代方案，

CUDA 還是前沿 AI 持續綁定輝達的核心關鍵嗎？

黃仁勳：

CUDA 是一套內容極度龐大、生態高度成熟的完整體系。

無論任何全新技術、全新模型，優先基於 CUDA 開發，永遠是最穩妥的選擇。

我們支援全球所有主流框架，同時深度貢獻 Triton、vLLM 等開源專案，大量底層技術都源自輝達研發。

當前強化學習、後訓練領域爆發式成長，各式新框架不斷湧現。

只要你想快速落地創新、穩定迭代，CUDA 生態的完整性與穩定性，就是最大保障。

開發者最在意的，還有安裝基礎與普及度。

你寫的程式、模型，希望能在越多設備執行越好，不論是自有叢集、合作雲端，或是對外服務。

全球數億張 GPU、各大雲端全面覆蓋，從 A100、H100 到新一代 Blackwell，規格完整、遍地部署。

不論是機器人、邊緣裝置、本地部署或是大型雲端，CUDA 技術棧都能通用。

龐大的安裝基礎代表：只要你開發一項新技術，就能立刻擴散至全球，商業價值瞬間放大。

最後一點，我們全面進駐各大雲端，這是無人能複製的優勢。

新創 AI 團隊、開發者，無法預期未來會合作哪家雲端、在哪裡上線服務。

而輝達跨平台、全場景適配的特性，搭配完整生態與廣泛部署，才是 CUDA 難以被取代的真正原因。

Dwarkesh Patel：

邏輯合理。我再追問一點：

這些優勢，對你的頂級大客戶來說，真的不可或缺嗎？

有能力自建軟體棧、自製核心內核的，剛好就是貢獻你大半營收的雲端巨頭。

尤其 AI 越來越走向「高驗證閉環」，透過強化學習自動最佳化運算內核，可驗證、可迭代。

大型企業完全有能力針對注意力機制、MLP 模組，客製化開發最高效的專屬內核。

即便他們持續採用 GPU，更多是看重性價比，而非 CUDA 綁定。

過去輝達長期維持七成以上高毛利率，關鍵就是 CUDA 築起的護城河。

當主要客戶都在自建替代方案，你還能長久守住高獲利模式嗎？

黃仁勳：

我們派駐在全球各大 AI 實驗室的工程師數量，遠超外界想像，

直接與對方團隊協同開發、持續最佳化整套技術棧。

原因很簡單：沒有人比我們更懂自己的硬體架構。

一般 CPU 就像豪華房車，穩定、好上手、限速保守、大眾都能輕鬆駕馭。

但輝達的 GPU 與加速晶片，更像是一級方程式賽車：

一般操作人人都會，但要全速極限輸出，必須深厚的專業積累。

我們甚至導入 AI 技術，優化底層運算內核。

我非常確定，未來很長一段時間，我們都會是產業不可或缺的核心。

僅靠我們的工程團隊協助合作夥伴最佳化，就能輕鬆帶來 50%、2 倍甚至 3 倍的效能提升。

放在超大型算力叢集當中，效能翻倍，等同營收翻倍，直接轉化為實質獲利。

放眼全球，輝達整體擁有成本、性價比與每瓦算力的最強優勢，沒有任何例外。

不論是 TPU、Trainium 或其他 ASIC，都無法在公開基準測試中證明自身優勢。

業界公開的 InferenceMAX、MLPerf 測試，我們隨時歡迎對手參與比較，但始終無人挑戰。

再談客戶結構：

六大成長來自五大雲端，但這些雲端的絕大多數 GPU 算力，都是對外開放給外部客戶使用，並非內部自用。

AWS、Azure、OCI 導入大量輝達硬體，核心是為了服務全球各行各業的企業與開發者。

他們持續選擇我們，就是因為我們覆蓋最廣、生態最完整、能幫他們吸引最多高端客戶。

完整的正向循環很清晰：

龐大硬體安裝基礎、高彈性可程式架構、成熟生態、全球無死角部署，

加上每美元算力、每瓦算力的極致效率，讓客戶以最低成本產出最高 Token 產能。

雲端營運商要最大化資料中心收益、提升單位能耗產值，輝達永遠是首選。

Dwarkesh Patel：

回到市場實況。

就算有替代晶片出現，全球數萬家 AI 新創、研究團隊，還是會分散採購各類算力。

但真正消耗頂級算力、推動產業迭代的，依舊是 OpenAI、Anthropic 這類大型基礎模型實驗室，

而他們全都有足夠資金與技術，導入多類加速晶片、擺脫單一依賴。

黃仁勳：

你的前提一開始就有錯。

Dwarkesh Patel：

或許是。那我換個提問。

黃仁勳：

等一下，一定要讓我回頭糾正這個前提，

這件事對 AI 發展、科學進步、整個科技產業都至關重要。

Dwarkesh Patel：

我先完整提問，之後我們再深入討論。

黃仁勳：

好。

Dwarkesh Patel：

如果你的效能、功耗、成本優勢都是真實的，

為什麼 Anthropic 才剛剛宣布，與博通、谷歌合作，導入數吉瓦等級的大規模 TPU 算力？

谷歌內部更是全面以 TPU 為主力。

大型 AI 公司的算力結構，早已從全 GPU 時代，走向多元晶片並存。

如果輝達優勢這麼明顯，為什麼他們會主動導入其他硬體？

黃仁勳：

Anthropic 是極少數特例，不代表產業趨勢。

如果排除 Anthropic，TPU 的大規模成長幾乎停滯；

Trainium 的需求，同樣高度集中在單一客戶。

這只能說是個案合作，不代表 ASIC 全面崛起。

至於 OpenAI 與 AMD 合作、自研加速晶片，我完全不介意。

他們依舊以輝達為核心主力，未來也會持續深度合作。

競爭者嘗試不同路線是好事，唯有比較，才能凸顯我們的完整優勢。

過去大量 ASIC 專案陸續終止，就是最好證明。

想要做出全面超越輝達的晶片，難度極高。

我們每年世代迭代、持續突破，是全球唯一穩定高速進化的運算平台。

Dwarkesh Patel：

業界普遍看法是：

不需要做到全面超越，只要整體落差不要超過三成，

就能擺脫你們七成的高毛利定價。

黃仁勳：

別忘了，ASIC 廠商本身毛利同樣極高。

輝達毛利率約七成，多數 ASIC 大廠也有 65% 上下的高利潤，

實際能替客戶省下的成本，遠不如外界想像。

再回頭回答你的核心問題：

早年輝達體量有限、財力不足，

當時我們沒有能力動輒數十億美元，長期資助單一 AI 實驗室壯大。

谷歌、AWS 當時願意投入巨額資金綁定合作，才換來對方優先使用自家晶片。

這是我過去的決策疏漏：

當時低估了頂級基礎 AI 實驗室的燒錢規模，

也誤以為新創團隊都能靠創投融資存活。

事實上，動輒數十億、上百億美元的長期投入，完全超出傳統 VC 的承擔能力。

如果當初輝達就有現在的體量與現金流，

我一定會更早投資、更早佈局。

現在我們已經修正策略，積極投資 OpenAI、Anthropic 等頂尖團隊，不會再錯過產業關鍵階段。

二、輝達為何不轉型自建超大型雲端？

Dwarkesh Patel：

接著聊聊資金運用。

輝達長年穩居 AI 產業獲利龍頭，手握龐大現金。

傳聞你們對 OpenAI 投資高達 300 億美元、對 Anthropic 投資百億美元。

這些企業早年估值僅有現在的十分之一，

以你們當時的財力，完全可以更早佈局、或是自研基礎大模型。

為什麼長期專注硬體與平台，不跨足雲端、自建算力出租業務？

你們的現金流，完全足以承擔大規模資本支出。

傳聞也指出，你們為 CoreWeave 提供 63 億美元信用背書、對外投資 20 億美元。

黃仁勳：

這是我們長期堅持的經營哲學：只做必要的事，盡量少做多餘布局。

如果連我們都不投入、不深耕加速運算，這條路根本沒有人會走。

二十年投入 CUDA、長期承擔研發虧損、打造 NVLink 互連技術、開發各領域專用函式庫，

這些高風險、長週期的布局，沒有任何商業巨頭願意接手。

不論是光影追蹤、科學運算、運算微影、量子化學、流體力學，

各項垂直領域的加速函式庫，都是我們長年獨自投入。

這些是輝達必須做、也只有我們做得好的事。

至於雲端服務，市場已經足夠成熟、競爭充分，

不需要輝達親自下场。

我們的做法，是扶持整個生態：

協助 CoreWeave、Nscale、Nebius 等新興 AI 雲站穩腳步，

給予資金、技術與訂單支持，讓專業的人做專業的事。

我們會投資所有頂級基礎模型團隊，不刻意押注單一贏家。

全面扶持、多元布局，才能讓整個 AI 生態持續繁榮，

擴大輝達平台的全球渗透率，鞏固美國技術棧的領導地位。

之所以不選邊站、不挑贏家，源自創業初心。

當年全球有超過六十家 3D 繪圖公司，

輝達一開始技術路線走偏、不被看好，卻是最後唯一存活的幸存者。

這段經歷讓我深刻明白：沒有人能預測產業贏家。

與其主動篩選，不如扶持所有創新力量。

我們會協助有技術、有團隊、有願景的合作夥伴渡過創業初期，

但不會跨界做融資、做重資產雲端，維持營運模式精簡聚焦。

只專注做好加速運算核心本業，其餘環節交給生態合作夥伴。

Dwarkesh Patel：

全球 GPU 短缺已經持續多年，模型越大、算力缺口越大。

外界認為，輝達並非單純以價格分配產能，

而是刻意分流配額，扶持多家新興 AI 雲，避免市場壟斷。

這是你們的策略考量嗎？

黃仁勳：

這個前提依舊不正確。

所有出貨，都建立在客戶正式下訂單的基礎之上。

先下單、先排程，是最核心的原則。

高階晶片生產週期漫長、封測與資料中心建設曠日費時，

我們最大的努力，是與客戶共同預測需求、拉齊供需節奏。

偶爾會依照對方基建進度、整體產業狀況微調出貨順序，

最大化工廠產能利用率，但絕不會無限度操控配額。

網路上不少傳言都非事實，包含高層私下索取 GPU 等新聞，全都不符實況。

所有合作夥伴一視同仁，依照訂單順序與產能狀況穩定出貨。

Dwarkesh Patel：

既然短缺長期存在，為什麼不直接「價高者得」，最大化短期獲利？

黃仁勳：

這是最短視、也最糟糕的商業模式。

我們長期維持固定報價，不隨市場供需瘋狂漲價。

晶片產業確實有同業在缺貨時哄抬價格，但這從來不是輝達的選擇。

我希望輝達成為產業穩固的基石，值得長期信賴。

價格透明、政策穩定，合作夥伴不用時時猜測報價波動，

這才是長期合作的核心價值。

也正因穩定可信，我們才能與台積電維持將近三十年的長期合作。

我和台積電之間，從未簽訂繁複的正式合約，

彼此互信、長期配合，互利共生。

不論景氣好壞、盈虧輪替，長遠關係永遠優先短期利益。

放眼未來，輝達每年都會推出全新世代架構，

Vera Rubin、Vera Rubin Ultra、Feynman，路線明確、迭代穩定。

不論客戶採購規模大小，從單張顯示卡、單一機房，到百億等級超大算力訂單，

我們都能穩定承接、如期交付。

這份產業級的穩定性，沒有任何對手能夠複製。

三、中國競爭與 AI 政策看法

黃仁勳：

先談一個重點：新一代 Mythos 這類強大 AI 模型，

所需的算力門檻其實並不高，中國完全有能力取得同等級別硬體。

中國掌握全球超六成晶片產能，半導體產業規模龐大；

同時擁有頂尖電腦科學家，全球將近半數 AI 研究人員都具華人背景。

能源資源充足、工程人才充沛，硬體與人才條件完全不缺。

美國與中國是競爭關係，我們理所當然希望美國維持技術領先，

但封鎖、斷鏈、切割兩大技術生態，只會造成雙輸。

透過對話、學術交流、技術溝通，才是管控風險的最佳方式。

美國必須確保高階算力、頂尖 AI 架構優先留在本土，

強化能源建設，解決長期能源瓶頸，鞏固技術領先優勢。

但不應該全面放棄龐大海外市場、強行切割全球產業鏈。

晶片是美國科技霸權的重要支柱，

主動退出全球最大市場，只會削弱自身競爭力、傷害本國產業。

理性平衡的監管政策、維持技術交流，才是長遠之道。

四、為何不研發多套完全不同的晶片架構？

Dwarkesh Patel：

長期與台積電深度合作，搶占先進製程優先產能，

既然高階節點產能有限，為什麼不回頭活用七奈米等成熟製程閒置產能，

改良舊世代架構、重製優化版 GPU？

同時平行研發多套差異化架構，分散風險？

黃仁勳：

完全沒有必要。

新一代架構的進步，不只是晶體體微縮，

還包含封裝、堆疊、數值運算、系統設計的全面升級。

倒退重啟舊節點研發，研發成本龐大、效益極低，不符合經濟邏輯。

除非全球先進製程徹底斷供，我們才會考慮啟用成熟節點備案方案。

至於多架構並行研發：

我們內部透過大量模擬與驗證，

測試過各式創新架構、晶圓級大晶片、特殊封裝設計，

最終結果都證明：效能、成本、靈活性，全都不如現行路線。

我們不會為了分散而分散，一切以實質效能與客戶價值為優先。

唯一的新增布局，是因應全新推理市場需求，

導入 Groq 等技術，補足高反應速度、低延遲的特殊場景，

區分高階定價 Token 與高吞吐量一般算力，做市場差異化。

除此之外，我們會把所有資源，全力投入核心架構的持續迭代。

五、如果沒有 AI 革命，輝達會走到哪裡？

黃仁勳：

就算沒有 AI，我們依舊會專注加速運算這條核心道路。

傳統通用運算的效能瓶頸早已到達極限，

各行各業都需要領域專用加速方案，突破運算限制。

不論是電腦繪圖、地震探勘、藥物研發、粒子物理、流體模擬、數據分析，

無 AI 的年代，這些高複雜度科學運算，依舊需要 GPU 加速。

輝達只會規模不同，依舊會成長為全球頂尖科技企業。

AI 的出現，只是放大了加速運算的價值、加速產業爆發。

我們長年推動的技術普及，讓全球學生、研究人員、新創團隊，

都能透過一般消費級顯卡，接觸頂尖科學運算與 AI 開發，

這也是我們長期不變的使命：

普及加速運算，突破通用運算極限，推動全人類科學進步。

即便到現在，GTC 大會仍有超過半數內容，與 AI 完全無關，

聚焦運算微影、量子科技、生命科學、工業模擬等領域，

這些長遠價值，從來不會因為 AI 熱潮而被忽略。

Dwarkesh Patel：

非常感謝你完整分享。

黃仁勳：

很愉快這場對談。