独家提问黄仁勋：CUDA不会受到开源冲击；英伟达不再是“卖芯片的”，它是全世界的根基

他回答了从AI的发展，芯片和数据中心的未来，到中国AI行业竞争力的多个问题。其中，他自己最关心的，是英伟达这家公司的转变。他形容，今年的GTC非常重要，它是一次转折点，不只是英伟达，也是整个行业的转折点。

“今年的GTC非常重要，事实上，它展示了我们公司从一家计算机技术公司向 AI 基础设施公司的转型。它展示了数据中心的转变——从一个计算机访问数据和托管应用的场所，进化为一个AI 工厂。它还展示了一个事实：一个全新的产业已经诞生。正因如此，这么多公司、开发者、行业和国家都来到了这里，开始在这里投入预算。”

而在会后硅星人也有机会抓住黄仁勋问了一个关于CUDA的问题：

CUDA是英伟达成功的关键，其中很重要的就是因为它建立起来的巨大生态系统，而这背后并不是靠开源——CUDA是一个封闭的体系。而今天开源浪潮彻底改变AI模型的格局，同样的开源猛击闭源的故事是否会发生在CUDA身上。

对此黄仁勋的回答简洁明了：

“CUDA也是开放的（Open），所有人都可以用它。我不担心这个故事发生在CUDA身上。”

以下为对话部分实录，经简要编辑。

Q：如果你们继续每一年都更新一代产品，像内存等技术提供方也要如此做么，你们的关系有多紧密？你们的设计总能得到支持么？

黄仁勋：答案是非常紧密。而且如果我和他们交流我的路线图，关系会更紧密。这也是为什么我要和世界交流我接下来3，4年的计划的原因。

这里有一件很重要的事情，也是我昨天在说的，就是我们不再是建造芯片了。这是过去的好时光了。过去你制造芯片，有人买了芯片，把它放进电脑里，然后卖掉电脑。这是过去的好日子了。

我们现在建设的是什么，是人工智能基础设施，一次投入数千亿美元。所以你最好在规划方面做得很好。基础设施不是你今天决定买，明天就能部署的东西。它是你需要提前两年投资的东西。你需要提前整整两年做计划，然后希望你能和我们一起把它建立起来。

这意味着每个人的信息都必须一致，我们必须一起规划来建设基础设施。

这是第一点，我们是一家基础设施公司，而不是买卖芯片的。

第二点，我昨天解释的，是我们是一家AI工厂了。

这意味着，一个工厂的作用就是帮助客户赚钱。我们的工厂直接转化为客户的收入，而不仅仅是生产某一款芯片或某个产品。整个工厂的运作极其复杂，已经达到了物理极限。正如我刚才所说，我们所做的一切都在最大化扩展。通过这样做——通过将每瓦性能、每单位能耗的性能推向物理极限，本质上意味着，如果你的业务受限于功耗，那么你的最大收入就取决于AI工厂的最佳性能曲线，它可以直接转换为收益百分比。

我们现在就在打造AI工厂，而且行业门槛比以往更高，竞争更加激烈，客户的风险容忍度也比以前低得多。这么说能理解吗？

因为他们的收入直接取决于这项业务，而这是一项跨越数年的投资周期，涉及数千亿美元。这是一个基础设施业务，是一个AI工厂业务。

最后，也是我昨天提到的一点，AI是一种基础性的技术了。不仅仅对我们而言如此，对每一家企业、每一个行业都是如此。这也是为什么今天有这么多合作伙伴在这里的原因。从汽车公司到金融服务公司，再到零售公司，各行各业都在这里，每个国家、每家公司都在这里。

因为我们已经成为一家支撑其他公司发展的根基企业。

正是这三个核心理念推动了变革。在过去一两年里，人们已经注意到GTC的氛围发生了巨大变化——我们的影响力、我们的能量、来到这里的人，都在发生变化。因此，正是因为这三个原因，我意识到了这一点，并决定改变我们与世界沟通的方式。

我们成为历史上第一家同时发布四代产品的科技公司。这就好比今天某家公司发布了一款新手机，然后宣布未来四款手机的计划，听上去完全不合理，对吧？这在其他行业是前所未有的。你可以想象路易威登今天宣布2026年、2027年、2028年的新品计划，这根本不会发生。

但我们会这样做，因为我们是基础设施公司，是世界的工厂，是行业的基石。

Q：你好我来自中国。

黄仁勋：你好。（中文）

Q：中国对AI有着伟大的抱负，在正常情况下，NVIDIA在中国市场将拥有巨大的机遇。您能否谈谈，如果没有当前这些贸易战或地缘政治因素，您对NVIDIA及其在中国AI市场的愿景？

黄仁勋：（沉思10秒，同时现场的参加者们发出一片对这个问题的感慨声）

我们有一项基本的责任，那就是遵守法律，尽最大努力竞争并为客户提供服务。这对我们而言是根本原则，与其他因素无关。

随着全球局势变得更加复杂，我们公司并不去判断这些地缘政治问题的对错。我们的核心任务是确保始终遵守法律，并且尽一切努力支持和服务客户。这就是我们的立场，也是我们在这个问题上最核心的态度。

（再次沉默5秒）

此外，我想分享一个观察，也许只是一个简单的观察：全球50%的AI研究人员都来自中国，这是世界上最大的AI人才群体，没有任何国家能接近这个规模。因此，这就是中国在AI研究方面一定会有巨大的贡献的原因。实际上，美国的每一个AI实验室里，都有很多优秀的华人研究人员，无一例外。我找不到例外。

所以，中国培养了如此多杰出的计算机科学家，无论你们是如何做到的，请继续保持。

Q：早上你提到，目前的关税对你们没有短期影响。你刚才也提到和富士康的合作，我有些困惑，到底美国总统的这些举措对你们影响如何？

黄仁勋：我们拥有一个非常灵活的供应网络，它并不是完全依赖某个特定地区，比如墨西哥或越南等。我们的供应链分布在多个地方，关税的情况，具体取决于产品在美国的生产和采购情况，以及最终产品的目的地。所以有很多因素会涉及到，取决于哪些国家会被加关税。所以短期内，基于我们所知，不会有巨大影响。而长期来看，我们希望保持这种灵活性，但同时大幅增强本地制造的能力。

最简单的理解方式是：目前我们的供应链已经非常灵活，但在本地制造方面仍有缺失。如果我们能在今年年底前进一步增加本地制造能力，那么整体供应链的表现将会非常出色。

Q：美国政府的“AI扩散”政策，让你们在中东很多国家的客户也有影响，你怎么看。

黄仁勋：AI 扩散政策的影响不会是短期的。但是长期来看，我还是认为AI是一项每个国家都需要的技术，它也是每个行业、每家公司都需要的重要技术。

今天AI 已经成为主流软件，它是软件。当我们谈论 AI 时，往往把它描述成一种神奇的技术，但本质上它就是软件，只不过是非常强大的软件。是软件。所以每个国家都有能力得到软件。

我还认为，在可能的范围内，我们也希望能用美国的技术和标准来支持世界各国的 AI 发展。我认为这对各国来说是有利的——它不仅能帮助国家获得计算能力，推动社会发展，同时对美国而言也是有益的。

Q：对于英伟达来说，软件越来越重要，你们有多少人是软件工程师？

黄仁勋：英伟达制造芯片，但我们并不是一家芯片公司，我们实际上是一家算法公司。听起来可能有些奇怪，但我们是当今全球计算领域领先的算法创造者。

举个例子，当迪士尼研究院（Disney Research）想要在物理算法方面寻找合作伙伴时，他们找到了NVIDIA，因为我们在高精度物理算法方面拥有强大的能力。例如，机器人所需的计算光刻（computational lithography）算法，我们是唯一一家与所有计算光刻公司合作的企业。换句话说，我们不仅擅长正向物理建模（forward physics），也擅长逆向物理计算（inverse physics）。

我们在物理学、逆向物理、计算机图形学和渲染技术方面都处于领先地位，而这些本质上都是算法问题。我们将所有的算法知识蒸馏，构建了一个统一的架构，它就是CUDA。基于此，我们开发了通用计算平台。因此，在很多方面，我们的思维方式从算法出发，从数学出发，这也是为什么当深度学习出现时，我们能够迅速适应。我们拥有数百名AI研究员，他们在扩散模型（diffusion models）普及之前就已经开始研究相关算法。你可能见过我们早期关于渐进式GANs（Progressive GANs）的研究，扩散模型本质上也是一种渐进式方法。我们还在变分自编码器（Variational Autoencoders, VAEs）方面做出了重要贡献。因此，我们在算法研究领域是先驱者，并且对算法极其熟悉。这对我们至关重要，你能理解吗？

我们的独特之处在于，我们不仅仅专注于芯片，还从整个计算系统的角度进行创新。NVIDIA是为数不多的科技公司，能够从处理器到交换机、再到网络架构、网络协议进行全方位思考和设计。我们甚至可以自主研发网络协议，扩展以太网，使其成为超级以太网（Super Ethernet），并在此基础上自主设计交换机。

正是因为我们具备完整的系统能力，所以我们能够快速创新。从本质上讲，我们的芯片设计几乎是次要的——虽然我们对自己的芯片技术非常自豪，并且制造出极其复杂的芯片，但最核心的是我们解决问题的能力。

Q：在AI走向物理世界的今天我们应该关注什么？

A：AI 的挑战仍然在于，数据策略是什么？你必须制定一个长期有效的战略。

例如，之前有人说我们已经耗尽了数据，你还记得吗？但这显然是很傻（silly）的。这种说法没有考虑到强化学习的存在。事实上，由于强化学习的发现，以及验证结果和奖励机制，我们现在几乎拥有无限的数据。

此外，人类多年来已经在数学、定理、科学发现，甚至是游戏中解决了大量问题。例如，你可以证明谁赢得了国际象棋比赛，因为你可以一直下棋直到分出胜负。同样，你可以证明建筑设计的优劣。这些都是可验证的问题。因此，我们现在可以利用这些无限的数据来训练模型进行推理。

物理世界的AI也面临相同的挑战，我们需要弄清楚数据策略和训练策略。我之前已经提到了一些内容，比如使用人类示范（human demonstration），然后结合生成式 AI（generative AI）和仿真技术（simulation），我们就能够生成无限数量的相关场景。

就像给 AI 一个代数问题，然后 AI 可以生成大量代数题目，并逐步解出所有问题。我们可以用同样的方法来进行物理操作训练，例如：可能是让 AI 学习跑步，最终让它掌握某种运动技能，这些都涉及协调和操控能力的训练。

所以，我们需要：数据战略（Data Strategy）——如何收集和构建数据？训练战略（Training Strategy）——如何训练 AI？使用战略（Usage Strategy）——如何优化 AI 以生成最优解？

提示词（Prompting）是现代软件编程的方式。同样地，在物理 AI 领域，我们也需要思考：如何引导 AI 进行物理化地推理？物理化地推理是一个非常重要的领域，也具有很大的潜力。

Q：你提到未来很重要的是Agentic AI。可以展开讲讲么。

黄仁勋：我认为，我们首先要做的事情当然是将推理（reasoning）融入一切。

将推理融入一切的好处在于，我们不需要提供大量的特定指令或明确提示（specific prompting），AI 仍然可以更具任务导向性（mission-oriented）地完成工作。因此，我们可以连接一些具备特定技能的智能体（agentic systems），然后仅仅给它一个目标。

举个例子：你可能只需要提供输入和期望的输出，而在输入到输出的过程中，AI 需要进行大量的数据转换（transformations）、推理（reasoning）和问题解决（problem-solving）。例如，假设输入是公司所有的组件和供应商数据。要输出的是公司的供应链预测。这个过程涉及供应链优化，它是一个约束过多（over-constrained）的问题，涉及大量推理、优化数学（optimization mathematics）等复杂计算。

但如果我只提供两个端点（输入和输出），AI 可能可以自己推导出整个过程。因此，下一代 AI 将能够自主使用工具、访问信息，并最终生成所需结果。这是一件非常重要、非常有意义的事情。我对此感到非常兴奋，我几乎可以预计这些技术即将实现。

Q：你昨天提到AI的花销会变得非常大。我们看到美国，欧盟，中国都在加大力度花很多钱投入到数据中心等AI的建设上。所以，这就是一个谁花钱最多谁就先达到AGI的竞争么，还是有点花的太多了。

黄仁勋：你们知道世界上最聪明的人是谁吗？
（现场无人回答）
你们在意吗？其实，我认为这（没人回答）正是问题的答案。

我相信，我们需要实现通用人工智能（AGI），这样 AI 就能真正解决问题。但我不确定是否真正需要“最聪明的 AI”。也许我已经见过最聪明的 AI，但我并不确定。卓越的智能（great intelligence）很重要，但我仍然认为如何应用智能（applying intelligence）、目标的选择（selection of the purpose）、战略的制定（selection of the strategy）、识别能力（selection recognition）都依然非常关键，领域专业知识（domain expertise）仍然不可或缺。

我相信，99% 的世界仍然依赖这些，而不是单纯去寻找“最聪明的 AI”。就像招聘体育特长生一样，如果可以的话，你当然可以去招揽最聪明的人才。但这并不意味着所有人都必须这么做。所以，谁先达到 AGI，并不是关键问题。

然而，我确实相信，如果你告诉我全球每年在资本支出（capex）上的投资是 5000 亿美元，但并没有 100% 用于 GPU，那么我会说：这真是太遗憾了。这不是我在推销自己，而是发自内心地认为，这真的很可惜。

我们已经拥有数万亿美元的通用计算机。我们知道，未来最重要的问题将围绕机器学习，计算和人工智能展开。那么，我们为什么还要继续建造更多的塑料呢？

然而，就在我们谈论的当下，全球今年将在资本支出（CapEx）上投入5000亿美元。所以，我认为，首要任务应该是投资未来，建设尽可能多的 AI 数据中心和计算基础设施。

那么，我们今天应该投入多少资金呢？5000 亿美元——这正是今年全球的资本支出。而且，这个数字还在快速增长。到2030 年，这个数字可能会增长到1 万亿美元，甚至100% 都用于 AI。

但我认为，这1 万亿美元的投资应该是模块化的。第一，全球计算资本支出（CapEx）应当以 AI 为主。第二，如前所述，AI 不仅限于数据中心，AI 还涉及制造。

那么，什么是制造？你可以将智能（Intelligence）“重构”成文字、故事、法律文件、分析报告，对吧？你可以将其“重构”成音乐、电影、广告宣传片。你还可以将其“重构”成机器人行动。如果你能够精准地控制“重构”过程，它甚至可以实现原子级的精准制造。

AI 的本质，就是“智能制造”——制造 Token。那么，全球应该投入多少资金来制造智能（Manufacturing Intelligence）？我认为，全球 120 万亿美元 GDP 的一个非常大比例，都应该投入到这个领域。

这是我的希望，也是我的信念。如果这在今天看来不合逻辑，那么让我们回到 300 年前，问一个问题：当时，全球 GDP 有多少是用于能源生产的？在那个时代，能源仅仅意味着“使劲干活”（Put your back into it）。而今天，能源已经成为全球经济的基石。同样，未来的世界，将建立在人工智能和智能制造之上。

在对话最后，黄仁勋还主动自己总结陈词了一下：

今年的GTC非常重要，事实上，它展示了我们公司从一家计算机技术公司向 AI 基础设施公司的转型。它展示了数据中心的转变——从一个计算机访问数据和托管应用的场所，进化为一个AI 工厂。它还展示了一个事实：一个全新的产业已经诞生。正因如此，这么多公司、开发者、行业和国家都来到了这里，开始在这里投入预算。

所以，我要感谢所有来到这里的你们，祝大家度过一个精彩的 GTC。