硅谷坐标 x Jimmy Cheng：GTC回顾-AI时代英伟达的护城河

微信公众号 ｜ 腾讯视频 ｜ B站 ｜ 小宇宙 ｜ 喜马拉雅 

YouTube ｜ Apple Podcasts ｜ Spotify ｜ LinkedIn ｜ X

「详细看点」

（以下为部分内容摘要。完整内容请看原版视频）

01  OpenClaw之后，企业比拼的已不是算力，而是系统效率

Jimmy认为GTC最重要的信息有三点：

第一是OpenClaw。黄仁勋把它定位成Agentic AI的操作系统，成长速度已超越Linux和Kubernetes。他的判断是：以后每个CEO都会有一个OpenClaw策略，就像以前每个CEO都会有一个Linux策略一样。

第二是Inference（推理）。整场Keynote提了不下36次，专为推理设计的Vera Rubin也在此次发布，Groq 3的LPU可以和Vera Rubin协同运作。

第三是Tokenomics。Token是Agentic AI时代的货币。竞争标准不再是比Flops、TOPS，而是比Token-per-Watt（每瓦特生成的Token数），这是一个升华。

02  英伟达的护城河和产业链利润再分配

曹卿云：英伟达把自己从AI芯片供应商提升到系统解决方案供应商，是否加强了其护城河？整个半导体产业的利润如何重新分配，议价权往哪边走？

Jimmy：NVIDIA的竞争优势已不再来自单一芯片，而是来自长期系统化布局。NVIDIA从GeForce硬件起步，延伸到CUDA软件生态、Mellanox网络能力、Omniverse应用层和Nemotron模型层，逐步完成了“芯片公司→系统公司”的升级。在AI Factory（AI工厂）框架下，竞争指标也从FLOPS和单点成本，转向Token-per-Watt（每瓦特生成的Token数）、系统协同与TCO（总拥有成本）。结果是，产业链中OEM（原始设备制造商）和供应商的议价空间被压缩，更多利润向NVIDIA集中；其高毛利和高经营利润率正是这种系统化竞争力的体现。所以新的架构都其实是增强了它的护城河。以前也许你出一个芯片10倍的速度就够了，今天你要和英伟达竞争，不是一个芯片10倍的速度就够了，你必须要比它的TCO （Total Cost of Ownership，总拥有成本）还低，你必须和它的软件兼容，所以这系统化造成了非常大的护城河的作用。

英伟达现在不光是芯片公司，也是系统公司，旗下七颗芯片各司其职。以NVSwitch为例，它承担的是原本属于Cisco、HP、戴尔的网络功能。英伟达推出DGX Blueprint（MGX）之后，所有OEM（原始设备制造商）厂商必须按这套方案执行——以前还能自主设计主板，现在这个权利没有了，必须遵循英伟达DGX/MGX的方案，完全没有主动权。供应商处于非常被动的局面，做了利润很高，但始终面临英伟达做dual sourcing（双源采购）的风险。整个产业链，英伟达占到绝大部分的利润。

03  开源模型为何成为英伟达发力重点？

曹卿云： 英伟达不光大力推广开源模型生态，且自己也开发了开源模型，背后的考量是什么？

Jimmy：有几个原因。

第一，给OpenAI、Anthropic增加竞争压力。 对英伟达最有利的局面是模型公司不停推出新模型，每一款新模型都带动硬件更新。他最不想看到的是模型公司放慢脚步，所以他想让创新周期更短更快。

第二，推动Agentic AI平民化。 Salesforce、ServiceNow这样的公司用开源模型，Token免费，但服务器还是要买英伟达的。开源模型是扩大硬件销售的杠杆。

第三，强化700万CUDA开发者飞轮。 通过开源模型进一步增强developer flywheel（开发者飞轮效应），把自身竞争力更加强化。

04  开源模型把芯片方向推向“定制化“（Custom Chip） 

曹卿云：开源模型的进步，会让芯片走向通用化还是定制化？

Jimmy：会加速定制化，原因有三。

第一，技术门槛降低。 模型权重公开可见，针对权重定制专属accelerator（加速器）变得更容易，各大公司都会往这个方向走。

第二，Capex倒逼自研。企业用了大量开源模型后，Token免费了，但还是要大量购买服务器，最终会被Capex（资本支出）压力逼上自研芯片的路。

第三，市场变大，玩家变多。 推理市场极为庞大，市场越大玩家越多，更多startup（初创公司）会进场开发custom chip（自研芯片）。

05  AI底层芯片架构的趋势-SRAM-centric的设计哲学

曹卿云：Agent元年，对底层芯片架构有什么新要求？

Jimmy： Agent是推理时代的开始，推理时代驱动的是SRAM-centric（以静态随机存取存储器为中心）的设计理念。

大家熟悉的是HBM，但推理真正需要的是SRAM——量不大，但极快。推理不需要处理海量数据，需要的是极速响应，SRAM恰好满足。可以看到几个案例印证这个趋势：Cerebras的芯片大如iPad，上面大量是SRAM，拿到了OpenAI百亿美元大单；Groq的LPU每颗500MB SRAM，英伟达系统192颗LPU合计是极大量的SRAM，SRAM越多推理速度越快。底层还有3D-IC的趋势——Hopper是单芯片，Blackwell因面积过大拆成两颗，未来把SRAM直接堆叠在GPU上是下一步。

06  LPU的作用

曹卿云：全球VC在过去三年投了数百家芯片初创公司，试图在推理市场分一杯羹。2025年12月英伟达收购Groq后，近三个月就推出LPU。LPU怎么工作，在英伟达生态里有什么作用？ 

Jimmy： GPU强于吞吐量，弱于延迟；LPU恰好相反。LPU像出租车——很快但载人少；GPU像大巴——慢但一次载100人。 两者不是取代关系，是场景互补。从资本市场看这个趋势：2026年前三个月推理芯片VC投资已达30亿美元，而2025年全年才60亿美元——三个月已经达到去年全年的一半，增长率100%。

推理芯片的真正壁垒，不只是latency（延迟）够低，还要在软件栈、生态兼容性上能和英伟达抗衡。这对大多数初创公司来说，是比硬件本身更难跨越的门槛。

07  未来Feynman架构下SRAM发展的趋势

曹卿云：Agent 普及后，网络安全会发生哪些变化？

Jimmy： Feynman是英伟达2028年的GPU，TSMC 1.6nm制程，专为Physical AI也就是机器人场景设计。机器人场景最核心的要求是real-time inference（实时推理），要求极高。SRAM的价值在这里会进一步体现，需求量会更大。普通芯片可能已经无法满足，必须用3D折叠的方式堆叠到其他芯片上。

08  未来推理芯片的市场格局 

Jimmy： 谷歌TPU是目前整个阵营里比较成功的芯片——Gemini 3.0的所有推理和训练全部使用自家芯片，没有用GPU。这证明了英伟达是可以被战胜的。

各大厂都在加速自研。背后的根本驱动是Capex（资本支出）压力——大厂合计6500亿美元，超过一个发展中国家的GDP，其中至少50%花在芯片上。在这种体量下，自研是唯一降低成本的出路。

加上Hardware和Software co-design（软硬件协同设计）的优势——大厂有自己的模型和软件栈，芯片和模型一起设计能达到最高效率，这是英伟达给不了的。

我更倾向于多元化的格局。 模型是多元化的，芯片也会是多元化的，data center（数据中心）也会走向多元化。最近出现的开放互联协议UALink，针对英伟达封闭格式NVLink而研发，也在技术层面为多元生态铺路。

09  AI时代Synopsys护城河更强 

曹卿云：Synopsys的护城河在AI时代是变强了还是变弱了？有人说AI工具门槛变低，生产复杂IP似乎变容易了。也有人说，未来Agents会需要使用更多license，Synopsys护城河其实变强了。你怎么看？

Jimmy： 变强了。很多人有个错觉，认为IP的价值在于写出能跑的RTL代码。但IP真正的核心价值是Silicon Proven（硅验证）——这颗IP被成功流片了多少次，300次还是500次。这不是AI一天两天能降低门槛的。这次Synopsys Converge大会发布了L4 AgentEngineer，仅次于L5全自主级别，用AI Agent融合英伟达GPU辅助芯片设计。黄仁勋在我们大会上说非常兴奋——未来无数的AI Agent将利用工具，会迎来爆发性成长。

10  AI会代替硬件工程师吗？

曹卿云：硬件工程师会面临和程序员一样的AI替代危机吗？

Jimmy：  短期内不会，两个根本原因。

第一，Zero Tolerance（零容忍）。 程序员写了bug（错误），第二天推个patch（补丁）就解决了。硬件工程师不一样——芯片一旦有bug（错误）就废了，研发一颗芯片动辄千万美元。Zero Tolerance决定了人类经验必须始终在环路中。

第二，人才荒。 我们行业现在严重缺人，很多岗位找不到合适的人。开发周期还在加速——Hopper到Blackwell两年，Blackwell到Rubin一年，同样的人要做双倍的活。

长期来看AI会取代一些重复性工作，但这些岗位会转移到更高价值的方向。

11  AI设计芯片VS人类设计芯片

曹卿云：未来人类设计的芯片和 AI 设计的芯片，你觉得有些什么本质的区别？你觉得未来会有一些设计出来的性能很好的芯片，但是其实人类是读不懂的？

Jimmy： AI 已经在芯片设计的各个关键环节中广泛应用，包括架构设计、前端 RTL 与验证与综合、以及后端布局布线和 sign-off（签核），并在实际生产中带来了大约 10–15% 的 PPA（功耗、性能、面积）优化。目前行业正从“AI 辅助工具”迈向“Agent 化”阶段，即由 AI 承担越来越多原本依赖工程师完成的重复性和复杂劳动，未来有望实现高度自动化甚至接近全流程自主设计。然而，短期内不太可能出现完全由 AI 设计且人类无法理解的“黑箱芯片”。一方面，现有技术尚不足以支持从高层抽象需求（例如先进制程下的复杂模拟模块）直接生成可用设计；另一方面，更关键的是芯片行业对验证（verification）和可控性的要求极其严格，设计必须具备可解释性、可追踪性和可验证性，否则无法通过 EDA 流程、流片测试和量产标准。

换句话说，AI 会显著提升设计效率、缩短周期，并在局部结构上带来创新，但芯片设计的底层逻辑仍然需要被人类理解和验证，其发展方向更偏向“增强人类能力”，而非彻底取代或走向不可解释的黑箱。

12  整个半导体行业里目前最被忽视的环节是什么？

Jimmy： Physical AI（物理AI）的Sim-to-Real Gap——仿真到现实的距离。

机器人系统包含芯片、模型、传感器和执行器。Sim-to-Real Gap（仿真到现实的距离）的本质是：仿真中算好的力度和角度，机器人在真实世界里无法复现。

这里有三大挑战：实时物理引擎——必须真正理解重力等物理规律；实时传感处理——延迟必须deterministic（确定性），说3秒完成就是3秒，差一秒杯子可能已经摔在地上；实时数字孪生——在动作执行前完成100次模拟，目前还无法及时完成。

这些挑战需要Hardware（硬件）和Software（软件）深度协同设计才能突破。未来已经很近了，把Sim-to-Real Gap（仿真到现实的距离）关闭，就能到达那个未来。

关于硅谷坐标

硅谷坐标（Silicon Valley Vector）：立足美国硅谷，聚焦前沿科技与科技投资趋势。在AI重新定义人类边界的时代，我们深入科技与资本的第一现场，为全球受众提供准确、深度、独立的专业报道。

微信公众号 ｜ 腾讯视频 ｜ B站 ｜ 小宇宙 ｜ 喜马拉雅 

YouTube ｜ Apple Podcasts ｜ Spotify ｜ LinkedIn ｜ X