英偉達 CEO 黃仁勳獨家訪談：破除 AI 末日論、看好開源模型與算力設施的未來十年

黃仁勳真正的 AI 大棋局：開源模型只是入口，Agent、機器人與全球“智能基礎設施”纔是 NVIDIA 的終局

這期 Axios 對黃仁勳的專訪非常重要。

表面上，他在回答幾個熱點問題：

• 中國開源模型該不該禁；
• AI 會不會毀滅就業；
• AI 有沒有泡沫；
• 芯片需求還能增長多久；
• Agent 和機器人什麼時候真正爆發。

但把這些話連起來，你會發現黃仁勳其實在描述一個非常完整的世界觀：

AI 不是一個新的軟件行業，而是在給整個世界增加一層新的“智能基礎設施”。

如果這個判斷成立，那麼 NVIDIA 真正押注的就遠遠不是 ChatGPT。

它押注的是未來所有：

• AI Agent；
• 企業軟件；
• 搜索；
• 編程；
• 醫療；
• 工業；
• 自動駕駛；
• 機器人；
• 科研；
• 網絡安全；

都會持續消費“機器生成的智能”。

而 NVIDIA 想成爲這套智能經濟背後的計算基礎設施供應商。

Axios 7月23日發佈的採訪確實顯示，黃仁勳直接把“AI 將毀滅人類”和“AI 將摧毀一半美國工作”稱爲沒有事實依據的極端說法；採訪是在得州 Fort Worth 的 Wistron AI 基礎設施製造工廠進行。

但這期訪談最值得做的，不是簡單贊同黃仁勳。

而是把他的觀點拆成三層：

哪些是技術趨勢判斷；哪些是 NVIDIA 的商業戰略；哪些是站在 NVIDIA 利益立場上的敘事。

這三層必須分開。

1. 先修正幾個非常重要的細節

第一，你材料裏的 “NVIDIA Neimotron” 應該寫成：

NVIDIA Nemotron。

2026年 NVIDIA 已經把 Nemotron 擴展成一套完整的開放模型體系，包括 Agent、醫療、Physical AI 等方向；Nemotron 3 以及後續產品明確面向企業自主部署、定製和 Agentic AI。

第二，“開源模型”這個詞需要謹慎。

今天很多所謂 open-source AI，嚴格來說更準確的是：

open-weight model，開放權重模型。

因爲真正軟件意義上的“完全開源”通常意味着：

• 權重開放；
• 訓練代碼開放；
• 訓練數據足夠透明；
• 訓練過程透明；
• 許可證允許充分修改和再分發。

而很多大模型只是開放了權重。

所以 DeepSeek、Qwen、Kimi 等具體版本最好逐個看許可證和開放程度，不能全部籠統理解爲傳統 Linux 式完全開源。

第三，黃仁勳關於“中國擁有全球約一半AI研究人才”的說法確實長期公開講過，但把它當成精確統計數字要謹慎。

2026 Stanford AI Index 能確認的是：

• 中國目前領先AI論文數量；
• 領先引用數量；
• 領先專利數量；
• 美國仍然生產更多重要前沿模型；
• 中國在全球高影響AI研究中的份額已經非常巨大。

因此，大方向沒有問題：

中國已經絕不是美國 AI 的低端跟隨者，而是全球 AI 科研與工程生態的核心力量之一。

2. 黃仁勳爲什麼如此堅定支持中國開放模型？

這裏必須理解 NVIDIA 的商業模式。

OpenAI成功，NVIDIA賺錢。

Anthropic成功，NVIDIA賺錢。

Google Gemini增長，NVIDIA可能賺錢。

Meta Llama增長，NVIDIA賺錢。

DeepSeek增長，如果允許部署在 NVIDIA 基礎設施上，NVIDIA也可能賺錢。

Qwen增長，NVIDIA同樣可能賺錢。

這就是 NVIDIA 最強的商業位置：

它不需要賭哪一個模型贏，它希望所有模型都贏。

這與19世紀淘金熱非常類似。

淘金的人互相競爭。

但賣鏟子、鐵路、金融和土地服務的人可以服務所有淘金者。

NVIDIA想成爲的不是某一家 AI 公司。

它想成爲：

AI 世界的能源公司 + 工業設備公司 + 操作平臺。

所以黃仁勳天然反對把AI生態變成只有兩三家封閉模型公司的世界。

3. 更深一層：NVIDIA其實希望“模型層商品化”

這是理解 NVIDIA 戰略非常關鍵的一點。

假設未來世界只有兩家AI模型公司：

• OpenAI；
• Anthropic。

那麼這兩家公司規模越來越大，就會有越來越強的談判能力。

甚至可能：

• 自研芯片；
• 使用Google TPU；
• 使用Amazon Trainium；
• 使用Microsoft Maia；
• 設計ASIC；
• 壓低NVIDIA利潤率。

這對 NVIDIA 並不是最理想的世界。

但如果全球有：

• 100個重要模型；
• 1萬個專業模型；
• 100萬個企業模型；
• 數十億Agent；

情況完全不同。

整個模型市場越碎片化，NVIDIA作爲統一計算平臺的價值反而越大。

所以 NVIDIA 的理想世界不是：

NVIDIA擁有最好的大模型。

而是：

任何人都可以擁有模型，但最好都運行在 NVIDIA 上。

這是一個非常高明的平臺戰略。

4. Nemotron 的戰略意義也因此完全不同

NVIDIA 做 Nemotron，並不意味着它突然想成爲 OpenAI。

如果 NVIDIA 真正進入“最好通用聊天機器人”的競爭，它反而會和自己的最大客戶衝突。

Nemotron更加類似一種：

參考模型 + 開放模型 + 企業基礎組件。

企業可以：

• 自己部署；
• 自己微調；
• 加入私有知識；
• 在自己的數據中心運行；
• 控制數據；
• 控制推理；
• 構建專業Agent。

例如：

一家銀行未必願意把所有：

• 客戶賬戶；
• 風險模型；
• 交易策略；
• 內部郵件；

發送到一個外部公共AI服務。

它可能更希望擁有自己的模型體系。

這就是所謂：

Sovereign AI / Enterprise AI。

NVIDIA現在正在日本、政府、企業環境推動 Nemotron，就是這個邏輯。

5. 所以“開放模型大戰”最終爭奪的是誰控制AI

閉源AI的邏輯是：

Intelligence as a Service。

你使用我的智能。

我控制：

• 模型；
• API；
• 推理；
• 更新；
• 定價；
• 安全政策。

開放模型則更接近：

Intelligence as Infrastructure。

你擁有或控制自己的AI。

兩者未來很可能長期共存。

就像今天：

• Salesforce存在；
• 自建軟件也存在；
• AWS存在；
• 私有云也存在；
• Microsoft 365存在；
• Linux也存在。

不同企業對於：

• 成本；
• 隱私；
• 主權；
• 定製；
• 安全；
• 延遲；

要求不同。

因此，黃仁勳認爲 OpenAI 和 Anthropic 不應該害怕開放模型，這個判斷是有商業邏輯的。

開放AI不一定毀滅閉源AI。

它可能擴大整個AI市場。

6. 但黃仁勳說“中國模型不存在後門風險”，必須打折理解

這是這期採訪最需要糾正的地方之一。

自己部署開放權重模型，確實可以顯著降低某些風險。

例如使用國外API時，你可能擔心：

• 數據上傳；
• 日誌記錄；
• API中斷；
• 外部審查；
• 服務商修改模型；
• 地緣政治斷供。

如果把模型下載到自己的服務器：

• 網絡可以完全隔離；
• 數據不必離開企業；
• 請求可以自己審計；
• 權限可以自己控制。

這是真正的優勢。

但不能因此推出：

開放模型絕無後門。

技術上完全不能這麼說。

風險仍然可能存在於：

• 模型權重；
• 特定觸發詞行爲；
• 訓練數據；
• tokenizer；
• 自定義代碼；
• Python依賴；
• 模型加載程序；
• 插件；
• Agent工具；
• MCP；
• 容器鏡像；
• 更新供應鏈。

模型甚至可能經過“後門訓練”：

正常情況下表現正常。

遇到特定輸入後改變行爲。

所以安全工程上正確的做法不是：

“這是開放模型，所以安全。”

而是：

Zero Trust。

7. Sandbox 和 Harness 是什麼？

黃仁勳提到這個非常重要。

假設AI Agent可以：

• 訪問公司數據庫；
• 發郵件；
• 寫代碼；
• 刪除文件；
• 使用信用卡；
• 調用雲服務器。

真正危險的東西不是模型“說錯一句話”。

而是模型可以採取行動。

所以要把模型放入 sandbox（沙盒）。

簡單理解：

給AI一個透明籠子。

AI只能訪問：

• 被批准的文件；
• 被批准的API；
• 被批准的數據庫；
• 被批准的網絡。

無法隨意跑出去。

Harness 則更加類似：

AI Agent外部的控制系統。

它負責：

• 給模型輸入上下文；
• 限制工具；
• 管理權限；
• 檢查輸出；
• 保存日誌；
• 控制預算；
• 必要時要求人工批准。

真正企業級AI不會是：

給GPT服務器root權限，然後祈禱它別犯錯。

而是：

Model → Harness → Permissions → Tools → Audit → Human escalation。

8. 但沙盒也不能解決所有AI風險

這一點很重要。

因爲2026年的AI安全現實正在變化。

Stanford AI Index指出AI能力迅速提升，而Axios近期報道的實際網絡安全測試也顯示，前沿模型已經能夠進行非常複雜的多步驟網絡攻擊；開源權重一旦下載之後，也不存在中央機構能夠永久恢復安全限制。

所以黃仁勳說：

不要因爲科幻情景停止AI。

這個方向有道理。

但另一個極端也錯誤：

因爲末日風險沒有被證明，所以不需要認真做AI安全。

真正合理的位置應該在中間：

快速發展 + 強工程安全 + 基於能力監管，而不是基於科幻監管。

9. “AI末日論”需要拆成三種完全不同的問題

很多人討論AI風險時，把三件事混在一起。

第一種：

AI消滅人類。

這是 existential risk。

概率高度不確定。

第二種：

AI被人類用於網絡攻擊、生物武器、詐騙和戰爭。

這是 misuse risk。

已經具有現實意義。

第三種：

AI導致就業、工資和財富分配發生劇烈變化。

這是 economic risk。

已經開始出現。

黃仁勳主要攻擊第一種極端敘事。

問題是：

不能因爲第一種風險存在巨大不確定性，就否認第二和第三種風險。

10. “AI不會毀掉一半美國工作”——目前證據支持黃仁勳

到2026年，沒有可靠證據顯示：

美國一半工作即將消失。

所以如果有人明確斷言：

“50%的美國工作很快會消失。”

這確實屬於極強預測。

黃仁勳有理由反對。

但反過來說：

AI一定會創造更多就業，所以不用擔心。

目前證據也不夠。

Stanford 2026 AI Index發現了一個特別值得注意的信號：

22—25歲的年輕軟件開發人員就業自2024年以來下降接近20%。

與此同時，大約三分之一接受調查的企業預計AI將在未來一年減少員工數量。

所以真實世界可能是：

整體就業暫時穩定，但某些職業入口正在被AI首先壓縮。

這個問題比“大規模失業”更加隱蔽，也更加重要。

11. AI真正改變的首先不是 Job，而是 Task

這一點黃仁勳是對的。

一份“律師”的職業實際上由很多任務組成：

• 查判例；
• 閱讀合同；
• 寫初稿；
• 與客戶談判；
• 出庭；
• 判斷風險；
• 建立關係；
• 承擔法律責任。

AI可能自動完成其中60%的文檔工作。

但律師職業本身仍然存在。

於是律師從：

寫文檔的人

逐漸變成：

AI監督者 + 判斷者 + 談判者 + 責任承擔者。

放射科醫生也是一樣。

AI可以：

• 初篩影像；
• 標記異常；
• 生成報告草稿；
• 排優先級。

醫生則更多負責：

• 複雜病例；
• 最終診斷；
• 與臨牀醫生溝通；
• 醫療責任。

2026年的研究對未來放射科醫生數量究竟增長還是減少仍存在明顯分歧，但對一個方向基本一致：崗位任務結構會發生巨大變化，而不是簡單“一夜消失”。

12. 但“任務被自動化”最終仍然可能減少職位

這是必須補充黃仁勳的地方。

假設過去一家律師事務所需要：

10名初級律師 + 2名合夥人。

AI後：

3名初級律師 + 2名合夥人就能完成過去工作。

如果客戶需求沒有增長，那麼：

崗位就減少。

但如果AI導致法律服務成本下降80%，原來付不起律師的：

• 小企業；
• 普通家庭；
• 創業者；

開始購買法律服務。

需求擴大5倍。

那麼律師數量反而可能增加。

所以最終就業結果取決於一個非常重要的經濟學變量：

需求彈性。

這也是黃仁勳整個經濟論述真正的數學核心。

13. 爲什麼ATM沒有消滅銀行員工？

這是理解技術與就業非常經典的案例。

ATM大幅降低了銀行處理現金交易的成本。

按最簡單邏輯：

銀行櫃員應該消失。

但一段時間內並沒有簡單發生。

原因之一是：

銀行開設分行的成本下降。

於是：

• 單個分行櫃員人數減少；
• 但分行數量增加；
• 銀行開始賣更多貸款、信用卡和理財產品。

所以技術的真正結果可能是：

每單位服務需要更少勞動，但總服務量增加更多。

這就是技術革命反覆發生的現象。

14. AI也可能出現“Jevons Paradox”

這一點，是理解 NVIDIA 投資邏輯最重要的概念之一。

Jevons Paradox，傑文斯悖論：

一種資源變得使用效率更高後，總消費量反而可能增加。

例如：

汽車更加省油，不一定導致總汽油消費同比例下降。

因爲開車可能變便宜，人們可能開更多。

AI也是如此。

假設過去一次高級推理需要：

$1。

模型優化以後只需要：

$0.01。

單次AI成本降低99%。

很多人會說：

那GPU需求不是下降了嗎？

不一定。

如果AI調用量增加1000倍：

總體算力消費仍然增長10倍。

15. 這就是黃仁勳爲什麼不怕 DeepSeek、Kimi、Qwen

市場第一反應通常是：

模型效率提高 = GPU需求下降。

黃仁勳的反應恰恰相反：

模型效率提高 = AI使用爆炸 = GPU需求增加。

這可以寫成一個非常簡單的公式：

總算力需求 ≈ 每個任務所需算力 × AI任務數量。

如果：

每個任務算力下降10倍，

但是任務數量增長100倍，

總算力仍增長10倍。

所以 NVIDIA 真正押注的是：

AI需求的價格彈性極高。

AI越便宜，人類越會到處使用AI。

16. DeepSeek真正提出的不是“GPU要不要”，而是一個經濟學問題

DeepSeek之後整個市場最重要的問題並不是：

AI效率提高會不會減少芯片需求？

而應該問：

AI任務量增長速度，會不會超過單位任務計算成本下降速度？

這是決定 NVIDIA 長期需求的核心。

如果答案是：

是。

那麼 NVIDIA正確。

如果未來模型效率提升100倍，但使用量只增長5倍，那麼總體計算需求可能下降。

所以效率提高永遠不是自動利好 NVIDIA。

它需要一個前提：

新增需求必須足夠大。

目前AI採用快速增長的數據支持黃仁勳的觀點，但未來10年的彈性仍無法被確定證明。

17. NVIDIA當前業績說明AI基礎設施需求不是幻覺

至少截至2026年第一季度，需求確實非常真實。

NVIDIA FY2027第一季度：

• 總收入 816億美元；
• 同比增長85%；
• 數據中心收入 752億美元；
• 同比增長92%。

公司給下一季度的收入指引達到約910億美元，而且指引沒有假設中國數據中心計算收入恢復。

這說明：

今天AI基礎設施建設不是PPT故事，而是真金白銀的資本開支。

但這仍然無法自動證明：

十年不會形成泡沫。

18. 黃仁勳關於“AI不會很快出現泡沫”的論證，只對了一半

他的核心論點是：

現在所有東西都短缺：

• GPU；
• HBM內存；
• 電力；
• 土地；
• 變壓器；
• 數據中心；
• 冷卻；
• 建築工人。

因此係統無法瞬間過度擴張。

這個判斷有一定道理。

物理供應瓶頸可以限制投資速度。

但歷史告訴我們：

供給短缺本身並不能防止資本泡沫。

甚至經常恰恰相反。

19. 19世紀鐵路就是最好的歷史案例

鐵路是真正改變世界的技術。

鐵路需求也是真實的。

鐵路也需要巨大：

• 鋼鐵；
• 土地；
• 人工；
• 資本。

所有這些都沒有阻止鐵路投資泡沫。

投資者看到巨大的未來需求，於是：

• 瘋狂融資；
• 瘋狂鋪軌；
• 資本成本下降；
• 企業同時擴建；
• 最後出現嚴重產能過剩；
• 大量鐵路公司破產。

但鐵路最終確實改變了世界。

這給AI一個極其重要的歷史啓示：

技術革命是真的，基礎設施需求是真的，同時資本泡沫也可以是真的。

兩者並不矛盾。

20. 2000年的光纖泡沫也是一樣

互聯網是真的。

互聯網流量後來增長到1999年任何人都難以想象的程度。

但是1990年代末：

• Global Crossing；
• WorldCom；
• Level 3；
• 大量電信企業；

進行了極大規模光纖建設。

結果是什麼？

互聯網繼續爆炸。

但很多投資者還是虧慘了。

原因：

基礎設施提前建設得太快。

所以：

“未來一定需要海量AI算力”

並不能直接推出：

“今天任何價格建設數據中心都合理。”

21. 這也是 NVIDIA 投資者必須問的第一問題

不要只問：

AI會不會繼續增長？

這個問題太低級。

應該問：

未來AI經濟創造的利潤，最終有多少能夠被GPU供應商捕獲？

因爲未來可能出現：

• GPU競爭；
• ASIC；
• TPU；
• 雲廠商自研芯片；
• 推理效率提高；
• 模型壓縮；
• 邊緣AI；
• 更低精度計算；
• 更高芯片利用率；
• 軟件優化。

整個AI產業可能增長100倍。

但 NVIDIA 收入未必增長100倍。

產業增長與單一公司利潤增長永遠不是同一個問題。

22. 黃仁勳所謂“半導體需要擴大5—10倍”是什麼量級？

全球半導體產業正在向萬億美元規模邁進；SEMI在2026年已經明確把未來 $1 trillion semiconductor market 作爲行業重要里程碑討論。

如果整個行業再擴大5—10倍，那意味着的不是：

多賣一點GPU。

而是全球需要重新建設：

• 晶圓廠；
• HBM工廠；
• 封裝廠；
• 基板；
• 光模塊；
• 網絡設備；
• 電力設施；
• 數據中心；
• 冷卻系統；
• 輸電線路。

所以黃仁勳實際上是在描述：

全球第三次大型數字工業化。

第一次：

PC。

第二次：

互聯網和移動互聯網。

第三次：

機器智能基礎設施。

23. 傳統互聯網的內容是“預先生成”，AI互聯網的內容是“即時計算”

這是黃仁勳非常重要的一個技術經濟判斷。

過去打開網頁：

服務器主要是：

把已經存在的文件傳給你。

例如一張照片已經存在。

一篇文章已經存在。

一個視頻已經錄製。

服務器負責複製和發送。

未來AI應用不同。

你問AI一個問題：

答案之前可能根本不存在。

服務器需要當場：

• 理解；
• 推理；
• 搜索；
• 調用工具；
• 生成結果。

也就是說：

每次消費內容，同時發生一次計算。

互聯網從：

Retrieve

變成：

Generate。

這會顯著增加後端計算密度。

這正是 NVIDIA 認爲 AI 是“基礎設施重構”而不只是一個應用週期的重要原因。

24. 但“Token是嵌入智能的數學單位”更多是黃仁勳的商業比喻

技術上需要修正。

Token本質上首先是：

模型處理文字等數據時使用的離散表示單位。

它本身並沒有天然“價值”。

例如：

“the”

也是token。

它不是因爲成爲token就擁有巨大智能價值。

真正有經濟價值的是：

模型通過大量計算，把token組織成有用的預測、推理、代碼和行動。

因此經濟上更準確的說法是：

AI正在把算力轉換成可購買的認知勞動。

這個概念比“token有價值”更加重要。

25. AI產業真正的新商品可能是“認知計算”

工業革命賣的是：

機械功。

電力革命賣的是：

千瓦時。

雲計算賣的是：

CPU/GPU時間和存儲。

AI時代可能開始出售：

機器認知。

例如：

• 分析一份合同；
• 寫一個程序；
• 檢查一張CT；
• 規劃一個供應鏈；
• 回答一個客戶；
• 設計一個蛋白質；
• 管理一個廣告賬戶。

因此，人類第一次開始大規模工業化生產“認知勞動”。

這可能是AI真正的歷史意義。

26. Agent爲什麼可能比ChatGPT大得多？

ChatGPT模式是：

Human → AI → Human。

你問一句。

AI回答一句。

然後停止。

Agent模式不同：

Goal → Plan → Act → Observe → Correct → Continue。

例如：

你告訴Agent：

幫我尋找10個潛在客戶。

它可以自己：

• 搜索；
• 判斷；
• 建數據庫；
• 查聯繫人；
• 寫郵件；
• 發郵件；
• 記錄回覆；
• 跟進；
• 更新CRM。

它可能連續運行數小時。

這就意味着算力消費模型徹底改變。

27. 人類使用電腦有天然上限，Agent沒有

一個人：

一天可能工作8小時。

晚上睡覺。

一天可能提出：

幾十次、幾百次AI請求。

Agent可以：

24×7運行。

而且一個人可以擁有：

• 郵件Agent；
• 財務Agent；
• 編程Agent；
• 銷售Agent；
• 投資研究Agent；
• 行程Agent；
• 健康Agent。

一個公司也可能擁有百萬Agent。

所以黃仁勳提出未來可能出現1000億級乃至更大量AI Agent，真正想表達的不是一個精確人口預測。

而是：

未來電腦的主要“用戶”可能不再只是人類，而是軟件本身。

這是一個極其重要的範式變化。

28. 互聯網連接了幾十億人，Agent互聯網可能連接幾十億“數字員工”

今天互聯網的節點主要是：

• 人；
• 手機；
• 電腦；
• 服務器。

未來可能增加：

• 企業Agent；
• 個人Agent；
• 機器人；
• 汽車；
• 工業設備；
• 無人機。

這些系統之間還會互相調用。

例如：

銷售Agent向採購Agent報價。

採購Agent向財務Agent申請預算。

財務Agent檢查現金流。

法律Agent審合同。

最後人類只審批重大例外。

這就產生了一種新的經濟活動主體：

machine-to-machine economy。

29. 這也是爲什麼 Agent 對 NVIDIA 的價值可能大於聊天機器人

聊天機器人：

人不說話，它就停止計算。

Agent：

即使人睡覺，它仍然運行。

所以從芯片供應商角度看：

最好的AI不是偶爾回答問題的AI。

而是：

永遠在線、持續推理、不斷調用其他Agent的AI。

這就是爲什麼 NVIDIA 現在瘋狂佈局：

• Agent framework；
• Nemotron；
• NemoClaw；
• networking；
• inference；
• AI factory。

它在努力把“AI使用時長”從幾分鐘擴展到24小時。

30. 機器人則是下一次更大的飛躍

LLM解決的是：

數字世界裏的智能。

機器人則需要解決：

物理世界裏的智能。

機器人需要理解：

• 空間；
• 重力；
• 摩擦；
• 物體；
• 人；
• 距離；
• 因果；
• 動作順序。

比如：

“把蘋果放進櫃子裏。”

對於人類極其簡單。

機器人實際上需要：

1. 看見蘋果；
2. 識別櫃子；
3. 知道櫃門關閉；
4. 判斷必須先開門；
5. 規劃機械臂軌跡；
6. 抓住蘋果；
7. 避開障礙；
8. 把蘋果放下。

這就是所謂：

Physical AI。

31. 爲什麼機器人可能迎來自己的“ChatGPT時刻”？

ChatGPT真正的突破不只是模型突然出現。

而是普通人第一次發現：

這個東西真的能用了。

機器人也需要跨越同一個臨界點。

過去機器人最大問題之一：

每一個動作都要工程師編程。

未來如果機器人通過：

• vision-language models；
• world models；
• imitation learning；
• reinforcement learning；
• simulation；

理解自然語言和物理世界，就可能從：

programmed machine

變成：

generalizable intelligent machine。

NVIDIA已經圍繞 Isaac GR00T、Cosmos等Physical AI模型持續佈局。

32. 但“機器人3—4年全面普及”應該視爲方向性判斷

數字AI擴散非常快。

機器人擴散會慢得多。

原因非常現實：

軟件失敗可以重新運行。

機器人失敗可能：

• 撞人；
• 打壞機器；
• 摔壞貨物；
• 造成工傷；
• 損壞汽車。

機器人還需要：

• 電機；
• 減速器；
• 電池；
• 傳感器；
• 機械臂；
• 工廠；
• 維修；
• 安全認證。

因此，“機器人ChatGPT時刻到來”可能是能力層面的判斷。

但真正形成幾千萬乃至億級機器人市場，需要更長的：

• 製造週期；
• 成本下降；
• 安全驗證；
• 供應鏈擴張。

33. AI最大的經濟機會可能最終不在軟件，而在“重新工業化”

這是這期採訪容易被忽略的地方。

AI正在創造：

• 數據中心建築；
• 發電；
• 輸電；
• 變壓器；
• 銅；
• 光纖；
• 冷卻系統；
• 半導體工廠；
• 封裝；
• 服務器製造；
• 電工；
• 焊工；
• 工程師。

所以AI革命表面是軟件革命。

底層實際上是一場：

重資產工業革命。

這也是黃仁勳爲什麼越來越多談：

AI Factory。

過去：

工廠把電力轉成汽車。

未來：

AI Factory把：

電力 + 芯片 + 數據

轉化成：

Token + Prediction + Intelligence。

34. 因此未來AI基礎設施最大的瓶頸可能不是芯片，而是電力

GPU可以買。

廠房可以建。

但一個大型AI數據中心可能需要：

• 數百MW；
• 甚至GW級電力。

電網擴建往往需要多年。

於是AI真正的產業鏈機會會向外擴散到：

• 天然氣；
• 核能；
• 小型模塊化反應堆；
• 電網設備；
• 儲能；
• 變壓器；
• 液冷；
• UPS；
• 數據中心土地。

這也是爲什麼只研究 NVIDIA 股票，其實看不完整AI工業革命。

35. 中國開放模型問題背後其實是第二場“操作系統戰爭”

這場戰爭不是簡單的：

美國 vs 中國。

真正的問題是：

未來世界的AI標準由誰制定？

歷史上，美國最強大的技術優勢之一併不只是產品領先。

而是世界大量基礎設施建立在美國生態上：

• Windows；
• Linux生態；
• x86；
• iOS；
• Android；
• AWS；
• GitHub；
• CUDA。

如果未來全球開發者大量使用：

• Qwen；
• DeepSeek；
• Kimi；

它們會形成：

• 工具鏈；
• 微調生態；
• 推理框架；
• 教程；
• 人才；
• 企業習慣。

技術標準一旦形成網絡效應，就非常難逆轉。

所以開放模型同時也是：

地緣政治軟基礎設施。

36. 美國如果簡單禁止中國模型，可能出現一個戰略悖論

如果美國只允許美國閉源模型：

短期可能保護美國AI公司。

但長期可能：

• 減少競爭；
• 提高AI價格；
• 降低開發者選擇；
• 減慢AI部署；
• 讓世界其他地區採用中國開放模型。

於是美國可能贏了國內監管戰，卻輸了全球開發者生態。

這就是黃仁勳真正擔心的地方。

他認爲：

技術領導力不只是擁有最強模型，而是讓全世界使用你的技術生態。

這與微軟、Android、Linux、CUDA的歷史非常一致。

37. 但黃仁勳在這裏存在非常明確的利益衝突

必須指出。

NVIDIA的利益天然傾向於：

• 更多AI；
• 更少限制；
• 更多模型；
• 更多國家使用AI；
• 更多數據中心；
• 更多Agent；
• 更多機器人。

因爲這些最終意味着：

更多計算需求。

所以，當全球最大的AI芯片公司CEO告訴你：

AI需求不會下降。

你應該認真聽。

但不能無條件相信。

就像：

石油公司CEO說全球長期需要更多能源。

銀行CEO說金融體系需要更多資本。

房地產商說城市需要更多住房。

他們可能完全正確。

但投資者必須考慮：

他的商業利益是否與這個預測方向高度一致？

答案顯然是肯定的。

38. 黃仁勳最大的盲點可能就在就業問題

從 NVIDIA 的角度：

企業使用AI越多越好。

但宏觀經濟不是隻看生產率。

還要看：

• 工資；
• 財富分配；
• 就業轉換速度；
• 技能重建；
• 年輕人進入職業市場的機會。

一個高級律師有AI後效率提高5倍。

對高級律師很好。

但如果因此不再需要培養大量初級律師，就會產生：

人才梯隊斷層。

十年後，高級律師從哪裏來？

軟件工程師也是一樣。

如果AI完成絕大多數junior工作：

Junior職位減少。

但沒有Junior：

未來Senior從哪裏來？

這是AI時代一個非常嚴重、目前還沒有解決的結構性問題。

39. 所以未來最危險的不是“所有人失業”，而是職業階梯斷裂

傳統職業路徑：

Junior → Mid-level → Senior → Manager。

AI可能首先自動化：

Junior-level tasks。

結果可能變成：

公司只想要Senior + AI。

但每一個Senior以前都是Junior。

所以AI可能製造一個人才悖論：

企業今天減少培訓新人，未來卻缺少真正有經驗的人。

這可能成爲未來5—10年企業人力資本管理最大的挑戰之一。

40. 黃仁勳“痛苦與磨練”的哲學爲什麼值得注意

這不是一句勵志雞湯。

NVIDIA成立於1993年。

在今天成爲AI核心企業之前，經歷過：

• 產品失敗；
• 芯片路線風險；
• 遊戲週期；
• 加密貨幣崩盤；
• 庫存危機；
• 市值巨幅回撤；
• 與Intel、AMD競爭；
• CUDA長期投入而市場一開始並不理解。

所以黃仁勳所謂：

Pain and suffering builds character。

本質上是一種創業者長期複利理論：

真正能力是在沒人獎勵你的階段形成的。

這和投資一樣。

當所有人都知道CUDA重要時，CUDA已經擁有巨大價值。

真正困難的是：

十幾年前，在沒人知道GPU會變成AI基礎設施的時候繼續投資CUDA。

41. 他“不戴手錶”的哲學真正講的是注意力資本

黃仁勳此前接受Axios採訪時也明確展示過自己不戴手錶，並解釋他的思維方式是專注於“現在”。

這並不是告訴CEO：

不要管理時間。

恰恰相反。

他的意思更接近：

不要讓未來焦慮不斷偷走當前注意力。

頂級CEO最稀缺的資源不是錢。

不是信息。

而是：

unfragmented attention——完整、不被切碎的注意力。

一個CEO如果每天：

• 200封郵件；
• 50條Slack；
• 20場會議；
• 不斷看手機；

看起來非常忙。

實際上可能沒有一次真正深入思考。

所以黃仁勳的“Now”哲學，本質是：

注意力配置也是資本配置。

42. 如果站在投資者角度，這期訪談真正應該建立六個監控指標

不要因爲黃仁勳說“十年增長”就買股票。

應該持續驗證他的邏輯。

第一：

AI推理調用量增長速度。

第二：

單位Token計算成本下降速度。

第三：

總計算需求是否仍增長得比效率提高更快。

第四：

Hyperscaler AI資本開支是否帶來真實收入。

第五：

NVIDIA GPU利用率和客戶ROI。

第六：

ASIC、TPU、自研芯片是否侵蝕GPU經濟性。

這六個指標比：

“ChatGPT今天有多少用戶”

重要得多。

43. 如果站在創業者角度，機會也不是“再做一個ChatGPT”

真正機會正在向AI產業第二階段轉移。

第一階段：

Model。

第二階段：

Application。

第三階段：

Agent。

第四階段：

Infrastructure。

第五階段：

Physical AI。

因此創業機會會大量出現在：

• Agent orchestration；
• Agent security；
• Agent identity；
• AI observability；
• 數據治理；
• 企業私有AI；
• 推理優化；
• AI數據中心；
• 能源；
• Robot software；
• Simulation；
• Vertical AI。

真正長期的大公司，未必是今天最熱的聊天機器人。

44. 從歷史高度看，AI現在很像1880—1910年的電氣化

電力發明以後，並沒有第二天改變所有企業。

最初工廠只是：

用電動機替換蒸汽機。

生產方式沒有改變。

後來企業才發現：

既然每臺機器都有獨立電機，就不需要圍繞中央蒸汽軸佈局。

於是：

• 工廠重新設計；
• 流水線出現；
• 生產率大幅提高。

AI今天也是如此。

第一階段：

把ChatGPT給員工。

第二階段才真正重要：

圍繞AI重新設計組織。

例如過去：

客戶投訴 → 員工 → CRM → 主管 → 財務 → 回覆。

未來：

AI Agent自動：

分類 → 查記錄 → 判斷政策 → 起草方案 → 調用退款 → 更新CRM。

人只處理例外。

這纔是真正的AI生產率革命。

45. 因此未來真正被淘汰的可能不是“不會AI的人”，而是“不重新設計流程的公司”

兩家公司使用完全相同的模型。

A公司：

員工把ChatGPT當搜索框。

B公司：

重新設計：

• CRM；
• 工作流；
• 權限；
• Agent；
• 數據；
• 審批；
• KPI。

B公司生產率可能遠高於A公司。

所以AI最終不是一次軟件採購。

它是：

組織架構重構。

這和互聯網早期完全一樣。

1998年每家公司都有網站。

但Amazon真正改變的是整個：

• 庫存；
• 支付；
• 物流；
• 推薦；
• 數據；
• 供應鏈。

擁有互聯網不等於成爲互聯網公司。

擁有AI也不等於成爲AI公司。

46. 對黃仁勳這期採訪的最高層評價

我認爲黃仁勳最正確的三個判斷是：

第一，AI不是一個普通軟件週期，而是一場計算基礎設施遷移。

第二，開放模型不會簡單摧毀AI經濟，極有可能通過降低智能成本擴大整個市場。

第三，Agent和Physical AI可能把計算需求從“人使用電腦”擴大到“機器使用電腦”。

這三點如果成立，AI基礎設施市場會非常巨大。

但他最需要被質疑的三個地方同樣明顯：

第一，“不會形成泡沫”過於自信。

技術革命真實與資本泡沫存在完全可以同時發生。

第二，“AI一定創造更多工作”證據不足。

更可能發生的是巨大職業重構，而且年輕人、初級崗位可能首先承壓。

第三，“中國開放模型沒有安全問題”過於絕對。

自託管和沙盒降低風險，但模型供應鏈、權重、Agent權限和網絡安全仍需要嚴格零信任架構。

47. 最終真正應該記住的一句話

黃仁勳這期訪談真正想告訴市場的其實不是：

NVIDIA還能賣很多GPU。

而是一套更加宏大的判斷：

過去一百年，人類建設了電力、道路、電信和互聯網；未來幾十年，人類可能需要再建設一層覆蓋整個經濟的“智能基礎設施”。

如果這層基礎設施最終形成：

人類使用AI，

軟件使用AI，

Agent調用Agent，

機器人調用AI，

汽車調用AI，

工廠調用AI，

科研系統調用AI。

那麼計算不再只是一個IT部門成本。

它會越來越像：

電力。

這就是 NVIDIA 真正想爭奪的位置。

而投資者最需要保持清醒的是：

即使AI最終像電力一樣重要，也不意味着今天AI產業鏈裏的每一家公司、每一個數據中心、每一美元資本開支、每一種估值都是合理的。

鐵路改變了美國，同時大量鐵路投資者破產。

互聯網改變了世界，同時Dot-com泡沫崩潰。

AI完全可能同時滿足兩句話：

這是21世紀最重要的技術革命之一。

以及：

這個過程中一定會出現巨大的資本錯配、泡沫、淘汰和財富重新分配。

真正高水平的判斷，不是在“AI必勝”和“AI泡沫”之間二選一。

而是理解：

技術方向可以極其正確，投資價格仍然可以極其錯誤；產業最終可以擴大十倍，但今天的贏家未必全部是十年後的贏家。

這纔是讀完黃仁勳這期訪談後，投資者、創業者和管理者最應該掌握的認知。