# 英伟达

文章整理了英伟达 CEO 黄仁勋在 Bg2 Pod 访谈中对“AI 泡沫”、算力需求、基础设施投资和安全问题的判断。核心观点是：不要把数万亿美元 AI 基础设施投资的回报，简单地压在 OpenAI 和 Anthropic 两三家前沿实验室身上。英伟达看到的需求来源远不止这些公司，还包括传统计算、推荐系统、科学模拟、金融风控、机器人、生物医药、材料科学，以及成千上万家正在形成的新 AI 企业。

推理时代让算力需求非线性增长

黄仁勋认为，早期 ChatGPT 更像是在模型中检索和复述已经编码的知识；下一阶段的 AI 则会先搜索可验证的事实，再进行多步规划、方案探索、结果比较和反思。一个 Agent 完成一项工作，可能需要成百上千次内部推演，而不是一次简单问答。

算力需求因此受到两层叠加：每个任务需要更多推理算力，同时模型能力越强，人们越愿意把更多工作交给它。需求不再只是“用户多问几个问题”，而是从单次问答扩展到让 Agent 持续完成一整份工作。文章将这种变化概括为计价单位的改变：AI 成本正在从“一次问答”转向“一项工作”。

真正的解锁来自模型外部的 Harness

黄仁勋认为，过去一年最大的变化不只是模型参数变大，而是模型外面的 Harness，也就是负责记忆、编排和工具调用的“外骨骼”。它能够管理工作记忆，把短期信息压缩整理为长期知识或知识图谱，并让 Agent 使用现实世界已经存在的工具。

在他看来，Coding 是 Agent 最容易切入的场景，一方面代码有较清晰的验证标准，另一方面工程师用户本身就是同行，能够容忍早期产品“有用但不够好用”，并主动把工具磨顺。下一步会扩展到设计、创意和其他专业工作，例如把图像重建为 CAD 文件。真正困难的是如何把 Agent 安全地部署到全球企业，而不只是让它在开发者环境中运行。

智能成本可能快速下降，但总需求未必下降

黄仁勋预计，随着算力增加、模型效率提升，智能的单位成本会像计算成本一样快速下降，甚至可能每年下降数倍到数十倍。文章以 GPT-1 的训练成本变化为例，说明单位智能成本的下降速度可能非常惊人；但与此同时，模型规模、使用量和应用范围也在同步扩张。

他不同意“AI 会让人类拥有更多闲暇”的简单推论。历史上，技术让某种能力变便宜后，人们往往不是停止使用，而是提出更多目标、创造更多需求。计算成本下降并不意味着 AI 总支出下降，反而可能因为使用量增长而带来更大的整体市场。最终关键仍是：这些新增算力是否真的被用于有价值的工作，并产生足够收入。

安全策略：零信任、逐步授权和外部监控

黄仁勋认为，对齐不是一个可以一次性解决的问题。不同文化、背景和价值观对“成功”“有益”或“正确行为”的理解并不相同，因此不能等到实现完美对齐后再部署 AI。

他的工程化方案是从 containment（隔离控制）开始：像对待新员工或小孩一样，从最小权限和零信任起步，随着测试结果和使用信心积累，再逐步扩大 Agent 的权限。同时必须有 out-of-band monitoring，即独立于被监控系统之外的监控机制，不能只依赖 Agent 自己写日志或汇报状态；一旦发现违反策略，外部监控系统应能升级处理或直接关闭它。

文章认为，这一思路对 Agent 产品有直接启发：权限应该按照岗位和任务授予，而不是按照模型理论上能够完成的所有事情授予。安全机制也不是附加功能，而是决定 AI 功能能否真正进入生产环境的前提。

明年的瓶颈可能是土地、电力和厂房

访谈中提到，明年全球新增 AI 算力可能达到约 43GW，接近甚至超过当前全球存量。黄仁勋认为，真正的瓶颈将从芯片制造转向物理基础设施，包括土地审批、电力供应、数据中心建设、厂房主体、施工队伍、水管工和安装人员等。

供应链同样存在约束：更大的基板会带来封装翘曲和缺陷控制问题，硅光产能也有限。电力越紧张，企业越会关注每瓦电能能够产生多少 Token，算力架构的评价标准也会从“每美元买多少芯片”转向“每瓦产出多少有效推理”。黄仁勋据此判断，英伟达的市场份额仍有上升空间，因为客户会更看重单位能源的产出效率。

AI 基础设施收入来自三大来源

针对“AI 收入能否支撑资本开支”的问题，黄仁勋把英伟达的算力需求拆成三部分：

1. 基础计算：包括数据处理、分子动力学、物理和量子化学模拟、计算机图形、金融反欺诈和推荐系统等，不完全依赖深度学习或 Agent，约占英伟达业务的三分之一，并以每年 30% 至 40% 的速度增长。
2. AI 前沿实验室：不只是 OpenAI 和 Anthropic，还包括 Meta、Gemini 等多家大型模型公司，合计约占四分之一至三成。
3. 大量新创公司：覆盖消费级 AI、物理 AI、生物 AI 和材料科学 AI 等领域，数量达到数千家，它们通过租用云端算力开展业务，被黄仁勋称为“下一代 AWS”。

因此，他认为不需要把 OpenAI 或 Anthropic 的收入外推到万亿美元，才能证明基础设施投资合理。到本世纪末，全球 AI 基础设施年投入可能达到 3 万亿至 4 万亿美元，其中算力约占 1.5 万亿美元；这笔钱将由传统计算增长、前沿实验室和大量垂直 AI 企业共同支撑。

文章同时指出，这个判断最难验证的部分正是第三类需求：大量创业公司能否最终把算力转化为可持续收入。如果它们只是消耗资本而没有形成真实商业价值，AI 基础设施账本仍会面临压力。

通用算力的价值在于可替换和可出租

黄仁勋为英伟达基础设施提出了三个关键词：fungible、durable、rentable，即可通用、耐用、可出租。大型数据中心的算力可以在不同客户、模型、地区和工作负载之间切换，即使某个客户减少需求，也可以把容量转租给其他客户。

他认为，专用化是通用性的敌人。当企业投入数百亿美元建设基础设施时，最重要的是确保这些设施多年后仍然能够运行不同类型的模型和任务。CUDA 生态的长期软件更新，也让多年前购买的硬件仍然具备使用价值，这降低了租赁和融资风险。

在开放模型问题上，他认为约 80% 的创业公司使用开放模型。这些公司未必是在与前沿实验室竞争，而是在利用开放模型和自身专有数据，开发物理 AI、制造、医疗等垂直领域的产品。前沿实验室负责通用能力，垂直公司则把能力转化为具体行业的“超级智能”。

结论：供给已经冲刺，需求还要交作业

文章对黄仁勋观点的总结是：他没有只用前沿实验室收入对比资本开支，而是把账本扩大到传统计算、全球算力需求、摩尔定律放缓和成千上万家创业公司。这种拆法在逻辑上成立，也确实解释了为什么 AI 基础设施不必依靠两三家公司单独承担回报压力。

但作者提醒，黄仁勋毕竟是算力供应商，他看到的是订单、GPU 出货和数据中心建设，天然更倾向于从供给和基础设施角度解释 AI 的繁荣。真正需要持续验证的是需求端：未来一年有多少公司能因为使用这些算力而获得真实收入，有多少 AI 应用能够从资本投入转化为可持续商业模式。

因此，AI 泡沫问题不能只看芯片订单是否增长，也不能只看 OpenAI 和 Anthropic 的收入，而要观察三本账：算力供给是否能落地、基础设施是否能被充分利用，以及最终用户和企业是否愿意为 AI 创造的价值持续付费。

文章讲述了全球 DRAM 内存芯片行业的残酷竞争史，以及中国合肥如何在这一领域异军突起，成为打破三巨头垄断的关键力量。

关键脉络：

• 行业铁律： DRAM 行业每 10 年洗牌一次。从英特尔到日本，再到韩国三星，没有霸主能安全超过 20 年。三星曾用逆周期投资（价格暴跌时疯狂扩产）先后击垮德国奇梦达和日本尔必达，形成三星、SK 海力士、美光三足鼎立格局（2025 年合计控制全球约 95% 份额）。

• 合肥入场： 2016 年合肥国资牵头 180 亿元建设 DRAM 晶圆厂，收购了被三星击垮的德国奇梦达约 3TB 技术数据作为起点。2019 年 8Gb DDR4 试产成功，实现中国大陆 DRAM 从 0 到 1 的突破。

• 窗口期： SK 海力士押注 HBM（高带宽内存）在 AI 时代爆发，2025 年营业利润首次超三星，2026 年市值反超。三星因 HBM3E 认证问题掉队，巨头内斗为合肥提供了宝贵潜伏期。

• 复制三星打法： 2023-2024 年行业下行周期，合肥厂逆势扩产（月产能从 9 万片拉到 15 万片），三年砸 206 亿研发，直接跳过 17nm 攻克 16nm，量产 DDR5 和 LPDDR5。累计亏损 366 亿后终于在 2025 下半年扭亏，全球份额升至 7.67%，跃居全球第四。2026 年一季度单季营收 508 亿元，净利润 330 亿元。

• 战略意义： 英伟达 B200 芯片物料成本中 HBM3E 显存占比超 45%。DRAM 定价权 100% 掌握在三巨头手中时，AI 服务器成本降不下来。合肥厂的存在为英伟达提供了谈判筹码——"如果你不降价，我就去找合肥"。远期目标月产 60 万片、全球市占率 15% 以上。

核心观点： 合肥用十年亏损、数百亿投入，复刻了三星当年绞杀对手的逆周期策略。在 DRAM 行业宿命般的轮回中，新的挑战者已站上牌桌。

这篇文章围绕“英伟达为什么想改造光模块产业链”展开，核心是在解释 AI 数据中心互连需求、光模块的作用，以及英伟达推动 CPO（光电共封装）背后的产业影响。

文章先从中际旭创、新易盛、天孚通信等光模块龙头的高景气写起，说明在 AI 数据中心建设和资本开支持续扩张的背景下，光模块行业一度成为市场焦点。随后作者解释了数据中心内部通信为何重要：GPU 需要通过服务器、机柜、交换机等多个层级互联，才能把算力组织起来，而光模块正是把电信号转换为光信号、支撑长距离高速传输的关键器件。

接着，文章比较了铜缆与光缆的特点：铜缆便宜、低延迟，但距离受限；光纤能传得更远、功耗更低，但需要额外的光模块完成“翻译”。随着 GPU 集群规模变大、传输速率提升到 800G、1.6T，光模块的功耗和系统复杂度也越来越高，行业逐渐暴露出“中间环节太多”的问题。

英伟达的思路是把光模块拆解重组，推动 CPO 技术落地：把光引擎等器件直接放到交换机芯片甚至 GPU 附近，缩短电/光转换路径，降低功耗，并提升对整个系统的控制力。文章指出，英伟达与台积电在先进封装上的合作，以及后续在交换机、机架级系统中的布局，都说明它并不满足于只卖芯片，而是想进一步掌控“计算系统”的整体形态。

文章也重点分析了这一变化对中国光模块厂商的冲击。当前中国企业在光模块“系统集成”环节占据很强地位，但 CPO 如果普及，最先被削弱的恰恰是这类集成型价值；而高端激光器、探测器、DSP/AFE 等核心器件主要仍掌握在美日厂商手中。换句话说，CPO 可能会把产业链利润进一步向上游核心器件和大客户集中，挤压中国厂商擅长的中间层。

最后，文章认为短期内 CPO 仍受成本、工艺和量产节奏限制，光模块行业不会立刻被颠覆，但中长期看，英伟达、台积电、博通等玩家正在重新定义数据中心互连的技术路线，光模块行业的竞争格局也因此面临重塑。

这篇文章围绕“梁文锋首次融资”与“DeepSeek V4”展开，试图说明 DeepSeek 接下来可能会有更大的资本和技术动作。
标题本身强调了两个冲击点：一是融资消息，二是 DeepSeek V4 被解读为要摆脱英伟达体系的依赖。
文章的主要叙事是，DeepSeek 在算力与模型路线上的变化，可能意味着它正在尝试更强的自主性。
作者把这个消息写得非常重磅，意在突出其对 AI 行业格局的影响。
文中明显带有行业热点解读的风格，重点不是复述融资细节，而是把它放到“国产 AI / 算力独立”的大背景下理解。
从标题和摘要看，文章想传达的核心信号是：DeepSeek 正在从外部算力依赖中寻找新的路径。
文章也延续了新智元一贯的写法，使用强烈标题和趋势判断来吸引读者注意。
整体上，这是一篇围绕 DeepSeek 最新动向的 AI 热点评论文章。
它关注的不只是融资本身，更是融资背后可能折射出的技术路线、生态选择和行业竞争。
如果用一句话概括，就是：这篇文章在解读 DeepSeek 可能通过融资和架构变化，进一步摆脱对英伟达的依赖。

这篇文章围绕黄仁勋在播客中的一段表态展开：他认为，如果美国限制向中国出售 AI 芯片，结果未必是阻止中国发展 AI，反而可能把市场和开发者生态拱手送给华为。文章的核心不是“要不要卖芯片”这么简单，而是讨论全球 AI 竞争到底是争一时的算力领先，还是争长期的技术栈和生态主导权。

文章先借 Anthropic 的 Mythos 模型举例，说明高能力模型已经开始展现出强大的网络安全和漏洞发现能力，因此出口管制者担心中国获得更多算力后会更快训练出类似能力。黄仁勋并不否认竞争存在，但他认为中国并不缺算力，也不会因为限制就停下 AI 进展。相反，真正重要的是能源、算法、架构、开发者生态和技术栈归属这些更底层的因素。

文章进一步展开双方的分歧：Dwarkesh 关注的是“时间窗口”——美国是否需要通过算力优势尽量延缓对手；而黄仁勋关注的是全球生态的归属——如果把中国开发者推向华为体系，长期损失可能比短期领先更大。文中多次强调，AI 竞争不只是芯片数量之争，而是标准、平台和开发者站队之争。

为了支撑这种观点，文章引用了黄仁勋对中国算力、能源和芯片制造能力的判断：他认为中国并非没有芯片，而是有庞大的主流芯片产能、丰富的能源和足够多的 AI 人才；即便在制程上存在差距，也可以通过更多芯片和更大规模的数据中心来弥补。文章最后把这一切总结为一个结论：美国真正应该争取的，不只是暂时领先，更是让全球 AI 生态继续围绕美国技术栈运转。