企业官网建设流程全解析

网站制作完成之后,做网站需要的手续,通辽市工程建设网站,商城网站设计与实现黄仁勋指出#xff0c;随着市场不断扩大#xff0c;每个模型公司都可以选择自己想要差异化竞争的垂直方向或细分领域#xff0c;比如“最强的编程模型”或“最容易使用、最适合大众的消费级产品”#xff0c;他预测大模型领域未来会呈现出高度多样化的形态。“即便 ChatGPT…黄仁勋指出随着市场不断扩大每个模型公司都可以选择自己想要差异化竞争的垂直方向或细分领域比如“最强的编程模型”或“最容易使用、最适合大众的消费级产品”他预测大模型领域未来会呈现出高度多样化的形态。“即便 ChatGPT 从未出现英伟达也会是一家市值数千亿美元的公司”在最新采访中老黄自信满满地放出了这句豪言。这句话背后的原因是随着摩尔定律的终结从通用计算向加速计算的转变已不可避免而这正是英伟达所押注的路线。前段时间《No Prior》的Sarah Guo 与 Elad Gil 邀请英伟达 CEO 黄仁勋做了一场“2025年终总结”。在节目中黄仁勋公开回应了对AI是否会取代人类岗位、AI泡沫、算力成本、开源追赶闭源、中美关系、哪些行业会迎来“ChatGPT”时刻等关键问题。黄仁勋指出随着市场不断扩大每个模型公司都可以选择自己想要差异化竞争的垂直方向或细分领域比如“最强的编程模型”或“最容易使用、最适合大众的消费级产品”他预测大模型领域未来会呈现出高度多样化的形态。同时他也认为未来五年内会出现大量服务于垂直行业的AI公司。对于消费级AI来说核心通用技术只能做到 99%只有垂直行业公司才能解决更多长尾问题把系统打磨到真正可用、接近“零失误”的水平。黄仁勋对AI算力成本的下降相当乐观他指出由于每一代硬件、算法、模型架构都同时在进化AI 的成本正在每年下降远超 10 倍。他甚至表示如果你告诉我10 年内 token 生成成本下降 10 亿倍我一点都不会惊讶。此外黄仁勋指出中国的开源模型对全球的AI产业有着重要贡献尤其是DeepSeek。他毫不吝啬地表示DeepSeek 实际上极大地帮助了美国初创公司、美国 AI 实验室和基础设施公司。很可能是去年对美国 AI 贡献最大的一项工作。黄仁勋也对中美关系的改善抱着乐观的期待。他认为中国的互联网产业给美国带来了极大繁荣中国的开源成果也帮助美国涌现出大量新一代科技创业公司。黄仁勋明确表示反对“AI泡沫”的说法并指出现在的算力需求是前所未有的这是一个跨公司、跨行业、全球性的供给短缺问题而“AI泡沫”的叙事过于肤浅和表面。他还点出了三个可能将要迎来“ChatGPT时刻”的行业分别是数字生物学、机器人和自动驾驶。在就业问题上黄仁勋认为AI并不会取代人类的工作反而能够创造出更多高质量的工作岗位。在不改变原意的基础上小编节选和整理了播客的对话实录其中有不少有价值的信息建议各位收藏细读enjoy推理 Token 爆发式增长已被证明“高度可盈利”Sarah回顾 2025 年发生的一切你最大的感受是什么黄仁勋有些事情其实并不让我意外。比如“规模定律”这并不惊讶因为我们早就知道技术会沿着这条路径演进。真正让我感到欣慰的是几个方面的显著进步模型的事实对齐能力提升了推理能力提升了模型与搜索的连接更加紧密了同时在模型前面出现了各种“护栏”和机制可以根据回答的置信度决定是否继续做必要的研究从整体上提升了答案的质量和准确性。我认为整个行业在这一年里正面回应了 AI 领域长期以来最大的质疑之一——模型输出的不稳定性、幻觉问题。无论是语言、视觉还是机器人、自驾领域推理能力与结果对齐能力都有了非常、非常大的跃迁。Elad我们已经看到一些非常明确的例子比如医生在使用 OpenEvidence 这样的工具作为医学信息的“第一参考来源”在法律领域像 Harvey 这样的产品已经让 AI 成为专家可以真正信赖的工具或“工作对手”。黄仁勋没错。从某种意义上说这一切我早有预期但我仍然感到欣慰也为整个行业感到自豪。另外一个让我既高兴、又稍感意外的是token 的生成速度尤其是推理 token 的增长速度快得惊人而且是多重维度同时扩张。更重要的是这些 token 现在已经是可以盈利的。我今天听说像 OpenEvidence 这样的公司其毛利率高达 90%。这些 token 非常有价值。Cursor 的毛利率很好面向企业的云服务毛利率也很好这说明一件事我们正在生成足够好、足够有价值的 token好到用户愿意为它们支付可观的费用。这为整个行业奠定了一个非常扎实的基础。当然围绕中国的讨论在今年占据了我大量时间——地缘政治、技术在国家竞争中的重要性。我今年的全球出行时间可能超过了此前所有年份的总和。我们讨论了出口管制、国家安全以及国家安全所涵盖的多个层面也讨论了就业、AI 对能源的影响、劳动力短缺问题……几乎所有重大议题都被摆上了桌面。AI会创造更多的就业岗位Elad很多人认为AI会取代人类岗位你怎么看就业问题黄仁勋我想从三个时间尺度来谈这个问题当下、近期以及更远的未来。首先一个非常关键的点是AI 是软件但它不是“预录制的软件”。传统软件是由工程师编写、编译后分发多年不变而 AI 不同它会结合上下文、世界状态每一次生成的每一个 token都是第一次被生成。这意味着每一次使用 AI计算都在实时发生。这一点在历史上是前所未有的。正因为如此我把它称为“AI 工厂”。它既像软件又像基础设施——因为它影响每一个应用、每一家公司、每一个行业、每一个国家就像能源和互联网一样。而为了支撑这种实时生成我们必须建设前所未有规模的计算基础设施。于是三个全新的产业出现了第一我们需要更多的芯片工厂第二我们需要全新的超级计算机工厂像 Grace Blackwell 这样的系统已经完全不同于传统服务器第三我们需要真正意义上的AI 工厂。这三类设施正在美国以及全球范围内以前所未有的规模建设。这带来了巨大的、立竿见影的就业需求建筑工人、水管工、电工、技术员、网络工程师……甚至可以说电工的薪资已经翻倍他们也开始像我们一样“出差工作”。这些新工厂正在创造大量高质量的工作岗位。我很喜欢杰弗里·辛顿的一个例子。他在五六年前曾说AI 会彻底改变放射学放射科医生将不再需要。事实是放射学 100% 已经被 AI 渗透他说得完全对。但有趣的是放射科医生的数量反而增加了。为什么因为一个工作的“任务”和“目的”是两回事。放射科医生的任务是看影像但他们的目的是诊断疾病、做研究、服务病人。AI 提升了效率让他们能看更多片子、做更深入判断医院更高效服务更多病人于是反而需要更多医生。我们必须正视一个事实全球存在严重的劳动力短缺。工厂工人、卡车司机都极度不足而人口老龄化正在加剧这个问题。机器人并不是“抢走工作”而是在填补我们本就无法满足的需求。而且别忘了有汽车就需要修车工有机器人出租车就需要维护团队如果未来有 10 亿台机器人那将诞生全球最大的维修产业。如果没有开源整个 AI 产业生态都会被严重扼杀Elad我们已经看到一些在基准测试中得分最高的模型来自中国的开源体系甚至在某些封闭模型上超过了美国的模型比如 DeepSeek 等表现非常出色。在这样的趋势下你如何看待开源整体的发展黄仁勋首先什么是 AIAI 的本质能力是第一次实现了对“智能本身”的自动化。你可以把它与电子技术结合把智能“具身化”让机器能够执行真实世界中的任务——这就是 AI 自动化的核心。接下来要问的问题是支撑 AI 的技术栈是什么我通常把它形容为一个“分层蛋糕”最底层是能源能源之上是芯片再上一层是基础设施包括硬件、软件、数据中心、供电、散热、调度与编排系统再往上才是大家最熟悉的那一层AI 模型本身。但理解 AI 非常重要的一点是AI 并不只是聊天机器人也不只处理人类语言。世界上的信息是多模态的有生物信息、化学信息、物理信息、金融信息、医疗信息……蛋白质不“理解”英语它们理解的是分子结构细胞不看文本它们感知的是化学信号。AI 的本质是理解和建模各种形式的信息。人类语言只是其中一种重要形式但绝不是全部。在模型之上是应用层而应用形态高度依赖行业。你提到的 OpenEvidence、Harvey、Cursor 都是应用自动驾驶是一种被“具身化”在汽车里的 AI 应用人形机器人则是被具身化在“类人载体”中的 AI 应用。在理解了 AI 的技术能力、技术栈结构以及应用多样性之后我们才能真正回答一个问题开源到底有多重要今天前沿模型实验室选择封闭模型路线这是完全可以理解的商业选择。企业需要计算投入产出、选择最适合自身规模化和持续创新的商业模式。但如果没有开源整个 AI 产业生态都会被严重扼杀。初创公司会举步维艰制造业、交通、医疗等传统行业将难以使用 AI大量企业将无法获得可用、可定制、可落地的基础能力。开源为他们提供了一个“可起步的基础”企业可以在此之上进行微调、适配将模型真正训练成适用于自身领域和应用场景的 AI。人们往往严重低估了开源对产业的渗透程度和重要性。我所合作的一些拥有上百年历史的工业企业、医疗企业如果没有开源 AI今天几乎会被彻底压制、无法转型。因此我花了大量时间与政策制定者沟通反复强调一件事无论你们制定什么政策、采取什么措施都不要伤害开源创新。同样重要的是不要忘记生物领域不要忘记科学研究。这些领域正是开源 AI 最具长期价值的土壤。当成本足够便宜AI会被用来监控AISarah有观点认为 AI 最终应该由一个高度垂直、一体化的巨头来完成一个“无所不能的模型”而你的核心观点似乎恰恰相反我们真正需要的是高度多样化的 AI 应用生态。也许有一天会出现“上帝 AIGod AI”但那一天究竟什么时候会到来黄仁勋我不认为任何一家公司哪怕是最前沿的公司真的接近了“上帝 AI”我也不认为任何研究者具备创造“上帝 AI”的现实能力。关于“必须由一个超级公司、一个超级国家掌控 AI”的说法本身就是没有建设性的极端假设。我们应该回到现实看看今天技术在哪、未来几年能走到哪。过去一年我行业没有被“减速”而是持续、大规模投入推动技术前进。我们解决了 grounding解决了 reasoning解决了研究能力。AI 不是变得更危险了而是变得更可控、更有用、更符合预期。安全的第一前提是什么是性能。一辆车的安全性不是先假设有人会把它当导弹而是它在 99.999% 的时间里按说明书正常工作。AI 也是一样。让 AI 按照设计目标可靠运行本身就需要极其大量的工程投入。过去两三年整个行业在这件事上投入巨大我对此非常欣慰。你们也看到了合成数据公司、AI 安全公司、AI 网络安全公司大量涌现AI 正在被用来监控 AI。很多人认为AI 的边际成本下降会让 AI 更危险。事实恰恰相反。当 AI 足够便宜时一个 AI 会被成千上万个 AI 监控。未来的 AI不会是“孤立运行的代理”而是被一整套 AI 系统包围、审计、监控。AI算力成本每年下降远超10倍DeepSeek是去年对美国AI贡献最大的工作Elad以 GPT-4 等价模型为例2024 年每百万 token 的成本下降了 100 倍以上。同时模型公司却在谈论巨额资本开支。你怎么看训练成本与推理成本的长期趋势黄仁勋Karpathy 估算过最早的 ChatGPT今天你可能在一台 PC 上就能复现。三年前需要数十亿美元、超级计算机集群的事情现在可能一个周末就能完成。我们每一代架构都在进步Volta、Ampere、Hopper、Blackwell……硬件、算法、模型架构同时在进化。每年 5–10 倍的综合提升并不罕见。十年下来10 万倍到 100 万倍的提升完全合理。如果你告诉我10 年内 token 生成成本下降 10 亿倍我一点都不会惊讶。DeepSeek 可能是过去几年里硅谷研究者阅读最多、影响最大的论文之一。它是真正前沿、而且是开源的。DeepSeek 实际上极大地帮助了美国初创公司、美国 AI 实验室和基础设施公司。很可能是去年对美国 AI 贡献最大的一项工作。有人听到“美国 AI 从其他国家学习”会感到不安。但这有什么好奇怪的美国的 AI 研究者本来就来自世界各地。全世界的思想不可能、也不应该只来自一个国家。关于 AI 成本的某些叙事本质上是在把其他人吓出市场“只有我们才能做预训练只有我们才能训练前沿模型。”但现实恰恰相反。AI 的成本正在每年下降远超 10 倍。只要你落后不到一年甚至半年你就依然在牌桌上。预训练从来就没有结束SarahIlia 最近提出了一个观点我们正在重新回到“研究的时代”而不再只是一个单纯“规模化的时代”。当然这两件事其实是同时发生的大家依然在多个维度上不断扩张规模。黄仁勋随着市场不断扩大每一个模型其实都可以选择自己想要差异化竞争的垂直方向或细分领域。有人可能选择成为“最强的编程模型”有人可能选择“最容易使用、最适合大众的消费级产品”。模型开始呈现出高度多样化的形态。在这种情况下你并不需要在所有方面都做到顶尖完全可以在某一个细分领域实现“跳跃式突破”依然对市场产生巨大价值。两年前大家讨论“预训练”有人甚至说“预训练已经结束了”。但实际上预训练从来就没有结束。预训练的意义是为真正的训练做准备这也是为什么它叫“预训练”。后来我们又开始称之为“后训练”这本身就有点奇怪——归根结底它们都只是训练而已。训练的本质在于算力规模几乎可以直接转化为智能水平。如今真正需要的数据量其实并不大更多是可验证的结果问题已经高度算法化、算力密集化。你不需要在所有事情上都做到最好就像人一样我们会选择一个方向把精力集中投入从而在某个领域变得极其出色。AI 实验室也会开始这样分化创业公司同样如此找到一个微型细分市场基于开源基础把一件事做到极致。Sarah这些“微细分领域”本身就非常有价值。我觉得编码可能会成为第一个达到十亿美元年经常性收入ARR的 AI 原生应用级业务。越来越多的人意识到软件工程本身就是一个高度专业化的领域而且需求只会越来越大。黄仁勋这点也很有意思。我们在 NVIDIA 内部大量使用 Cursor几乎每一位工程师都在用。同时我们现在招聘的工程师数量也非常惊人。为什么会这样因为今天软件工程师的“目的”和“任务”正在发生变化。软件工程师的目的不是写代码而是解决已知问题并发现新的问题。编码只是其中的一项任务。如果一个人的目的只是写代码那确实很可能会被 AI 取代。但我们所有的软件工程师他们的核心目标是解决问题。而公司里存在着大量尚未被发现的问题工程师拥有越多时间去探索这些未知问题公司就会变得越强。关于算力成本的问题非常重要。这也是为什么我们长期坚持“可编程架构”而不是固定功能架构。很多年前有人说 CNN 芯片会终结 NVIDIA后来又有人说 Transformer 芯片会终结 NVIDIA。类似的说法至今仍在出现。专用 ASIC 的确可以把某一项任务做到极致但 Transformer 本身也在快速演化注意力机制、扩散模型、自回归模型、混合 SSM 架构不断涌现。Transformer 的形态正在发生剧烈变化未来几年仍会持续演进。与此同时摩尔定律已经接近极限晶体管带来的性能提升可能每年只有 10% 左右。但我们希望的是每年获得数倍、甚至数十倍的提升这种提升只能来自算法和架构。因此能够承载任意算法的可编程架构才是长期最优解。我们之所以坚持架构兼容性是因为工程师在优化算法时希望它能在尽可能多的系统上运行而不是只跑在某一个小型云环境里。正因为这种兼容性Flash Attention、SSM、Diffusion、自回归模型、CNN、LSTM 都可以在整个生态中运行。这种大规模、可编程、面向未来的架构最终会持续降低成本。哪些行业将迎来“ChatGPT”时刻数字生物学、自动驾驶和机器人Elad通常当成本下降时会催生新的应用和新的行业。过去一年编码领域已经出现了像 Cursor、Cognition 这样的突破。你如何看待接下来会迎来“ChatGPT 时刻”的行业黄仁勋我认为会有几个行业迎来自己的“ChatGPT 时刻”。首先是多模态和超长上下文这会带来更强大的聊天系统。但更重要的是结合多模态与合成数据生成的基础架构将推动数字生物学迎来属于它的生成式 AI 时刻。这个时刻一定会到来。我们已经在蛋白质理解方面取得了很大进展多蛋白理解正在快速成熟。我们最近发布了一个开源模型用于多蛋白表示学习和生成。接下来蛋白生成、化学理解、化学生成、蛋白—化学构象理解与生成都会快速推进。这一整套能力正在共同构成数字生物学的“ChatGPT 时刻”。第二个让我非常兴奋的领域是自动驾驶和机器人。推理能力在语言领域已经取得突破而推理同样会彻底改变汽车。未来的汽车将不再只是“感知 规划”的系统而是“会思考的系统”。当它遇到从未见过的场景时能够将问题拆解为若干已知情境再构建出合理的推理路径。这将显著改善 AI 在分布外场景中的表现。在人形机器人和多形态机器人领域我同样非常乐观。虽然人形机器人在机电、安全、交互等方面仍面临巨大挑战但其核心技术同样可以应用于搬运、分拣、工程机械等各种形态。最终一切会“动”的东西都会成为机器人。AI 也将成为多形态、多载体的通用智能就像人类可以驾驶汽车、使用工具、操作机械一样AI 也将“附身”于各种设备之中。这将是一个极其广阔的空间。未来五年垂类AI公司会大量出现Elad那会不会最终只有少数几家公司负责“让 AI 具备一切形态的具身能力”还是大量细分应用并存的格局黄仁勋我认为你一定会看到大量的软件公司存在而这些软件公司可以服务于很多不同的垂直行业。但与此同时每一个具体行业里仍然会有深度的解决方案提供者把这些通用技术真正“落地”打磨成可以完美运作的系统。因为在消费级 AI 场景中只要系统 90% 的时间能正常工作用户就已经非常惊艳了哪怕只有 80%用户通常也还能接受。但在大多数工业级、物理世界中的 AI 应用里90% 的成功率几乎毫无意义人们只会盯着那失败的 10%而那基本意味着 100% 的不满意。所以工业级 AI 的目标不是 90%而是 99.99999%。核心通用技术也许只能把你带到 99%但像卡特彼勒这样的垂直行业公司可以在此基础上把系统打磨到真正可用、接近“零失误”的水平。Sarah你觉得在这么早期、这么不成熟的市场里最先发生的事情会不会是高度垂直整合因为完全垂直化似乎可以最快地控制迭代速度、走向市场。黄仁勋问题在于对于通用型技术来说彻底垂直化的难点在于你并不具备足够的研发规模去独立承担通用技术本身的研发成本。当然开源在这里起到了极大的帮助作用这也是为什么在接下来的几年里你会看到 AI 垂直化机会的大爆发。我的判断是未来五年整个行业真正令人兴奋的主题就是“垂直化”。你会发现我们对 OpenEvidence 感到兴奋对 Harvey 感到兴奋对 Cursor 感到兴奋。Cursor 本身是一个横向产品但又带有明显的“垂直属性”。很多人说AI 会变得足够强大最终所有这些“套壳公司”都会被淘汰。我认为这完全抓错了重点。一个从未当过外科医生的人才会轻易去谈论外科医生的工作一个从未做过会计、税务专家的人才会轻易地说“AI 可以完全替代他们”一个从未当过服务员的人才会随意评论服务员的工作。问题在于他们并没有真正理解这些工作的复杂性和深度。很多时候技术解决的是“任务”而不是“工作的目的”。如果你不理解工作的真正目的就不可能做出真正有价值的垂直解决方案。能源瓶颈依然是大问题AI产业正反向推动能源产业发展EladAI 会不会消耗掉我们无法承受的能源我们是否真的有足够的能源来支撑 AI 的发展黄仁勋在特朗普总统任期的第一周他提出了“drill, baby, drill加大能源开采”当时遭到了大量批评。但如果不是美国在能源增长问题上发生了这种观念转变我们现在完全可以承认这场新的工业革命很可能已经被拱手让给了别人。即便如此我们今天依然受制于能源瓶颈。没有能源就不可能诞生新产业。事实上我们已经经历了将近十年的能源匮乏。如果不是这种叙事的逆转美国的处境会非常糟糕。没有能源就没有工业增长没有工业增长就没有国家繁荣没有繁荣就无法解决国内的社会问题。我们需要能源来增长而且是所有形式的能源天然气、电网扩容、表后能源、核能。风能不够太阳能也不够——我们需要一切可以获得的能源。至少在未来十年里天然气可能是唯一现实可行的大规模解决方案。Sarah我觉得一个非常有意思的现象是AI 基础设施本身反而成为了美国气候与能源创新的最大推动力。因为人们终于看到了明确、真实的需求这种需求正在催生大量新的电池公司、太阳能聚光技术以及对新型能源的强烈投入。黄仁勋完全同意。建设 AI 产业正在反向推动整个可持续能源产业的发展。如果不是 AI对可持续能源的需求和投资不可能被如此强力地激活。AI 可能是人类历史上推动可持续能源发展的最大驱动力。对中美关系改善持乐观态度中国互联网产业给美国带来了巨大繁荣Elad你如何看待 2026 年你对什么感到兴奋有哪些重要变化值得我们提前关注黄仁勋我对中美关系的改善持乐观态度。我认为特朗普总统及其政府在如何看待中国的问题上展现出了一种务实、理性的态度。他们认识到中国既是对手在很多方面也是合作伙伴“全面脱钩”这个概念本身是天真的无论是从哲学角度还是国家安全角度看都缺乏现实基础。两个国家在事实上高度耦合、相互依赖。当然双方都应该投资于自身的独立性但也必须承认彼此之间的深度连接。这是未来一个世纪里最重要的国际关系全球所有人都依赖于中美之间建设性、稳定的互动。我很高兴看到政府正在尝试寻找一种更具建设性的解决方案包括在出口管制政策上以国家安全为基础同时承认中国已经具备大量自主技术能力。美国的通用技术并不太可能被中国军方使用正如美国军方也不会使用中国的技术一样。这种政策既关乎国家安全也关乎技术领导力与国家繁荣。世界上最强大的军队依托的是世界上最强大的经济。技术带来的财富、就业和税收最终支撑着国家安全。这是一个高度相互依赖的系统需要极其细腻、理性的战略。我很高兴看到美国在努力保持技术领先的同时也在寻找一种更可持续的全球竞争方式。Elad有观点认为在互联网时代中国通过“防火长城”阻挡了美国公司的进入而美国市场却更为开放同时还伴随着 90 年代、2000 年代大量制造业和就业向中国转移这些经济失衡至今仍被反复提起。黄仁勋我看这个问题时仍然会回到技术的“全栈视角”。以互联网为例你有芯片层、系统层、软件层以及最上层的服务与应用。中国互联网的增长实际上为英特尔、AMD、三星、美光等美国科技公司带来了巨大的繁荣。它是美国科技产业的第二大互联网市场。也许这对某些应用层公司并不有利但你不能只盯着栈中的某一层而忽略整体。此外中国对开源的贡献极其巨大全球没有任何一个国家对开源社区的贡献超过中国。正是这些开源成果帮助美国涌现出大量新一代科技创业公司。所以你不能孤立地看待某一个环节而必须从整个技术生命周期、整个技术栈的角度去理解。当你这样看时就会发现中国互联网产业实际上为美国创造了巨大的整体繁荣这种繁荣并不完全体现在某几个互联网应用公司身上。反对“AI泡沫”说法现在的算力需求是前所未有的Sarah我们现在是不是处在AI 泡沫之中黄仁勋“AI 泡沫”这个问题其实有很多不同的分析路径。每次被问到这个问题时我都会先退一步重新思考两个最根本的问题什么是 AI以及我们现在处在什么位置。首先要区分 AI 和计算本身。NVIDIA 发明的是加速计算加速计算可以做计算机图形和渲染但 AI 并不做这些加速计算可以做数据处理、SQL 数据分析AI 也不做这些加速计算可以用于分子动力学、量子化学而 AI 同样不做这些。很多人会说将来 AI 也许能做到但至少在今天它还做不到。实际上加速计算是经典机器学习不可或缺的基础比如 XGBoost、推荐系统以及整个特征工程、数据抽取、加载与转换的流程。整个数据科学和机器学习生命周期几乎都依赖加速计算。如果从 NVIDIA 的视角来看最核心的变化在于计算范式正在从通用计算转向加速计算。摩尔定律基本已经走到尽头CPU 已经无法像过去那样“什么都干”。它的效率不够高也不再具备足够的通缩性。因此我们必须转向一种新的计算模型这正是加速器存在的意义。即便你把生成式 AI、聊天机器人这些东西全部拿掉假设 OpenAI、Anthropic、Gemini 都不存在NVIDIA 依然会是一家市值数千亿美元的公司。原因很简单计算的基础正在向加速计算迁移这是一个结构性的变化。接下来再回到 AI 本身。当人们问“有没有 AI 泡沫”时几乎都会立刻盯着 OpenAI 的收入来看。但这本身就有些片面。如果 OpenAI 现在拥有两倍的算力他们的收入就会翻倍如果拥有十倍的算力我真的相信他们的收入也会增长十倍。他们现在真正缺的不是需求而是产能。这和 NVIDIA 需要台积电的晶圆没有本质区别。我们需要 DRAM需要产能而他们需要的是“工厂”——用来生成 token 的工厂。如果没有足够的工厂产能他们就无法扩大收入规模。所以AI 领域的问题并不是需求不足而是算力供给不足。而且AI 远远不只是聊天机器人。比如 NVIDIA 的自动驾驶业务规模正在逼近 100 亿美元但几乎没人提这件事。你必须训练世界模型训练自动驾驶 AI如今机器人出租车已经在全球各地落地。再比如数字生物学、金融服务。量化交易整个行业正在从传统机器学习转向 AI。过去是由一群“量化分析师”手工设计特征现在我们用 AI 来完成这件事。结果是什么你不再需要那么多“quants”而是需要大量超级计算机。金融服务已经成为我们增长最快的业务之一。把这些加在一起自动驾驶、机器人、数字生物学、金融服务——每一个领域都是数十亿美元级别。那么它们的天花板到底有多高我们可以做一个非常简单的推算。全球 GDP 约为 100 万亿美元其中大约 2% 用于研发也就是每年约 2 万亿美元。回到五年前全球最大的制药公司把研发投入主要用在湿实验室而现在它们在干什么在建超级计算机。注“湿实验室”指的是以实体实验为核心、需要直接操作化学或生物材料的实验环境与之相对的是“干实验室”这意味着用于研发的那 2 万亿美元并不是消失了而是从“旧方式”转向了“AI 方式”。而 2 万亿美元规模的 AI 研发必然需要同等规模的基础设施投入这正是为什么我们正在全球各地建设超级计算中心。所以无论你是从底层计算基础往上看还是从宏观经济往里推都可以得出同一个结论我们现在经历的算力需求是前所未有的。请你给我举一个例子哪家初创公司会说“算力已经够了”没有。再举一个例子哪所大学的研究人员、哪家公司的科学家会说“我们算力富余”没有。全世界都在抢算力。这是一个跨公司、跨行业、全球性的供给短缺问题而不仅仅是 OpenAI 的问题。因此用“AI 泡沫”这种叙事方式来理解今天的局面既不充分也过于肤浅。用“120 亿美元的收入对应数千亿美元的基础设施建设”来证明泡沫更是过于简单化了。EladMIT 有一项研究认为大多数企业级 AI 部署并没有产生太大的价值。黄仁勋那我会反问你们有没有做组织变革有没有流程重构有没有真正把 AI 集成进工具链一个企业的规划周期本来就可能是一年而你却用六个月就下结论。这类说法往往被严重夸大但如果你去看真实发生的事情AI 公司的增长速度、实际落地情况你会发现完全是另一个世界。如果你真的想知道全球创新发生在哪里我不会去看传统企业。企业永远是新技术最慢的采用者。我会去看那三万、四万家正在做这些事情的初创公司。我会去问 OpenAI、Cursor实际效果怎么样我会直接去和这些人聊。Sarah但确实也有一些公司在企业市场已经做到上亿美元甚至数亿美元的收入比如 Harvey、Sierra。与此同时很多增长最快的公司其实是从终端用户开始渗透的哪怕是在医疗、工程这种极其保守的行业。黄仁勋恰恰是这些最保守的行业才最在意“正确答案”。正因为如此像 OpenEvidence 这种能做扎实研究、提供高质量、可验证信息的工具才会变得如此重要。没有人真的想做“研究”他们想要的是答案没有人想做“搜索”他们想要的是结论。而 AI 正是在帮助我们做到这一点。过去我们靠搜索、靠自己读论文现在我会把所有资料直接丢进 ChatGPT让它学习、总结、再总结然后和我交互。目标从来都不是“找资料”而是“变得更聪明”。最终一切还是要回到那个框架AI 是一个多层系统它不是聊天机器人而是横跨行业、模态、信息类型和应用场景的庞大技术体系。如果我们谈“赢得 AI”就不应该是“某一家美国公司赢了”而是要在所有层面、所有领域全面领先。同样地能源也很关键。没有能源就没有工厂没有工厂就没有 AI。这种系统性的理解能让我们对 AI 的叙事更加理性、务实和平衡。我们当然要重视安全但保持安全的最好方式之一就是加速技术进步。我为这个行业过去一年的进展感到非常自豪。Sarah没人想开第一代汽车。黄仁勋没错。ABS 是好东西车道保持是好东西全自动驾驶也是好东西。我相信AI 的第三年、第四年会让人真正兴奋。过去一年整个行业取得了巨大进步。扩展定律依然成立更多算力意味着更高智能而一个领域的创新会迅速扩散到所有其他领域。未来五年一定会非常非凡下一年也会非常精彩。毫无疑问。如果你想更深入地学习大模型以下是一些非常有价值的学习资源这些资源将帮助你从不同角度学习大模型提升你的实践能力。一、全套AGI大模型学习路线AI大模型时代的学习之旅从基础到前沿掌握人工智能的核心技能​因篇幅有限仅展示部分资料需要点击文章最下方名片即可前往获取二、640套AI大模型报告合集这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示因篇幅有限仅展示部分资料需要点击文章最下方名片即可前往获取三、AI大模型经典PDF籍随着人工智能技术的飞速发展AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型如GPT-3、BERT、XLNet等以其强大的语言理解和生成能力正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。因篇幅有限仅展示部分资料需要点击文章最下方名片即可前往获取四、AI大模型商业化落地方案作为普通人入局大模型时代需要持续学习和实践不断提高自己的技能和认知水平同时也需要有责任感和伦理意识为人工智能的健康发展贡献力量