他回答了從 AI 的發展，芯片和數據中心的未來，到中國 AI 行業競爭力的多個問題。其中，他自己最關心的，是英偉達這家公司的轉變。他形容，今年的 GTC 非常重要，它是一次轉折點，不只是英偉達，也是整個行業的轉折點。

" 今年的 GTC 非常重要，事實上，它展示了我們公司從一家計算機技術公司向 AI 基礎設施公司的轉型。它展示了數據中心的轉變——從一個計算機訪問數據和托管應用的場所，進化為一個 AI 工廠。它還展示了一個事實：一個全新的產業已經誕生。正因如此，這么多公司、開發者、行業和國家都來到了這里，開始在這里投入預算。"

CUDA 是英偉達成功的關鍵，其中很重要的就是因為它建立起來的巨大生態系統，而這背后并不是靠開源—— CUDA 是一個封閉的體系。而今天開源浪潮徹底改變 AI 模型的格局，同樣的開源猛擊閉源的故事是否會發生在 CUDA 身上。

對此黃仁勛的回答簡潔明了：

"CUDA 也是開放的（Open），所有人都可以用它。我不擔心這個故事發生在 CUDA 身上。"

以下為對話部分實錄，經簡要編輯。

Q：如果你們繼續每一年都更新一代產品，像內存等技術提供方也要如此做么，你們的關系有多緊密？你們的設計總能得到支持么？

黃仁勛：答案是非常緊密。而且如果我和他們交流我的路線圖，關系會更緊密。這也是為什么我要和世界交流我接下來 3，4 年的計劃的原因。

這里有一件很重要的事情，也是我昨天在說的，就是我們不再是建造芯片了。這是過去的好時光了。過去你制造芯片，有人買了芯片，把它放進電腦里，然后賣掉電腦。這是過去的好日子了。

我們現在建設的是什么，是人工智能基礎設施，一次投入數千億美元。所以你最好在規劃方面做得很好。基礎設施不是你今天決定買，明天就能部署的東西。它是你需要提前兩年投資的東西。你需要提前整整兩年做計劃，然后希望你能和我們一起把它建立起來。

這意味著每個人的信息都必須一致，我們必須一起規劃來建設基礎設施。

這是第一點，我們是一家基礎設施公司，而不是買賣芯片的。

第二點，我昨天解釋的，是我們是一家 AI 工廠了。

這意味著，一個工廠的作用就是幫助客戶賺錢。我們的工廠直接轉化為客戶的收入，而不僅僅是生產某一款芯片或某個產品。整個工廠的運作極其復雜，已經達到了物理極限。正如我剛才所說，我們所做的一切都在最大化擴展。通過這樣做——通過將每瓦性能、每單位能耗的性能推向物理極限，本質上意味著，如果你的業務受限于功耗，那么你的最大收入就取決于 AI 工廠的最佳性能曲線，它可以直接轉換為收益百分比。

我們現在就在打造 AI 工廠，而且行業門檻比以往更高，競爭更加激烈，客戶的風險容忍度也比以前低得多。這么說能理解嗎？

因為他們的收入直接取決于這項業務，而這是一項跨越數年的投資周期，涉及數千億美元。這是一個基礎設施業務，是一個 AI 工廠業務。

最后，也是我昨天提到的一點，AI 是一種基礎性的技術了。不僅僅對我們而言如此，對每一家企業、每一個行業都是如此。這也是為什么今天有這么多合作伙伴在這里的原因。從汽車公司到金融服務公司，再到零售公司，各行各業都在這里，每個國家、每家公司都在這里。

因為我們已經成為一家支撐其他公司發展的根基企業。

正是這三個核心理念推動了變革。在過去一兩年里，人們已經注意到 GTC 的氛圍發生了巨大變化——我們的影響力、我們的能量、來到這里的人，都在發生變化。因此，正是因為這三個原因，我意識到了這一點，并決定改變我們與世界溝通的方式。

我們成為歷史上第一家同時發布四代產品的科技公司。這就好比今天某家公司發布了一款新手機，然后宣布未來四款手機的計劃，聽上去完全不合理，對吧？這在其他行業是前所未有的。你可以想象路易威登今天宣布 2026 年、2027 年、2028 年的新品計劃，這根本不會發生。

但我們會這樣做，因為我們是基礎設施公司，是世界的工廠，是行業的基石。

黃仁勛：你好。（中文）

Q：中國對 AI 有著偉大的抱負，在正常情況下，NVIDIA 在中國市場將擁有巨大的機遇。您能否談談，如過沒有當前這些貿易戰或地緣政治因素，您對 NVIDIA 及其在中國 AI 市場的愿景？

黃仁勛：（沉思 10 秒，同時現場的參加者們發出一片對這個問題的感慨聲）

我們有一項基本的責任，那就是遵守法律，盡最大努力競爭并為客戶提供服務。這對我們而言是根本原則，與其他因素無關。

隨著全球局勢變得更加復雜，我們公司并不去判斷這些地緣政治問題的對錯。我們的核心任務是確保始終遵守法律，并且盡一切努力支持和服務客戶。這就是我們的立場，也是我們在這個問題上最核心的態度。

（再次沉默 5 秒）

此外，我想分享一個觀察，也許只是一個簡單的觀察：全球 50% 的 AI 研究人員都來自中國，這是世界上最大的 AI 人才群體，沒有任何國家能接近這個規模。因此，這就是中國在 AI 研究方面一定會有巨大的貢獻的原因。實際上，美國的每一個 AI 實驗室里，都有很多優秀的華人研究人員，無一例外。我找不到例外。

所以，中國培養了如此多杰出的計算機科學家，無論你們是如何做到的，請繼續保持。

Q：早上你提到，目前的關稅對你們沒有短期影響。你剛才也提到和富士康的合作，我有些困惑，到底美國總統的這些舉措對你們影響如何？

黃仁勛：我們擁有一個非常靈活的供應網絡，它并不是完全依賴某個特定地區，比如墨西哥或越南等。我們的供應鏈分布在多個地方，關稅的情況，具體取決于產品在美國的生產和采購情況，以及最終產品的目的地。所以有很多公式會涉及到，取決于哪些國家會被加關稅。所以短期內，基于我們所知，不會有巨大影響。而長期來看，我們希望保持這種靈活性，但同時大幅增強本地制造的能力。

最簡單的理解方式是：目前我們的供應鏈已經非常靈活，但在本地制造方面仍有缺失。如果我們能在今年年底前進一步增加本地制造能力，那么整體供應鏈的表現將會非常出色。

Q：美國政府的 "AI 擴散 " 政策，讓你們在中東很多國家的客戶也有影響，你怎么看。

黃仁勛：AI 擴散政策的影響不會是短期的。但是長期來看，我還是認為 AI 是一項每個國家都需要的技術，它也是每個行業、每家公司都需要的重要技術。

今天 AI 已經成為主流軟件，它是軟件。當我們談論 AI 時，往往把它描述成一種神奇的技術，但本質上它就是軟件，只不過是非常強大的軟件。是軟件。所以每個國家都有能力得到軟件。

我還認為，在可能的范圍內，我們也希望能用美國的技術和標準來支持世界各國的 AI 發展。我認為這對各國來說是有利的——它不僅能幫助國家獲得計算能力，推動社會發展，同時對美國而言也是有益的。

Q：對于英偉達來說，軟件越來越重要，你們有多少人是軟件工程師？

黃仁勛：英偉達制造芯片，但我們并不是一家芯片公司，我們實際上是一家算法公司。聽起來可能有些奇怪，但我們是當今全球計算領域領先的算法創造者。

舉個例子，當迪士尼研究院（Disney Research）想要在物理算法方面尋找合作伙伴時，他們找到了 NVIDIA，因為我們在高精度物理算法方面擁有強大的能力。例如，機器人所需的計算光刻（computational lithography）算法，我們是唯一一家與所有計算光刻公司合作的企業。換句話說，我們不僅擅長正向物理建模（forward physics），也擅長逆向物理計算（inverse physics）。

我們在物理學、逆向物理、計算機圖形學和渲染技術方面都處于領先地位，而這些本質上都是算法問題。我們將所有的算法知識蒸餾，構建了一個統一的架構，它就是 CUDA。基于此，我們開發了通用計算平臺。因此，在很多方面，我們的思維方式從算法出發，從數學出發，這也是為什么當深度學習出現時，我們能夠迅速適應。我們擁有數百名 AI 研究員，他們在擴散模型（diffusion models）普及之前就已經開始研究相關算法。你可能見過我們早期關于漸進式 GANs（Progressive GANs）的研究，擴散模型本質上也是一種漸進式方法。我們還在變分自編碼器（Variational Autoencoders, VAEs）方面做出了重要貢獻。因此，我們在算法研究領域是先驅者，并且對算法極其熟悉。這對我們至關重要，你能理解嗎？

我們的獨特之處在于，我們不僅僅專注于芯片，還從整個計算系統的角度進行創新。NVIDIA 是為數不多的科技公司，能夠從處理器到交換機、再到網絡架構、網絡協議進行全方位思考和設計。我們甚至可以自主研發網絡協議，擴展以太網，使其成為超級以太網（Super Ethernet），并在此基礎上自主設計交換機。

正是因為我們具備完整的系統能力，所以我們能夠快速創新。從本質上講，我們的芯片設計幾乎是次要的——雖然我們對自己的芯片技術非常自豪，并且制造出極其復雜的芯片，但最核心的是我們解決問題的能力。

A：AI 的挑戰仍然在于，數據策略是什么？ 你必須制定一個長期有效的戰略。

例如，之前有人說我們已經耗盡了數據，你還記得嗎？但這顯然是很傻（silly）的。這種說法沒有考慮到強化學習的存在。事實上，由于強化學習的發現，以及驗證結果和獎勵機制，我們現在幾乎擁有無限的數據。

此外，人類多年來已經在數學、定理、科學發現，甚至是游戲中解決了大量問題。例如，你可以證明誰贏得了國際象棋比賽，因為你可以一直下棋直到分出勝負。同樣，你可以證明建筑設計的優劣。這些都是可驗證的問題。因此，我們現在可以利用這些無限的數據來訓練模型進行推理。

物理世界的 AI 也面臨相同的挑戰，我們需要弄清楚數據策略和訓練策略。我之前已經提到了一些內容，比如使用人類示范（human demonstration），然后結合生成式 AI（generative AI）和仿真技術（simulation），我們就能夠生成無限數量的相關場景。

就像給 AI 一個代數問題，然后 AI 可以生成大量代數題目，并逐步解出所有問題。我們可以用同樣的方法來進行物理操作訓練，例如：可能是讓 AI 學習跑步，最終讓它掌握某種運動技能，這些都涉及協調和操控能力的訓練。

所以，我們需要：數據戰略（Data Strategy）——如何收集和構建數據？訓練戰略（Training Strategy）——如何訓練 AI？使用戰略（Usage Strategy）——如何優化 AI 以生成最優解？

提示詞（Prompting）是現代軟件編程的方式。同樣地，在物理 AI 領域，我們也需要思考：如何引導 AI 進行物理化地推理？ 物理化地推理是一個非常重要的領域，也具有很大的潛力。

Q：你提到未來很重要的是 Agentic AI。可以展開講講么。

黃仁勛：我認為，我們首先要做的事情當然是將推理（reasoning）融入一切。

將推理融入一切的好處在于，我們不需要提供大量的特定指令或明確提示（specific prompting），AI 仍然可以更具任務導向性（mission-oriented）地完成工作。因此，我們可以連接一些具備特定技能的智能體（agentic systems），然后僅僅給它一個目標。

舉個例子：你可能只需要提供輸入和期望的輸出，而在輸入到輸出的過程中，AI 需要進行大量的數據轉換（transformations）、推理（reasoning）和問題解決（problem-solving）。例如，假設輸入是公司所有的組件和供應商數據。要輸出的是公司的供應鏈預測。這個過程涉及供應鏈優化，它是一個約束過多（over-constrained）的問題，涉及大量推理、優化數學（optimization mathematics）等復雜計算。

但如果我只提供兩個端點（輸入和輸出），AI 可能可以自己推導出整個過程。因此，下一代 AI 將能夠自主使用工具、訪問信息，并最終生成所需結果。這是一件非常重要、非常有意義的事情。我對此感到非常興奮，我幾乎可以預計這些技術即將實現。

Q：你昨天提到 AI 的花銷會變得非常大。我們看到美國，歐盟，中國都在加大力度花很多錢投入到數據中心等 AI 的建設上。所以，這就是一個誰花錢最多誰就先達到 AGI 的競爭么，還是有點花的太多了。

黃仁勛：你們知道世界上最聰明的人是誰嗎？

（現場無人回答）

你們在意嗎？其實，我認為這（沒人回答）正是問題的答案。

我相信，我們需要實現通用人工智能（AGI），這樣 AI 就能真正解決問題。但我不確定是否真正需要 " 最聰明的 AI"。也許我已經見過最聰明的 AI，但我并不確定。卓越的智能（great intelligence）很重要，但我仍然認為如何應用智能（applying intelligence）、目標的選擇（selection of the purpose）、戰略的制定（selection of the strategy）、識別能力（selection recognition）都依然非常關鍵，領域專業知識（domain expertise）仍然不可或缺。

我相信，99% 的世界仍然依賴這些，而不是單純去尋找 " 最聰明的 AI"。就像招聘體育特長生一樣，如果可以的話，你當然可以去招攬最聰明的人才。但這并不意味著所有人都必須這么做。所以，誰先達到 AGI，并不是關鍵問題。

然而，我確實相信，如果你告訴我全球每年在資本支出（capex）上的投資是 5000 億美元，但并沒有 100% 用于 GPU，那么我會說：這真是太遺憾了。這不是我在推銷自己，而是發自內心地認為，這真的很可惜。

我們已經擁有數萬億美元的通用計算機。我們知道，未來最重要的問題將圍繞機器學習，計算和人工智能展開。那么，我們為什么還要繼續建造更多的塑料呢？

然而，就在我們談論的當下，全球今年將在資本支出（CapEx）上投入 5000 億美元。所以，我認為，首要任務應該是投資未來，建設盡可能多的 AI 數據中心和計算基礎設施。

那么，我們今天應該投入多少資金呢？5000 億美元——這正是今年全球的資本支出。而且，這個數字還在快速增長。到 2030 年，這個數字可能會增長到 1 萬億美元，甚至 100% 都用于 AI。

但我認為，這 1 萬億美元的投資應該是模塊化的。 第一，全球計算資本支出（CapEx）應當以 AI 為主。 第二，如前所述，AI 不僅限于數據中心，AI 還涉及制造。

那么，什么是制造？ 你可以將智能（Intelligence）" 重構 " 成文字、故事、法律文件、分析報告，對吧？你可以將其 " 重構 " 成音樂、電影、廣告宣傳片。 你還可以將其 " 重構 " 成機器人行動。 如果你能夠精準地控制 " 重構 " 過程，它甚至可以實現原子級的精準制造。

AI 的本質，就是 " 智能制造 " ——制造 Token。 那么，全球應該投入多少資金來制造智能（Manufacturing Intelligence）？ 我認為，全球 120 萬億美元 GDP 的一個非常大比例，都應該投入到這個領域。

這是我的希望，也是我的信念。 如果這在今天看來不合邏輯，那么讓我們回到 300 年前，問一個問題： 當時，全球 GDP 有多少是用于能源生產的？ 在那個時代，能源僅僅意味著 " 使勁干活 "（Put your back into it）。 而今天，能源已經成為全球經濟的基石。 同樣，未來的世界，將建立在人工智能和智能制造之上。

今年的 GTC 非常重要，事實上，它展示了我們公司從一家計算機技術公司向 AI 基礎設施公司的轉型。它展示了數據中心的轉變——從一個計算機訪問數據和托管應用的場所，進化為一個 AI 工廠。它還展示了一個事實：一個全新的產業已經誕生。正因如此，這么多公司、開發者、行業和國家都來到了這里，開始在這里投入預算。

所以，我要感謝所有來到這里的你們，祝大家度過一個精彩的 GTC。