**黄仁勋算账：AI收入撑得起几万亿美元的资本开支吗​ | 黄仁勋 | 英伟达 | AI泡沫 | 资本开支 | AI基建 | 数据中心 | OpenAI | Anthropic | 太空数据中心 — Transcript & Summary | SozAI** Source: https://sozai.app/transcript/jensen-huang-ai-revenue-justify-trillions-capex/ 黄仁勋在BG2播客中回应AI收入能否支撑数万亿美元资本开支的质疑，认为市场只盯着头部实验室是大错，推理与智能体将驱动算力需求持续增长。 ## Key Takeaways - AI需求的核心驱动是推理与智能体带来的算力消耗，而非仅仅是训练 - 资本开支能否回本不应只看OpenAI、Anthropic等几家公司，而应看整个计算基础设施的重建需求 - 供给受限于土地、电力和厂房，英伟达的市场地位和订单能见度仍然较强 - 视频本身带有卖方立场，判断哪种账本更接近真实，需要在未来几年用实际数据验证 ## What the video covers - 视频围绕黄仁勋在BG2播客上的访谈，探讨AI收入能否撑起数万亿美元资本开支这一核心争议 - 黄仁勋认为，推理（思考、搜索、反思、剪枝）比复述知识消耗更多算力，且两层叠加使需求非线性增长 - 智能体外骨骼（harness）带来记忆与工具使用两大突破，scaling law仍然有效 - 智能成本预计每年大幅下降，但用量增长足以抵消降价，需求几乎无法被填满 - 英伟达收入结构分为传统计算、AI实验室和数千家新创公司三块，并非只依赖少数几家头部公司 - 物理AI是英伟达的重要方向，需要训练、数字孪生和机器人/汽车三套计算机 - 土地、电力和厂房而非芯片本身是明年最大的供给瓶颈，英伟达每瓦产出的token效率构成竞争优势 - 英伟达从GPU公司扩展为网络、CPU、存储等全栈基础设施公司，每吉瓦可售价值从约180亿美元升至400多亿美元 - 英伟达的软件授权与收入分成模式可能成为新的增长来源 - 访谈中提到的安全与对齐问题，黄仁勋主张从零信任、最小权限出发，以工程方式逐步建造安全 ## Chapters 1. 00:00 开场与问题引入 2. 02:28 资本开支争议背景 3. 05:05 推理与算力需求的非线性增长 4. 10:40 BG2访谈背景与核心观点 5. 10:43 英伟达收入结构与市场误判 6. 17:58 智能体外骨骼：记忆与工具使用 7. 18:33 供给瓶颈与英伟达的增长路径 Answers ## Questions about this video 黄仁勋认为AI资本开支是否合理？ 黄仁勋认为市场只盯着OpenAI、Anthropic等头部公司是错误的，这些公司不需要做到接近一万亿美元收入也能成功，整个计算基础设施的需求来自传统计算、AI实验室和数千家创业公司的多方面共同拉动。 为什么推理会大幅增加算力需求？ 推理需要生成多个方案、逐步推演、反思并剪枝，每个任务消耗的算力远超复述知识；同时AI能力提升后，人们会把更多任务交给它，形成两层叠加的需求增长。 明年AI基础设施的主要瓶颈是什么？ 主要瓶颈是土地、电力、厂房和施工资源，而非芯片本身，供给扩张的速度跟不上订单增长。 ## Full Transcript — Download SRT & Markdown 00:00 Speaker A 大家好，这里是最佳拍档，我是大飞。 01:17 Speaker A 黄仁勋说 思考和解决问题要做的推理 比复述背过的东西多得多 早期的ChatGPT把知识压在模型里 你问它问题 它基本是在回忆 所以会胡编，也就是幻觉 下一步是先搜一下 拿回可验证的事实依据 再结合作答 而真正有意思的事 都得一步一步推理 比如先想出几个方案，各自往下推演 看结果 反思哪条最好 然后挑出一两条接着推理 其余的剪掉 他说优秀的战略家都喜欢保留战略选择权 不想太早剪枝 但是资源有限又必须取舍 AI现在干的就是这件事 这些探索和反思，全都要算力 而且是两层叠加 每个任务要用更多算力 同时因为它做得好 我们就会把更多的事交给它 相当于雇它去干更多的工作 两头一乘，需求自然不是线性的 他还说，去年最大的发现 是给大模型套上了一副外骨骼，harness 相当于给大脑配上了身体 scaling law还会继续有效 但是这副外骨骼带来两大突破 一块是记忆 工作记忆变成了长期记忆 再织进一张知识图谱 人睡一觉，没用的忘掉 重要的重新连起来 AI现在也在离线做这种压缩整理 02:28 Speaker A 过去一年，市场里吵得最凶的一个问题，就是AI挣的钱到底撑不撑得起这么大的资本开支。一边是喊泡沫的声音越来越大，另一边是分析师对英伟达收入的一致预期一年之内大幅上调。这两件事放在一起，总有一个是错的。 03:50 Speaker A 把AI的穷举探索用到前人的成果上 突破就会一个接一个来 但这需要大量的算力 主持人补充 这次解题动用了1万个智能体 算力成本约400万美元 几年后同样的事还会再便宜5到10倍 黄仁勋的判断是，接下来几年 智能的成本会降得很快 他拿摩尔定律类比，过去三十多年 计算成本每年降一半 他希望智能每年便宜2倍甚至20倍 用量的增长会把降价补回来还有余 他随口估了个数 最初训练GPT要一两千万美元 现在再训一个GPT-1 大概也就一百美元 可同时胃口也大了 现在的模型动辄几万亿、几十万亿参数 用量比十年前可能涨了一百万倍 他认为这个趋势不会停 人们对智能的需求几乎填不满 聊到这里 就绕不开那个流传很广的说法 AI会让人更清闲 黄仁勋说，他完全不同意 你越聪明 就越会想到更多用智能的地方 他学得越多，越觉得要做的事更多 每学会一样东西 就打开一扇新的大门 门后是更多机会和问题 对大多数人来说 智能会带来更多的机会 人有抱负，就会去追 他反问到 哪个父母不想让家里过得更好呢？ 他们只是没有机会 而这些技术会打开机会 格斯特纳接过话，1930年凯恩斯预言 05:09 Speaker A 前两天，黄仁勋第三次坐进了科技投资播客BG2的录音间。主持人是Altimeter Capital的创始人布拉德·格斯特纳（Brad Gerstner）和合伙人克拉克·唐（Clark Tang）。录制的前一天，黄仁勋刚领了美国国家科学奖章。这一个多小时里，所有人最想听的，就是他对那个问题的回答。而他的回答是，大家盯错了地方。只盯着OpenAI和Anthropic那几家公司，以为是它们在给整个算力基建买单，这是个大错。这两家公司根本不用做到接近一万亿美元的收入，也会大获成功。 06:32 Speaker A 整个电磁波谱上都有AI在干活 再往前走 就是自己学会分拣的机械臂、帮你铺床的家用机器人 甚至全自动的手术室 他说 我们是全世界最大的物理AI公司 理由是，对我们真正重要的一切 最终都要落到物理世界 马斯克把汽车业变成了计算行业 以后每家车企、每家物流公司都会变成科技公司 联邦快递和沃尔玛会变成AI公司 人们把英伟达归到芯片里 他说英伟达其实在物流、医疗、汽车、电信和生命科学里 很长一段时间里 英伟达基本就是一家娱乐公司 总有一天 人们可能不再把它归为芯片公司 造物理AI要三台计算机 一台训练大脑 一台做数字孪生 让机器人先在虚拟世界里学 最后一台装进机器人或汽车 英伟达三套都做，全世界只有这一家 安全这个话题，他这次讲得格外细 他先抠了一个字，build，建造 他说这是个工程词 安全问题首先要靠工程师和研究者去建造出来 如果觉得造不出安全的 那就不应该造 谈到对齐 他说你让一个人在生活里取得成功 这话每个人都说得出口 但是每个人的文化和背景不同 理解出来的做法差别很大 所以对齐是一个永远存在的问题 如果必须等到完美对齐才算安全 那永远到不了 他的办法 是回到我们对待新员工和小孩子的方式 从零信任开始，给最小的权限 07:56 Speaker A 今天我们就来聊聊这场对话。 09:18 Speaker A 土地、电力、厂房和施工资源 会是明年最大的障碍 英伟达的对策是覆盖面 它服务每一家云厂商和新兴云厂商 全世界每一家代工厂都在替它干活 如果哪座数据中心卡住了 反正需求远大于供给 调整供应链就行 他还说，英伟达是全球的基础设施 欧洲、中东、东南亚、拉美、非洲都有新的项目 他不希望看见美国这边跟不上 但是如果这里建不了 世界上每个国家都乐意建在自己那里 克拉克·唐接着说了市场上的一个说法 虽然已经宣布的芯片大约有50吉瓦 但是能落地的地、电和厂房只有35到40吉瓦 黄仁勋没等他说完就接过话，说 英伟达的架构，每瓦产出的token最多 电一旦紧张 客户就会转向产出最高的方案 那些CEO明年的收入预期都很高 股东指望他们交出来 所以资源越短缺 需求越往英伟达这边挪 他说英伟达的份额本来就很高 出乎所有人意料的是 它还在上升 每吉瓦里能装的英伟达产品也在变多 它从GPU公司变成了最大的网络公司 接下来还会是最大的CPU公司之一 再加上存储和安全产品 每吉瓦能卖的价值 从大约180亿美元涨到400多亿 而且还会往上走 六年前 英伟达占全球资本开支的比例还是个位数 现在在云厂商那里约40% 云厂商以外约80% 两块业务各占一半，都在每年翻倍 然后是关于马斯克的话题 10:43 Speaker A 节目一开场，格斯特纳就先翻了翻旧账。两年前黄仁勋说过，未来五年算力累计还要投入至少两万亿美元，现在这个数已经被超过了。他还说过，推理时思考会让算力的需求涨十亿倍。Claude Code火起来之前，他就说智能体时代要来了。如今马斯克、奥特曼、哈萨比斯都在说我们正在走进奇点。格斯特纳问：现在我们到底走到了哪一步呢？ 12:03 Speaker A 接下来就是全场最尖锐的问题 格斯特纳算了笔账 今年两家前沿实验室加上几家推理公司 总收入大约2000亿美元 要让几万亿美元的资本开支回本 明年得翻到4000亿 后年8000亿，它们能每年翻两三倍吗？ 黄仁勋说，大家误会了 英伟达约占全球AI基础设施收入的80% 它的生意结构 就是计算世界的结构 他大致分了三块 第一块是传统计算 包括数据处理、物理模拟、量子化学、计算机图形 还有Visa和万事达反欺诈用的经典机器学习 以及给你推荐新闻的推荐系统 这块不算AI 约占三分之一，每年增长30%到40% 就算没有任何AI实验室 英伟达也不是零 第二块是AI实验室 别人看到两家 他看到五六家 Meta的Muse去年还是零 现在做得很好 Grok三年前还不存在 Gemini也在 今年又开始和Anthropic合作 这块约占四分之一到三分之一 第三块是几千家新创公司 做消费产品、物理AI、生物AI、材料科学AI 还有贝索斯的新公司Prometheus 它们都租英伟达的算力 也占三分之一左右，就像下一代的AWS 所以，只认那几家公司 以为是它们在给整个基础设施买单 这是个大错 这些创业公司里，80%在用开源模型 它们不和前沿实验室正面竞争 而是去物理AI、制造、医疗这些领域开新局 13:26 Speaker A 黄仁勋说，思考和解决问题要做的推理，比复述背过的东西多得多。早期的ChatGPT把知识压在模型里，你问它问题，它基本是在回忆，所以会胡编，也就是幻觉。下一步是先搜一下，拿回可验证的事实依据，再结合作答。而真正有意思的事，都得一步一步推理。比如先想出几个方案，各自往下推演，看结果，反思哪条最好，然后挑出一两条接着推理，其余的剪掉。他说，优秀的战略家都喜欢保留战略选择权，不想太早剪枝，但是资源有限又必须取舍，AI现在干的就是这件事。这些探索和反思，全都要算力，而且是两层叠加：每个任务要用更多算力，同时因为它做得好，我们就会把更多的事交给它，相当于雇它去干更多的工作。两头一乘，需求自然不是线性的。 14:43 Speaker A 明年的40吉瓦里 三分之一是替换通用计算 三分之一给新云和创业公司 剩下三分之一也不只给两家实验室 市场把太多压力压在了它们身上 黄仁勋说 它们会是历史上影响最大的两家科技公司 会大获成功 但它们不用做到接近一万亿美元的收入 也能成功 格斯特纳还提起英伟达上次的业绩指引 英伟达曾经表示明年芯片需求将远超100% 收入增长指引却只给了70% 理由是供给受限 黄仁勋说，那是他当时手上全部的货 他解释了为什么要公开说出来 每一家云厂商、服务器厂商、大大小小的公司都早就下了单 英伟达和客户一起做需求预测 最大的客户提前两年 他手上是一本巨大的订单簿 能分给客户的比他们想要的少得多 如果不公开 每个人都会猜自己是不是被克扣了 他说 这是我应付每一次让人失望的谈话的办法 从那以后 新订单几乎每周每天都在来 卡住供给的，是土地、电力和厂房 几周前英伟达刚宣布了澳大利亚的2吉瓦项目 2吉瓦对英伟达来说 差不多是800亿美元 上游也一样紧 芯片封装的基板越做越大 精度要求又高 热膨胀和堆叠会带来翘曲和各种缺陷 硅光子也缺货 用他的话说，什么都缺 每周供给都在增加，但订单涨得更快 这个缺口几年内都很难补上 格斯特纳又拿出一张图 16:05 Speaker A 他还说，去年最大的发现，是给大模型套上了一副外骨骼，harness相当于给大脑配上了身体。scaling law还会继续有效，但是这副外骨骼带来两大突破。一块是记忆：工作记忆变成了长期记忆，再织进一张知识图谱。人睡一觉，没用的忘掉，重要的重新连起来，AI现在也在离线做这种压缩整理。 17:12 Speaker A 英伟达已经变成了一家基础设施公司 模型架构怎么变 全都跑在CUDA上，将来是预训练多 还是智能体推理多 英伟达都能跑 万一想把一半算力转租出去 也没问题 OpenAI想去欧洲，Anthropic想去日本 而英伟达早就在那里了 一年前市场还预期英伟达2027年持平甚至萎缩 现在一致预期是增长74% 说到这里他自己笑了，女士们先生们 我可是什么都解释过了 他还补了一句 专用化是通用性的敌人 也是耐用性的敌人，只要性能顶尖 通用和耐用就意味着好出租、好融资 最后是最低的总拥有成本 格斯特纳提到 英伟达正在做史上规模最大的回购 黄仁勋说，英伟达的投资和融资合作 多半是为了搭起两门新的生意 第一门是软件授权 大云厂商自己跑技术栈 英伟达把软件授权或开源给它们 很多公司没有软件部门 需要英伟达来维护 AI正从训练走向部署 企业要英伟达签服务协议 一直维护下去 他算了笔粗账 每块GPU每年收几千美元 一年出货约2000万块GPU 一半进企业，加起来很可观 第二门是收入分成 有些云厂商要靠英伟达的整套技术、包销和融资支持 这类合作很可能会改成收入分成 英伟达既拿前期销售 也分往后的收入 格斯特纳提起巴菲特 18:33 Speaker A 另一块是用工具。机器人进了你家，会去用你家里现成的工具，不会从头造一套。从仿真器、Verilog到Photoshop、AutoCAD，这些人类做好的软件都会成为智能体的帮手，只是智能体得先学会怎么用。最先突破的是写代码，原因不是什么代码有明确对错，而是用户本身就是工程师，对有用但不太好用的事物有耐受度，还总能自己想办法把它用顺。下一步是设计和创意类的工作。他说OpenAI 9月发布的GPT-6 Astra真的很棒，拍张照片给它，它能直接还原成CAD图纸。英伟达内部已经在这么用了，设计师、创作者和科学家都会被解放出来。真正的挑战在于，怎么把智能体安全地部署进全世界的企业。 19:52 Speaker A 黄仁勋回答泡沫问题的方式 是不跟你在同一张账本上算 别人拿实验室的收入对资本开支 他拿的是全球计算的整体重建 传统计算的存量、摩尔定律的终结 以及几千家创业公司的新需求 当然，他是卖算力的人 每个判断都站在英伟达的位置上 这一点他自己也没藏着掖着 至于哪本账更接近真实 还得靠接下来几年一项一项去验证 如果大家也在关注这轮AI基建 欢迎在评论区聊聊你的看法 感谢收看，我们下期再见 Topics: 英伟达 黄仁勋 AI泡沫 资本开支 AI基建 数据中心 推理算力 智能体 物理AI OpenAI 学习这个视频 - [这个视频的闪卡](https://sozai.app/zh/tools/ai-flashcard-generator/?from=transcript&id=82506) - [这个视频的测验](https://sozai.app/zh/tools/quiz-generator/?from=transcript&id=82506) 免费，由 AI 根据这份文字稿生成。无需注册。 --- This is the markdown twin of https://sozai.app/transcript/jensen-huang-ai-revenue-justify-trillions-capex/ — the same content, without the markup. Published by SozAI (https://sozai.app). Reuse and quotation are allowed with attribution and a link back. Machine-readable index: https://sozai.app/llms.txt · data API: https://sozai.app/api/