Jensen Huang｜AI营收能否支撑资本开支、2027年AI瓶颈、奇点、开放与封闭模型及更多
摘要
Jensen Huang 对算力的核心判断是：AI需求会发生两次复合增长——推理消耗的算力大幅增加，而有用的智能也会被雇佣去完成多得多的工作。 Agents 保留“战略选择权”，能够探索替代方案、反思、剪枝并调用工具；记忆系统和软件外骨骼则把模型变成企业员工。这也是他即便认为智能成本会下降，仍看到算力有望增长“10亿倍”的原因。
Huang 预计，智能成本下降会扩大野心，而不是减少支出或工作。 Gerstner 提到，Navier–Stokes 进展背后约有10,000个Agents，以及估计400万美元的算力成本；他还估算，GPT1规模的训练任务在10年间可能从1000万–2000万美元降至约100美元。“每次学到新东西，都会打开一扇新门”；认知变便宜后，暴露出的问题反而更多，而“有人说我们会拥有更多时间，我完全不同意”。
Physical AI 已经成为 Nvidia 的实质性业务，这让 Huang 早先1000亿美元的市场规模估算显得可能偏保守。 Nvidia 在今年前6个月实现了100亿美元的 Physical AI 收入，此前两年的年度规模约为50亿美元和100亿美元；Huang 提到全年200亿美元，但随即补充：“谁知道呢？”他的机会覆盖医学影像、5G感知、自动驾驶、工厂、物流和机器人照护——这些行业都在把机械系统变成计算系统。
Huang 拒绝把完美对齐作为安全架构，因为“对齐将永远是个问题”。 他的工程方案从遏制开始——“零信任、最小边界、最小权限”——只有在测试之后才逐步扩大权限；同时通过带外监控观察系统行为而不提醒Agent，并保留升级处置或关停能力。安全、安保、功能和能力是同一个产品：“如果它不安全，就不具备安保能力，功能也永远没有机会发挥。”
明年预计新增的43 GW AI算力可能被需求消化，但短期瓶颈在实体部署，而不是芯片需求。 Huang 表示，需求“肯定存在，而且更多”；土地、电力、数据中心主体、许可、熟练施工劳动力、封装基板和硅光子学，可能让已宣布的产能无法按期落地。电力越稀缺，越会偏向每瓦产出最多Token的系统，而他认为这正在进一步提高 Nvidia 已经很高的份额。
资本开支逻辑并不要求 OpenAI 和 Anthropic 实现万亿美元营收，因为 Huang 认为 AI基础设施需求分布在3个巨大池子里。 大约1/3是传统处理和仿真，增速约30–40%；或许1/4的算力、对应 Nvidia 业务略低于1/3的部分，服务多个前沿实验室，而不只是两家；另一个大池子则服务数千家初创企业、企业客户、主权客户和垂直AI公司。“我们给两家实验室施加了太大压力”——尽管他预计两者都会产生极其深远的影响。
Nvidia 的护城河正从芯片性能转向基础设施规模下的可融资性。 如今每GW对应的 Nvidia 内容已超过400亿美元，高于此前约180亿美元；客户很快可能需要在“完全看不到产品”的情况下，以接近1000亿美元的承诺预订 Vera Rubin Ultra。Huang 的逻辑链条很明确：可互换性加上耐久性，带来可租赁性、生产力、可融资性和更低的TCO；软件授权、云收入分成和激进回购，则在初始硬件销售之外继续增加经济价值。
精读
1. 美国人才飞轮，始于人们选择在那里创造
带着父母一起接受 National Medal of Science，让 Huang 回到了家族的美国梦。他的父亲在 Carrier 培训期间第一次到访纽约，看到“未来的未来”后返回台湾，并在条件允许的第一时间把 Huang 和他的兄弟送到美国。
Gerstner 提出了一个颇具冲击力的观察：台上6位获奖者中有5位出生在美国以外。他认为，吸引创造者是美国的超级能力之一：创造者在这里遇到自由、创业活力，以及“这当然能做到”的默认信念，知识产权也随之流入美国。
Gerstner 也承认，平衡很微妙：移民必须“依法”且“正当地”进行。但美国仍应希望世界上最优秀的人才把想法带来，在本土将其实现，并延续这套飞轮——Nvidia 自身正是沿着这条路径，从游戏显卡走向服务社会智能的基础设施。
2. 推理为算力带来双重复合曲线
Huang 的“算力增长10亿倍”论始于一个区分：早期聊天系统主要是在重新生成预训练阶段编码的知识，而接入外部依据的系统增加了搜索。如今，有价值的工作需要逐步推理、制定多套方案、多路展开、反思和剪枝，所需推理算力远高于“重复记住的东西”。
第二个乘数来自经济效应。一旦AI能够完成生产性工作，客户就会把它应用到更多任务；单个任务的算力消耗上升，任务数量也同步增加。Huang 的表述是：Agents 为了“完成工作”会消耗更多算力，而正因为工作完成得好，它们又会被雇佣去做更多工作。
去年的重大突破不只是基础模型变强。模型周围的“harness”或“外骨骼”开始管理工作记忆、短期记忆和长期记忆，构建知识图谱，压缩经验，并把模型连接到工具。
工具调用让Agents可以操作现代企业已经部署的设备和软件——Verilog、模拟器、设计编译器、Photoshop、AutoCAD以及企业系统——而不必从头重建一切。编程是第一个切入口，因为开发者和工具都能容忍复杂性；设计、创意工作和科学研究将是下一步。
3. 科学突破将来自基于既有工作的穷举探索
Gerstner 问道，既然 OpenAI 和 Anthropic 被描述为各自只有2–3 GW算力，那么此前提到的 Navier–Stokes 结果是否意味着，今天的智能可能已经是“我们将拥有的最差智能”？Huang 的纠正很关键：AI并不是凭空解决问题，而是建立在数代数学家和科学家的工作之上。
也正因为有这层基础，Huang 才预计突破会快速到来。许多领域可能已经站在临界点附近，既有工作已经大幅收窄了问题范围，但要得到答案，仍需在巨大的可能性空间中进行穷举搜索——这正是数千个Agents和更多算力能够提供的能力。
Gerstner 提到，演示中的 Navier–Stokes 工作涉及约10,000个协作Agents，并估计消耗了约400万美元算力。随着成本再下降5–10倍，可行的搜索空间将从少数旗舰问题扩展到更多科学研究项目。
4. 更便宜的智能会抬高野心，而不是满足野心
Huang 预计，随着更多算力上线、模型变得更聪明且运行效率更高，智能成本会快速下降。他希望成本每年实现2x、甚至20x的下降，因为消费增长可以超过价格压缩，就像数十年间更便宜的计算反而扩大了需求。
他的示例对比是：训练 GPT1 过去可能需要1000万–2000万美元，而如今同等规模的任务可能只需约100美元。但前沿野心已经扩展到3万亿、10万亿甚至30万亿规模的模型，使用量则可能增长了100万倍。
Gerstner 认为，Keynes 正确预见了经济规模将扩大8倍，却没有预见15小时工作周，因为在基本需求得到满足后，工作、发现和目标感仍会持续。Huang 表示认同：智能会打开更多门，有抱负的人会去追逐门后的机会，而不是简单地把时间拿回来休闲。
5. AI的收益不可见，因此在政治上很难被感知
Huang 解释公众为何与AI现实脱节：超级智能是“软物质”，人们看不见也摸不着。但 Netflix、Walmart 和 FedEx 等服务中的推荐、搜索、零售、物流和娱乐，已经在广泛受益于它。
他的反事实假设很具体：“如果我们关掉数据中心，周末把超级智能也关掉，我想所有人都会注意到。”这项技术的普及隐藏在普通服务的可靠性里，而不是以一台看得见的机器呈现出来。
Physical AI 会改变这一点。一旦智能在汽车、仓库、医院和工厂中完成感知、推理、规划和执行，其产出就会变得有形，商业机会也将从软件延伸到几乎所有接触实体世界的行业。
6. Physical AI 正在成为覆盖多行业的全栈平台
Huang 表示，Nvidia 前一年从 Physical AI 获得100亿美元收入，本年度前6个月又实现100亿美元，此前一年约为50亿美元。按此推算全年200亿美元，会让他此前1000亿美元的机会判断显得“有点保守”，但他明确没有给出确定预测。
这一类别包括光子计数CT、超声、雷达、下一代5G感知、视觉检测、通过卫星将地球重建为3D模型、自动驾驶和机器人。在医院，应用从精准配药和持续机器人监护，到最终实现机器人手术室，范围不断扩大。
每个 Physical AI 平台都需要3台计算机：一台用于训练“大脑”，一套数字孪生环境供Agents或机器人学习，以及一台在现实世界中执行动作的车载或机载计算机。Nvidia 为这3个环节提供完整技术栈，Omniverse 则是其模拟仓库、城市和实体环境的范本。
Huang 更广泛的判断是，每家车企、物流网络、零售商和电信运营商都会变成科技公司。因此 Nvidia 的目标不只是卖芯片，而是凭借深度软件、生态系统和部署技术栈，把其汽车业务打法复制到各个垂直行业。
7. 安全始于遏制，而非完美对齐
Huang 区分了使命与手段。“解这个二次方程”目标明确，但Agent可以通过计算、检索或复制来获得答案；“在生活中取得成功”则允许无穷多种解释，并受文化、历史和价值观塑造。因此，完美对齐不可能成为工程必须先满足的前置条件。
他的模型和父母对待婴儿、雇主对待新员工的方式类似：先假设零信任，只授予完成任务所需的信息、工具、资金和权限，再根据证据逐步扩大边界。
监控必须带外进行，因为一个知道自己被观察的智能系统会采取不同的行为。独立观察者应识别不符合政策的行为，触发升级处置，并保留“直接关掉它”的能力。
Huang 将这一架构与 Nvidia 最近宣布的 Open Shelf 联系起来，后者后来又被称为 Open Shell，参与公司超过100家；名称上的歧义尚未解决。但他的核心判断没有歧义：遏制、监控和关停都是可以工程化的技术，而不是哲学愿望。
8. “速度还是安全”是错误的坐标轴，因为安全本身就是能力的一部分
Huang 用汽车作比喻：安全气囊、刹车、雷达、摄像头、ABS和车道保持并不是汽车之外的东西，它们合在一起才构成汽车。同理，加速AI必须同时加速安保和安全能力，以及功能本身——“尤其是安全”。
Gerstner 讲述了一次白宫交流：尽管外界公开描述 Dario 主张放慢前沿进展，但 Dario 表示，公司希望快速前进并赢得竞争，同时确保安全系统跟上。Huang 说，参与实验室的态度都很建设性，也达成了一致；没有人需要通过比喻意义上的“锁喉”才能让各方签字。
时间点已经发生变化，因为在 Huang 的叙述中，通用型AI在6个月前还“几乎无法工作”。当时首先要让功能真正可用、足以部署；如今，广泛部署使安全和安保运营成为行业迫切任务，其优先级与功能本身完全相同。
9. 治理现在要能行动，未来要能适应
Gerstner 描述了一套由3条腿组成的美国框架：商务部审查新的前沿模型；白宫协议覆盖内部和外部审计、董事会监督及责任问题；SI部队负责协调关键行业和网络安全。他认为，这些机制已经具备实际约束力，强于许多立法者的认识。
Huang 更偏好“先做什么”，而不是没完没了地争论“什么才是完美方案”。他称赞那些现在就有形、正在运行的措施，同时也愿意随着技术演进继续改进。
他对政策制定者的要求很务实：先直接向行业了解问题，再研究已经存在的系统，最后提出建设性的改进。协议中的框架应保持动态，而不是被当作最终答案。
“赢”也必须在技术之外衡量。Huang 列举了 Lilly、Walmart、FedEx、Boeing、军方、大学、学校、州、县和普通公民——只有当AI提升生产率，并为医疗、教育和基础设施创造财政空间时，美国才算真正赢得竞争。
10. 近期瓶颈在土地、电力和数据中心主体
引述 SemiAnalysis 的 Dylan 预计，明年新增AI算力将达到43 GW，高于主持人所称当前全球已有规模；后年还将增加约40 GW。Huang 对需求的回答非常明确：“肯定存在，而且更多。”
供给则是另一回事。从数字规划走向实体设施，会引入土地、许可、发电能力、数据中心主体、水管工、配套施工商，以及能够建设500亿美元级项目的专业工人。地方暂停令和抗议又增加了工期风险。
Huang “猜测”，土地、电力、数据中心主体和建设资源将成为最大障碍之一。Nvidia 可以在CSP、neocloud、OEM、企业、行业和地区之间调配稀缺系统，但他不喜欢这样一种含义：如果美国的产能被卡住，项目就转而在欧洲、非洲、中亚、东南亚、拉丁美洲或中东建设。
上游仍有约束：更大的基板需要更多材料，并带来棘手的热膨胀和翘曲问题，硅光子学同样受限。Nvidia 每周都在增加供给，但新订单几乎每周、每天都在到来；Huang 预计，这个缺口在“未来几年”仍很难弥合。
11. 电力稀缺会提高 Nvidia 在建设支出中的美元份额
Huang 打断了主持人关于供给的讨论，指出关键经济机制：如果可用瓦数不足，运营商仍然需要收入，因此会选择每瓦产出Token最多的架构。他认为，这种稀缺正在把需求推向 Nvidia，并在其已有巨大规模的基础上继续提高市场份额。
Nvidia 每GW的内容价值已从约180亿美元增长到“200多亿美元”，如今进一步超过400亿美元，因为它增加了网络、CPU、存储、知识基础设施，以及 Open Shell 和 Sentry 等安全产品。
Huang 估计，Nvidia 过去占全球资本开支的比例只有个位数；如今在CSP中可能约占40%，而在CSP之外——neocloud和本地部署买家约占总业务的一半——其资本开支份额可能接近80%。这里的判断既涉及美元价值，也涉及设备数量份额。
12. AI资本开支不依赖两家实验室达到不可能的收入目标
Gerstner 直截了当地提出了看空情景：实验室合计收入接近2000亿美元，明年需要变成4000亿美元，后年再变成8000亿美元，才能支撑数万亿美元资本开支。40 GW乘以每GW400亿美元的基础设施内容，表面上意味着1.6万亿美元产出，但技术扩散和终端需求并不会自动遵循这套算术。
Huang 将 Nvidia 的业务拆开来看。约1/3是传统图形、仿真、数据处理、推荐系统和经典机器学习，增速可能为30–40%；或许1/4的算力、对应 Nvidia 业务略低于1/3的部分，服务5或6家大型实验室；另一个大板块则服务初创企业、企业客户、主权项目和专用AI。
实验室池本身也不止 OpenAI 和 Anthropic。Huang 提到了 Gemini、Groq 和 MetaMuse 等公司。同时，数千家公司正在租用 Nvidia 算力，用于 Physical AI、生物学、材料和消费产品，其中包括 Noah Instinct 以及 Bezos 的 Prometheus。
开源模型扩大了机会，而不是蚕食机会。Huang 估计，80%的初创企业在使用开源模型，通常是把自有数据与通用基础模型结合，打造面向特定领域的“超级智能”，而不是重建一家前沿实验室。
13. 可互换性将 Nvidia 的技术领先转化为可融资性
Huang 仍预计，到本十年末，全球基础设施年建设规模将达到约3–4万亿美元，“更接近4万亿美元”，其中单算力就可能达到1.5万亿美元。生成式AI出现之前，传统算力规模已经约为5000亿美元；而摩尔定律结束后，买家再也不能等一年，以同样价格获得2倍晶体管数量。
订单簿证据比公开指引更强：每一家CSP、NCP和OEM都已经提出了超过 Nvidia 可分配能力的需求，预测期限延伸到1–2年。Huang 按自己的算法估算，一个新宣布的澳大利亚2 GW项目对应 Nvidia 约800亿美元收入；更多欧洲合作则可能释放土地、电力和数据中心主体。
当客户必须在看到 Vera Rubin Ultra 之前，就以接近1000亿美元的承诺进行预订时，护城河最为清晰。他们之所以信任它，一是因为 Vera Rubin 延续了 Grace Black，二是因为 Nvidia 能够依托 CUDA 适配预训练、后训练、Agentic推理、新型注意力机制、模型分片、扩散-Transformer混合架构和其他模型结构。
“专业化是可互换性的敌人”（“Specialization is the enemy of fungibility”），也是“耐久性的敌人”。通用平台可以在不同工作负载、模型、租户、客户和国家之间切换，降低资产闲置风险，也让超大数据中心更容易出租、融资并获得投资合理性。
14. 太空算力延续同一套高价值基础设施逻辑
Musk 的建设计划已经从 Memphis 的数十万张 Hoppers，转向讨论超过100万套 Vera Rubin 系统，以及到2027年底达到10 GW。Huang 表示，Nvidia 现在把 Musk 归入CSP，而不是企业客户，因为规模已经变得“巨大”。
Musk 的模式结合了训练、部署 Grokbot 和出租算力，而他的专业能力覆盖能源与实体基础设施建设。Nvidia 和 SpaceX 的工程团队正在开发一种新的服务器架构，这种架构“可能”适合在太空和地球上运行。
当被问及到2029年太空是否能部署500 MW时，Huang 没有承诺，表示让 Musk 自己回答。他的经济判断更为有限：对于价值足够高的算力，发射成本可以只占很小比例；而 Nvidia 的每瓦性能、广泛的租赁池和持续更新的 CUDA，使其比低价值硬件更适合送入轨道。
15. Nvidia 正增加经常性收入，同时返还更多现金
Nvidia 的下一批商业模式建立在现有装机基础之上。缺乏CSP级软件团队的企业客户，会付费让 Nvidia 维护、保护并支持完整的AI工厂；如果按数百万块GPU、每块每年约几千美元计算，Huang 预计软件授权将成为规模非常大的业务。
部分云合作伙伴同样需要 Nvidia 的完整技术栈、生态、客户消纳能力以及资本筹集支持。在这些关系中，Nvidia 可以进行投资、确认硬件销售收入，并在4年、5年或10年内获得收入分成；公司无需亲自成为云服务商，也能取得经常性经济收益。
Gerstner 提到，Nvidia 通过回购返还了超过一半的自由现金流；按照双方交流中的说法，最新季度约为60%，同时公司仍在生态系统各处投资。Huang 预计，随着现金流快速增长，投资额占现金创造的比例会下降，因为 OpenAI 和 Anthropic 这样的机会非常罕见。
在 Huang 的框架下，最终结果是全球算力的一次永久性重构，除非全球陷入大萧条。即便未来年度新建和更新规模达到10万亿美元，他也不会感到意外；他对人类能够妥善引导这笔投入的信心为“99.99%”，因为“聪明人会做聪明事”，而不只是在某位领导者的视野范围内。最后的要求是：“我们完全可以停下来。但如果今天停下，我们就会输。”（“We could easily stop. But if we stop today, we lose.”）