Jensen Huang：Nvidia 的未来、Physical AI、Agent 崛起、推理爆发与 AI 公关危机

摘要

• Nvidia 正在从 GPU 供应商重塑为整座 AI 工厂的供应商，用异构处理器匹配日益异构的 Agent 工作负载。 Huang 表示，Dynamo 的推理解耦架构为收购 Groq 铺平了逻辑路径，而 Vera Rubin、BlueField、CPU、网络和 Groq LPU 可将 Nvidia 的可服务市场扩大约 33%-50%。他纠正了主持人的简略表述：相关数字是数据中心中约 25% 的 Vera Rubin 系统，而不是数据中心总空间的 25%。

• Huang 认为，推理买家应优化 token 成本，而不是工厂标价，这意味着更便宜的定制芯片可能反而是一笔假便宜。 按他的例子，一座500亿美元的工厂中约200亿美元用于土地、电力和厂房外壳，而存储、服务器、CPU、制冷和网络无论如何都需要配置；因此实际比较可能是500亿美元对400亿美元，而不是500亿美元对300亿美元。如果 Nvidia 能提供 10 倍吞吐，“即使芯片免费，使用更慢的技术也不够便宜”。

• Agent 化转型可能把推理需求变成百万倍扩张故事，因为人们付费的主要是完成的工作，而不是信息本身。 Huang 将生成式 AI 到推理的算力增幅估算为约 100 倍，推理到 Agent 再增加 100 倍——两年内达到 10,000 倍，随后他说：“我们绝对已经到了100万倍。”他的内部基准同样激进：一名年薪50万美元的工程师如果只消耗5,000美元 token，会让他感到警惕；他的目标是至少25万美元，并预计最终每名工程师都将调度 100 个 Agent。

• OpenClaw 的意义不在于又多了一个应用，而在于它勾勒出一台围绕 Agent 构建的新型个人电脑。 它的记忆、资源管理、调度、I/O 和技能共同构成了“第一台真正意义上的个人人工智能电脑”，开源且几乎可以部署在任何地方。约束在于治理：Agent 可以访问敏感数据、执行代码并与外部通信，但政策应规定“3项能力中只能同时授予2项，不能3项全开”。

• Huang 认为，Physical AI 已经是一个有实质规模的增长业务，而不是遥远的期权。 他称其为科技行业首次有机会切入一个此前基本没有技术渗透的“50美元产业”。Nvidia 持续10年的投入如今已“接近每年100亿美元”，且仍在指数级增长；而规模达2万亿美元的电信行业也可能转型为分布式边缘基础设施。他预计，实用型机器人将在约3-5年内普及，但中国在电机、微电子、稀土和磁体方面的优势，意味着其供应链将成为全球产业的基础。

• 开放模型与专有模型是互补关系，而应用层的护城河正从横向代码转向深度垂直专业能力。 Huang 的表述是“二者都要”：专有服务在通用智能领域仍具吸引力，但各行业需要开放模型来沉淀可掌控的领域知识。主持人将市场概括为 OpenAI 第一、开源/开放权重模型第二、Anthropic 遥遥第三；Huang 则单独表示，开放模型是最受欢迎的第二大模型类别，并已接近前沿。他也不认同企业软件必然被摧毁的论点——100 倍更多的 Agent 反而可能持续调用 SQL、数据库、Synopsys、Cadence、Blender 和 Photoshop——而持久的差异化将来自“深度专业化”，再通过连接 Agent 与客户形成强化。

• 在 Huang 的框架中，最大的 AI 政策风险是美国国内采用速度过慢，而外国竞争者更快扩散这项技术。 他敦促政策制定者区分警示与恐慌，指出 AI“不是生物存在”，不是外星人，也没有意识，并批评在缺乏证据的情况下做出灾难性预测。Nvidia 表示，公司在全球第二大市场的份额已从 95% 降至 0%；获批的许可证和新的采购订单正被用来重启出货供应链。他的战略目标，是让美国技术栈服务全球约 90% 的市场。

• Huang 承认部分工作岗位会消失，但认为自动化往往会扩大剩余职业的用途和产出。 主持人指出美国有1,000万-1,500万份驾驶相关工作；Huang 则反驳称，司机可以转型为移动出行助手，并以放射科为例：计算机视觉已经全面采用，但随着医院完成更多扫描，放射科医生的需求反而上升。他建议把 AI 当作一门手艺来掌握——明确要求但不过度规定——同时保留深厚的科学、数学和语言能力，因为“语言现在就是 AI 的编程语言”。

精读

1. Nvidia 的产品正在变成整座 AI 工厂

• Huang 表示，Nvidia 的战略往往会“提前数年在 GTC 大会上公开呈现”。大约两年半前推出的 Dynamo 将推理解耦，让不同数学阶段运行在最适合的处理器上；这正是推动 Nvidia 走向 Mellanox、如今纳入 Groq 的同一套架构直觉。

• 由此形成的平台覆盖 GPU、CPU、纵向扩展和横向扩展交换机、网络处理器，如今又加入 Groq。Huang 用一句话概括了公司的重新定位：“我们确实已经从一家 GPU 公司进化成了 AI 工厂公司”，把“正确的工作负载放到正确的芯片上”。

• Agent 进一步放大了异构需求：它们会访问工作内存、长期记忆、存储和工具；与其他 Agent 协作；同时混用大模型、小模型、扩散模型和自回归模型。Vera Rubin 的设计出发点正是这种多样化工作负载，而不是某一种单一模型类型。

• Huang 估算，从一整机柜的内容扩展到另外4个机柜，可让 Nvidia 的 TAM 扩大约 33%-50%，增量分布在 BlueField 存储处理器、Groq 处理器、CPU 和网络产品上。他的战略筛选标准同样激进：专攻“难到离谱”、前所未有且与 Nvidia 特殊优势相匹配的工作。

2. 便宜芯片可能带来昂贵 token

• 主持人直接提出了看空情景：Nvidia 的推理工厂可能耗资400亿-500亿美元，而定制 ASIC 或 AMD 替代方案只需250亿-300亿美元，看起来会迫使 Nvidia 丢失份额。

• Huang 的反驳是：“不能把工厂的价格等同于 token 的价格。”在他假设的500亿美元工厂中，约200亿美元用于土地、电力和厂房外壳；无论最终采用哪种加速器，存储、网络、CPU、服务器和制冷都仍然不可或缺。

• 因此，按他的示例，真正相关的溢价更接近500亿美元对400亿美元。如果价格更高的系统能提供 10 倍吞吐，500亿美元的工厂反而可以生成成本更低的 token；落后的硬件“即使芯片免费，也不经济”。

• 主持人指出，市场对 Nvidia 的收入增速预期为 2029 年依次降至 30%、20%、7%，这意味着在算力需求爆发的同时，份额可能崩塌。Huang 认为这是品类判断错误：Nvidia 约 40% 的业务需要 CUDA 和完整工厂，而仅 AWS 据报道未来几年就计划新增约100万颗芯片。

3. OpenClaw 把 Agent 变成一台新电脑

• Huang 描述了3次技术拐点：ChatGPT 为已经显现的生成式技术提供了易用接口；推理让答案更有依据、更实用；Claude Code 则展示了真正能在产业内发挥作用的 Agent。Claude Code 最初仅向企业开放，而 OpenClaw 让 Agent 能力“进入大众意识”。

• OpenClaw 更深层的意义在于架构。记忆与临时文件系统、资源管理、调度与 cron 任务、Agent 生成、WhatsApp 等 I/O，以及技能 API，共同复现了电脑的基本构成——因此 Huang 称其为“现代计算的操作系统”。

• 这种能力也划出了一条清晰的安全边界，因为 Agent 可能接触机密数据、可执行代码和外部通信。Huang 希望治理机制规定3项能力中同时只能开放2项，并表示 Nvidia 的工程师正在帮助 Peter Steinberger 改进隐私与安全。

4. Agent 经济奖励最大化 token 消耗

• Huang 估算，推理所需算力约为生成式 AI 的 100 倍，而 Agent 又是推理的 100 倍：两年内达到 10,000 倍。如果人们从获取答案转向完成任务，消耗量可能再增加 100 倍，“我们绝对已经到了100万倍”。

• 经济逻辑很简单：“人们为信息付费，但人们主要为工作付费。”研究辅助很有价值，但写软件的 Agent 能直接产出企业已经愿意付费购买的结果。

• 当被问及 Nvidia 是否每年在工程 token 上投入10亿-20亿美元时，Huang 只回答：“我们正在努力。”他的思想实验更为激进：如果一个年薪50万美元的工程师每年消耗的 token 不到25万美元，他会“深感警惕”，就像芯片设计师拒绝使用 CAD 工具一样。

• 主持人提供了最直观的证据：一个企业技术栈在周日晚上90分钟内完成重建和部署；随后，主持人通过 autoresearch 在30分钟内得到一项内部基因组学结果，而这项工作原本可能需要完成一篇类似7年博士论文的研究。“加速正在拓宽视野。”

5. Physical AI 正从孵化期走向收入期

• Huang 的 Physical AI 技术栈包含3台电脑：一台负责训练智能；Omniverse 在遵循物理规律的模拟世界中评估机器人；边缘电脑则负责驱动汽车、机器人，甚至联网的泰迪熊。

• 电信基站是规模尤其庞大的边缘机会。Huang 预计，规模达2万亿美元的通信行业最终会成为 AI 基础设施的延伸，与工厂、仓库、无线电设备及其他边缘系统共同构成基础设施网络。

• Nvidia 大约10年前开始布局 Physical AI；Huang 表示，该业务如今已接近每年100亿美元，并且“正在指数级增长”。他称 Physical AI 是科技行业首次有机会切入此前基本没有技术渗透的“50美元产业”。

• 数字生物学仍处于更早期阶段：Huang 认为，随着行业学会表示基因、蛋白质和细胞，它正接近自己的“ChatGPT 时刻”。他保留了不确定性——“2、3、5年”——但完全预期医疗行业将在5年内迎来数字生物学拐点。

6. 医疗行业将融合生物、Agent 与 Physical AI

• Huang 将 Nvidia 参与医疗的方向分为3条线：用于预测生物行为、加速药物发现的 AI biology；用于诊断和患者互动的 Agent；以及用于机器人手术的 Physical AI。

• 他以 OpenEvidence 和 Hippocratics 作为 Agent 层的例子。Huang 预计，这项技术将改变患者与医生及整个医疗系统的互动方式，而不只是提升某一个诊断模型的表现。

• Physical AI 层将覆盖从超声到 CT 的每一台医院设备。Huang 预计，最终每台设备都会具备 Agent 能力——本质上都内置一个安全版本的 OpenClaw，能够以不同方式与患者、护士和医生互动。

7. 开放模型与既有软件可以共同增长

• Huang 否定了封闭模型与开放模型二选一的框架：“二者都要。”消费者可以继续购买 ChatGPT、Claude、Gemini 或 X 提供的成熟通用模型，而企业则使用开放模型编码那些需要自有和掌控的专业知识。

• 主持人将市场排序概括为 OpenAI 第一、开源/开放权重模型第二、Anthropic 遥遥第三。Huang 则单独表示，最受欢迎的第二大模型类别是开放模型，强调大量 AI 活动都发生在最受关注的专有实验室之外。他补充说，开放模型已经“接近前沿”。

• 初创公司可以立即调用最好的专有模型，随后逐步降本、微调并实现专业化。路由器保留前沿能力，同时帮助公司构建可控的垂直系统。

• Huang 以规模反驳企业软件消亡论：未来也许会有多出 100 倍的 Agent 持续“敲击” SQL、向量数据库、Synopsys、Cadence、Blender 和 Photoshop。这些工具仍是人类可读的控制层和事实基准；应用层护城河将转向“深度专业化”，而与客户建立连接会形成飞轮。

8. 扩散政策正在成为产业战略

• Huang 敦促政策制定者从去神秘化的描述开始：AI 是计算机软件，“不是生物存在”，不是外星人，也没有意识；与声称完全无法解释相比，产业实际上对它了解得多得多。政策不应跑在仍在快速变化的技术前面。

• 他对 Anthropic 的评价刻意保持两面性：技术、安全和安全文化都很出色，但“警示是好事，吓人就没那么好了”。如今科技领袖的言论会影响社会和国家安全，在缺乏证据的情况下做出极端灾难预测，可能损害技术采用。

• Huang 表示，Nvidia 曾在全球第二大市场放弃 95% 的市场份额，跌至 0%。获批的出口许可证以及随后来自中国的采购订单，正让公司得以重新启动供应链并恢复出货；他理想的终局，是由美国芯片到平台的技术栈服务全球 90% 的市场。

• 供应韧性需要美国更快推进再工业化、继续与台湾合作，并通过韩国、日本和欧洲实现多元化，同时保持克制，避免施加不必要的压力。他承认，氦气“可能会成为一个问题”，但供应链可能仍保有有意义的缓冲。

9. 自动驾驶、机器人和太空将按不同节奏实现自主化

• Huang 的出发点是绝对性的：“所有会移动的东西，最终都会完全或部分实现自主化。”Nvidia 不想自己造自动驾驶汽车，而是模块化提供训练、仿真、评估和车载计算：Tesla 可以购买训练基础设施，其他车企则使用更多技术栈。

• Nvidia 的推理式自动驾驶系统名为 Alpaca IO，它将复杂场景拆解成可导航的子问题。Huang 将 Nvidia 的立场概括为灵活合作：“我们想解决问题”，至于每家车企购买平台的多少，并不重要。

• 人形机器人已经出现功能较强的演示，将其转化为合理产品应需要“2、3个周期”，也就是约3-5年。中国之所以强大，是因为其电机、微电子、磁体和稀土生态支撑着全球机器人产业；当前劳动力短缺也提供了即时需求。

• 太空仍是更长期的选择。Nvidia 表示，其芯片已经具备抗辐射能力，并有 Kuda 在卫星上执行本地成像，但轨道数据中心必须通过辐射散热，而不是传导或对流，因此需要巨大的表面积。Huang 表示 Nvidia 会探索这套架构，但“需要数年时间”。

10. AI 改变任务的速度快于抹去职业的用途

• 主持人迫使话题直面岗位替代，指出美国有1,000万-1,500万人从事驾驶工作。Huang 承认“部分工作会被消灭”，但认为司机可以转型为出行助手，由自动驾驶汽车负责驾驶，让他们转而从事其他有偿工作。

• 他的放射科案例区分了任务与职业用途：计算机视觉已经融入放射科的各个环节，但放射科医生的需求反而上升，因为更快的扫描让医院能够诊断更多患者并创造更多收入。关于技术会被采用的判断是对的；关于职业会消失的预测则错了。

• 对年轻人而言，Huang 仍建议打好科学、数学和语言基础——甚至可以主修英语，因为“语言现在就是 AI 的编程语言”。稀缺能力在于艺术性地使用 AI：明确指定结果但不过度规定，给发明留出空间，并知道如何判断什么是好作品。