Jensen Huang
前沿洞察
黄仁勋研判，千亿智能体与百亿机器人将驱动半导体产业十年膨胀五至十倍，开源模型的爆发只会催生更大算力基底，五年内绝无泡沫；其深层护城河在于全栈可编程性、极具韧性的生态链及 Token 成本逐年量级骤降的技术迭代。然而，核心增长正撞上实体天花板：HBM、电力、土地与劳动力短缺形成刚性钳制，自研算力渗透与地缘政治断层更是不容忽视的隐忧。
观点集合
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
黄仁勋认为，即使智能成本下降，推理需要更多算力、智能体承担更多工作，AI需求仍可能复合增长。Physical AI今年前六个月为Nvidia带来100亿美元收入；实验室、企业和主权客户的需求及软件授权支撑资本开支逻辑，但基础设施约束可能拖慢落地。
查看摘要（7段）
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。
长篇访谈：Nvidia CEO Jensen Huang 谈对 AI 的担忧
Huang称2030年AI终结世界的概率为“0%”，反对新增AI法律，也“完全不同意”停止向中国出售强大芯片，主张依靠现有责任法律和全球竞争推进部署。他将数据中心定义为“AI工厂”，以能源产出智能，支撑数万亿美元级产业和再工业化；但耗水、电网、社区反弹及潜在80亿美元税负仍需观察。
查看摘要（8段）
- Huang 判断，到2030年 AI 终结世界的概率为“0%”，并称末日叙事“不负责任”且“没有科学依据”。 他对焦虑升温的解释是：实验室花了10–15年做研究，而“过去6个月里，行业实际上已切换到高产能爬坡模式”——如今 token 生成“利润极其丰厚”，这迫使工程资源转向验证与安全，这正是航空业经历过的成熟过程。
- 他的监管立场才是可交易的核心：不需要新的 AI 法规，并指称公开要求监管的实验室其实是想摆脱现有责任。 “读懂弦外之音……他们其实不是在要求更多法律，而是在要求免除我们现有的法律责任。” 他引用实验室网络安全事件（其中一家发生过4起），称未经授权进入和产品责任相关法律已经覆盖这些问题：“先做实务，再谈理论。”
- 他“完全不同意”Dario Amodei 关于停止向中国出售强大 AI 芯片的主张。 Vera Rubin 正在“量产出货”，领先中国“数年”，Nvidia 最先进的技术会优先提供给美国企业——但他所说的“五层蛋糕”（同时承认也可能有6层：能源、芯片、模型、数据和应用）的每一层都应在全球竞争：“我们的市场不是他可以让出去的。”
- 谈到与中国的速度竞争，他说：“我们应尽可能快，但不能快过应有的速度”——不会不安全地发货。 如果中国治愈癌症或引领可持续能源发展，“对我们来说是好事”；美国作为一个国家正在“全副武装”，科技与金融、军方并列为3项国家瑰宝。
- 当被追问 Trump 将 AI 危险担忧称为“骗局”时，Huang 不愿采用这一标签——“我不想替他说话”——但表示末日论者“肯定另有目的”。 他确认将出席下周与 Xi Jinping 的国宴，并将在 AI 产品问题上主张“分享最佳实践……也许制定全球标准”。
- 针对两党共同反对数据中心的浪潮，他说：“很抱歉，我们没能早点来和你们沟通”——但坚持认为，耗水问题“现在已经是个神话”。 循环热水冷却“用水量还不如一个游泳池全年蒸发掉的水”，数据中心应为当地电网作出贡献并降低电力成本；他强调的社区收益还包括新学校和“更低的房产税”。
- 投资视角下，数据中心就是“AI 工厂”——“能源进入，智能产出”——为一个“数万亿美元级产业”和美国再工业化提供动力。 在100万亿美元的世界经济中，“约有15万亿美元会受益于更多智能”；“这不是制造原子，而是制造电子。”
- 即使未来5年潜在成本约为80亿美元，他也与反对加州 Proposition 40 的亿万富豪同行分道扬镳。 “我有能力在5年内缴纳80亿美元税款，这是一种特权……我不怕交税，只怕变穷。”
Jensen Huang：末日论骗局、超级智能已至与 AI 的未来（嘉宾：President Trump）
Jensen Huang 以放射科、代码和入门级岗位预测落空为证，质疑末日论，并主张用根因分析和独立评估替代一刀切监管。过去6个月获4000亿美元风投的 AI 原生公司中80%使用开放模型，NVIDIA则押注土地、电力与算力基础设施；中国先进光刻进展及实验室控制仍需跟踪。
查看摘要（7段）
- Jensen Huang 抨击 Dario 文章中缺乏依据的末日预测，同时将安全与领导力区分开来，并为 Kokotajlo whistleblower 辩护。 Radiology 原本被预测将在5年内实现全面自动化，但结果是 AI 接管了扫描阅片，“我们比以往任何时候都更需要放射科医生”；90%的代码将在6–12个月内由 AI 生成、半数入门级岗位将在6–9个月内消失的预测也都落空。“我们必须为那些愚蠢的预测承担责任。”
- President Trump 在节目中途打来电话连线，称 AI 接管世界的叙事“是一场骗局”，并表示中国是从反对数据中心的声音中获益的“最开心群体”。 数据中心是“未来20–25年的石油……比互联网更大”，“谁赢得 AI，谁就赢了”。他还声称，一年内将有20万亿美元投资进入美国，而 President Biden 任内4年获得的投资远低于1万亿美元，同时补充说“我们必须稍微谨慎一点”，采取审慎行动。
- Jensen 表示，迄今所有真正发生的 AI 问题都来自 frontier labs，因为它们拥有最多算力；解决方案是工程化的根因分析、更好的控制机制和多个独立评估者，而不是一刀切监管。 他“愿意拿钱打赌”，某家实验室的“4起事件”和另一家实验室的“1起重大事件”，未来都在这些实验室的控制范围内。
- Recursive self-improvement 不会失控式螺旋上升，因为产品仍然必须经过测试和评估。 针对主持人提到的消息——GLM 的开发者 Zhipu AI 将投入30亿美元推动 RSI，以及 David 提到其创始人刚融资50亿美元——Jensen 认为，RSI 是上下文学习、技能、反思、强化学习、合成数据和 LoRA 的合理组合。他“确信所有人都在某种程度上使用它”。
- 开放模型是这轮繁荣的基础：过去6个月获得4000亿美元风险投资的 AI 原生公司中，80%都在使用开放模型。 闭源模型是“瓶装水”，但“水是免费的”；中国模型一旦被下载，“它就是你的……我们可以 fork、改进，再把它变成自己的”。真正的竞赛是“谁能把技术利用得最好”，正如美国曾经最有效地利用一场由欧洲发明的工业革命。
- NVIDIA 的策略是“在必要范围内尽可能深入，同时把边界降到尽可能底层”：搭建赋能技术栈和基础设施，帮助客户成功，而不是从每一层都抽成。 NVIDIA 表示，如今全球每个模型都在其平台上运行，而18个月前只有 OpenAI；它支持区域性 neocloud，因为 hyperscaler 一年只规划一次，而市场波动下它们“几乎总是错的”，Jensen 则称自己“出奇地没有竞争性”。
- Jensen 预测，到2030年中国将实现自主先进光刻，随后大陆晶圆厂几乎会“立即”开始量产，并称从中国自身视角看，中国“已经在那里了”。 他还表示，AGI 已经到来；在自动驾驶等领域，狭义超级智能也已经存在——他引用了十分之一的事故率，同时还提到蛋白质合成和虚拟筛选。
Jensen Huang：唱衰 AI 的人看错了
Huang认为，Kimi引发的芯片股下跌重演了市场对DeepSeek的误读：免费且优秀的开放模型会带来更多使用、数据中心和NVIDIA计算机，而NVIDIA目前在中国销售额“约等于零”。在芯片、土地、电力和建筑工人均受限、行业未来10年需扩大5到10倍的背景下，泡沫未来5年内“可能性非常低”，机器人和智能体或成为下一轮算力催化剂。
查看摘要（7段）
- Huang 认为，市场对 Kimi 的误读与此前对 DeepSeek 的误读如出一辙。 芯片股一个月下跌18%，但“免费的 AI 理应利好硬件、芯片和数据中心”——优秀的开放模型会带动更多使用，而“使用越多，就必须卖出更多 NVIDIA 计算机”。他表示，NVIDIA 如今在中国的销售额“约等于零”，也一直告诉投资者按零收入预期。
- 半导体行业“暂时不会”进入下行周期。 “这一次不同，因为这不是需求驱动……而是产业建设驱动。”未来10年，芯片行业需要扩大到现在的5到10倍，这也是内存、存储、光互连、封装和 TSMC 芯片同时短缺的原因。泡沫“总有一天会来，但不是今天”——未来5年内“可能性非常低”，因为芯片、土地、电力和建筑工人等物理约束，会推迟供给超过需求的时点。
- 投资回报问题已经有了答案：我们现在知道 AI 能够盈利。 编程智能体“极其赚钱”，NVIDIA 自己每年为 AI 编程服务支付“数亿美元”，而“这个飞轮已经启动”。OpenAI 和 Anthropic 将成为“人类历史上最成功的 IPO”；至于中国企业把美国公司撞下赛道，可能性是“零……尽管来吧”。
- 一些 AI 末日论断是“彻头彻尾的胡说”，悲观论者还在凭空编故事。 放射科医生岗位增加约20%，律师助理约增加10%，制造业岗位约增加50%——任务自动化反而带来更多工作。“AI 不会摧毁我们所有的工作。会用 AI 的人会抢走我们的工作。”奇点和模拟宇宙之类的讨论是“科幻小说……好莱坞”；“最接近真正 AI 的东西是 R2-D2 和 C-3PO”。
- 政策主张是：不要封禁中国模型，也不要过度纠偏。 后门担忧“是一种误解”——开放模型通过运行框架在安全沙盒内运行；开放模型依靠“大规模分布式、彼此异质的防御体系”对国家安全“很重要”。他担心华盛顿会针对凭空编造的叙事“过度纠偏”，而这些叙事部分来自“希望政府帮忙制定有利于自己的监管规则”的公司。美国政府入股 NVIDIA？“没有必要”——“我们去年缴了100亿美元的税”。
- 中国是否已经追上来“并不重要”。 这不是一场有终点的竞赛；中国培养出的 AI 研究人员“比世界其他地区的总和还多”，遏制中国的想法“既不明智，也不会发生”。美国唯一会输的方式，是没有真正应用这项技术——正如美国在此前每次工业革命中都成功应用技术一样。
- 机器人和智能体将成为下一轮需求浪潮。 机器人的 ChatGPT 时刻“已经到来”；未来3-4年内实现实用化，他“不会感到意外”。未来可能有“1000亿、1万亿个智能体始终在线”——这些智能体会持续使用电脑——这正是算力需求会从今天可能约1亿名同时使用电脑的人类用户基础上大幅增长的原因。
Jensen Huang——Nvidia 的护城河能否延续？
Jensen 认为 Nvidia 的护城河在于可编程性、单位总成本性能和供应商生态，而 TPU 与 Trainium 的增长仍主要集中于 Anthropic。中国政策、客户自研 kernel 和毛利率压力仍未解决，但 Groq 扩大了推理产品范围，Vera Rubin 至 Feynman 路线图瞄准 token 成本逐年降一个数量级。
查看摘要（8段）
- Jensen 认为，ASIC 威胁集中在单一客户身上。 “Anthropic 是一个独特案例，并非趋势。没有 Anthropic，TPU 增长从何而来？100% 都是 Anthropic。”Trainium 也是同样的逻辑。切换的经济性本来就很薄：ASIC 毛利率约65%，Nvidia 约70%（“你到底省下了什么？”）；他还向 TPU 和 Trainium 发起挑战，要求它们登上 Dylan 的 InferenceMAX——“没人愿意来。”
- 护城河在供应链，而硬件瓶颈不会持续太久。 已披露的采购承诺约1000亿美元（SemiAnalysis 报道为2500亿美元），此外还有 Jensen 亲自向供应商 CEO 做宣讲、由此释放的隐含上游资本开支。针对“AI 已经占到 N3 产能60%”的质疑，他给出绝对判断：EUV 和晶圆厂扩产“在两三年内很容易做到。你只需要一个需求信号”；真正更持久的约束是能源，以及“水管工和电工”。
- 针对 CUDA 护城河正在被侵蚀的论点，Jensen 给出的答案是 TCO，而不是锁定效应。 超大规模云厂商自己写 kernel，OpenAI 的 Triton 栈也在取代 cuBLAS/NCCL；但 GPU“就像 F1 赛车”，需要 Nvidia 配备的工程师，他们经常带来2倍、3倍甚至50%的模型提速，并且“直接转化为收入”——“全球无出其右的最佳性能/TCO。”
- 他承认，自己的战略失误是没有充分意识到 Anthropic 确实没有其他选择。 “我没有深入理解这一点：一家 VC 根本不会投50亿至100亿美元……这是我的失误。”这让 Anthropic 落入 Google/AWS 手中。如今，市场传闻 Nvidia 将向 OpenAI 投入最多300亿美元、向 Anthropic 投入100亿美元，Jensen 表示：“我不会再犯同样的错误。”
- 在中国问题上，Jensen 把话说到了最大音量。 出口管制等于放弃全球第二大市场和全球50%的 AI 开发者，只为一家公司的利益。中国生产全球60%的主流芯片，可能更多；Huawei 刚刚在创纪录的一年里出货了“数百万”颗芯片，能源充裕足以弥补7nm 的差距（“7nm 芯片本质上就是 Hopper”）；“如果有一天 DeepSeek 率先在 Huawei 上发布，那将是对我们国家极其糟糕的结果。”
- Dwarkesh 的反驳被完整保留在记录中。 Anthropic 的 Mythos Preview 发现了数千个高严重性漏洞，其中包括一个存在27年的 OpenBSD 零日漏洞——算力是网络攻防能力的输入。Jensen 认为浓缩铀类比“很糟糕”，并将这种框架称为“失败者心态”；双方的分歧没有解决。
- 可交易的新信息包括 Nvidia “加入 Groq”，并将 Groq 纳入 CUDA 生态。 目标是服务高溢价、低延迟、高 ASP 的 token 市场——“拓展帕累托前沿”；路线图为 Vera Rubin → Vera Rubin Ultra → Feynman，同时要求其他 ASIC 团队证明自己也能让 token 成本“每年下降一个数量级”；产能分配从不竞价，而是按采购订单 FIFO 排队，需求暴涨时也不会提价。
- 软件商品化逻辑被倒转了。 代理和工具调用者不断增加，因此工具实例“很可能会暴增”——包括 Synopsys Design Compiler、布图规划器等；“工具调用会让软件公司腾飞”。之所以还没发生，只是因为“代理还不够擅长使用工具”。
Jensen Huang：NVIDIA——4万亿美元公司与AI革命｜Lex Fridman Podcast #494
NVIDIA 的护城河是 CUDA 装机基础与覆盖计算、网络、内存、电力和散热的 AI 工厂全栈，token 成本正每年下降一个数量级。Huang 认为推理和 Agents 会把算力需求推向收入工厂，但供应链、电力和模型周期波动仍限制经济规模扩张。
查看摘要（8段）
NVIDIA的竞争单元已经从GPU扩展到整个AI工厂，因为现代工作负载必须拆分到计算、模型、数据和流水线，并围绕这些环节共同设计网络、内存、电力和散热。 Huang援引阿姆达尔定律：如果计算只占工作负载的50%，即使把计算加速到无限快，整体性能也最多翻倍。过去10年，围绕全栈进行极限协同设计，带来了据称100万倍的计算能力提升，而Moore定律带来的提升约为100倍；与此同时，token成本正以“每年一个数量级”的速度下降。
CUDA的装机基础，而非任何单颗芯片的优雅程度，才是NVIDIA最根本的护城河。 在NVIDIA毛利率只有35%时，把CUDA装进每一块GeForce GPU曾让产品成本增加50%，并助推公司约60-80亿美元的市值一度跌向15亿美元；这笔押注花了10年才开始兑现。它最终为研究人员和开发者铺开了无处不在的硬件基础：“NVIDIA是GeForce盖起来的房子。”
Huang认为，预训练、后训练、测试时推理和智能体倍增构成4条相互强化的规模定律，但最终都受制于算力。 合成数据把训练瓶颈从稀缺的人类数据推向计算；推理并不是轻量、同质化的商品，因为“推理就是思考”；智能体还能生成由子智能体组成的团队，并将成功经验回流训练。结论是绝对的：“智能只能靠一件事扩展，那就是算力。”
NVIDIA试图通过研究、客户可见性和可编程架构，用约3年的硬件周期承接6个月一次的模型架构周期。 CUDA 13.2保留了适应性；NVLink 72的定位，是让参数量达4万亿或10万亿的混合专家模型进入同一个计算域。Grace Blackwell围绕MoE大语言模型推理优化；Vera Rubin则加入Vera CPU、存储加速器，以及另一种名为“Rock”的机架，因为智能体需要文件、工具、研究和I/O。
Huang认为，电力和供应链产能这些约束，可以通过工程、合同和供应商投资解决，而不必被视为固定上限。 一套Vera Rubin机架包含约130万-150万个组件，来自200家供应商；NVIDIA每周可能需要约200个pod。将组装环节前移意味着，即使制造和测试也需要GW级电力。Huang表示，目前并不担心ASML、TSMC封装或内存产能，因为“我告诉了他们我需要什么”，并相信他们的投资计划。
Huang认为，尚未充分利用的电网，是近期增加AI产能的首选来源。 他估算，电网大部分时间只运行在峰值的约60%，但僵化的“六个9”合同迫使数据中心和公用事业按最坏情形预留容量。他提出的替代方案是可优雅降级的计算：在罕见峰值期间接受80%的电力配额，迁移关键工作负载，让其他系统降速运行，并购买差异化的电力保障，而不是要求所有环节都做到绝对完美。
Huang并没有直接给NVIDIA定下10万亿美元估值；他的论点是，如果计算变成能够创造收入的工厂，而不是存放文件的仓库，经济规模就会大得多。 他称增长“极有可能”且“不可避免”，表示每百万个专用token收费1,000美元“就在眼前”，并预计计算在GDP中的占比将达到历史水平的100倍。当被问到NVIDIA是否能“在不远的将来”成为一家营收3万亿美元的公司时，他回答“当然可以”，同时强调，这个机会在很大程度上尚未存在，因此也还谈不上通过抢市场份额来捕获。
在Lex刻意收窄的测试标准下，Huang声称“我们已经实现了AGI”：一个智能体可能创建出短暂走红、价值超过10亿美元的服务，但由10万个智能体共同打造NVIDIA的概率是“0%”。 谈到就业，他将工作的目的与可自动化的任务区分开来：AI让计算机视觉超越人类，但放射科医生的就业人数反而增长；自然语言规格说明则可能把编码人群从3,000万人扩大到约10亿人。他给出的实际建议很直接：在其他条件相当的候选人中，他会选择精通使用AI的人。
Jensen Huang：Nvidia 的未来、Physical AI、Agent 崛起、推理爆发与 AI 公关危机
Huang 正将 Nvidia 从 GPU 供应商重塑为 AI 工厂供应商，以 Vera Rubin、CPU、网络和 Groq 组合承接异构 Agent 工作负载，而 token 经济学更看重吞吐量而非标价。随着 Agent 承担人们愿意付费的工作，推理需求可能跃升多个数量级；Physical AI、开放模型和垂直专业化打开新市场，但采用速度、治理和中国供应链仍是关键风险。
查看摘要（8段）
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”。
Jensen Huang 与 Arthur Mensch：为何每个国家都需要自己的 AI 战略
Jensen Huang与Arthur Mensch将主权AI视为经济、文化和劳动力基础设施，各国需掌控由本地语言、制度、价值观和专业能力塑造的模型。Mensch称24B阿拉伯语调优模型Mistral Saba击败大5倍模型；开放部署与更长推理工作负载利于本地审查，也为数据中心和NVIDIA提供看多理由。
查看摘要（7段）
AI是一项通用技术，但其战略价值将通过国家、产业和企业层面的专业化实现，而不是归结于一个普适聊天机器人。 Huang称，把结论集中到单一通用系统上的说法，是诱使其他所有人等待的“思维把戏”（mind trick）；Mensch则认为，有用的系统需要横向供应商与垂直领域及文化专家合作。“智能属于每一个人”，但每个国家都必须塑造服务于自身语言、制度和民众的模型。
主权 AI 同时是经济基础设施、文化基础设施和数字劳动力。 Mensch预计，未来几年 AI 对每个国家 GDP 的影响都会达到“两位数”；没有本土能力的国家，可能眼看着这部分价值流向海外，就像过去对外国发电能力的依赖一样。主持人最尖锐的表述是：没有主权，所面对的局面近似于“现代数字殖民”。
各国应购买横向技术栈，但必须构建并掌控属于自己的部分。 算力、推理、定制、可观测性以及数据连接等基础能力可以购买；本地知识、政策、价值观和专业能力无法外包。Huang预计，IT部门将成为“数字劳动力的人力资源部门”，负责为 AI 员工办理入职、评估、设置护栏并持续改进。
专业化可能击败单纯堆规模，进而改变模型竞争的经济学。 Mensch称，针对阿拉伯语调优的24B模型 Mistral Saba，表现优于规模大5倍的语言模型，因为专业化让表达更地道；进一步调优后，还可能出现服务于沙特法律工作或法国医疗诊断的系统。正在形成的架构是一棵“AI系统之树”，从通用模型逐层分化到语言、行业、国家和企业专属分支。
开放模型既被视为主权机制，也被视为安全架构。 它们支持本地部署、接入敏感数据、边缘运行，并开放权重以便更严格地评估和通过使用持续改进。Huang表示，他不认为一个被要求达到“100%准确”的系统应使用闭源模型。主持人提出国家安全层面的反对意见：不法分子也能使用开放模型；Mensch和Huang的回答是，封锁一个国家的发展无法遏制软件，而更广泛的审查反而能提升安全性、降低对单一实验室安全流程的依赖。
AI可能缩小技术鸿沟，因为自然语言大幅扩大了能够编程计算机的人口。 Huang称，如今使用 ChatGPT 编程的人已经多于使用 C++ 的人，这一变化大约只用了3年，因此 AI 是“有史以来最伟大的技术平权器”。Mensch补充说，前提是政府必须普及接入和培训，再展示实际收益，例如法国利用 AI 协助将失业者匹配到就业机会。
随着 AI 从即时回答转向长时间推理、个性化和物理系统，算力前景仍在扩张。 Mensch提到，智能体进行20分钟异步研究，是“数据中心和 NVIDIA 的看多理由”；Huang表示，Blackwell 相对 Hopper 的跃升源于其推理设计，恰逢“思考”成为主要算力负载。除信息型智能体外，物理定律 AI 和物理 AI 还可能重塑科学、能源、制造和机器人行业；因此，政策核心应是国家主动参与，而不是被动仰望。