编辑：桃子
【新智元导读】老黄深夜祭出最强挑衅：所有自研芯片都是「纸老虎」！他直言谷歌TPU、亚马逊Trainium根本不敢上台打擂，并首次揭秘了英伟达从「电子到Token」的终极护城河。
自研芯片全是「纸老虎」！
在最新访谈中，英伟达CEO甩出了一句极其挑衅的宣言——
谷歌TPU没来，亚马逊Trainium没来，根本没一个敢露面。
直白讲，在AI算力的终极对决赛中，除了英伟达，能打的对手还没出现！
在近两小时播客中，老黄与主持人Dwarkesh Patel展开了一场极具火药味且深度的对话。
他不仅重申了英伟达的技术护城河，更对当前的全球竞争格局，表达了冷峻的预判。
访谈中，最震撼人的一个镜头是——
面对别人的质疑，老黄霸气外露地回怼道，「我醒来从没觉得自己是个loser」。
「我们又不是一辆汽车（We are not a car）」。
近两小时对谈中，所有的精彩亮点如下：
公开叫阵TPU、Trainium上MLPerf打擂，至今无人应战；
抛出新思维模型：输入电子、输出token，中间层就是英伟达；
英伟达拥有全球最低的TCO，在同等能耗下，token产出效率世界第一；
罕见认错，低估了Anthropic这步棋。但Anthropic只是特例，全世界只有一个；
真正卡脖子的不是EUV光刻机，是水管工和电工。
把「电子」转化成token
这就是护城河
访谈一开场，Dwarkesh瞄准了英伟达护城河，提出了一个尖锐的问题——
既然英伟达本质上是设计软件，然后交给台积电代工、由海力士提供内存，那么如果未来AI让软件变得像大宗商品一样廉价，英伟达的估值是否也会崩塌？
对此，老黄提出了一个全新的「思维模型」。
输入的是电子，输出的是token，而中间层就是英伟达
他认为，制造一个token就像制造一个分子，如何让这一个token比另一个token更有价值，背后蕴含着极其高深的艺术、工程与科学。
而这种「电子到token」的转化过程极其复杂，很难被平庸化。
最重要的是，英伟达的护城河在于「五层蛋糕」生态系统，他们坚持做尽可能少、但在必须做的领域做到极难的策略。
而对于「英伟达靠锁定稀缺供应链建立护城河」的说法，老黄承认，这确实是对手难以企及的优势。
他特别强调，这种优势源于一种「前瞻性的结盟」，具体怎么讲？
合作之前，AI蓝图早就绘好了
英伟达不仅仅是砸钱买产能，更是在几年前就开始说服台积电、美光等公司的CEO，向他们描绘AI产业未来的规模。
GTC，就是一场大型「教育会」
老黄调侃道，自己的GTC演讲更像是「教育」，他必须让整个供应链看清未来的趋势，才能引导全球的资源向AI产业倾斜。
所谓的「瓶颈」，都是暂时的
当谈到逻辑芯片、CoWoS封装、HBM内存的紧缺，是否会限制AI的增速时，老黄表现得非常淡定。
他指出，在巨大的市场需求信号面前，任何硬件瓶颈通常只需2-3年就能通过大规模扩产解决。
英伟达已在「预取」（Prefetching）未来的瓶颈，技术授权是一部分，另一种方式就是「投钱」。
比如，帮助合作伙伴Lumentum、台积电提前布局硅光子、双面探测等前沿技术。
有趣的是，老黄认为真正的长久挑战往往在更下游：
- 能源： 无论是重工业化还是建设 AI 工厂，能源政策的滞后才是长期难题；
- 劳动力： 真正的稀缺资源不是EUV光刻机，而是能落地AI数据中心的「水管工和电工」。
这里再mark一下Hinton那句话，去做水管工
喊话谷歌TPU来战，没人打赢英伟达
接下来，才是整场访谈中最刺激的一部分。
Dwarkesh提出了一个令市场不安的观察：
目前全球最顶尖的三个AI模型中，其中两个（Claude和Gemini）是在谷歌TPU上训练的。
这是否意味着，英伟达GPU并非不可替代？
老黄对此进行了强有力的反击，他认为完全是「降维打击」，并把英伟达的成功归结为一种完全不同的计算范式。
打开新闻客户端 提升3倍流畅度
「加速计算」降维打击
TPU只是一个「张量处理单元」，英文带做的是「加速计算」。
「加速计算」的应用范围远超AI，涵盖了分子动力学、量子色动力学、流体力学、粒子物理以及大规模数据处理。
如今，AI算法演进极快。
如果明天出现一种新架构，高度可编程的CUDA可以无缝支持，而固化的ASIC芯片可能直接变成「电子垃圾」。
虽然矩阵乘法是AI的核心，但创新的关键在于——快速发明新内核。
老黄透露，Blackwell之所以比Hopper飙升50倍性能，靠的是通过CUDA对MoE等新架构，进行的深度底层协同设计。
他将CUDA比作英伟达最宝贵的资产——
全球有数亿颗英伟达 GPU，分布在所有主流云平台和边缘设备中。
开发者写出的代码，可以「一次编写，到处运行」。
他将CPU比作凯迪拉克，人人都能开得不错；而英伟达的加速器则是F1赛车。
虽然普通人能开到100码，但只有英伟达的专家能将其性能推向极限，帮助客户通过优化软件栈直接获得2-3倍的性能提升。
TCO经济学，token产出最多
面对「大客户是否会为了省钱而自研芯片」的质疑，老黄给出了一组非常硬核的商业逻辑：
英伟达的计算栈是全球「总拥有成本」（TCO）最低的，没有之一。
在同样的1GW数据中心里，使用英伟达架构产出的token数量，是全球最高的。
现场，老黄直接公开叫阵，欢迎Trainium、或TPU参加像InferenceMAX或MLPerf这样的第三方基准测试。
但实际上，没有人愿意「露面」。
很多人抱怨英伟达 70% 的利润率太高，但老黄一针见血地指出，即便是找博通代工 ASIC 芯片，对方也要赚走65%的利润。
为了省那5%的利润，而放弃整个生态系统的兼容性，这在商业逻辑上是讲不通的。
Anthropic只是一个特例，并非趋势
Dwarkesh追问，既然英伟达这么好，为什么Anthropic还是选择了与谷歌、亚马逊签下数十亿美元的TPU订单？
面对如此尖锐的问题，老黄又是如何自圆其说？
他用一句话总结：Anthropic只是一个特例，并非趋势。
紧接着，他表示，如果没有Anthropic，TPU、Trainium的增长无从谈起，100%是Anthropic带来的。
但世界上只有一家Anthropic！
与此同时，老黄罕见地承认了策略上的失误：
当时，谷歌和亚马逊通过巨额融资，换取了Anthropic使用其自研算力的承诺。
我当时的错误在于，没有深刻意识到，如果不给这些实验室提供资金支持，他们别无选择。
英伟达的商业「哲学」：不越界
访谈的后半段，Dwarkesh又提出了一个极具诱惑力的假设——
既然英伟达拥有无可匹敌的算力资源，为什么不直接下场成为一家超大规模云服务商（Hyperscaler）？
老黄的回答揭示了英伟达的商业哲学：「做尽可能多，同时也做尽可能少」。
世界上已经有很多云服务商了。
如果英伟达自己下场做云，就是与自己的客户（亚马逊、微软等）直接竞争。
英伟达宁愿选择投资像CoreWeave这样的「原生AI云」，通过背书和资金支持，让生态系统更加多元化，而不是亲自去盖机房、拉电线。
老黄认为，一个健康的公司应当专注于那些「如果我不做，就没人能做成」的事情。
如果英伟达不去研发NVLink、不投入20年时间在亏损中坚持CUDA、不开发像cuLitho这种计算光刻库，这些技术可能永远不会出现。
投资，但不「选妃」
近来，英伟达对OpenAI、Anthropic进行了规模惊人的投资，分别达300亿和100亿美金规模。
对此，老黄非常严肃地表示，「我们不选赢家」。
一方面，这不是我们的工作，另一方面，我深知创业的不确定性。
他回忆起英伟达初创时，全球有60家图形芯片公司，而英伟达当时甚至是架构最「离谱」的一个。
英伟达的策略是——
如果世界需要这些伟大的AI公司存在，而VC无法提供百亿级别的资金支撑，那么英伟达就会出手。
但目的是为了让整个生态「繁荣」，而不是为了控制它们。
做好一件事，CUDA就够了
在访谈的尾声，Dwarkesh 提出了一个具有思辨性的问题：
英伟达现在财大气粗，人才济济，为什么不并行开发几种完全不同的架构？
比如像Cerebras那样的晶圆级芯片，或者像特斯拉Dojo那样的「巨型封装」，以防万一AI架构发生突变。
老黄的回答，展现了他作为顶级架构师的极度自信与理性。
模拟器已否定了一切
他直言，英伟达拥有世界顶尖的「模拟系统」。
我们可以在模拟器里，模拟出你能想象到的任何架构。结果证明，那些方案在性能和效率上都更糟。
也就是说，从数据上的验证已经否定了这一切。
Dwarkesh又问道，如果台积电先进制程（如N2/N3）产能见顶，英伟达是否会回到老旧的N7工艺重新设计 Hopper？
对此，老黄表示，这种「回流」研发的成本高得离谱。
英伟达宁愿选择在先进制程上「倾力向前」，通过先进封装和数值计算的改进来弥补产能压力。
扩产Groq：抢占「溢价token」市场
众所周知，英伟达几个月前将「推理芯片之王」Groq纳入了CUDA生态。
这背后，蕴含着老黄对推理市场「分层化」的深刻洞察：
以前token要么免费，要么极便宜。
但现在，如果更快的响应速度，能让一名年薪几十万美金的软件工程师效率翻倍，那么企业愿意支付极高的溢价。
过去英伟达追求的是高吞吐量（单位时间内产出的token总量），但现在他们开始布局「低延迟、高溢价」的推理细分市场。
这意味着未来英伟达的工厂将同时产出「平价高产」和「尊享速达」两种token。
如果没有AI革命，英伟达会怎样？
访谈以一个浪漫的假设结束。如果深度学习革命从未发生，英伟达现在会在做什么？
老黄语气中带着一种使命感：「即便没有AI，英伟达也会非常庞大」。
通用计算的终结
他的基本信念是，「摩尔定律」下的通用计算（CPU）已经走到了尽头。
无论有没有AI，科学、工程、物理、图像处理这些领域，都急需「加速计算」。
科学的民主化
英伟达的初心是让每一位学生、每一位科学家，通过一张GeForce显卡就能处理分子动力学或地震数据。
这种「加速计算」的底色，其实早在AI爆发前就已经涂就。
不仅仅是张量
老黄强调，在GTC演讲的开篇，他总会花大量时间讲计算光刻（cuLitho）、量子化学和数据处理。
AI确实令人兴奋，但这个世界上还有很多重要工作与AI无关，张量并不是计算的唯一方式。我们想帮助每一个人。
启远网提示：文章来自网络，不代表本站观点。
