黄仁勋的这次演讲，质量有点高。 10月6日，他出现在纽约，美国城堡证券（Citadel Securities）举办的一场闭门对话，对话在10天后，也 就是昨天（10月16日），被公布。 台下坐着华尔街最敏锐的一群人，掌控着全球数万亿美金的资金流；台上，黄仁勋穿着那件标志性的黑 皮夹克，讲了一个横跨30年的故事。 从显卡、到加速计算、再到AI工厂，他几乎重述了整部"人工智能的演化史"。 这场对话密度，像在听一位哲学家回顾工业革命，只不过他谈是算力。最让我印象深的，是他那句几乎 带点预言意味的话： The future of computation is 100% generated.未来的计算，将是百分之百的生成式。 听完，我觉得，他像在讲人类的下一种生产方式。现在，请允许我把理解后的内容汇报给你。 先说说他都说了什么吧。 回到了1993年，那个互联网还没普及的年代。 那时所有投资都在押CPU，因为摩尔定律还在，晶体管越做越小，性能就能翻倍。所有人都在追"更通 用、更强大的处理器"。 但他看到了极限，他说： 通用技术的最大问题，是它往往对"极难的问题，没那么好用"。 所以，他干了一件"反主流"的事，造一个专门为 ...

听完，我觉得，他像在讲人类的下一种生产方式。现在，请允许我，把理解后的内容，汇报给你。 黄仁勋这次演讲，质量有点高。 10月6日，他出现在纽约，美国城堡证券（Citadel Securities）举办的一场闭门对话，对话在10天后，也 就是昨天，被公布。 台下坐着华尔街最敏锐的一群人，掌控着全球数万亿美金的资金流；台上，黄仁勋穿着那件标志性的黑 皮夹克，讲了一个横跨30年的故事。 从显卡、到加速计算、再到AI工厂，他几乎重述了整部「人工智能的演化史」。 这场对话密度，像在听一位哲学家回顾工业革命，只不过他谈是算力。最让我印象深的，是他那句几乎 带点预言意味的话： The future of computation is 100% generated.；未来的计算，将是百分之百的生成式。 01 先说说他都说了什么吧；回到了1993年，那个互联网还没普及的年代。 那时所有投资都在押CPU，因为摩尔定律还在，晶体管越做越小，性能就能翻倍。所有人都在追「更通 用、更强大的处理器」。 但他看到的了极限，他说： 通用技术的最大问题，是它往往对「极难的问题'，没那么好用」。 所以，他干了一件「反主流」的事，造一个专门为「难 ...

人工智能能够不断自我迭代，通过持续学习提升自身能力，产生新的效果，这是一个重要的变化。AI不再是辅助工具，而是可独立完成任务的"数字劳动 力"，企业估值从"工程公司"转向"效益共创"。未来AI企业的价值判断标准关键指标应该是是否能从"提供工具"升级为"输出数字劳动力"，直接创造可量化 的效益。 北京商报讯（记者 和岳）10月17日，HICOOL 2025全球创业者峰会举办"AI赋能数字经济高质量发展论坛"，亿欧董事长、中国产业发展促进会产业集群副 秘书长王彬在谈及人工智能商业落地时表示，行业应该关注两个方面，一个是让"车"开得更快、更稳，另一个则是开辟新的赛道，因此人工智能提效是新的 增长点，方向则是依靠硬科技和前沿技术，推动未来产业发展，从而进一步提升实体产业的作用。 | the control concession in the control of the controlled | | | | --- | --- | --- | | | the control control of the consideration | | | | 1. We a | | | One of Concession | | ...

公司创立与战略蓝图 - 公司创立于1993年，基于一个反向洞察：随着晶体管缩小的物理极限临近，世界需要全新的计算方法——加速计算，以解决通用计算不擅长的困难问题 [4][18][19] - 公司面临“先有鸡还是先有蛋”的难题，即新计算架构需要大型市场，而该市场因架构不存在而不存在，因此决定“必须同时发明技术和市场” [5][23][24] - 被创造出的技术是GPU，而被凭空创造的市场是现代3D图形视频游戏，这个价值万亿的娱乐产业为加速计算平台提供了最初的“杀手级应用” [5][25] CUDA平台的诞生与演进 - 在2000年代初，公司意识到GPU处理图形所依赖的物理模拟和线性代数本质是通用数学运算，思考如何将这种强大算力开放给更广阔的科学计算领域 [7][21] - CUDA平台应运而生，它像一座桥梁，让科学家和研究人员能利用GPU的并行计算能力解决复杂问题，极大地缓解了摩尔定律放缓带来的计算瓶颈 [7][28] - 发明一个能与ARM和x86并驾齐驱的全新计算平台极为艰难，花费了近30年时间 [7][28] 引爆AI革命的关键决策 - 2012年深度学习里程碑AlexNet基于GPU取得突破，公司得出结论：深度学习是一个“通用的函数逼近器”，能学习几乎任何函数，解决任何问题 [8][31] - 基于第一性原理判断，公司将整个未来全部押注在深度学习上，结论是计算堆栈的每一层都可以被重新发明 [8][31] - 2016年发布了世界上第一台专为AI设计的超级计算机DGX-1，并将其交付给OpenAI，标志着公司从AI革命的“赋能者”成为“核心基础设施”的建造者 [8][32][34] AI工厂：新一代计算基础设施 - 未来的数据中心将不再是存储信息的仓库，而是生产智能的“AI工厂”，客户从中赚钱 [9][36][37] - 衡量基础设施价值的核心指标变为单位能源所能产生的计算吞吐量，如果每瓦能效提升三倍，公司就能在工厂中产生三倍的收入 [9][36] - Meta等巨头基于GPU的AI推荐系统重建了业务，市值从低谷反弹超过万亿美元，证明了AI工厂是直接的收入引擎而非成本中心 [9][42] AI的下一波浪潮：数字劳动力与物理AI - 第一波是**数字劳动力**，即代理AI，技术将首次直接进入“劳动力”这个从未被软件触及的行业，未来企业将由人类和“数字人类”共同组成 [10][41][46] - 第二波是**物理AI**，即机器人技术，其背后是同一种智能在不同“载体”中的体现，自动驾驶汽车、机械臂或人形机器人均属此类 [10][50][53] - 实现这一未来需要三台计算机：用于训练的AI工厂、用于模拟学习的虚拟世界，以及机器人本身搭载的“大脑”，公司为所有三个环节提供完整计算平台 [10][61] 计算范式的根本转变 - 未来计算的范式将从“检索式”转变为“生成式”，信息不再是被检索，而是被实时生成，从根本上改变了人机交互模式 [11][76][80] - 以Perplexity为例，其提供的所有内容都是完全生成的，而非检索预先编写的内容，这种转变的终极形态是人类自身的实时生成式交互 [11][76][80] - 在这个生成式未来里，与计算机的交互不再是单向命令与执行，而是一种共同创作，计算的终局是无限的生成 [11][80][81] 投资回报与市场规模 - AI投资回报已经显现，Meta在苹果隐私政策冲击后，通过GPU驱动的AI推荐系统重建业务，市值从低谷反弹超过万亿美元 [42] - 对2025年的AI投资落地估计可能高达5000亿美元，AI制造（模型制造者）和应用层蕴含数万亿美元机遇 [40][46] - 企业级代理人工智能增强劳动力，以及物理人工智能，这两个行业约占全球经济的100万亿美元，技术首次能够增强这一领域 [41][46] 技术平台与创新速度 - 公司提供的AI工厂平台包含CPU、GPU、网络处理器、三种类型的交换机以及大量的软件，可构建机架规模乃至建筑规模的系统 [35][37][38] - 公司创新速度快的原因在于协同设计：同时改变算法、软件、网络、CPU和GPU，从而突破放缓的摩尔定律，代际性能提高约10倍 [35][36] - 软件兼容性（如CUDA）是关键优势，使得生态系统能够快速演进，客户可以随心所欲地快速制造芯片 [35][36] 新兴前沿市场与主权AI - 数字生物学是新兴前沿，公司正取得快速进展，例如与Arc合作开发用于细胞表征的基础模型Evo 2，未来可与细胞“对话” [63] - 主权AI趋势明显，各国政府意识到不能外包所有国家数据，每个国家都可能进口、购买并构建自己的主权人工智能 [64][65][66] - 在电信领域，5G和6G将因AI而彻底变革；在量子计算领域，通过创建量子GPU混合计算系统CUDA-Q，可将量子计算机的时间表提前约十年 [63] 被低估的技术与指标 - 华尔街低估的关键绩效指标是AI工厂的单位能源吞吐量，它直接决定了客户的收入，而不仅仅是芯片性能 [83] - 公司平台最被低估的部分是CUDA之上的库，如CUDNN，它可能是人类历史上创建的最重要的库之一，公司约有350个这样的库 [83][84][85] - 用于物理AI学习的虚拟世界Omniverse被严重低估，它正席卷整个机器人行业，是公司大约十年前开始研究的有远见的技术 [85]

英伟达的战略定位与历史沿革 - 公司在1993年创立时预见到通用计算CPU的局限性与摩尔定律的终结，从而确定了加速计算的战略方向 [1] - 英伟达同时发明新技术和现代3D游戏市场，解决了鸡生蛋还是蛋生鸡的困境 [1] - 通过CUDA Everywhere策略将CUDA推广至科研界，加速了ImageNet等竞赛的突破 [1] - 基于深度学习是通用函数逼近器的洞察，公司彻底重塑计算堆栈，将AI集成到所有芯片、系统和软件中 [1] 全栈协同设计的技术优势 - 2016年推出首台AI工厂DGX-1，其核心秘诀在于全栈协同设计：同时设计和集成整个基础设施（网络、CPU、GPU）并运行统一软件栈 [2] - 这种高度集成突破摩尔定律限制，实现代际间约10倍的性能飞跃 [2] - 公司是当今世界上唯一能提供从建筑、电力到白纸的完整AI工厂解决方案的企业，所有网络、交换机、CPU、GPU都运行英伟达统一软件栈 [32] - 全栈设计使产品保持软件兼容，能以物理极限速度创新，每年带来约10倍的性能提升 [33] AI工厂的商业价值与市场规模 - AI已在超大规模数据中心实现数千亿美元的实际ROI，如搜索、推荐系统等 [3] - AI工厂为客户提供极高能效，1千兆瓦的人工智能工厂GPU价值约500亿美元 [31] - 公司预测AI将开创两个万亿级新市场：数字劳动力（Agentic AI）和物理AI（机器人技术） [3][4] - AI工厂市场需求正处于数万亿美元的爆发初期，当前仅建造了几千亿美元基础设施 [66] 未来计算范式与增长前沿 - 未来计算的本质是100%生成式，一切内容都将被实时智能生成 [5] - 数字劳动力将创造AI软件工程师、AI律师等数字人，企业劳动力将是人类和数字人的结合 [47][48] - 物理AI将实现通用AI驱动的多具身机器人，包括自动驾驶、人形机器人等 [4][50] - 支持机器人需要训练、模拟、运行三类计算机，Omniverse虚拟世界被严重低估但至关重要 [54][73] 行业应用与投资回报 - 推荐系统是世界上最大的软件生态系统，正迅速转向AI，将需要大量GPU [40] - Meta通过英伟达GPU驱动的AI恢复归因能力，挽回数千亿美元市值 [39] - 超大规模数据中心行业从经典机器学习转向深度学习的转型价值数千亿美元 [36] - 公司为量子计算推出CUDA-Q架构，可将量子计算进程提前约十年 [57] 技术创新与生态建设 - cuDNN库是有史以来最重要的库之一，与SQL同等重要，公司拥有约350个这样的库 [72] - 每单位能源的吞吐量决定客户收入，成为未来AI工厂的关键绩效指标 [70] - 公司通过统一软件栈实现极快的创新速度，同时提供最高性能和最大规模 [33] - Omniverse虚拟世界使AI能在进入现实世界前进行数万亿次迭代，simulation-to-real差距极小 [54]