来源： Dwarkesh Podcast
嘉宾： Jensen Huang（NVIDIA创始人兼CEO）
主持人： Dwarkesh Patel
时长： 1小时45分12秒
日期： 2026年4月15日

---

📌 内容摘要

NVIDIA CEO Jensen Huang接受Dwarkesh Patel深度专访，直面NVIDIA最尖锐的质疑：软件商品化会不会把NVIDIA也商品化？Huang提出NVIDIA的核心心智模型是"输入电子，输出Token"，真正的护城河不是芯片本身，而是从电子到Token的全栈转化能力——包括计算架构、软件生态系统和开发者网络。对话深入探讨了供应链锁定策略、TPU与ASIC竞争、为什么不成为云厂商、以及是否应该向中国出售AI芯片等敏感话题。Huang首次公开批评对华芯片禁令是"失败者心态"，认为封锁只会迫使中国建立独立技术栈，最终损害美国长期利益。本期内容被业界称为Huang"最坦率、最具战略洞察力"的一次访谈。

---

一、NVIDIA的护城河：供应链控制还是从电子到Token的全栈能力？（00:00-16:25）

1.1 “输入电子，输出Token”：NVIDIA的心智模型（重点）

关键知识点：

• 核心定位：

  “最终，必须有人完成一件事：把电子转化为Token。不仅要转化，还要让这些Token越来越有价值。这个过程极其复杂，很难被完全商品化。” (00:30)

• NVIDIA的本质：

  “你刚才描述问题的角度，其实就是我对NVIDIA的心智模型：输入是电子，输出是Token，中间发生的就是NVIDIA。” (01:05)

• 做必要的事，不做不必要的事：

  “我们的工作是’做尽可能多的必要之事，做尽可能少的不必要之事’，来实现这个转化并把它推向极致。” (01:12)

• 五层蛋糕模型：AI产业分为应用层、模型层、基础设施层、芯片层和能源层，NVIDIA在所有五层都有生态布局

• 💡 思考点：如果把NVIDIA抽象为"电子→Token的转化器"，它的核心价值不在输入端（电子/芯片）也不在输出端（Token/模型），而在"转化过程"本身。这解释了为什么NVIDIA不担心芯片制造被外包——真正的护城河是转化过程中的工程、科学和发明。

• 🔗 关联点：这与Amazon的"飞轮效应"有相似之处——NVIDIA通过CUDA生态锁定开发者，开发者产生的需求拉动供应链投资，供应链规模又反过来巩固NVIDIA的市场地位。

1.2 软件会被商品化吗？（重点）

关键知识点：

• Huang的反驳：软件不会被商品化，相反，Agent的爆发将导致工具使用量指数级增长

  “今天我们是工具制造商——Excel是工具，PowerPoint是工具，Cadence是工具，Synopsys是工具。但我看到的趋势恰恰与大多数人相反：Agent的数量将指数级增长，使用这些工具的用户数量也将指数级增长。” (02:00)

• 具体案例：Synopsys Design Compiler的使用量将大幅激增，Agent将使用布局规划工具、设计规则检查工具

  “今天我们的工程师数量是有限的；明天这些工程师将得到大量Agent的支持，我们将以前所未有的方式探索设计空间——使用我们今天拥有的同样工具。” (02:30)

• Agent使用工具的能力：目前Agent还不够擅长使用工具，但这一情况正在快速改变——要么软件公司自己构建Agent，要么Agent变得足够强大来使用工具

1.3 供应链锁定：NVIDIA的采购承诺策略（重点）

关键知识点：

• 巨额采购承诺：NVIDIA财报披露近1000亿美元的采购承诺（覆盖晶圆、内存、封装），SemiAnalysis报告认为可能达2500亿美元

• Huang的解释：这不是简单的"买断供应"，而是基于下游需求信号的生态系统协调

  “这是我们能做而别人很难做到的事。我们能够向上游做出如此巨大的承诺，是因为我们既有能力购买这些产能，也能通过下游有效地销售出去。” (03:15)

• GTC的战略意义：GTC不仅是产品发布会，更是一个"360度的AI宇宙"——让上游看到下游，下游看到上游，让整个行业看到AI进展

  “很多人说我的主题演讲不像传统发布会那样一个接一个地宣布产品；部分内容听起来像’讲座’。这其实是我的意图。” (04:00)

• 信任与承诺：没有法律合同的TSMC关系——“有时我受益，有时我吃亏——但总体上是极好的”

• 💡 思考点：NVIDIA的供应链策略本质上是一种"生态系统做市商"角色——通过传递需求信号降低整个产业链的不确定性，从而换取优先产能分配权。这不是零和博弈的"买断"，而是正和博弈的"协调"。

• 🔗 关联点：这与Warren Buffett的"永久资本"理念有共通之处——NVIDIA通过长期承诺为供应链伙伴提供确定性，换取长期合作中的优先地位。

1.4 供应链瓶颈的真实状况

关键知识点：

• 瓶颈周期：没有任何瓶颈会持续超过2-3年

• CoWoS封装：曾经是瓶颈，但过去两年投资扩张了数倍，现在整体状况良好

• TSMC的先进封装：TSMC已认识到CoWoS供应必须与逻辑芯片和内存需求同步增长

• 真正担忧的不是芯片产能，而是能源：

  “你不能在没有能源的情况下建立一个新产业。无论你想重建制造业、建造AI工厂、生产电动汽车还是开发机器人，都需要能源——而能源是一个长期问题。相比之下，芯片产能和封装只是2-3年的挑战。” (08:00)

• 💡 思考点：如果能源才是AI基础设施的真正长期瓶颈，那么拥有丰富能源的国家（如中东、中国西部、冰岛）是否将在AI竞赛中获得不对称优势？芯片禁令是否忽视了"能源替代芯片"的可能性？

---

二、TPU能否打破NVIDIA对AI计算的垄断？（16:25-41:06）

2.1 加速计算 vs. 张量处理单元（重点）

关键知识点：

• 核心区别：NVIDIA做的是加速计算，不只是"张量处理单元"

  “NVIDIA做的是加速计算，不只是’张量处理单元’。加速计算的应用范围极其广泛——分子动力学、数据处理、流体力学……当然还有AI。AI目前是讨论最多的话题，但计算远不止AI。” (16:40)

• 可编程性的价值：矩阵乘法确实重要，但不是全部。新算法、新模型架构需要完全可编程的系统

  “如果你想发明新的注意力机制、以不同方式分解计算、设计全新的模型架构——比如混合SSM模型、结合扩散和自回归模型——你需要的是一个完全可编程的系统。” (17:20)

• CUDA生态的深层价值：不是工具本身，而是信任、安装基础和开发者网络

  “CUDA的价值在于你可以信任底层基础设施。另一个关键点是安装基础——作为一个开发者，你最希望的是你的软件能在大量机器上运行。” (18:30)

• 性能挑战：

  “没有人能向我展示一个TCO性能比NVIDIA更好的平台。没有一家公司能做到。” (19:00)

• 💡 思考点：TPU与GPU的竞争本质上是"专用优化"vs"通用可编程性"的经典权衡。专用架构在特定任务上效率更高，但失去了适应算法快速演进的能力。在AI算法仍在快速迭代的今天，可编程性是否比峰值性能更重要？

• 🔗 关联点：这与Clay Christensen的"颠覆性创新"理论一致——专用架构（ASIC）往往在技术成熟期击败通用架构（GPU），但在技术快速变革期，通用架构的灵活性更具优势。

2.2 NVIDIA的产品路线图与可预测性

关键知识点：

• 年度节奏承诺：

  “你可以信赖NVIDIA的是：Vera Rubin今年会表现出色，Vera Rubin Ultra明年到来，Feynman后年到来。你可以像钟表一样信赖我们，每一年。” (20:00)

• 与ASIC的根本差异：

  “去问问全球任何ASIC团队：你能说’我可以把整个业务押在你身上——你每年都在，Token成本每年下降一个数量级，我可以像钟表一样信任你’吗？你绝对不能对其他代工厂这么说。但你今天可以对NVIDIA这么说。” (20:30)

---

三、为什么NVIDIA不直接成为云厂商？（41:06-57:36）

3.1 “做必要之事，不做不必要之事”（重点）

关键知识点：

• 核心哲学：

  “这是一个哲学问题——我相信这是一个明智的问题。我们应该做尽可能多的必要之事，做尽可能少的不必要之事。” (41:15)

• NVIDIA的独特使命：

  “我们构建计算平台的工作——如果我们不做，我真的相信没有其他人会做。如果我们不以我们的方式构建NVLink，不以我们的方式构建整个技术栈，不以我们的方式培育生态系统，不专注CUDA 20年——大部分时间都在亏损——如果我们不做这一切，加速计算不会以现在的形式存在。” (41:30)

• 云服务的替代性：

  “但世界并不缺云服务——如果我们不提供，其他人也会提供。” (42:00)

• 投资策略：通过投资生态系统伙伴（CoreWeave、OpenAI、Anthropic）来放大整体市场规模，而非垂直整合

  “我们希望这个架构和AI能与尽可能多的行业和国家连接——让世界在AI上构建，在美国技术栈上构建。这就是我们追求的愿景。” (42:30)

• 💡 思考点：NVIDIA的战略选择揭示了一个深刻的商业洞察：在某些行业中，"放大市场"比"占有市场"带来更大的长期回报。通过不成为云厂商，NVIDIA避免了与客户的竞争，反而让整个生态更繁荣。这是否是平台型企业的最优策略？

• 🔗 关联点：这与Microsoft在1990年代的策略相似——通过培育ISV生态系统而非自己做所有应用，Windows成为了最大的平台。

3.2 对Anthropic的投资失误

关键知识点：

• Huang的自省：

  “我的错误是没有深刻认识到他们根本没有其他选择——风险投资永远不会向一个AI实验室投资50-100亿美元。这是我的盲点。” (43:00)

• 谦逊的来源：

  “NVIDIA成立时，有60家3D图形公司——我们是最不可能存活下来的。NVIDIA当时的图形架构恰恰是错误的——不是稍微错，而是完全相反。所以我有足够的谦逊认识到：不要挑选赢家。要么让他们自己竞争——要么给每个人一个机会。” (43:30)

---

四、我们应该向中国出售AI芯片吗？（57:36-1:35:06）

4.1 “失败者心态”：对华芯片禁令的批评（重点）

关键知识点：

• Huang的激烈回应：

  “50%的AI开发者在中国——美国不应该放弃他们。我们必须不断创新——我们的市场份额在增长，不是在缩小。即使在与中国竞争——我们会把那个市场交给别人——这个假设意味着你不是在和一个认为自己是失败者的人说话。那种失败者心态、失败者前提——对我来说毫无意义。” (58:00)

• 计算生态系统的粘性：

  “计算不是那样的——x86存在是有原因的；ARM如此粘滞是有原因的。这些生态系统很难被取代——需要大量的时间和精力——大多数人不想这么做。” (58:30)

• 放弃市场的代价：

  “基于你描述的前提放弃一个市场——我无法接受这个想法。这毫无意义——因为我不相信美国是失败者，我们的行业也不是失败者。” (59:00)

• 💡 思考点：Huang的核心论点是"生态系统锁定"vs"技术领先"的权衡。如果中国市场被迫建立自己的技术栈，长期后果可能是全球出现两个并行生态——一个基于美国标准，一个基于中国标准。这对美国真的是最优结果吗？还是一种"战略自残"？

• 🔗 关联点：这与冷战时期的技术封锁历史形成呼应——封锁往往加速被封锁方的自主创新（如苏联的太空计划、中国的北斗系统）。技术遏制是否总是有效的战略工具？

4.2 中国的真实计算能力（重点）

关键知识点：

• 中国并非缺芯：

  “芯片在中国是存在的——他们制造了全球60%或更多的主流芯片——对他们来说这是一个巨大的产业。他们拥有世界上最好的计算机科学家之一——这些实验室里的大多数AI研究人员是华裔，代表了全球50%的AI研究人员。” (60:00)

• 能源替代芯片的逻辑：

  “AI是一个五层蛋糕——最底层是能源。有了充足的能源，它可以弥补芯片的不足。如果你的电力完全充足——甚至接近免费——为什么要纠结于每瓦性能？直接堆叠旧芯片就行了。7nm芯片本质上相当于Hopper级别——完全足够。” (61:00)

• DeepSeek的警示：

  “DeepSeek在华为芯片上发布第一个模型的那一天，对我们的国家来说是一个糟糕的结果……如果所有AI模型都在别人的技术栈上运行得最好，你需要解释为什么那对美国有好处。” (62:00)

• 华为的现实：

  “华为刚刚创下了史上最大的一年——出货数百万芯片——远远超过Anthropic的持有量。” (63:00)

4.3 Mythos与AI安全对话的必要性

关键知识点：

• Anthropic Mythos的影响：Claude Mythos Preview的发现能力使美中研究者对话变得"不再可选"

  “我们希望美国赢——但我们可以做到。如果芯片已经在那里——他们用这些芯片训练了这个模型——我们如何控制？我们有大量的计算能力，大量的AI研究人员——我们正在以最快的速度冲刺。” (64:00)

• 对话而非对抗：

  “让他们成为受害者和敌人，这可能不是最好的答案。他们是竞争对手——我们希望美国赢——但我相信保持对话和研究交流可能是最安全的方式。” (65:00)

• 研究交流的重要性：

  “研究交流至关重要——我们必须就AI不应该被用于什么达成共识。” (66:00)

---

五、为什么NVIDIA不开发多种芯片架构？（1:35:06-1:45:12）

5.1 “我们模拟过，结果更差”

关键知识点：

• 对多样化架构的态度：

  “我们当然可以做那些——我们只是没有看到更好的替代方案。我们在仿真系统中模拟了这些想法，结果性能更差。所以我们不会追求它们。” (1:35:30)

• 当前架构就是最优解：“我们目前正在做的代表了我们认为最正确的架构。”
• 工作负载变化时的灵活性：如果工作负载的本质发生变化，NVIDIA会引入新的加速器

  “当然，如果工作负载本身的性质发生变化——不是指算法变化，而是工作负载模式的转变——我们可能会引入新的加速器。” (1:36:00)

5.2 Token市场的细分：超高端推理

关键知识点：

• Token价值的变化：几年前Token几乎是免费的，现在可以按不同客户定价
• 推理市场的帕累托前沿扩展：

  “在过去，每个人都认为更高的吞吐量总是更好的。但我们相信，可能存在一个Token单价非常高的世界——即使吞吐量较低，高定价可以弥补差距。” (1:37:00)

• 市场细分的逻辑：基于响应时间对同一模型进行市场分割——为愿意支付溢价的客户提供更快的响应

5.3 没有AI，NVIDIA仍然会很大

关键知识点：

• 加速计算的本质：

  “如果没有AI，NVIDIA仍然会非常大——因为根本原因是：通用计算的扩展能力基本上已经到达了极限——前进的方向是领域特定加速。” (1:38:00)

• 应用场景的广泛性：工程计算、科学物理、数据处理、计算机图形学、图像生成—— countless domains
• CUDA的长期投入：

  “我们整合GPU和CUDA架构与CPU来加速工作负载——将代码内核或算法卸载到我们的GPU上——将应用加速100倍、200倍。” (1:39:00)

---

核心观点总结

关键数据

• NVIDIA近1000亿美元采购承诺（可能达2500亿美元）
• 中国占全球AI开发者的50%
• 中国占全球科技行业的40%
• 华为2025年出货数百万AI芯片
• NVIDIA的年度产品节奏：Vera Rubin→Vera Rubin Ultra→Feynman
• AI产业的五层蛋糕：能源→芯片→基础设施→模型→应用
• **60%**以上的主流芯片在中国制造

核心判断

1. NVIDIA的护城河是"从电子到Token的全栈转化能力"，不是芯片本身
2. 软件不会被商品化：Agent爆发将导致工具使用量指数级增长
3. 供应链瓶颈周期不超过2-3年，真正长期瓶颈是能源
4. TPU等ASIC在可编程性和生态系统上无法与NVIDIA竞争
5. 对华芯片禁令是"失败者心态"，将迫使中国建立独立技术栈
6. 中国不缺芯片，7nm+充足能源足以训练前沿模型
7. NVIDIA不做云厂商是明智的战略选择——放大市场而非占有市场

关键方法论

• 心智模型：“输入电子，输出Token，中间是NVIDIA”
• 战略原则：“做尽可能多的必要之事，做尽可能少的不必要之事”
• 供应链策略：通过需求信号协调生态系统，而非简单买断
• 投资哲学：不挑选赢家，给每个人机会
• 产品节奏：年度可预测的产品路线图建立信任

Memorable Quotes

• “输入是电子，输出是Token，中间发生的就是NVIDIA。”

• “没有人能向我展示一个TCO性能比NVIDIA更好的平台。没有一家公司能做到。”

• “失败者心态——对我来说毫无意义。”

• “计算不是汽车——今天买一个品牌，明天就换另一个。”

• “AI是一个五层蛋糕——最底层是能源。”

• “7nm芯片本质上相当于Hopper级别——完全足够。”

• “你可以像钟表一样信赖我们，每一年。”

• “我们不做云——世界不缺云，缺的是计算平台。”

---

梳理时间： 2026年4月20日
梳理人员： 有一只肥罗

Hey,我是一只肥罗，坚持做一些有意思的事情