这篇文章不错，转发给_老虎社区_美港股上老虎 - 老虎社区

1
评论
收藏

这篇文章不错，转发给大家看看

黄仁勋对话红杉美国：100万倍的投资回报，以及AI工厂的资本逻辑

黄仁勋回忆起 1993 年那笔来自红杉的早期投资：100 万美元、几乎为零的成功概率，以及一个要“同时发明技术与市场”的想法。三十年后，这笔投资成长为超过 1 万亿美元的市值，回报高达 100 万倍。▍从 0% 概率到第一性原理的信念1993 年，黄仁勋 30 岁。NVIDIA 的突破，恰恰来自这种“0% 概率”的赌注。在 2000 年前后，GPU 市场一度涌现出上百家竞争者。黄仁勋亲自走访全球大学与研究机构，从地震分析、分子动力学到量子化学，把 CUDA 植入科研体系。

黄仁勋对话红杉美国：100万倍的投资回报，以及AI工厂的资本逻辑

免责声明：上述内容仅代表发帖人个人观点，不构成本平台的任何投资建议。

1

举报

评论

推荐
最新

empty

暂无评论

热议股票

{"i18n":{"language":"zh_CN"},"data":{"magic":2,"id":489730885959768,"tweetId":"489730885959768","gmtCreate":1760590134351,"gmtModify":1760590136576,"author":{"id":3553562802438191,"idStr":"3553562802438191","authorId":3553562802438191,"authorIdStr":"3553562802438191","name":"楊_0517","avatar":"https://static.tigerbbs.com/3ec644e96e6b5bd32fb8aa7c865dd6d7","vip":1,"userType":1,"introduction":"","boolIsFan":false,"boolIsHead":false,"crmLevel":4,"crmLevelSwitch":1,"currentWearingBadge":{"badgeId":"228c86a078844d74991fff2b7ab2428d-2","templateUuid":"228c86a078844d74991fff2b7ab2428d","name":"投资总监虎","description":"证券账户累计交易金额达到30万美元","bigImgUrl":"https://static.tigerbbs.com/9d20b23f1b6335407f882bc5c2ad12c0","smallImgUrl":"https://static.tigerbbs.com/ada3b4533518ace8404a3f6dd192bd29","grayImgUrl":"https://static.tigerbbs.com/177f283ba21d1c077054dac07f88f3bd","redirectLinkEnabled":0,"hasAllocated":1,"isWearing":1,"stampPosition":0,"hasStamp":0,"allocationCount":1,"allocatedDate":"2021.12.28","exceedPercentage":"80.75%","individualDisplayEnabled":0},"individualDisplayBadges":[],"fanSize":12,"starInvestorFlag":false},"themes":[],"images":[],"coverImages":[],"html":"<html><head></head><body><p>这篇文章不错，转发给大家看看</p></body></html>","htmlText":"<html><head></head><body><p>这篇文章不错，转发给大家看看</p></body></html>","text":"这篇文章不错，转发给大家看看","highlighted":1,"essential":1,"paper":1,"likeSize":1,"commentSize":0,"repostSize":0,"favoriteSize":0,"link":"https://laohu8.com/post/489730885959768","repostId":1105248328,"repostType":4,"repost":{"id":"1105248328","kind":"news","pubTimestamp":1760582675,"share":"https://www.laohu8.com/m/news/1105248328?lang=&edition=full","pubTime":"2025-10-16 10:44","market":"us","language":"zh","title":"黄仁勋对话红杉美国：100万倍的投资回报，以及AI工厂的资本逻辑","url":"https://stock-news.laohu8.com/highlight/detail?id=1105248328","media":"有新Newin","summary":"黄仁勋回忆起 1993 年那笔来自红杉的早期投资：100 万美元、几乎为零的成功概率，以及一个要“同时发明技术与市场”的想法。三十年后，这笔投资成长为超过 1 万亿美元的市值，回报高达 100 万倍。▍从 0% 概率到第一性原理的信念1993 年，黄仁勋 30 岁。NVIDIA 的突破，恰恰来自这种“0% 概率”的赌注。在 2000 年前后，GPU 市场一度涌现出上百家竞争者。黄仁勋亲自走访全球大学与研究机构，从地震分析、分子动力学到量子化学，把 CUDA 植入科研体系。","content":"<html><head></head><body><p style=\"text-align: justify;\">本月初，在 Citadel Securities 举办的「Future of Global Markets 2025」活动现场，红杉美国合伙人 Konstantine Buhler 与 NVIDIA 创始人黄仁勋展开了一场同台对谈。</p><p style=\"text-align: justify;\">黄仁勋回忆起 1993 年那笔来自红杉的早期投资：100 万美元、几乎为零的成功概率，以及一个要“同时发明技术与市场”的想法。<strong>三十年后，这笔投资成长为超过 1 万亿美元的市值，回报高达 100 万倍。</strong></p><p style=\"text-align: justify;\">Buhler 将这段历程总结为<strong>技术复利与资本复利叠加的奇迹</strong>，而他将这次对谈的重点分成三个方向：</p><p style=\"text-align: justify;\">1）过去，是从 PC 到 GPU 的“加速计算革命”；2）现在，是从 GPU 到 AI 工厂的“系统革命”；3）未来，则是 Agentic 与 Physical AI 的“智能革命”。</p><h2 id=\"id_941438171\" style=\"text-align: justify;\">▍从 0% 概率到第一性原理的信念</h2><p style=\"text-align: justify;\">1993 年，黄仁勋 30 岁。那一年，硅谷的所有投资几乎都围绕通用处理器和摩尔定律展开，集成微处理器被视为计算革命的核心。英特尔正以指数级速度压缩晶体管尺寸，几乎所有资金都流向这条看似无可替代的路径。<strong>黄仁勋选择逆向思考：如果通用处理器注定要遇到物理极限，那么新的计算方式一定会出现。</strong></p><p style=\"text-align: justify;\">他和团队观察到一个核心矛盾——CPU 的优点在于通用性，但也正因通用，它对极难问题的效率始终有限。于是他们设想：是否可以用“加速器”的方式，为特定领域设计出更高效的计算架构？这种领域专用的算力能够与通用 CPU 并行存在，形成一种“补全型”的计算体系。这便是 NVIDIA 最初的理论起点——加速计算（Accelerated Computing）。</p><p style=\"text-align: justify;\">当时的业界环境几乎没有人相信这种模式能成立。黄仁勋回忆，红杉资本的 Don Valentine 在听完融资故事后问他：“你要做的杀手级应用是什么？”他脱口而出“Electronic Arts”，却没想到对方刚好是 EA 的投资人。Don 回答说：“他们 CTO 14 岁，还得家长接送上班。你确定这就是你的 killer app？” 那时的共识是：<strong>“要同时发明技术和市场，成功概率约为 0%。”</strong></p><p style=\"text-align: justify;\">NVIDIA 的突破，恰恰来自这种“0% 概率”的赌注。黄仁勋决定自己去创造市场。为了让加速计算有现实需求，他们选择 3D 图形作为落地场景——一方面它具备真实世界的物理复杂度，另一方面又有足够强的视觉反馈能推动硬件升级。从本质上，3D 图形的计算任务就是“模拟现实”，而这背后是一套关于线性代数、光线追踪与动力学的数学体系。黄仁勋意识到，如果能把这套数学在硬件层面加速实现，就不只是做图形，而是开启一条新的计算路径。</p><p style=\"text-align: justify;\">公司因此诞生在一个“双重虚空”中——没有市场，也没有前例。NVIDIA 必须在自建生态的同时培养开发者，让“图形加速”从垂直场景变成通用语言。黄仁勋形容那是一次同时“发明技术、发明市场、发明路径”的过程。<strong>“我们要做的不只是一个芯片，而是一种新的计算范式。”</strong></p><p style=\"text-align: justify;\">他始终坚持从第一性原理推演未来：当一种技术今天运转得极好时，应当回头问，它的基础假设是什么，这些假设是否会改变？这种思维让 NVIDIA 在看似被主流占满的赛道中，看到了拐角后的另一种逻辑。</p><p style=\"text-align: justify;\">1990 年代末，NVIDIA 终于等来了一个信号——3D 图形游戏成为消费级现象。Electronic Arts、暴雪、索尼等厂商推动了 GPU 市场爆发，而 NVIDIA 在图形芯片上建立的优势，逐渐积累成庞大的软件生态与开发工具链。黄仁勋把这看作公司第一阶段的闭环：从硬件创新者变成生态平台创造者。</p><p style=\"text-align: justify;\">他认为，<strong>“能成为通用计算平台的，不只是性能最强的芯片，更是能持续吸引开发者的系统。”</strong></p><p style=\"text-align: justify;\">正是这种理念，为后来 CUDA 的诞生埋下伏笔——那是一场真正意义上的“计算解封”，让 GPU 从图形设备变成面向所有科学与 AI 研究者的通用加速平台。</p><h2 id=\"id_2324231577\" style=\"text-align: justify;\">▍从显卡到“通用计算引擎”</h2><p style=\"text-align: justify;\">CUDA 的诞生，是 NVIDIA 从硬件公司跃迁为计算平台的关键时刻。最初，GPU 被视为游戏和视觉领域的专用芯片，属于一条狭窄而激烈的赛道。黄仁勋回忆：“我们当时不仅要造一项全新的技术，还得同时让一个不存在的市场被创造出来。” 换句话说，他们必须让一项“不通用”的技术具备通用性。</p><p style=\"text-align: justify;\">在 2000 年前后，GPU 市场一度涌现出上百家竞争者。多数公司停留在显卡性能迭代上，而 NVIDIA 选择把“图形运算”中的并行能力，推广到更广的计算问题上。他指出，3D 图形的数学本质是“物理模拟”与“线性代数”，这些结构恰好是许多科研和工程问题的共性。<strong>如果能让 GPU 支持通用矩阵运算，那么几乎所有需要高并行计算的任务都可以被加速。</strong></p><p style=\"text-align: justify;\">这便是 CUDA 的思想起点——让 GPU 成为通用计算引擎。CUDA 不仅是一套软件工具，更是一种标准语言，它让 GPU 能被科学家、工程师和开发者像调用 CPU 一样调用。此举彻底改变了 NVIDIA 的定位：从芯片设计公司变成计算平台的提供者。黄仁勋称其为“第二次发明”——发明的不只是硬件，而是整套市场扩散机制与开发者生态。</p><p style=\"text-align: justify;\">为了让生态真正运转，NVIDIA 推出了一项名为“CUDA Everywhere”的计划。黄仁勋亲自走访全球大学与研究机构，从地震分析、分子动力学到量子化学，把 CUDA 植入科研体系。<strong>“我们不只是去卖 GPU，而是去启发人们用新的方式思考计算。”</strong> 这种自下而上的传播，让 CUDA 成为高性能计算的通用语言。</p><p style=\"text-align: justify;\">真正的爆发点出现在 2012 年。那一年，深度学习在学术界迎来转折，AlexNet 在 ImageNet 竞赛上以压倒性优势获胜，而整个模型正是在 NVIDIA GPU 上训练完成的。黄仁勋当时正试图解决计算机视觉问题，对传统算法的脆弱和复杂感到挫败。与此同时，Geoffrey Hinton、Andrew Ng、Yann LeCun 等研究者也在用 CUDA 加速神经网络。几位研究者之间的“偶遇”，成了这场革命的催化剂。</p><p style=\"text-align: justify;\">NVIDIA 团队很快意识到，深度学习的计算需求和图形计算极为相似——都是大规模矩阵乘法。于是他们为神经网络专门开发了 CUDA DNN（CUDNN）库，使模型训练速度成倍提升。黄仁勋回忆：“我们和他们看到的是同一个结果，但我们想的是，<strong>如果深度学习能在视觉上奏效，那它还能在哪些领域奏效？</strong>”</p><p style=\"text-align: justify;\">这次反向推理成为 NVIDIA 的长期转折点。团队得出一个关键结论：深度神经网络是“通用函数逼近器”，能学习任意复杂函数。无论是卷积、循环网络，还是后来加入状态机的 Transformer，本质上都在扩展这种“可学习的函数空间”。于是公司开始以此为前提重新设计整个计算栈——从芯片到系统，从软件到算法。</p><p style=\"text-align: justify;\">“当我们意识到这项技术能学习任何函数，我们就明白，计算的每一层都可以被重新定义。” 黄仁勋说。</p><p style=\"text-align: justify;\">这一决定让 NVIDIA 走出硬件公司的边界，也奠定了它在 AI 革命中的核心位置。接下来的十年，CUDA 不再是图形接口，而成为新一代智能计算平台的语言底座。</p><h2 id=\"id_3127479247\" style=\"text-align: justify;\">▍AI 工厂：从数据中心到生产体系的重构</h2><p style=\"text-align: justify;\">2016 年，黄仁勋发布了世界上第一台专为 AI 设计的计算机—— DGX-1。那是一个完全不同于传统服务器的机器，内部整合了 GPU、CPU、网络与软件栈，构成一个可直接进行模型训练的封闭系统。他在 GTC 大会上展示这台电脑时，台下反应寡淡——没人理解这是什么。直到会后，Elon Musk 对他说：“我可以用一台。” 那时的 OpenAI 还只是一个非营利组织，而黄仁勋笑称自己是“DoorDash 的电脑外卖员”，亲手把 DGX-1 送去旧金山。</p><p style=\"text-align: justify;\">这段插曲成了日后产业转折的象征。那台电脑后来成为所有 OpenAI 模型的起点，也定义了“AI 工厂”这一概念。黄仁勋解释，DGX-1 定价 30 万美元，是当时全球最贵的计算节点。“它最初并不成功，所以我得出的结论是——我们做得还不够大。” 下一代产品在规模和集成度上全面提升，很快成为业界标配。</p><p style=\"text-align: justify;\">在他看来，AI 工厂的核心不是芯片性能，而是系统整合。NVIDIA 不再只是设计单颗 GPU，而是从建筑供电到机架布线，从交换机、网络协议到软件栈，提供一整套可落地的“算力生产线”。<strong>“我们是世界上唯一一家能在给定电力和空楼的情况下，交付完整计算基础设施的公司。”</strong> 这种纵向一体化让创新速度成倍提升：所有硬件与软件保持兼容，每年迭代一次，性能提升近 10 倍。</p><p style=\"text-align: justify;\">他强调，兼容性带来的不是惯性，而是速度。正如 Windows 生态曾推动 PC 快速演化，统一的软件标准让 GPU 系列得以以系统化方式升级。“我们每年都在重写下一代工厂，而这些工厂彼此软件兼容，这种结构性优势就是创新速度。”</p><p style=\"text-align: justify;\">AI 工厂与传统数据中心的区别在于，它不是存储和检索信息，而是“生成智能”。黄仁勋说，<strong>“数据中心是被动的，AI 工厂是主动的。”</strong> 在相同功率条件下，NVIDIA 的系统能以三倍能效完成推理任务，这意味着客户在同样的 1 GW 能源里，可以生成三倍的智能内容、获得三倍的收入。AI 工厂的计算吞吐率直接决定产出能力，因此他称其为“生产设施”而非“数据仓库”。</p><p style=\"text-align: justify;\">他进一步指出，NVIDIA 的快速增长并非泡沫，而是来自真实需求的累积。2000 年的互联网公司大多没有盈利，而今天的 AI 已经深入支撑全球超级平台的核心业务：搜索、推荐、广告、短视频，乃至量化交易。Google、Meta、Amazon 每年数千亿美元的营收都在依赖 AI 运行，即使没有 OpenAI 或 Anthropic，这个产业也已存在巨量需求。</p><p style=\"text-align: justify;\">同时，新的“AI 制造业”正在出现——大型模型公司如 OpenAI、xAI、Gemini、Claude 正成为“模型制造商”，建设自有的 AI 工厂，为下游企业提供模型和算力服务。这些模型的用途不再局限于生成文本，而是将进入一个更大的市场——劳动。</p><p style=\"text-align: justify;\">黄仁勋称之为“Agentic AI”，即数字劳动力。企业的员工队伍将首次同时包含人类与数字员工，后者通过模型执行代码编写、营销、设计、财务等任务。“我们公司内部 100% 的工程师都在使用 Cursor 等工具，它们成为每位员工的第二个大脑。” 他认为，<strong>这一产业的潜在市场规模超过 100 万亿美元。</strong></p><p style=\"text-align: justify;\">与之并行的是“Physical AI”——把智能嵌入物理世界。自动驾驶是数字司机，未来还会有数字工人、数字机械手、数字助理。所有“能动的事物”都可能成为 AI 的新身体。“这两个市场，一个对应数字劳动力，一个对应物理劳动力，加起来几乎覆盖了人类经济的全部。”</p><p style=\"text-align: justify;\">在这一逻辑下，NVIDIA 的产品定义彻底改变：GPU 不再是硬件组件，而是构建智能工厂的最小生产单元。黄仁勋把这种转变概括为一句话——<strong>“我们正在制造制造智能的机器。”</strong></p><h2 id=\"id_3624652414\" style=\"text-align: justify;\">▍Agentic 与 Physical AI：通用智能的“双重具身”</h2><p style=\"text-align: justify;\">当生成式模型从内容到行动跃迁，AI 的边界被重新划定。黄仁勋指出，AI 工厂不仅在云端生成语言与图像，它们生产的是“可被调用的智能”，并将以两种形态落地——数字劳动力（Agentic AI）与具身智能（Physical AI）。这意味着，AI 第一次在认知和物理两个维度同时进入社会分工体系。</p><p style=\"text-align: justify;\">在企业端，Agentic AI 的应用已经开始普及。过去，AI 是人类的“工具”，今天它变成了“数字同事”。软件开发、营销策划、法务审阅、客户支持都在被数字代理部分接管。黄仁勋透露，NVIDIA 内部已经实现“全员 AI 协作”：所有芯片设计师和软件工程师都由 Cursor 等智能体辅助完成任务。<strong>“AI 不再只是加速人类工作，而是与人类共同产出。”</strong></p><p style=\"text-align: justify;\">他进一步推演了未来企业的形态——人类与数字员工共存，AI 将拥有岗位、层级与培训体系。每个组织都需要学习如何“入职”一名 AI 员工：通过微调与知识注入，让它理解公司的文化、流程与语料。这在他看来，是 CIO 的下一代任务：“未来 IT 部门将成为数字员工的 HR 部门。”</p><p style=\"text-align: justify;\">与之对应的另一条路径是 Physical AI。黄仁勋称其为“具身智能”的产业革命。自动驾驶是最典型的例子——数字司机替代人类操作方向盘，而类似逻辑正从车扩展到机械臂、物流机器人、服务机器人等一切能被物理控制的对象。<strong>“如果 AI 可以生成一段视频中人类开瓶、喝水的动作，那同样可以驱动一个机械体完成这件事。”</strong></p><p style=\"text-align: justify;\">这一推理背后是对“具身学习”的系统性设计。要让机器人具备通用智能，需要三个层次的计算体系：训练它的 AI 工厂、让它试验的虚拟世界，以及支撑它运行的大脑计算机。NVIDIA 在这三层都提供产品——用于模型训练的 GPU 集群，用于仿真的 Omniverse 平台，以及嵌入机器人本体的实时计算芯片。</p><p style=\"text-align: justify;\">他将这一过程比作“虚拟世界的孵化”：AI 首先在仿真环境中以游戏角色的方式学习数万次，掌握物理法则和感知—反馈循环，再跨入真实世界执行任务。“虚拟训练的世界和现实之间的差距越来越小，机器人可以在模拟中成长，然后直接进入工厂或街道。”</p><p style=\"text-align: justify;\">Omniverse 在这里扮演着关键角色。它是一个可精确复现物理世界的 3D 数字空间，机器人在其中学会抓取、移动、避障等动作。黄仁勋认为，<strong>“Omniverse 是 Physical AI 的实验室，是未来机器人文明的操作系统。”</strong></p><p style=\"text-align: justify;\">当被问及行业节奏时，他指出，RoboTaxi 已经是现实，而通用型机器人正在迅速接近可用门槛。自动驾驶与人形机器人在架构上高度相似：都是多模态、可泛化、端到端的智能系统，只是具身方式不同。“我能开车，也能操作刀叉，本质上是同一个智能在不同身体里的体现。”</p><p style=\"text-align: justify;\">他总结说，未来的智能系统将具备“三重通用性”：多模态（感知多维输入）、多具身（可嵌入多种物理形态）、多领域（适应多类任务）。AI 不再是一种软件，而是一种可以在不同身体间迁移的“能力单位”。</p><p style=\"text-align: justify;\">在这种逻辑下，物理世界被重新定义为智能的延伸空间。每一个可被控制的对象——汽车、机械臂、无人机、外骨骼——都可能成为计算的一部分。黄仁勋认为，这是继互联网和移动计算之后最深刻的基础设施变革：<strong>“我们终于能制造出能自己制造智能的机器。”</strong></p><h2 id=\"id_4226657409\" style=\"text-align: justify;\">▍主权 AI 与生成式计算：世界秩序的重写</h2><p style=\"text-align: justify;\">在谈及未来十年的地缘技术格局时，黄仁勋把“主权 AI（Sovereign AI）”视作新一轮国家竞争的核心主题。他强调，<strong>“没有任何一个国家可以把全部数据交出去，再从外部‘进口智能’。”</strong> 数据是国家的知识与经验，一旦依赖外部模型生成判断，主权层面的决策能力就会被削弱。因此，每个国家都必须掌握属于自己的 AI 生产力。</p><p style=\"text-align: justify;\">他认为，未来的国家 AI 战略将是“进口 + 自建”的混合模式：核心模型可以采购，但底层训练与本地知识体系必须自有。NVIDIA 已经在全球观察到这一趋势——英国、法国、德国、西班牙、意大利、日本、韩国等国家都在建设本地模型公司，从 Mistral、Nebius 到 N-Scale，形成了遍布全球的主权 AI 网络。技术门槛的快速降低，使得这种“国民智能体”的构建变得现实。</p><p style=\"text-align: justify;\">当被问及中美关系与出口管制时，黄仁勋选择了审慎的表达。他指出，美国希望在 AI 竞赛中保持领先，但“要警惕让赢得比赛的逻辑变成输掉市场的逻辑”。目前 NVIDIA 在中国市场的份额从 95% 下降至 0%，他直言：“我无法想象这对任何一方都是好主意。” 在他看来，限制政策不仅削弱了美国的出口能力，也阻断了世界最庞大的开发者群体与美国技术的连接。</p><p style=\"text-align: justify;\">他提出一种更为平衡的策略：<strong>赢得开发者，而不是封锁开发者。</strong> “AI 的胜负关键不在芯片，而在谁的技术栈成为全球标准。我们希望世界建立在美国技术之上。” 中国拥有全球约一半的 AI 研究人员，若他们无法使用美国体系构建模型，长期看反而会促成新的技术分裂。黄仁勋强调，应当以“细腻的策略”在安全与开放之间取得动态平衡。</p><p style=\"text-align: justify;\">话题转向安全与生成。黄仁勋认为，未来的 AI 安全将类似网络安全——不是依赖单一防线，而是通过数以百万计的“安全 AI”形成协作网络。<strong>“当智能的边际成本趋近于零，安全智能的成本也会趋近于零。”</strong> 每个大型模型都会被一群专门监控、修正、过滤的安全模型包围，企业内部外部的系统都将拥有自己的“数字卫士”。</p><p style=\"text-align: justify;\">这种演化也带来了新的计算范式。他用一个例子解释这种转变：Perplexity 是生成式的，而 Google 是检索式的。前者基于理解与生成实时构建答案，后者依赖事先存储的网页。视频领域的 Sora、NanoBanana 等产品也遵循相同逻辑——它们不再播放记录，而是直接“生成现实”。黄仁勋说：“以前的计算是去‘读取’，现在的计算是去‘创造’。”</p><p style=\"text-align: justify;\">他用一个类比作结：人类的思考过程也是生成式的。每一次对话、每一个判断都在当下被创造，而不是去“检索”记忆库。“你刚刚问的每个问题，我都不是回到办公室找答案，而是即时生成。” 这就是未来计算的样子——<strong>“100% 生成式的世界，每一个像素、每一句话、每一个动作都在实时被创造。”</strong></p><p style=\"text-align: justify;\">在这一体系下，AI 工厂的作用不再是数据中心，而是人类创造力的底层能源。每一座工厂都在生产智能，所有生成的内容、代码、语言、决策，都是“产出”。黄仁勋估算，目前全球的 AI 基础设施投资不过数千亿美元，而这一曲线将迅速攀升到每年数万亿美元的规模。</p><p style=\"text-align: justify;\">“我们正处在旅程的起点。”他平静地说。</p><p style=\"text-align: justify;\">从加速计算到 CUDA，从 GPU 到 AI 工厂，从 agentic 到 physical，再到主权 AI，NVIDIA 已经不只是制造硬件的公司，而是构建未来文明“智能能源”的企业。</p><p style=\"text-align: justify;\">“未来的计算机，将是诗人、工程师、同事和伙伴。”</p></body></html>","source":"lsy1692098431120","collect":0,"html":"<!DOCTYPE html>\n<html>\n<head>\n<meta http-equiv=\"Content-Type\" content=\"text/html; charset=utf-8\" />\n<meta name=\"viewport\" content=\"width=device-width,initial-scale=1.0,minimum-scale=1.0,maximum-scale=1.0,user-scalable=no\"/>\n<meta name=\"format-detection\" content=\"telephone=no,email=no,address=no\" />\n<title>黄仁勋对话红杉美国：100万倍的投资回报，以及AI工厂的资本逻辑</title>\n<style type=\"text/css\">\na,abbr,acronym,address,applet,article,aside,audio,b,big,blockquote,body,canvas,caption,center,cite,code,dd,del,details,dfn,div,dl,dt,\nem,embed,fieldset,figcaption,figure,footer,form,h1,h2,h3,h4,h5,h6,header,hgroup,html,i,iframe,img,ins,kbd,label,legend,li,mark,menu,nav,\nobject,ol,output,p,pre,q,ruby,s,samp,section,small,span,strike,strong,sub,summary,sup,table,tbody,td,tfoot,th,thead,time,tr,tt,u,ul,var,video{ font:inherit;margin:0;padding:0;vertical-align:baseline;border:0 }\nbody{ font-size:16px; line-height:1.5; color:#999; background:transparent; }\n.wrapper{ overflow:hidden;word-break:break-all;padding:10px; }\nh1,h2{ font-weight:normal; line-height:1.35; margin-bottom:.6em; }\nh3,h4,h5,h6{ line-height:1.35; margin-bottom:1em; }\nh1{ font-size:24px; }\nh2{ font-size:20px; }\nh3{ font-size:18px; }\nh4{ font-size:16px; }\nh5{ font-size:14px; }\nh6{ font-size:12px; }\np,ul,ol,blockquote,dl,table{ margin:1.2em 0; }\nul,ol{ margin-left:2em; }\nul{ list-style:disc; }\nol{ list-style:decimal; }\nli,li p{ margin:10px 0;}\nimg{ max-width:100%;display:block;margin:0 auto 1em; }\nblockquote{ color:#B5B2B1; border-left:3px solid #aaa; padding:1em; }\nstrong,b{font-weight:bold;}\nem,i{font-style:italic;}\ntable{ width:100%;border-collapse:collapse;border-spacing:1px;margin:1em 0;font-size:.9em; }\nth,td{ padding:5px;text-align:left;border:1px solid #aaa; }\nth{ font-weight:bold;background:#5d5d5d; }\n.symbol-link{font-weight:bold;}\n/* header{ border-bottom:1px solid #494756; } */\n.title{ margin:0 0 8px;line-height:1.3;color:#ddd; }\n.meta {color:#5e5c6d;font-size:13px;margin:0 0 .5em; }\na{text-decoration:none; color:#2a4b87;}\n.meta .head { display: inline-block; overflow: hidden}\n.head .h-thumb { width: 30px; height: 30px; margin: 0; padding: 0; border-radius: 50%; float: left;}\n.head .h-content { margin: 0; padding: 0 0 0 9px; float: left;}\n.head .h-name {font-size: 13px; color: #eee; margin: 0;}\n.head .h-time {font-size: 11px; color: #7E829C; margin: 0;line-height: 11px;}\n.small {font-size: 12.5px; display: inline-block; transform: scale(0.9); -webkit-transform: scale(0.9); transform-origin: left; -webkit-transform-origin: left;}\n.smaller {font-size: 12.5px; display: inline-block; transform: scale(0.8); -webkit-transform: scale(0.8); transform-origin: left; -webkit-transform-origin: left;}\n.bt-text {font-size: 12px;margin: 1.5em 0 0 0}\n.bt-text p {margin: 0}\n</style>\n</head>\n<body>\n<div class=\"wrapper\">\n<header>\n<h2 class=\"title\">\n黄仁勋对话红杉美国：100万倍的投资回报，以及AI工厂的资本逻辑\n</h2>\n\n<h4 class=\"meta\">\n\n\n2025-10-16 10:44 北京时间&nbsp;&nbsp;&nbsp;<a href=https://mp.weixin.qq.com/s/JdPzCCURxKfP7a0Uq9V5DQ><strong>有新Newin</strong></a>\n\n\n</h4>\n\n</header>\n<article>\n<div>\n<p>本月初，在 Citadel Securities 举办的「Future of Global Markets 2025」活动现场，红杉美国合伙人 Konstantine Buhler 与 NVIDIA 创始人黄仁勋展开了一场同台对谈。黄仁勋回忆起 1993 年那笔来自红杉的早期投资：100 万美元、几乎为零的成功概率，以及一个要“同时发明技术与市场”的想法。三十年后，这笔投资成长为超过 1 万亿美元...</p>\n\n<a href=\"https://mp.weixin.qq.com/s/JdPzCCURxKfP7a0Uq9V5DQ\">Web Link</a>\n\n</div>\n\n\n</article>\n</div>\n</body>\n</html>\n","type":0,"thumbnail":"https://static.tigerbbs.com/89488c7031541fc370770be9c680392f","relate_stocks":{"NVDA":"英伟达"},"source_url":"https://mp.weixin.qq.com/s/JdPzCCURxKfP7a0Uq9V5DQ","is_english":false,"share_image_url":"https://static.laohu8.com/e9f99090a1c2ed51c021029395664489","article_id":"1105248328","content_text":"本月初，在 Citadel Securities 举办的「Future of Global Markets 2025」活动现场，红杉美国合伙人 Konstantine Buhler 与 NVIDIA 创始人黄仁勋展开了一场同台对谈。黄仁勋回忆起 1993 年那笔来自红杉的早期投资：100 万美元、几乎为零的成功概率，以及一个要“同时发明技术与市场”的想法。三十年后，这笔投资成长为超过 1 万亿美元的市值，回报高达 100 万倍。Buhler 将这段历程总结为技术复利与资本复利叠加的奇迹，而他将这次对谈的重点分成三个方向：1）过去，是从 PC 到 GPU 的“加速计算革命”；2）现在，是从 GPU 到 AI 工厂的“系统革命”；3）未来，则是 Agentic 与 Physical AI 的“智能革命”。▍从 0% 概率到第一性原理的信念1993 年，黄仁勋 30 岁。那一年，硅谷的所有投资几乎都围绕通用处理器和摩尔定律展开，集成微处理器被视为计算革命的核心。英特尔正以指数级速度压缩晶体管尺寸，几乎所有资金都流向这条看似无可替代的路径。黄仁勋选择逆向思考：如果通用处理器注定要遇到物理极限，那么新的计算方式一定会出现。他和团队观察到一个核心矛盾——CPU 的优点在于通用性，但也正因通用，它对极难问题的效率始终有限。于是他们设想：是否可以用“加速器”的方式，为特定领域设计出更高效的计算架构？这种领域专用的算力能够与通用 CPU 并行存在，形成一种“补全型”的计算体系。这便是 NVIDIA 最初的理论起点——加速计算（Accelerated Computing）。当时的业界环境几乎没有人相信这种模式能成立。黄仁勋回忆，红杉资本的 Don Valentine 在听完融资故事后问他：“你要做的杀手级应用是什么？”他脱口而出“Electronic Arts”，却没想到对方刚好是 EA 的投资人。Don 回答说：“他们 CTO 14 岁，还得家长接送上班。你确定这就是你的 killer app？” 那时的共识是：“要同时发明技术和市场，成功概率约为 0%。”NVIDIA 的突破，恰恰来自这种“0% 概率”的赌注。黄仁勋决定自己去创造市场。为了让加速计算有现实需求，他们选择 3D 图形作为落地场景——一方面它具备真实世界的物理复杂度，另一方面又有足够强的视觉反馈能推动硬件升级。从本质上，3D 图形的计算任务就是“模拟现实”，而这背后是一套关于线性代数、光线追踪与动力学的数学体系。黄仁勋意识到，如果能把这套数学在硬件层面加速实现，就不只是做图形，而是开启一条新的计算路径。公司因此诞生在一个“双重虚空”中——没有市场，也没有前例。NVIDIA 必须在自建生态的同时培养开发者，让“图形加速”从垂直场景变成通用语言。黄仁勋形容那是一次同时“发明技术、发明市场、发明路径”的过程。“我们要做的不只是一个芯片，而是一种新的计算范式。”他始终坚持从第一性原理推演未来：当一种技术今天运转得极好时，应当回头问，它的基础假设是什么，这些假设是否会改变？这种思维让 NVIDIA 在看似被主流占满的赛道中，看到了拐角后的另一种逻辑。1990 年代末，NVIDIA 终于等来了一个信号——3D 图形游戏成为消费级现象。Electronic Arts、暴雪、索尼等厂商推动了 GPU 市场爆发，而 NVIDIA 在图形芯片上建立的优势，逐渐积累成庞大的软件生态与开发工具链。黄仁勋把这看作公司第一阶段的闭环：从硬件创新者变成生态平台创造者。他认为，“能成为通用计算平台的，不只是性能最强的芯片，更是能持续吸引开发者的系统。”正是这种理念，为后来 CUDA 的诞生埋下伏笔——那是一场真正意义上的“计算解封”，让 GPU 从图形设备变成面向所有科学与 AI 研究者的通用加速平台。▍从显卡到“通用计算引擎”CUDA 的诞生，是 NVIDIA 从硬件公司跃迁为计算平台的关键时刻。最初，GPU 被视为游戏和视觉领域的专用芯片，属于一条狭窄而激烈的赛道。黄仁勋回忆：“我们当时不仅要造一项全新的技术，还得同时让一个不存在的市场被创造出来。” 换句话说，他们必须让一项“不通用”的技术具备通用性。在 2000 年前后，GPU 市场一度涌现出上百家竞争者。多数公司停留在显卡性能迭代上，而 NVIDIA 选择把“图形运算”中的并行能力，推广到更广的计算问题上。他指出，3D 图形的数学本质是“物理模拟”与“线性代数”，这些结构恰好是许多科研和工程问题的共性。如果能让 GPU 支持通用矩阵运算，那么几乎所有需要高并行计算的任务都可以被加速。这便是 CUDA 的思想起点——让 GPU 成为通用计算引擎。CUDA 不仅是一套软件工具，更是一种标准语言，它让 GPU 能被科学家、工程师和开发者像调用 CPU 一样调用。此举彻底改变了 NVIDIA 的定位：从芯片设计公司变成计算平台的提供者。黄仁勋称其为“第二次发明”——发明的不只是硬件，而是整套市场扩散机制与开发者生态。为了让生态真正运转，NVIDIA 推出了一项名为“CUDA Everywhere”的计划。黄仁勋亲自走访全球大学与研究机构，从地震分析、分子动力学到量子化学，把 CUDA 植入科研体系。“我们不只是去卖 GPU，而是去启发人们用新的方式思考计算。” 这种自下而上的传播，让 CUDA 成为高性能计算的通用语言。真正的爆发点出现在 2012 年。那一年，深度学习在学术界迎来转折，AlexNet 在 ImageNet 竞赛上以压倒性优势获胜，而整个模型正是在 NVIDIA GPU 上训练完成的。黄仁勋当时正试图解决计算机视觉问题，对传统算法的脆弱和复杂感到挫败。与此同时，Geoffrey Hinton、Andrew Ng、Yann LeCun 等研究者也在用 CUDA 加速神经网络。几位研究者之间的“偶遇”，成了这场革命的催化剂。NVIDIA 团队很快意识到，深度学习的计算需求和图形计算极为相似——都是大规模矩阵乘法。于是他们为神经网络专门开发了 CUDA DNN（CUDNN）库，使模型训练速度成倍提升。黄仁勋回忆：“我们和他们看到的是同一个结果，但我们想的是，如果深度学习能在视觉上奏效，那它还能在哪些领域奏效？”这次反向推理成为 NVIDIA 的长期转折点。团队得出一个关键结论：深度神经网络是“通用函数逼近器”，能学习任意复杂函数。无论是卷积、循环网络，还是后来加入状态机的 Transformer，本质上都在扩展这种“可学习的函数空间”。于是公司开始以此为前提重新设计整个计算栈——从芯片到系统，从软件到算法。“当我们意识到这项技术能学习任何函数，我们就明白，计算的每一层都可以被重新定义。” 黄仁勋说。这一决定让 NVIDIA 走出硬件公司的边界，也奠定了它在 AI 革命中的核心位置。接下来的十年，CUDA 不再是图形接口，而成为新一代智能计算平台的语言底座。▍AI 工厂：从数据中心到生产体系的重构2016 年，黄仁勋发布了世界上第一台专为 AI 设计的计算机—— DGX-1。那是一个完全不同于传统服务器的机器，内部整合了 GPU、CPU、网络与软件栈，构成一个可直接进行模型训练的封闭系统。他在 GTC 大会上展示这台电脑时，台下反应寡淡——没人理解这是什么。直到会后，Elon Musk 对他说：“我可以用一台。” 那时的 OpenAI 还只是一个非营利组织，而黄仁勋笑称自己是“DoorDash 的电脑外卖员”，亲手把 DGX-1 送去旧金山。这段插曲成了日后产业转折的象征。那台电脑后来成为所有 OpenAI 模型的起点，也定义了“AI 工厂”这一概念。黄仁勋解释，DGX-1 定价 30 万美元，是当时全球最贵的计算节点。“它最初并不成功，所以我得出的结论是——我们做得还不够大。” 下一代产品在规模和集成度上全面提升，很快成为业界标配。在他看来，AI 工厂的核心不是芯片性能，而是系统整合。NVIDIA 不再只是设计单颗 GPU，而是从建筑供电到机架布线，从交换机、网络协议到软件栈，提供一整套可落地的“算力生产线”。“我们是世界上唯一一家能在给定电力和空楼的情况下，交付完整计算基础设施的公司。” 这种纵向一体化让创新速度成倍提升：所有硬件与软件保持兼容，每年迭代一次，性能提升近 10 倍。他强调，兼容性带来的不是惯性，而是速度。正如 Windows 生态曾推动 PC 快速演化，统一的软件标准让 GPU 系列得以以系统化方式升级。“我们每年都在重写下一代工厂，而这些工厂彼此软件兼容，这种结构性优势就是创新速度。”AI 工厂与传统数据中心的区别在于，它不是存储和检索信息，而是“生成智能”。黄仁勋说，“数据中心是被动的，AI 工厂是主动的。” 在相同功率条件下，NVIDIA 的系统能以三倍能效完成推理任务，这意味着客户在同样的 1 GW 能源里，可以生成三倍的智能内容、获得三倍的收入。AI 工厂的计算吞吐率直接决定产出能力，因此他称其为“生产设施”而非“数据仓库”。他进一步指出，NVIDIA 的快速增长并非泡沫，而是来自真实需求的累积。2000 年的互联网公司大多没有盈利，而今天的 AI 已经深入支撑全球超级平台的核心业务：搜索、推荐、广告、短视频，乃至量化交易。Google、Meta、Amazon 每年数千亿美元的营收都在依赖 AI 运行，即使没有 OpenAI 或 Anthropic，这个产业也已存在巨量需求。同时，新的“AI 制造业”正在出现——大型模型公司如 OpenAI、xAI、Gemini、Claude 正成为“模型制造商”，建设自有的 AI 工厂，为下游企业提供模型和算力服务。这些模型的用途不再局限于生成文本，而是将进入一个更大的市场——劳动。黄仁勋称之为“Agentic AI”，即数字劳动力。企业的员工队伍将首次同时包含人类与数字员工，后者通过模型执行代码编写、营销、设计、财务等任务。“我们公司内部 100% 的工程师都在使用 Cursor 等工具，它们成为每位员工的第二个大脑。” 他认为，这一产业的潜在市场规模超过 100 万亿美元。与之并行的是“Physical AI”——把智能嵌入物理世界。自动驾驶是数字司机，未来还会有数字工人、数字机械手、数字助理。所有“能动的事物”都可能成为 AI 的新身体。“这两个市场，一个对应数字劳动力，一个对应物理劳动力，加起来几乎覆盖了人类经济的全部。”在这一逻辑下，NVIDIA 的产品定义彻底改变：GPU 不再是硬件组件，而是构建智能工厂的最小生产单元。黄仁勋把这种转变概括为一句话——“我们正在制造制造智能的机器。”▍Agentic 与 Physical AI：通用智能的“双重具身”当生成式模型从内容到行动跃迁，AI 的边界被重新划定。黄仁勋指出，AI 工厂不仅在云端生成语言与图像，它们生产的是“可被调用的智能”，并将以两种形态落地——数字劳动力（Agentic AI）与具身智能（Physical AI）。这意味着，AI 第一次在认知和物理两个维度同时进入社会分工体系。在企业端，Agentic AI 的应用已经开始普及。过去，AI 是人类的“工具”，今天它变成了“数字同事”。软件开发、营销策划、法务审阅、客户支持都在被数字代理部分接管。黄仁勋透露，NVIDIA 内部已经实现“全员 AI 协作”：所有芯片设计师和软件工程师都由 Cursor 等智能体辅助完成任务。“AI 不再只是加速人类工作，而是与人类共同产出。”他进一步推演了未来企业的形态——人类与数字员工共存，AI 将拥有岗位、层级与培训体系。每个组织都需要学习如何“入职”一名 AI 员工：通过微调与知识注入，让它理解公司的文化、流程与语料。这在他看来，是 CIO 的下一代任务：“未来 IT 部门将成为数字员工的 HR 部门。”与之对应的另一条路径是 Physical AI。黄仁勋称其为“具身智能”的产业革命。自动驾驶是最典型的例子——数字司机替代人类操作方向盘，而类似逻辑正从车扩展到机械臂、物流机器人、服务机器人等一切能被物理控制的对象。“如果 AI 可以生成一段视频中人类开瓶、喝水的动作，那同样可以驱动一个机械体完成这件事。”这一推理背后是对“具身学习”的系统性设计。要让机器人具备通用智能，需要三个层次的计算体系：训练它的 AI 工厂、让它试验的虚拟世界，以及支撑它运行的大脑计算机。NVIDIA 在这三层都提供产品——用于模型训练的 GPU 集群，用于仿真的 Omniverse 平台，以及嵌入机器人本体的实时计算芯片。他将这一过程比作“虚拟世界的孵化”：AI 首先在仿真环境中以游戏角色的方式学习数万次，掌握物理法则和感知—反馈循环，再跨入真实世界执行任务。“虚拟训练的世界和现实之间的差距越来越小，机器人可以在模拟中成长，然后直接进入工厂或街道。”Omniverse 在这里扮演着关键角色。它是一个可精确复现物理世界的 3D 数字空间，机器人在其中学会抓取、移动、避障等动作。黄仁勋认为，“Omniverse 是 Physical AI 的实验室，是未来机器人文明的操作系统。”当被问及行业节奏时，他指出，RoboTaxi 已经是现实，而通用型机器人正在迅速接近可用门槛。自动驾驶与人形机器人在架构上高度相似：都是多模态、可泛化、端到端的智能系统，只是具身方式不同。“我能开车，也能操作刀叉，本质上是同一个智能在不同身体里的体现。”他总结说，未来的智能系统将具备“三重通用性”：多模态（感知多维输入）、多具身（可嵌入多种物理形态）、多领域（适应多类任务）。AI 不再是一种软件，而是一种可以在不同身体间迁移的“能力单位”。在这种逻辑下，物理世界被重新定义为智能的延伸空间。每一个可被控制的对象——汽车、机械臂、无人机、外骨骼——都可能成为计算的一部分。黄仁勋认为，这是继互联网和移动计算之后最深刻的基础设施变革：“我们终于能制造出能自己制造智能的机器。”▍主权 AI 与生成式计算：世界秩序的重写在谈及未来十年的地缘技术格局时，黄仁勋把“主权 AI（Sovereign AI）”视作新一轮国家竞争的核心主题。他强调，“没有任何一个国家可以把全部数据交出去，再从外部‘进口智能’。” 数据是国家的知识与经验，一旦依赖外部模型生成判断，主权层面的决策能力就会被削弱。因此，每个国家都必须掌握属于自己的 AI 生产力。他认为，未来的国家 AI 战略将是“进口 + 自建”的混合模式：核心模型可以采购，但底层训练与本地知识体系必须自有。NVIDIA 已经在全球观察到这一趋势——英国、法国、德国、西班牙、意大利、日本、韩国等国家都在建设本地模型公司，从 Mistral、Nebius 到 N-Scale，形成了遍布全球的主权 AI 网络。技术门槛的快速降低，使得这种“国民智能体”的构建变得现实。当被问及中美关系与出口管制时，黄仁勋选择了审慎的表达。他指出，美国希望在 AI 竞赛中保持领先，但“要警惕让赢得比赛的逻辑变成输掉市场的逻辑”。目前 NVIDIA 在中国市场的份额从 95% 下降至 0%，他直言：“我无法想象这对任何一方都是好主意。” 在他看来，限制政策不仅削弱了美国的出口能力，也阻断了世界最庞大的开发者群体与美国技术的连接。他提出一种更为平衡的策略：赢得开发者，而不是封锁开发者。 “AI 的胜负关键不在芯片，而在谁的技术栈成为全球标准。我们希望世界建立在美国技术之上。” 中国拥有全球约一半的 AI 研究人员，若他们无法使用美国体系构建模型，长期看反而会促成新的技术分裂。黄仁勋强调，应当以“细腻的策略”在安全与开放之间取得动态平衡。话题转向安全与生成。黄仁勋认为，未来的 AI 安全将类似网络安全——不是依赖单一防线，而是通过数以百万计的“安全 AI”形成协作网络。“当智能的边际成本趋近于零，安全智能的成本也会趋近于零。” 每个大型模型都会被一群专门监控、修正、过滤的安全模型包围，企业内部外部的系统都将拥有自己的“数字卫士”。这种演化也带来了新的计算范式。他用一个例子解释这种转变：Perplexity 是生成式的，而 Google 是检索式的。前者基于理解与生成实时构建答案，后者依赖事先存储的网页。视频领域的 Sora、NanoBanana 等产品也遵循相同逻辑——它们不再播放记录，而是直接“生成现实”。黄仁勋说：“以前的计算是去‘读取’，现在的计算是去‘创造’。”他用一个类比作结：人类的思考过程也是生成式的。每一次对话、每一个判断都在当下被创造，而不是去“检索”记忆库。“你刚刚问的每个问题，我都不是回到办公室找答案，而是即时生成。” 这就是未来计算的样子——“100% 生成式的世界，每一个像素、每一句话、每一个动作都在实时被创造。”在这一体系下，AI 工厂的作用不再是数据中心，而是人类创造力的底层能源。每一座工厂都在生产智能，所有生成的内容、代码、语言、决策，都是“产出”。黄仁勋估算，目前全球的 AI 基础设施投资不过数千亿美元，而这一曲线将迅速攀升到每年数万亿美元的规模。“我们正处在旅程的起点。”他平静地说。从加速计算到 CUDA，从 GPU 到 AI 工厂，从 agentic 到 physical，再到主权 AI，NVIDIA 已经不只是制造硬件的公司，而是构建未来文明“智能能源”的企业。“未来的计算机，将是诗人、工程师、同事和伙伴。”","news_type":1,"symbols_score_info":{"NVDA":1.1}},"isVote":1,"tweetType":1,"viewCount":240,"commentLimit":10,"likeStatus":false,"favoriteStatus":false,"reportStatus":false,"symbols":[],"verified":2,"subType":0,"readableState":1,"langContent":"CN","currentLanguage":"CN","warmUpFlag":false,"orderFlag":false,"shareable":true,"causeOfNotShareable":"","featuresForAnalytics":[],"commentAndTweetFlag":false,"andRepostAutoSelectedFlag":false,"upFlag":false,"length":27,"optionInvolvedFlag":false,"xxTargetLangEnum":"ZH_CN"},"commentList":[],"hasMoreComment":false,"orderType":2}