撰文：Techub News 整理
黃仁勳所描述的，已經不再是“某個更強的大模型”競爭，而是一次圍繞推理、代理、機器人和行業基礎設施的係統級重構。 在他的敘述裡，英偉達也不再只是賣 GPU 的公司，而是試圖成為“AI 工廠”與“現代計算操作係統”的總裝者，把芯片、網絡、存儲、軟件棧、仿真係統和邊緣設備統一到同一個框架裡。
黃仁勳反復強調，外界如果還用“賣芯片”來理解英偉達，已經很難把握這家公司真正的戰略方向。 按照他的說法，英偉達正在從一家 GPU 公司演化為一家 AI 工廠公司，提供的不是孤立器件，而是覆蓋 GPU、CPU、交換網絡、網絡處理器、存儲處理器以及軟件平台的完整係統。
這裡最重要的變化，是價值重心從“單顆芯片性能”轉向“整座工廠的産出效率”。 在黃仁勳看來，客戶要買的並不是某種單獨的加速器，而是能夠持續生成 token、運行代理、承載企業工作流和行業應用的 AI 基礎設施；如果只盯著芯片單價，就會忽視整個係統吞吐量、能耗、調度效率和全生命周期成本之間的關係。
這也是他解釋“更貴的 AI 工廠為什麼反而可能更便宜”的邏輯起點。 他明確表示，不應把“工廠價格”和“token 成本”直接畫等號；一個總投資更高、但吞吐和效率高得多的數據中心，最終反而可能産出更低成本的 token。 這個觀點本質上是在把 AI 基礎設施從一次性採購，改寫成一種持續運營、持續變現的生産係統。
過去幾年，AI 産業習慣用訓練規模來衡量領先優勢，但黃仁勳在這次談話裡把更大篇幅給了推理。 他的判斷是，行業關注點已經明顯從預訓練擴展到推理，而且推理負載的復雜性正在迅速上升，尤其是在從生成式 AI 進入推理式 AI、再進入代理式 AI 之後，對計算係統的要求發生了質變。
他提到一個非常關鍵的概念——“解耦式推理”或“分解式推理處理”。 其含義並不是讓所有步驟都在同一類處理器、同一組 GPU 上完成，而是將推理流水綫拆開，把不同階段放在最適合的算力、網絡和存儲資源上運行，以獲得更高的整體效率。 這背後其實對應著一種更接近現代工廠的設計思維：不是讓每台機器都做全部工作，而是讓不同設備各司其職，再通過網絡與調度軟件把它們組織起來。
在這一框架下，推理已經不只是模型吐出答案那麼簡單。 一旦進入代理時代，係統會調用工具、讀取長期記憶和工作記憶、訪問外部數據庫、與其他代理協作，甚至混合使用大模型、小模型、擴散模型和自回歸模型；這樣一來，真正承受壓力的不僅是算力芯片，還有存儲、網絡、調度和安全治理係統。 也正因為如此，他認為英偉達的總可服務市場會隨著代理式計算而繼續擴大。
這場談話裡一個特別有意思的判斷是：代理係統不是在舊電腦上多裝了一個助手，而是在重寫“電腦”本身的定義。 黃仁勳把代理係統描述成一種具備記憶、資源管理、任務調度、輸入輸出接口、工具調用能力以及多代理協作能力的計算結構；在他眼裡，這些組成部分已經構成了“個人人工智能計算機”的雛形。
這個判斷的分量非常重，因為它意味著 AI 的産品形態不再只是聊天框。 如果一套係統能管理文件、運行代碼、連接外部應用、調用技能模塊、安排任務並與人持續協作，那麼它更像是操作係統，而不是一個單點問答工具。 黃仁勳因此把代理視為現代計算的新藍圖，並認為這一範式最終會“運行在任何地方”。
不過，他也沒有把代理神化。 相反，他特別強調代理軟件因為會接觸敏感信息、執行代碼並對外通信，所以治理、安全和權限控制必須成為係統設計的一部分；不能讓代理同時無邊界地掌握數據、執行能力和外聯能力，而要通過策略把這些能力嚴格約束起來。 這說明在他心中，代理革命不是“放權給 AI”那麼簡單，而是一次伴隨治理架構升級的計算革命。
如果說代理重寫的是數字世界裡的計算結構，那麼物理 AI 則進一步把 AI 帶入真實世界。 黃仁勳用一個非常簡潔的框架解釋物理 AI：要解決這類問題，至少需要三台不同職責的“計算機”。
第一台計算機負責訓練模型，也就是創造 AI 本身。 第二台計算機負責評估與仿真，尤其是在機器人、自動駕駛、工業設備等場景裡，需要一個遵守物理規律的虛擬環境，去反復驗證模型和係統行為；他將這一層與 Omniverse 聯係起來，把它看作連接數字世界與物理世界的關鍵平台。 第三台計算機則位於邊緣端，是最終部署在汽車、機器人、工廠設備甚至玩具中的執行計算單元。
這個“三台計算機”的提法，解釋了為什麼黃仁勳不斷強調物理 AI 不是單一産品，而是一整套跨層係統工程。 沒有訓練係統，智能體就沒有能力；沒有仿真係統，物理世界中的風險就無法可控；沒有邊緣計算機，能力就落不到現實設備之上。 這也解釋了為什麼英偉達在自動駕駛、機器人、工業數字孿生和邊緣 AI 之間總是聯動佈局，因為這些業務在他的框架裡本來就是同一個問題的不同側面。
黃仁勳把物理 AI 形容為科技行業第一次有機會大規模進入一個體量約 50 萬億美元、卻長期缺乏數字化和智能化滲透的巨大産業空間。 在他的敘述裡，這不是一年兩年的短期風口，而是一場已經推進了十年、現在開始進入拐點的長期戰役。
更值得注意的是，他聲稱相關業務已經成為英偉達“接近 100 億美元年收入”的大生意，並且仍在指數級增長。 這意味著在英偉達内部，物理 AI 已不只是“未來概念驗證”，而是開始從技術儲備轉向真實營收板塊。放在産業層面看，這種變化也說明機器人、自動駕駛、工業仿真和邊緣智能，正在從展示型技術走向可採購、可部署、可復制的商業係統。
他對機器人落地節奏的判斷也相當激進。 從“高功能樣機已經存在”到“形成可接受的産品”，他給出的時間大約是三到五年，並認為未來幾年機器人會快速出現在工廠、物流、服務和更多日常場景中。 這裡當然有樂觀成分，但它揭示了一個趨勢：機器人産業真正欠缺的，也許不再主要是機械結構，而是足夠強的“腦”、足夠可靠的仿真與足夠低成本的係統集成。
在自動駕駛問題上，黃仁勳給出的定位很明確：英偉達不打算自己造自動駕駛汽車，但想讓全世界汽車公司都能用它的係統去造自動駕駛汽車。 為此，它提供訓練計算機、仿真和評估計算機、車端計算平台，以及用於安全運行的操作係統。
這套打法與安卓時代的平台策略很像，但又更復雜。 因為自動駕駛不是只靠軟件接口就能跑起來的輕應用生態，而是一套把傳感器、模型、仿真、車規硬件、安全驗證和持續訓練閉環連接起來的重工業級平台。 英偉達真正想做的，是成為這套平台的“共用底座”，讓不同車企和機器人公司在上面做差異化産品。
他還提到，未來“凡是會移動的東西，最終都會在完全或部分意義上實現自主化”。 這句話既包括汽車，也包括工業車輛、物流設備、服務機器人和更多尚未完全成形的新物種。 從商業策略上看，誰能同時掌握訓練、仿真、部署和運營四個環節，誰就更有可能在這一輪物理 AI 競爭中佔據核心位置。
除了機器人和自動駕駛，黃仁勳對數字生物學的判斷也非常激進。 他認為，這個領域正接近自己的“ChatGPT 時刻”，人類正在學會如何表示和理解基因、蛋白質、細胞以及化學結構之間的動態關係，而一旦這些基礎表示被突破，醫療和生命科學就可能進入新的拐點。
按他的說法，未來兩到五年會是數字生物學持續走強的重要時間窗，五年左右醫療行業可能出現明顯的 AI 拐點。 這類判斷當然仍帶有遠景投資者式的前瞻性，但它透露出一個重要方向：AI 在生命科學中的價值，正在從“做輔助分析”升級為“構建新的表示體係與實驗推理工具”。
他對醫療應用的拆分也很有啓發性。 一類是用 AI 表示和預測生物行為，服務藥物發現；一類是用代理係統提供診斷支持、流程協助和醫患交互；還有一類是物理 AI，比如機器人手術和面向醫院設備的嵌入式智能。 換句話說，醫療不會只被一個“大模型問診機器人”改變，而會在科研、臨床流程、設備智能化和手術執行層面同時被重構。
圍繞開源模型與閉源模型之爭，黃仁勳給出的答案不是站隊，而是結構化分層。 他的判斷是，模型首先是一種技術，而不是天然等於某種産品；因此，作為服務出售的專有模型會持續繁榮，而開放模型同樣不可或缺，兩者不是 A 或 B，而是 A 和 B。
為什麼開放模型重要？ 因為大量行業場景需要把自身的領域知識、流程約束和控制權沉澱到可定制的模型中，而這往往只能依賴開放模型路綫來完成。 為什麼專有模型也不會消失？因為對普通用戶和大量通用任務而言，直接使用成熟的頂級模型服務，是更高效也更符合産品邏輯的選擇。
這一判斷實際上為未來的軟件産業提供了一個很現實的框架。 一方面，頂級模型公司將繼續主導通用智能入口；另一方面，每個行業、每個企業、每個高價值流程都需要把自己的專業知識“壓”進專用代理與專用模型之中。 於是，真正的護城河不只是模型參數規模，而是深度行業知識、流程接入能力和持續反饋閉環。
談到代理對軟件行業的沖擊，黃仁勳沒有接受“企業軟件會被 AI 摧毀”的簡單敘事。 他的反向觀點是，企業軟件行業原來受限於“人頭數”和“座位數”，未來卻會有成百上千的代理去調用 SQL、設計軟件、創意工具、數據庫和行業係統，這反而可能把軟件使用量放大一個數量級。
這個觀點很重要，因為它重新定義了 AI 與 SaaS 的關係。 過去人們常把 AI 看成替代層，仿佛模型一強，原有軟件就會失去價值；但在黃仁勳看來，很多軟件工具依舊是人類控制、審閱、追蹤和落地成果的界面，是代理完成工作後必須回寫、必須對接、必須交付的“現實容器”。 這意味著未來的軟件不會消失，而是會變成“人類 + 代理”共同使用的工作基礎設施。
對創業者而言，這個判斷還引出另一個結論：應用層的護城河將更多來自“深度垂直化”。 黃仁勳明確指出，企業的優勢在於足夠懂某個垂直領域，並把這種專門知識轉化為可連接客戶、可持續學習的代理係統。 誰越早讓代理接觸真實客戶與真實流程，誰的飛輪就越快。
當話題轉向企業内部效率時，黃仁勳表現得幾乎沒有保留。 他認為，AI 代理會讓工程師和研究人員的工作方式發生根本變化：過去靠手寫代碼推進的事情，未來會更多變成撰寫想法、架構、規格說明、評價標準和協作流程，然後由大量代理去執行、試錯和叠代。
他甚至給出一個非常鮮明的類比：如果一個年薪很高的工程師，一年只消耗極少量 token，那麼管理層反而應該感到警覺。 這等於把 token 視為新一代知識工作者的“生産資料”，就像 CAD 工具之於芯片設計師、機械設備之於工廠工人一樣。 在這個邏輯裡，企業未來真正要優化的，不是“是否用 AI”，而是“如何讓每一個高價值員工配備足夠多、足夠強的 AI 代理”。
黃仁勳還說，過去那些“這件事太難”“這會花太久”“這需要太多人”的想法會被逐漸消解，工作將更集中於創造力、架構能力和判斷標準的設定。 這並不意味著人從係統裡消失，恰恰相反，人要承擔更高層級的定義、監督和選擇職責。 如果這個判斷成立，那麼未來最稀缺的人才，未必只是最會寫代碼的人，而是最會組織人機協作、最能定義目標和評價結果的人。
在政策問題上，黃仁勳的態度也很鮮明。 他反對把 AI 神秘化、妖魔化，強調 AI 不是生物、不是外星生命，也不是完全不可理解的黑箱，而是人類能夠不斷認識和治理的計算軟件係統。 基於這一點，他主張政策制定者應更多了解技術現實，避免被極端情緒和“末日敘事”牽著走。
不過，他同樣提醒，不要讓政策跑得比技術過快，因為真正的風險之一，恰恰是別的國家更積極地採用 AI，而本國因為恐懼、爭議或過度限制而放慢擴散速度。 從這個角度看，他關心的重點不是“AI 會不會太快”，而是“本國會不會太慢”。
在全球競爭上，他反復把 AI 與通信、能源、稀土、制造等戰略産業並列，認為美國如果不能讓本國技術棧在全球範圍保持廣泛存在，就可能在下一輪産業競爭中陷入被動。 這也是為什麼他強調，理想狀態未必是全世界都用同一套模型，但可以是全球大部分國家和企業都建立在美國主導的技術棧之上。
談到機器人産業的全球競爭時，黃仁勳特別點出中國的供應鏈優勢。 他認為，中國在微電子、電機、稀土和磁體等機器人關鍵環節上實力很強，而這些基礎能力恰恰是機器人産業爆發不可缺少的底層支撐。 這一判斷十分現實：機器人熱潮看起來像軟件革命，但真正大規模落地時，仍然離不開復雜且穩定的制造能力。
他因此給出了一個既樂觀又現實的圖景。 樂觀的一面是，機器人將在未來三到五年顯著走入現實世界，成為工廠、物流、服務和個人生産力的重要補充；現實的一面則是，誰掌握從元器件到係統集成的供應鏈組織力，誰就更可能在這輪産業重構中受益。
值得玩味的是，他並不把機器人簡單描述為“替代人”。 相反，他多次把機器人視作個人和企業的能力放大器：正如汽車曾經擴展人的移動半徑，機器人將擴展個人執行工作的半徑，使更多人具備過去只有組織化企業才有的生産能力。 這一視角，實際上把機器人從“就業威脅”重新解釋成“生産力民主化工具”。
把整場談話放在一起看，黃仁勳真正押注的並不是某個單獨模型勝出，而是一種新的基礎設施文明開始形成。 在這個文明裡，訓練、推理、代理、仿真、機器人、生命科學、自動駕駛、企業軟件和國家競爭並不是割裂的賽道，而是同一條技術演進鏈上的不同節點。
英偉達試圖扮演的角色，也不是單一硬件供應商，而是這個新世界的“底座提供者”：上面可以跑開放模型，也可以跑閉源模型；可以支撐雲端工廠，也可以支撐車端和機器人；可以服務大型科技公司，也可以下沉到行業企業和邊緣設備。 只要未來 AI 真像黃仁勳所描述的那樣，從“回答問題”轉向“完成工作”，再從數字世界擴展到物理世界，那麼贏家很可能不是最會做單點産品的公司，而是最能把整套係統拼裝起來並持續叠代的公司。
從這個角度說，這次談話最有價值的地方，並不在於某個誇張數字是否百分之百兌現。 真正值得關注的是，黃仁勳已經給出了一張足夠完整的産業地圖：推理將成為算力消耗中心，代理將成為新的計算範式，仿真將成為物理 AI 的必經環節，機器人和自動駕駛會把 AI 從屏幕中解放出來，而生命科學和醫療則可能成為下一批被深刻改造的行業。
内容來源：TECHUB NEWS
更多精彩內容，請登陸
財華香港網 (https://www.finet.hk/)
現代電視 (http://www.fintv.com)