【黄仁勋讲透AI下一阶段：算力越强，运力越值钱】

看了黄仁勋高盛通信与科技大会的讲话全文，一个强烈感受：他这次几乎是在给光通信做代言。

一、从"寻找答案"到"生成答案"

黄仁勋重申2030年AI对应3万亿-4万亿美元TAM，核心驱动力是计算从"检索式"向"生成式"迁移。过去的计算机更像图书馆——Google帮你找到已存在的网页，核心是"找到"。生成式AI不一样，要根据你的问题和上下文现场重新计算生成答案。过去是图书管理员，今天是每次有人提问都要重新开工的"内容工厂"。

二、Agent时代，Token只会越来越多

进入Agent时代，一次用户请求背后对应模型反复推理、调用工具、读取数据、验证结果再进入下一轮思考——一个任务可能对应几十次甚至更多次推理。

Token正在成为AI基础设施最重要的工作量单位。Token越多，背后需要的算力、运力、存力和电力自然越多。

三、摩尔定律放缓，为什么运力越来越重要？

这轮计算范式切换恰好撞上摩尔定律放缓。黄仁勋强调，随着摩尔定律放缓，NVIDIA紧密协同设计的硬件和网络体系价值正在提升——包括NVLink、Scale-up和Scale-out架构。

过去一颗芯片缩小制程就能提升性能，性能增长近乎半导体产业"免费送的午餐"。今天没有免费午餐了：晶体管越来越难缩小，功耗、热密度、带宽都逼近物理极限。行业从"把一颗芯片做得更快"转向"把更多芯片更高效地连接起来"。

我的框架一直是：AI算力=算力×运力×存力。一颗GPU再强，当几十万颗GPU需要一起工作时，决定系统效率的不再只是芯片本身，而是芯片之间能不能高效交换数据。摩尔定律越慢，网络的重要性反而越高。

四、当下真正的瓶颈不是需求

黄仁勋明确表示：先进封装、晶圆、存储等上游环节仍存在广泛供应约束，数据中心电力和场地同样紧张。即便如此仍维持2027年约70%同比增长预期。

含义很简单：限制AI基建增长速度的不是"有没有人想买"，而是能不能造出来、有没有电、有没有地方建。AI的瓶颈在不断向外迁移——GPU不够加GPU，HBM不够扩HBM，网络不够升级Scale-up/Scale-out，电力不够建电力设施。一个瓶颈解决后下一个浮现，但总需求不会因某个瓶颈被解决而消失。

五、循环融资，最终还是看ROIC

黄仁勋回应：NVIDIA确实会通过金融担保帮生态伙伴获得数据中心容量，但最终回报和投资伙伴多样性不符合"循环融资"的描述。

这事最终回到最简单的问题：ROIC能不能成立。如果Token持续增长、AI基建不断产生收入和现金流，今天建的数据中心就是生产资料；反过来如果需求无法兑现，高CapEx高融资结构自然变成压力。未来市场看AI，关注点就是GPU最后能创造多少Token、多少收入、多少现金流。

六、Coding之后，Physical AI接力

两个重要方向：一是Coding和网络安全——AI能写代码就意味着越来越能理解代码，越能理解代码就越能发现漏洞、自动修复。网络安全是24小时持续性任务，推理需求天然持续。二是Physical AI——自动驾驶已是领先场景，接下来是仓储自动化、导航系统、推理型机器人操作，后者距重要拐点约还有两年。

从Coding到网络安全再到自动驾驶和机器人，本质是一件事：AI正从"回答问题"走向"完成任务"。

七、GPT-6 Astra已开始给出答案

这次确实有些东西不一样了。过去的大模型在回答问题，Astra开始真正完成工作：理解环境、调用工具、操作电脑、长期执行任务，甚至在陌生环境中自己建立世界模型。不足以证明AGI到来，但至少说明已到AGI门前。

八、Anthropic对Moonshot的指控

真正让人震惊的不是"蒸馏"——蒸馏本身是正常技术手段，关键在怎么用、数据从哪来、是否符合规则。问题在于：如果指控属实，涉及数据泄露和用户知情同意。用户以为在用国产模型，请求实际被转发给Claude，交互数据可能被第三方获取再用于训练。蒸馏只是技术问题，未经知情授权把用户数据转发给第三方，首先是数据安全和合规问题。安全都没保障，何谈发展。

今晚8点半公布美国8月CPI：整体预期环比+0.38%、同比+3.4%，核心环比+0.22%、同比+2.4%。我的预期是只要不是0.30%或更高，就按兵不动。

无论天赋或努力多么出色，有些事情就是需要时间。在正确的方向上保持耐心，让逻辑一点一点被时间验证。市场如此，产业如此，人生亦如此。

黄仁勋英伟达光通信AI算力Token财经基金