黃仁勛談 2026：推理變強了，AI 也更會賺錢了

全文 3,000字 | 閱讀約 8 分鐘

(黃仁勛談推理Token經濟學)

當AI 圈還在爭論有沒有泡沫，黃仁勛已經在算“推理（Reasoning）”能賺多少錢。

2026 年 1 月 8 日，播客 No Priors 上，他這樣說：

就算 ChatGPT 沒出現，NVIDIA也會贏。

這份自信，源于對計算產業的真實判斷。

過去十年，摩爾定律逐漸失效，算力不再自動變便宜。所以加速計算從高端選項變成了“產業標配”。

當主持人問起 “2025 年 AI 最讓你驚訝”的進展，黃仁勛沒講多模態、也沒講大模型，答案是：模型推理能力的進化，和它如何成為一門可以定價、可以收費的生意。

這意味著，AI 的戰場已經從做大模型轉向了賣推理能力。

• 推理到底怎么賺錢？

• 誰在為推理付費？

• 這個窗口還能開多久？

過去，AI 的強，主要指兩個方向：會寫、會說。

從 ChatGPT 到各種聊天機器人，只要能輸出連貫、像人寫的內容，就算是好模型。

但到了企業場景，標準變了。他們不在乎會不會聊天，在乎的是：這個 AI 能給我省多少錢、賺多少錢？

要讓 AI 輸出值錢，黃仁勛的回答是：推理能力。

這個能力不是模型參數再翻幾倍，而是：

• 根據上下文找準問題，

• 在數據不全時推出合理結論，

• 給出能被醫生、律師、工程師放心使用的答案。

有了這種能力，AI 給出的結果就能明碼標價了。

他舉了幾個例子：

• OpenEvidence 做醫療搜索，推理Token的毛利率達到了90%；

• Harvey 為律師事務所服務，已經在多個大型律所落地使用；

• 甚至 Claude 企業版，企業也愿意為它付費。

這說明什么？過去 AI 輸出不穩定，企業不敢付高價；現在推理讓答案可控，按結果收費成為可能。

這個變化有兩個信號值得特別注意：

• 模型本身不再是唯一賣點。會寫文章、會對話只是起點，能推理、能接任務、能給出可驗證的答案，才是企業考慮是否付費的關鍵。

• 企業愿意為推理質量付更高的價。OpenEvidence的高毛利率不是靠壓低成本，而是因為醫生真的把它當可信賴資源在用。當AI從助手變成專業工具，定價邏輯就變了。

在這個過程中，最早跑出來的不是消費級產品，而是高度專業場景。

醫療、法律、科研、工程……這些地方對答案質量要求極高，恰好讓推理有了明確價格。

我們第一次看到，推理從模型的一個小能力，變成了能單獨收費的產品。

第二節｜真正賺錢的是AI工廠，電工工資翻倍了

推理能收費了，但這些能賣錢的Token，是怎么產出來的？

黃仁勛把這個生產場所叫作：AI 工廠。

這些工廠 24 小時不停地運算、生成推理結果。但要讓 Token 持續產出，背后得有三樣東西支撐：

• 芯片廠：造出最關鍵的計算芯片

• 超級計算中心：搭建大模型運行需要的硬件

• AI數據中心：一天24小時不停地產生推理結果

這三類工廠，正在美國各地大量建設。

而建設這些工廠，需要的不只是技術，更是人。

黃仁勛說，他第一次看到電工、技術員、水管工的需求漲得這么快。電工資格證成了熱門證書。有人專門接 AI 工廠的活，一出差就是一個月。建筑工人也被拉到這些新工地，很多州開始出現搶人的現象。

這是實實在在的變化： 不是模型參數增長，不是論文數量增長， 而是數據中心大量開工、光纜加速鋪設、電費暴漲、崗位激增。

AI 不再只是代碼和算法，而是開始像傳統工業一樣，有產線、有工人、有產能指標。

這場基礎設施建設確實在創造大量就業。但隨之而來的問題是：當AI真正投入使用后，會不會反過來取代人的工作？

黃仁勛認為恰恰相反。他舉了放射科醫生的例子：

“八年前，AI 教父 Hinton 預言 AI 會徹底改變放射學，放射科醫生將不再被需要。他說對了一半，現在 100% 的放射學應用都是 AI 驅動的。但放射科醫生的數量不減反增。”

原因在于：

AI 接管的是任務（研究掃描片），但放射科醫生的目的是診斷疾病、做研究、服務更多病人。

當 AI 幫他們更快看完掃描片，他們就能接更多病例、做更深入的研究，醫院效率提高了，反而需要雇更多放射科醫生。

這個邏輯不只適用于醫生，也適用于所有使用 AI 推理能力的行業：

• 律師用 AI 處理合同，能接更多案子；

• 工程師用 AI 寫代碼，能開發更多產品；

• 企業用 AI 做決策，能拓展更多業務。

所以 AI 提高了效率，但也釋放了需求。不是 AI 取代人，而是 AI 讓人能做更多以前做不了的事。

這也是為什么基礎設施建設本身，就是 2026 年最確定的商業機會之一。

而對于那些想用 AI 做應用的人來說，真正的問題是：推理能收費了，接下來該怎么做？

第三節｜成本每年降10倍，小公司也有機會

既然推理能賣錢，那誰能抓住這個機會？

這聽起來像只有大公司才做得到的事。但黃仁勛指出：

“生成推理的成本，每年下降10倍。”

“落后 6 個月也不怕，成本降了就能趕上。”

于是出現了兩種玩法：

一方面，大公司還在籌建下一批超算集群，爭奪供應鏈；另一方面，小公司已經在開源模型上搭建出垂直服務，開始接單賺錢。

比如：

• 生物領域有公司在做端到端分子設計

• 工業領域有公司在做機器人抓取放置系統

• 材料科學有公司在做化學構象預測

這些小公司都不做萬能助手，而是只解決一類人的剛需問題。

黃仁勛形容這是“在一個小池塘里先做到極致”。這種專注一個場景做到能收錢的方式，才是接下來五年里，大多數AI創業者最現實的路徑。

而讓這條路徑成為可能的，是開源。

黃仁勛說：

“沒有開源，初創公司、教育、研究都沒法做。傳統企業也做不了AI 轉型。”

他甚至說，中國 AI 公司 DeepSeek 去年開源的訓練方法，是“對美國AI最大的單一貢獻”。因為它讓硅谷所有初創公司都能學到最前沿的技術，大幅降低了進入門檻。

降低門檻意味著：

不需要從頭訓練大模型，在開源基礎上做垂直優化就夠了；不需要燒掉幾億美元，用更小的成本就能驗證需求。

但能做，不等于能做成。關鍵在于：

• 你得知道推理在你的場景里值多少錢，

• 你得愿意去一個小市場快速驗證、快速迭代。

不是沒模型就做不了AI，而是你得想清楚：你要解決誰的問題？你怎么把推理包裝成一個值得付費、值得信賴的數字員工？

如果還不確定方向，黃仁勛提到了 2026 年三個值得關注的領域：

第一，數字生物學將迎來它的 ChatGPT 時刻。

蛋白質理解、多蛋白質生成、化學構象……這些領域正在匯聚合成數據、多模態、推理三大能力。Nvidia 最近開源的模型就是為多蛋白質理解設計的。

第二，汽車不再只是感知加規劃，而是會變成推理汽車。

當車遇到從未見過的情況時，它能把復雜場景分解成已知情況，通過推理系統導航通過。Nvidia的自動駕駛堆棧剛剛拿到安全評級第一名。

第三，人形機器人或多具身機器人將有巨大突破。

黃仁勛說“我們開始得太早了”，自動駕駛經歷了四個時代，而機器人正在用現成的端到端模型加推理系統起步，可能不需要10年就能落地。

這三個方向的共同點是：推理能力已經成熟，接下來就是誰先把它變成產品。

你不需要幾億美元，但你需要找對一個細分場景，一個真實的痛點。

窗口期很短，但機會還在。

結語｜模型再強，不如結果能賣

過去講 AI，是講性能、講模型、講誰更像人。

現在講 AI，有個很清楚的衡量標準：能不能讓人愿意付錢？

推理開始值錢，標志著三個轉變：

• 模型不再只是看起來厲害，而是能落地、能計價；

• 企業不再只問能不能用，而是問值不值錢；

• 創業者不能再幻想做通用助手，得先做個實用工具。

AI 行業的競爭重點變了。

模型再強，不如結果好賣。

識自AI

本文由AI深度研究院出品，內容翻譯自黃仁勛在播客No Priors的訪談等網上公開素材，屬翻譯編譯性質。內容為合理翻譯與編輯整理，未逐字復制原訪談材料。未經授權，不得轉載。

星標公眾號， 點這里 1. 點擊右上角 2. 點擊"設為星標" ← AI深度研究員 ? ← 設為星標

參考資料：

https://www.youtube.com/watch?v=k-xtmISBCNE

https://podcasts.apple.com/us/podcast/no-priors-artificial-intelligence-technology-startups/id1668002688?l=fr-FR

https://techcrunch.com/2025/01/07/nvidia-ceo-says-his-ai-chips-are-improving-faster-than-moores-law/?utm_source=chatgpt.com

來源：官方媒體/網絡新聞

排版：Atlas

編輯：深思

主編: 圖靈