黃仁勛這場訪談太敢說：芯片、中國、TPU、全是敏感區

2026 年 4 月 15 日，Nvidia CEO Jensen Huang 在一場最新訪談中，系統回應了外界最關心的幾個問題：

1）TPU 是否會動搖 Nvidia 在 AI 算力市場的主導地位；

2）Nvidia 的真正護城河究竟是什么；

3）英偉達為何不直接下場做云服務；

4）以及美國是否應該繼續限制中國獲得 AI 芯片。

在 Jensen 看來，Nvidia 的核心優勢從來不只是單顆芯片性能，而是圍繞 AI 計算搭建起來的完整體系。這個體系既包括 GPU、互聯、軟件棧和 CUDA 生態，也包括對上游晶圓、封裝、內存等關鍵供應鏈資源的提前布局和組織能力。他表示，Nvidia 所做的事情，本質上是把“電子轉化為 token”，而這個過程遠不只是制造一顆芯片那么簡單。

對于 Google TPU、AWS Trainium 等專用加速器的競爭，Jensen 并不否認它們在特定 AI 場景中的價值，但強調 Nvidia 提供的是更廣義的“加速計算”平臺，而不只是某種單點優化的 AI 芯片。他認為，AI 發展并不只依賴矩陣乘法效率，未來模型架構、注意力機制、訓練與推理流程都在快速變化，因此，一個可編程、可擴展、擁有龐大安裝基數的軟件硬件平臺，仍然比單一用途的專用芯片更有韌性。

在商業模式上，Jensen 也解釋了為何 Nvidia 沒有直接變成一家 hyperscaler。按照他的說法，Nvidia 的原則一直是“做盡可能必要的事，但只做必要的部分”。也就是說，如果底層計算平臺、軟件庫、互聯架構這些事情不由 Nvidia 來做，行業可能根本做不起來；但云服務、算力租賃和資本運作，本來就會有人做，因此 Nvidia 更愿意扶持 CoreWeave、Nebius、Nscale 這樣的合作伙伴，而不是親自與整個生態競爭。

這場訪談中，最具爭議的一部分，仍然是關于中國市場的表態。面對“是否應該向中國出售 AI 芯片”的追問，Jensen 的態度非常明確：美國當然應該拿到最先進、最多、最優先的 AI 算力，也必須保持領先；但這并不意味著美國應該主動將中國這個全球第二大計算市場整體讓出去。

他認為，如果美國用過于絕對化的政策，將本國芯片企業排除出這一市場，結果只會加速中國本土芯片產業和本土 AI 技術棧的發展，最終讓越來越多的模型和開發者生態運行在非美國技術棧上。對美國來說，這種結果可能比短期競爭本身更危險。Jensen 的立場并不是“無限制出售”，而是反對一種過于粗放、過于極端的政策設計：最先進技術當然應優先留在美國，但與此同時，美國企業也不應被迫提前退出全球關鍵市場。

此外，Jensen 還談到 Nvidia 為何沒有同時押注多條完全不同的芯片路線。他表示，并非沒評估過各種架構可能性，而是在模擬后發現，許多看起來激進的新路線并不優于當前方案。因此，Nvidia 仍會優先沿著現有技術路徑繼續推進。不過，他也提到，隨著 token 的商業價值上升，推理市場正在發生變化，未來不只是“高吞吐”重要，“更低時延、能賣出更高價格的 token”也會形成新的市場空間。

整體來看，這場訪談釋放出的核心信號很明確，Jensen Huang 試圖將 Nvidia 定義為 AI 基礎設施時代的“總裝平臺” —— 它賣的不是某一代 GPU，而是一整套從芯片、網絡、軟件、供應鏈到開發者生態的系統能力。而在中國問題上，他也再次表明，自己支持美國保持絕對領先，但反對以主動放棄市場的方式來維護這種領先。

視頻全部內容翻譯。

標題：Jensen Huang：TPU 競爭、為什么應該向中國賣芯片，以及 Nvidia 的供應鏈護城河

引語：“如果未來幾年達到 1 萬億美元級別的規模，Nvidia 也有相應的供應鏈來支撐它?！?/b>

導語：這場對談中，Dwarkesh 向 Jensen 提問了多個核心問題，包括：TPU 競爭、Nvidia 對先進芯片所需稀缺供應鏈的掌控、是否應該向中國出售 AI 芯片、Nvidia 為什么不自己下場做 hyperscaler、公司如何投資等等。

時間軸

00 : 00 : 00 —— Nvidia 最大的護城河，是不是對稀缺供應鏈的控制？

00 : 16 : 25 —— TPU 會打破 Nvidia 在 AI 算力上的主導地位嗎？

00 : 41 : 06 —— Nvidia 為什么不自己做 hyperscaler？

00 : 57 : 36 —— 該不該把 AI 芯片賣給中國？

01 : 35 : 06 —— Nvidia 為什么不做多種不同的芯片架構？

00 : 00 : 00 —— Nvidia 最大的護城河，是不是對稀缺供應鏈的控制？ Dwarkesh Patel：

最近，很多軟件公司的估值下跌，因為市場認為 AI 會讓軟件商品化。一個可能有些天真的看法是：Nvidia 把 GDS2 文件交給 TSMC，TSMC 負責生產邏輯芯片和交換芯片，再把它們和 SK Hynix、Micron、Samsung 生產的 HBM 封裝在一起，最后送到臺灣的 ODM 廠商組裝成整機柜。也就是說，Nvidia 本質上是在做“由別人制造出來的軟件”。如果軟件真的會被商品化，那 Nvidia 會不會也被商品化？

Jensen Huang：

歸根結底，必須有東西把電子轉化為 token。把電子轉成 token，并且讓 token 的價值隨著時間持續提升，這件事很難被徹底商品化。電子到 token 的轉化，是一段極其復雜的旅程。制造一個 token，就像讓一個分子比另一個分子更有價值一樣，是讓一個 token 比另一個 token 更有價值。這里面涉及的藝術、工程、科學和發明極其龐大，而且現在還在實時發生。無論是制造過程本身，還是背后的科學基礎，都遠沒有被完全理解，這段旅程也遠未結束，所以并不認為它會被商品化。

當然，效率一定會繼續提高。剛才那個問題，其實很接近 Nvidia 對自身的理解：輸入是電子，輸出是 token，中間是 Nvidia。Nvidia 的職責，是在“盡可能多做必要的事”和“盡可能少做非必要的事”之間找到平衡，從而實現這種轉化，并把能力做到極致。所謂“盡可能少做”，就是凡是沒必要親自做的部分，就交給合作伙伴，納入生態系統。

如果看今天的 Nvidia，大概擁有全球最大的合作伙伴生態之一，上游有供應鏈伙伴，下游有整機廠商、應用開發者、模型開發者。AI 像一個五層蛋糕，Nvidia 在這五層上都有生態布局。公司盡量少做事，但真正必須親自做的部分，恰恰極難，所以不認為這些部分會被商品化。

甚至企業軟件也未必會被商品化?，F在大多數軟件公司其實都在做“工具”，少數是在做工作流的編碼系統。Excel 是工具，PowerPoint 是工具，Cadence 和 Synopsys 也都是工具。對這件事的看法其實和不少人相反：未來 agent 的數量會指數級增長，工具使用者的數量也會指數級增長，因此這些工具的調用實例數很可能會暴漲。

比如 Synopsys Design Compiler 的調用次數就很可能激增，同時會有越來越多的 agent 去使用樓層規劃工具、版圖工具、設計規則檢查工具。今天受限的是工程師數量，明天這些工程師會被大量 agent 輔助，設計空間探索會前所未有地展開，而他們依然會使用今天這些工具。

所以，工具的使用量很可能讓軟件公司受益。之所以這種變化還沒大規模發生，只是因為 agent 現在還不夠擅長使用工具。未來要么這些公司自己造出 agent，要么 agent 逐步強到足以熟練使用這些工具，最后很可能兩者并存。

Dwarkesh Patel：

根據 Nvidia 最新披露的數據，公司在晶圓代工、內存和封裝上的采購承諾已經接近 1,000 億美元。SemiAnalysis 甚至報道稱，未來可能達到 2,500 億美元。一個解讀是：Nvidia 真正的護城河，其實是提前鎖定了未來很多年的稀缺部件。別人就算有加速器，能不能拿到足夠的內存？能不能拿到邏輯芯片？這是不是 Nvidia 未來幾年的真正護城河？

Jensen Huang：

這確實是別人很難復制的一件事。Nvidia 在上游做了非常大的承諾。有些是顯性的，比如這些采購承諾；有些是隱性的。舉例來說，上游很多投資其實是供應鏈伙伴自己做的，因為會直接告訴那些 CEO：這個產業未來會有多大，為什么會變成這樣，判斷邏輯是什么，看到了什么。

正因為持續地去“告知、激勵、對齊”這些上游企業的 CEO，他們才愿意投入。為什么他們愿意為 Nvidia 投資，而不是別人？原因就在于，他們知道 Nvidia 有能力把他們的產能買下來，也有能力通過下游需求把它賣出去。Nvidia 的下游需求和銷售能力足夠大，所以他們敢在上游下注。

如果看 GTC，很多人會驚嘆它的規模和參會者數量。它像是一個 360 度全景式的 AI 宇宙。大家聚在一起，是因為彼此需要見到對方。Nvidia 把整個產業鏈拉到一起，讓下游看見上游，讓上游看見下游，也讓所有人看見 AI 的最新進展。更重要的是，他們還能和原生 AI 創業公司面對面接觸，親眼看到新公司、新產品和新趨勢。很多時候，Jensen 花大量時間去教育、告知整個供應鏈和生態系統，幫助他們理解機會到底有多大。

不少人會說，Jensen 的 keynote 總是一項接一項發布新品，有時像在“上課”。但這恰恰是有意為之。目標就是確保整個上游、下游和生態系統都理解：接下來會發生什么、為什么會發生、何時發生、規模有多大，并且能像 Nvidia 一樣系統化地推演這一切。

如果按剛才那種方式理解“護城河”，那么 Nvidia 的優勢在于：它能為未來建產能。若未來幾年真能做到 1 萬億美元級規模，Nvidia 有能力配套相應供應鏈。沒有足夠廣的觸達能力、沒有業務運轉的速度，就不可能撐起這種供應鏈。沒有誰會為一個業務周轉不快的架構單獨建供應鏈。Nvidia 之所以能維持這個規模，是因為下游需求足夠強，所有人都能看到它、聽到它、理解它，這才讓公司能在今天做到這樣的規模。

Dwarkesh Patel：

但更具體一點說，上游真的跟得上嗎？這么多年里，Nvidia 的收入幾乎在年復一年翻倍，向全球提供的 FLOPS 更是增長得更快。

Jensen Huang：

而且是在這么大的基數上翻倍，這本身已經很驚人了。

Dwarkesh Patel：

但問題在于邏輯芯片產能。Nvidia 已經是 TSMC N3 和 N2 的最大客戶之一。按 SemiAnalysis 的說法，今年 AI 將占掉 N3 的 60 %，明年會達到 86 %。當 AI 已經占了大頭，還怎么繼續翻倍？AI 算力增長會不會最終被上游卡?。咳蛟趺纯赡苊磕臧丫A廠再翻一倍？

Jensen Huang：

從某種意義上說，全球上游和下游在任何一個時點上，都會出現即時需求大于即時供給的局面。甚至有時候，真正的瓶頸可能是水管工。

他還補充說，這恰恰說明行業狀態是健康的：需求高于供給，總比供給過剩要好。若某個環節成了明顯瓶頸，整個行業就會撲上去解決它。比如前幾年 CoWoS 一直被認為是瓶頸，但現在大家已經不怎么談了，因為產業界花了兩年時間持續擴充這部分產能，如今情況已經改善不少。TSMC 也意識到，CoWoS 和 HBM 不再是“小眾技術”，而是主流計算基礎設施的一部分，因此它們的擴產節奏，必須與邏輯芯片保持同步。

Jensen 還提到，Nvidia 現在已經可以更大范圍地影響供應鏈。AI 革命早期，很多今天說的話，五年前就已經在講。有人信了并提前投資，比如 Micron?，F在公司不只是“發現瓶頸后去補”，而是提前幾年預取瓶頸、提前布局，比如在硅光子領域和 Lumentum、Coherent 等公司的投入，就是在重塑未來供應鏈。為了支撐規模增長，Nvidia 不只是發明新技術，也在推動新流程、新測試設備、投資相關企業，幫助整個生態把產能抬起來。

當被問到“最難擴的瓶頸是什么”時，Jensen 的回答是：水管工和電工。

他的觀點是，社會老是在討論“AI 會消滅工作”，但真正的問題可能恰恰相反：如果不斷勸年輕人別去做某些職業，未來就會短缺這些職業的人。十年前就有人說“放射科醫生快沒用了”，結果今天真正短缺的恰恰是放射科醫生。

對于“EUV 設備怎么每年翻倍”這個問題，Jensen 的回答很直接：沒有什么瓶頸是 2 到 3 年以上解決不了的。

只要需求信號足夠明確，這些環節并不難復制。一旦 TSMC 確信未來需要更多產能，ASML 自然也會跟上。相比之下，他真正擔心的不是芯片產能，而是能源政策。因為沒有能源，就沒有新的制造業，也沒有 AI 工廠、EV、機器人、先進封裝。芯片產能擴張是 2 到 3 年問題，CoWoS 也是 2 到 3 年問題，但能源是更慢、更基礎的約束。

00 : 16 : 25 —— TPU 會打破 Nvidia 在 AI 算力上的主導地位嗎？ Dwarkesh Patel：

如果看 TPU，世界前三大模型里，Claude 和 Gemini 至少有兩個是基于 TPU 訓練的。這對 Nvidia 意味著什么？

Jensen Huang：

Nvidia 做的不是單純的 TPU，而是“加速計算”。加速計算適用于分子動力學、量子色動力學、數據處理、結構化和非結構化數據、流體力學、粒子物理學，當然也包括 AI。它的適用范圍遠遠大于 TPU 或 ASIC。

在 Jensen 看來，今天大家都在談 AI，但計算遠比 AI 寬得多。Nvidia 推動的是從通用計算走向加速計算的范式轉換。正因為平臺面向的是各種類型的應用、各種框架、各種算法，它的市場邊界要大得多。并且，Nvidia 的系統設計是為了讓別人也能運營，而很多自研芯片體系只能自己內部用。正因如此，Nvidia 才能進入所有云，包括 Google、Amazon、Azure 和 OCI。

當 Dwarkesh 提出另一種質疑時——AI 的核心不就是一次又一次矩陣乘法嗎？既然如此，像 TPU 這種大規模脈動陣列不就比 GPU 更適合 AI 嗎？

Jensen Huang 的回答是：

矩陣乘法確實重要，但那不是 AI 的全部。假如要發明一種新的 attention 機制、一種新的模型結構，比如混合型 SSM，或者把 diffusion 和 autoregressive 融合到一起，就需要一個可編程性更強的架構。真正推動 AI 快速發展的，不只是硬件本身，而是算法創新。摩爾定律一年只提升大約 25 %，但如果算法變了，性能可以一年跳 10 倍、100 倍。Nvidia 的優勢就在于：它不僅硬件可編程，而且是極端的協同設計公司，能同時從處理器、系統、互聯、網絡、庫和算法各個層面去改進。沒有 CUDA，很難做到這一點。

隨后，Dwarkesh 又追問：既然 Nvidia 60 % 的收入都來自五大 hyperscaler，而這些客戶本身有能力寫自定義 kernel、替代一部分 CUDA，那 CUDA 還算不算 Nvidia 的真正護城河？

Jensen Huang：

CUDA 不只是一個編程接口，而是一個極其豐富的生態。如果要先在某個平臺上開發，最聰明的選擇仍然是先為 CUDA 開發，因為它支持幾乎所有框架。Triton、vLLM、SGLang 以及新一代 RL 框架，都在利用 Nvidia 的后端能力。開發者最需要的，一是穩定且成熟的底層，二是龐大的安裝基數。Nvidia 現在擁有數億塊 GPU 的安裝基數，遍布所有云、各種型號、各種場景，連機器人里也有 CUDA。對開發者來說，這意味著軟件和模型一旦寫出來，就能在大量機器上運行，這種價值非常高。

Jensen 還強調，Nvidia 為這些 AI 實驗室投入了大量工程資源，幫助它們優化棧和 kernel。很多時候，一輪優化就能把模型性能提升 2 倍、3 倍，甚至 50 %。在他看來，Nvidia 今天真正的飛輪是：

• 最豐富的安裝基數

• 最強的可編程性

• 最完整的生態

• 最低的總擁有成本（ TCO ）

• 最高的 token / watt 效率

• 最廣的云覆蓋范圍

如果目標是出租算力，Nvidia 的客戶最多；如果目標是讓 1 GW 級數據中心創造最多收入，Nvidia 的 token / watt 又最好。所以他認為，Nvidia 的成功并不是偶然，而是整套飛輪共同作用的結果。

對于 Anthropic 同時使用 TPU 和 Trainium 的現象，Jensen 的判斷是：Anthropic 是一個特殊樣本，不代表趨勢。

在他看來，沒有 Anthropic，TPU 和 Trainium 的增長都會遜色很多。其他公司嘗試替代方案并不會讓他反感，因為別人試過之后，才會意識到 Nvidia 的強項到底在哪里。至于有人說“就算自研芯片比 Nvidia 差 70 % 也沒關系，畢竟 Nvidia 毛利太高”，Jensen 的反駁是：ASIC 的毛利率其實也很高，差距并沒有想象中那么夸張。

00 : 41 : 06 —— Nvidia 為什么不自己做 hyperscaler？

當 Dwarkesh 問到，既然 Nvidia 已經這么有錢了，為什么不自己做 foundation model lab，或者直接自己做云，把算力租給外界時，Jensen 的回答延續了他前面那套哲學：

“做盡可能必要的事，做盡可能少的事?！?/b>

他的意思是，Nvidia 負責的部分，是那些如果不由 Nvidia 來做，可能根本不會有人做成的事情。比如：

• NVLink

• CUDA 全棧

• CUDA - X 各類垂直庫

• 面向不同領域的加速計算體系

• 計算光刻庫 cuLitho

這些都是長期虧錢、長期投入、沒人愿意先做的事情，但如果 Nvidia 不做，行業未必能走到今天。既然如此，公司就該專注于這部分。

但云不一樣。云這個市場里本來就會有人做，如果 Nvidia 自己也下場，反而偏離了邊界。所以，它更傾向于支持生態中的 neocloud，比如 CoreWeave、Nscale、Nebius，讓這些公司成長起來，而不是自己變成云廠商。Nvidia 的目標不是“什么都做”，而是讓整個生態繁榮起來，讓全球盡可能多的行業和國家都建立在 AI 和美國技術棧之上。

Jensen 還說，Nvidia 在投資 foundation model 公司時，也盡量不“押單一贏家”。因為 Nvidia 自己創業時就曾是那個最不被看好的公司之一。早期 3D 圖形市場里有 60 家公司，如果當年讓人預測誰會活下來，Nvidia 大概會排在“最不可能活下來”的前列。正因為見過這種事，所以公司更傾向于支持整個生態，而不是過早地只押某一家公司。

關于 GPU 供貨分配，Jensen 也否認了“誰出價高就優先給誰”的說法。

他的說法是，Nvidia 基本遵循預測、下單、排隊、誰先準備好數據中心誰先拿貨的原則，不會因為價格更高就把貨優先給對方。

理由很簡單：這是壞的商業實踐。

Nvidia 更愿意成為行業可信賴的基礎設施提供者，而不是在供需緊張時隨意加價。

00 : 57 : 36 —— 該不該把 AI 芯片賣給中國？

這部分是整篇對談里最激烈的一段。

Dwarkesh Patel 的問題大意是：

如果像 Anthropic Mythos 這樣的模型已經能發現大量高危漏洞，甚至具備明顯的網絡攻擊能力，那么如果中國公司、中國實驗室等拿到更多 AI 芯片，就可能訓練出類似模型，并大規模部署。這會不會威脅美國企業和國家安全？

Jensen Huang 的核心回答有幾層：

第一，Mythos 訓練所需的算力，并沒有高到中國拿不到。

第二，中國本身就是全球第二大計算市場，擁有大量芯片、充足能源和大量 AI 研究人員。

第三，把中國徹底當成敵人、試圖扼殺它，并不是最安全的辦法。更合理的是保持研究溝通，尤其要在“AI 不該被用于什么”這個問題上建立對話。

第四，AI 安全并不是靠把某一方“掐死”來實現的，而是要依賴一個繁榮的 AI 安全生態，這又離不開開源模型、開源棧和廣泛參與。若把中國排除出去，反而可能讓全球形成兩個平行生態：一個開放生態跑在非美國技術棧上，一個封閉生態跑在美國技術棧上。

Jensen 認為，這對美國來說是非常糟糕的結果。

當 Dwarkesh 進一步質疑：中國畢竟還停留在 7 nm，沒有 EUV，芯片性能和總 FLOPS 明顯落后美國。是不是應該盡量讓美國先達到這些危險能力，再爭取緩沖時間修補系統，而不是繼續給中國更多算力？

Jensen 的回應是：

這種推理走向了極端，好像只有在中國“完全沒有算力”的情況下，美國才能保持領先。但現實并不是這樣。中國已經有大量算力，而且擁有巨大的能源和基礎設施儲備。AI 本來就是并行計算問題，如果單顆芯片不夠先進，也可以通過堆更多芯片來彌補。中國有大量空置但通電的數據中心，有強大的制造能力，也有充足的主流芯片產能。7 nm 芯片并不等于不能做 AI，今天很多模型本來就是在 Hopper 這一代上訓練出來的。

Jensen 甚至明確說：

• 中國有大量邏輯芯片

• 也有足夠的 HBM2

• 算法創新本身就能大幅彌補算力不足

• DeepSeek 這樣的進展已經證明，中國的 AI 研究不是邊緣現象

在他看來，真正值得擔心的，不是中國“有沒有芯片”，而是如果未來全球 AI 模型越來越多地優先運行在非美國技術棧上，那才是美國真正的壞消息。因為這意味著開發者生態、軟件優化、模型適配，會逐步倒向另一套基礎設施。

Dwarkesh Patel：

先退一步看，問題核心似乎是：這里既有潛在收益，也有潛在代價，真正要判斷的是收益是否大于代價。這里想讓 Jensen 承認的，是這個潛在代價本身確實存在。算力是訓練強大模型的投入要素，而強大模型也確實具備強大的進攻性能力，比如網絡攻擊。美國公司先到達 Mythos 這一級能力，是一件好事，因為它們隨后可以暫緩公開，讓美國企業和政府先加固軟件防線，再把這種能力公開出去。

如果中國擁有更多算力，或者更大規模的眾包算力，它們可能會更早訓練出 Mythos 級別的模型，并大規模部署，那會是非常糟糕的結果。而美國之所以暫時避免了這一點，其中一個原因恰恰是美國擁有更多算力，這背后也包括 Nvidia 這樣的公司提供支持。所以，把芯片賣給中國，本身就存在這樣的代價。先不談收益，是否承認這是一種潛在成本？

Jensen Huang：

也要看到另一種潛在代價：如果讓 AI 技術棧中最關鍵的層之一，也就是芯片層，直接放棄全球第二大市場，那么對方就能在這個市場里建立規模、建立自己的生態，最終讓未來的 AI 模型朝著一套和美國技術棧截然不同的方向優化。隨著 AI 向全球擴散，他們的標準、他們的技術棧，最終可能會比美國的更有優勢，因為他們的模型是開放的。

當 Dwarkesh 追問，憑 Nvidia 的 CUDA 工程師和 kernel 工程師能力，很難想象中國生態會形成長期鎖定時，Jensen 的回應是：

中國是全球最大的開源軟件貢獻者，這是事實。中國也是全球最大的開放模型貢獻者，這是事實。而今天，這一切仍然建立在美國技術棧、也就是 Nvidia 技術棧之上，這同樣是事實。

在他看來，AI 五層技術棧每一層都重要，美國應該在五層都贏。其中最重要的當然是應用層，因為真正擴散到社會、真正被廣泛使用的，是應用層。但每一層都不能輸。

他進一步表示，如果把 AI 描繪成“核彈”一樣的東西，讓整個社會都害怕 AI、排斥 AI，那實際上是在傷害美國自己。就像如果一直宣傳“軟件工程師會被 AI 全部取代”，結果大家都不去學軟件工程，那最終受損的是美國自己。放射科醫生也是同樣道理：把一個職業和它內部的某個任務混為一談，會導致整個職業供給出現問題。

Jensen 的總結是：

很多極端前提會把問題推向“非零即一切、非黑即白”的方向，而現實不是這樣。美國當然應該第一，當然應該在 AI 的每一層都保持領先。但幾年之后，當美國希望把自己的技術、標準和技術棧輸出到印度、中東、非洲和東南亞時，再回看今天的政策，很可能會發現：正是這種過于極端的政策，讓美國無謂地讓出了全球第二大市場。

所以，不應該主動放棄這個市場。真輸了，那是競爭失敗；但為什么要先主動讓出？當然，也沒有人主張“毫無節制地把所有芯片隨時賣給中國”。最先進的技術、最多的技術、最先上市的技術，當然都應該優先留在美國。但與此同時，也應該盡量在全球范圍內競爭并取勝。這兩件事可以同時成立，前提是政策要有足夠的細膩度和成熟度，而不是走向絕對化。

Jensen 還補充說：

如果美國被迫退出中國市場，這首先就是一個政策錯誤，而且已經出現反作用。它不但加速了中國本土芯片產業發展，也迫使中國整個 AI 生態更集中地轉向內部架構。現在還不算太晚，但這件事已經發生了。

未來中國不會永遠停留在 7 nm。他們很擅長制造，還會繼續向前推進。5 nm 和 7 nm 之間也不存在 10 倍差距。真正重要的不只是制程，架構重要、網絡重要、能源也重要。這也是為什么 Nvidia 當年要收購 Mellanox。整個問題遠沒有“制程代差”那么簡單。

01 : 35 : 06 —— 為什么 Nvidia 不做多套完全不同的芯片架構？

Dwarkesh Patel：

回到另一個問題。既然前沿產能越來越緊張，而 Nvidia 在 TSMC 的 N3、未來 N2 上都已經是大客戶，是否有可能重新利用 N7 這樣較舊工藝上的閑置產能？比如重新做一個 Hopper 或 Ampere 風格的芯片，但結合今天對數值、系統和其它優化的理解。2030 年前，有沒有可能出現這種情況？

Jensen Huang：

沒這個必要。因為每一代架構的提升，不只是晶體管尺寸縮小這么簡單。里面包含了大量工程、封裝、堆疊、數值設計和系統架構創新。

當產能吃緊時，輕易“退回”到另一個更舊工藝節點，所需的研發投入大到幾乎沒人承擔得起。Nvidia 可以繼續向前壓，不認為自己能負擔得起“向后重做”這件事。當然，如果有一天世界真的走到一個極端場景 —— 比如從此以后再也不會有更多前沿產能了——那會不會立刻回去用 7 nm？答案是當然會，毫不猶豫。

Dwarkesh Patel：

還有一個問題。既然 Nvidia 有資源、也有工程人才，為什么不同時推進多條完全不同的芯片路線？比如一條做 Cerebras 那種晶圓級方案，一條做類似 Tesla Dojo 的超大封裝方案，一條甚至干脆不走 CUDA。既然沒人知道 AI 和計算架構未來會怎么演化，為什么要把雞蛋放在一個籃子里？

Jensen Huang：

當然可以這么做，只是沒有更好的理由。不是做不到，而是這些路線并不更優。Nvidia 會在模擬器里把這些方案都跑一遍，結果是：它們可證明地更差。既然更差，就不會去做。

公司現在做的，就是自己最想做、也最認可的那些項目。未來如果 workload 真的發生巨大變化——注意，不只是算法變化，而是工作負載本身、以及背后的市場形態發生變化——那 Nvidia 也可能會考慮加入別的加速器。

他舉的例子是，最近 Nvidia 新增了 Groq，并打算把它并入 CUDA 生態。之所以現在這么做，是因為 token 的價值已經顯著提升了。幾年前，token 幾乎是免費的，或者說幾乎不值錢；但現在，不同客戶愿意為不同質量、不同響應速度的 token 支付不同價格。

Jensen 的意思是：

如果客戶本身通過這些 token 賺很多錢，比如軟件工程師使用 AI 工具后能獲得更高生產率，那么只要 token 更快響應、能讓他們更高效，他們就愿意支付更高價格。

而這種市場，是最近才真正浮現出來的。也就是說，同樣一個模型，未來可能會因為響應時間不同而分化出不同市場層級。所以 Nvidia 現在開始擴展推理市場的帕累托前沿，專門創造一個“響應更快、但吞吐更低”的推理細分市場。過去行業普遍認為“吞吐越高越好”，但現在可能存在另一種世界：哪怕工廠整體吞吐更低，只要 token 的平均售價更高，也依然值得。

Jensen 的結論是：

從純架構視角看，如果有更多資源，仍然會優先押注 Nvidia 當前這套架構，而不是分散去做一堆完全不同的路線。