黄仁勋把AI基建描绘为电力/互联网级的新工业革命，英伟达通过极致协同设计、全栈AI工厂、供应链双端掌控、模型全覆盖和算力资产化，试图成为AI时代的基础平台。他预计明年营收同比增长70%，未满足需求超过100%，并认为自动驾驶、网络安全、机器人、6G等将依次打开下一个增长空间。

一、总纲：AI基础设施是“电力+互联网”级别的新工业革命

黄仁勋的核心叙事是：AI不是一项普通技术，而是继电力、互联网之后的新一代基础设施。电力让设备通电，互联网让人找到信息，而AI要解决的是“无所不知”——随时提问、即时生成答案。因此，计算模式正从“检索式”转向“生成式”。

过去60年，内容大多是预先录制、存储，再由推荐系统检索和分发。现在，用户输入提示，结合上下文和偏好，系统必须实时生成答案。这意味着不再是一堆存储设备，而是一层持续生成答案的“AI工厂”。每一个用户、每一个智能体，都相当于拥有自己的推荐引擎。黄仁勋认为，这正是2030年AI基础设施支出达到3万亿至4万亿美元预测的底层逻辑，并称这一趋势正在快速兑现。

二、两大底层判断：计算层级迁移 + 摩尔定律终结

1. 新计算层级：从“找答案”到“生成答案”

• 过去：计算机是人类使用的工具，内容预先录制，推荐系统从有限选项中挑选。

• 现在：用户要的是“知道一切”，系统必须生成答案，因此需要新型计算层。

• AI工厂像互联网一样持续生成数字/token，但本质是“计算机”而非“存储”。

• 模型规模巨大，必须压缩和整合海量世界信息，因此需要极致复杂的AI系统。

2. 摩尔定律走到尽头

黄仁勋约15年前就提出晶体管微缩放缓。如今摩尔定律不再是性能红利，反而成为“敌人”。但AI模型越来越大，需求越来越强，因此必须：

• 极致协同设计：NVIDIA从芯片公司转型为协同设计公司，算法、软件、系统、互连、封装一起优化。

• 增加芯片数量：通过协同封装和NVLink把大量芯片互连，实现纵向扩展。

• 半导体行业规模扩大：需求加速，而摩尔定律的通缩效应消失，两者叠加将催生巨大产业。

他总结：计算领域出现新层级和新应用，同时摩尔定律终结，而模型必须更聪明、不能接受错误答案。这些因素共同推动一个规模空前的产业。

三、ROI与应用：一切皆是编码，网络安全是下一个大市场

关于投资回报率，黄仁勋认为“编码”是最核心的应用。他把食谱、业务流程、供应链、结账流程都称为“编码”。编程问题通常有正确答案，因此AI最容易学习。编码的衍生领域是漏洞挖掘，再衍生出网络安全。

他判断：

• 网络安全很可能成为AI下一个主要应用场景，并且持续运行。

• 红队发现漏洞，蓝队修复漏洞，AI可大幅提升效率。

• 英伟达与CrowdStrike、Cisco、Palantir合作，利用开源模型和Nemotron构建红蓝队能力。

• Cisco将基于NVIDIA技术推出AI工厂平台，Palantir在其上构建解决方案，面向全球国家和企业推广。

黄仁勋还半开玩笑地说，他此行就是“来推销一些英伟达股票”，并将英伟达定位为“全球首家且唯一的成长型价值股”。他强调英伟达被严重误解：它不是简单芯片制造商，而是AI工厂平台。今天的“一颗GPU”已是整机系统：通过NVLink互联，重达两吨，含200万个零部件，功耗25万千瓦，售价850万美元。Grace Blackwell NVLink72机架月环比增长27%。

四、英伟达增长逻辑：三大引擎 + 供应链双端掌控

黄仁勋把增长归纳为三点：

1. 扩大全球资本支出可服务市场，并提升份额

AI市场正从云服务商扩展到：

• 大型企业、量化交易公司（如Jane Street、Hudson River）

• 药企闭环实验室（礼来、默克、BMS等）

• 区域云、新云、主权AI

• AI原生初创公司

2. 唯一运行所有主流模型的公司

英伟达既受益于闭源模型，也受益于开源模型。它运行Gemini、Grok、Meta Muse、Anthropic、OpenAI等主流模型。黄仁勋称，全球唯一以开源模型为基准且增长迅猛的公司就是英伟达。

3. 覆盖全球数据中心资本支出的更大份额

英伟达通过CSP、OEM、NeoCloud、主权AI等多渠道进入市场。戴尔、超微、联想、慧与、思科等都是重要渠道。其平台是端到端AI工厂，客户接入后数周即可上线。

供应链方面：

• 上游挑战：封装、DRAM、LPDDR、连接器、电压调节器、晶圆等。

• 下游挑战：土地、电力、机壳、数据中心可用性。

• 英伟达优势在于：全球最大供应链、近30年合作关系、预测可信、能创造新市场、端到端平台、渠道多样性。

• 英伟达正在全球追踪每一吉瓦的土地、电力和机壳资源。

黄仁勋表示，对明年实现同比70%营收增长充满信心，未受限制的需求增长率超过100%。

五、资本战略：算力资产化、非循环融资、新云与区域AI

黄仁勋提出一个关键转变：把NVIDIA算力从“技术”变成“可投资资产”。一旦完成，算力将具备长期价值和持久价值，并可用来担保贷款。他认为这是全球唯一支持这种操作的计算堆栈，因为可以在该平台上进行回溯操作。

关键案例与数据：

• 澳大利亚：2027年规划2吉瓦电力，价值约800亿美元。

• 过去六个月，4000亿美元风险投资涌入AI原生企业，其中约三分之二用于算力支出。

• 1吉瓦数据中心售价约600亿美元，运营6年，年收入约100亿美元；当前每吉瓦算力年出租收入可达约500亿美元。

• Ampere芯片全球出租一空，说明耐用性和通用性至关重要。

• 英伟达类比台积电：台积电的价值不仅在技术，更在产能；英伟达是AI生态系统的基础平台，创业者可以基于NVIDIA创办公司。

关于“循环金融”质疑，黄仁勋否认：

• 英伟达只投入少量资金，却能收回大量资金，“投入1，收回100”。

• 英伟达能看到被投公司的研发管线和承购协议。

• 相关承购规模达1000亿美元，均为已签署合同。

• 5000亿美元平台中大部分将有资产支撑。

• 新云将成为NVIDIA架构的分销渠道，AI将走向区域化，因此英伟达要在全球建立合作伙伴枢纽。

六、物理AI路线图：自动驾驶先行，机器人与6G后续

黄仁勋认为，物理AI的首个杀手级应用是自动驾驶汽车。突破项目是Alpamayo——全球首辆具备推理与思考能力的汽车。它能观察从未见过的环境，像智能体一样推理，将复杂环境分解为可理解部分。因此所需行驶里程和训练量大幅减少。

时间线：

• 未来2-3年：自动驾驶将取得巨大进展。Waymo、Tesla、英伟达与奔驰、Uber等合作推进。

• 衍生应用：自主移动机器人、仓库配送车辆、物流中心运输系统。英伟达已与Amazon达成重大合作。

• 操控系统：当前多为预编程，限制市场规模。未来需要具备推理能力的智能机器人，使德国Mittelstand、美国供应链、日本中型制造企业也能自动化。可能还需几年。

• 具身AI与6G：6G本质是具身AI，利用无线电波感知世界。英伟达与诺基亚合作AI RAN，本质是分布式边缘数据中心。整体约五年酝酿期。

• 英伟达在物理AI已成功，因为部署前必须先训练模型。特斯拉Dojo等项目大量使用GPU训练自动驾驶模型。

七、风险、挑战与结论

黄仁勋承认挑战巨大：

• 上游零部件短缺，下游土地、电力、机壳紧张。

• 新云和AI原生公司融资能力有限，需要金融创新。

• 市场对“循环融资”存在质疑。

• 模型公司数量虽多，但盈利模式和落地节奏仍需观察。

但他的回应是：

• 需求真实，承购合同已签约。

• 算力有实际生产力，出租收入高。

• 通用性带来可互换性、持久性、多功能性、可出租性、可抵押性。

• 英伟达贯穿上下游，既深入供应链，又直达终端市场。

一句话总结：黄仁勋把AI基建描绘为电力/互联网级的新工业革命，英伟达通过极致协同设计、全栈AI工厂、供应链双端掌控、模型全覆盖和算力资产化，试图成为AI时代的基础平台。他预计明年营收同比增长70%，未满足需求超过100%，并认为自动驾驶、网络安全、机器人、6G等将依次打开下一个增长空间。

英伟达公司（NVDA）高盛通信、媒体与科技大会2026 

Company Participants

黄仁勋——联合创始人、首席执行官兼董事

Conference Call Participants

詹姆斯·施耐德——高盛集团有限公司，研究部

Presentation

詹姆斯·施耐德 高盛集团有限公司，研究部

大家早上好！欢迎参加高盛Communacopia与科技大会。我是来自高盛的吉姆·施耐德。今天我们非常荣幸地邀请到了英伟达公司及其首席执行官黄仁勋先生。欢迎你，黄仁勋！感谢您的莅临。

黄仁勋 联合创始人、首席执行官兼董事

谢谢。很高兴来到这里。

Question-and-Answer Session

詹姆斯·施耐德 高盛集团有限公司，研究部

现在，詹森，去年您预测到2030年，人工智能基础设施支出将达到3万亿美元至4万亿美元，这一预测在投资界引发了广泛关注。但目前看来，我们实际上正以极快的速度向这一数字迈进。那么，在人工智能领域，哪些技术进步或市场发展推动了这一趋势？

黄仁勋 联合创始人、首席执行官兼董事

我只是觉得，我们应该暂停一下，承认我之前是对的。

詹姆斯·施耐德 高盛集团有限公司，研究部

我们正在这样做。我们正在这样做。

黄仁勋 联合创始人、首席执行官兼董事

稍作停顿，慢慢来。

詹姆斯·施耐德 高盛集团有限公司，研究部

人们忽略了什么，或者低估了什么？而您对此持何种看法……

黄仁勋 联合创始人、首席执行官兼董事

问题是，我为什么会知道这一点？难道不是这样吗？难道不是这样吗？问题在于，我为什么会知道这一点？而事实上，答案相当简单。上一次工业革命使我们能够为一切设备提供动力，并将电力输送到各个角落。随后，互联网的出现则让我们得以找到任何信息——这正是核心理念所在。过去，我们只需将设备插入墙上的电源插座；后来是网线接口或调制解调器；如今则是WiFi——只要接入网络，就能找到任何信息。因此，这绝非小事，而是意义重大的变革。

而且，由于你可以找到任何东西，又因为每个人都想找到所有东西，所以我们不得不将其纳入基础设施。此外，由于我们希望——我们能够将电力输送到任何地方，我们希望为所有设备供电，因此“将电力输送到每个地方”也成了基础设施的一部分。于是，现在我们能够找到任何东西、找到所有东西。但显然，这并非人们真正想要的。

我们所有人渴望的，都是无所不知。我们希望可以随时提出任何问题，掌握一切知识。而我们现在正在构建的，正是这样一层计算能力，它使你无论想问什么、想了解什么，都能如愿以偿。这便是人工智能背后的核心理念。而计算机正处在实现这一目标的中心位置。最早的仪器被称为“Dynamo”（发电机），随后出现的自然就是“computer”（计算机），而如今，我们拥有了这些“AI工厂”，它们像互联网一样，源源不断地生成数字。但从某种层面来看，这种说法是否过于简化了？

现在的问题非常简单：计算机行业是如何从那种状态发展到这种状态的？其意义何在？这里存在两个相互叠加的问题，或者说两个相互叠加的挑战。第一个挑战是：上一代计算机主要由人类使用，因为人们需要用它来检索信息；当时人们购买计算机，是将其作为一种工具、一个终端来购买的，目的是为了能够查找任何信息、获取所有信息。而如今我们进入了这样一个新世界——只要你认同“每个人都希望提出任何问题、查找并知晓一切”的理念，并且相信这一理念可以融入我们几乎所有的活动中，那么问题就变成了：你该如何在全球范围内构建这样一层计算能力？

事实证明，这台计算机是一台生成式计算机，而非检索式计算机。我想我此前已向各位解释过这一点。过去60年里，所有内容都是预先录制好的，并被存储在某个地方；当你在手机上点击某项内容时，系统便会去检索那条信息——实际上，它很可能同时检索出约3至10条相关信息。接着，推荐系统会根据你的身份、与你关联的Cookie、你的历史行为记录以及过往偏好，从这些信息中为你推荐其中一条。但所有这些信息均属预先录制。因此，这种计算模式被称为“基于检索的模型”。

嗯，如果您的问题——或者说，如果您想提问并了解一切，那么您是真正想要“知道”它，而不是去“寻找”它，您是希望直接掌握它。因此，您必须生成答案，而无法合理地通过检索获得，明白吗？之所以如此，是因为在过去，我们有一种名为“推荐系统”的概念，它基于您的偏好。

嗯，如果你希望提出任何问题并获得全部答案，那么这种“想问什么就问什么”的偏好就必须被其他东西所取代，而这个东西就叫作“上下文”，对吧？因此，用户输入的问题称为“提示”（prompt），而其周围环境则包括上下文以及你的个人偏好。所有这些要素结合起来，系统才能生成答案。本质上，这意味着必须构建一种新型的计算层——它持续不断地根据所有涌入的查询生成答案。这样一来，系统就不再是一堆存储设备，而是一组计算机。那么，这样的计算机长什么样？它运行的是什么算法？这几乎相当于每个人都拥有属于自己的推荐引擎。你可以这样来理解它。

过去，Meta 整个公司共用一个庞大的推荐系统（RecSys）引擎；而现在，实际上为每个人都配备了一个专属的推荐引擎。这些推荐引擎极为复杂，因为其所依赖的人工智能模型规模庞大，必须具备高度智能，能够压缩并整合海量的世界信息。

因此，现在第二个问题如下：摩尔定律即将走到尽头。各位，我大约15年前首次提出这一观点时，现场曾发出一片哗然。我说的话似乎伤到了某些人的感情。我的意思仅仅是：晶体管已无法继续微缩，而这其实并非什么大不了的事。那么，如果晶体管不再以每年两倍的速度持续微缩，或不再每两年尺寸减半，当我们正努力推进另一项技术——即生成式AI（或按各位习惯的说法，人工智能）时，未来又将何去何从？

因此，在这个新世界中，摩尔定律已走到尽头，而我们又需要大量增加晶体管数量，这就要求我们必须采取多项举措。首要举措是：我们仍需每隔几年就实现100倍乃至1000倍的性能提升。若要达成这一目标，单靠芯片内部优化已远远不够，必须进行协同设计——这正是NVIDIA转型为一家协同设计公司、甚至是一家极致协同设计公司的原因。这一点，大家早已从我们这里反复听闻。

第二件事是，如果你想获得两倍数量的晶体管，就必须制造两倍数量的芯片。这正是NVIDIA发明NVLink的原因所在。因此，我们首先采用协同封装（co-ops）技术，使多颗芯片能够融合在一起；但这一方案仍不能令人满意。于是，我们又将大量芯片通过NVLink互连起来——这正是当今的重大突破。

如果你没有NVLink，就无法实现真正出色的纵向扩展；而纵向扩展技术本身极其困难，横向扩展也很困难，纵向扩展更是难上加难。因此，如果没有这种能力，你就彻底陷入困境，因为摩尔定律已成为你的敌人，而这些模型正变得越来越大、越来越大、越来越大。

因此——接着，第三件事随之发生，即上述情况叠加产生的结果，这正是我此前预测过的：半导体行业的规模将扩大至原来的X倍。原因非常简单：半导体行业的需求已持续增长一段时间，而与此同时，摩尔定律所代表的却是一种不断贬值、通缩性的技术。

如果你不具备通缩型技术的优势，而需求又进一步加速——原因在于：过去是10亿人使用工具，其余时间我们处于休眠状态；而现在却有数千亿个智能体需要持续运行并进行思考——这已远非简单的聊天机器人可比。你无法一次性完成所有任务，而必须通过反复迭代来逐步推进。将上述所有因素叠加起来，半导体产业的规模将持续不断扩大，而这正是我们当前所观察到的趋势。

因此，我们有两个基本观点：一是计算领域出现了一个新层级，并催生了新的应用；二是摩尔定律已走到尽头。与此同时，人们期望这些AI模型变得更聪明、更智能，因为他们无法接受错误的答案。这两方面因素叠加起来，必将催生一个规模巨大的产业。总之，我的分享就到这里。

詹姆斯·施耐德 高盛集团有限公司，研究部

很好。我认为投资者一直持续关注的一个问题是这项技术的投资回报率（ROI）。目前，仅从损益表（P&L）上很难直观判断——比如，“哦，这是毛利率，或者其他什么指标”。但编码显然已成为该行业的应用利器。可以肯定地说，行业绝不可能再回到过去那种传统的编码方式了。展望未来，您认为还有哪些其他应用场景或任务，能真正推动整个行业在采用率和投资回报率两方面取得实质性突破？

黄仁勋 联合创始人、首席执行官兼董事

一切皆是编码。因此，当你购买一本烹饪书时，看到其中的食谱——那不过是“编码”一词的美式说法；当你向他人询问某件事该如何做时，那也是编码；当你们将一项业务流程加以规范化时，那同样是编码。因此，一切皆是编码。

如果你想做某件事——比如想找出做这件事的最佳方法，然后在此之后不断重复这一过程，且不允许任何人偏离该流程、该方法论或该业内公认的最佳实践（不管你们怎么称呼它），那么这一切本质上都是“编码”。而我们以多种不同的方式进行“编码”：我们“编码”来制作煎蛋卷；我们“编码”来反复完成结账工作并管理供应链。

我们编写代码，是为了以一种一致的方式彼此沟通，连接起整个连接网络。例如，供应链就是一大段代码，不是单个代码，而是数万亿段代码。因此，我们所做的一切，实际上都是在编写代码。这是一件合理的事情，同时也是人工智能最容易学习的事情。原因在于，编程问题通常有正确答案；虽然最优解可能难以找到，但正确答案却并不难找。因此，编程是其中重要的一环。

编码的一个衍生领域，当然就是漏洞挖掘。而漏洞挖掘的另一个衍生领域——即规模庞大的网络安全市场——由此诞生。如今，关于网络安全的讨论如此之多，原因在于该行业正准备推出一些产品；而制造需求、进而制造问题，恰恰是推广产品的绝佳方式。试问，谁不希望自己的产品在市场上引发历史性关注，让消费者排队抢购呢？因此，实现这一目标的方式既有负责任的，也有不太体面的。

但如今，网络安全领域存在大量需求创造，因为即将推出新产品。如果你擅长编程，那么你必然也擅长调试；红队的工作是发现漏洞，蓝队的工作则是修复漏洞。因此，这一概念本身并不复杂。但事实上，网络安全很可能会成为人工智能的下一个主要应用场景，并且将实现持续运行。因此，这将成为各实验室的一个绝佳新业务机会。

这对CrowdStrike而言将是一个绝佳的机遇。我们与CrowdStrike建立了深度合作关系，利用开源模型构建红队和蓝队能力，并凭借持续运行的大量Nemotron模型获得非对称优势。我们还与Cisco建立了合作伙伴关系。我认为，今天Palantir、Cisco和NVIDIA正在协同推进——Cisco将基于NVIDIA技术推出一整套AI工厂平台，而Palantir则构建于该平台之上。这一联合解决方案将面向全球各国及企业推广落地，助力它们构建基于Nemotron的专有AI模型，或基于Nemotron的网络安全红队、蓝队模型。

因此，总而言之，当前正是AI迈向下一个市场的关键节点。当然，未来还会有更多应用场景。但归根结底，代码至关重要。吉姆，我想提的一点是：如果你现在回过头来看——我们之前谈到了整个行业、技术等方方面面，但让我直说吧——我此行的目的，就是来推销一些英伟达股票。

因此，我不希望本次会议——议程不够明确。我们是全球首家且唯一的成长型价值股。我认为，目前所有投资者都在试图弄清我们究竟属于哪一类，而答案是我们两者兼具。你完全可以同时兼具这两种属性。那么，为什么我们能同时兼具这两种属性呢？让我为大家做一些深入分析。

英伟达被严重误解了。尽管我们规模庞大，却仍被极度误解。原因在于：我们发明了GPU。GPU一旦被发明出来，就无法“未发明”。身为英伟达，你就无法让英伟达“从未存在”。这一点众所周知——毕竟大家已经认识我三十年了。全球大多数人工智能研究人员、大多数科技公司首席执行官，都是伴随着我所打造的产品成长起来的。这就是我资历之深。

当一位人工智能研究员站起来说：“我8岁时就用GeForce 2060了。”这根本不是在夸你，明白吗？他们只是在数年份而已。所以我想强调的是，我们从来都是一家GPU公司——这并非我们今天才成为的样子，不幸的是，这恰恰是我们起步的地方。这本身并不合理。我们对此并无羞愧之意，但大多数人仍以为英伟达只是一家芯片制造商。事实上，我们制造的产品需要用飞机来运输。我们每一台系统、每一颗芯片——姑且称之为一颗GPU——重量就达两吨。如今的一颗GPU已不再是399美元，也不是399美元，而是850万美元。没错，就是一颗GPU，全部通过NVLink互联，包含200万个零部件，功耗高达25万千瓦。这才是我们定义的一颗GPU。而我们每年出货数千台这样的GPU。

我想我今天早上刚看到相关报告，格蕾丝·布莱克威尔（Grace Blackwell）、NVLink 72机架，月环比增长27%。而您提到的月环比增长27%，是复利式增长，这类股票被称为高成长性价值股。好的。首先，我们从“霍珀”（Hopper）架构过渡到了“布莱克威尔”（Blackwell）架构——需要说明的是，“霍珀”和“布莱克威尔”都是架构名称，而非具体芯片型号；而且这些架构的应用范围正持续拓展。“霍珀”架构单套GPU系统的售价约为1.8万美元，而“布莱克威尔”架构提升至约2.5万美元，“薇拉·鲁宾”（Vera Rubin）架构则达到约4万美元。

其原因在于，我们正持续提供越来越多的完整AI工厂。在我们的构想中，“AI工厂”是一个整体；我们正努力通过极致协同设计来应对摩尔定律带来的挑战。在算法、软件、系统、互连技术以及我们在研发过程中不断发明的新技术之间，我们每一代产品都能实现数倍于上一代的性能提升，或在Token生成能力方面显著提高。

因此，我们首先要做的是扩大全球资本支出（CapEx）的可服务市场（SAM），明白吗？这是我们的首要任务。我们不仅在实现增长，同时也在提升市场占有率。

第二点是，尽管令人难以置信，但如今的模型公司数量比一年前、两年前都要多得多。如今处于前沿的模型厂商也远超几年前。眼下还有一大批新创公司正纷纷入局，提出了大量出色的构想，明白吗？因此我想强调的是：我们是全球唯一一家实际运行所有主流模型的公司。过去我们并不运行Gemini，但现在我们已开始运行Gemini；Grok Bot的表现自然非常出色，我迫不及待想亲自试用；还有Meta的Muse，这些全都是新近加入的模型——全部都是新增的，对吧？更不用说，由于种种原因，我们过去也并未运行Anthropic的模型；作为一家初创公司，我们当时确实缺乏资金来投资接入它们。

现在我们资金更充裕了，也乐于向它们投资并提供支持。但无论如何，我们持有的Anthropic股份正迅速增长。当然，我们非常高兴看到Anthropic和OpenAI在所有这些实验室中蓬勃发展，对吧？因此，第二种多数人尚未察觉的增长在于：我们是唯一一家能同时从前沿闭源模型和开源模型中获益的公司。

我们运营着一切。因此，全球范围内，唯一一家以开源模型为基准且增长极为迅猛的公司就是我们。但你却 nowhere 找不到这个数据。OpenRouter 是一个不错的平台，你可以前往查看相关数据，直观地看到增长情况。世界既需要闭源模型，也需要开源模型，而我们全面覆盖这两类模型，明白吗？

第三点是，人工智能整体市场正以惊人的速度增长。但我们目前所看到的主要是云服务提供商（CSP）。然而请记住，这些云服务提供商本身也是企业。一些在构建“AI工厂”方面表现卓越的企业，例如Jane Street、Hudson River，以及全球几乎每一家量化交易公司，如今都在转向这种以预测为核心的新模式。此外，在药物研发领域，礼来（Lilly）、默克（Merck）、百时美施贵宝（BMS）及其他众多药企，现已基本建立起自己的机器人实验室，即“闭环实验室”——将人工智能深度融入湿实验环节。而要支撑这样的工作，就需要超级计算机。因此，不仅有大型企业参与其中，区域性的云服务商也在积极加入。

最大的挑战之一——这一点非常关键——人们往往对此认识不足。我一直在强调这个问题，希望大家能充分理解我们的战略。在上游供应链方面，我们面临巨大挑战。原因显而易见：我们正以极快的速度增长。因此，封装是一大挑战；DRAM是一大挑战；LPDDR和DRAM也是一大挑战；连接器同样是一大挑战；所有环节都充满挑战，明白吗？电压调节器是一大挑战，所有环节都充满挑战；晶圆供应显然也是一大挑战；上游各类挑战层出不穷。

但请记住，供应链一直延伸至下游终端，直至有人架设起一台计算机并启动以提供服务。因此，我们一直在从上游和下游两个方向思考供应链问题。而我们的一大优势在于自身的 go-to-market 模式——如前所述，我们全程自主运营。这正是通用型能力相较于专业化能力所具有的力量。您是否还记得两三年前，所有人都在说专业化优于通用型，因为专业化速度更快？

嗯，如果我能使通用型能力比专业化更快地提升，那么通用化就非常有利。这样说的原因——抱歉，我指的是通用化非常有利。其原因在于，通用化能赋予你可互换性、持久性、多功能性、可出租性，而尤为重要的是，在当今资本受限的背景下，它还能提升各方资产负债表的可投资性。

最后，我们拥有了计算机——NVIDIA 计算平台，而且最终拥有了可资产抵押的计算机。因此，我们可以用它来担保贷款，这是一种非常强大的能力。坦率地说，这是全球唯一一套支持这种操作的计算堆栈，因为有人可以在此平台上进行回溯操作。总之，我们的市场包括云服务提供商（CSP）以及区域云和新型云（neocloud）。

新云服务商（neoclouds）的优势正在于此：它们为我们保障了土地资源和机架空间，而这些资源传统云服务提供商（CSP）早已用尽。请务必牢记这一点——这意义重大。许多国家、郡县及地区都希望为其本国企业预留电力与土地资源。因此，我们已在全球范围内布局新云服务商，包括NScale、CoreWeave以及Nebius等，它们的发展势头极为强劲。

一些即将上市或正处于上市申请阶段的新公司，比如NScale、Lambda和Firmus，正涌现出一批令人振奋的新型云服务企业，其未完成订单总额高达数千亿美元。

因此，这一能力使我们能够保障土地、电力及下游基础设施（壳体），并以多元化的模式开拓市场。上述三大理念——即我们全面服务整个人工智能市场、全面支持所有模型，以及覆盖全球数据中心资本性支出（CapEx）的更大份额——正是我们实现快速增长的原因所在。

詹姆斯·施耐德 高盛集团有限公司，研究部

我可以就其中几点再跟进一下吗？

黄仁勋 联合创始人、首席执行官兼董事

是的。

詹姆斯·施耐德 高盛集团有限公司，研究部

首先，关于供应限制问题。几周前的财报电话会议上，您提到对明年实现70%的营收增长充满信心，且未受限制的需求增长率超过100%。您当时谈到了上游和下游环节。那么，您更担忧的是上游零部件短缺问题，还是更担忧下游环节——例如土地、电力、机柜以及数据中心可用性等方面，这些环节您可能直接控制力较弱？

黄仁勋 联合创始人、首席执行官兼董事

嗯，这——下游正是英伟达优势极为突出的领域。而在上游，我们的优势则源于自身的规模：我们拥有全球最大的供应链。过去近三十年来，我一直在与供应链及这些合作伙伴紧密协作。当我做出预测时，他们总会全力配合、兑现承诺。而且，当有人预测准确时，他们也乐于见到。这是因为他们在其中投入了大量资金，而英伟达在过往实践中始终展现出切实的帮助性、诚信度以及对趋势的精准预判能力。更不用说，我们自身还具备创造新市场的能力。

别忘了，NVIDIA 的平台是唯一一个能让你独立直达终端市场的平台。请记住，我们既通过云服务提供商（CSP）进入市场，也通过原始设备制造商（OEM）进入市场。看看戴尔，其表现极为出色，几乎全部采用 NVIDIA 产品——我认为其采用率很可能已达 100%。超微（Supermicro）、联想（Lenovo）、慧与（HPE）均表现良好，思科（Cisco）也正积极加入。全球所有企业级市场的上市渠道均可将 NVIDIA 推向市场，因为我们是一个端到端的 AI 工厂平台。客户只需接入该平台，即可安装整套系统，再集成我们的软件，短短数周内即可上线并投入运行。

而且，由于这些产品价格极其昂贵，其经济成本非常高；如果你不能尽快使其产生效益，由此带来的焦虑感确实非常强烈。因此，从我们的市场进入策略来看，我们拥有渠道的多样性，具备多种将其推向市场的方式。同时，得益于我们的NeoClouds、主权AI能力，以及我们全栈式的技术优势，我们构建了一个丰富的生态系统，能够触达所有这些不同的市场。因此，在产业链下游环节，我们拥有巨大的优势。

土地、电力和机壳无疑都是问题。因此，当我听到这些人谈论这些庞大的数字时，问题就来了——而我们正在全球范围内追踪每一吉瓦的土地、电力和机壳，确切地说，是地球上所有相关资源。我的合作伙伴们，你们想想：有多少家NeoCloud公司向我们报送数据？有多少家OEM厂商向我们报送数据？有多少家云服务商向我们报送数据？有多少家AI原生公司向我们报送数据？我们正与所有相关方展开合作。

因此，我们大致清楚所有环节的位置。这确实——非常了不起。我们已掌控了其中很大一部分。我们已掌控了其中很大一部分。否则，你怎么可能处于产业链上游？显然，台积电绝不会告诉你这些，他们绝不会透露自己能以某种方式预测出售了多少吉瓦的芯片。他们怎么可能知道呢？毕竟他们距离下游环节十分遥远。而我们则贯穿了整个产业链，既深入上游，又直达下游，这正是英伟达以及我们自身地位如此稳固的原因。

詹姆斯·施耐德 高盛集团有限公司，研究部

你对收窄这一差距感到满意吗？

黄仁勋 联合创始人、首席执行官兼董事

是的，是的。我们认为——我们有望实现同比70%的增长，对此我们充满信心。而且我们还有一整年的时间来进一步提升这一业绩。因此，我们将每天全力以赴投入工作，努力增加供应，提供更多炸鸡。

詹姆斯·施耐德 高盛集团有限公司，研究部

更多丹尼餐厅。

黄仁勋 联合创始人、首席执行官兼董事

更多——是的，更多丹尼餐厅，更多晚餐。不惜一切代价。

詹姆斯·施耐德 高盛集团有限公司，研究部

很好。您的超大规模云服务商和大型企业客户显然能够独立为其支出进行融资……

黄仁勋 联合创始人、首席执行官兼董事

各位是否看到了我们今天上午在澳大利亚发布的消息？我们来举个例子：澳大利亚拥有大量能源资源，我们正与该地区的所有企业及数据中心公司展开合作。我们已为2027年规划了2吉瓦的电力供应。仅就规模而言，2吉瓦看似不多，但其价值高达800亿美元。

詹姆斯·施耐德 高盛集团有限公司，研究部

事情很多。

黄仁勋 联合创始人、首席执行官兼董事

如今你们真是很难被施压啊。这就像两家公司似的，不过也没关系。总之，刚才那个——我甚至都不确定——那是一条推文、一份新闻稿，还是一篇博客？但不管怎样，这可是件大事，因为我非常热爱在澳大利亚开展工作。众所周知，澳大利亚这个地区能源富余，但他们需要几样东西：一是技术，而这正是NVIDIA人工智能工厂——即完整的平台型人工智能工厂大显身手之处；二是需要生态系统的终端用户。过去六个月中，已有4000亿美元的风险投资资金涌入人工智能原生企业，高达4000亿美元。

AI原生企业——所谓AI原生企业，是指将其所融资金的三分之二用于算力支出的企业。这就是它的定义，对吧？如今，已不再存在低资本性支出（CapEx）的软件公司。未来，所有科技公司都将成为高资本性支出公司，或高运营性支出（OpEx）公司，但本质上都是高算力消耗型公司，因为已不存在非AI公司。因此——我们正与全球几乎每一家AI初创企业展开合作。我们拥有完整的平台和承购协议：初创企业负责提供区域土地、电力及厂房外壳，而我们则协助他们完成整体建设与部署。

最后是资本。有时我们会向它们投资。但其中一项重要转变——这也是当前正在发生的重大理念——是我们正与金融行业以及在座的许多同仁紧密合作，对此我们深表感谢。我们正将NVIDIA计算能力从一项技术转变为一种可投资资产。这一转变一旦完成——我认为它将在短期内迅速实现——将极大推动市场认知：我们的计算系统具备长期价值和持久价值。

而目前，这些价值均未被市场认可。因此，这对我们而言是一个巨大的、尚未开发的机遇。同时，大量证据表明算力具有实际生产力。我们以一座1吉瓦的数据中心为例，其售价约为600亿美元。假设该数据中心运营周期为6年，则年均收入约为100亿美元。我们来简单计算一下：目前这每年100亿美元的算力收入，正如各位所知，是以约500亿美元的价格对外出租的——即当前每吉瓦的年收入约为500亿美元。

因此，这就是——我们的技术具备如此高的生产效率。您仍可租用Voltus，而Voltus已有十年历史。显然，迈克刚才提到的正是租用Ampere。全球范围内的所有Ampere芯片均已出租一空。因此，耐用性与通用性至关重要。NVIDIA运行所有模型，任何一家实验室均可使用我们的产品。而且，由于我们的产能极为庞大，这有点类似于台积电（TSMC）。台积电的价值固然体现在其技术上，但其最重要价值之一恰恰在于产能。我可以在台积电的基础之上创办自己的公司；您同样可以在NVIDIA的基础之上创办自己的初创企业——这一点毫无疑问。

我们不会成为你们的难题，你们无需费力将我们“造”出来。我们作为一个人工智能平台，始终为你们服务。因此，在我看来，台积电（TSMC）正是AI原生企业与AI公司眼中的我们——我们是人工智能生态系统的基础平台，是人工智能产业的基础平台。

詹姆斯·施耐德 高盛集团有限公司，研究部

是的。而且，正如您所指出的，你们在某些情况下为这些AI实验室或新兴云服务商提供担保或兜底支持，以助其稳固立足并为其运营提供保障。您曾提到——多年来，你们已通过多种方式开展了此类工作，包括近期谈到的5000亿美元平台。您在财报电话会议上表示，您并不认同“循环金融”这一说法。

黄仁勋 联合创始人、首席执行官兼董事

而且，希望这5000亿美元中的大部分都将有资产作为支撑。这就是核心理念。

詹姆斯·施耐德 高盛集团有限公司，研究部

是的。

黄仁勋 联合创始人、首席执行官兼董事

这就是核心理念。

詹姆斯·施耐德 高盛集团有限公司，研究部

因此，或许可以帮一帮那些持怀疑态度的人——解释一下，为什么你认为这并非循环论证。

黄仁勋 联合创始人、首席执行官兼董事

嗯，这并非循环操作，因为我们只投入少量资金，却能收回大量资金。这是金融术语吗？我的意思是，我看了电子表格，我们投入1，就收回100。这算是循环操作吗？如果是的话，那我们就多做些这样的操作。

更不用说我们正在投资的那些公司了——我们能看到它们的研发管线，因为这些管线正是我们为其引入的。人们开始意识到，只要我在哪里投资，那里就绝不是个糟糕的投资选择，因为我是一位信息充分的投资者，不会承担任何风险。“我们可不像你们那么聪明”，我需要的是稳操胜券的机会。因此，当我们向它们引入人工智能平台时，它们便着手落实土地、电力和厂房等基础设施；而我们在融资方面虽会提供协助，但仅占很小一部分。

但最重要的是，我们看到了他们的承购安排，因为如果没有承购安排，相关融资就无法落实。而这一承购规模达1000亿美元，且均为已签署的合同，即全部已签约金额，是真实存在的交易。我们清楚需求来自何处，也了解需求的质量。因此，我们能够看到这一更宏观的图景，这正是我们有信心推进该项目的原因所在。

此外，我认为这确实是一项非常明智的战略。我们认为，帮助行业构建这一“新云”网络十分必要，这些“新云”将成为NVIDIA架构的分销渠道，同时也是众多新兴AI原生公司落地发展的理想场所。请记住，AI不仅将走向全球化，更将走向区域化。原因在于，全球各地存在大量区域性智能需求。因此，AI势必会变得越来越区域化。正因如此，我们希望在全球范围内建立NVIDIA合作伙伴枢纽。至于所谓“闭环”一说，我并不认同，因为数据本身已说明了一切。

詹姆斯·施耐德 高盛集团有限公司，研究部

是的，收益情况如何？

黄仁勋 联合创始人、首席执行官兼董事

回报太高了。是的，这太好了。

詹姆斯·施耐德 高盛集团有限公司，研究部

或许我们只剩几分钟时间，但在结束之前，我想先谈谈物理人工智能（Physical AI）。在这一领域，贵公司已在汽车、工业机器人、人形机器人等多个方向率先布局、培育市场。那么，您认为该市场将有多快起飞？物理人工智能的“杀手级应用”会是什么？再者，到2030年，您认为这一领域将为公司带来多大的发展机遇？

黄仁勋 联合创始人、首席执行官兼董事

物理人工智能的首个杀手级应用就是自动驾驶汽车。曾几何时，这种说法听起来毫无道理。那时人们认为，研发自动驾驶汽车的唯一途径就是让车辆行驶数十亿乃至数万亿英里。显然，这一过程中将造成大量伤亡，而这是任何人都不愿看到的。

而你真正寻找的，是一辆具备思考能力的汽车，一辆能够进行推理的汽车。我们在这一领域取得了突破性进展，该项目名为Alpamayo，是全球首辆具备推理与思考能力的汽车。它能够观察一个此前从未见过的环境，并像智能体系统那样对其进行推理分析；它能将复杂环境分解为自身能够理解、并轻松思考的组成部分，就像人类一样。

因此，你实际所需的行驶里程其实相当少，后续所需的训练也很有限。我认为，例如物理人工智能（Physical AI）在自动驾驶汽车领域已经落地。我预计在未来两三年内，我们将看到真正的巨大进展。显然，Waymo、Tesla以及NVIDIA与梅赛德斯-奔驰的合作项目都是典型代表，此外还有大量其他项目正在筹备之中。

我们与Uber建立了合作关系，同时还有大量合作项目正在筹备中。因此，这是第一个应用场景。该技术的衍生应用包括自主移动机器人（AMR）、仓库配送车辆以及物流中心内部的运输系统。我们已宣布与Amazon达成一项重大合作伙伴关系——Amazon拥有全球规模最大的仓储内部导航系统车队。未来，您将看到大量此类应用，例如杂货配送车辆等各类场景。

第二部分是操控系统。操控系统正取得显著进展。当前的操控系统均为预编程式，就像我们之前提到的老式计算机一样，所有操作都是预先录制好的。目前的操控系统同样依赖预编程，这限制了其市场规模，使其仅适用于规模最大的汽车公司。而若要让操控系统对中型及中小型制造企业也具备实用价值——在德国，这类企业被称为“Mittelstand”；在美国，它们通常被称为供应链合作伙伴；在日本，则存在一整套与“Mittelstand”相对应的企业体系。

但基本上，工业供应链中的企业都是数亿美元规模的公司。以ASML的供应链为例，其中全是德国中型家族企业（Mittelstand），对吧？因此，这是一大批科技公司，每家公司的规模可能也就几亿美元。而这些企业都无法采用机器人自动化，因为它们的规模都不够大。所以我们需要具备推理能力的智能机器人。而这种能力可能还需几年时间才能实现。

此后，具身人工智能将渗透到各个领域，例如电信行业。6G本质上就是具身人工智能——它并非依赖摄像头来理解物理世界，而是利用电磁频谱中不同的波段（如无线电波）来感知世界。因此，我们将……我们已与诺基亚建立了合作伙伴关系，共同构建了一个基于英伟达CUDA和人工智能技术的平台，该平台名为AI RAN。

我认为，该系统将取得非凡的成功。它本质上是一个分布式边缘数据中心。所有这些技术，我认为目前大概还处于约五年的发展酝酿期，未来你将会看到其应用越来越广泛。但与此同时，英伟达在物理人工智能领域已取得成功，因为部署模型之前必须先训练模型。大家都知道，我和埃隆在特斯拉超级计算机（即Dojo）项目上合作密切，其中搭载了大量GPU，专门用于训练自动驾驶汽车模型。类似这样的案例还有很多。

詹姆斯·施耐德 高盛集团有限公司，研究部

是的，我想我们确实该就此结束了。非常感谢您与我们一同参与，Jensen，我们非常感激。

黄仁勋 联合创始人、首席执行官兼董事

好的，各位。谢谢！