Jensen Huang：TPU 竞争、为何应向中国出售芯片，以及 Nvidia 的供应链护城河
原文：Jensen Huang – TPU competition, why we should sell chips to China, & Nvidia’s supply chain moat
访谈正文
我向Jensen询问了TPU竞争、Nvidia对制造先进芯片所需且日益瓶颈化的供应链的掌控、我们是否应该向中国出售AI芯片、为什么Nvidia不干脆自己成为超大规模云厂商、它如何进行投资，以及更多内容。祝阅读愉快！
在YouTube上观看；在Apple Podcasts或Spotify上收听。
文字稿
Nvidia最大的护城河是对稀缺供应链的掌控吗？
Dwarkesh Patel：
我们已经看到一大批软件公司的估值暴跌，因为人们预期AI会让软件商品化。有一种可能很天真的思考方式是这样的：你看，Nvidia把一个GDS2文件发给TSMC。TSMC制造逻辑裸片，制造交换机，然后把它们与SK Hynix、Micron和Samsung制造的HBM封装在一起。接着它被送到台湾的一家ODM那里组装成机架。Nvidia本质上是在做软件，而制造由别人完成，如果软件被商品化，Nvidia是否也会被商品化？
Jensen Huang：
归根结底，必须有某种东西把电子转化为词元。把电子转化为词元，并让这些词元随着时间推移变得更有价值，这件事很难被完全商品化。从电子到词元的转化是一段不可思议的旅程。制造那个词元，就像让一个分子比另一个分子更有价值，让一个词元比另一个词元更有价值。为了让那个词元有价值而投入的技艺、工程、科学和发明，显然我们正在实时目睹这一切发生。其中的转化、制造、所有投入的科学，都远未被深刻理解，这段旅程也远未结束。我怀疑它会被商品化。
当然，我们会让它变得更高效。你构建这个问题的方式，正是我对我们公司的心智模型。输入是电子，输出是词元。中间是Nvidia。我们的工作是做尽可能多必要的事，同时做尽可能少的事，以使这种转化能以惊人的能力完成。我所说的“尽可能少”，是指凡是我不需要做的，我就与别人合作，把它变成我生态系统的一部分。
如果你看看今天的Nvidia，我们大概拥有最大的合作伙伴生态系统，既包括上游供应链，也包括下游供应链，涵盖所有计算机公司、应用开发者和模型制作者。AI可以说是一个五层蛋糕。我们在全部五层都有生态系统。我们尽量做得尽可能少，但事实证明，我们必须做的那部分难到疯狂。我不认为那会被商品化。
事实上，我也不认为企业软件公司、工具制造商……今天大多数软件公司都是工具制造商。有些不是。有些是工作流编码系统。但对很多公司来说，它们是工具制造商。例如，Excel是工具，PowerPoint是工具，Cadence制造工具，Synopsys制造工具。实际上，我看到的情况与人们看到的相反。我认为智能体的数量将呈指数级增长，工具用户的数量也将呈指数级增长。所有这些工具的实例数量很可能会暴涨。
Synopsys Design Compiler的实例数量很可能会暴涨，使用布局规划器、我们的布局工具和我们的设计规则检查器的智能体数量也会暴涨。今天我们受限于工程师的数量。明天，那些工程师将得到一大堆智能体的支持。我们将以前所未有的方式探索设计空间，而且我们将使用今天所用的工具。
我认为工具的使用将促使软件公司暴涨。之所以还没有发生，是因为智能体还不够擅长使用它们的工具。要么这些公司自己构建智能体，要么智能体变得足够好，能够使用那些工具。我认为会是两者的结合。
Dwarkesh Patel：
我想，在你们最新的申报文件中，你们与晶圆厂、存储和封装相关的采购承诺接近1000亿美元。SemiAnalysis报道称，你们将拥有2500亿美元的这类采购承诺。一种解读是，Nvidia的护城河实际上在于你们锁定了这些稀缺零部件未来很多年的供应。别人也许有加速器，但他们真的能拿到存储来制造它吗？他们真的能拿到逻辑来制造它吗？这真的是Nvidia未来几年最大的护城河吗？
Jensen Huang：
这是我们能做、而别人很难做的事情之一。我们在上游做出了巨大的承诺。其中一些是明确的，就是你提到的那些承诺。另一些是隐含的。例如，很多上游投资是由我们的供应链做出的，因为我对那些CEO说：“让我告诉你这个行业会有多大，让我向你解释为什么，让我和你一起推理，让我向你展示我所看到的。”
通过这个告知、激励并与上游各行各业CEO保持一致的过程，他们愿意进行投资。为什么他们愿意为我投资，而不是为别人？原因是他们知道我有能力买下他们的供应，并通过我的下游把它卖出去。事实是，Nvidia的下游供应链和我们的下游需求如此之大，以至于他们愿意在上游进行投资。
如果你看看GTC，人们会惊叹于它的规模和参加的人。它是完整的360度，整个AI宇宙都在一个地方。他们之所以都在一个地方，是因为他们需要见到彼此。我把他们聚在一起，让下游能看到上游，上游能看到下游，让他们所有人都能看到AI的进步。非常重要的是，他们都能见到AI原住民、所有正在被创建的AI初创公司，以及所有正在发生的惊人事情，这样他们就能亲眼看到我告诉他们的一切。我花了很多时间，直接或间接地让我们的供应链、合作伙伴和生态系统了解我们面前的机遇。
总有人说：“Jensen，大多数主题演讲都是一条接一条的发布。”而我们的主题演讲中，总有一部分有点折磨人，因为它几乎像是在做教育。事实上，这正是我心中的想法。我需要确保整个供应链，上游和下游，整个生态系统，都理解即将到来的是什么、为什么会来、什么时候来、规模会有多大，并且能够像我做的那样系统地推理它。
关于你所描述的护城河，我们能够为未来而建设。如果我们接下来几年的规模达到万亿美元级别，我们有供应链来做到这一点。没有我们的触达、我们业务的周转速度……就像有现金流一样，也有供应链流，有周转。如果业务周转低，没人会为一种架构建设供应链。我们维持这种规模的能力，只是因为我们的下游需求如此巨大。他们看到了，他们听说了，他们看到这一切正在到来。这让我们能够以我们所做的规模去做我们能够做的事情。
Dwarkesh Patel：
我确实想更具体地了解上游能否跟上。多年来，你们一直让收入同比增至2倍。你们每年向世界提供的flops增长超过2倍，即增至原来的3倍以上。
Jensen Huang：
而且在如今这种规模下再翻2倍，真的不可思议。
Dwarkesh Patel：
正是如此。但再看看逻辑。你们是TSMC N3节点上最大的客户，也是N2上最大的客户之一。根据SemiAnalysis，今年AI整体将占N3的60%。明年将占86%。如果你已经占多数，你怎么翻倍？你又如何年复一年地做到这一点？我们现在是否处于这样一种状态：由于上游限制，AI算力的增长率必须放缓？你看到绕过这一点的办法了吗？归根结底，我们如何每年建造2倍多的晶圆厂？
Jensen Huang：
在某种程度上，瞬时需求大于世界上上游和下游的供应。在任何瞬间，我们都可能受限于水管工的数量，而这种情况确实会发生。
Dwarkesh Patel：
水管工被邀请参加明年的GTC。
Jensen Huang：
顺便说一句，这个想法很好。但这是个好条件。你想要的是一个瞬时需求大于整个行业总供给的行业。反过来显然就没那么好。如果我们之间差距太大，如果某个特定组件离得太远，整个行业就会蜂拥而上。比如，注意现在人们已经不太谈论 CoWoS 了。
原因在于，我们花了两年时间把它往死里猛攻。我们翻倍、翻倍、再翻倍，翻了好几轮。现在我认为我们的状况相当不错了。台积电现在知道，CoWoS 的供给必须跟上其余逻辑芯片需求和存储需求的步伐。他们正在以与扩展逻辑芯片相同的力度来扩展 CoWoS 和未来的封装技术。这太棒了，因为很长一段时间里，CoWoS 和 HBM 存储都算是相当专业化的东西。但它们不再是专业化的了。人们现在意识到，它们是主流计算技术。
当然，我们现在更有能力影响更大范围的供应链。在 AI 革命之初，我现在说的所有这些话，我五年前就在说了。有些人相信了并投了资，比如 Sanjay 和 Micron 团队。我仍然清楚地记得那次会议，当时我明确说了将会发生什么、为什么会发生，以及今天这些预测。他们真的全力押注了。我们在 LPDDR 和 HBM 存储上与他们合作，他们真的投了资。这对公司来说显然带来了巨大的好处。有些人来得晚了一点，但现在他们都来了。
这些瓶颈中的每一个都得到了极大的关注。现在我们提前数年就在预判瓶颈。例如，过去几年我们在 Lumentum、Coherent 以及硅光子生态上的投资，真的重塑了供应链。我们围绕台积电建立了一整条供应链。我们在 COUPE 上与他们合作，发明了一大堆技术，并把这些专利授权给供应链，让它保持良好和开放。
我们通过发明新技术、新工作流程、新测试设备（比如双面探测）、投资公司并帮助它们扩大产能，来为供应链做准备。你可以看到，我们正在努力塑造整个生态，让供应链准备好支撑这样的规模。
Dwarkesh Patel：
看起来有些瓶颈比其他的更容易解决。扩大 CoWoS 产能相比扩大——
Jensen Huang：
顺便说一句，我说的是最难的那个。
Dwarkesh Patel：
哪个？
Jensen Huang：
水管工。水管工和电工。这是我对那些末日论者描述工作终结、消灭就业的担忧之一。如果我们劝阻人们去做软件工程师，我们就会缺软件工程师。同样的预测十年前也发生过。一些末日论者当时告诉人们：“不管你做什么，千万别当放射科医生。”你可能还能在网上听到一些那样的视频，说放射科将是第一个消失的职业，世界将不再需要任何放射科医生。猜猜我们现在缺什么？放射科医生。
Dwarkesh Patel：
回到这一点，有些东西你可以扩大规模，而另一些东西……你实际上怎么做到每年把逻辑芯片产量翻倍？归根结底，存储和逻辑芯片都受制于 EUV。你怎么做到每年获得 2 倍数量的 EUV 机器？
Jensen Huang：
这些没有一样是不可能快速扩展的。所有这些在两三年内都很容易做到。你只需要一个需求信号。一旦你能造一台，你就能造十台；一旦你能造十台，你就能造一百万台。这些东西不难复制。
Dwarkesh Patel：
你会深入到供应链的多深？你会去找 ASML 说：“嘿，如果我往后看三年，要让 Nvidia 每年产生两万亿的收入，我们需要多得多的 EUV 机器”吗？
Jensen Huang：
有些我得直接去谈，有些间接去谈，还有一些……如果我能说服台积电，ASML 就会被说服。我们必须考虑关键的卡点。但如果台积电被说服了，几年后你就会有充足的 EUV 机器。
我的观点是，没有任何瓶颈会持续超过几年，两三年，没有一个会。与此同时，我们正在把计算效率提升 10 倍、20 倍，而在 Hopper 到 Blackwell 这一代，是 30 倍到 50 倍。因为 CUDA 如此灵活，我们正在想出新的算法。我们正在开发各种新技术，以便在增加产能之外还提升效率。这些事我都不担心。我担心的是我们下游的东西。能源政策阻止能源……没有能源你就无法创造一个产业。没有能源你就无法创造一个全新的制造业。
我们想让美国再工业化。我们想带回芯片制造、计算机制造和封装。我们想建造新东西，比如电动车和机器人。我们想建造 AI 工厂。没有能源，这些你一样都建不成，而这些东西需要很长时间。更多的芯片产能，那是个 2-3 年的问题。更多的 CoWoS 产能，2-3 年的问题。
Dwarkesh Patel：
有意思。我感觉有时候嘉宾告诉我的恰恰相反。在这种情况下，我只是没有足够的技术知识来裁决。
Jensen Huang：
美妙之处在于，你正在和专家说话。
TPU 会打破 Nvidia 对 AI 算力的掌控吗？
Dwarkesh Patel：
确实。我想问问你的竞争对手。如果你看看 TPU，可以说世界上排名前三的模型中有两个，Claude 和 Gemini，都是在 TPU 上训练的。这对 Nvidia 的未来意味着什么？
Jensen Huang：
我们造的是非常不同的东西。Nvidia 造的是加速计算，不是张量处理单元。加速计算被用于各种各样的事情：分子动力学、量子色动力学、数据处理、数据帧、结构化数据和非结构化数据。它也被用于流体动力学和粒子物理。此外，我们还把它用于 AI。
加速计算的多样性要大得多。虽然 AI 是今天的话题，而且显然非常重要、影响深远，但计算的范畴远比这更广。Nvidia 重新发明了计算的方式，从通用计算转向加速计算。我们的市场覆盖面远大于任何 TPU 或 ASIC 可能拥有的。如果你看我们的位置，我们是唯一一家加速各种应用的公司。我们有一个庞大的生态系统。所以各种框架和算法都能在 Nvidia 上运行。
因为我们的计算机被设计成可以由其他人来运营，任何运营者都可以购买我们的系统。而对于大多数这些自建系统，你必须自己做运营者，因为它们从来就不是为了灵活到让别人来运营而设计的。因为任何人都可以运营我们的系统，我们存在于每一朵云里，包括 Google、Amazon、Azure 和 OCI。
如果你想运营它来出租，你最好有一个横跨许多行业的大客户生态系统来作为承购方。如果你想为自己运营它，我们显然有能力帮你自己运营，就像我们为 Elon 的 xAI 所做的那样。而且因为我们可以让任何公司、任何行业的运营者都能用起来，你可以用它为 Lilly 搭建一台用于科学研究和药物发现的超级计算机。我们可以帮他们运营自己的超级计算机，并将其用于我们加速的整个多样化的药物发现和生物科学领域。
有一大堆应用我们可以覆盖，而 TPU 做不到。Nvidia 把 CUDA 也打造成了一个出色的张量处理单元，但它还处理数据处理、计算、AI 等每一个生命周期环节。我们的市场机会要大得多，我们的覆盖面也广得多。因为我们现在支持世界上每一种应用，你可以在任何地方搭建 Nvidia 系统，并且知道会有客户。这是非常不同的东西。
Dwarkesh Patel：
这会是个很长的问题。你们的收入非常惊人，而你们并不是靠制药和量子计算每季度赚 600 亿美元。你们赚钱是因为 AI 是一项前所未有的技术，正以前所未有的速度增长。
那么问题就是，对 AI 来说什么是最好的。我不了解细节，但我和我的 AI 研究员朋友们聊，他们说：“你看，当我用 TPU 时，它是这么大的一个脉动阵列，非常适合做矩阵乘法，而 GPU 非常灵活。当你有大量分支或不规则内存访问时，它很棒。”
但 AI 是什么？它就是这些非常可预测的矩阵乘法，一遍又一遍又一遍。你不必为了 warp 调度器或线程与内存库之间的切换而牺牲任何芯片面积。而 TPU 确实针对当前正在上线的这波算力收入和用例增长的大头做了优化。我想知道你怎么回应这一点。
Jensen Huang：
矩阵乘法是AI的重要组成部分，但它们并不是唯一的部分。如果你想提出一种新的注意力机制，用不同的方式做解耦，或者发明一种全新的架构类型——比如混合SSM——你需要一种通用可编程的架构。如果你想创建一个融合扩散和自回归技术的模型，你需要一种通用可编程的架构。我们能运行你能想象到的一切。这就是优势所在。它让新算法的发明变得容易得多，因为它是一个可编程的系统。
发明新算法的能力，正是让AI进步如此之快的原因。TPU和任何其他东西一样，都受到摩尔定律的影响，而我们知道摩尔定律大约每年提升25%。要想真正实现10倍或100倍的跃升，唯一的办法就是每年从根本上改变算法以及它的计算方式。
这就是Nvidia的根本优势。我们之所以能让Blackwell相比Hopper达到50倍……当我最初宣布Blackwell将比Hopper能效高35倍时，没人相信。后来Dylan写了一篇文章说我故意报低了，实际上是五十倍。仅靠摩尔定律，你不可能合理地做到这一点。我们解决这个问题的方式是采用新模型，比如MoE，它们被并行化、解耦，并分布在整个计算系统上。如果没有能力真正深入下去、用CUDA写出新的内核，这真的很难做到。
这是我们架构的可编程性，加上Nvidia是一家极致的协同设计公司，两者结合的结果。我们甚至可以把一部分计算卸载到互连结构本身，比如NVLink，或者卸载到网络里，用Spectrum-X。我们可以同时在处理器、系统、互连结构、库和算法层面推动变革。如果没有CUDA来做这些，我甚至不知道从哪里开始。
Dwarkesh Patel：
这就引出了一个关于Nvidia客户群的有趣问题。你60%的收入来自这五大超大规模云厂商。在另一个时代，面对不同的客户——比如做实验的教授——他们需要CUDA。他们用不了别的加速器。他们只需要用CUDA跑PyTorch，并且一切都经过优化。
但这些超大规模云厂商有资源写自己的内核。事实上，为了针对他们特定架构榨出最后5%的性能，他们不得不这么做。Anthropic和Google大多在跑自己的加速器，或者跑TPU和Trainium。但即便是用GPU的OpenAI，也有Triton，因为他们需要自己的内核。一路深入到CUDA C++，而不是用cuBLAS和NCCL，他们有自己的技术栈，而且还能编译到其他加速器上。如果你的大多数客户能够并且确实在为CUDA做替代品，那么CUDA在多大程度上真的是让前沿AI发生在Nvidia上的那个关键因素？
Jensen Huang：
CUDA是一个丰富的生态系统。如果你想先在某种计算机上构建东西，先在CUDA上构建是极其明智的。因为这个生态系统如此丰富，我们支持每一种框架。如果你想创建自定义内核……举个例子，我们对Triton的贡献巨大。所以Triton的后端里有大量的Nvidia技术。
我们很乐意帮助每一个框架变得尽可能出色。框架非常非常多。有Triton、vLLM、SGLang等等。现在还有一大堆新的强化学习框架涌现出来，比如verl和NeMo RL。有了后训练和强化学习，整个领域正在爆发式增长。所以如果你想在某个架构上构建东西，在CUDA上构建是最合理的，因为你知道这个生态系统很棒。
你知道，如果出了问题，更可能是你的代码有问题，而不是底下那一大堆代码有问题。别忘了构建这些系统时你要处理多少代码。当某个东西不工作时，是你出了问题还是计算机出了问题？你希望永远是你自己出问题，并且能够信任计算机。显然，我们自己仍然有很多bug，但我们的系统已经被打磨得如此彻底，以至于你至少可以在坚实的基础上构建。这是第一点：生态系统的丰富性、可编程性和能力。
第二点是，如果你是一个开发者，在构建任何东西，你最想要的单一最重要的东西就是装机量。你希望你写的软件能在一大堆其他计算机上运行。你不是只为自己构建软件。你是为你的集群或别人的集群构建，因为你是一个框架构建者。Nvidia的CUDA生态系统归根结底是它最大的财富。
我们现在在外面有几亿块GPU。每一朵云都有。可以追溯到A10、A100、H100、H200、L系列、P系列。有一大堆。它们有各种尺寸和形态。如果你是一家机器人公司，你希望CUDA技术栈能真正在机器人本体上运行。我们真的无处不在。装机量意味着一旦你开发出软件或模型，它在任何地方都能派上用场。这价值巨大。
最后，我们存在于每一朵云中，这让我们真正独一无二。如果你是一家AI公司或开发者，你并不完全确定你会和哪个云服务提供商合作，或者你想在哪里运行。我们在所有地方都能运行，如果你愿意，也包括本地部署。生态系统的丰富性、装机量的广泛性，以及我们无处不在的通用性，这三者结合让CUDA变得无价。
Dwarkesh Patel：
这很有道理。我好奇的是，这些优势对你的主要客户来说是否真的那么重要。对很多人来说它们可能很重要。那些真正能构建自己软件栈的人，构成了你收入的大部分。尤其是如果你走向一个AI在那些有紧密验证循环、可以对其做强化学习的事情上变得特别擅长的世界……这个问题就是，你如何写一个内核，让注意力或MLP在扩展规模上最高效地运行？这是一个非常可验证的反馈循环。
所有超大规模云厂商都能为自己写这些自定义内核吗？Nvidia仍然有很好的性价比，所以他们可能仍然更愿意用Nvidia。但那么问题就变成了，这是否只是变成了谁在给定价格下提供最好的规格、最好的浮点算力和内存带宽的问题。而历史上Nvidia在AI的所有硬件和软件中都拥有、并且仍然拥有最好的利润率，+70%，因为这道CUDA护城河。问题是，如果你的大多数客户实际上有能力自己构建，而不是依赖CUDA护城河，你还能维持这些利润率吗？
Jensen Huang：
我们分配给这些AI实验室的工程师数量多得惊人，和他们一起工作，优化他们的技术栈。原因在于，没有人比我们更了解我们的架构。这些架构不像CPU那样通用。CPU有点像凯迪拉克。它是一辆不错的巡航车。它永远不会开得太快。每个人都能开得挺好。它有定速巡航，一切都很容易。但在很多方面，Nvidia的GPU、加速器，就像F1赛车。我可以想象每个人都能以每小时一百英里的速度驾驶它，但要想把它推到极限，需要相当多的专业知识。我们用了大量AI来创建我们拥有的内核。
我很确定在相当长一段时间内我们仍然会被需要。我们的专业知识帮助我们的AI实验室合作伙伴轻松地让他们的技术栈性能再提升到2倍。这并不罕见：等我们完成对他们技术栈的优化，或者对某个特定内核的优化后，他们的模型加速了3倍、2倍、50%。这是巨大的数字，尤其是当你谈论的是他们拥有的整个集群的装机量，他们所有的Hopper和Blackwell。当你把它提升一倍时，收入就翻倍。这直接转化为收入。
Nvidia的计算技术栈拥有世界上最好的每TCO性能，无出其右。没有人能向我证明，当今世界上有任何一个单一平台拥有更好的性能-TCO比。一家公司都没有。事实上，现有的那些基准测试。Dylan的InferenceMAX就摆在那里供所有人使用，没有一个……TPU不会来，Trainium不会来。
我鼓励他们使用InferenceMAX，展示他们那令人难以置信的推理成本。这真的很难。没人愿意露面。MLPerf。我会欢迎Trainium来展示他们一直声称的那40%。我很想听他们展示TPU的成本优势。在我看来这毫无道理。这绝对毫无道理。从第一性原理来看，这毫无道理。
所以我认为我们如此成功的原因很简单，就是我们的TCO太出色了。其次，你说我们60%的客户是前五大，但这些业务大部分是外部的。例如，AWS上的Nvidia大部分是服务于外部客户，而不是内部使用。我们在Azure的大多数客户，显然我们所有的客户都是外部的。我们在OCI的所有客户都是外部的，不是内部使用。他们青睐我们的原因是因为我们的覆盖范围太广了。我们可以把世界上所有最好的客户带给他们。他们都建立在Nvidia之上。而所有这些公司都建立在Nvidia之上的原因，是因为我们的覆盖范围和我们的多功能性太出色了。
所以我认为这个飞轮实际上是装机量、我们架构的可编程性、我们生态系统的丰富性，以及世界上有这么多AI公司这一事实。现在有成千上万家。如果你是那些AI初创公司之一，你会选择什么架构？你会选择最丰富的架构。我们是世界上最丰富的。你会选择装机量最大的那个。我们是最大的装机量。你会选择生态系统丰富的那个。
这就是飞轮。这就是原因，综合以下几点：第一，我们的每美元性能如此出色，使他们拥有最低成本的词元。第二，我们的每瓦性能是世界上最高的。所以如果这些公司之一，如果我们的合作伙伴，建了一个1吉瓦的数据中心，那个1吉瓦的数据中心最好能带来最大的收入和最多的词元数，这直接转化为收入。你希望它生成尽可能多的词元，最大化那个数据中心的收入。我们是世界上每瓦词元数最高的架构。最后，如果你的目标是出租基础设施，我们拥有世界上最多的客户。这就是飞轮运转的原因。
Dwarkesh Patel:
有意思。我想问题归结为，这里的实际市场结构是什么？因为即使有其他公司……可能存在一个世界，那里有成千上万家AI公司，大致平等地分享算力。但即使通过这五家超大规模云厂商，实际上在亚马逊上使用算力的人是Anthropic、OpenAI，以及那些大型基础模型实验室，他们自己负担得起，也有能力让不同的加速器运转起来。
Jensen Huang:
不，我认为你的前提是错的。
Dwarkesh Patel:
也许吧。但让我问你一个稍微不同的问题。
Jensen Huang:
回头再来让我纠正你的前提。
Dwarkesh Patel:
好的。让我问你一个不同的问题。
Jensen Huang:
但还是得让我回头来修正，因为这对AI来说太重要了。对科学的未来太重要了。对行业的未来太重要了。那个前提……你看——
Dwarkesh Patel:
让我先把问题问完，然后我们可以一起讨论。
Jensen Huang:
好。
Dwarkesh Patel:
如果关于价格、性能、每瓦性能等等这一切都是真的，那你认为为什么会出现这种情况，比如说Anthropic，他们几天前刚刚宣布与Broadcom和Google达成了一项多吉瓦的协议，用TPU来承担他们的大部分算力？
显然对Google来说，TPU是大部分算力。所以如果我看这些大型AI公司，似乎他们的很多算力……曾经某个时候全是Nvidia，现在不是了。所以我很好奇如何解释，如果这些在纸面上都是真的，他们为什么还要用其他加速器？
Jensen Huang:
Anthropic是一个独特的个例，不是趋势。没有Anthropic，TPU怎么会有任何增长？100%是Anthropic。没有Anthropic，Trainium怎么会有任何增长？100%是Anthropic。我认为这是相当众所周知和充分理解的。并不是有大量的ASIC机会。只有一个Anthropic。
Dwarkesh Patel:
但OpenAI与AMD的交易……他们在构建自己的Titan加速器。
Jensen Huang:
是的，但我想我们都能承认他们绝大部分还是Nvidia。我们仍然会一起做很多工作。我不会因为别人用别的东西、尝试别的东西而感到被冒犯。如果他们不尝试这些别的东西，他们怎么会知道我们的有多好？有时候你需要被提醒一下。我们必须不断赢得我们所处的位置。
总是有各种大话。看看有多少ASIC被取消了。仅仅因为你要构建一个ASIC……你仍然得构建出比Nvidia更好的东西。构建出比Nvidia更好的东西并不那么容易。实际上这并不明智。Nvidia一定是缺了什么，说真的。由于我们的规模、我们的速度，我们是世界上唯一一家每年都在推陈出新的公司。每年都是大跨越。
Dwarkesh Patel:
我想他们的逻辑是，“嘿，它不需要更好。它只需要差距不超过70%就行，”因为他们付给你70%的利润率。
Jensen Huang:
不，别忘了，即使在ASIC中利润率也相当高。Nvidia的利润率是70%，比如说。但ASIC的利润率是65%。你到底省了什么？
Dwarkesh Patel:
哦，你是指从Broadcom或类似的公司那里？
Jensen Huang:
是的，当然。你总得付钱给某个人。据我所知，我认为ASIC的利润率好得令人难以置信。他们也这么认为。他们对自己那惊人的ASIC利润率相当自豪。
所以，你问为什么。很久以前，我们就是没有能力去做。当时，我没有深刻认识到构建一个像OpenAI和Anthropic这样的基础AI实验室会有多难，以及他们需要供应商自己进行巨额投资这一事实。我们当时就是没有条件对Anthropic进行数十亿美元的投资，以便他们能使用我们的算力。但Google和AWS有。他们一开始就投入了巨额投资，作为回报，Anthropic使用了他们的算力。我们当时就是没有条件那样做。
我想说，我的错误在于我没有深刻内化这一点：他们真的没有其他选择，风投永远不会向一个AI实验室投入50亿到100亿美元，还指望它能成为Anthropic。所以这就是我的失误。但即使我当时理解了这一点，我也不认为我们当时有能力那样做。但我不会再犯同样的错误了。
我很高兴投资OpenAI，我很高兴帮助他们扩展规模，我相信这样做是至关重要的。然后，当我有能力的时候，当Anthropic来找我们的时候，我很高兴成为投资者，很高兴帮助他们扩展规模。我们当时就是没有能力做到。如果我能倒转一切——如果Nvidia当时能像现在这么大——我会非常乐意那样做。
为什么Nvidia不成为超大规模云厂商？
Dwarkesh Patel:
这其实挺有意思的。多年来Nvidia一直是AI领域赚钱的公司，赚很多钱。现在你在投资这些钱。据报道，你已经向OpenAI投入了高达300亿美元，向Anthropic投入了100亿美元。但现在他们的估值已经上涨了，我相信还会继续上涨。
所以如果在这许多年里你一直在给他们提供算力，你看到了它的走向，而他们几年前——在某些情况下甚至一年前——的估值只有现在的十分之一，而你手上有这么多现金——存在一个世界，要么Nvidia自己成为一个基础实验室，进行巨额投资使之成为可能，要么在现在的估值下更早地做你现在做的这些交易。而你有现金去做。所以我其实很好奇，为什么不早点做？
Jensen Huang:
我们一有能力就做了。我们一有能力就做了，如果我能的话，我会更早做。在Anthropic需要我们做的时候，我们就是没有条件去做。按我们的判断，那样做不合理。
Dwarkesh Patel:
怎么说？是现金方面的问题吗？
Jensen Huang:
是的，投资规模的问题。我们当时从未在公司外部投资过，而且投资额也不大。我们没意识到我们需要这样做。我一直以为他们可以去找风投融资，天哪，就像所有公司做的那样。但他们想做的事情不可能通过风投来完成。OpenAI想做的事情不可能通过风投来完成。我现在认识到了。我当时不知道。
但那是他们的天才之处。那就是他们聪明的地方。他们当时就意识到必须做那样的事情。我很高兴他们做到了。即使是我们导致Anthropic不得不去找别人，我仍然很高兴这发生了。Anthropic的存在对世界是好事。我为此感到高兴。
Dwarkesh Patel:
我想你仍然在赚大量的钱，而且一个季度比一个季度赚得多得多。
Jensen Huang:
有遗憾也是可以的。
Dwarkesh Patel:
所以问题依然存在。好，既然我们现在坐在这里，而你手上有这么多不断赚来的钱，英伟达应该拿它做什么？有一种答案是，已经冒出了一整套中间商生态系统，专门为这些实验室把资本支出转化为运营支出，好让它们能租用算力。因为芯片非常昂贵，而由于AI模型越来越好，它们在生命周期内能赚很多钱。所以它们生成的价值、它们的词元，在不断增加，但搭建成本很高。英伟达有钱去做这笔资本支出。事实上，有报道称，你为CoreWeave提供了高达63亿美元的背书，并投资了20亿美元。
英伟达为什么不自己成为云？为什么不自己成为超大规模云厂商，把这些算力租出去？你有这么多现金可以做这件事。
Jensen Huang：
这是公司的一种哲学，我认为这是明智的。我们应该做尽可能多需要做的事，尽可能少做。这意味着，我们在构建计算平台方面所做的工作，如果我不做，我真心相信它就不会被做成。如果我们不承担我们所承担的风险——如果我们不按我们那样去构建NVLink，如果我们不构建整个技术栈，如果我们不按我们那样去创建生态系统，如果我们不把自己奉献给CUDA长达20年、而其中大部分时间都在亏钱——如果我们不做，没有别人会去做。
如果我们不创建所有那些CUDA-X库，让它们都面向特定领域……十五年前，我们推进到领域专用库，因为我们意识到，如果我们不创建这些领域专用库，无论是用于光线追踪、图像生成，还是AI的早期工作，这些模型，如果我们不创建它们，用于数据处理、结构化数据处理或向量数据处理，如果我们不创建它们，没有人会。我对此完全确定。我们创建了一个用于计算光刻的库，叫cuLitho。如果我们不创建它，没有人会。所以如果我们不做我们所做的事，加速计算就不会以它已有的方式前进。
所以我们应该做那件事。我们应该把公司、把我们全部的力量，全心全意地投入去做那件事。然而，世界上有很多云。如果我不做，总会有人出现。所以遵循这个配方、这个哲学——做尽可能多需要做的事，但尽可能少做——尽可能少做——这个哲学今天存在于我们公司。我做的每一件事，我都用这个视角去做。
就云而言，如果我们不支持CoreWeave存在，这些新云、这些AI云，就不会存在。如果我们不帮助CoreWeave存在，它们就不会存在。如果我们不支持Nscale，它们就不会有今天的位置。如果我们不支持Nebius，它们就不会有今天的样子。现在它们做得非常好。
那是一种商业模式吗[听不清]？我们应该做尽可能多需要做的事，尽可能少做。所以我们投资于我们的生态系统，因为我希望我们的生态系统繁荣。我希望这个架构，以及AI，能够与尽可能多的行业、尽可能多的国家连接，让这个星球有可能建立在AI之上，并建立在美国技术栈之上。这个愿景正是我们所追求的。
现在，你提到的一件事……有这么多伟大、了不起的基础模型公司，我们试图投资于所有它们。这是我们做的另一件事。我们不挑选赢家。我们需要支持每一个人。这是我们这样做的乐趣的一部分。这对我们的业务至关重要。但我们也刻意不挑选赢家。所以当我投资其中一家时，我就投资所有它们。
Dwarkesh Patel：
你为什么刻意不挑选赢家？
Jensen Huang：
因为第一，这不是我们的工作。第二，英伟达刚起步时，有60家3D图形公司。我们是唯一活下来的那家。如果你把那60家图形公司拿来问自己哪一家会成功，英伟达会排在不会成功名单的顶部。
这远在你出生之前，但英伟达的图形架构恰恰是错的。不是错了一点点。我们创建了一个恰恰是错的架构，而且它对开发者来说是不可能支持的。它永远不可能成功。我们从良好的第一性原理出发进行推理，但最终得出了错误的解决方案。所有人都会把我们排除在外。而我们走到了今天。
所以我有足够的谦逊去认识到这一点。不要挑选赢家。要么让它们全都自己照顾自己，要么照顾它们全部。
Dwarkesh Patel：
有一件事我不理解，你说：“看，我们并不是因为这些是新云、我们想扶持它们，就优先考虑它们。”但你也列了一堆新云，并说如果没有英伟达它们就不会存在。这两件事怎么兼容？
Jensen Huang：
首先，它们必须自己想要存在，而且它们来向我们求助。当它们想要存在，并且有商业计划、专业能力和对此的热情……它们显然自己必须具备一些能力。但如果归根结底，它们需要一些投资才能起步，我们会支持它们。但它们越早让自己的飞轮转起来……
你的问题是：“我们想进入融资业务吗？”答案是不。有人在做融资业务，我们宁愿与融资业务中的所有参与者合作，而不是自己成为金融家。我们的目标是专注于我们所做的事，让我们的商业模式尽可能简单，并支持我们的生态系统。
当像OpenAI这样的公司需要300亿美元规模的投资，因为它还在IPO之前，而我们深深相信它们，我深深相信它们会成为一个……嗯，它们今天已经是一家非凡的公司。它们会成为一个不可思议的公司。世界需要它们存在。世界希望它们存在。我希望它们存在。它们顺风而行。让我们支持它们，让它们扩张。那些投资我们会做，因为它们需要我们去做。但我们不是试图尽可能多做。我们是在试图尽可能少做。
Dwarkesh Patel：
这可能是个显而易见的问题，但我们已经在这种GPU短缺的情况下生活了很多年，而现在因为模型越来越好，这种短缺加剧了。
Jensen Huang：
我们GPU短缺。
Dwarkesh Patel：
是的。英伟达以分配稀缺配额而闻名，不只是基于出价最高者，而是基于：“嘿，我们想确保这些新云存在。给CoreWeave一些，给Crusoe一些，给Lambda一些。”为什么这对英伟达有好处？首先，你同意这种对市场进行分割的描述吗？
Jensen Huang：
不。不。你的前提就是错的。我们对这些事情足够留心。我们对这些事情非常留心。首先，如果你不下采购订单，世界上所有的空谈都不会有任何区别。在我们拿到采购订单之前，我们能做什么？所以第一件事是，我们非常努力地与所有人一起完成预测，因为这些东西建造起来需要很长时间，数据中心建造起来也需要很长时间。我们通过预测，让自身与需求和供应之类的东西对齐。好吗？这是第一号工作。
第二，我们试图与尽可能多的人一起做预测，但归根结底，你仍然必须下订单。也许，出于某种原因，你没有下订单。我能怎么办？在某个时候，先到先得。但除此之外，如果你还没准备好，因为你的数据中心还没准备好，或者某些组件还没准备好让你能搭建起数据中心，我们可能会决定先服务另一个客户。那只是最大化我们自己工厂的吞吐量。我们可能会在那里做一些调整。
除此之外，优先级就是先到先得。你必须下采购订单。如果你不下采购订单……当然，现在有关于这件事的故事。例如，这一切某种程度上始于一篇关于Larry和Elon与我共进晚餐、他们乞求GPU的文章。那从未发生过。我们绝对一起吃了晚餐。我们绝对一起吃了晚餐，那是一顿美妙的晚餐。他们从未在任何时候乞求GPU。他们只是必须下订单。一旦他们下了订单，我们会尽力把产能给他们。我们不复杂。
Dwarkesh Patel：
好。所以听起来有一个队列，然后基于你的数据中心是否准备好以及你何时下采购订单，你会在某个时间拿到它们。但这听起来仍然不像是出价最高者就能拿到。有什么理由这样做……？
Jensen Huang：
我们从不那样做。
Dwarkesh Patel：
好。
Jensen Huang：
我们从不那样做。
Dwarkesh Patel：
为什么不干脆价高者得？
Jensen Huang：
因为那是一种糟糕的商业做法。你设定你的价格，然后人们决定买或不买。我理解芯片行业中的其他人会在需求更高时改变价格，但我们就是不这样做。这从来不是我们的做法。你可以信赖我们。我更愿意可靠，成为行业的基础。你不需要反复猜测。如果我给你报了一个价，我们就是给你报了一个价。就这样。如果需求暴涨，那就暴涨吧。
Dwarkesh Patel：
从另一方面说，这就是为什么你和台积电有着富有成效的关系，对吧？
Jensen Huang：
是的，Nvidia和他们做生意，我想快30年了。Nvidia和台积电没有法律合同。总是有一些粗略的公道。有时我对，有时我错。有时我拿到更好的交易，有时我拿到更差的交易。但总体而言，这段关系令人难以置信。我可以完全信任他们。我可以完全依赖他们。
你可以指望Nvidia的一件事是，今年，Vera Rubin将会令人难以置信。明年，Vera Rubin Ultra会来。再下一年，Feynman会来。再下一年，我还没有介绍那个名字。每一年你都可以指望我们。你将不得不去世界上找另一个ASIC团队——随便挑你的ASIC团队——你可以说：“我可以押上农场，我可以押上我的整个生意，相信你每一年都会为我在这里。你的词元成本每一年都会下降一个数量级。我可以像指望时钟一样指望它。”
我刚才说了一些关于台积电的话。历史上没有任何其他晶圆厂你能这样说。今天你可以这样评价Nvidia。你可以每一年都指望我们。如果你想买价值10亿美元的AI工厂算力，没问题。如果你想买1亿美元，没问题。你想买1000万美元，或者只买一个机架，没问题。或者只买一张显卡，好吧，没问题。如果你想下1000亿美元的AI工厂订单，没问题。我们是当今世界上唯一一家你可以这样说的公司。
我也可以这样评价台积电。我想买一个，买10亿个，没问题。我们只需要走规划流程，以及所有成熟的人会做的事情。所以我认为，Nvidia能够成为世界AI产业基础的能力，是我们花了数十年才到达的位置。巨大的承诺，巨大的奉献。我们公司的稳定性，我们公司的一致性，真的非常重要。
我们应该向中国出售AI芯片吗？
Dwarkesh Patel：
好。我想问关于中国的问题。我其实不知道自己怎么想向中国出售芯片是否好，但我喜欢对我的嘉宾唱反调。所以当Dario来的时候，他支持出口管制，我问他，为什么美国和中国不能都在数据中心里拥有一个天才之国？但既然你站在相反的一边，我会以相反的方式问你。
一种思考方式是，Anthropic几天前实际上宣布了Mythos Preview。这个模型Mythos，他们甚至不公开发布，因为他们说它具有如此强的网络攻击能力，我们认为世界还没有准备好，直到我们确保这些零日漏洞被修补。但他们说它在每一个主要操作系统、每一个浏览器中发现了数千个高危漏洞。它在OpenBSD中发现了一个，这个操作系统是专门设计为没有零日漏洞的。它发现了一个已经存在27年的漏洞。
所以，如果中国公司和中国实验室以及中国政府能够获得AI芯片来训练一个像Claude Mythos这样具有这些网络攻击能力的模型，并用更多算力运行数百万个实例，问题是，这对美国公司、对美国国家安全构成威胁吗？
Jensen Huang：
首先，Mythos是在相当普通的容量上训练的，而且用量也相当普通。由一家非凡的公司完成。它训练所用的容量规模和算力类型在中国大量可得。所以你首先必须意识到，芯片在中国是存在的。
他们制造了世界60%的主流芯片，也许更多。这对他们来说是一个非常大的产业。他们拥有一些世界上最伟大的计算机科学家。如你所知，所有这些AI实验室中的大多数AI研究人员都是中国人。他们拥有世界50%的AI研究人员。所以问题是，考虑到他们已经拥有的所有资产——他们有丰富的能源，他们有充足的芯片，他们拥有大多数AI研究人员——如果你担心他们，创造一个安全世界的最佳方式是什么？
把他们当作受害者，把他们变成敌人，可能不是最好的答案。他们是对手。我们希望美国赢。但我认为进行对话和进行研究对话可能是最安全的事情。由于我们当前把中国视为对手的态度，这个领域明显缺失。我们的AI研究人员和他们的AI研究人员实际上在交谈，这一点至关重要。我们尝试就AI不应用于什么达成一致，这一点至关重要。
关于发现软件中的漏洞，当然，这正是AI应该做的。它会在很多软件中发现漏洞吗？当然。有许许多多的漏洞。AI软件中有很多漏洞。这正是AI应该做的，我很高兴AI已经达到了能够帮助我们大幅提高生产力的水平。
被低估的一件事是围绕网络安全、AI网络安全和AI安全以及AI隐私和AI安全的生态系统的丰富性。有一整个AI初创公司生态系统正在努力为我们创造这个未来，在那里你有一个令人难以置信的AI智能体，周围有数千个AI智能体，保持它的安全，保障它免受安全威胁。那个未来肯定会发生。
认为你会有一个AI智能体到处跑而没有人看管它，这种想法有点疯狂。我们非常清楚，这个生态系统需要繁荣。事实证明，这个生态系统需要开源。这个生态系统需要开放模型。他们需要开放技术栈，以便所有这些AI研究人员和所有这些伟大的计算机科学家能够构建同样强大的AI系统，并能够保持AI安全。所以我们需要确保做的事情之一是保持开源生态系统的活力。这不能被忽视。其中很多来自中国。我们不应该扼杀它。
关于中国，我们当然希望美国拥有尽可能多的计算。我们受限于能源，但我们有很多人在为此努力。我们不能让能源成为我们国家的瓶颈。但我们还希望确保世界上所有的AI开发者都在美国技术栈上开发，并将AI的贡献、进步——尤其是当它是开源的时候——提供给美国生态系统。创造两个生态系统将是极其愚蠢的：一个是开源生态系统，它只运行在外国技术栈上；另一个是封闭生态系统，它运行在美国技术栈上。我认为这对美国来说将是一个可怕的结果。
Dwarkesh Patel：
既然有很多东西，让我先对回应进行分类。我认为担忧，回到黑客攻击中的浮点运算差异，是是的，他们有算力，但有一些估计认为，因为他们处于7nm——由于芯片制造出口管制他们没有EUV——他们实际能够产生的浮点运算量，他们只有美国浮点运算量的十分之一。
所以，有了这个，他们最终能训练出像Mythos这样的模型吗？是的。但问题是，因为我们有更多的浮点运算，美国实验室能够首先达到这些能力水平。因为Anthropic先达到了，他们说：“好吧，我们要把它保留一个月，同时所有这些美国公司，我们会给他们访问权限。他们会修补所有漏洞，现在我们发布它。”
此外，即使他们训练出这样的模型，大规模部署它的能力……如果你有一个网络黑客，他们有一百万个比有一千个要危险得多。所以推理算力真的非常重要。事实上，他们有这么多如此优秀的AI研究人员，这才是让它如此可怕的原因，因为是什么让那些工程师研究人员更有效率？是算力。
如果你和美国的任何AI实验室交谈，他们会说瓶颈是算力。有来自DeepSeek创始人或Qwen领导层之类的引述。他们说他们的瓶颈是算力。那么问题是，让美国公司，因为他们有更多算力，先达到Mythos级别的能力，让我们的社会为此做好准备，在中国能够达到之前，因为他们算力更少，这不是更好吗？
Jensen Huang：
我们应该永远第一，我们应该永远拥有更多。但为了让你描述的结果成真，你必须把它推向极端。他们必须没有算力。如果他们有了一些算力，问题是需要多少？
他们在中国拥有的算力是巨大的。你说的是世界上第二大计算市场。如果他们想聚合他们的算力，他们有足够的算力可以聚合。
Dwarkesh Patel：
但这是真的吗？人们做这些估算，然后说，“SMIC在制程节点上其实是落后的。”
Jensen Huang：
我正要告诉你。
Dwarkesh Patel：
好。
Jensen Huang：
他们拥有的能源量是惊人的。对吧？AI是一个并行计算问题，不是吗？既然能源是免费的，他们为什么不能直接堆上4倍、10倍数量的芯片呢？他们有那么多能源。他们有完全空置、却已通电的数据中心。你知道他们有鬼城，他们也有鬼数据中心。他们有如此多的基础设施容量。如果他们愿意，他们只要把更多芯片聚在一起就行，哪怕是7nm的。
他们制造芯片的能力是世界上最大的之一。半导体行业知道他们垄断了主流芯片。他们产能过剩，他们的产能太多了。所以认为中国将无法拥有AI芯片的想法完全是胡说八道。
当然，如果你问我，如果全世界完全没有算力，美国会不会领先更多？但那根本不是一个结果。那不是真实的情景。他们已经拥有大量算力。对于你所担心的那种担忧，他们所需达到的门槛，他们已经达到并且超过了。
所以我认为你误解了，AI是一个五层蛋糕，最底层是能源。当你有充裕的能源时，它可以弥补芯片。如果你有充裕的芯片，它可以弥补能源。例如，美国能源稀缺，这就是为什么Nvidia必须不断推进我们的架构，并做这种极致的协同设计，以便用我们出货的少量芯片——用少量的芯片，因为能源量如此有限——我们的每瓦吞吐量高得离谱。
但如果你的瓦数完全充裕、是免费的，你还在乎每瓦性能干什么？你有充足的电力。你可以用旧芯片来做。所以7nm芯片本质上就是Hopper。Hopper的能力……我得告诉你，今天的模型很大程度上是在Hopper、Hopper一代上训练的。所以7nm芯片已经足够好了。能源充裕是他们的优势。
Dwarkesh Patel：
但接下来的问题是，他们是否真的能制造出足够多的芯片。
Jensen Huang：
但他们确实能。证据是什么？华为刚刚经历了公司历史上单年业绩最好的一年。
Dwarkesh Patel：
他们出货了多少芯片？
Jensen Huang：
一大堆。数百万。数百万比Anthropic拥有的多得多。
Dwarkesh Patel：
问题是SMIC能制造多少逻辑芯片，还有一个问题是能制造多少内存——
Jensen Huang：
我告诉你实际情况是什么。他们有大量逻辑芯片，也有大量HBM2内存。
Dwarkesh Patel：
对。但如你所知，在这些模型上训练和做推理的瓶颈往往是带宽量。所以如果你有HBM2……我手头不知道具体数字，但与你拥有的最新产品相比，内存带宽上可能有接近一个数量级的差距，这是巨大的。
Jensen Huang：
华为是一家网络公司。
Dwarkesh Patel：
但这改变不了你需要EUV来制造最先进HBM的事实。
Jensen Huang：
不对。完全不对。你可以把它们聚在一起，就像我们用NVL72把它们聚在一起一样。他们已经展示了硅光子技术，把所有这些算力连接成一台巨大的超级计算机。你的前提就是错的。
事实是，他们的AI发展进展得挺好。世界上最优秀的AI研究人员，因为算力受限，也会想出极其聪明的算法。记住，我刚才说摩尔定律每年推进大约25%。然而，通过出色的计算机科学，我们仍然可以把算法性能提升10倍。我想说的是，出色的计算机科学才是杠杆所在。
毫无疑问，MoE是一项伟大的发明。毫无疑问，所有那些令人惊叹的注意力机制减少了计算量。我们必须承认，AI的大部分进步来自算法进步，而不仅仅是原始硬件。现在，如果大部分进步来自算法、计算机科学和编程，那你告诉我，他们庞大的AI研究人员队伍难道不是他们的根本优势吗？我们看到了。DeepSeek不是一个无关紧要的进步。DeepSeek在华为上首次发布的那一天，对我们国家来说是一个可怕的结果。
Dwarkesh Patel：
为什么？因为目前你可以有一个像DeepSeek这样的模型，如果它是开源的，它可以在任何加速器上运行。为什么未来这就不再成立呢？
Jensen Huang：
假设它不会。假设它是为华为优化的，假设它是为他们的架构优化的。那会让我们处于劣势。你描述的情况，我认为是好消息。一家公司开发了软件，开发了AI模型，而它在我们的美国技术栈上运行得最好。我把那看作好消息。你却把它设定为一个坏消息的前提。我要给你坏消息，那就是世界各地的AI模型被开发出来，却在非美国硬件上运行得最好。那对我们来说是坏消息。
Dwarkesh Patel：
我想我只是没看到证据表明存在这些巨大差距，会阻止你切换加速器。美国实验室在所有的云上、所有不同的加速器上运行他们的模型——
Jensen Huang：
我就是证据。你拿一个为Nvidia优化的模型，试着在别的东西上运行。
Dwarkesh Patel：
但美国实验室就是这么做的。
Jensen Huang：
而它们运行得并不更好。Nvidia的成功就是完美的证据。AI模型在我们的技术栈上被创造，在我们的技术栈上运行得最好，这有什么不合逻辑、难以理解的？
Dwarkesh Patel：
Anthropic的模型在GPU上运行，在Trainium上运行，在TPU上运行。
Jensen Huang：
要改变需要投入大量工作。但去全球南方，去中东。开箱即用，如果所有AI模型都在别人的技术栈上运行得最好，那你现在就得在争论某个荒谬的主张，说这对美国是好事。
Dwarkesh Patel：
但我想我不理解这个论点。假设中国公司先做出下一个Mythos。他们先发现美国软件中的所有安全漏洞，但他们可以在Nvidia硬件上做到，然后把它运到全球南方。他们在Nvidia硬件上做。那怎么是好事？好吧，它在Nvidia硬件上运行——
Jensen Huang：
那不是好事。那不是好事。
Dwarkesh Patel：
对。
Jensen Huang：
那不是好事。所以别让它发生。
Dwarkesh Patel：
你为什么认为它是完全可以替代的，如果你不向他们出货算力，它就会被华为完全取代？他们是落后的，对吧？他们的芯片比你的差。
Jensen Huang：
这完全是……现在就有证据。他们的芯片产业是巨大的。
Dwarkesh Patel：
你只要看看H200和华为910C之间的flop或带宽或内存对比。大概是二分之一到三分之一。
Jensen Huang：
他们用得更多。他们用两倍的数量。
Dwarkesh Patel：
看起来你的论点是，他们有所有这些随时可用的能源，对吧？而他们需要用芯片来填充它。
Jensen Huang：
而且他们擅长制造。
Dwarkesh Patel：
我相信最终他们能够直接在制造上超过所有人。但存在这几个关键的年份。
Jensen Huang：
你说的关键年份是什么？
Dwarkesh Patel：
接下来这几年。我们有了这些将能够执行所有网络攻击的模型。
Jensen Huang：
那样的话，如果接下来几年是关键，那我们就必须确保世界上所有的AI模型，在这几个关键年份里，都建立在美国技术栈上。
Dwarkesh Patel：
如果它们建立在美国技术栈上，而他们拥有更先进的能力，这又如何能阻止他们发动相当于Mythos的网络攻击呢？
Jensen Huang：
无论哪种情况都没有保证。
Dwarkesh Patel：
但如果你早点拥有它，我们就能为此做准备。
Jensen Huang：
听着，你为什么要让AI产业的一层失去整个市场，好让AI产业的另一层受益？一共有五层，每一层都必须成功。最需要成功的那一层其实是AI应用。你为什么这么执着于那个AI模型？那一家公司？为了什么？
Dwarkesh Patel：
因为那些模型让这些极其具有攻击性的能力成为可能，而你需要算力来运行它们。
Jensen Huang：
是能源、芯片，以及AI研究者的生态让这一切成为可能。
Dwarkesh Patel：
好，退一步说，中国能够建成足够的7nm产能，这一定是事实。而且记住，他们还卡在7nm，而你会继续推进到3nm，然后是2nm或1.6nm，用Feynman。所以当你在1.6nm时，他们仍然会在7nm，而且他们必须生产足够多的7nm来弥补缺口。他们有那么多能源，你给他们的芯片越多，他们拥有的算力就越多。所以归根结底，问题在于他们最终会获得更多算力。算力是训练和推理的投入——
Jensen Huang：
听着，我只是觉得你说话太绝对了。我认为美国应该领先。美国的算力比世界上任何其他地方都多100倍。美国应该领先。好吧。美国是领先的。
Nvidia制造最先进的技术。我们确保美国的实验室最先得知它，并最先有机会购买它。如果他们钱不够，我们甚至投资他们。美国应该领先。我们想尽一切努力确保美国领先。第一点，你同意吗？我们正在尽一切努力做到这一点。
Dwarkesh Patel：
但如果他们在算力上被卡脖子，向中国运送芯片又如何让美国保持领先？
Jensen Huang：
不，不。我们有给美国的Vera Rubin。我们有给美国的Vera Rubin。那么，我在美国吗？你把我当作美国的一部分吗？
Dwarkesh Patel：
是的。
Jensen Huang：
Nvidia。你把Nvidia当作一家美国公司吗？好。第一，为什么我们不出台一项更平衡的监管，让Nvidia能在全世界获胜，而不是放弃全世界？你为什么要让美国放弃全世界？
芯片产业是美国生态的一部分。它是美国技术领导力的一部分。它是AI生态的一部分。它是AI领导力的一部分。为什么你的政策、你的理念，会导致美国放弃世界市场的很大一部分？
Dwarkesh Patel：
我想这里的说法是……Dario有这段引述，他说这就像波音吹嘘我们在向朝鲜出售核武器，但导弹外壳是波音制造的。而这不知怎么地就在支撑美国技术栈。从根本上说，你是在把这种能力给他们。
Jensen Huang：
把AI和你刚才提到的任何东西相比都是荒谬的。
Dwarkesh Patel：
但AI类似于浓缩铀，对吧？它可以有正面用途，也可以有负面用途。我们仍然不想把浓缩铀送到其他国家。
Jensen Huang：
谁在送浓缩——
Dwarkesh Patel：
这个类比是，浓缩铀就像算力。
Jensen Huang：
这是个糟糕的类比。这是个不合逻辑的类比。
Dwarkesh Patel：
但如果那种算力可以运行一个能对所有美国软件进行零日漏洞利用的模型，那它怎么不是武器？
Jensen Huang：
首先，解决那个问题的方式是与研究者对话，与中国对话，与所有国家对话，确保人们不以那种方式使用技术。那是必须发生的对话。好吧？第一点。
第二，我们还需要确保美国领先，确保Vera Rubin、Blackwell在美国大量可得，堆积如山。显然，我们的结果会显示这一点。充足，非常多。我们拥有的计算量很大。我们这里有了不起的AI研究者。这很好。我们应该保持领先。
然而，我们也必须认识到，AI不只是一个模型。AI是一个五层蛋糕。AI产业在每一层都很重要，我们希望美国在每一层都赢，包括芯片层。让出整个市场不会让美国在芯片层、在计算栈中赢得长期技术竞赛。这就是事实。
Dwarkesh Patel：
我想那么关键就归结为，现在卖给他们芯片如何帮助我们长期获胜？特斯拉长期向中国出售极其优秀的电动汽车。iPhone在中国销售，极其优秀。它们并没有造成锁定。中国仍然会制造他们自己版本的电动汽车，而且他们正在主导。他们的智能手机正在主导。
Jensen Huang：
今天我们开始对话时，你承认Nvidia的处境非常不同。你用了护城河这样的词。对我们公司来说，最重要的一件事是我们生态的丰富性，而这关乎开发者。50%的AI开发者在中国。美国不应该放弃这一点。
Dwarkesh Patel：
但我们美国有很多Nvidia开发者，而这并不妨碍美国实验室未来也能够使用其他加速器。事实上，现在他们也在使用其他加速器，这没问题，也很好。我不明白为什么在中国也会不是这样，如果你卖给他们Nvidia芯片，就像Google可以使用TPU和Nvidia——
Jensen Huang：
我们必须继续创新，而且你可能知道，我们的份额在增长，而不是下降。那个前提，即使我们在中国竞争，我们也无论如何会失去那个市场……你这不是在和一个一觉醒来就觉得自己是输家的人说话。那种输家态度、那种输家前提，对我来说毫无意义。
我们不是汽车。我们不是汽车。我今天可以买这个汽车品牌，明天用另一个汽车品牌，很容易。计算不是那样的。x86交易之所以存在是有原因的。ARM之所以如此有粘性是有原因的。这些生态很难被替换。它需要花费巨大的时间和精力，而大多数人不想这么做。所以我们的工作是继续培育那个生态，继续推进技术，以便我们能在市场中竞争。
基于你所描述的前提让出一个市场，我根本无法承认。这毫无意义。因为我不认为美国是输家。我们的产业不是输家。那种失败的主张、那种失败的心态，对我来说毫无意义。
Dwarkesh Patel：
好。我会继续往下。我只是想确保——
Jensen Huang：
你不必往下。我很享受。
Dwarkesh Patel：
好，太好了。那我就不往下。我很感激。但我想也许关键……谢谢你陪我绕来绕去，因为我认为这有助于引出这里的关键是什么。
Jensen Huang：
关键是你在走极端。你的论点从极端出发。那就是如果我们在这个狭窄时刻给他们任何算力，我们就会失去一切。
Dwarkesh Patel：
不，我认为我的论点是——
Jensen Huang：
那些极端，它们很幼稚。
Dwarkesh Patel：
让我为我自己陈述我的论点。这个想法不是存在某个关键的算力门槛。而是任何边际算力都有帮助。所以如果你有更多算力，你就能训练更好的模型。
Jensen Huang：
我只是想让你承认，对美国技术产业的任何边际销售都是有益的。
Dwarkesh Patel：
我其实不……如果那些芯片上运行的AI模型具备网络攻击能力，或者那些芯片正在训练具备网络能力的模型，并运行更多这些模型的实例，它不是核武器，但它使某种武器成为可能。
Jensen Huang：
你使用的逻辑，你不如也对微处理器和DRAM说。你不如也对电力说。
Dwarkesh Patel：
但事实上，我们确实对与制造最先进DRAM相关的技术有出口管制。我们对中国有各种出口管制，涉及各种芯片制造的东西。
Jensen Huang：
我们向中国出售大量DRAM和CPU，我认为这是对的。
Dwarkesh Patel：
我想这又回到那个根本问题：AI是否不同？如果你拥有那种技术，让他们能在软件中找到这些零日漏洞，那是不是我们想要尽量减少中国先到达那里、广泛部署它的能力的事情？
Jensen Huang：
我们希望美国领先。我们可以控制这一点。
Dwarkesh Patel：
如果芯片已经在那里了，而且他们正用这些芯片来训练那个模型，我们怎么控制这一点？
Jensen Huang：
我们有海量的算力。我们有海量的AI研究人员。我们正在以最快的速度竞赛。
Dwarkesh Patel：
同样地，我们的核武器比任何其他国家都多，但我们并不想把浓缩铀运到任何地方去。
Jensen Huang：
我们不是浓缩铀。那是一块芯片，而且是一块他们自己也能造的芯片。
Dwarkesh Patel：
但他们从你这里买是有原因的。我们有中国公司创始人的原话，说他们的算力存在瓶颈。
Jensen Huang：
因为我们的芯片更好。总体而言，我们的芯片更好。这一点毫无疑问。如果没有我们的芯片……你能不能承认华为迎来了创纪录的一年？你能不能承认一大堆芯片公司已经上市了？你能不能承认这一点？
Dwarkesh Patel：
是的。
Jensen Huang：
你能不能也承认，我们过去在那个市场拥有非常大的份额，而我们现在在那个市场不再拥有很大的份额？我们还可以承认，中国约占全球科技产业的40%。美国科技产业放弃那个市场，是对我们国家的损害。这是对我们国家安全的损害。这是对我们技术领导地位的损害，而这一切都只是为了让一家公司受益。这在我看来毫无道理。
Dwarkesh Patel：
我有点困惑。感觉你在说两件不同的事。一件是，如果我们被允许竞争，我们会在与华为的这场竞争中获胜，因为我们的芯片会好得多。另一件是，反正没有我们，他们也会做一模一样的事。这两件事怎么可能同时成立？
Jensen Huang：
这显然是成立的。在没有更好选择的情况下，你只能接受你唯一拥有的选择。这怎么就不合逻辑了？这太合逻辑了。
Dwarkesh Patel：
他们想要Nvidia芯片的原因，是这些芯片更好。
Jensen Huang：
是的。
Dwarkesh Patel：
更好就意味着更多算力。更多算力意味着你可以训练出更好的模型。
Jensen Huang：
不，它就是更好。它更好，是因为它更容易编程。我们有更好的生态系统。但不管这个“更好”是什么，不管这个“更好”是什么……当然我们会把算力卖给他们。那又怎样？事实是，我们能从中受益。别忘了，我们受益于美国的技术领导地位。我们受益于开发者在我们的美国技术栈上工作。我们受益于，当那些AI模型扩散到世界其他地方时，美国技术栈因此成为最适合它们的技术栈。我们可以继续推进并扩散美国技术。我相信，这是一件好事。这是美国技术领导地位中非常重要的一部分。
现在，你所主张的那些政策导致美国电信产业基本上被排挤出全世界，到了我们不再掌控自己电信的地步。我不认为这明智。这有点狭隘，而且它导致了我此刻正在向你描述的、你似乎很难理解的意外后果。
Dwarkesh Patel：
好，我们先退一步。这里的核心似乎是，存在一种潜在收益，也存在一种潜在成本。我们试图弄清楚的是，这种收益是否值得这种成本。我想我是在试图让你承认这种潜在成本。算力是训练强大模型的一项投入。强大的模型确实拥有强大的攻击能力，比如网络攻击。美国公司率先达到Mythos级别的能力，然后现在它们会暂缓推出那些能力，以便在那种级别的能力被公布之前，让美国公司和美国政府的软件得到更好的保护，这是一件好事。
如果中国拥有更多算力或更多众包算力，如果他们能更早做出Mythos级别的模型并广泛部署，那将是非常糟糕的。这件事没有发生的原因之一，就是多亏了美国像Nvidia这样的公司，我们拥有更多算力。这就是把算力送到中国的一种成本。所以，我们先把收益放到一边。你承认这是一种潜在成本吗？
Jensen Huang：
我还要告诉你，潜在成本是，我们允许AI技术栈中最重要的层之一，也就是芯片层，让出整个市场——世界第二大市场——好让他们能够发展规模，好让他们能够发展自己的生态系统，好让未来的AI模型以一种与美国技术栈非常不同的方式被优化。随着AI扩散到世界其他地方，他们的标准、他们的技术栈将变得优于我们的，因为他们的模型是开放的。
Dwarkesh Patel：
我想我只是对Nvidia的内核工程师和CUDA工程师有足够的信心，认为他们能够优化——
Jensen Huang：
如你所知，AI不只是内核优化。
Dwarkesh Patel：
当然，但你能做的事情太多了，从蒸馏到一个非常适合你芯片的模型。
Jensen Huang：
我们会尽最大努力。
Dwarkesh Patel：
你拥有所有软件。很难想象会存在对中国生态系统的长期锁定，即使他们在一段时间内拥有一个稍微更好的开源模型。
Jensen Huang：
中国是世界上开源软件的最大贡献者。这是事实。中国是世界上开放模型的最大贡献者。这是事实。今天它是建立在美国技术栈、Nvidia的技术栈之上的。这是事实。
AI技术栈的全部五层都很重要。美国应该去赢下全部五层。它们都很重要。其中最重要的，当然是AI应用层。扩散到社会中的那一层，最常使用它的那一层，将从这场工业革命中获益最多。但我的观点是，每一层都必须成功。
如果我们把这个国家吓得以为AI在某种程度上是一颗核弹，以至于每个人都讨厌AI、每个人都害怕AI，我不知道你这是在怎么帮助美国。你这是在损害它。如果我们把每个人都吓得不敢去做软件工程工作，因为AI会杀死每一份软件工程工作——结果我们因此没有任何软件工程师——那我们就是在损害美国。
如果我们把每个人都吓得不敢去做放射科，因为计算机视觉完全免费，没有任何AI会比放射科医生做得更差，以至于没人想当放射科医生，那我们就误解了工作和任务之间的区别。放射科医生的工作是照护病人。任务是读片。如果我们如此深刻地误解这一点，把每个人都吓得不敢去上放射科学校，我们就不会有足够的放射科医生，也不会有足够好的医疗保健。
所以我要说明的是，当你提出一个如此极端的前提，一切都变成零或无穷大时，我们最终会以一种根本不真实的方式吓到人们。生活不是那样的。我们希望美国成为第一吗？我们当然希望。我们需要在那个技术栈的每一层都成为领导者吗？我们当然需要。我们当然需要。今天你在谈论Mythos，因为Mythos很重要。当然。那太棒了。
但几年之后，我要向你做出预测：当我们想要美国技术栈、当我们想要美国技术扩散到全世界——扩散到印度、扩散到中东、扩散到非洲、扩散到东南亚——当我们的国家想要出口，因为我们想出口我们的技术，我们想出口我们的标准，到那一天，我希望你和我再谈一次同样的话题。我会准确地告诉你今天这场对话，告诉你你的政策和你所想象的东西，是如何毫无正当理由地、实实在在地导致美国让出了世界第二大市场。
我们不应该让出它。如果我们输了，那就是输了。但我们为什么要让出它？现在没有人主张全有或全无。没有人主张全有或全无，意思是我们在任何时候都把一切都运往中国。没有人主张那样。我们应该始终在这里拥有最好的技术。我们应该始终在这里拥有最多的技术，而且是第一个拥有。但我们也应该努力在世界各地竞争并获胜。这两件事可以同时发生。这需要一定程度的细致，一定程度的成熟，而不是绝对化。世界就不是绝对化的。
Dwarkesh Patel：
好。这个论点取决于这一点。他们已经构建了针对他们几年后制造的最好的芯片而专门设计的模型。那些芯片出口到世界各地。这就设定了标准。正如我们所说，由于EUV出口管制，你们会继续推进到1.6nm。即使从现在起几年之后，他们仍然会停留在7nm。
在国内，他们可能更愿意说：“嘿，我们有这么多能源，我们可以大规模制造。我们仍然会继续使用7nm。”这也许说得通。但在出口这件事上，他们的7nm芯片必须能与你们的1.6nm芯片竞争。他们的模型必须针对7nm优化到如此程度，以至于在他们的7nm上运行他们的模型，比在你们的1.6nm上运行他们的模型更好。
Jensen Huang：
那我们能不能就看看事实？Blackwell的光刻比Hopper先进50倍吗？是50倍吗？差得远呢。我只是一遍又一遍地说。摩尔定律已死。在Hopper和Blackwell之间，仅从晶体管本身来看，就算75%吧。它们相隔三年，75%。Blackwell是Hopper的50倍。
我的观点是，架构很重要。计算机科学很重要。半导体物理也很重要，但计算机科学很重要。AI的影响很大程度上来自计算栈，这就是CUDA如此有效的原因，这就是CUDA如此受青睐的原因。它是一个生态系统，一种计算架构，允许如此大的灵活性，以至于如果你想彻底改变一种架构——创造类似MoE的东西，创造类似扩散的东西，创造解耦的东西——你都可以做到。这很容易做到。
所以事实是，AI既关乎上面的栈，也关乎下面的架构。只要我们拥有针对我们的栈、我们的生态系统优化的架构和软件栈，这显然是好事，因为我们今天一开始就谈到了Nvidia的生态系统有多么丰富。为什么人们总是首先喜欢用CUDA编程？他们确实如此。他们确实如此。中国的研究人员也是如此。
但如果我们被迫离开中国，如果我们被迫离开中国，首先，这是一个政策错误。显然它有反噬。结果对美国很糟糕。它促成、加速了他们的芯片产业。它迫使他们整个AI生态系统专注于他们内部的架构。现在还不算太晚，但尽管如此，这已经发生了。
未来你会看到，他们显然不会停留在7nm。他们擅长制造。他们会继续从7nm向前推进，并超越它。那么，5nm和7nm之间有10倍的差距吗？答案是没有。架构很重要。网络很重要。这就是Nvidia收购Mellanox的原因。网络很重要。能源很重要。所以所有这些都很重要。这不是像你试图提炼的那样简单化。
为什么Nvidia不制造多种不同的芯片架构？
Dwarkesh Patel：
我们可以从中国的话题继续往下，但这实际上引出了一个有趣的问题。我们之前讨论过台积电和内存等方面的瓶颈。
所以，如果我们处于这样一个世界：你已经是N3产能的大头——而且某个时候你会是N2，并且会是它的大头——你认为你是否可以回到N7，回到较老制程节点的闲置产能，然后说：“嘿，AI的需求如此之大，而我们扩大最前沿产能的能力无法满足它，所以我们要制造一个Hopper或Ampere，但用上我们今天对数值计算的一切了解，以及你描述的所有其他改进”？你认为这个世界会在2030年之前发生吗？
Jensen Huang：
没有必要这样做。原因是，每一代架构都不仅仅是晶体管尺寸。你要做大量的工程、封装和堆叠，还有数值计算和系统架构。
当你产能耗尽时，要轻松回到另一个节点……那是没人负担得起的研发水平。我们负担得起向前推进。我认为我们负担不起往回走。现在，如果世界只是说……如果在那一天，让我们做个思想实验，在那一天我们说：“听着，我们再也不会有更多产能了。”我会回去用7nm吗？我会立刻去做，当然会。
Dwarkesh Patel：
我交谈过的某个人有一个问题：为什么Nvidia不同时运行多个采用完全不同架构的芯片项目？这样你可以做类似Cerebras风格的晶圆级。你可以做Dojo风格的大封装。你可以做一个不用CUDA的。你有资源和工程人才来并行做所有这些。那么，鉴于谁也不知道AI和架构会走向何方，为什么要把所有鸡蛋放在一个篮子里？
Jensen Huang：
哦，我们可以。只是我们没有更好的想法。我们可以做所有这些事情。只是它们并不更好。我们在模拟器里全部模拟过，可证明更差。所以我们不会做。我们正在做的正是我们想做的项目。如果工作负载发生巨大变化——我不是指算法，我实际上是指工作负载，而这取决于市场的形态——我们可能会决定增加其他加速器。
例如，最近我们引入了Groq，我们将把Groq并入我们的CUDA生态系统。我们现在这样做，是因为词元的价值已经变得如此之高，以至于你可以对词元进行不同的定价。在过去，就在几年前，词元要么免费，要么贵不了多少。但现在你可以有不同的客户，而这些客户想要不同的答案。因为客户赚了那么多钱——例如，我们的软件工程师——如果我能给他们响应快得多的词元，让他们比今天更有生产力，我愿意为此付费。
但这个市场只是最近才出现。所以我认为我们现在有能力让同一个模型根据响应时间有不同的细分。这就是我们决定扩展帕累托前沿、创造一个响应时间更快、尽管吞吐量更低的推理细分市场的原因。直到现在，更高的吞吐量总是更好。我们认为可能存在一个世界，那里有非常高ASP的词元，即使工厂的吞吐量更低，ASP也能弥补。
这就是我们这样做的原因。但除此之外，从架构的角度来看，如果我有更多钱，我会把更多钱投在Nvidia的架构上。
Dwarkesh Patel：
我认为这种极其高端的词元和推理市场拆分的想法非常有趣。
Jensen Huang：
是细分。
Dwarkesh Patel：
是的。好，最后一个问题。假设深度学习革命没有发生。Nvidia会做什么？显然是游戏，但鉴于——
Jensen Huang：
加速计算，和我们一直在做的一样。我们公司的前提是摩尔定律将会……通用计算对很多事情有好处，但对很多计算来说并不理想。
所以我们把一种叫做GPU的架构、CUDA，与CPU结合起来，这样我们就能加速CPU的工作负载。不同的代码内核或算法可以卸载到我们的GPU上。结果，你把一个应用加速100倍、200倍。你能在哪里用这个？显然是工程和科学、物理、数据处理、计算机图形、图像生成，各种各样的事情。即使今天AI不存在，Nvidia也会非常、非常庞大。
原因是相当根本性的，那就是通用计算继续扩展的能力基本上已经走到尽头。而唯一的办法……不是唯一的办法，但做到这一点的办法是通过领域特定加速。我们起步的领域之一是计算机图形，但还有许多其他领域。有各种各样的。粒子物理和流体、结构化数据处理，各种不同类型的算法都能从CUDA中受益。
我们的使命实际上是把加速计算带给世界，推进通用计算无法做到的应用类型，并扩展到有助于突破某些科学领域的能力水平。一些早期应用是分子动力学、用于能源勘探的地震处理、当然还有图像处理，所有这些领域，通用计算做起来实在太低效。
如果没有AI，我会非常难过。但由于我们在计算方面取得的进步，我们让深度学习民主化了。我们让任何地方的研究人员、科学家、学生都能使用一台PC或一块GeForce扩展卡，做出惊人的科学。那个根本承诺没有改变，一点都没有。
如果你看GTC，就会发现整个开头部分都不是AI。那整个部分，计算光刻或我们的量子化学工作、数据处理工作，所有那些东西都与AI无关。而且它仍然非常重要。我知道AI非常有趣、相当令人兴奋，但有很多人在做很多非常重要的、与AI无关的工作，而张量并不是你计算的唯一方式。我们想帮助所有人。
Dwarkesh Patel：
Jensen，非常感谢。
Jensen Huang：
不客气。我很享受。
Dwarkesh Patel：
我也是。
本文由 AI 翻译。