8.4
深览指数
科技人人都是产品经理·深思圈··AI 生成
黄仁勋谈 AI 投资账：别把几万亿美元的压力，全压在 OpenAI 和 Anthropic身上
黄仁勋在 Bg2 Pod 访谈中，将 AI 投资分成三块独立账本：基础计算（传统ML、模拟）、少数前沿AI实验室（5-6家）、以及数以千计的新创公司，以此回应「AI泡沫」争论。他认为推理算力需求因「多步推理+探索剪枝」可呈非线性的十亿倍增长，并首次将竞争标尺从「每美元算力」切换为「每瓦产出token」。访谈还提到明年的物理瓶颈（土地、电力、厂房）而非芯片制程，以及从零信任和out-of-band监控切入AI安全的务实路径。适合关注AI产业投资逻辑、算力供应链结构的从业者与投资者。原文 ↗
核心观点
- ▍AI投资不是单点故事，而是结构问题：需求来自经典计算（1/3）、少数前沿实验室（1/4-1/3）、以及数万家新创公司（1/3），每一块节奏不同，不应将所有资本开支的压力压在OpenAI和Anthropic两家身上。
- ▍黄仁勋将竞争标尺从「每美元买多少算力」切换为「每瓦产出多少token」，这对英伟达最有利，电力越紧张，客户越倾向选择每瓦token产出最高的架构。
- 01推理算力需求两层叠加：每个任务因多步推理和探索剪枝需更多算力；且因做得好，使用量增加，两者相乘使需求非线性增长至十亿倍。
- 022024年最显著的突破不是模型本身，而是模型外层的「harness」（外骨骼），赋予了模型管理工作记忆、整理知识图谱和调用工具的能力。
- 03黄仁勋预测基础设施年投入到2020年代末将在3-4万亿美元之间，其中算力约1.5万亿；而此前全球IT基础设施投入已是5000亿美元左右。
- 04明年瓶颈在物理世界：土地审批、发电、施工工人、管道工，以及各地出现的暂停建设政策；基板变大导致封装翘曲和缺陷更难控制，硅光产能也受限。
- 05英伟达在云服务商资本开支中占比从六年前的个位数上升至约40%；每提供1GW内容的价值从约180亿涨至400多亿美元。
- 06智能成本曲线预期类似摩尔定律，MPU推理需求成本每代可能下降20倍；训练GPT-1成本从约2000万美元降至约100美元。
反方 / 局限
- — 黄仁勋的三块账本中最需要验证的是「新创公司」板块，这部分收入目前最「看不见」，其能否持续成长并承担账单仍是未解问题。
- — 通用性论证（fungibility）的前提是未来几年AI工作负载形状与现在相似；若出现特别适合专用硬件的新型工作方式，护城河宽度需重新评估。
- — 黄仁勋作为卖算力的人，其给出的算法是对他最有利的视角；读者需意识到他的位置决定了他会强调哪些数字和逻辑。
14 分钟 · 3 卡片 · 9 资料
读原文 →