KeyFrame內部研究專用

黄仁勋算账:AI收入撑得起几万亿美元的资本开支吗​ | 黄仁勋 | 英伟达 | AI泡沫 | 资本开支 | AI基建 | 数据中心 | OpenAI | Anthropic | 太空数据中心

Best Partners TV中文
觀看原始影片

三句話摘要

黃仁勳駁斥AI泡沫論:全球計算重建中,算力需求遠超實驗室收入。 AI基建投資是全球計算的根本重建,遠非只靠前沿實驗室的收益支撐,而是由傳統計算、多家實驗室與數千家新創公司共同驅動,其規模會從1萬億美元擴張到3至4萬億美元/年,摩爾定律終結與物理AI才是真正的需求源頭。 算力需求結構被徹底誤解。市場將所有責任壓在前沿實驗室(OpenAI、Anthropic),但英伟達收入實際來自三部分:傳統計算(三分之一,每年增30-40%)、前沿實驗室(四分之一到三分之一)、新創公司(三分之一)。那些新創不與實驗室正面競爭,而是在物理AI、製造、醫療等領域創新,其中80%使用開源模型。

重點整理

  1. 算力需求結構被徹底誤解。市場將所有責任壓在前沿實驗室(OpenAI、Anthropic),但英伟達收入實際來自三部分:傳統計算(三分之一,每年增30-40%)、前沿實驗室(四分之一到三分之一)、新創公司(三分之一)。那些新創不與實驗室正面競爭,而是在物理AI、製造、醫療等領域創新,其中80%使用開源模型。

  2. 摩爾定律終結改變了整個產業的經濟學。以前等一年晶體管數量加倍,成本不變;現在沒有免費的進步,要兩倍晶體管就得付兩倍的錢。傳統計算一吉瓦需50億美元,Vera Rubin一吉瓦需500億美元。即使沒有AI,半導體業本就應成為世界最大產業。

  3. 物理AI是黃仁勳低估的市場。從光子計數CT、超聲、成像雷達到機器人、自動駕駛、衛星,整個電磁波譜都有AI在運作。英伟達不只是晶片公司,更是物理AI基礎設施的唯一完整方案提供者,同時提供訓練、數位孿生和端點部署。

  4. 英伟達的護城河來自通用性而非專用性。無論模型架構如何演進,負載如何變化,所有應用都跑在CUDA上。英伟達既能服務前沿實驗室,也能將算力租給全球創業公司,甚至八年前的產品仍持續獲得軟體更新支援。這使其成為唯一敢接千億美元先發訂單的供應商。

實用技巧與重點

  • 時間點與預測
  • 兩年前預言五年投2萬億美元算力,已被超越
  • 明年新增43吉瓦,後年再加40吉瓦
  • 2027年底SpaceX目標達10吉瓦
  • 2028-2029年太空算力規模500兆瓦可行
  • 具體成本與效益
  • GPT-1訓練成本:2000萬美元→現在100美元
  • OpenAI解納維-斯托克斯方程:1萬個智能體,400萬美元
  • 傳統計算一吉瓦:50億美元
  • Vera Rubin一吉瓦:500億美元
  • 英伟達每吉瓦可售價值:180億美元→400多億美元
  • 業務分布與增長
  • 傳統計算:每年增30-40%
  • 前沿實驗室:包括Meta Muse、Grok、Gemini、Anthropic(五六家,非兩家)
  • 新創公司:約3000家,占基礎設施一半
  • 英伟達占云廠商資本開支40%,云外占80%
  • 基礎設施規模
  • 當前全球計算投資:約1萬億美元/年
  • 未來目標:3至4萬億美元/年(更接近4萬億)
  • 其中純算力:1.5萬億美元
  • AI前規模:500億美元,六到八年內翻3倍到1.5萬億
  • 英伟達業務結構
  • 年度GPU出貨:2000萬塊
  • 進入企業比例:50%
  • 軟體授權費:每塊GPU每年數千美元
  • 自由現金流用途:上季度回購占60%多
  • 澳洲2吉瓦項目規模:約800億美元
  • 市場佔有率變化
  • 六年前占全球資本開支:個位數%
  • 現在占云廠商:40%
  • 現在占云外:80%
  • 每項業務各占一半,都在每年翻倍
  • 黃仁勳的把握度
  • 對五年後世界的把握:99.99%

結論

AI基建投資是全球計算的根本重建,遠非只靠前沿實驗室的收益支撐,而是由傳統計算、多家實驗室與數千家新創公司共同驅動,其規模會從1萬億美元擴張到3至4萬億美元/年,摩爾定律終結與物理AI才是真正的需求源頭。

完整解析

市場對AI基建的爭議焦點可歸納為一個質疑:OpenAI和Anthropic的收入能否支撐已投入的數十億美元資本開支?黃仁勳在BG2播客上的核心論點是,這個問題問錯了地方——市場把所有責任壓在兩家前沿實驗室身上,卻忽視了基礎設施真實的三層結構。

英伟達的算力收入並非來自這兩家公司的獨占,而是分散在三個層次。第一層是傳統計算,包括資料處理、物理模擬、經典機器學習和推薦系統,這塊並非新增,但每年以30-40%的速度增長,約佔三分之一收入。第二層是黃仁勳眼中的「五六家」前沿實驗室(不是市場說的兩家),包括Meta的Muse、馬斯克的Grok、Google的Gemini和Anthropic等,約佔四分之一到三分之一。第三層才是真正的增長引擎:全球約3000家新創公司,做消費產品、物理AI、製造、醫療和生物科學,這層也佔約三分之一收入。關鍵是,80%的新創使用開源模型,並不直接與前沿實驗室競爭,而是在各自的垂直領域用獨家資料訓練超級專用智能。

摩爾定律的終結改變了整個算盤。黃仁勳指出,過去三十年,晶體管數量每年翻倍,成本卻保持不變。現在這個優惠沒了。要兩倍的晶體管,就得付兩倍的錢。傳統通用計算時代,一吉瓦基礎設施只需50億美元;到了Vera Rubin時代,一吉瓦要500億美元。這意味著即使沒有AI,半導體產業本身就應成為世界最大的產業。全球計算基礎設施的投資規模會從現在的約1萬億美元/年,成長到3至4萬億美元/年,而且這還不包括未來可能達到的10萬億規模。

物理AI則代表黃仁勳自己也低估的機會。從光子計數CT掃描、超聲、成像雷達,到機器人、自動駕駛、衛星通訊,整個電磁波譜都需要AI。英伟達今年在物理AI上的收入已達百億美元,相比去年翻倍,前年是50億。黃仁勳甚至改口了之前「千億美元市場」的說法,表示誰知道會有多大。關鍵是,英伟達是全球唯一同時擁有三套完整計算架構的廠商:訓練大腦的系統、讓機器人在虛擬世界先學習的數位孿生系統,以及最終部署在物理設備上的端點系統。

英伟達無可取代的護城河源於其通用性而非專用化。無論模型架構如何演進——明年可能是預訓練為主,後年可能轉向智能體推理——所有複雜負載都跑在CUDA上。這讓英伟達既能服務OpenAI的訓練,也能幫助初創公司租賃算力,甚至可以將訓練過的模型轉租他人。黃仁勳強調,英伟達是唯一敢接一千億美元先發訂單的供應商,理由是「東西就是英伟達造的,我們知道下一代會更好」。這種信任度讓他能夠在貨物未見、配置未定的情況下,就鎖定客戶的長期承諾。此外,英伟達承諾八年持續軟體更新支援,這在科技產業中極為罕見。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。