← 返回全部情报
黄仁勋第三次上 BG2:安全就是「零信任 + 带外监控」的工程问题,AI 资本开支不靠两家实验室撑,2027 年瓶颈在土地、电力、厂房和基板 的封面

·YouTube·CEO 访谈收录 2026-10-22

黄仁勋第三次上 BG2:安全就是「零信任 + 带外监控」的工程问题,AI 资本开支不靠两家实验室撑,2027 年瓶颈在土地、电力、厂房和基板

黄仁勋NVIDIAAI 基础设施AI 安全算力瓶颈开源模型管理

一句话结论

黄仁勋把这期访谈的重点放在三件事上:智能体部署靠「从零信任开始、按测试逐步放权、监控必须在带外、随时能关掉」;NVIDIA 的算力约三分之一是传统计算、约四分之一到三成给前沿实验室、约三分之一给初创公司和新云,所以不必指望两家实验室收入达到万亿;明年真正卡脖子的是土地、电力、厂房以及基板、硅光等供应链。

打开原文 BG2Pod:Jensen Huang | Does AI Revenue Justify Capex, '27 AI Bottlenecks, Singularity, Open vs Closed & more

背景与理念

这是黄仁勋与 BG2 的第三次长谈,录制于他出席白宫国宴、超级智能协议签署和获颁美国国家科学奖章之后不久。节目约 93 分钟,于 10 月 15 日发布。

他贯穿全场的观点是:功能、能力、安全、安保是同一件事,都是第一优先级。他开场就说「这是我们的生存问题」,如果不能安全地建造这项技术,就不该建造它。

具体做法

智能体为什么突然好用了

他认为过去一年最大的变化不只是模型变强,而是给模型装上了「外骨骼」式的框架。这个框架负责管理工作记忆、把短期记忆整理成长期知识图谱(他把它比作人睡觉时的「压缩」),以及学会使用人类已有的工具,比如 SPICE、Verilog、各类仿真器、Photoshop、AutoCAD 和 Catia。

他说编程是最容易的第一个落地场景,下一步是设计、创意营销等工作。他举例说,NVIDIA 内部把一张照片交给 OpenAI 的 Astra,它能直接重建成 CAD 模型,供工程师继续微调。

安全是工程问题:零信任与带外监控

他说对齐是一个「永远的问题」,因为同一个使命可以有无数种实现方式,如果安全依赖完美对齐,就永远到不了。

他的办法是像对待新员工、一岁的孩子一样,从零信任开始:只给完成任务所需的最小权限、工具、信息和资金,测试中建立信心后再扩大边界。测试任何新 AI 都应先做严格的隔离。

第二个要点是监控必须在带外。他的理由是聪明的自主系统在被盯着和没被盯着时表现会不同,所以监控要能独立发现它偏离策略或对齐要求,并能升级处理或直接关停。他提到 NVIDIA 为此发布的项目已有 100 多家公司加入。

他还用汽车作比喻:安全气囊、刹车、雷达本来就是汽车技术的一部分,说「加速 AI」就意味着同时加速安全和安保技术。

收入能不能撑起资本开支

主持人指出,要收回数万亿美元的资本开支,几家实验室的收入需要从今年约 2000 亿美元每年翻倍;黄仁勋认为这种算法搞错了对象。

他把 NVIDIA 的算力需求分成三块:约三分之一是不涉及 AI 的传统计算(数据处理、仿真、推荐系统、风控等),每年增长约 30% 到 40%;约四分之一到 30% 是前沿实验室,而且他看到的是五六家而不是两家;另外约三分之一是大量新创公司和新云租用的算力。他说「我们给两家实验室的压力太大了」,它们不需要接近万亿美元收入也能非常成功。

他重申,到本十年末全球基础设施投入大约每年 3 到 4 万亿美元,而且更接近 4 万亿。理由之一是摩尔定律已经结束,想要两倍的晶体管就得付两倍的钱。

开源模型与垂直领域

他说这些初创公司里 80% 用开源模型,而且它们不是在和前沿实验室正面竞争,而是在物理 AI、制造、医疗等领域开辟新机会。他的判断是,通用闭源实验室会走向通用智能,而拥有专有数据的垂直公司会在各自领域做到「超级智能」。

2027 年的瓶颈

他认为需求肯定在,而且更多,真正的障碍是从数字世界走到物理世界:土地、审批、发电、建筑工人和电工,以及各地的暂停令。

上游供应链同样紧张。他点名基板,因为封装越来越大、每颗芯片用料越多,热膨胀系数和翘曲都更难控制;硅光也受限。他说订单簿每周都在增长,供需缺口「几年内都很难补上」。

他认为电力越紧张,客户越会选每瓦产出 token 最多的方案,这反而让 NVIDIA 的份额上升。他说 NVIDIA 在每吉瓦投资里能提供的价值,从大约 180 亿美元、200 多亿美元提高到现在的 400 多亿美元。

物理 AI 与太空数据中心

他说 NVIDIA 今年上半年物理 AI 业务做了 100 亿美元,去年全年是 100 亿美元,前年是 50 亿美元,所以此前「下一个千亿美元市场」的说法可能说低了。物理 AI 需要三台计算机:训练大脑的系统、做数字孪生的系统和装进机器人或汽车里的系统。

关于在太空放数据中心,他说 NVIDIA 与 SpaceX 的工程团队正在合作设计新型服务器。他的逻辑是发射成本不低,只有高价值、可出租、能长期升级软件的算力才值得送上去。

新的商业模式

他提到 NVIDIA 正在建立两种与硬件销售无关的新业务:一是面向企业的软件许可和长期运维,二是对依赖 NVIDIA 全栈的云厂商采用收入分成。他粗算,如果每张 GPU 每年收几千美元许可费,按每年出货约 2000 万张、一半进企业来算,规模会很可观。

关键数据/例子

以下数字都是访谈中的口头说法:NVIDIA 约占全球 AI 基础设施收入的 80%;算力需求约三分之一为传统计算、约 25% 到 30% 为前沿实验室、约三分之一为初创公司和新云;本十年末基础设施投入约每年 3 到 4 万亿美元。

物理 AI 方面,他说前年 50 亿美元、去年 100 亿美元、今年上半年已达 100 亿美元。

主持人 Clark Tang 估算 OpenAI 攻克纳维-斯托克斯问题用了约 400 万美元算力、动用了上万个智能体;黄仁勋则估计,当年可能花两千万美元训练的初代 GPT,现在大概 100 美元就能训练。

他说澳大利亚刚宣布的 2 吉瓦项目,对 NVIDIA 来说大约相当于 800 亿美元。主持人提到市场一致预期已从一年前认为 2027 年持平或下滑,变成增长 74%。

创新点

这期访谈最值得记下的是黄仁勋把 AI 安全拆成了可执行的工程清单:最小权限起步、测试中逐步放权、隔离、带外监控、可升级处理、可一键关停。这和他此前在其他访谈中「先收走全部权限再按需发放」的说法一脉相承,但讲得更具体。

另一个值得注意的是他对「AI 泡沫」问题的拆法。他不讨论单个实验室的收入,而是把算力需求按用途拆成三块,各自评估确定性。

可否复用

  1. 企业部署智能体时,可以直接照他的清单写准入规则:最小权限、分阶段放权、独立于智能体本身的监控和熔断。
  2. 评估 AI 基础设施投入时,按用途拆分需求再分别判断。不要把整个投资逻辑压在某一两家供应商或客户身上。
  3. 在电力或预算受限时,用「每瓦或每元产出」而不是单价来比较方案。
  4. 引用访谈中的数字时注明是受访者口头估计。

笔记会在输入时自动保存。