英伟达黄仁勋 MS TMT 纪要

NVIDIA（英伟达）黄仁勋 MS TMT 纪要
2026 年 3 月 4 日 美国东部时间下午 1:00
摩根士丹利科技、媒体与电信会议
公司参加者：黄仁勋 - 联合创始人、首席执行官、总裁兼董事

问答环节

问题 1：战略、文化、技术层面，哪些要素共同促成了英伟达的超高速规模增长？

黄仁勋：要讲清楚这个问题，恐怕得花 37 分 13 秒甚至更久。显然，英伟达不是一夜之间建立起来的，我们花了 33 年。我记得公司上市时股价是 13 美元，不过刚看到资料显示是 12 美元，是我记高了，回忆总是比实际更乐观。当时公司的估值大约是 3 亿美元。

马克·埃德斯通为我们的投资者做了极其充分的准备，以至于那次 IPO 路演，投资者实际上只问了一个问题，真的是只有一个问题的路演。

那个问题是：你们什么时候会倒闭？我不是在开玩笑。这个问题的回答难度，和你刚才问我的问题不相上下。

答案其实很清晰，我们创立公司的初衷，就是要打造一个全新的计算平台、一种全新的计算方式。并非旧的计算方式有误，而是新的方式，是解决一些独特问题的关键。

我们极其擅长的领域就是算法，核心原因是软件的内循环通常只占代码的 5% 左右，却占用了 99% 的计算时间。在我们创立公司的那个年代，精通计算机算法的人寥寥无几，而其中最重要的算法之一，就是计算机图形学——对光线以及光在空间中传播的仿真技术。

彼时，计算机图形学已被应用在动画电影等领域，我们创立公司时，《侏罗纪公园》还登上过知名杂志的封面。

那段时间，计算机图形学的能力飞速提升，我们能用它模拟虚拟现实，并将其应用到一个当时尚不存在的新产业——视频游戏。可以说，3D 图形在我们这一代实现了现代化和消费化，整个视频游戏产业，也是由英伟达推动形成的。

我说的 “我们这一代”，核心是英伟达整合了所有相关技术与资源。我们在游戏行业备受尊敬且深耕至今，核心原因就是我们创造了现代视频游戏产业，从相关算法到各类技术库，都是英伟达的核心贡献。如今的计算机图形行业，没有 RTX 技术，就没有当下的一切；如果没有我们为各类游戏引擎贡献的算法，大家也无法体验到如今的各类优质游戏。所以英伟达从 33 年前成立的第一天起，就深耕算法领域。

如今的加速计算，需要所谓的 “全栈能力”，包括架构设计、芯片设计、底层技术库、以及前向集成能力。现在行业里有 “前置部署工程师” 的新概念，但英伟达 33 年前就有了 DevTech 工程师。

我们把这些工程师派驻到全球的游戏行业、游戏公司和游戏引擎开发团队，将英伟达的技术深度集成到他们的游戏引擎中。如今，史诗游戏的虚幻引擎中，英伟达技术无处不在；几乎所有游戏开发商的研发中，都有英伟达技术的身影。这就是所有游戏在英伟达平台上运行效果最佳的核心原因，也是英伟达成为全球最大游戏平台的关键。

可能大家不知道，全球有数亿活跃的 GeForce 显卡玩家，其中很多人后来成为了人工智能研究者，这一切都源于 GeForce GTX 580 显卡——伊利亚·苏茨克维、亚历克斯·克里泽夫斯基和杰弗里·辛顿，正是在辛顿的建议下，他们购买了这款显卡，进而发现了 CUDA 技术。所以英伟达的第一个核心定位，是一家全栈型公司。

还有一段很多人不知道的早期历史，当时个人电脑的架构，与当下的计算机图形能力完全不兼容，我们因此研发了名为 Direct NVIDIA 的新技术，让应用程序能直接与我们的 API 通信。后来我们将这项技术开放给核心企业，最终演变成了如今的 DirectX。这种应用程序与硬件的通信方式，在当时是革命性的，绕过了大量拖慢系统速度的冗余软件，让加速计算成为可能。

我们还提出了将虚拟化帧缓冲内存引入系统内存的理念，最初这项技术名为 AGP，后来发展为 PCI Express。为了让个人电脑支持视频游戏和 3D 图形，当时众多系统架构都被重新设计。

正是这种 “全栈创新整合算法 + 重构系统架构打造新计算系统” 的理念和专业能力，促成了 DGX-1 的诞生——这是全球首款人工智能超级计算机，我们亲手将它交付到了旧金山，距离后来成为 OpenAI 的公司非常近。

这种核心的理念和专业能力，英伟达坚持了整整 33 年。公司的文化、组织架构，都是围绕全栈能力设计的，整个体系的核心目标，就是打造新的技术栈和新的系统架构，这是我们实现持续突破的关键。
我们的起点是英伟达的图形卡 GeForce，这本身就是一项技术奇迹，它与操作系统、系统架构的集成方式，彻底重塑了此前计算机的运行模式。

这种全栈能力，我们在 DGX-1 上完美落地，也应用在了首款超级计算集群上——这款集群后来交付给了萨提亚，成为微软的首款超级计算机。

大家可能注意到，微软的首款超级计算机和英伟达的超级计算机，基准测试结果完全一致，哪怕是对上万块 GPU 的系统性能测算，结果也分毫不差。核心原因就是这款超级计算机由英伟达设计，并交付给了微软 Azure 云。

这款系统基于 InfiniBand 技术和安培架构的 A100 芯片打造，而 A100 也成为了 OpenAI 使用的首个计算集群核心芯片。所以我们对全栈、全系统的技术路线极具信心，不坚持这种路线，就无法始终站在技术前沿。

实际上，想要跟上英伟达的步伐很难，因为我们并非每年只研发一款芯片，而是每年打造一整套基础设施——我们自主研发 CPU，革新了 CPU 的设计方式，未来大家会看到更多相关成果；我们也彻底革新了 GPU 设计，通过 NVLink 技术实现 GPU 间的高速连接，重塑了计算机的整体构建方式；再结合 Spectrum-X 这款新型人工智能以太网，我们实现了所有硬件的高效互联。如今的英伟达，掌控着整个技术栈，熟知所有核心芯片的底层逻辑。

掌控整个技术栈和所有核心芯片，才能实现每年的持续革新；如果做不到这一点，年度创新就会变得极其困难。因为这相当于要整合大量不同类型的组件，若无法全局掌控，就很难将每年的各类创新成果融合落地，这本质上是全栈层面的核心问题。这就是英伟达能走到今天的核心原因。

问题 2：企业级人工智能市场的规模、变化、落地节奏，以及未来的发展趋势是怎样的？

黄仁勋：这是个非常好的问题。过去两年，人工智能领域经历了三个关键拐点。第一个拐点的技术基础，其实已经摆在明面上数月之久——GPT-3 问世后沉寂了数月，直到有人为它开发了封装程序，将其转化为 ChatGPT，做成 API 接口，让所有人都能便捷使用。

正如你所说，第一个拐点是生成式人工智能，核心能力是将信息从一种形式转换为另一种形式，并通过自回归方式生成令牌（token）。

但生成式人工智能有一个核心问题：容易产生 “幻觉”（生成虚假信息）。这并非技术本身有根本性缺陷，也不是模型没有学到正确的知识，而是因为它没有以上下文信息、相关真实信息为基础。

这就引出了第二个拐点：推理型人工智能的诞生。推理型人工智能的核心，是基于研究、基于事实，将生成式能力与语义分析结合，也就是我们所说的 “检索增强生成”，本质上是 “条件生成”——生成的内容，会基于上下文、真实依据或相关研究资料。

第二代人工智能因此具备了推理、自我反思和自我纠正的能力，就像人有时候会后悔说出的话并想要修正一样，人工智能能实时做到这一点。所以第二代人工智能的输出内容更有依据，也更可靠。

这一技术突破，在科技行业引发了极大的好奇和热情，所有人都开始投身其中，因为大家看到了它的潜力。而 ChatGPT 的实用性也因此暴涨，它生成的令牌数量比第一代生成式模型多了约 100 倍，模型规模也扩大了约 10 倍，对应的计算需求提升了约 1000 倍。同时，因为实用性大幅提升，它的使用量更是增长了约 100 万倍。使用量、实用性和可靠性的结合，让我们看到了人工智能行业的下一轮增长。

归根结底，第二代推理型人工智能的核心是提供真实、有价值的信息，本质上是一个更具事实性的聊天机器人，大家也常将其用于研究工作——我们的需求不再是 “搜索信息”，而是 “直接获取答案”，ChatGPT 满足了这一需求，这就是人工智能的第二个拐点。

我们现在正经历第三个拐点，这项技术其实也已经摆在明面上很久了：人工智能能够使用文件、访问文件并调用各类工具。如今的人工智能，能推理、能思考、能使用工具、能解决问题，还能进行搜索和规划。
当前人工智能领域最重大的现象，就是 OpenClaw 的发布——它可能是有史以来最重要的单一软件发布。看看它的普及速度：Linux 用了约 30 年才达到如今的普及度，而 OpenClaw 仅用了 3 周，就超越了 Linux，成为历史上下载量最高的开源软件。
哪怕用半对数坐标看它的增长曲线，也是近乎垂直的直线上升，我从未见过这样的增长速度。
这一技术的核心变化，体现在人工智能的提示词（Prompt）上：过去的提示词都是 “什么是”“何时”“谁是” 这类查询式问题，而现在的提示词变成了 “创建”“做”“构建”“写” 这类操作式指令。简单来说，过去的提示词是 “查询需求”，现在的是 “任务需求”——向人工智能下达具体任务，用富有表现力的语言描述意图，人工智能就能自主推断、深入思考，完成任务。
它会自主开展研究、阅读资料、查看工具手册；如果需要使用从未接触过的工具，它会先学习工具手册，再从网络上搜集相关知识，最终应用工具完成任务。
我们从第一代生成式模型的单一响应，发展到第二代推理模型 1000 倍规模的令牌生成，而如今的智能代理（我们公司内部称之为 “claws”），消耗的令牌数量又比第二代多了约 100 万倍。这些智能代理会在后台持续运行，英伟达内部就部署了大量这类智能代理，它们全天候工作，为我们开发工具、编写软件。
这一变化的核心影响是：企业的计算需求呈爆炸式增长，不只是英伟达，每家公司的计算需求都在急剧攀升。

问题 3：支撑海量计算需求的融资方式、资本支出规划，以及人工智能工厂的经济模型未来会如何发展？

黄仁勋：有几个核心观点非常重要。首先很感谢你用到 “工厂” 这个词，几年前我就说过，如今大家所说的 “数据中心”，早已不是传统意义上存储数据的中心，而是生产令牌的设施——以生产令牌为核心目的的设施，就是 “人工智能工厂”。
当时有人说，这个说法听起来很 “粗糙”，但实际上人工智能工厂是高度精细化的，核心就是生产令牌。没人愿意建传统数据中心，因为没人能确定其投资回报；但所有人都愿意建工厂，因为工厂能创造明确的利润。
现在我们可以确定：人工智能工厂直接生产令牌，而令牌具备明确的商业变现价值。计算能力越强，生产的令牌就越多；令牌越多，企业的营收就越高。企业营收与计算能力呈直接正相关，这是铁一般的事实。
比如 Anthropic，如果其计算能力提升 3 倍，营收必然也提升 3 倍——它目前的发展，受限于计算资源和工厂产能，这和梅赛德斯受限于工厂产能、任何企业受限于核心产能的逻辑完全一致。OpenAI 也是如此，更多的计算资源，必然带来更高的营收。所以第一个核心结论：计算能力=营收。
而更宏观的结论是：计算能力=GDP，一个国家的计算能力，直接决定其 GDP 水平，这一点我们同样确信。
第二个核心观点，英伟达之所以能取得如今的成功，核心是我们从端到端实现了系统的全栈工程化设计，从底层架构开始，就围绕 “高效生成令牌” 打造，英伟达的 “每瓦特令牌产出”，比竞争对手高出整整一个数量级。
这一指标的重要性不言而喻：假设一家人工智能工厂的供电功率是 1 吉瓦，若英伟达的每瓦特令牌产出是其他方案的 10 倍，那么这家工厂的营收就是其他方案的 10 倍。这也是历史上第一次，企业工厂选择的计算机架构，必须经过 CEO 亲自审核——因为企业的供电容量是固定的，比如明年只有 1 吉瓦或 2.3 吉瓦的供电能力，若选错了系统，直接会影响下一年的营收，这一点我们已经在市场中看到了实际案例。
专业机构 SemiAnalysis 做过最详尽的基准测试，最终认定英伟达是 “推理之王”。而 “推理之王” 的核心评判指标，就是每秒令牌数、每瓦特令牌数，本质是令牌的生产效率和每美元的令牌产出。英伟达在每瓦特、每美元的性能表现上，都远超竞争对手，这意味着我们能以最低的成本生产令牌，差距之大，达到一个数量级。
所以人工智能的第二个核心认知是：人工智能就是工厂，而工厂始终受限于电力资源。无论有多少厂房，单座厂房的供电容量都是固定的（100 兆瓦或 1 吉瓦），因此每瓦特令牌产出，是决定企业营收的核心指标，企业在这一决策上必须极其谨慎，再也不是靠 PPT 就能拿到投资的时代，没人会拿 500 亿美元，去押注一份 PPT。

补充提问：如何解决人工智能工厂的融资问题？

黄仁勋：我来直接说说融资的核心逻辑。首先，大家必须相信一个前提：软件至关重要，软件掌控着世界，我想在座的各位都认可这一点。
第二个前提：未来，所有软件都会具备 “代理性”（agentic），不存在 “愚笨” 的软件。这意味着，每一家软件公司，最终都会成为具备代理能力的公司。这些公司会同时使用开放模型和封闭模型——开放模型是指自己下载、自行微调的模型，封闭模型则是外部提供的成熟模型。
这种模式，和企业的人力架构完全一致：企业有正式员工、有培养中的储备人才、有外包人员、也会聘请行业专家完成专项工作。企业的核心目标，不是亲自完成所有工作，而是确保工作能高效完成，人工智能模型的使用逻辑，也是如此。
因此每家企业都会意识到：人工智能模型，一部分可以租用，一部分可以自己构建。这就像企业对待人力的方式，对待 “数字劳动力”，同样适用这一逻辑。未来的软件公司，不再只是租用工具，还会租用 “能使用工具的数字专家”——因为人工智能代理，在使用专业工具方面，具备极强的能力。
如今的 IT 行业规模已达数万亿美元，行业内的企业都是 “工具租赁者”；而未来，这些企业会成为 “智能代理租赁者”，这意味着未来的软件行业规模，会比现在大得多。
大家可以想想自己看好的软件公司，比如楷登电子（Cadence）、新思科技（Synopsys）、西门子（Siemens），它们的未来规模会大幅扩张，但其业务模式会发生根本变化：如今它们本质是软件授权公司，而未来，它们还会出租令牌、专用令牌。这意味着，如今这个价值 2 万亿美元、几乎不消耗令牌的行业，未来会成为令牌的海量消耗者——这就是人工智能工厂融资的核心资金来源。
如今的 IT 行业，单是行业本身，就会在云端消耗海量令牌，无论是开放模型还是其他模型，都会带来持续的计算需求，进而支撑人工智能工厂的资本支出。

问题 4：令牌经济面临内存、电力许可、专业人才（如电工）等多重约束，这些约束会如何发展？若人工智能工厂的建设周期拉长，是否会带来负面影响？

黄仁勋：我恰恰看好 “约束”，因为在资源受限的环境下，企业别无选择，只能选择最优的技术和方案，不会随意试错。如果数据中心的土地、电力、基础设施都受限于，企业绝不会随便部署一套系统，只会选择能明确实现 “高每瓦特令牌产出” 的方案。
而英伟达，是全球唯一一家能为企业提供 “全流程人工智能工厂搭建服务” 的公司——从企业确定产能需求的那一刻起，我们就能为其搭建起完整的人工智能工厂。在座的各位，只要有搭建人工智能工厂的需求，我都愿意提供帮助，只需要联系英伟达的一位对接人，就能快速切入人工智能工厂业务。我们有成熟的专业能力，有经过市场验证的架构，也清楚工厂建成后会有海量的需求，能帮助企业快速实现商业化。
所以资源受限的核心影响，是企业必须做出最优选择，因为这直接决定下一年的营收——对于云服务提供商、软件提供商的 CEO 来说，选错计算架构，就像英伟达选错代工厂、选错内存芯片一样，会对企业发展造成致命影响，因此他们绝不会做出错误选择。
其次，英伟达的规模优势，让我们能牢牢掌控供应链。我们会将大量资金用于保障供应链安全，从内存、晶圆、CoWoS 封装技术，到整机、连接器、线缆，甚至是铜材、多层陶瓷电容这类基础元器件，英伟达都实现了供应链的全面保障。这也是英伟达强劲的资产负债表，具备战略意义的核心原因——如今的资产负债表，不仅是财务实力的体现，更是供应链掌控力的核心支撑。
当萨提亚（微软）要求我们帮忙搭建数吉瓦算力的人工智能工厂时，我们能立刻给出 “没问题” 的答复，核心就是供应链的全面保障。我们会提前与供应链企业达成合作，比如告诉 DRAM 工厂 “放心建厂，英伟达会全面采购”，这种明确的需求承诺，能为供应链企业提供稳定的信心，这也是英伟达的核心优势。
所以我认为，资源稀缺的现状，对英伟达来说是极大的利好——它会让企业更坚定地选择最优的、经过市场验证的技术和方案，而英伟达就是这一选择的核心答案。

问题 5：英伟达是历史上现金流创造能力最强的公司之一，如何从财务和战略层面，通过资本运作打造人工智能生态系统的持续性和耐久性？

黄仁勋：当年马克带我完成公司上市时，我的表现可能没有现在这么有激情，但核心观点从未改变：加速计算的本质，要求英伟达必须打造自己的生态系统，不存在能兼容所有场景的通用加速计算系统，加速计算的代码无法通过反编译实现跨平台运行，这是行业本质。
加速计算按定义来说，是具备专有性的——英伟达的架构，与其他企业的架构没有任何兼容性，指令集、整体架构、微架构，所有核心层面都完全不同。
但我们通过技术封装，让用户能感受到 “英伟达能加速所有场景”：从数据处理、分子动力学、流体动力学、粒子系统、生物学、化学，到深度学习、机器人学、长序列分析、空间计算、3D 建模，所有领域的计算，英伟达都能实现加速。
这就像一个 “五层蛋糕”，层层递进，因为我们深耕行业数十年，逐个领域实现技术突破，才让全球所有重要领域，都实现了英伟达的加速计算支持，并非天生如此。
在供应链层面，英伟达强劲的资产负债表极具价值，因为它能为客户提供稳定的供应链保障，让客户无需担心产能和交付问题；在上游生态层面，我们正在为未来培养全新的人工智能生态，投资的所有人工智能原生公司、合作的所有企业，都是在扩展和延伸 CUDA 生态系统——英伟达的所有业务，100% 基于 CUDA 打造，所有投资也都围绕 CUDA 生态展开。
最近有消息问英伟达是否会向 OpenAI 投资 1000 亿美元，这里给大家一个明确的更新：我们已经敲定了投资协议，将向 OpenAI 投资 300 亿美元。1000 亿美元的投资规模不太可能实现，核心原因是 OpenAI 计划在今年年底前后上市，这可能是英伟达最后一次有机会投资这样具有行业影响力的企业。
而我们对 Anthropic 的 100 亿美元投资，大概率也会是最后一次。
这里还有一个大家可能还未完全意识到的新动态：过去一年多，我们完成了多项算力布局的突破。第一，将 OpenAI 的算力支持，从微软 Azure 云，扩展到甲骨文 OCI 云，如今又扩展到亚马逊 AWS 云，我们正在全力提升 AWS 云的算力部署，为 OpenAI 提供更多的算力支持。
第二，我们与 Anthropic 的合作也实现了算力扩容，在 AWS 云和 Azure 云上，都在以最积极的方式为其扩充算力——过去 OpenAI 和 Anthropic 的算力部署各成体系，如今实现了跨平台的算力配置，而它们的营收质量极高，需要更多的算力支撑，我们也在持续为其上线新的产能。
第三，全球诞生了一家全新的人工智能实验室 MSL，它需要数百万块 GPU 的算力支持，这是在元宇宙（Meta）原有算力需求之外的全新需求——英伟达与 Meta 合作已久，MSL 的出现，为我们带来了又一个全新的算力增长极。
这三件事，带来了三条全新的增长路径：OpenAI 的 AWS 云算力扩容、Anthropic 的跨平台算力扩容、MSL 的全新算力需求，让英伟达的算力需求曲线，从原本的极高水平，再上一个台阶。

问题 6：实体化人工智能（Physical AI）可能是人工智能的下一个发展方向，这会如何将英伟达的总可寻址市场（TAM）和令牌需求推至新高度？

黄仁勋：这是一个非常棒的方向。目前我们所做的人工智能，大多是 “室内” 的技术研发，但全球最大的产业，都在 “室外” 的实体经济领域。而实体经济领域的人工智能，需要具备物理感知、物理理解能力——比如理解因果关系：推一下瓶子，瓶子会倒下，背后是重力、碰撞、惯性的物理规律；再比如理解 “物体持续存在性”：把一个东西放在椅子后面，虽然看不到，但知道它依然存在。这些物理认知，对人工智能的物理行为和物理智能，至关重要。
可能大家不知道，英伟达在实体化人工智能领域，处于全球前沿。Cosmos 是全球下载量最高的实体化人工智能模型；英伟达在自主人工智能领域也处于领先，自动驾驶领域的 Alpamayo 模型，下载量全球第一，人形机器人领域的 GR00T 模型，也是实体化人工智能的核心代表——我们在这三大领域，都站在行业前沿。
在数字生物学人工智能领域，我们的 La-Proteina 模型也取得了巨大成功，还有众多相关模型正在持续落地；而 GR00T N2，如今已是全球下载量第一的人形机器人模型。
同时，英伟达在物理人工智能、物理学、物理定律、多物理场、Earth-2 等领域，也都处于前沿，我们定义了实体化人工智能的行业边界。而这一领域的所有技术，我们都选择全面开放——因为我们希望让所有企业，无论传统行业还是新兴行业，都能利用这些技术能力，实现数字化转型。
英伟达拥有实体化人工智能所需的完整技术栈和计算资源，企业可以利用这些资源，研发适合自身的人工智能技术，并将其部署在机器人、工厂、边缘设备、通信塔等任何场景，这就是人工智能的下一个前沿领域。
两年后，我们大概率不会再讨论 “代理式人工智能”，因为它会成为行业标配，人人都在使用；如果两年后大家再邀请我来演讲，我们会谈论的，是众多基于实体化人工智能诞生的新公司。
当然，我们已经宣布了一个重要的合作项目——与礼来公司合作的共创实验室，未来还会有更多类似的合作。要为礼来搭建人工智能工厂，必须依靠英伟达的全栈技术能力、完整的软件栈、各类模型能力，以及数字生物学领域的专业知识，否则根本无法实现。
未来几年，英伟达正在打造的实体化人工智能技术，会逐步落地并成为行业主流；从未来 2-3 年开始，实体化人工智能会成为行业核心话题，并持续引领行业发展十年。

问题 7：如何看待英伟达的股票表现？面对行业 3500 名参会者、40 万亿美元的市值规模，英伟达的核心定位和发展逻辑是什么？

黄仁勋：我当然关心公司的股票，关心股东，关心员工，也关心在座的每一位。大家应该也看到了，英伟达刚刚交出了人类历史上最好的季度业绩——有人告诉我，这可能是人类有记录以来，单次最好的财报数据，我想这应该是 “有记录以来” 的最佳，毕竟历史上或许有过更好的业绩，但英伟达的这一成绩，确实足够亮眼。
英伟达的股价，具备强劲的增长动力，这背后的逻辑非常简单：计算能力=企业营收，而未来，每一家企业的营收增长，都离不开计算能力的支撑，我可以明确做出这个预测。
核心原因是：计算能力转化为人工智能智能，智能转化为企业的数字劳动力，数字劳动力最终转化为企业的营收。我确信计算能力=营收，也确信计算能力=GDP。因此，每个国家都会全力发展计算能力，因为未来没有任何一个国家，会选择 “放弃智能”，没有国家会说 “我们不需要智能，这是我们唯一不需要的东西”。
想要发展智能，就需要数字化、需要人工智能、需要计算能力，所以计算能力=GDP，这一点我深信不疑。
同时，我们才刚刚踏上这场计算革命的征程，而我能清晰地看到，这场革命的资金支持从何而来。
第一，所有云服务提供商（CSP），都已将全部的资本支出，转向生成式智能代理系统、人工智能系统。因为人工智能能提升搜索、购物、广告、社交等所有互联网服务的体验，全球每一项互联网服务，都在被重塑为生成式人工智能形态。Meta、谷歌、AWS 都已验证，人工智能能让互联网服务变得更好，因此整个互联网行业，可以将 100% 的资本支出投入人工智能领域，这是明确的价值选择。
第二，整个软件行业，未来都会由令牌驱动。无论大家看好哪家软件公司，其业务都会围绕令牌展开：要么自己生产令牌（需要计算能力），要么从 Anthropic、OpenAI 等企业转售令牌（同样需要计算能力）。这意味着，整个 IT 行业，第一次需要以计算能力为核心燃料，支撑行业发展。
这就是人工智能革命的核心资金来源，规模达数万亿美元，而我们才刚刚开始。这就是我对英伟达、对整个人工智能行业的预测。

（完）