2025 年 9 月 26 日，英伟达 CEO 黄仁勋（Jensen Huang） 接受 BG2 播客专访，参与节目《NVIDIA：OpenAI 与算力的未来》，进行了一场时长 110 分钟的深度对谈。

这场访谈的核心不是英伟达芯片性能，而是重新定义：英伟达，到底是一家什么样的公司。

更重要的是，就在这场访谈发布前 72 小时（9 月 22 日）， 英伟达刚刚宣布与 OpenAI 达成合作，支持其自建 10GW AI 工厂（Stargate 项目）。 这笔合作预计将为英伟达带来最高 4000 亿美元收入， 是其历史上规模最大的一次 AI 基础设施项目。

这已经不是“卖卡”的生意， 而是全新的商业模式。

黄仁勋在访谈中明确提出三点：

OpenAI 很可能成为 下一个万亿美元公司；

AI 不再是模型，而是一个需要持续供能的“智能工厂”；

每个国家、每家企业，都要开始建自己的“AI 发电厂”。

英伟达的角色，也正从卖芯片的供应商，变成全球 AI 电力的调度平台。

他不是在解释未来， 他是在建设未来。

第一节｜OpenAI 投资背后：AI 工厂，不是 AI 模型

这场对话真正的爆点，并不是某个技术细节，而是黄仁勋亲口确认的一笔合作：

我们将和 OpenAI 一起建 10GW 的 AI 工厂。 OpenAI 正在从租用算力，转向自建算力。

对外界来说，这是一项“交易”：

投资额预计高达 1000 亿美元，

如果全线使用英伟达设备，回报将接近 4000 亿美元。

但在黄仁勋眼中，这不仅是一笔生意，而是一次商业模式的转型：

过去，AI 模型是租来的，电力是用一点算一点； 现在，AI 企业开始自建电厂，拥有自己的发电系统。

他说：

“OpenAI 正在从使用 Azure，转向建设自己的算力基础。就像 X.ai 那样，像 Meta 那样，成为一个真正的超大规模公司。”

换句话说，OpenAI 不再只是训练出 GPT 的 AI 公司， 它要做的，是建立一个“能不断产出智能”的长期发电厂。

英伟达，在这其中扮演的，不再是提供芯片的供应商， 而是帮助客户启动整套“AI 发电厂”的合作伙伴。

更关键的是，这并不是孤立事件。 他说，英伟达已经同时在推进三个电厂项目：

• 微软 Azure，与 OpenAI 联合使用
• OCI（Oracle、Softbank 联合建设）
• CoreWeave，自建云计算平台

而这次与 OpenAI 的新合作，是第四个，也是最全面的一个。

这是第一次，英伟达直接参与芯片层、软件层、数据中心层，帮助 OpenAI 从 0 到 1 建立完整的 AI 发电厂。

不是用一次，生成一段；

而是每天思考，反复生成，持续提供智能服务。

当智能需求不再是偶尔使用，而是像水电一样常用时， 模型只是其中的一环，真正重要的是支撑它持续运行的算力基础设施。

竞争的焦点发生了根本转变：这不再是训练模型的竞赛，而是哪家公司拥有自己的 AI 发电厂。

第二节｜AI 推理爆发，不是加速，而是转方向

黄仁勋这次谈得最多的，不是算得更快，而是算得更久。

他说，以前的 AI 更像是一台计算器， 你提问，它立刻给答案。 现在的 AI，开始像人一样，在回答前要先思考、查资料、组织逻辑。

“过去推理是一次性的，问一句，答一句。现在是链式推理：先想，再查，再想，再回答。”

这背后的底层变化，是一个新概念：AI 现在不是模型，而是一个推理流程。

它不再只做记忆题和填空题， 而是要自己分析、推导、综合信息，甚至临时学习新的方法。

而这带来了两个结果：

一是：推理过程越来越复杂

黄仁勋说，现在很多 AI 系统，在真正生成答案前，要先思考几十步，每一步都涉及数据调取和算法调用。

这就像一个人写作业，不再是背答案， 而是要自己做推理题、画草图、反复尝试。

现在你有三个阶段：预训练、后训练、推理。越是后面，算得越久、过程越复杂。

他甚至直接下了判断：

“推理的增长，不是 100 倍，不是 1000 倍，是 100 亿倍。”

二是：推理开始持续在线，不再是临时调用

这就是黄仁勋说的推理从一次性计算转向 AI 工厂连续运转的原因。

今天的软件是写一次、运行一次。明天的软件，是实时生成、持续运行。

过去一个模型处理一条指令，只运行几秒；

现在一个智能体要不断保持在线，时刻应对新任务。

模型需要更多时间想明白，也需要更多资源持续运行。

黄仁勋举了个简单的例子：

现在 OpenAI 的用户数增长是指数级的，每个用户的使用频率和推理时间，也在指数增长。

用户变多、用得更久、推理变复杂，三重增长叠加，需求规模直接跃升到全新量级。

这也就能解释：为什么现在要建 AI 工厂？ 不是为了追风口，而是因为过去的计算模式根本承载不了新的推理方式。

接下来，英伟达面临关键抉择：

是继续当“芯片卖家”？ 还是成为 AI 推理持续供能的“发电站”？

第三节｜英伟达的转向：卖的不再是芯片，而是“AI 产能”

黄仁勋说，现在大家都在说 AI 短缺，GPU 不够。

但他明确了一点：

全球的计算短缺，并不是因为我们不想造，而是客户给的预测，全都低估了需求。

过去几年的模式很简单：客户说需要多少，英伟达就造多少。但每次预测出来的需求，都远远低于实际使用量。

所以，他们一直在追着需求跑。给的预测从没一次是够的。

这不是个别公司的问题，是整个行业进入“推理爆发期”的共性。

而在这种背景下，英伟达也开始重新定义自己要提供什么：

以前，是卖芯片；现在，是供产能。

现在已经不是一家公司小规模采购几块 GPU 的时代了，而是动辄几十万片、上百亿美金的超大规模部署。

黄仁勋在播客上提出英伟达在做的，是为 AI 工厂提前布局整个供应链：

• 从晶圆开始，
• 到 HBM 高速内存、封装、冷却、主板、网络、交换芯片……
• 提前一年甚至两年，把一整条产线都准备好。

为什么？

因为一个 10GW 的 AI 工厂，要用几十万个 GPU，没有提前一年布局，根本不可能同时交付。

他进一步解释：

“你要想想，要启动数千亿美金的建设， 需要提前一年下晶圆单，下存储单，准备所有部件。 没有人能跟得上，除非你已经规划好整条产线。”

这意味着英伟达的角色正在变：不再是等着客户下订单的卖家， 而是变成帮客户建 AI 发电厂的合伙人。换句话说，他们现在卖的，已经不是 GPU，是让 AI 能动起来的算力产能。

这种模式像什么？

像能源行业。

你不只是买电线、电池，你要的是稳定供电。你不只是买芯片、电路板，你要的是“稳定智能”。

而英伟达现在在做的，就是这个 AI 时代的“电力公司”。

第四节｜AI 工厂值不值：看组合效率，也看智能密度

AI 工厂不是比谁卡多、谁芯片大，谁能把所有部件组合成一套高效的智能生产解决方案。

黄仁勋说，现在的竞争，不是硬件跑分比拼， 而是看谁能把芯片、内存、网络、电力、软件全部组合好，让每一瓦电、每一块卡、每一个冷却通道都发挥最大价值。

他拿出了实际数据：

“英伟达的顶级芯片Blackwell 比上一代快 30 倍，不是因为晶体管变强了，是靠协同设计实现出来的。”

这背后的设计思路，就是他提出的：极限协同设计（Extreme Co-Design）

什么叫协同设计？

举个通俗的例子：传统方法像是造一辆很快的发动机，再配一个通用的底盘、轮胎。而英伟达的做法，是：发动机、底盘、方向盘、导航、冷却系统，全一起设计。

具体来看：

• Blackwell 引入第五代 NVLink 高速互联，多个 GPU 能并行推理；
• 网络用了专为 AI 设计的 Spectrum-X；
• 存储是 HBM 高带宽内存，让模型运行更流畅；
• 软件层也开源了 Dynamo，帮企业管理大规模模型运行调度。

所有这些组合，只为一个目标：让每一台机器、每一个瓦特，都能多产出一点智能。

现在英伟达每年要同时做六七款芯片，不是谁做得快、谁发布得早，而是要确保这些芯片能形成完整的产品体系，精准覆盖不同需求。

但仅仅“能组合”还不够。

黄仁勋提出另一个核心指标：单位功耗下，谁的 AI 工厂产出最多有效的AI计算。

为什么这个指标如此重要？主持人问他，客户怎么评估哪家 AI 工厂值得投钱？

黄仁勋的回答是：现在最稀缺的，不是芯片，而是电力。

一个客户的数据中心，功率上限可能就 2GW。你不可能无限扩容电力、土地和冷却设备。所以关键问题变成了：每瓦电，产出多少智能？

他说得很直白：

“就算别人把芯片免费送你，如果产出低、效率差，你用它就是在浪费预算。”

他说他亲耳听到一个客户的 CFO 这么算账：

• 有 2GW 功率上限，
• 要部署大模型，需要几万个 GPU，
• 电费和空间已定，只能选“每瓦智能产出最高”的那套方案。

这也解释了另一个外界常问的问题： “为什么客户愿意给英伟下 500 亿美元大单？”

黄仁勋说，客户不是买卡的参数， 而是买你能不能如期交付整厂、能不能支撑大规模运算、能不能稳定运行 AI。

英伟达能提前一年准备好晶圆、封装、内存、交换芯片、主板、冷却，没有哪个对手能做到这点。

最终比的是三件事：

1. 谁能把所有零件组合成一整套能运转的 AI 工厂；
2. 谁的工厂单位产出更高，能用更少资源产出更多推理结果；
3. 能稳定地、按时地把这套工厂交到客户手里，让客户放心投资、敢于扩容。

第五节｜全球电厂战：国家不抢芯片，抢 AI 电力

黄仁勋说，现在全球都在关注 GPU 缺不缺、芯片够不够。

但他想提醒大家：真正的核心，不是卡有没有，而是你的国家有没有自己的 AI 发电厂。

每个国家，最终都会建自己的 AI 工厂，就像需要建设自己的电厂、网络、云计算中心一样。

过去是数据主权，现在是智能主权。

如果你没有自己的 AI 工厂，意味着三件事：

• 你没法支撑本国的 AI 模型训练和部署；
• 企业用 AI，要依赖别人提供的算力服务；
• 数据留在本地，但智能的生成、分发、运行能力都依赖外部的 AI 基础设施。

黄仁勋在访谈中多次表示：

“AI 是新电力。就像没有电，你什么都干不了。没有 AI 产能，你未来很多事也干不了。”

✅ 不只是美国：各国都开始建自己的 AI 电厂

节目中主持人问他：是不是只有美国在冲这个方向？

黄仁勋的回答：不止美国。现在欧洲、中东、以色列、沙特、阿联酋，都在加速建自己的 AI 工厂。

这些国家不见得有自己的模型公司， 但它们已经意识到：要掌握未来智能能力，必须有自己的 AI 推理基础设施。

沙特就公开宣布，要建设全国级的 AI 基础设施，拉上英伟达合作；

阿联酋也成立了专门的国家级 AI 投资平台，押注底层模型和算力结构。

未来，你不可能靠租用别人 GPU 来支撑国家级 AI 能力，就像你不可能永远靠别人的电厂供电。

✅ 与中国相关吗？当然相关

在这场全球AI 竞赛中，中国是不能忽视的变量。

即使面对地缘政治的复杂性，黄仁勋依然表示：

中国是全球最大市场之一。它会建起自己的 AI 工厂，这点毫无疑问。

他说，中国不仅有华为，还有大量具备建设能力的企业：

• 工程能力强、执行速度快
• 对资源调配极有经验
• 拥有自给自足的产业链结构

黄仁勋对此的判断很直接：这不是脱钩，是竞赛。

✅ 谁会赢？不是看政策，而是看谁先“通电”

全球每个国家都站在一条起跑线上：

• 谁先建完 AI 工厂，谁的智能基础设施先投入使用；
• 谁能在 10GW、20GW 电力下支撑全国智能服务；
• 谁能做到电力、数据、推理资源本地统一。

黄仁勋说：

“AI工厂的基础设施建设，会成为下一个全球核心主权指标。”

换句话说，关键不是拥有多少 GPU，而是要有产能调度能力，能够运行自己的智能任务，让国内的企业、机构、医院、法院、学校，都能连上自己的 AI 发电厂。

这已经不再是技术之争，而是谁先把 AI 工厂通电投产。

结语｜下一场 AI 战争，不打参数，而比“智能密度”

黄仁勋这场对话，说的不是模型有多强，而是 AI 工厂能产出多少智能。

能不能建出来？建完能产出多少价值？这才是核心竞争力。

英伟达的角色已经彻底改变：从卖芯片变成卖 AI 产能，从 GPU 公司变成“智能电厂”合作伙伴。

而接下来，所有国家、企业都要面临同一个现实：智能的上限，取决于你有多少电力资源，能支撑多少 AI 持续运行。

全球大模型的竞赛，正在从发布会，走向“工业建设”主战场。

OpenAI 建 10GW 工厂，各大公司自研芯片建厂，每个动向背后都是同一件事：比谁先把智能变成产能，比谁能让每度电产生更多有效智能。

黄仁勋已经开始在算这笔账。

下一步，你要不要也算一算？

原文链接：

https://www.youtube.com/watch?v=pE6sw_E9Gh0

https://timesofindia.indiatimes.com/technology/tech-news/nvidia-ceo-jensen-huang-elon-musks-xai-did-in-19-days-what-everyone-else-needs-/articleshow/124063499.cms

https://www.pcgamer.com/hardware/processors/jensen-huang-says-intel-and-nvidia-have-been-discussing-and-architecting-solutions-now-for-coming-up-to-a-year-and-kept-it-really-quiet

https://www.businessinsider.com/nvidia-investing-up-to-100-billion-openai-ai-deal-2025-9?utm

https://blogs.nvidia.com/blog/openai-nvidia/

来源：官方媒体/网络新闻