在 1 月 21 日的世界经济论坛的达沃斯上，英伟达 CEO 黄仁勋首次登台对话。

这次老黄没把话题锁在自家的 GPU、算力平台或网络架构上；而是难得地跳出英伟达，从更宏观的角度说透了这些事：

AI 技术本身在发生什么变化

AI 产业到底是怎么搭起来的

AI 可能会如何影响社会与就业

在老黄看来，AI 的产业体系可以分为五层，即能源、芯片和计算基础设施、云基础设施与云服务、AI 模型层，和模型之上的应用层。

而真正决定 AI 能不能变成生产力、能不能变成经济增量的，是 应用层。他直言：

“去年之所以是 AI 极其惊人的一年，坦白说，是因为模型进步太快，以至于上面那层，也就是我们所有人真正需要用它来成功的那层：应用层开始爆发。”

而 AI 模型层，在 2025 年也发生了 三件“颠覆性”的大事：

Agentic AI

开源模型的突破

物理 AI 的巨大进展

更有意思的是，面对“AI 会不会取代工作”的广泛焦虑，他给出了几乎完全相反的判断，认为 AI 可能不会带来失业潮，反而会让“人不够用”：

“这是人类历史上最大规模的基础设施建设，它会创造大量工作...... 我们需要水管工、电工、建筑工、钢铁工人、网络技术员，以及安装、布设设备的人。

在美国，这些岗位的薪资已经接近或超过六位数。你不需要计算机博士，也能拥有体面的职业生涯。”

以下为本次访谈内容，InfoQ 在不改变原义的前提下，对其进行了编辑。

这次不一样：AI 正在把整套计算逻辑推倒重建

主持人：今天围绕 AI 的讨论，大多集中在它将如何改变世界和全球经济。但我更想从另一个角度展开：AI 不只是改变世界的方式，它会不会把整个经济蛋糕做得更大？又能不能让更多人真正用得上、跟得上，而不是只惠及少数人？......那么我们直接进入主题： 为什么你认为 AI 有潜力成为如此重要的增长引擎？这一次技术浪潮，和过去的技术周期相比，究竟有什么不同？

黄仁勋： 首先，当你在思考 AI、并以各种方式与 AI 互动时——比如当然会用 ChatGPT，当然会用 Gemini，当然会用 Anthropic 的 Claude，它能做的那些“神奇”的事情，会让人觉得不可思议。

但这时如果我们回到第一性原理，去理解计算栈正在发生什么，事情就会更清楚：这是一场 platform shift（平台迁移 / 平台级转变）。所谓平台，就是让应用构建其上的东西。

历史上，每一次平台迁移都会带来新的应用生态：

从大型机到 PC

从 PC 到互联网

从互联网到移动与云计算

在每一次平台迁移中，计算栈都会被重新发明，新的应用也会被创造出来。

AI 也是一次平台迁移。ChatGPT 本身只是一个应用，更重要的是，无数新应用正在构建在它之上，也会构建在 Claude、其他大模型之上。

过去的软件，本质上像“预录制”的：人类输入、写下算法或“配方”，让计算机照着执行。

它能处理的是结构化信息——也就是你必须把名字、地址、账号、年龄、住址等信息，先整理成结构化表格，然后软件再去检索。我们把它叫做 SQL，SQL 查询。SQL 可能是世界上最重要的数据库引擎，直到现在之前，几乎所有东西都跑在 SQL 上。

而现在，这是第一次，我们拥有了一种计算机：它不是“预录制”的，而是实时处理（real time） 的，可以理解非结构化信息，具体而言：

能理解非结构化信息（文本、图像、声音）

能理解语义与上下文

能在实时环境中推理你的意图，这些意图可以用非常非结构化的方式表达

可以用非常非结构化的方式表达，你想怎么描述就怎么描述。

我们把这种输入叫做 prompt（提示词），只要它能理解你的意图，它就能为你执行任务。这不再是“预写的软件”，而是一种实时生成智能的系统。

AI 的产业体系有“五层”， 应用层是最重要的

因为我们正在重造整个计算栈，所以人们会问“AI 是什么”。很多人谈 AI，会直接想到模型。

但从产业角度，AI 其实更像一个 五层蛋糕：

最底层是 能源（energy），AI 是实时处理、实时生成智能的，它需要能量。

第二层是我所在的层：芯片和计算基础设施。

第三层，是 云基础设施与云服务。

第四层，是 AI 模型——大多数人以为 AI 就是这一层。但别忘了，模型之所以能发生，是因为下面所有层都存在

而最重要的一层，也是正在发生的一层，是 模型之上的应用层（application layer）。

去年之所以是 AI 极其惊人的一年，坦白说，是因为模型进步太快，以至于上面那层，也就是我们所有人真正需要用它来成功的那层：应用层开始爆发。

这个应用层可以在金融服务、医疗健康、制造业等领域。最终产生经济收益的，就是这一层。

但关键在于：这个计算平台需要下面所有层支撑。正是因为这五层必须同时建设，我们正在经历 人类历史上规模最大的基础设施建设浪潮。

目前我们只走了几千亿美元，而真正需要投入的，是 数万亿美元级别。

芯片工厂、计算机工厂、AI 工厂正在全球同步建设：

台积电宣布新建 20 座晶圆厂

富士康、纬创、广达在建设数十座计算机工厂

存储厂商（美光、SK 海力士、三星）全面扩张

你能看到整个“芯片层”今天增长得非常快。

当然，我们也高度关注模型层。

但更让人兴奋的是，模型之上的应用层正在做得非常出色。

有一个指标很直观：风险投资的钱流向哪里？去年 2025 年是历史上风险投资规模最大的年份之一，而其中大部分资金投向了所谓 AI native companies（AI 原生公司）。

这些公司来自医疗、机器人、制造业、金融服务等全球所有大型行业。你正在看到大量投资涌入这些 AI 原生公司，因为第一次，模型已经好到足以在其上构建产品与业务了。

去年模型层发生了“三件大事” 

主持人：我们继续往下挖。显然，我相信在座每个人都有自己的聊天机器人用来获取信息。你刚才提到“AI 的扩散（dispersion）”会是关键。我们谈谈它在物理世界中的扩散——你提到了医疗是个很好的例子，那在交通运输、科学等领域，你认为哪些机会会带来颠覆性变化？ 

黄仁勋：去年，我认为在 AI 技术层、尤其是模型层，发生了三件大事。

第一：是 Agentic AI。 模型一开始只是“好奇、有趣”，但幻觉很多。去年我们可以相对合理地接受：这些模型更“扎实”、更“有依据”了。它们能做研究，能对自己没被训练过的情况进行推理；能把问题拆成一步一步的推理步骤，形成计划，然后回答你的问题、做研究、或执行任务。所以去年我们看到语言模型演化成我们称之为 agentic systems 的 AI 系统，也就是 Agentic AI。

第二：开源模型的突破。几年前——或者说一年前？——DeepSeek（深度求索） 出来时，很多人非常担心。坦白讲，DeepSeek 对全球绝大多数行业、绝大多数公司来说，是一件大事，因为它是世界上第一个 开源推理模型（open reasoning model）。此后，一大批开源推理模型陆续出现。开源模型让公司、行业、研究人员、教育者、大学、初创企业能够使用这些开源模型作为起点，去做一些东西——做出适配自身领域、专门化的模型和系统。

第三：物理智能，或者说物理 AI 的巨大进展。也就是 AI 不只理解语言，还能理解“自然”、理解物理世界：理解蛋白质、化学物质；理解自然与物理——比如流体力学、粒子物理、量子物理。这些 AI 正在学习各种结构、各种“语言”。从某种意义上说，蛋白质本身就是一种语言。这些 AI 的进展如此之快，以至于制造业、药物发现等工业公司正在取得显著突破。

其中一个很强的指标是：我们与 Eli Lilly 的合作。他们意识到，AI 在理解蛋白质结构和化学结构方面已经取得巨大进步——某种意义上，我们将能够像和 ChatGPT 对话那样，“与蛋白质对话”。我们会看到非常重大的突破。

AI 没抢走工作， 反而会让“人不够用”

主持人：这些突破也引发了对“人”的担忧。你和我谈过很多次，但今天必须告诉全场：大家普遍非常担心 AI 会取代工作。而你一直在讲相反的观点。你真的认为我们会面对劳动力短缺吗，你如何看待 AI 和机器人技术改变工作性质，而不是消除工作呢？ 

黄仁勋： 有几种方式可以推导。

首先，这是人类历史上最大规模的基础设施建设，它会创造大量工作。更棒的是，这些岗位与技工技能密切相关：我们需要水管工、电工、建筑工、钢铁工人、网络技术员，以及安装、布设设备的人。

在美国，这些岗位的薪资已经接近或超过六位数。你不需要计算机博士，也能拥有体面的职业生涯。

再举两个真实案例。

10 年前，人们认为 AI 会消灭放射科。结果是：AI 全面进入影像分析、医生看片速度大幅提升，然后有更多时间与患者沟通、诊断，放射科医生的人数反而增加了。

逻辑就是：医院接诊能力提升 → 收入提升 → 雇佣更多放射科医生

护士也是一样。美国现在大约短缺 500 万护士。

如果用 AI 来做病历记录（charting）和就诊记录转录（transcription），护士有一半的时间其实都花在这些“记记录”的工作上。

而现在他们可以用 AI 技术。有一家公司叫 Abridge，是我们的合作伙伴，做得非常出色，因此护士能把更多时间花真正“触达病人”的探视与照护上。

而且，因为现在可以接待更多病人，我们不再被护士人数卡住，更多病人能更早进入医院。结果是：医院运转更好，于是他们雇佣更多护士。

逻辑就是：医院运转效率提升 → 雇佣更多护士。

所以，判断 AI 对某个工作的影响，最简单的方法是：搞清楚这个工作的 目的 是什么、具体 任务 是什么。

打个比方：如果只架个摄像头拍我们俩，你可能会以为我们是打字员，因为我大部分时间都在打字。那如果 AI 自动化了大量文字预测、帮我们打字，我们就会失业。

但显然，那不是我们的工作目的。

所以问题是：你的工作目的是什么？放射科医生和护士的目的，是照护病人；而当任务被自动化后，这个目的反而被强化、被放大。

用“目的 vs 任务”来推导每一类职业，会是一个很有帮助的框架。

AI 对发展中国家是“缩小鸿沟”的机会

主持人：我们把话题放到发达经济体之外，讨论 AI 如何在全球范围传播、帮助世界。我们怎样确保 AI 成为一种真正的变革性技术，像 Wi-Fi 和 5G 对新兴世界那样？当它与新兴市场交织，会意味着什么，我们如何“做大”全球经济？转到发展中世界，你认为会怎么演进？ 

黄仁勋： 我非常乐观地看待 AI 对新兴经济体的影响，AI 本身就是一种基础设施 ， 每个国家都有道路、电力，也应该拥有 AI。

今天有大量开源模型，训练 AI 已不再遥不可及。语言和文化，本身就是一个国家的“自然资源”。

第二点，记住：AI 是人类历史上最容易使用的软件，也是它增长最快、被采用最快的原因。短短两三年，用户规模就快接近 10 亿人。

对很多没有计算机科学学位的人来说，你们现在都可以成为程序员。过去我们得学习怎么给计算机编程；现在你“编程”的方式是直接对计算机说：“我该怎么编程你？”

如果你不会用 AI，你就走到 AI 面前说：“我不会用 AI，我该怎么用？”它会解释给你。

你还可以说：“我想写个程序做自己的网站，怎么做？”它会问你一堆问题：你想要什么样的网站，然后给你写出代码。

在过去，人类学习如何给计算机写代码；而现在，人类只需要用语言教计算机做事。

这会极大降低技术门槛，帮助更多国家和人群参与数字经济。

欧洲的关键机会：工业 × AI × 机器人

主持人：我们谈到了很多公司，提到很多美国公司和亚洲公司。请你谈谈：AI 与欧洲的成功、欧洲的未来如何交汇？英伟达在欧洲会扮演怎样的角色？ 

黄仁勋： 对欧洲而言，这是一个极其关键的窗口期。

美国主导了软件时代；但 AI 是一种“不需要写代码的软件”。

欧洲拥有全球最强的工业制造与深科技基础。

如果将 AI 深度融合进制造、工程、机器人与物理世界建模中，欧洲完全有机会在 Physical AI / Robotics 时代实现跃迁。

但前提是：增加能源供给、加大基础设施投资，以及尽早全面投入 AI 生态建设

所以不是泡沫，关键是“投得够不够”

主持人：所以我听到的是：我们离 AI 泡沫还很远。问题反而是：我们投得够不够？因为很多人在谈泡沫，但你在说的是：我们是否投入足够，来实现“做大”全球经济的目标。 

黄仁勋： 这不是一场泡沫，而是一场尚未投入足够的长期建设周期。

GPU 租赁的现货价格正在上涨。不只是最新一代，甚至两代前的 GPU，现货租赁价格也在涨。原因是 AI 公司数量在增长，越来越多公司在调整研发预算。

Eli Lilly 就是一个很好的例子：三年前，他们的研发预算几乎都在湿实验室（wet labs）；但你注意到他们现在投入了一个大型 AI 超级计算机、一个大型 AI 实验室。越来越多的研发预算会转向 AI。

所以 所谓泡沫，是因为投资规模很大；而投资规模大，是因为我们必须建设支撑 AI 各层的基础设施。

我认为（现在 AI 带来的）机会非常非凡，每个人都应该参与、都应该投入。我们需要更多能源。我们都知道需要更多“土地、电力、机房”。我们需要更多技工型劳动者。

就像我和 Larry 所参与的领域，我们看到投资机会，投资规模在上升；初创公司数量也在上升。

正如我之前提到的：2025 年是 VC 投资史上规模最大的年份，全球超过 1000 亿美元，大部分投向 AI Native 公司。

这些 AI 公司在做的，就是构建模型之上的应用层，去建设这个未来。

我也确实认为，对全球养老金来说，参与其中、伴随这个 AI 世界一起成长，会是一笔很好的投资。

这是人类历史上最大的基础设施机会之一。我们必须确保：普通储蓄者、养老金、普通人，都能参与并分享这轮增长。