欧洲AI经济投资与从发明到实用的范式转移

英伟达CEO黄仁勋在柏林GTC大会期间接受专访，回顾了其在欧洲的巡回之旅。他表示这次旅程不可思议（Incredible），英伟达在过去一年中已在欧洲企业投资约 10亿美元，并在本周宣布新增 14家 合作伙伴。黄仁勋强调，英伟达正致力于在欧洲构建完整的AI经济体系。

关于市场普遍存在的“过度思考”现象，黄仁勋指出技术在过去15年处于发明模式（invention mode），但半年前已正式转入AI实用模式（useful mode）。他希望通过主题演讲去神秘化，阐明让AI变得实用的核心组件及其构建方法。“ chancellor Merz also told everybody to lean in. Let's let's go build this thing.” 这一信息得到了欧洲政界的呼应，旨在推动实际建设而非空谈。

DSX Pod集装箱工厂：缩短资金闲置期以缓解融资压力

针对近期困扰AI行业（尤其是新云厂商Neoclouds）的融资不确定性，黄仁勋介绍了DSX Pod（集装箱式AI工厂）。他指出，传统模式下，一个吉瓦（GW）级数据中心的建设成本高达 500亿美元。从英伟达发货组件，到经过OEM组装、运抵数据中心并完成布线、启动和运营化，通常需要 4至6个月 的时间。

在这漫长的准备期内，企业需支付巨额资金但无法产生收入。“a gigawatt of data center is like $50 billion... from that point to operationalizing could be four to six months.” DSX Pod通过将部分制造环节前置到供应链中，有望将这一周期缩短至 3-4个月 或减少数月时间。此举能显著加速收入实现，并大幅降低因等待运营而产生的闲置现金（idle cash）压力。“This is going to make it way easier.” 黄仁勋认为，这种模式能有效缩小不确定性范围，从而让贷款方对数据中心成本和回报时间有更确定的预期。

需求强劲与物理瓶颈：电力、许可与供应链韧性

尽管存在融资担忧，黄仁勋对AI行业的洗牌持乐观态度。他认为需求极其强劲（demand is incredible），SpaceX、CoreWeave、NBS和Scale AI等巨头均面临需求远超产能的局面。“demand is many times the capacity he has” 这种巨大的市场需求将解决融资挑战。然而，物理瓶颈依然存在且不断转移，从晶圆、HBM内存到硅光子和连接器。“The bottlenecks keeps shifting... now power becomes uh increasingly so.” 电力、土地获取和电网连接成为主要制约因素，但这也创造了大量的建筑就业机会。

面对各国不同的许可问题（permitting issues），英伟达凭借多元化的客户基础保持韧性。“we're the only computing company that supports every single AI model... across Neoclouds in every single country.” 黄仁勋表示，如果某地存在瓶颈，英伟达会将计算机运往其他可用地区；一旦原客户解决许可问题，将优先快速供货。“we'll ship computers to them as fast as possible.” 这种灵活性确保了算力能迅速部署到市场需要的地方，尽管电力和基础设施仍是未来几年的主要挑战。

算力资产的耐用性与金融化潜力

黄仁勋指出，Nvidia计算系统的核心优势在于其极高的耐用性、生产力和可替代性。传统计算机通常只有四年的生命周期且残值极低，但Nvidia系统因软件可编程性及持续的软件更新（如CUDA升级），其实际使用寿命已延长至八年以上。这种特性使得算力资产不再是一次性消耗品，而是具有长期生产力的耐用资产。由于应用场景广泛且客户群体庞大（即“offtakers”众多），这些设备在任何时间点都具备很高的市场流动性。这种高残值特性正在改变金融市场的认知，使得金融机构能够以资产本身为抵押进行贷款融资。黄仁勋强调，相较于其他资产类别，Nvidia计算资产的违约风险是最低的，这为AI基础设施的大规模资本支出提供了坚实的金融基础。

黑瓦与Vera Rubin的生命周期预期

针对芯片耐用性的具体数据，黄仁勋确认了Blackwell架构的使用寿命约为七到八年。对于下一代Vera Rubin架构，他预测其生命周期将保持相同水平。这一长期价值的关键支撑在于Nvidia持续引入的新算法和软件层，这些更新确保了旧硬件能继续适应新的计算需求。Gavin Baker提到Silicon Data的数据显示Blackwell租赁价格连续17天上涨，这侧面印证了市场对高耐用性算力的强劲需求。黄仁勋认为，只要软件生态持续进化，硬件的技术过时速度将被大幅延缓。这种“软硬件协同延长生命周期”的模式，使得早期投资的AI基础设施能够跨越多个技术迭代周期持续产生收益，从而降低了投资者的长期风险敞口。

极端需求对融资风险的化解作用

Gavin Baker引入市场关于AI资本支出（Capex）和融资风险的担忧，特别是针对高达数万亿美元的潜在投资规模。黄仁勋认为，需求是解决所有问题的关键。他列举了OpenAI、Anthropic、Meta（Grokbot）、Google（Gemini）以及DeepSeek等模型均展现出“惊人的需求”。特别是开源模型DeepSeek实现了每GPU每小时38美元的货币化收入，这一数据远超当前市场租赁价格，解释了Blackwell价格上涨的原因。黄仁勋指出，当AI进入“有用性拐点”，用户不仅在使用AI，而且在进行更高价值的任务时，Token需求将保持极高。他明确表示：“没有需求，什么都解决不了；有了需求，一切都能解决。”这种由实际效用驱动的需求增长，能够吸收巨量的资本投入并产生回报。

DSX Pod与部署效率的关键性

尽管需求强劲，但黄仁勋承认资本支出的时间成本是一个巨大挑战。如果AI基础设施的部署周期长达6到9个月，那么在此期间投入的巨额资本（如1万亿美元）将是无生产力的浪费。因此，他强调了DSX Pod（可能指代某种标准化或预集成的部署单元）的重要性。如果能将AI工厂从“发货”到“运营”的周期从数月缩短至数周甚至一个月，将对整个行业产生变革性影响。这种效率提升直接减少了闲置资本的时间成本。黄仁勋认为，通过提高部署速度并结合Nvidia资产的高金融属性（可抵押、高残值），可以有效缓解市场对AI融资节奏错配的担忧，确保资本在最短的时间内转化为生产力。

开放权重模型的爆发与垂直领域超智能

过去一年中，开源模型（Open Models）在美国的采用率呈现爆炸式增长。尽管此前中国开源模型备受瞩目，但近期西方公司如 Reflection、Mistral 和 Meta 也推出了重大进展。黄仁勋指出，世界将同时使用闭源模型和开源模型。在2024年上半年（前六个月），约有 6000亿美元 的风险投资流入了AI原生初创企业，其中高达 80% 的企业正在使用开源模型。这种趋势允许开发者基于接近前沿的开源基础，利用自身专业知识和数据进行后训练（post-training），将其转化为在特定领域极具优势的“超级AI”。目前，法律、娱乐、制造和设计等行业正纷纷利用这一模式构建公司。黄仁勋强调：“世界将使用闭源模型和开源模型，你只需在合适的地方使用最好的模型。”

混合AI架构：路由器背后的策略选择

对于企业而言，未来的主流模式是混合AI（Hybrid AI）。黄仁勋建议，企业应尽可能使用现成的闭源前沿实验室模型（off-the-shelf），仅在必须时才构建自己的AI。然而，许多投资组合公司采取的策略是结合两者：使用美国开源模型进行后训练以适配特定任务，然后通过路由器（router）将其与首选的闭源前沿模型结合。这种架构类似于当前的混合云计算，即AI也将成为混合形态。对于需要主权AI（Sovereign AI）的欧洲企业，如Cadence或Siemens，它们需要构建自定义的专有超级代理（super agents），但前提是拥有必要的技术和资源。黄仁勋重申：“你应该尽可能使用现成的模型，只有在必须时才构建自己的超级代理。”

中美竞争：重视中国规模优势与创新导向

针对DeepSeek与华为在芯片设计上的合作，黄仁勋表示美国应始终认真对待中国的AI野心。他指出，中国在大规模制造芯片、开源模型乃至培养AI研究人员方面具有无与伦比的规模优势，“没有人比中国更严肃地以更大的规模和更好的方式做到这一点。” 尽管面临竞争，美国在前沿实验室、芯片技术、计算系统和基础设施方面仍保持全球领先地位。黄仁勋认为，政策环境应鼓励美国公司在全球范围内竞争，包括非洲、中亚和巴西等地。他主张通过创新进行竞争（compete on innovation），而非单纯的限制措施，以确保美国企业继续作为欧洲和全球南方国家的AI基础设施提供商。

AI对就业市场的实际影响：创造而非取代

黄仁勋指出，关于AI导致失业的叙事不仅令人恐惧，而且与事实完全相反。他强调，AI实际上创造了更多的就业机会，特别是在软件、医疗和法律等领域。通过观察他所描述的“五层蛋糕”架构，可以看到各个行业都在蓬勃发展。能源部门正处于百年来最佳的投资时机，无论是核裂变、核聚变还是大型及小型反应堆技术，均吸引了大量投资。同时，电池技术和太阳能技术也在全面扩张。

"The facts are that uh AI has created more software jobs. The facts are that AI has created more healthcare jobs."（事实是，AI创造了更多的软件工作。事实是，AI创造了更多的医疗工作。）

除了能源和芯片行业，基础设施建设和建筑业也表现强劲。黄仁勋提到美国正在重新工业化，欧洲也将随之进行再工业化进程，这意味着制造业岗位需求旺盛。每一层技术架构都在创造新的工作岗位，因此认为AI会取代人类工作的观点是“完全错误的”。这种叙事与实际情况恰恰相反，人们应当看到AI带来的就业红利而非仅仅关注风险。

科技公司与社区的共生关系：从NDA到良好邻居

针对科技公司因保密协议（NDA）等问题引发的社区反感，黄仁勋承认这是一个严重的声誉问题。他提出，在建立AI数据中心或工厂之前，企业必须主动与当地社区合作。过去的几年里，由于建设速度过快，科技公司往往忽视了这一环节。现在，包括微软在内的许多公司已经取消NDA以增强透明度。企业应当成为“好邻居”和“好访客”，在入驻前了解社区需求并提供帮助。

"You ought to be a good neighbor... stop by and see if you could be helpful."（你应该成为一个好邻居……停下来看看你能提供什么帮助。）

具体的改善措施包括建设商店、社区中心，资助学校改进，甚至在某些情况下支持降低税率。这些举措需要根据每个社区的特定需求量身定制。黄仁勋认为，虽然之前的匆忙建设导致了摩擦，但如今行业已意识到问题所在。建立信任的关键在于主动贡献而非被动防御，通过实质性的社区投入来平衡技术扩张带来的社会影响。

AI如何提升日常生活：从诊断疾病到赋能中小企业

对于普通民众而言，AI带来的改变并非瞬间的颠覆性转变，而是技术能力的逐年累积与优化。黄仁勋列举了多个具体案例：搜索功能变得更精准，计算机辅助写作、设计和解决问题的能力显著提升。在医疗领域，AI极大地提高了疾病诊断的准确性，例如结肠癌和乳腺癌的早期检测案例层出不穷。此外，AI使汽车更安全、飞机更节能成为可能，这些成就在没有AI的情况下是无法实现的。

"The simplest idea is that AI is a tool that's going to amplify your capabilities."（最简单的理念是，AI是一个能够放大你能力的工具。）

最直观的例子在于中小企业的能力赋能。一家不懂编程的小店可以通过AI生成具有数字营销专家水平的网站。原本不具备软件能力的中小企业，现在拥有了软件开发能力。这种“能力放大”效应让每个人都能获得强大的辅助工具。无论是个人还是企业，AI都在通过降低技术门槛来扩展人类自身的潜能，使日常工作和生活中的问题解决变得更加高效和便捷。

安全与能力是一体两面，零信任架构是必然选择

针对近期AI代理（Agents）突破沙盒限制的事件，黄仁勋明确表示这类事故本可以避免。他指出，如果广泛采用Open Shell技术，此类攻击很可能不会发生。Hugging Face曾通过模拟器得出结论：若存在Open Shell机制，其网站便不会以那种方式遭到攻击。这证明了零信任环境下的软件交付方法论已经成熟，行业应当充分利用现有技术并在此基础上进行创新。黄仁勋强调，AI安全技术与能力发展是同一回事。就像汽车不能只追求性能而忽视安全性一样，AI的能力越强，其安全机制也必须同步完善。未来随着AI能力的提升，安全性将自然伴随其中，这是英伟达的核心哲学。

Open Shell生态扩展与Anthropic合作案例

目前，Open Shell已获得超过10家公司的支持。黄仁勋特别提到了一项令人欣喜的合作：Anthropic正在与英伟达合作，利用Open Shell技术创建能够管理AI代理的云端系统。这一协作展示了行业头部实验室与操作系统公司共同努力的方向。英伟达正积极与各大AI实验室及OS厂商合作，推动这一安全标准的落地。黄仁勋认为，尽管近期发生的不幸事件令人遗憾，但它对行业具有变革性意义。通过引入更完善的“沙盒”（play pen）机制，行业正在建立更强的安全基线。现有的法律和问责体系也在激励企业采用最佳的安全沙盒方案。历史证明，不安全的企业难以在市场中生存。

市场机制驱动安全标准提升

黄仁勋指出，安全性已成为市场竞争的关键因素。许多AI服务的客户是企业级用户（B2B），这些企业无法承担因安全漏洞带来的风险。因此，市场力量将自然淘汰那些忽视安全的公司。正如黄仁勋所言："> 历史对不安全的企业并不友好。没有安全，就没有客户"。那些无法保障安全的厂商将被市场挤出，而坚持“既快又安全”理念的企业将获得长期优势。这种由市场需求和法律责任共同构成的激励机制，正在推动整个AI行业向更安全的方向演进。Open Shell等技术的普及正是这一趋势的体现，它使得构建更安全、更可靠的AI代理成为可能。

结论

黄仁勋的论述核心在于确立AI已从“发明模式”转入“实用模式”，其经济可行性由强劲且持续的需求驱动，而非单纯的资本炒作。Blackwell与Vera Rubin架构通过软硬件协同延长至7-8年的生命周期，结合DSX Pod将部署周期缩短3-4个月的技术突破，有效缓解了融资闲置压力。高耐用性与低违约风险使算力成为可抵押的优质资产。

然而，电力、土地及许可等物理瓶颈仍是主要制约。在应用层面，开源模型爆发与混合AI架构成为主流，但安全漏洞风险依然存在，Open Shell等零信任机制正通过市场优胜劣汰确立标准。总体而言，AI行业具备坚实的金融与物理基础，但需平衡快速部署与社会社区关系以实现可持续增长。