黄仁勋的年终论证：Token 成本可以降低十亿倍，工作岗位也不会因此消失

Sarah Guo 和 Elad Gil 与黄仁勋开启了一场新年对谈。黄仁勋说，这一年他大部分时间都在天上飞。他开玩笑说，他的平均飞行高度大约是 5200 米：出口管制、地缘政治、就业、能源和劳动力短缺，全都绕不开英伟达。规模定律和模型本身的进步并没有让他感到意外。令他欣慰的是答案有据可查（grounding）、推理能力，以及与搜索相连的模型，还有在把握不足时把查询转给深度研究模式的路由器。他说，行业终于回应了怀疑者的指控：AI 会胡编乱造，无论是语言、视觉、机器人还是自动驾驶领域，都是如此。让他略感意外的，是推理阶段的 Token，尤其是推理用的 Token，增长得有多快：几条指数曲线同时在攀升。而且它们终于开始赚钱了。医疗信息公司 OpenEvidence 的毛利率达到 90%；Cursor 的利润率很好；Claude 很好；OpenAI 的企业业务也很好。如今 Token 的价值已经足够高，人们愿意为它掏真金白银。他说，这就是这一年坚实的立足点。

他想先从就业之争谈起，因为在 AI 社区里，末日论的情绪早在真正能用的模型出现之前就已经存在了。Gil 注意到其中的怪异之处：推动这个领域的人往往最悲观，而这种情绪也占据了一部分媒体版面。黄仁勋近期的反驳，拿的是基础设施，不是情绪。Excel 是由几百名工程师编写、编译，然后多年原样发布的。AI 则每次都要在上下文中从头生成每一个 Token，这也是他把这些数据中心称为 AI 工厂的原因。美国各地同时在建三类工厂：芯片工厂（台积电、SK 海力士）、超级计算机工厂（一个 Grace Blackwell 机架就是一块 GPU），以及 AI 工厂本身。建筑工人、水管工、电工、技术员和网络工程师一下子供不应求。他很高兴看到电工的工资翻了一番，而且他们出差的待遇，就像高管坐飞机出差一样。

接着说到 Hinton 的故事。黄仁勋回忆说，五、六、七年前，Geoffrey Hinton 说过，五年之内，每一个放射学应用都会由 AI 驱动，放射科医生将不再需要，而这会是第一个被避开的职业。前半句应验了：放射学应用如今百分之百由 AI 驱动。后半句却没有应验：从业人数增加了。一份工作既有任务，也有目的。放射科医生的任务是研读影像，目的是诊断疾病，也包括研究。更好的工具意味着读更多的片子、读得更深入、看更多的病人，医院更有生产力，收入也更多，于是就有了招人的理由。黄仁勋自己的任务是打字，而他的目的并不在打字。替他打字的 AI，反而让他更忙了，因为他能做更多的工作。

Guo 把这个道理落到身边的例子上：她的姻亲 Erin 在斯坦福领导核医学科。医生们欢迎这些工具，他们每天工作二十个小时，为的是做更多研究、看更多病人。她说，没有人认为美国或全球医疗已经抵达了顶峰。潜在需求会消化掉这些生产力。黄仁勋表示同意：英伟达的生产力提高了，并不会裁员，而是去探索更多的想法。Gil 当天早上刚见过一批新员工，公司每周都在招人。只有在世界上的问题已经被完全定义清楚的前提下，生产力提高才会让经济缩水。可现实并不是这样。

同样的区分也适用于律师和服务员。阅读和起草合同是任务，目的是化解纠纷、保护客户。接单不是服务员的工作，让客人有好的体验才是，哪怕接单或上菜都由 AI 完成。英伟达的软件工程师全都在用 Cursor。编程是任务。目的是解决已知的问题，并找到尚未被发现的问题。黄仁勋说：“如果他们当中没有一个人再写代码，只是在解决问题，那会让我最开心。”Guo 一年前的预测是，编程将成为第一个达到十亿美元 ARR 的 AI 原生应用品类，如今这个说法听起来已经不那么离奇了。只要算一算软件工程师的需求有多大，开发者工具就从来不是什么小众市场。

按照这种说法，机器人是在填补缺口，并不是在清空工资单。美国的工厂工人不够用，经济受制于这一人手上限。卡车司机短缺，是因为人们不愿意在驾驶室里睡觉、一连几个月错过家人。会计和护士也短缺，而人口老龄化让全球范围内的缺口更大。自动化可以补上这些缺口。人们还常常忘了售后市场：Robotaxi 花了十年才上路，但它们早已带动了维修团队和枢纽站点。黄仁勋说，十亿台机器人会成为地球上规模最大的维修行业。Gil 的说法是，经济里有一股朝着潜在需求的“吸力”，而政策制定者却一心想着不让已有的东西缩水。

Gil 把话题转向中国和开源：在闭源模型上，美国仍然领先；而在开源基准测试上，Qwen、DeepSeek 等模型已经排在前列。黄仁勋希望先有一个框架，再谈口号。AI 是智能的自动化，可以再通过机电一体化落到实体上。技术栈像一块五层蛋糕：最底层是能源；往上是芯片；再往上是基础设施，包括土地、电力、厂房、数据中心，以及软硬件的编排；然后是模型；最上层是应用。模型不等于聊天机器人。生物、化学、物理、金融和医疗同样也是信息。分子和蛋白质不说英语。应用从 OpenEvidence、Harvey、Cursor，一直到汽车上的全自动驾驶，以及人形机器人 Figure。

前沿实验室可以继续保持闭源，那是它们的投资回报账。但是，没有开放的预训练基座，创业公司、高等教育、科研、制造业、交通、医疗，以及黄仁勋合作的那些有百年历史的工业企业，都会窒息。它们需要一个预训练好的底子，再加一层推理能力，然后才针对某个领域做微调。开源已经在驱动数据中心，也在驱动全世界相当大一部分手机。他花了很多时间告诉政策制定者：无论你们决定什么，都不要破坏这个创新飞轮，还别忘了生物学。

Guo 提出了反方观点：一个垂直整合的冠军，一个什么都能做的模型，一块绝不能流向海外的皇冠明珠。黄仁勋的回应带着一股冷幽默。总有一天会出现“上帝 AI”，其规模或是圣经式的，或是银河级的。但今天直接跳到那里，算不上一个计划。没有哪家公司或研究者离那种智能很近：一个在人类语言、基因组、分子、蛋白质、氨基酸和物理学上同时最强的智能。与此同时，每家公司、每个行业和每个国家下周就需要计算机。从简单的层面看，AI 就是下一个计算机产业。由单一国家垄断、被当作“上帝”的 AI 太极端，没什么用处；如果你真信了它，那你不如干脆别写政策了，因为“上帝 AI”会绕过它。

Gil 列出了这一年的几种极端说法：没有人会工作，“上帝 AI”会解决一切，开源太危险，即便它已经在驱动产业。黄仁勋认为，这些说法造成的损害是真实的。受人尊敬的博士和 CEO 带着世界末日式的科幻故事走进政府部门。许多官员对这项技术并不熟悉。他希望人们追问的是动机与意图：为什么要向那些会写规则、可能让创业公司窒息的人，描绘一个反乌托邦？Gil 问，这是不是监管俘获。黄仁勋不愿揣测别人的心思，但就他的做法而言，他不认为企业应该游说政府去监管其他企业。按定义，它们的利益本身就有冲突。

两年前，大家的讨论还在让行业放慢脚步。行业却加大了投入，答案有据可查、推理和研究也都变好了。末日并没有到来。他说，一件产品最基本的安全性，是它能按宣传的那样运作。一辆车能 99.999% 的时间正常工作，这比一通关于有人拿它当导弹用的说教重要得多。让 AI 按宣传的那样运作，需要技术，而未来十年基本上就是这份工作。Guo 所在的合成数据和网络安全创业公司，也是这件事的一部分。“廉价的 AI 很危险”这种说法方向搞反了：如果边际成本急剧下降，那么一个 AI 就会被数以百万计的其他 AI 监督。智能体会包围智能体，就像廉价的公共安全让每个街角都站上一名警察一样。

Gil 引用一位朋友的话：末日论者在晚宴上听起来很聪明，乐观者才推动人类前进。黄仁勋不会把每一句警告都当成无关紧要，也不会把每一个乐观的人都看作天真。他要的是平衡。如果公众听到的信息有 90% 都在讲末日，人们就会被吓得不敢再投资那些能让 AI 更安全、更好用、更有用的东西。安全与保障本身也是技术。他的车比五十年前的车更安全，原因是技术进步了，行业并没有被叫停。

Guo 的团队发现，2024 年，每一百万个 GPT-4 级别 Token 的成本下降了 100 倍以上，尽管一些模型公司仍在吹嘘资本壁垒。她指出，Karpathy 的估算是，第一代 ChatGPT 现在只需几万美元甚至更少就能复现，他还做了一个开源项目，在一台 PC 上一个周末就能跑起来。黄仁勋拿最后那句话开了个玩笑：不完全是 PC，更像 Spark 级别的机器。尽管如此，从“数十亿美元加一台超级计算机”到“一个周末”，只用了三年，这正是 Token 经济学的故事。早期的 GPT 是在 Volta 上训练的，之后是 Ampere；最初的几次突破都没有赶上 Hopper。Blackwell 上市大约一年半，Rubin 也快到了。架构、晶体管和产能加在一起，每年带来 5 到 10 倍的算力增长，这并不稀奇。

摩尔定律是每十八个月翻一番：五年 10 倍，十年 100 倍。他说，十年间，AI 硬件的提升大概是 10 万倍到 100 万倍，这还不算算法和模型架构的进步。在这段时间里，Token 生成成本下降十亿倍，他也不会觉得意外。训练成本下降得稍慢一些，大约每年 2 到 3 倍，这依然意味着，当有人说起一笔 1 亿或 5 亿美元的训练账单时，“明年就会便宜十倍”。有人反驳说，各家实验室只会把规模扩大 10 倍，把省下来的都吃掉。混合专家（MoE）之所以能让算力负担不随参数量同比例增长，正是这个原因。英伟达之所以始终保持可编程性，是因为先前有人认为 CNN 芯片、之后又有人认为 Transformer 芯片会取代它；而注意力机制、扩散模型与自回归模型之争，以及混合 SSM（Nemotron 就是其中之一），都还在不断变化。摩尔定律之后，晶体管带来的提升，两三年也许只有大约 10%；几百倍的增长来自算法。他说，NVLink 72 现在大幅领先，是全世界最便宜的 Token 生成机器，因为混合专家的推理很难。

DeepSeek 或许是硅谷研究人员这几年读过的最重要的一篇论文，它是当时唯一既前沿又开放的东西。美国的创业公司、实验室和基础设施公司都从中学到了东西。他公开表示，它也许是去年对美国 AI 最大的贡献，尽管说出这句话会让人打寒战。在美国的研究人员本来就来自世界各地，并非每个想法都必须诞生在这里。在他看来，那些说别人不该再做预训练的成本论调，其实是想吓退人们，让他们离开这个市场。落后一年，哪怕只是六个月，你依然可以紧跟其后。Ilya 说这个领域重新回到了研究的时代，这句话说对了一半：规模化仍在继续，模型也会走向专门化，比如编程能力更强的、消费级产品更好的，所以一次局部的跃进，已经不必再把整个海洋都烧开。预训练并没有过时，它本身就是在为后续训练做准备。后一阶段所需的数据可以很少，也许只要一些可验证的结果就够了。这时，算力会更直接地对应到智能。

被问到 2026 年什么能迎来一个“ChatGPT 时刻”，黄仁勋首先想到的是数字生物学。多模态、超长上下文和合成数据，与人类语言相比，生物学的数据很稀疏，但这些技术应当能解锁蛋白质理解，而这一领域已经在快速推进，接下来是蛋白质生成，然后是化学，以及蛋白质与化学分子的构象。英伟达最近开源了一个模型，用于多种蛋白质的理解、表征学习和生成。真正的突破在于为蛋白质和细胞各自打造一个基础模型；一旦这些模型存在，数据飞轮就会转起来。Guo 补充说，所需的投入是实体的：湿实验室数据、新的实验基础设施，而不只是 GPU。

第二个赌注是会推理的汽车。汽车将从只会感知和规划的车，变成会推理的车。面对一个从未见过的场景，它们会把场景拆解成熟悉的部件，然后规划出一条路径。分布之外的长尾情况，是一个推理问题。他说，自动驾驶经历过四个阶段：智能传感器加数字化轨道（Mobileye、早期的 Waymo、重度依赖高精地图）；模块化的感知、世界模型和规划，这种方式很脆弱，只能做它被教过的事；端到端模型；以及端到端加推理。行业起步太早了。要是三年前才开始，今天大概也会在同样的位置上。英伟达的技术栈刚刚拿到全球安全评级第一，特斯拉第二。他很自豪地指出，前两名都是美国公司。机器人可以跳过失去的那十年，因为基础技术的研发成本已经有人付过了。

人形机器人仍然有机电方面的难题：一台 136 公斤重的机器倒在孩子旁边，可不是小事。同一套核心技术，也用在抓取放置的机械臂上。Gil 问，老牌公司会不会像在机器人出租车上那样再次胜出。黄仁勋不肯就特斯拉的 Optimus 把整张图都摊开来讲。凡是会动的东西都会变成机器人，每个 AI 都会有多种身体形态，就像人能把汽车、网球拍或筷子当成身体的延伸一样。一条手臂、两条手臂、六条手臂，挖掘机和推土机也一样。软件公司可以服务许多垂直行业，但每个行业仍然需要一家解决方案供应商，去打磨最后那几个“九”。消费级 AI 做到 90%，用户就会很满意。工业级 AI 做到 90%，却是 100% 的不满意，因为人们只盯着那失败的 10%。核心技术也许能到 99%；卡特彼勒能把它推到 99.9999%。他对未来五年的判断是垂直化，OpenEvidence、Harvey、Cursor 这类公司是一种“横向的垂直”。他说，“通用 AI 一来，套壳公司就会死”这种话，只有从来没当过外科医生、税务专家或餐厅杂工的人才会说。技术冲击的是任务，冲击不到目的。

能源是这块蛋糕的底层。黄仁勋为特朗普政府上任第一周提出的“钻吧，宝贝，钻吧”辩护：如果没有转向支持能源增长的风向，美国就会把这场工业革命拱手让给别人。这个国家已经缺电十年了。风能和太阳能会用上，但远远不够。核能正在到来。未来十年里，天然气大概是唯一能满足 2027 到 2028 年集群需求的路径。Guo 的因果判断是：AI 的用电需求，如今已经是气候科技最强的拉动力，包括电池、聚光器和小型模块化反应堆。历史也许会把 AI 记为迄今为止推动可持续能源发展的最大力量。黄仁勋说，这种需求，胜过一份末日论的政策备忘录。

他对 2026 年的地缘政治期待，是中美关系变得更有建设性。在他听来，政府的常识框架是对手与伙伴同时并存。脱钩，无论出于哲学还是国家安全考虑，只要看看两国有多深地绑在一起，就不再是常识了。保持独立是健康的，这样关系才不会太情绪化；两个最重要的国家之间有效的联系，是本世纪最重要的关系。在他的叙述里，出口政策应当建立在国家安全、技术领先和繁荣之上：中国军方早就有华为和充足的芯片，正如美国军方聪明到不会去用中国的零部件。最强大的军队，靠的是最强大的经济来供养。至于历史上的不满，比如防火长城、工作岗位流向东方，他则把视角拉远，放到整个技术栈上看。中国互联网的繁荣，也是英特尔、AMD、美光、SK 海力士和三星的繁荣。它是美国技术的第二大互联网市场。也许它伤害了谷歌和优步。但不要抹掉其他所有层面。他说，没有哪个国家为开源做的贡献比中国更多，而美国的创业公司用上了这些成果。

然后是 Gil 的投资人朋友们不会原谅他漏掉的那个问题：AI 是不是泡沫？黄仁勋把计算和聊天机器人分开来看。英伟达发明了加速计算，用于图形、SQL、分子动力学、量子化学、经典机器学习、XGBoost、推荐系统和特征工程。摩尔定律的终结，使得从通用 CPU 转向加速计算成为必然。即便 ChatGPT、Claude 和 Gemini 从未存在，英伟达依然会是一家市值数千亿美元的公司。一上来就拿 OpenAI 的收入来检验泡沫，这种检验方法对产能视而不见：工厂翻一倍，收入翻一倍；工厂十倍，收入十倍。这和英伟达需要台积电的晶圆是同一个逻辑。自动驾驶也是一门即将达到 100 亿美元规模的生意；量化投资者也在把人工特征工程交给超级计算机；数字生物学和机器人同样如此。简单算一下：全球 GDP 约 100 万亿美元，每年大约 2% 投入研发，也就是 2 万亿美元。五年前，最大的制药公司还把这笔钱花在湿实验室里，如今他们在建超级计算机。这 2 万亿美元正在流动。他遇到的每家创业公司和每个大学实验室，都渴望更多算力。他说，拿一个 120 亿美元的收入数字，去对照数千亿美元的基础设施，来证明泡沫，这种论证太过简单。

麻省理工学院的一项研究说，大多数企业 AI 部署都没有用处，这项研究也被同样对待。Guo 问：他们做过变革管理、组织重组、工作流程整合吗？企业的规划周期是一年，六个月还算早。黄仁勋根本不会去企业内部寻找创新，那里是采用速度最慢的地方。去和那 3 万到 4 万家创业公司聊聊。去和 OpenEvidence、Cursor 聊聊。Harvey 和 Sierra 的企业 ARR 已经达到数亿美元。医疗是最保守的行业，但它之所以动起来，是因为医生最怕给出错误的答案；能直接给出答案、而不是只给搜索结果的有据可查的工具，会胜出。“没有人想做研究，他们要的是答案。没有人想做搜索，他们要的是答案。”他不再用过去的方式读 arXiv 了。他把论文扔进 ChatGPT，让它学习这些论文，做总结，然后再追问。他最后说，要让人们安全，就要尽快推进技术。没有人想要汽车诞生后第一个十年里的那种车。ABS、车道保持和 FSD 都是好东西。规模定律仍然能把算力映射为智能，而一个行业里的技巧会很快扩散。他认为，接下来五年会非同寻常。