黄仁勋G20谈算力：勿外包AI大脑，数据中心是智能炼油厂

在G20创新部长级会议的炉边对话上，英伟达CEO黄仁勋没有推销芯片，而是直接抛出了一个核心议题：算力这门生意，到底该如何为国家和企业算清经济账？

对话伊始，黄仁勋就打破了大众的惯性认知：很多人仍将芯片与计算机视作手机、PC一类的消费硬件，但如今它们早已蜕变成为工业级基础设施。现代数据中心的本质更像是一座炼油厂，将输入的电力能源加工提纯，转化为全社会可变现的高价值智能。

他以Token为核心概念展开解释：Token是海量计算的数学产物，本身就代表着智能本身。通过重组这些Token，可以生成图片、撰写段落、解答疑问甚至催生全新创意，本质上是通过专用计算机完成的数学生产。这与百年前能源的货币化路径如出一辙——过去我们以每千瓦时计价电力，如今智能的度量标准已经变为每百万Token的成本。尽管智能无形，却蕴藏着可量化的真实价值。

回望过去五十年，计算机始终是全球两三千万专职工程师的专属工具，只有掌握编程与设计技术的人群才能利用算力。而今天，人类历史上第一次出现了这样的场景：任何人都可以用自己的母语指挥计算机，这项核心技术已经完成了全民普及，让每一个人的能力都实现了质的飞跃。

黄仁勋进一步拆解了AI产业的“五层蛋糕”，帮助各国找到适合自身的发展路径：第一层是能源，这是所有算力产出的基础，负责将电力转化为数学计算的动力；第二层是芯片，也是英伟达深耕的核心领域；第三层是数据中心基础设施，包括土地、电力供应与厂房载体，能源输入后即可释放计算价值；第四层是AI模型本身，多数人误以为模型就是AI的全部，但AI的完整价值体现在五层完整的技术栈中；第五层则是数据与应用，这是AI落地到具体行业的最终环节。

美国在全栈技术的研发与落地中投入最深，但每个国家不必追求在所有层级都占据领先，应当清晰选择自身具备优势的赛道集中投资。同时，各国必须推动AI深度融入教育、医疗、制造、基础科学等所有本土行业，让智能技术真正服务于本土经济发展。英伟达的技术平台可以兼容全球所有科学领域、所有模态的模型运行，无论闭源还是开源，都能为各国的本土研究与初创团队提供支撑。

当被问及实体基础设施与AI软件的关系时，黄仁勋解释道，AI的起点确实是软件，但真正创造实用价值的是为大语言模型披上一层“外骨骼”。这套系统为AI大脑赋予了检索知识、保留工作记忆、调用工具、协同作业的完整能力，形成纯数字形态的智能代理。如果不再让智能代理仅操作数字工具，而是赋予其物理实体，那么它就会化身成为机器人：装进四轮机器就是自动驾驶汽车，置入机械臂就成为工业制造设备，植入物流车或手术机器人就能执行专业任务。所有形态的底层逻辑高度统一，都是大语言模型包裹在智能代理系统中，指挥数字工具或物理机械完成任务。

他还提到，在美国，得益于能源政策、执行效率与监管环境，已经建成了全球规模最大的算力基础设施之一，今年全美在AI基础设施上的投资将接近一万亿美元，直接拉动经济增长并创造数十万个就业岗位。在当地搭建起数字基础设施后，本土的初创团队与科研人员将被彻底激活，这是一笔回报惊人的优质投资。

针对AI革命引发的焦虑与安全担忧，黄仁勋指出，每一项颠覆性技术在诞生初期都带有魔幻色彩，比如电力普及初期的远程开灯效果，就曾被视作魔法。但本质上，这都是工程科学的产物，由计算机、软件、数学与概率论逐步构建而成。确保技术安全运行是产业建设者的天职，而让技术更安全的唯一途径，就是持续推进技术的自我迭代与进步。

从主权国家的视角来看，这场AI革命中最坏的结果并非技术失控，而是因为恐惧而选择观望，最终被时代彻底抛下。对风险的探讨必须与赋能发展的对话保持平衡，安全应当是行业的底线责任，而非用户需要时刻悬心的负担。监管也应当针对明确可测的实际危害，而非停留在假设的无端恐惧中，当前AI技术仍处于创新曲线的早期阶段，需要足够的发展空间。三年前如果因过度顾虑而放缓研发，我们至今也无法解决模型“幻觉”的问题，正是技术的持续精进才让模型立足于可验证的客观事实。

谈及英伟达的计算架构与其他处理器的区别，黄仁勋表示，GPU从底层逻辑上就是为并行计算量身定制的，专门用于求解流体力学、粒子物理、量子化学、图像重构、计算机图形学以及人工智能等复杂仿真问题。英伟达的架构具备高度的通用性与灵活性，可以原生支持生物学、物理科学、语言学等各个领域的各类模型，高效驱动所有数据处理与并行计算。

如今英伟达的架构已经覆盖公有云、本地数据中心、边缘端设备、自动驾驶汽车与各类机器人系统，演进至第十四代。在当前AI基础设施建设成本极高的背景下，建设1吉瓦规模的数据中心需要500亿到600亿美元的投入，当资本支出达到如此量级时，基础设施必须具备通用复用性与持久生命力。如果选择专用定型硬件，一旦底层算法与模型架构发生迭代，硬件就会快速被淘汰。英伟达的系统凭借通用性与软件更新优化能力，能够适配未来出现的任何模型架构，成为最具安全边际的基础设施投资选择。

展望通用人工智能的未来，黄仁勋认为其落地只是时间问题，从多个维度来看，当前已经距离目标很近。但核心问题在于，通用人工智能究竟意味着什么？

数百年前，人类通过教育体系规模化培养社会所需的智能人才，支撑了现代文明的发展。而今天，我们正在打造数字版本的智能生产体系，通过规模化生产数字智能，让缺乏顶尖教育资源的普通人与发展中国家也能即时获得顶级专业能力的赋能。

可以做一个思想实验：如果每一位职场新人都接受过世界一流的训练，就像英伟达招聘的顶尖名校毕业生一样能力超群，那么当他们加入公司后，真正的协作才刚刚开始。企业需要投入大量时间为他们交代业务上下文、对齐价值观、阐明使命、传授内部工具与组织背景。通用人工智能的运转逻辑与此完全一致：实现通用人工智能绝不意味着企业难题会一键解决，绝不能仅仅订阅一个API接口就坐等生产力翻倍。管理者必须像接纳顶尖博士生入职一样，为数字智能赋予清晰的业务上下文、行动目标与权责边界，将其深度嵌入企业的实际业务环境中，构建适配自身业务的框架才是企业与管理者未来的核心工作。

人类的工作并不会因此消亡，岗位的核心使命将始终延续，AI只会自动化具体的职能任务，比如起草文案、解析数据、编写代码等。在英伟达内部，同时使用第三方模型与自研专有模型，每一家企业与国家都应当遵循这一框架：在适用场景善用现成模型，但必须打造属于自身的主权智能，绝不能将专属知识沉淀与战略判断完全外包给第三方供应商。

未来十年，社会的生产力基准线将被彻底刷新，过去需要十年完成的任务，未来一年即可落地；过去耗时一年的工作，未来一个月就能解决。我们正在步入一个精干团队与普通个体都能撼动百万亿美元全球经济体量的时代，全球将共同创造数十万亿美元的全新经济增量，这在人类历史上都是前所未有的。