在最近的 GTC(GPU Technology Conference,GPU 技术大会)上,黄仁勋重新探讨了人工智能究竟是什么。他构建了一个“五层蛋糕”的概念,指出能源为先进计算机供电,这些计算机构成 AI 工厂;工厂中运行的模型生成 token,即数字智能,再将其融入各种应用。他还提到“要参与 AI 经济,就要成为 AI 的生产者,消费 AI 只是其中一部分”。
黄仁勋指出,欧洲与中美的 AI 产业格局存在显著差异。欧洲的 AI 更多用于工业应用,例如汽车设计、制造及药物研发等,这些都是其发展 AI 的重要应用场景。由于欧洲拥有扎实的工业基础,这也造就了其在 AI 使用上的独特特点。然而,在大模型与云平台方面,欧洲则更依赖美国公司,通过调用外部模型来满足快速使用 AI 提效的需求,这虽然能够解决短期问题,但外部模型的使用成本高昂,且美国企业对本土企业的数据拥有调取权,这与将 AI 用于处理工业数据的企业之间存在天然冲突,安全性难以保障。
黄仁勋提出的 AI 生产者理念对欧洲的影响
黄仁勋所提到的成为 AI 生产者的想法,正好击中欧洲急需改变的 AI 形势。他的“五层蛋糕”中的每一层都提出了相应的解决方案,尤其是在 AI 工厂建设方面。他强调,成为生产者的首要任务是建设上游系统,即基础设施。在 AI 产业中,这包括芯片、算力和云服务。拥有这些基础设施后,企业便可以利用本地的算力,使用自己的数据训练模型,对于那些需要保密的数据,企业也能够放心地将其上传至本地云平台。
这样一来,企业可以提高对数据和算力的掌控权,减少对外部服务的依赖,并在未来的运营中降低模型使用成本。然而,建设这些基础设施并非易事,涉及到能源、冷却、连接部署及本地调试等多个方面,这需要时间。如果从零开始,从购买设备、安装调试到投入使用,可能需要数月的时间。黄仁勋指出,“你预期的年收入是几百亿美元?就算按 400 亿美元/年的收入来计算——这座基础设施一年产出 400 亿——如果只是延迟 3 个月,那就是 100 亿美元的损失。”
英伟达提出的 DSX POD,旨在让用户更早地产生收入。DSX POD 将部分现场工程提前搬入工厂,将 7 个液冷计算机架及配套系统集成到可运输的货柜中,并确保所有设施正常运行再进行现场交付。根据他的预测,从设备到货到“产出 token”的时间,可以由“4 到 5 个月”缩短至“大约 1 个月”,这样不仅能节省设备闲置的成本,还能减少收入推迟的损失。此外,官方还表示,结合 DSX 的电力管理,使用相同的 AI 产出最多可减少 30% 的电力需求。
值得注意的是,电力管理也是“五层蛋糕”中的一层。随着芯片计算能力的持续提升,供电、冷却和部署速度可能成为新的瓶颈,这也是英伟达考虑建设工厂的原因。黄仁勋强调,帮助欧洲从 AI 消费者转型为 AI 生产者,需要从头开始,逐步解决算力真正投入使用的各个环节。
在能源方面,欧洲拥有施耐德、西门子等相当成熟的能源公司,施耐德电气负责配电与液冷,西门子则评估热、噪声和电网影响,而达索系统则将机架与厂房设计相连。英伟达则负责提供电力管理方案。这样的合作不仅使英伟达能更好地了解自身产品,还可为其带来新的商机,同时欧洲企业也能将原有产品与工程能力融入新的基础设施建设中,这并不是一家美国企业的“入侵”,而是一场多方共赢的效率革命。
此外,黄仁勋还提出了产业生态协同的构想,例如模型、仿真和智能体开发工具。如果有企业需要更进一步的开发起点,英伟达也会考虑并提供成品。当然,欧洲企业并非从零开始,已有的工业软件、自研模型及其他供应商的更适合产品都可能继续保留在系统中,企业最终需要比较的仍然是性能、成本以及与现有业务的适配程度。
这样一来,英伟达在欧洲的生态位便有了扎根的基础。围绕英伟达基础设施展开的各种建设,将在欧洲建立起非常广泛的生态。一旦这些生态与信任逐步建立,已经验证过的产品与经验将成为持续采用这套方案的理由。对于使用者而言,本土化的 AI 部署不仅降低了使用成本,还带来了新的商机,监管上也能由自己负责。
本土合作、客户信任和品牌生态的共同投入将逐渐累积。在摩尔定律失速的未来,技术可能会被追平,但如果有如此紧密的合作基础,这将成为难以撼动的商业堡垒。
黄仁勋在演讲中指出,“经过计算机行业数十年的发展,我们如今正处于一场新工业革命的开端。”他回顾第一次工业革命时,珍妮纺纱机是早期的代表性发明,让一个工人能同时操作多个纺锤。随着纺纱效率的提升,生产规模的扩大和对原料需求的增加,随之引发了一系列变化,最初是纺织业,后来逐渐扩大到整个社会的生产方式。生产力的变化往往就是这样牵一发而动全身。
如今的大模型就如同珍妮纺纱机,它使普通人的工作效率获得了不同程度的提升。随着 AI 在实际生产中的参与度不断提高,使用规模也会随之扩大。对原料——能源和算力的需求也将催生出上游产业链;技术更加精进,必然会出现更便利高效的应用和产品。产业之间的相互依赖性不断加强,产业生态协同将成为必然要求。
然而,这些环节能否共同进步,将影响最终的产出。高盛近期在讨论中国 AI 供应链时指出,“AI 技术本质上具有乘数效应——供应链中多个组件各落后一个代可能导致总算力输出/效率落后一个代以上。”因此,每个环节的发展程度都至关重要,产业协同的重要性可见一斑。即使芯片的算力再快,若网络传输、供电或冷却跟不上,性能也难以充分发挥;算力准备好了,还需要软件与业务流程的配合,才能转化为企业实际获得的效率提升。
单个环节的技术领先,只有在其他环节的配合下,才能转化为实际的生产力;产业协同将影响 AI 投入最终能产生多少回报。
英伟达提出的这份“欧洲 AI 发展攻略”,正是这次工业革命的缩影。英伟达的做法,是用一套整合好的全栈技术方案,加上本土化合作,将原本分属不同领域的产业连接起来。这使其从一个芯片供应商转变为欧洲产业协同的粘合剂。整套方案的价值在于将产业间逐步磨合的过程,转化为可提前规划和推进的合作。

