凌晨，輝達CEO黃仁勳接受了知名科技主持人Dwarkesh Patel的專訪，長達1小時45分鐘。這位油管百萬大V以遞進式的提問方式和極其鋒利的選題而出名，這次也不例外地選擇了直白開場，一上來就直戳輝達的“肺管子”，問黃仁勳：“如果軟體被商品化了，那輝達會不會也被商品化？”有網友評價這次訪談：很少見黃仁勳這麼“生氣”。在這次訪談中，黃仁勳深度回答了關於AI時代的競爭本質、輝達如何鎖住供應鏈、為什麼不做AI雲，以及中國與AI晶片等問題。我們整理了這次訪談，內容亮點都在下面。01輝達真正的護城河不是晶片，是供應鏈Dwarkesh：現在市場上有一種看法是，AI會讓軟體逐漸商品化，很多軟體公司的估值已經因此下滑了。從一個可能比較天真的角度來看：你們把設計交給晶圓廠，比如把GDS檔案交給TSMC（台積電），再由他們製造晶片，然後再和像SK Hynix、Micron、Samsung做的HBM封裝在一起，最後送到ODM廠組裝成整機。所以本質上，輝達做的是軟體，只不過由別人來製造。如果軟體被商品化了，那輝達會不會也被商品化？黃仁勳：歸根結底，總有一件事必鬚髮生：把電子變成Token。不僅僅是變成Token，還要讓這些Token越來越有價值。我認為這件事很難被完全商品化。把電子轉化為Token本身就是一段非常複雜的旅程，就像讓一個分子比另一個分子更有價值一樣，這裡面包含了大量的藝術、工程、科學和發明。我們現在正在親眼見證這一切發生，而這個過程遠沒有被完全理解，也遠沒有結束。所以我不認為它會被商品化——當然，我們會讓這個過程變得更高效。如果用剛才的方式來理解輝達，已經接近我對公司的心智模型了：輸入是電子，輸出是Token，中間就是輝達。我們的工作是用儘可能少的東西，完成這個轉化過程，並把能力做到極致。所謂“儘可能少”，意思是能不做的事情，我們就不做。我們會把這些事情交給合作夥伴，讓它成為整個生態的一部分。如果你看今天的輝達，我們在上下游都有極其龐大的合作生態，所以我們儘量少做，但我們必須做的那一部分是極其困難的。我不認為這部分會被商品化。Dwarkesh：那企業軟體公司呢？很多人覺得它們會被AI衝擊。黃仁勳：現在很多軟體公司，本質上是“工具製造商”。比如Excel、PowerPoint，或者像Cadence、Synopsys。當然也有一些是流程系統，但很大一部分是工具。但我看到的趨勢是完全相反的：未來Agent的數量會指數級增長，使用這些工具的使用者也會指數級增長。也就是說工具的使用量，會暴漲。舉個例子：像Synopsys Design Compiler這種工具，未來它的實際用量很可能會暴漲。今天我們被工程師數量限制住了，但未來，每個工程師都會有一堆Agent輔助。這些Agent會去探索設計空間，探索的程度會遠遠超過今天。而它們會用的，正是今天這些工具。所以我認為工具的使用量，會推動這些軟體公司的增長，而不是壓垮它們。這件事之所以現在還沒有發生，是因為Agent還不夠會用工具。接下來會發生兩件事：要麼這些軟體公司自己去做Agent；要麼Agent變得足夠強大，可以使用這些工具。最終很可能是兩者同時發生。Dwarkesh：在你們最近的財報裡，我看到輝達已經有接近1000億美元的採購承諾，還有分析認為這個數字可能會達到2500億美元。有一種解讀是這樣的：輝達的護城河在於你們鎖定了未來幾年關鍵的稀缺資源，比如晶圓、記憶體、封裝。別人即使有晶片設計能力，也不一定能拿到這些資源。這是你們未來幾年的核心優勢嗎？黃仁勳：這是我們能做到、但別人不太容易做到的一件事情。原因其實很簡單：我們之所以能在上游做出這麼大的承諾，是因為我們有能力把這些產能買下來，並且賣出去。那些承諾有些是顯性的，比如我們直接簽的採購合同；但也有很多是隱性的，比如我們的供應鏈夥伴會自己去做投資。因為我會和他們的CEO溝通，我會告訴他們這個行業會變多大、為什麼會變大、我們是如何推理出來的。在這個過程中，我其實是在對齊整個上游生態的認知。那為什麼他們願意為我們投資，而不是為別人？原因很簡單：他們知道我有能力把他們的產能買下來，並賣給下游。輝達的下游需求非常大，正是因為有這種下游需求的規模，才讓他們願意在上游投入。如果你去看GTC大會，你會發現很多人對它的規模感到驚訝。這是一個360度的AI生態，整個AI世界的人都在一個地方，而他們來這裡，是因為他們需要彼此。上游需要看到下游，下游需要看到上游。他們也需要看到AI的發展，以及那些AI原生公司和創業公司。我花了很多時間，不斷去告知和影響我們的供應鏈和生態夥伴，讓他們理解機會是什麼、為什麼會發生、什麼時候會發生、規模會有多大。很多人會覺得我的Keynote有點像上課，甚至有點折磨，但這是故意的。因為我需要讓整個生態，像我一樣去理解未來。03沒有任何一個瓶頸，會持續超過2到3年Dwarkesh：我想更具體地理解一個問題：上游供應鏈真的能跟得上嗎？你們過去幾年基本是收入翻倍增長，同時提供給全球的算力也在大幅增長。現在這個規模已經很大了，比如你們是TSMC先進製程（N3、N2）的最大客戶之一，甚至有分析說，今年AI會佔到N3產能的60%，明年可能到80%以上。那問題來了，如果你已經是最大客戶了，你還怎麼繼續“翻倍”？這個增長會不會被上游限制住？黃仁勳：在某一個時間點上，需求超過供給，是很正常的事情——甚至，這是一種好狀態。你希望一個行業的即時需求是大於總供給的。當然，也可能會在某一個具體環節被卡住，比如說，有時候真的會被“水管工”卡住（笑）。Dwarkesh：水管工？黃仁勳：對，真的。你可能在某個時間點，被某個完全意想不到的環節限制住。但這並不是壞事，因為當某一個瓶頸出現的時候，整個行業會迅速“圍攻”它。舉個例子：前幾年大家一直在討論CoWoS，但現在你已經很少聽到有人談這個問題了。因為過去兩年，整個行業對它進行了極端投入，連續擴產，現在基本已經解決了。TSMC現在也已經意識到，CoWoS的供給必須和邏輯晶片和記憶體的需求同步擴展。以前，CoWoS和HBM是“特殊技術”，但現在已經不是了，它們已經變成了主流計算的一部分。我們現在比以前更有能力去影響更大範圍的供應鏈。我現在說的這些其實5年前我就已經在說了，有些公司當時相信並且投資了，比如Micron，我還記得當時和他們CEO的那次會面，我當時非常明確地告訴他們，未來會發生什麼、為什麼會發生。他們當時真的投入了，而且投入得很深。從LPDDR到HBM，他們都做了很多投資，結果當然也非常好。有些公司後來才跟上，但現在大家基本都已經在這個節奏裡了。所以我的看法是：沒有任何一個瓶頸，會持續超過兩到三年，每一代都會有新的瓶頸，但也都會被解決。現在大家已經開始提前幾年去預判這些瓶頸，並提前投資。比如矽光（silicon photonics），比如新的封裝技術、新的測試裝置……我們在過去幾年做了很多這樣的事情，本質上是在“重塑供應鏈”，讓它為未來的規模做好準備。Dwarkesh：聽起來有些瓶頸比其他更容易擴展，比如CoWoS和封裝可以擴，但有些東西，比如製造能力本身，可能更難。黃仁勳：我剛才其實已經說到最難的那個了：水管工，還有電工。這是最難擴展的。這也是為什麼我對現在很多末日論者“AI會終結工作”的說法感到擔憂。如果我們去勸年輕人不要做軟體工程師，那未來我們就會缺軟體工程師。10年前，有人說“千萬不要做放射科醫生”，說這是第一個會被AI取代的職業，這些視訊現在網上還能找到。結果呢？我們現在缺放射科醫生。Dwarkesh：回到剛才的問題，製造能力這邊，你如何讓晶圓產能每年翻倍？如何讓EUV裝置每年翻倍？黃仁勳：這些都不是問題，它們都可以在2到3年內擴展。關鍵只有一個，那就是需求訊號（demand signal）。一旦有明確的需求，能做1台，就能做10台；能做10台，就能做100萬台……這些東西並不難複製。Dwarkesh：那你會不會直接去跟ASML說：“未來三年我們需要更多EUV機器”？黃仁勳：有些事情我會直接做，有些是間接做。如果我能說服TSMC，那ASML自然也會被說服，所以要找到真正的關鍵節點。但這些都不讓我擔心——真正讓我擔心的是能源，你不可能在沒有能源的情況下建立一個新產業。無論是想重建製造業、建AI工廠、做電動車、做機器人，這些都需要能源，而能源是一個長期問題。相比之下，晶片產能和封裝只是2到3年的問題。Dwarkesh：我聽過一些完全相反的說法，所以我不確定該相信誰（笑）。黃仁勳：你現在是在跟專家對話（笑）。04AI只是計算的一部分，而計算遠不止AIDwarkesh：我想再回到競爭問題，比如Google TPU。現在世界上最強的模型裡，有相當一部分是在TPU上訓練的，這對輝達意味著什麼？黃仁勳：我們做的東西是完全不同的。輝達做的是加速計算（accelerated computing），而不是一個“張量處理單元”。加速計算被用在各種各樣的領域，比如分子動力學、資料處理、流體力學……當然，也包括AI。AI現在是最熱門的討論方向，但計算遠不止AI。我們做的是重新發明計算方式，從通用計算走向加速計算。我們的覆蓋範圍比任何TPU都要大得多，因為我們可以加速所有應用。Dwarkesh：但現實情況是，你們現在的收入絕大多數還是來自AI，而不是來自藥物發現或者量子計算。而AI的核心計算，很多人認為就是矩陣乘法。TPU在這方面是高度最佳化的，雖然GPU更通用。那問題是，對於當前這波AI需求來說，TPU是不是更適合？黃仁勳：矩陣乘法確實很重要，但它不是全部。如果你想發明新的attention機制，想用不同方式做計算分解，或者想設計全新的模型架構，比如混合SSM模型，融合diffusion和autoregressive模型……你需要的是一個完全可程式設計的系統。AI進步的核心是演算法。摩爾定律大概每年提升25%，但我們卻在實現10倍甚至100倍的提升。這些提升來自新的演算法、新的模型結構、新的計算方式，而如果沒有可程式設計性，你甚至不知道從那裡開始做這些創新。Dwarkesh：那我們聊一個更現實的問題。你的客戶，比如Amazon、Google、Microsoft，他們有能力寫自己的kernel，甚至做自己的軟體棧。那CUDA還重要嗎？黃仁勳：CUDA是一個非常豐富的生態系統。如果你要開發系統，從CUDA開始是非常合理的。我們支援所有框架，如果你要寫自訂kernel也可以。我們甚至在Triton裡投入了大量技術。但你要考慮，當系統出問題時，是你的程式碼有問題，還是底層系統有問題？你當然會希望問題出在你自己這裡，CUDA的價值就在於，你可以信任底層。另外一個關鍵點是安裝基數（install base），作為開發者，你最想要的是你的軟體可以運行在大量機器上。我們現在有數億GPU，在所有雲平台上，各種型號，各種規模。這意味著，你開發一次，就可以在全世界運行。Dwarkesh：但如果你的主要客戶是這些超大公司，他們完全可以為自己的系統最佳化，甚至支援多個硬體平台。你的優勢還成立嗎？黃仁勳：我們有大量工程師直接和這些AI公司合作。而且你要理解，GPU不是CPU：CPU就像一輛巡航車，誰都能開；但GPU更像F1賽車，你可以開，但要開到極限，需要專業能力。我們用大量AI來最佳化kernel，很多時候，我們幫客戶最佳化之後，性能提升2倍，有時候3倍……那怕提升50%都是巨大的。而對於一個擁有巨大算力叢集的公司來說，性能提升，直接意味著收入提升。Dwarkesh：如果這些客戶可以自己做最佳化，競爭是不是會變成誰的價格更低、性能更高？黃仁勳：我們在這些AI實驗室裡有大量工程師在幫他們最佳化，沒有人比我們更瞭解我們的架構。GPU不像CPU那樣完全通用，它更複雜，我們可以幫他們從系統裡再挖出2倍性能。而且我們的系統，在整個行業裡擁有最好的TCO（總擁有成本），沒有任何一家公司可以證明自己在TCO上比我們更好，無論是訓練還是推理。Dwarkesh：但還是有公司在用其他方案。比如Anthropic最近宣佈和Broadcom以及Google合作，很多計算在TPU上。黃仁勳：這是一個非常特殊的例子。如果沒有Anthropic，TPU的增長幾乎不存在，他們是一個極端案例。Dwarkesh：但OpenAI也在和AMD合作，甚至在做自己的晶片。黃仁勳：但他們絕大多數計算還是在輝達上，我們也會繼續和他們合作。我不介意別人嘗試其他方案。如果他們不嘗試，怎麼知道我們有多好？我們必須持續證明自己。你看看歷史上那些做ASIC的項目，有多少最後是做不下去、被砍掉的。做一個比輝達更好的系統並不容易。Dwarkesh：他們的邏輯是不需要比你更好，只要不比你差太多，但成本更低就可以。黃仁勳：ASIC的利潤率其實也很高，大概是65%，輝達是70%。差距沒有你想的那麼大。Dwarkesh：那回到一個問題，為什麼輝達沒有更早投資這些AI公司？黃仁勳：我們在能做的時候，就做了。在更早的時候，我們沒有能力做那種等級的投資（幾十億美元），那在當時不是我們的模式。而且我當時沒有意識到，這些公司其實沒有其他融資路徑——我當時以為他們可以像普通公司一樣去找VC（風險投資）融資，但後來我才意識到，他們要做的事情，VC根本投不了。這是我的誤判。Dwarkesh：現在你們有大量現金。為什麼不自己做雲？成為像AWS那樣的公司？黃仁勳：這是我們的公司哲學：做必須做的事情，儘量少做其他事情。如果我們不做某件事，這個世界就不會有，那我們就必須做。但云這件事，如果我們不做，會有很多公司來做。所以我們不做。05對中國的態度：演算法才是關鍵Dwarkesh：很多分析認為，中國在先進製程上落後。比如他們很多還是在7nm，沒有EUV裝置。在算力上，有人估算，他們大概只有美國的十分之一，在HBM頻寬上，差距可能接近一個數量級。那是不是意味著美國可以先達到這些能力，先部署，先修補漏洞，從而獲得安全優勢？黃仁勳：如果你要讓這個邏輯成立，那你必須假設他們沒有算力，但這不是現實。他們已經有大量算力。中國是全球第二大計算市場，如果他們願意集中資源，他們完全可以聚合足夠的算力。Dwarkesh：但他們在頻寬、記憶體等方面還是落後。黃仁勳：那他們就用更多晶片。AI本質上是平行計算問題。如果你有足夠的能源，你可以用更多節點來彌補差距。他們有大量能源，他們有很多已經建好的資料中心，甚至有空置的。他們可以用更多晶片，把系統拼起來，而且他們的晶片製造能力本身就很強。所以“他們沒有AI晶片”這個說法是錯誤的。Dwarkesh：但先進晶片確實存在差距，比如頻寬差距可能接近一個數量級。黃仁勳：那他們就用更多節點連接起來。就像我們用NVLink一樣，他們也已經在做類似的事情。比如華為，他們已經在把大量計算節點連接成一個系統，通過矽光（silicon photonics）等技術把大量計算資源連接在一起。所以如果你只看單個晶片，你會低估整個系統。而且不要忘了，演算法才是關鍵。他們有大量優秀研究者，這才是他們最大的優勢。很多AI進步來自演算法，而不是硬體。如果你在算力上受限，你反而會被逼去做更好的演算法，比如DeepSeek——這不是一個無關緊要的進展。它代表的是一種能力：在算力受限的情況下，依然能做出非常強的模型。Dwarkesh：那如果DeepSeek這樣的模型在華為晶片上首先最佳化、首先跑起來呢？黃仁勳：那就是一個很糟糕的結果。如果一個強大的模型，在非美國技術堆疊上運行得更好，那對美國來說是壞消息。06即使沒有AI，輝達也會是一個非常大的公司Dwarkesh：剛才我們在討論TSMC和記憶體這些瓶頸。那如果未來是這樣一個世界：你們已經佔據了N3的大部分產能，未來還會佔據N2的大部分產能。那有沒有一種可能，你們會回到更舊的製程，比如7nm，利用那些“閒置產能”，重新做類似Hopper或者Ampere這樣的架構，但結合今天在數值計算、系統設計等方面的進步。你覺得這種情況，會不會在2030年前發生？黃仁勳：沒有必要這樣做。因為每一代架構的進步，不只是電晶體規模。它還包括大量工程最佳化、封裝、堆疊、數值計算（numerics）、系統架構等等，如果你想回到舊製程，那意味著你要重新做一整套研發。這是一個幾乎沒有人負擔得起的研發成本。我們可以向前推進，但我不認為我們能向後回退。當然，如果我們做一個思想實驗：如果有一天，世界真的說“我們再也不會有更多先進產能了”，那我會不會立刻用7nm？當然會。毫不猶豫。Dwarkesh：還有一個問題，是別人問我的。為什麼輝達不同時做多個完全不同的晶片項目？比如類似Cerebras那種超大晶片、類似TeslaDojo那樣的系統，甚至做一個完全不依賴CUDA的架構。你們有資源、有工程能力，為什麼不把賭注分散？畢竟AI未來的架構方向還不確定。黃仁勳：我們當然可以這麼做。只是我們沒有看到一個更好的方案。這些東西我們都在模擬系統裡模擬過，它們的效果其實更差。所以我們不會去做。我們現在做的，就是我們認為最正確的架構。當然，如果未來工作負載本身發生變化——我說的不是演算法變化，而是工作負載的形態變化，那我們可能會增加新的加速器。比如最近，我們引入了Grok相關的方向，並且會把它整合進CUDA生態。這是因為Token的價值變高了。幾年前，Token幾乎是免費的，或者非常便宜。但現在不一樣了，現在不同客戶對Token有不同需求。比如，如果我是軟體工程師，我願意為更快響應的Token付錢，因為它能讓我更高效。這個市場是最近才出現的。所以我們現在可以做一件事：同一個模型根據響應時間，劃分出不同市場。這也是為什麼我們決定擴展推理的“帕累托前沿”（Pareto frontier）做一個響應更快、但吞吐更低的推理形態。過去大家都認為吞吐越高越好，但現在可能出現一種市場：Token價格很高（ASP高），即使吞吐低，整體收益仍然更高。如果是這樣那我們就會去做。但從架構角度來說，如果我有更多資源，我更願意把它投入到現有架構上，而不是分散。Dwarkesh：這個高價Token市場的想法非常有意思。黃仁勳：是的，本質是市場分層（segmentation）。Dwarkesh：最後一個問題。假設深度學習革命沒有發生，輝達今天會在做什麼？黃仁勳：還是同一件事：加速計算。我們公司的基本假設一直是，摩爾定律會放緩，通用計算不會適用於所有問題。所以我們把GPU和CPU結合，讓GPU去加速特定計算。不同的演算法、不同的kernel，可以被解除安裝到GPU上執行，從而讓應用加速100倍、200倍。這些應用在幾乎所有地方：科學計算、工程、物理、資料處理、圖形計算、圖像生成……即使沒有AI，輝達也會是一個非常大的公司。因為這是一個更基礎的問題，通用計算的擴展已經接近極限，而解決方案就是領域專用加速（domain-specific acceleration）。我們從圖形開始，但其實有無數其他領域，像分子動力學、地震資料處理、能源勘探、圖像處理……這些都是通用計算無法高效解決的問題。我們的使命一直是把加速計算帶給世界，推動那些通用計算無法突破的領域。當然，如果沒有AI，我會很難過。但正是因為我們在計算上的這些進展，讓深度學習更加普及，讓任何人都可以用一張GPU卡做出很厲害的事情。這一點，從來沒有改變。如果你去看GTC，前面很大一部分內容其實都不是AI。比如計算光刻、量子化學、資料處理，這些都是非常重要的工作，只是沒有AI那麼火。世界上有很多重要的事情並不依賴AI，而Tensor也不是唯一的計算方式。我們希望幫助所有人。 (字母AI)

4月14日，輝達（NVIDIA）正式宣佈推出全球首個開源量子人工智慧模型系列——“Ising(伊辛)”，聚焦解決量子處理器校準和量子糾錯兩大核心痛點，使得AI代理能夠持續自動化校準，並能把校準時耗從數天縮短到數小時；糾錯運行速度與精準率較行業標準分別最高提升約2.5倍和3倍。該模型已被全球多家頂尖實驗室、高校及量子企業採用。輝達意圖繫結量子計算與自身算力體系，黃仁勳表示AI將成為量子計算控制層。Ising系列由兩類核心模型組成:Ising Calibration（校準）和Ising Decoding（解碼）。作為視覺語言模型，Ising Calibration可自動化QPU（量子處理器）的校準任務，應對硬體不穩定及參數漂移；Ising Decoding則利用3D摺積神經網路進行量子糾錯解碼，其計算速度比目前行業標準快2.5倍，精準度提升達300%。輝達CEO黃仁勳指出，Ising將使AI成為量子機器的“控制平面”與“作業系統”，將脆弱的量子位元轉化為可擴展、可靠的“量子-GPU系統”。目前，該模型已在GitHub及Hugging Face開源，並獲得哈佛大學、伯克利實驗室等科研機構的採納，相關資料、框架可在GitHub、Hugging Face及公司官網找到。隨著量子計算市場預計在2030年突破110億美元，輝達此舉不僅鞏固了其在高性能計算領域的生態領導力，更標誌著量子計算正從實驗室環境邁向AI驅動的全自動化運行階段，加速了通用量子電腦的商業化處理程序。 (半導體技術天地)

編者按：汽車產業正經歷百年未有之大變局：電動化重塑格局，智能化催生新機，供應鏈在波動中尋找韌性。而在喧囂之下，年報便是讀懂汽車供應鏈上市公司的資料“底稿”。隨著2025年年報的陸續披露，本欄目將通過營收與利潤的漲跌、現金流的多寡、研發投入佔比的增減等財務資料，透視企業轉型升級的軌跡，並呈現汽車產業鏈不同細分領域的發展現狀。每一份年報都是一面“鏡子”，照見企業的底氣與壓力。希望本專欄的報導與分析，能夠幫助讀者透過紛繁的數字與報表，把握汽車供應鏈演進的基本脈絡與長期邏輯。日前，圖達通、禾賽科技（同在納斯達克上市）、速騰聚創三家港股雷射雷達上市公司先後發佈2025財年業績報告。它們的經營資料共同勾勒出產業從技術驗證走向商業成熟的關鍵軌跡——在智能輔助駕駛滲透率持續提升、物理AI加速落地的背景下，雷射雷達行業開始告別早期“燒錢拓荒”階段，進入規模化量產兌現、盈利拐點顯現、場景多元擴張的全新周期——可謂跑進了“最好的年代”。01 規模化量產已兌現百萬台交付成門檻2025年是雷射雷達行業規模化量產的兌現之年，上述三家企業出貨量均實現翻倍級增長，車載雷射雷達從智能輔助駕駛選配走向主流車型標配，前裝量產滲透率快速提升，百萬台級年交付能力成為生存與競爭的核心門檻。據悉，圖達通2025年雷射雷達總交付量達33.2萬台，同比增長45%，在高端市場穩固基本盤的同時，中端產品實現突破性放量。作為全球首家實現1550奈米車規級雷射雷達量產的企業，圖達通獵鷹平台累計交付突破70萬台，成為蔚來NT3.0平台惟一雷射雷達供應商，配套ET9、全新ES8等旗艦車型，單車配裝量由1顆提升至“1獵鷹+2靈雀W”的組合配置，直接拉動單車價值量與整體出貨規模躍升。更具里程碑意義的是，圖達通面向主流市場的靈雀系列全年交付13.8萬台，同比增長超10倍，成為第二增長引擎；純固態蜂鳥平台啟動量產交付，完善從遠距主雷達到近場補盲的全場景矩陣。產能層面，圖達通年設計產能達120萬台，2026年計畫新增100萬台產能，專門佈局蜂鳥系列產線，支撐機器人與車載補盲市場需求，為全年衝擊100萬台交付量奠定基礎。禾賽2025年總交付量超過162萬台，同比激增222.9%，其中ADAS車載交付138.1萬台，同比增長202.6%，單季度最高交付63萬台，超越2024年全年總量。依託轉鏡技術路線與成熟供應鏈，禾賽成為理想、小米、長安等主流車企核心供應商，市佔率穩居行業第一，ATX系列千元級定價快速滲透15萬元以下主流車型，推動雷射雷達全面普及。產能佈局上，公司實現百萬台級穩定交付，2026年出貨指引上調至300萬～350萬台，規模化優勢持續擴大，單位成本隨出貨量倍增持續下探。速騰聚創2025年總交付量91.2萬台，聚焦MEMS微振鏡路線，依託數位化晶片化方案，成為比亞迪、吉利等車企核心供應商，在合資品牌市場份額超70%，產能佈局達400萬台，支撐規模化交付需求。三家企業的規模化處理程序印證了雷射雷達已成為智駕核心硬體，L2+至L4級自動駕駛車型搭載率持續攀升，百萬台年出貨量從目標變為現實，雷射雷達從高價小眾走向普惠大眾。02 盈利拐點集體顯現告別虧損自我造血2025年，雷射雷達行業迎來盈利拐點，上述三家企業通過規模效應、自研降本、良率提升，實現毛利率全面修復、虧損大幅縮小，從融資驅動的燒錢擴產階段，正式進入經營驅動的盈利兌現周期。其中，2025年，圖達通實現盈利性關鍵突破，毛利率由2024年負8.7%大幅提升至7.9%，成功告別負毛利時代，成為經營質效改善的核心標誌。據瞭解，圖達通盈利改善源於三大動力：一是交付規模增長帶來的規模效應，單位製造與材料成本持續攤薄；二是研發投入轉化為降本成果，產品設計最佳化與核心器件自研替代，直接降低BOM成本；三是產品結構升級，靈雀系列等高性價比產品放量，提升整體盈利水平。財務層面，圖達通經調整淨虧損縮小24%，剔除上市費用、認股權證等非現金項目後，經營層面盈利效率顯著提升；現金及現金等價物同比增長146%，總資產增長50%，港股上市後充裕的資金儲備，為研發與擴產提供堅實支撐，自我“造血”能力持續增強。2026年一季度，圖達通交付量達17萬台，收入超3.8億元，接近2025年半年水平，隨著靈雀、蜂鳥系列產能爬坡，毛利率有望持續提升，向盈虧平衡快速邁進。2025年，禾賽成為行業首家全年GAAP盈利企業，實現營收30.28億元，同比增長45.8%，淨利潤4.36億元，徹底扭轉2024年虧損局面，連續3個季度實現GAAP盈利。同時，禾塞的毛利率保持在41.8%高位水平，即便在價格競爭加劇背景下，僅小幅下滑0.8個百分點，規模效應與技術壁壘形成穩固盈利“護城河。經營現金流連續3年為正，淨資產規模增至89.59億元，財務結構健康，驗證了雷射雷達規模化盈利的可行性。速騰聚創也迎來盈利里程碑，2025年全年虧損縮小65.4%，四季度單季淨利潤達1.04億元，首次實現季度盈利，毛利率從14.7%大幅提升至21.8%；經營現金流同比改善30.5%，四季度實現現金流轉正，經營效率持續最佳化。2025年，三家企業盈利拐點同步顯現，標誌著雷射雷達推廣的商業邏輯閉環形成。這一轉變意味著雷射雷達從技術賽道轉變為成熟產業，具備獨立可持續發展能力，吸引更多產業鏈資源投入，推動行業長期健康發展。03 車載與機器人雙輪驅動多元場景創新增長曲線2025年，雷射雷達行業突破單一車載市場依賴，形成車載基本盤穩固、機器人第二增長曲線爆發的格局，泛機器人、智慧交通、工業自動化等場景快速放量，應用邊界全面拓展。圖達通堅定推進“車載+泛機器人+智慧交通”多元佈局，2025年機器人及其他業務收入1.35億元，同比增長130%，收入佔比從5.1%提升至12.3%，非車業務從概念走向實質營收貢獻。在機器人領域，蜂鳥純固態雷達憑藉小型化、低成本優勢，切入無人配送、工業機器人、AGV等場景，向九識科技等頭部企業批次供貨，海外機器人業務同比增長80%。智慧交通成為新亮點，國內落地15條全自動地鐵線路，港口船閘領域累計交付超1000套；海外突破歐洲市場，與瑞典Aventi Sweden達成260萬美元訂單，落地自研交通管理平台，智慧軌交、智慧航道、智慧港口等場景規模化落地，形成第三增長曲線。圖達通依託全技術路線優勢，為不同場景提供定製化方案，預計機器人業務未來保持翻倍增長，降低對單一市場依賴。禾賽堅持車載為主、機器人為輔的“雙輪戰略”，2025年機器人雷射雷達交付23.93萬台，同比激增425.8%，增速遠超車載業務。依託車載技術遷移優勢，禾賽JT系列切入割草機器人、人形機器人賽道，與追覓簽訂千萬顆級大額訂單，快速佔據機器人市場份額，成為車載之外的重要補充，分散市場波動風險。速騰聚創機器人業務實現爆發式增長，2025年機器人雷達交付30.3萬台，同比暴漲1141.8%，四季度銷量達22.12萬台，同比增長2565.1%，收入佔比提升至36.6%，四季度接近50%，與車載業務平分秋色。速騰聚創聚焦割草、無人配送、人形、具身智能、商業清潔五大機器人細分領域，機器人業務毛利率41.5%，顯著高於車載業務，成為盈利核心驅動力，徹底擺脫單一車載市場依賴。在汽車配套領域，高工智能汽車研究院資料顯示，2025年中國乘用車前裝標配雷射雷達搭載量達324.84萬顆，同比增長112.07%，行業滲透率突破20%，行業進入規模化落地的爆發期。圖達通創始人鮑君威判斷，數字攝影機在過去25年實現爆發式增長，從空白狀態發展到無處不在，全面滲透各類場景——與之類似，雷射雷達正復刻這一路徑，迎來與數字攝影機相似的黃金發展期。長期來看，雷射雷達將成為物理AI的優質資料採集終端，如同手機成為移動網際網路入口，行業部署量保持翻倍增長，10年後規模有望達到當前的1000倍。作為創新科技型企業，中國雷射雷達企業經歷了技術路線的多輪探索、從實驗室到量產爬坡的艱難跨越，以及全球市場的反覆驗證。在這個過程中，他們對抗過“雷射雷達是否被純視覺取代”的行業質疑，忍受過連年虧損、毛利率承壓的資本拷問，在不確定性中堅持走完了從“燒錢”到盈利的漫長征途，逐漸形成了技術全端、產品全域、產能全球的核心優勢。市場分析認為，隨著規模化效應持續釋放、多元場景全面落地，雷射雷達企業有望在2026年實現規模與盈利雙突破，繼續迎接智能感知革命賦予的時代紅利。 (中國汽車報)

輝達發佈開源量子AI模型家族“Ising”，瞄準量子處理器校準與量子糾錯兩大核心瓶頸，將校準時間從數天壓縮至數小時，並顯著提升糾錯速度與精度。當地時間周二，輝達宣佈其開源模型家族迎來新成員——“伊辛”（Ising）量子人工智慧模型，用於加速量子處理器的開發。受到“全球股王推動量子計算落地”的消息刺激，量子計算類股周二集體沖高。截至收盤，SEALSQ漲21.03%、IonQ漲20.16%、D-Wave Quantum漲15.84%、量子計算公司漲11.55%、Rigetti Computing漲11.50%。簡要來說，輝達的模型對應將量子計算器轉變為可靠電腦的兩大痛點：量子處理器校準和量子糾錯。據輝達介紹，全球首個開源量子人工智慧模型包括“伊辛校準”視覺語言模型，快速解讀並響應來自量子處理器的測量結果，使得AI代理能夠持續自動化校準，並能把所需時間從數天縮短到數小時。另外還有兩個3D摺積神經網路解碼模型變體，分別正對速度或精度進行最佳化，用於量子糾錯的即時解碼。比起開源行業標準pyMatching，輝達模型的運行速度最高提升約2.5倍，解碼精準率最高提升約3倍。輝達的戰略意圖也體現在模型命名上。這個模型的名字源自物理學家恩斯特·伊辛的伊辛模型，通過簡單的局部相互作用規則解釋宏觀系統如何自發產生相變和集體現象。除了物理學外，伊辛模型的思想還廣泛應用於AI、金融市場、輿論傳播和量子計算領域。也就是說，輝達試圖將方興未艾的量子計算領域與公司算力體系進行繫結，推出一套量子計算時代的AI控制系統（Ising）和GPU算力平台（CUDA-Q）。輝達掌門黃仁勳在新聞稿中表示：“要讓量子計算真正走向實用，AI至關重要。借助Ising，AI將成為量子計算的控制層，也就是量子機器的作業系統，把脆弱的量子位元轉變為可擴展且可靠的量子GPU系統。”發佈之初，這套系統已經走進全球頂級科學實驗室和公司。輝達介紹稱，“伊辛校準”模型已被費米國家加速器實驗室、勞倫斯伯克利國家實驗室先進量子測試平台、英國國家物理實驗室、哈佛大學、IonQ、Infleqtion等機構採用。“伊辛解碼”模型也已經部署於桑迪亞國家實驗室、康奈爾大學、芝加哥大學、IQM Quantum Computers等機構。 (科創板日報)