•
從晶片巨頭到AI生態的生死轉型，拆解黃仁勳的雙重預判
在2022年GTC的技術大會上，輝達首席執行官黃仁勳（Jensen Huang）一句 “摩爾定律已死” 的斷言震動業界。彼時半導體行業仍在3奈米製程的賽道上競速，英特爾、台積電等巨頭尚未公開承認技術迭代的疲態。
近期，黃仁勳通過播客節目進一步拋出驚人預測，認為"OpenAI很有可能成為下一個兆美元等級的超大規模企業"，同時宣佈了一項規模達千億美元的合作計畫，共同建設10吉瓦（GW）的AI資料中心。這兩條看似獨立的論斷，實則構成黃仁勳對技術革命的完整預判：當傳統晶片迭代邏輯崩塌，以 OpenAI 為代表的 AI 力量將重構計算產業的底層規則。
摩爾定律由英特爾創始人戈登·摩爾提出，其核心在於承諾"晶片性能定期倍增而成本減半"。然而，行業資料表明這一良性循環已被打破。根據Google在國際電子器件大會上的研究報告，電晶體成本在台積電28奈米工藝量產後便停止下降趨勢，到7奈米、5奈米節點時甚至出現回升。目前，5奈米晶片的設計成本已突破5億美元，相比28奈米工藝增長25倍，而建設3奈米晶圓廠所需投資高達200-300億美元。
在2022年GTC大會上，黃仁勳展示的對比資料更具說服力：過去十年間，單顆CPU性能提升僅3倍，而GPU通過架構創新實現了317倍的AI計算性能突破。台積電的最新財報進一步印證了技術迭代的收益遞減：3奈米工藝雖然達到85%的良率，但性能提升幅度從早期製程的60%降至30%，製造成本反而增加40%。
技術層面的制約同樣不容忽視。台積電3奈米工藝中電晶體間距已縮小至12奈米，量子隧穿效應導致的漏電問題日益突出。更關鍵的是，儲存與邏輯晶片的工藝發展路徑出現分化。研究表明，SRAM儲存單元在5奈米節點已基本停止微縮。正如北京大學積體電路專家蔡一茂所言："傳統儲存器的微縮瓶頸正成為算力提升的主要制約因素。"
與晶片技術進步放緩形成鮮明對比的是AI算力需求的爆發式增長。黃仁勳提出的"AI三大擴展定律"——涵蓋預訓練（Pre-training）、訓練後最佳化Post-training）和推理應用（Inference）的全周期算力需求增長，正獲得業界廣泛認同。他強調："模型訓練是階段性的，但推理應用是持續性的——從智能對話到視訊生成，每個AI互動都在產生持續的算力消耗。"
OpenAI公佈的資料顯示，GPT-4的訓練算力需求達到1.3×10²⁵次浮點運算，是前代模型的百倍之多。更值得注意的是推理階段的算力消耗：2025年第二季度，其全球API日呼叫量突破百億次，相當於每秒需要十萬台高端伺服器同時運行。
黃仁勳進一步闡釋，傳統AI推理是"即時響應"，而新一代推理則是"深度思考"過程。AI系統在回答前需要進行研究分析、事實核驗和多輪計算，這使得單次互動的算力需求提升10-100倍。他預計推理階段的算力總需求將實現"十億倍"增長，並承認此前（一年前）的預測顯得“過於保守”。
面對摩爾定律的失效，黃仁勳推動輝達實施"全端創新"戰略——通過晶片、系統和演算法的協同突破實現跨越式發展。這一戰略在輝達的產品演進中得到充分體現：從單純追求製程進步，轉向通過GPU架構革新、軟體生態最佳化和系統整合能力建構綜合競爭優勢。
最新資料顯示，採用Blackwell架構的H200 圖形處理器（GPU）在FP8精度下實現每秒32千兆次（PFlops）運算性能，較前代提升3倍。這種貫穿資料中心等級的整體最佳化，使新架構在推理性能上實現30倍躍升，遠超依靠傳統製程進步所能達到的成效。
黃仁勳將這種策略稱為“極致協同設計”（Extreme Co-design）。由於電晶體性能提升趨緩，輝達選擇在系統層級同時革新所有環節：“我們同時改變中央處理器（CPU）、圖形處理器（GPU）、網路晶片、NVLink擴展（Scale up）、Spectrum-X橫向擴展（Scale out）以及所有相關軟體堆疊。”
這一戰略重新定義了輝達的產業定位。黃仁勳在該訪談中強調：“市場將我們視為晶片公司，但輝達本質上是一家AI基礎設施企業。”與OpenAI的合作正是這一定位的體現：除了提供晶片，更在系統架構、軟體平台和人工智慧（AI）工廠建設等層面深度協同，共同建構新一代AI基礎設施。
黃仁勳對OpenAI的看好，本質是押注AI成為算力需求的“永動機”。他在合作聲明中指出，OpenAI正經歷“雙重增長浪潮”： 使用者規模隨著應用場景拓展而指數級擴大，單使用者算力消耗隨著推理複雜度提升而同步增長。這兩股趨勢的疊加，創造了持續旺盛的算力需求。
OpenAI的核心優勢在於其“持續思考”推理模式。以GPT-4 Turbo為例，其處理複雜數學問題需呼叫上千次圖形處理器（GPU）計算單元，通過多輪計算最佳化答案質量，使響應精準率提升至使用者滿意度89%。此外，其訓練資料池涵蓋15兆單詞文字、1億小時視訊與5000萬份學術文獻，配合自研的資料清洗技術實現99.2%的噪聲過濾效率，構築了資料層面的壁壘。
商業變現路徑同樣清晰。OpenAI收入結構已從單一應用程式程式設計介面（API）服務拓展為企業端與消費端雙輪驅動：微軟Azure OpenAI服務2025年上半年營收達120億美元，OpenAI分得30%分成；消費端ChatGPT Plus訂閱使用者突破1億，月均付費20美元，疊加DALL·E 4等圖像生成服務，年化直接收入達240億美元。據黃仁勳估算，如果AI能夠提升全球50兆美元智力產出的10%，其中一半轉化為基礎設施投入，年度資本支出將達5兆美元，足以讓OpenAI成為“下一個Meta或Google”。
隨著AI計算規模持續擴大，電力供應成為關鍵制約因素。黃仁勳指出，單個資料中心功耗已達250兆瓦（MW），未來可能突破1吉瓦（GW）。在此背景下，"能效比"直接決定了"營收效率"。
黃仁勳甚至語出驚人地提出：即使競爭對手免費提供晶片，客戶仍會選擇輝達的解決方案。他解釋道："在2吉瓦的電力配額下，如果我們的系統能效是對手的兩倍，意味著客戶能夠獲得雙倍的業務收益。"在電力成為硬性約束的時代，總體擁有成本的重要性已超越晶片單價。
地緣政治層面，“主權AI”成為各國戰略焦點。通過頻繁與各國領導人交流，黃仁勳深切體會到"擁有自主AI基礎設施已成為國家競爭力的關鍵"。他強調，AI與核武器不同——“沒有人需要原子彈，但人人都需要AI”。這一趨勢下，美國對華晶片出口管制持續加碼，而中國通過全鏈路自主可控技術積極應對。這一趨勢下，美國持續加強對華晶片出口管制，而中國則通過全鏈路自主創新積極應對。近日，黃仁勳曾形象地比喻中美技術差距僅在"納秒之間"，認為中國半導體產業"充滿創新活力"，並建議美國通過開放競爭保持領先地位。
然而，黃仁勳的樂觀預期也面臨諸多質疑。OpenAI首席執行官薩姆·奧爾特曼近期表示："大量資金湧入尚未驗證的AI項目，存在泡沫化風險。"市場資料顯示，2025年全球AI初創企業融資總額達1800億美元，但八成企業尚未實現營收，僅一成能夠覆蓋算力成本。
技術層面，量子計算可能帶來顛覆性變革：Google研發的千量子位原型機在特定任務上的算力相當於十萬台H200 GPU。產業生態方面，微軟、Google等巨頭加速追趕，亞馬遜雲服務（AWS）推出自研訓練（Trainium）晶片，競爭加劇可能壓縮輝達的利潤空間。
儘管如此，黃仁勳認為AI革命與網際網路泡沫有本質區別。他引用輝達財報資料：2025年第二季度資料中心業務同比增長110%，毛利率維持在78%，顯示需求的真實性。更重要的是，推理算力佔比從2023年的20%升至2025年的55%，標誌著剛性需求正在形成。
對於未來，黃仁勳預計五年內AI與機器人技術將深度融合，出現能夠自主行動的智能實體。每個人都有可能擁有個性化的AI助手和雲端數字孿生（Digital Twin）。他給企業的建議異常簡潔：“當面對指數級增長的技術浪潮時，最明智的選擇就是積極參與其中。”
黃仁勳的雙重預判，清晰地勾勒出計算產業範式轉移的軌跡：摩爾定律的終結，宣告了“製程驅動時代”的落幕；而OpenAI的崛起，則標誌著“AI驅動時代”的正式開啟。Google的成本資料、台積電的工藝瓶頸、OpenAI的指數級算力需求，共同構成了這一歷史性轉折的完整證據鏈。輝達以“晶片+生態”深度繫結OpenAI，這不僅是對其成功路徑的復刻——如同昔日憑藉GPU定義遊戲與圖形市場——更是對未來產業規則的重新定義：得AI算力供需者，得天下。 (MGClouds蘑菇雲)