•
當AI 圈還在爭論有沒有泡沫，黃仁勳已經在算“推理（Reasoning）”能賺多少錢。
2026 年 1 月 8 日，播客 No Priors 上，他這樣說：
就算 ChatGPT 沒出現，NVIDIA也會贏。
這份自信，源於對計算產業的真實判斷。
過去十年，摩爾定律逐漸失效，算力不再自動變便宜。所以加速計算從高端選項變成了“產業標配”。
當主持人問起 “2025 年 AI 最讓你驚訝”的進展，黃仁勳沒講多模態、也沒講大模型，答案是：模型推理能力的進化，和它如何成為一門可以定價、可以收費的生意。
這意味著，AI 的戰場已經從做大模型轉向了賣推理能力。
過去，AI 的強，主要指兩個方向：會寫、會說。
從 ChatGPT 到各種聊天機器人，只要能輸出連貫、像人寫的內容，就算是好模型。
但到了企業場景，標準變了。他們不在乎會不會聊天，在乎的是：這個 AI 能給我省多少錢、賺多少錢？
要讓 AI 輸出值錢，黃仁勳的回答是：推理能力。
這個能力不是模型參數再翻幾倍，而是：
有了這種能力，AI 給出的結果就能明碼標價了。
他舉了幾個例子：
這說明什麼？過去 AI 輸出不穩定，企業不敢付高價；現在推理讓答案可控，按結果收費成為可能。
這個變化有兩個訊號值得特別注意：
在這個過程中，最早跑出來的不是消費級產品，而是高度專業場景。
醫療、法律、科研、工程……這些地方對答案質量要求極高，恰好讓推理有了明確價格。
我們第一次看到，推理從模型的一個小能力，變成了能單獨收費的產品。
推理能收費了，但這些能賣錢的Token，是怎麼產出來的？
黃仁勳把這個生產場所叫作：AI 工廠。
這些工廠 24 小時不停地運算、生成推理結果。但要讓 Token 持續產出，背後得有三樣東西支撐：
這三類工廠，正在美國各地大量建設。
而建設這些工廠，需要的不只是技術，更是人。
黃仁勳說，他第一次看到電工、技術員、水管工的需求漲得這麼快。電工資格證成了熱門證書。有人專門接 AI 工廠的活，一出差就是一個月。建築工人也被拉到這些新工地，很多州開始出現搶人的現象。
這是實實在在的變化： 不是模型參數增長，不是論文數量增長， 而是資料中心大量開工、光纜加速鋪設、電費暴漲、崗位激增。
AI 不再只是程式碼和演算法，而是開始像傳統工業一樣，有產線、有工人、有產能指標。
這場基礎設施建設確實在創造大量就業。但隨之而來的問題是：當AI真正投入使用後，會不會反過來取代人的工作？
黃仁勳認為恰恰相反。他舉了放射科醫生的例子：
“八年前，AI 教父 Hinton 預言 AI 會徹底改變放射學，放射科醫生將不再被需要。他說對了一半，現在 100% 的放射學應用都是 AI 驅動的。但放射科醫生的數量不減反增。”
原因在於：
AI 接管的是任務（研究掃描片），但放射科醫生的目的是診斷疾病、做研究、服務更多病人。
當 AI 幫他們更快看完掃描片，他們就能接更多病例、做更深入的研究，醫院效率提高了，反而需要雇更多放射科醫生。
這個邏輯不只適用於醫生，也適用於所有使用 AI 推理能力的行業：
所以 AI 提高了效率，但也釋放了需求。不是 AI 取代人，而是 AI 讓人能做更多以前做不了的事。
這也是為什麼基礎設施建設本身，就是 2026 年最確定的商業機會之一。
而對於那些想用 AI 做應用的人來說，真正的問題是：推理能收費了，接下來該怎麼做？
既然推理能賣錢，那誰能抓住這個機會？
這聽起來像只有大公司才做得到的事。但黃仁勳指出：
“生成推理的成本，每年下降10倍。”
“落後 6 個月也不怕，成本降了就能趕上。”
於是出現了兩種玩法：
一方面，大公司還在籌建下一批超算叢集，爭奪供應鏈；另一方面，小公司已經在開源模型上搭建出垂直服務，開始接單賺錢。
比如：
這些小公司都不做萬能助手，而是只解決一類人的剛需問題。
黃仁勳形容這是“在一個小池塘裡先做到極致”。這種專注一個場景做到能收錢的方式，才是接下來五年裡，大多數AI創業者最現實的路徑。
而讓這條路徑成為可能的，是開源。
黃仁勳說：
“沒有開源，初創公司、教育、研究都沒法做。傳統企業也做不了AI 轉型。”
他甚至說，中國 AI 公司 DeepSeek 去年開放原始碼的訓練方法，是“對美國AI最大的單一貢獻”。因為它讓矽谷所有初創公司都能學到最前沿的技術，大幅降低了進入門檻。
降低門檻意味著：
不需要從頭訓練大模型，在開源基礎上做垂直最佳化就夠了；不需要燒掉幾億美元，用更小的成本就能驗證需求。
但能做，不等於能做成。關鍵在於：
不是沒模型就做不了AI，而是你得想清楚：你要解決誰的問題？你怎麼把推理包裝成一個值得付費、值得信賴的數字員工？
如果還不確定方向，黃仁勳提到了 2026 年三個值得關注的領域：
第一，數字生物學將迎來它的 ChatGPT 時刻。
蛋白質理解、多蛋白質生成、化學構象……這些領域正在匯聚合成資料、多模態、推理三大能力。Nvidia 最近開放原始碼的模型就是為多蛋白質理解設計的。
第二，汽車不再只是感知加規劃，而是會變成推理汽車。
當車遇到從未見過的情況時，它能把複雜場景分解成已知情況，通過推理系統導航通過。Nvidia的自動駕駛堆疊剛剛拿到安全評級第一名。
第三，人形機器人或多具身機器人將有巨大突破。
黃仁勳說“我們開始得太早了”，自動駕駛經歷了四個時代，而機器人正在用現成的端到端模型加推理系統起步，可能不需要10年就能落地。
這三個方向的共同點是：推理能力已經成熟，接下來就是誰先把它變成產品。
你不需要幾億美元，但你需要找對一個細分場景，一個真實的痛點。
窗口期很短，但機會還在。
過去講 AI，是講性能、講模型、講誰更像人。
現在講 AI，有個很清楚的衡量標準：能不能讓人願意付錢？
推理開始值錢，標誌著三個轉變：
AI 行業的競爭重點變了。
模型再強，不如結果好賣。 (AI深度研究員)