【達沃斯論壇】黃仁勳最新訪談：AI 正在開啟人類最大基建潮，五層AI蛋糕指什麼？

黃仁勳在達沃斯對談中坦言：AI 正在掀起人類史上最大基礎設施浪潮，並將重塑全球勞動力市場。基礎設施怎麼鋪？開發中國家和歐洲怎麼抓住機會？一起來順著他的“五層 AI 蛋糕”聊聊。

一、AI 不只是 ChatGPT，而是一次平台大換代

這場對談裡，黃仁勳先把聊天機器人“拆了個框”，提醒大家：ChatGPT、Claude、Gemini本身只是應用，真正大的變化，是整個計算平台在換代。

過去的軟體，本質是“預錄好的人類指令”，只能吃表格、欄位這類結構化資料，用 SQL 去查“姓名、地址、帳號”。

現在的 AI，則第一次讓電腦能吃下非結構化資訊：看圖、讀長文、聽語音，甚至理解其中的語氣、上下文，然後根據你的“隨口一說”做推理、做計畫。

更關鍵的是，這不是預先錄好的指令碼，而是即時生成：它會結合環境、你給的材料和當下的上下文，臨場“思考”出一個方案，這就是他口中的平台級遷移。

二、“五層 AI 蛋糕”：從電力到應用

很多人談 AI，只盯著模型本身。黃仁勳反覆強調：從產業的角度看，AI 其實是一塊五層蛋糕。

• 底層：能源層—— AI 是即時計算，推理也要耗能，電力是第一要素。
• 第二層：晶片與算力基礎設施—— GPU、網路、伺服器整機，這一層是輝達所在的位置。
• 第三層：雲與資料中心—— 各家雲廠商、超算中心，提供按需的算力服務。
• 第四層：AI 模型—— 大家熟悉的各種大模型、開源模型都在這一層。
• 最上層：行業應用—— 金融、醫療、製造等垂直場景，真正產生經濟價值的地方。

他說，過去一年“AI 很瘋狂”，真正原因不是只有模型變強，而是應用層終於能站在這些模型上開跑了。

而要托起這一層應用，現在全球正在開啟他口中的：“人類歷史上最大規模的基礎設施建設”。

1. 晶片廠、電腦廠、AI 工廠，一起開建

他隨口列了幾組數字：

• 台積電計畫新建20 座晶片工廠；
• 富士康、緯創、廣達，要建30 座“電腦工廠”來組裝 AI 伺服器；
• 美光、SK 海力士、三星在記憶體領域也在瘋狂擴張。

他把這些資料中心稱作“AI 工廠”：晶片廠造 GPU，電腦廠把 GPU 組裝成整機，AI 工廠再把整機堆成算力叢集，最後養出各行各業的 AI 應用。

目前全球只是“投入了幾千億美元”，而他和金融圈看到的規劃，是向兆美元等級挺進。

2. VC 在押什麼？押“AI 原生公司”

錢往那兒流，是判斷技術周期的最好風向標。

黃仁勳提到：2025 年（按對談語境）是風險投資史上規模最大的一年之一，其中大部分資金，都流向了所謂的AI-native 公司。

這些公司不做“給模型包個殼”的小工具，而是直接在醫療、機器人、製造、金融等行業，重新設計產品和業務流程，把 AI 當成底層能力來用。

三、從聊天到“行動”：AI 的三大技術飛躍

聊到具體技術進展，他用過去一年的三個變化，解釋為什麼應用層突然百花齊放。

1. 從語言模型到“智能體系統”

一開始的大模型會幻覺嚴重，很好玩，但不太能托底業務。

過去一年，模型開始變得更“腳踏實地”：能做檢索、做多步推理，把需求拆成步驟，然後給出計畫，甚至直接幫你執行部分任務。

他把這類系統稱作“Agentic AI（智能體 AI）”——從“會聊天”進化到“能行動”。

2. 開源推了一把：“推理模型”的出現

第二個轉折點，是開源推理模型的崛起。

他點名提到 DeepSeek：這是全球第一個公開的“開源推理模型”，出來時讓很多大公司都緊張了一下，也逼著整個行業加速開放。

有了這些開源基座，創業公司、大學、研究機構可以站在公開模型上，訓練自己的專業小模型，把知識“灌”進特定領域，而不用從零開始。

3. 物理智能：AI 開始“懂世界”了

第三塊，是他非常興奮的一點：Physical AI（物理智能）。

AI 不再只懂語言，而是開始理解蛋白質、化學、流體力學、粒子物理、量子物理這類“自然語言”。

比如在藥物研發上，輝達和禮來製藥合作，用模型去“和蛋白質對話”，推演分子結構和反應路徑，為新藥發現提速。

在他眼裡，這一波物理智能，會直接改變藥物設計、材料科學、工業製造的底層範式。

四、AI 搶不搶飯碗？關鍵先分清“工作目的”和“工作任務”

話題繞不開就業。對談人拋出一個很多人心裡的問號：AI 會不會大規模替代人？

黃仁勳的回答挺“逆風”的：未來我們更可能面對勞動力短缺，而不是失業潮。

1. AI 基建本身，就是巨大的“藍領機會”

先看最直觀的一層：建設那一大堆晶片廠、資料中心，本身就需要大量技工和工人。

• 電工、水管工、鋼結構工人、建築工人；
• 網路工程、裝置安裝偵錯、機房維運；
• 各種“tradecraft”（技藝工種），都在漲薪。

他提到，在美國，這些崗位的收入已經接近翻倍，做晶片廠、電腦廠、AI 工廠項目的人，拿六位數年薪變得越來越常見。

這也是他很看重的一點：你不需要博士學位，也能在 AI 浪潮裡賺到一份好收入。

2. 放大“人”的作用，而不是刪除“人”

接下來，他用兩個真實案例，解釋一個簡單但經常被忽略的邏輯：要分清工作的“目的”和“任務”。

第一個是放射科醫生。十年前，大家就說“有了圖像識別，放射科要失業了”。

十年過去，AI 的確滲透進了所有影像判讀場景，醫生看片子已經離不開 AI，但放射科醫生的數量，反而增加了。

原因很樸素：

• 醫生這份工作的目的是診斷疾病、服務病人；
• 看片子只是其中一個任務。

當看片這件事被 AI 加速後，醫生可以把更多時間花在解釋病情、和其他科室協作上，醫院整體接診能力提升，病人多了，醫院收入更高，自然要招更多醫生。

第二個是護士。美國大概缺 500 萬護士，他們有一半時間在做病歷記錄和文書工作。

現在用 AI 做自動記錄和轉寫後，一個叫 Abridge 的團隊，讓護士把精力重新集中到病人身上——結果是：醫院能更快接收病人，營收變好，然後反過來多招護士。

所以，他給出一個判斷框架：問問自己，這份工作的“目的”是什麼？被自動化的，只是“任務”還是“目的本身”？

如果 AI 自動化的是任務，但能讓“目的”做得更好、更快，往往會帶來用工的擴張，而不是收縮。

五、開發中國家怎麼上車？先把 AI 當成“國家基礎設施”

話鋒一轉，對談拋出了一個更現實的問題：AI 會不會進一步放大“只對高學歷人群有用”的不平等？開發中國家怎麼辦？

黃仁勳的建議可以概括成兩句話：建自己的 AI、用自己的語言。

1. 像修電網、修公路一樣修 AI

在他眼裡，AI 已經是和電力、道路同等級的基礎設施。

每個國家都可以選擇“完全進口 AI 服務”，但如今有那麼多開源模型，其實自己訓練並不遙不可及。

一個國家最獨特的資源，是本地語言和文化。在通用模型的基礎上，用本國資料進行微調，打造貼合本地法規、教育和產業的模型，他認為這是所有國家都應該做的事情。

2. AI 反而可能縮小“技術鴻溝”

很多人直覺會覺得：越複雜的技術，越有利於頭部國家。

但他強調，AI 其實是史上門檻最低的軟體形態：你不需要學程式語言，只要會用自然語言描述問題。

未來的“數字勞動力”裡，會同時存在“碳基員工”和“矽基員工”。你需要學會的，是如何指揮、評估、設定邊界，有點像管理一個虛擬團隊。

他說，如果你不會用 AI，就直接開口問它：“我不會用 AI，應該怎麼開始？”，然後順著它的提問，去搭自己的工作流。

對沒受過系統程式設計訓練的人來說，這反而是一條“繞過傳統 CS 教育的捷徑”：直接從需求出發，讓 AI 把程式碼和系統搭出來。

六、歐洲的機會：跳過“軟體時代”，直接擁抱機器人

坐在歐洲，他也被問到一個敏感問題：AI 這波浪潮裡，似乎大家提到的公司，不是美國就是亞洲，歐洲的機會在那？

他的判斷反而很樂觀：歐洲這次機會很大，甚至有可能在某些領域領跑。

1. 工業基礎 + AI = 物理世界的“新作業系統”

歐洲有一個非常紮實的家底：製造業和工業基礎，無論是機器、工廠還是自動化經驗，都很強。

美國在傳統軟體時代佔了便宜，但 AI 有個特點：AI 不是手寫程式碼，而是“教出來”的。

這意味著，只要歐洲企業把現場經驗、工藝流程、工業資料喂給模型，就有機會在機器人、工業控制、物理 AI上，直接做出新一代“世界標準”。

2. 深度科學 + AI：加速基礎研究

另一個被他點名的優勢，是歐洲在基礎科學上的深度積累。

當物理智能模型可以理解粒子、流體、材料的行為模式時，物理、化學、生物這些傳統學科都能被“外掛”一層 AI 輔助，大幅縮短從理論到實驗的周期。

他給歐洲的建議很直接：先解決能源問題，大膽投向 AI 基礎設施，讓本地形成一個完整而豐富的 AI 生態，而不僅是消費別人的雲服務。

七、這是 AI 泡沫嗎？看一眼 GPU 的“租金”就知道

最後一個問題，也是資本市場最關心的：我們是不是已經身處一個 AI 泡沫？

黃仁勳給出的檢驗方法很樸素：看使用率和價格。

1. GPU 一卡難求，連“老卡”租金都在漲

目前，輝達的 GPU 已經鋪進全球幾乎所有主流雲平台，數量達到數百萬顆。

但如果你現在去雲上想臨時租一批 GPU，會發現一個現實：非常難租，連兩代之前的舊 GPU，現貨租金都在往上走。

這背後不是“炒概念”，而是有真實需求在托底：一大批公司把自己的研發預算從濕實驗室、傳統 IT，轉到 AI 超算和模型研發上。

2. 這是“基礎設施周期”，而不是“概念股周期”

在他看來，今天的 AI 更像是上世紀修電網、高鐵、網際網路骨幹網——一次持續數十年的基礎設施周期。

投資的重頭戲，不在於短期那家模型公司火爆，而在於：

• 誰在修電力、土地、機房這套“Land、Power、Shell”；
• 誰在建設算力、網路、儲存這套 AI 基建；
• 誰在各行各業裡，真正把 AI 融進生產系統。

他反倒擔心的是另一件事：全球養老資金、普通儲蓄者如果站在場外，看著這次基礎設施周期從自己身邊劃過去，將會錯過一整代的增長。

因此，他一再強調基礎設施投資的角色：這是歷史上最大的一次“AI 基建投資窗口”，也是公共資金、養老金可以更公平參與的一次機會。 (喬智說)