黄仁勋：别把 AI 回本压力全押在 OpenAI 和 Anthropic 身上

据 Woofun AI 消息，针对当前市场对人工智能回报率的极度焦虑发出警示，明确指出将 AI 基础设施巨额投资的回本压力单一地捆绑在 和 这两家头部实验室身上，是一种严重的认知偏差。市场情绪近期因担忧前沿模型公司的收入无法支撑其高昂估值而剧烈波动，尽管 Anthropic 公布的第三季度收益数据表现尚可，但 AI 板块仍遭遇重挫，反映出投资者对行情延续性的深层怀疑。黄仁勋认为，这种担忧源于对 AI 价值创造主体的狭隘理解，这两家公司在整体生态中仅占据极小份额，真正的驱动力来自更广泛的行业应用与基础设施演进。

从宏观视角审视，黄仁勋预测到 2030 年，全球 AI 基础设施的投入规模将攀升至 4 万亿美金。这一庞大数字的背后，是算力需求呈指数级增长的内在逻辑。他指出，人类正跨入奇点的边缘，算力需求需要增长 10 亿倍，其核心原因在于推理任务的复杂性远超简单的记忆检索。以早期的 ChatGPT 为例，其响应主要依赖预训练阶段编码进大语言模型的知识，这导致其在面对未知事实时容易产生幻觉。而新一代生成式 AI 通过快速检索真实事实来"接地"和约束输出，实现了从背诵到推理的跃迁。真正的价值在于复杂的决策过程：提出方案、规划路径、推演事态发展、反思最优解、展开细节并剪枝优化。

这种类似伟大战略家保留"战略期权"的思维过程，需要消耗海量算力。因为 AI 能产出高质量结果，用户会赋予其更多任务，这种'更多算力完成工作'与'因表现优异被雇佣做更多工作'的正反馈循环，共同放大了总需求。

技术层面的关键解锁在于为大模型装上"harness"，即大语言模型的外骨骼。这一机制负责管理工作记忆，将其转化为短期和长期记忆，并构建知识图谱，模拟人类睡眠时的信息压缩与离线重组过程。另一个重大突破是工具交互能力。AI 被教会如何与人类创造的核心工具互动，包括 SPICE、Verilog、各类仿真器、设计编译器、Photoshop、AutoCAD 以及西门子的专业工具。

正如机器人进入家庭后会使用现有工具而非从零制造，智能体必须掌握已有工具的用法。当嵌入 harness 的大语言模型接入企业真实事实与现有工具链后，便展现出惊人效能。编程成为最易上手的入口，因为软件工程师已习惯使用那些虽不完美但效用巨大的工具。随后，设计、创意和营销工作流也将被重塑。例如 OpenAI 推出的 工具，能将照片直接重建为 CAD 模型，使设计师、建设者和创作者的生产力大幅提升，因为他们可以直接对模型进行交互、调整和微调。

在智能体突破与成本下降方面，纳维–斯托克斯方程的求解是一个典型案例。OpenAI 并非凭空解出该方程，而是站在众多伟大科学家、数学家前人工作的肩膀上，利用 AI 的穷举式探索能力解决了这一悬而未决的问题。许多领域正处于临界点，基础工作已完成，只待海量智能探索去突破。未来几年，智能成本将快速下降，随着更多算力上线和模型变得更聪明、更高效，智能成本有望每年下降 2 倍甚至 20 倍，类似于摩尔定律在过去三十年让计算成本每年减半。

然而，智能消费量将远超成本下降带来的缺口。十年前训练 GPT-1 需花费 1000 万到 2000 万美元，如今一百美元即可实现；与此同时，野心扩张至训练 3 万亿、10 万亿乃至 30 万亿参数的模型。过去十年，算力使用量增长约一百万倍，而人类对智能的需求永不满足。黄仁勋反驳了 AI 将带来闲暇的观点，认为智能会打开更多机会，有野心的人会抓住它们，每学会一件事都会开启新的大门，背后是更多待解决的挑战。1930 年预言经济八倍增长后工时降至每周 15 小时，虽然经济确实增长，但工时未减，因为他低估了工作和发现给人带来的意义感，这已写入人类 DNA。