這個根本性的轉變,正是理解當前 AI 產業景氣的關鍵。「過去的推論是一次性的,」黃仁勳解釋,「但新的推論方式,是我們先前所期盼的,也就是思考。在回答之前先思考。」這段話揭示一場正在發生的革命。AI 不再只是從資料庫中提取並歸納答案,它會進行研究,查核事實,學習新知,再三思索,然後生成一個高品質的回應。這個「思考」的過程,讓運算需求增加的倍數,不是百倍千倍,而是十億倍。
黃仁勳坦言,他一年前的預測甚至還過於保守。如今,他提出 AI 發展存在三個「規模化定律」(Scaling Laws),而非一個。
第一是「預訓練」,也就是模型學習的基礎階段。第二是「訓練後」,這好比 AI 在反覆練習一項技能,直到盡善盡美,這個過程透過強化學習,將訓練與推論緊密結合。第三,也是最具爆炸性的,就是「推論」。當 AI 開始思考、推理、使用工具,甚至生成多模態的影片內容時,其運算需求呈現指數級的增長。「看看現在的代理人系統(agent systems),」他說,「AI 不再是單一的語言模型,而是一個由眾多語言模型組成的系統,它們同時運行,有些使用工具,有些進行研究。」
這三大定律的疊加效應,正是 NVIDIA 與 OpenAI 展開史詩級合作的背景。黃仁勳毫不諱言地斷定:「OpenAI 很可能成為下一個數兆美元的超大規模(hyperscale)公司。」他將 OpenAI 的地位,類比於 Meta 或 Google,擁有龐大的消費級與企業級服務。在這樣的預期下,NVIDIA 成為 OpenAI 自建 AI 基礎設施的晶片、軟體到系統級的直接合作夥伴,顯得順理成章。
OpenAI 正經歷著雙重指數增長:其一是用戶數量的指數增長,因為 AI 越來越好用;其二是每個用戶所消耗運算量的指數增長,因為 AI 從一次性回答轉變為深度思考。這雙重效應的疊加,迫使他們必須以前所未有的規模擴建基礎設施。
面對華爾街分析師普遍預測 NVIDIA 的增長將在 2027 年趨於平緩的保守看法,黃仁勳顯得氣定神閒,他認為這兩種觀點並不矛盾。分析師看的是眼前的訂單與財報,而他看到的是一場正在發生的典範轉移。他提出三點宏觀視角,來解釋為何 AI 的需求遠未觸及天花板。
第一點,是基於物理定律的必然。通用運算的摩爾定律已死,未來屬於加速運算與 AI 運算。這意味著全球價值數兆美元的運算基礎設施,都將面臨更新換代。「從通用運算轉向加速運算與 AI,這點無人質疑。」黃仁勳說。這不是創造新市場,而是對現有市場的徹底革新,如同從燃油燈轉向電力,從螺旋槳飛機轉向噴射機。
第二點,是現有超大規模資料中心工作負載的轉移。從搜尋引擎、推薦系統到社群媒體內容,這些過去由 CPU 執行的傳統運算任務,正全面轉向由 GPU 驅動的 AI 運算。光是服務 Meta、Google、字節跳動、亞馬遜等公司,滿足全球數十億用戶既有的網路需求,從傳統架構轉向 AI 架構,本身就是一個價值數千億美元的龐大市場。
「台灣的問題在於,我們(美國)手機和汽車裡95%的晶片都是他們生產的,我們95%的晶片是在9000英里之外生產的,這聽起來不妙吧。順便說一句,台灣距離中國只有80英里,而中國總是毫不避諱說:『我們要拿下台灣。』所以這是一個問題。我進入政府的目標是大幅提升晶片製造本土化,我們需要自主生產晶片。如果連自己的晶片都做不出來,美國要怎麼保衛自己?難道還要依賴遠在天邊(台灣)的人嗎?台灣要怎麼把晶片運到這裡來製造無人機和設備?所以我們會集中火力自製晶片。…… #所以我們要把整個供應鏈都納入,這就是我的目標。台灣要參與晶片美國製,也要同意參與晶片美國製。這就是唐納德·川普政府的魔力…….為了保護你們台灣,拜託,你們需要幫助美國晶片自給自足。(“For us to protect you, come on, you need to help us achieve self-sufficiency.” )」