黃仁勳王堅對話，三個被忽略的關鍵信息_風聞

​

新眸原創·作者 | 簡瑜

今年，鏈博會現場，阿里雲創始人王堅與英偉達創始人兼CEO黃仁勳進行了一場持續近半小時的對話。

議題從AI的下一階段形態、模型開源路徑、生物工程邊界拓展，延伸至AI與人類關係的底層邏輯。兩位掌舵者雖未直接談及產品或商業對抗，卻不約而同地指向了AI技術未來的幾個關鍵議題。

站在這場對話的交匯點，外界可以窺見一個信號：當生成式AI的熱潮逐步冷卻，行業的討論正從參數、數據和算力，轉向與現實世界的接觸面——一個更具“物理屬性”的AI階段，正在顯現。

從本次對話出發，本文將嘗試拆解以下幾個問題：

l 當AI邁入“物理智能”時代，硬件廠商、雲廠商乃至大模型公司各自的機會與挑戰將如何重構？

l 圍繞開源、生物工程、人與AI的關係等關鍵命題，這場對談背後透露出怎樣的長期判斷？

l 從英偉達與阿里雲的表態中，可以讀出他們下一階段戰略佈局的哪些信號？

01

從認知AI邁向物理AI

下一場AI變革的想象邊界在哪？

在這次對話中，黃仁勳拋出了一項頗具前瞻性的判斷：繼認知智能和生成式AI之後，下一波浪潮將邁入“物理AI”時代。

所謂物理AI，指的是AI從數字世界走向物理世界，具備感知、推理、決策、再到執行動作的完整能力鏈條。從這個維度來看，人形機器人、自動駕駛等熱門方向，皆可歸於物理AI的範疇。

和以“指令-推理”為核心的生成式AI不同，物理AI更強調與現實場景的交互能力。這意味着AI系統必須能在不確定的物理環境中，自主理解外界信息並做出連續反應，其對多模態感知、Agent系統以及即時響應能力的要求，將遠高於當下。

從訓練範式上看，這也標誌着大模型訓練邏輯的轉變。

過去模型依賴大數據進行預訓練，而進入物理AI階段後，“後訓練”和微調將變得至關重要。以強化學習為代表的機制，不再只是一個“優化補丁”，而是確保AI行為與人類意圖對齊的關鍵過程。而這背後，對算力的消耗也將進入下一個數量級。

眾所周知，英偉達之所以能夠在認知智能到生成式AI的躍遷期佔據上風，離不開其早期在通用GPU計算和CUDA生態上的持續投入。但如果説CUDA為AI帶來了“思考”的肌肉，物理AI則意味着AI開始“動起來”，這將進一步牽動整個上游產業鏈的價值重構。

例如，具備多模態輸入能力的傳感器廠商（如Sony、ADI）與為機器人提供行動部件的精密減速器製造商（如Harmonic Drive、Nabtesco），將從“邊緣配角”走向系統核心。

AI的“六感”與“四肢”，都將從這些硬件基礎中生長出來。

除此之外，雲計算的架構也將面臨新一輪的調整。算力需求的指數級增長，將推動IaaS層逐漸標準化為“水電煤”式的底層基礎設施，而原本複雜的SaaS層則會被成為更輕量的接口形態。真正的差異化，或許將回到業務邏輯和產品體驗本身。

與此同時，大模型的發展也正在逼近“Scaling Law”的臨界點。過去行業普遍遵循的堆參數、提能力範式正在逐步失效。

換句話説，模型能力的評估標準將從單一的參數規模，轉向對綜合表現的全方位考察：是否具備處理超長文本的能力？能否在複雜語境中進行多步推理？是否可以適配不同場景並實現物理層面的交互？這些，才是下一階段競爭的核心變量。

這背後帶來的影響遠不止技術層面。對大模型企業而言，組織結構或將被重新定義。傳統以工程效率為導向的分工方式，難以支撐跨模態、跨場景的快速迭代。未來的團隊，可能要從流水線式的寫代碼，走向產品導向的系統協作。

一個很容易被大家忽略的事實是，未來AI的核心應用場景，可能會圍繞製造業展開。

不只是AI控制生產線，更是AI直接嵌入到產品形態中。可以預見的是，從AI手機、AI電腦到AI眼鏡，未來將出現一批原生搭載物理AI的設備品類，它們可能重塑人們與智能設備的交互方式。

02

三個關鍵命題：

“開源”、“生物工程”、“AI與人”

在這次對話中，黃仁勳與王堅不約而同提到了“開源”在AI發展中的重要性。

“源”指源代碼和實現細節，過去，開源與閉源更多是技術路線之爭；但當我們回到“物理AI”的語境下，它已逐漸演變為一種商業戰略和生態選擇。

隨着AI系統需要適應更多元的現實場景，對定製化能力和可控邊界的要求不斷提升。開源模型因其更高的靈活性與透明度，正在成為AI走向“場景級”落地的關鍵基礎。尤其是在產品需求快速變化的環境中，能夠自主調校模型行為的企業，無疑會更有適應力。

與此同時，當AI大模型的應用邊界不斷擴展，相關的權責劃分也愈加重要。

而在開源的場景中，開發者廣泛參與、使用、測試的過程，本身也是對模型安全性、內容生成邊界等問題的一次次實踐倒逼，這種持續的共建和監督，有助於逐步釐清AI模型在實際應用中的權責歸屬。

英偉達對“開源”的推動，並非只體現在口頭上。早在兩個月前，其推出的NVLink Fusion技術，就首次向第三方CPU和加速器開放了NVLink生態系統，通過發佈IP與硬件接口，鼓勵外部硬件廠商與自家芯片實現互操作。

不過，問題也隨之而來：當大模型紛紛走向開源，競爭的焦點將會是什麼？

答案可能正是生態閉環的構建能力。正如眾多蘋果用户之所以選擇蘋果，是因為其強大的軟硬件生態體系一樣，未來的大模型廠商也必須在開源基礎上構建一個涵蓋模型、數據、應用和硬件的完整生態系統。

但這也意味着，體量更小、資源更少的AI初創公司，在面對巨頭級平台時，可能會加速失去獨立生存空間。

除了技術與生態，另一個在此次對話中被反覆提及的關鍵詞，是“生命工程”。

今年早些時候，英偉達聯合加拿大Mila研究所推出了La-Proteina——一個面向蛋白質結構的AI生成模型。這一動作背後的信號很明確：醫藥行業儘管門檻極高、節奏極慢，但一旦突破，其市場空間和社會價值是極為可觀的。

對“人”本身的討論，則貫穿於整個對話的末尾。黃仁勳描繪了一種未來的關係：AI將像伴侶一樣，從你出生陪伴到你老去。這種想象聽起來浪漫，但並非遙不可及。我們與AI的關係，正在悄然從“工具”轉向“共生”。

事實上，在移動端，AI已悄然嵌入我們每天的行為中。

根據QuestMobile 2025年AI應用報告，以小藝、小布、小V為代表的手機原生AI助手，在用户規模上已佔據相當份額。儘管這些手機廠商的AI助手在人均使用頻次上仍不高，但這反而説明了一件事——AI與手機的結合方式，還遠未定型。

正如黃仁勳所言，AI會成為你的“數字夥伴”。而這個夥伴的形態、位置、能力邊界，正是下一階段所有AI企業和開發者真正需要回答的問題。

QuestMobile 2025年AI應用報告

03

英偉達與阿里雲的未來十年：

佈局與突破在哪兒？

今年以來，英偉達一直在反覆強調一個關鍵定位：這家公司正在從芯片製造商，轉型為AI基礎設施建設者。

英偉達也正在用行動落地它的AI Infra戰略。一個典型的案例，就是它重倉投資的雲計算公司 CoreWeave，其核心業務是為AI應用提供高性能 GPU 雲服務。自3月IPO以來，CoreWeave的市值已經翻了近兩倍，如今已逼近730億美元，其成長速度幾乎和英偉達本身的熱度同步。

但英偉達的佈局並不止於“雲”。正如我們前文提到的“物理AI”概念，在算力層面也衍生出了新的技術範式——邊緣計算平台。

邊緣計算中的“邊緣”，相對於“雲”而言，意味着將計算資源部署在更接近數據源的位置——在終端、在設備本地，而不是遠在雲端。

雖然聽起來像是一種“非主流”方案，但它所瞄準的，是物理AI時代最核心的一批場景：自動駕駛、機器人、無人機、工業終端。這些領域對延遲、即時性有着極高要求，顯然，傳統雲架構無法勝任。

相比之下，阿里雲所面臨的局勢就複雜得多。

當上遊硬件廠商不斷向下遊“伸手”，既做基礎設施又賣雲服務，對於以IaaS起家的阿里雲來説，顯然是個壓力不小的信號。於是我們看到，阿里雲的戰略也在“向下遊走”。

一個典型的內部戰略方向是“IaaS + PaaS一體化”模式。相較於傳統IaaS只提供裸資源的方式，阿里雲更希望客户使用它的“中間層能力”——數據庫、大數據平台、Serverless、容器化、DevOps 工具等，換句話説，是把雲從資源賣家變成產品提供者，從而向生態型平台進化。

這就呼應了我們在前文中對“開源”的討論：不論是英偉達，還是阿里雲，它們都在試圖擺脱單一賣方角色，向系統級、平台級生態靠攏。

開源只是手段，本質是搶奪下游場景的控制權。

在AI時代，硬件、算力、模型、數據、場景之間的邊界正在變得模糊，誰能更早佔住“算力+平台”的支點，誰就擁有重構下游規則的資格。這場戰役，也許早已在這場爐邊對話之外，悄然打響。