【宅秘】这周，GTC（GPU Technology Conference，GPU 技术大会）上，黄仁勋重新讨论了 AI 到底是什么。对此，他构建了一个「五层蛋糕」的概念：能源为先进计算机供电，这些计算机构成 AI 工厂；工厂中运行的模型生成 token，也就是数字智能，再将其融入各种应用。

他还提到「要参与 AI 经济，就要成为 AI 的生产者，消费 AI 只是其中一部分」

从消费者到生产者

欧洲与中美的 AI 产业格局不同。欧洲的 AI 更多的用于工业。例如汽车设计、生产制造、药物研发等，都是其发展 AI 的重要应用场景。加上欧洲有深厚的工业基础，造就了欧洲更鲜明的使用特征。

但欧洲在大模型与云平台方面，欧洲却更多依赖美国公司，调用外部模型可以满足快速用上 AI 提效的需求，然而外部模型使用成本高昂，且美国监管本土企业有权调取数据，这和将 AI 用于处理工业数据的企业天然冲突，安全性难以获得保障。

黄仁勋说的要成为 AI 的生产者，正好戳中欧洲亟待变化的 AI 处境。他「五层蛋糕」中的每一层都提出了相应方案。尤其是 AI 工厂建设。成为生产者，首先要建设的是上游系统，也就是基础设施。在 AI 产业里，就是芯片、算力、云。有了这些，企业就可以使用本地的算力，用自己的数据训练自己的模型，那些数据需要保密的企业也能够放心地将数据上传至本地的云平台。企业可以提高对数据和算力的掌控权，减少跨境数据对外部服务的依赖。在未来的运营和使用中，也可以降低一定的模型使用成本。掣肘

一来，欧洲企业就可以将已有的经验与数据变成掌握在自己手中的 AI 能力，达到降本增效，也能够充分地发挥 AI 的作用。

但要建设基础设施，并非买一块芯片那么简单，能源、冷却、链接部署、本地调试都需要时间。如果从 0 建设，从买设备，安装调试到投入使用，可能还有数月的时间。黄仁勋说「你预期的年收入是几百亿美元？就算按 400 亿美元 / 年的收入来算——这座基础设施一年产出 400 亿——如果只是延迟 3 个月，那就是 100 亿美元。」

英伟达提出的 DSX POD，就是为了让用上这套方案的人更早的产生收入。

DSX POD 把其中一部分现场工程提前搬进工厂将 7 个液冷计算机架及配套系统集成到可运输的集装箱中，「全部点亮、全部建好、确保完全正常运行」，再交付现场。按照他的预计，从设备到货到「产出 token」，可以由「4 到 5 个月」缩短至「大约 1 个月」。节省下来的首先是设备闲置、收入推迟的代价。除了节省收入延后。官方还称，配合 DSX 的电力管理，同样的 AI 产出最多可少用 30% 的电。

没错。电力管理，这也是「五层蛋糕」中的一层。芯片的计算能力持续提升，供电、冷却和部署速度就可能成为新的瓶颈。这也是英伟达张罗建工厂的原因。既然你没有条件做，那我就把条件全配齐。帮助欧洲从 AI 消费者成为 AI 生产者，需要从头开始，一路解决到算力真正投入使用的环节。

共赢与单独受益并不冲突

从头开始，也说明 AI 生产的各个环节都会有新的生意。

在能源方面，欧洲有施耐德、西门子等相当成熟的能源公司，施耐德电气负责配电与液冷，西门子评估热、噪声和电网影响，达索系统把机架与厂房设计连接起来。与欧洲本土品牌合作，建设 AI 工厂，英伟达从中负责给出电力管理方案。一方面，英伟达更了解自己的产品，获得了新的生意，另一方面，欧洲企业可以把原有产品与工程能力卖进新一轮基础设施建设。这不是一家美国企业的「入侵」，而是一次多方共赢的效率革命。

在其他方面，黄仁勋提出了产业生态协同的构想。例如模型、仿真和智能体开发工具。如果有企业需要更进一步的开发起点，英伟达也将其考虑在内并提供成品。当然，欧洲企业并非从 0 开始，未必会全盘采用。之前已有的工业软件、自研模型，以及其他供应商更适合的产品，都可能继续留在系统中。企业最终需要比较的，仍然是性能、成本，以及与现有业务的适配程度。

这样一来，英伟达在欧洲的生态位就有了扎根的基础。围绕英伟达基础设施展开的各种建筑，会在欧洲建立起非常广泛的生态，当生态与信任逐步建立，已经验证过的产品与经验，又会成为继续采用这套方案的理由。对于使用者，本土化的 AI 部署既降低了使用成本，又带来了新的生意，监管上也能由自己负责。

本土合作、客户信任、品牌生态这些共同投入将逐渐积累，在摩尔定律失速的未来，技术可能被追平，但如果有如此紧密的合作基础，这将是一块难以撼动的商业堡垒。

新一轮工业革命的起点

「经过计算机行业数十年的发展，我们如今正处于一场新工业革命的开端」

「当一项新技术改变了我们制造事物的方法，以及我们能够制造什么时，工业革命就发生了」

黄仁勋在演讲中将现在的状态称为工业革命的开端。

回看第一次工业革命，珍妮纺纱机是第一次工业革命早期的代表性发明，让一个工人能够同时操作多个纱锭。随着纺纱效率提升，生产规模扩大，对原料的需求增加，随后引发了一系列的变化，起初是纺织业，后来又逐步扩大到整个社会的生产方式都发生了变化。生产力的变化，往往就是这样牵一发而动全身。一个环节有了新的能力，与它相连的环节就会出现新的机会，也会暴露出新的瓶颈。解决这些瓶颈，又会推动下一轮进步。

如今的大模型就如同珍妮纺纱机，它让普通人的工作效率获得了不同程度的提升。当 AI 在实际生产中的参与度越来越高，使用规模也会随之扩大。对原料——能源和算力的需求就会催生出上游产业链；技术更加精进，相应地会出现更加便利高效的应用和产品。产业之间的相互依赖性不断加强，产业生态协同就会成为一种必然的要求。

但这些环节能否一起进步，会影响最终的产出。高盛近期在讨论中国 AI 供应链时提出，「AI 技术本质上具有乘数效应——供应链中多个组件各落后一代可能导致总算力输出 / 效率落后一代以上」。因此，每个环节的发展程度都至关重要，产业协同的重要性可见一斑。芯片即使算得更快，网络传输、供电或冷却跟不上，性能也难以充分发挥；算力准备好了，还需要软件与业务流程的配合，才能变成企业实际获得的效率提升。单个环节的技术领先，只有经过其他环节的配合，才能兑现为实际生产力；产业协同会影响 AI 投入最终能产生多少回报。

英伟达提出的这份「欧洲 AI 发展攻略」，就是这次工业革命的一个缩影。英伟达的做法，是用一套整合好的全栈技术方案，加上本土化合作，把原本分属不同领域的产业连接起来。它也因此从一个芯片供应商，变成欧洲产业协同的粘合剂。整套方案的价值，就在于把产业间逐步磨合的过程，变成可以提前规划和推进的合作。

关注宅秘，一起看懂 AI、用好 AI

版权所有，未经许可不得转载