3月10日，英偉達(dá)創(chuàng)始人黃仁勛罕見地發(fā)布了一篇博客，并提出了一個根本性的范式轉(zhuǎn)換：

AI不再是預(yù)先編寫的軟件，而是實時生成的智能。

人工智能也并非單一的模型或應(yīng)用程序，而是如同電力和互聯(lián)網(wǎng)一樣必不可少的基礎(chǔ)設(shè)施。

這一論斷看似超前，但背后卻有一套清晰的架構(gòu)邏輯支撐：

能源→芯片→基礎(chǔ)設(shè)施→模型→應(yīng)用

自下而上遞進(jìn)，上層需求拉動下層投入，形成動態(tài)傳導(dǎo)的技術(shù)棧。這并非簡單的分層，而是物理約束逐級向上傳導(dǎo)的鏈條。

近幾年來，智能已經(jīng)從預(yù)存指令的檢索發(fā)展到實時生成的推理，而整個計算范式也正在悄無聲息地發(fā)生根本性重構(gòu)。

01

范式轉(zhuǎn)換：從預(yù)制的軟件到實時的智能

氛圍編程（Vibe Coding）概念興起之前，在那些經(jīng)歷過傳統(tǒng)計算時代的老一代程序員們眼中，軟件必須依賴于人類預(yù)設(shè)的算法，數(shù)據(jù)必須經(jīng)過結(jié)構(gòu)化處理才能被檢索。

但短短幾年，AI就輕松打破了這個流傳了幾十年的經(jīng)典模式：

計算機(jī)已經(jīng)能夠理解圖像、文本、聲音等非結(jié)構(gòu)化信息，并根據(jù)上下文實時生成回應(yīng)。

在黃仁勛看來，AI的每次推理都是一次全新的創(chuàng)造實踐，因此支撐智能生成的底層AI架構(gòu)也必須重新設(shè)計。

在他設(shè)想的五層架構(gòu)中，能源被置于最底層，而且不存在“抽象層”。

Transformer架構(gòu)中，注意力機(jī)制下生成的每一個token，本質(zhì)上都是電子流動、熱量管理和能量轉(zhuǎn)化為計算的結(jié)果。

能源不僅是成本，還是物理層面上智能生產(chǎn)規(guī)模的上限。

自此之上，芯片決定算力轉(zhuǎn)化的效率，基礎(chǔ)設(shè)施成為芯片集群的工廠，模型理解多領(lǐng)域的知識，而應(yīng)用最后承載商業(yè)價值。

在這個架構(gòu)上運行的鏈條，任何一層存在瓶頸都會極大程度上制約智能生成的整體規(guī)模。

對于英偉達(dá)和同在美國的Google、OpenAI等龍頭企業(yè)來說，芯片、基礎(chǔ)設(shè)施和模型三個層級基本已經(jīng)打通，毫無疑問處于世界領(lǐng)先水平，但底層的能源仍是最大的限制。

不惜成本建設(shè)數(shù)據(jù)中心以及積極探索太空算力等舉措足以證明底層能源的限制對上層應(yīng)用的商業(yè)路徑產(chǎn)生極大阻礙。

如果將這一框架置于國內(nèi)產(chǎn)業(yè)環(huán)境之中，約束與機(jī)會同樣并存。

在能源供給方面，中國在電力基礎(chǔ)設(shè)施上具備絕對優(yōu)勢，但芯片和高帶寬內(nèi)存（HBM）等環(huán)節(jié)明顯受制于國際供應(yīng)鏈，目前國產(chǎn)算力在訓(xùn)練階段的集群性能和生態(tài)適配上都存在顯著差距，且差距有增加的趨勢。

但需要注意的是，推理階段的需求已經(jīng)呈現(xiàn)出差異化。通過模型量化、混合專家架構(gòu)等優(yōu)化手段，中端芯片亦可支持多數(shù)應(yīng)用場景，而這正是讓黃仁勛贊不絕口的DeepSeek最擅長的領(lǐng)域。

但現(xiàn)階段，要在基礎(chǔ)模型能力上追逐國際頂尖水平仍顯得不切實際。但結(jié)合此前的判斷：智能體爆發(fā)加上AI能力溢出讓模型之間的差距被壓縮，國產(chǎn)模型和國際頂尖模型之間的體驗差距已經(jīng)小于參數(shù)差距。

應(yīng)用層若是能精準(zhǔn)定位“夠用就好”的需求區(qū)間，國產(chǎn)模型憑借極致的性價比就必然存在局部突圍的可能性。

02

戰(zhàn)略轉(zhuǎn)向：從硬件綁定到生態(tài)連接

面對一只龍蝦引起的應(yīng)用層爆發(fā)，英偉達(dá)的策略也發(fā)生了微妙的變化。

根據(jù)Wired報道，英偉達(dá)也正在走國內(nèi)AI企業(yè)的養(yǎng)蝦之路，計劃推出開源AI代理平臺NemoClaw。

但不同之處在于，國內(nèi)AI企業(yè)幾乎將幾個月前手機(jī)助手問世時的場面原封不動又復(fù)刻了一遍：開源項目誕生后，各家接連推出自己的類似功能產(chǎn)品，然后關(guān)閉生態(tài)，各自傾銷自己的滯銷token。

而英偉達(dá)選擇了開源，且無論企業(yè)是否使用英偉達(dá)芯片都可以接入平臺，同時提供了安全與隱私工具以應(yīng)對企業(yè)級部署的可靠性挑戰(zhàn)。

它沒有做第一批養(yǎng)蝦的企業(yè)，卻從軟件和硬件層面上提供了最適合養(yǎng)蝦的“水缸”。

與此同時，英偉達(dá)也發(fā)現(xiàn)，如果它在人們心中的印象還是那個GPU企業(yè)，那就不可能在大模型和智能體領(lǐng)域內(nèi)占據(jù)如今硬件領(lǐng)域的地位。

因此，這一舉措取消了此前的平臺大多要求企業(yè)使用自家芯片的限制。不過，這并非放棄了硬件層面上的底層優(yōu)勢，而是通過降低參與門檻，把自身的角色升級成了“代理生態(tài)的基礎(chǔ)設(shè)施提供方”，試圖成為代理任務(wù)的默認(rèn)運行環(huán)境。

在這篇博客中，雖然沒有明說，但黃仁勛想要表達(dá)的意思很明確：

當(dāng)代理任務(wù)成為連接應(yīng)用和底層算力的核心時，誰能定義調(diào)度規(guī)則，誰就能在五層架構(gòu)的傳導(dǎo)鏈條中占據(jù)上游的議價權(quán)。

而這里的調(diào)度規(guī)則，至少會包含以下三個維度：

一是模型路由：誰能定義路由算法，誰就能決定流量流向哪個模型廠商；

二是工具與工作流編排：誰定義工具調(diào)用的API和執(zhí)行順序，誰就能決定企業(yè)軟件被AI調(diào)用的方式；

三是算力映射：誰定義任務(wù)對算力的需求特征，誰就能決定底層芯片的設(shè)計方向。

與其被動響應(yīng)需求，不如主動定義需求。

同期的另一項計劃也顯示出英偉達(dá)轉(zhuǎn)型的決心：

英偉達(dá)預(yù)計在未來五年內(nèi)投入260億美元開發(fā)一款開放權(quán)重的模型。

所謂開放權(quán)重，就是公開模型的參數(shù)，但保留許可限制，既能滿足企業(yè)對透明度與定制化的需求，又能憑借最擅長的軟硬件協(xié)同優(yōu)化能力維持技術(shù)主導(dǎo)權(quán)。

根據(jù)英偉達(dá)高管透露的信息，該模型的研發(fā)除了提供AI能力以外，更重要的目的是對存儲、網(wǎng)絡(luò)和數(shù)據(jù)中心進(jìn)行一次極限壓力測試，以此定義下一代硬件架構(gòu)。

據(jù)稱，國產(chǎn)模型DeepSeek-V4可能完全由華為昇騰系列芯片訓(xùn)練，此后國產(chǎn)算力可能在國產(chǎn)模型的訓(xùn)練中所占比重逐步上升；而英偉達(dá)的首款模型預(yù)計在2026年底或2027年初問世。據(jù)此推算，這一時間窗口會與全球算力格局演變的關(guān)鍵周期高度重疊。

03

應(yīng)用挑戰(zhàn)：從“能執(zhí)行”到“可信執(zhí)行”

當(dāng)黃仁勛口中的“智能”自上而下扎根于物理設(shè)施的同時，自下而上也在面臨著應(yīng)用層的可靠性挑戰(zhàn)。

NemoClaw平臺明確指向企業(yè)級市場的底氣，正是著重強(qiáng)調(diào)的安全與隱私工具。

英偉達(dá)的動向，恰好回應(yīng)了當(dāng)前代理技術(shù)最核心的矛盾：模型能力的提升無法直接轉(zhuǎn)化為生產(chǎn)環(huán)境的可靠性。

在實際的生產(chǎn)環(huán)境中，規(guī)模化運營的公司絕不會輕易使用OpenClaw這種高風(fēng)險的產(chǎn)品。

一周之前，DeepLearning.AI創(chuàng)始人吳恩達(dá)博士在一次訪談中也明確指出：高風(fēng)險企業(yè)應(yīng)用中，完全自主的模型與生產(chǎn)級可靠性之間仍有巨大缺口。

無論是此前的大語言模型、如今的智能體還是未來的通用人工智能（AGI），人們對AI的核心需求其實從未改變：自動化執(zhí)行任務(wù)。

這就意味著，AI產(chǎn)品的設(shè)計理念中必須包含智能自主決策。智能化和自主化程度越高，離人們的目標(biāo)就越近。

但在實際業(yè)務(wù)場景中，容錯率低的嚇人，系統(tǒng)需要經(jīng)過成千上萬次運行后依然保持穩(wěn)定，這需要精細(xì)的工作流設(shè)計和分布驗證，而不僅僅依賴模型的“智商”。

英偉達(dá)在平臺中引入安全審計和權(quán)限管控等相關(guān)機(jī)制，是目前國內(nèi)外各種“Claw產(chǎn)品”最欠缺的部分。

代理工具的價值早已不是“能否執(zhí)行”，而是如何“可控執(zhí)行”。

Perplexity近期提出的“Everything is Computer”就是這一命題最好的實證參考。

其企業(yè)級方案在金融研究場景中實現(xiàn)了“16000次查詢節(jié)省160萬美元人力成本”效果的同時，也設(shè)計了敏感操作審批、完整審計軌跡、緊急中止開關(guān)等安全機(jī)制，回應(yīng)了企業(yè)對于代理工具不可預(yù)測性的擔(dān)憂。

事實證明，基礎(chǔ)模型在達(dá)到一定閾值后，決定用戶體驗的就不再是參數(shù)規(guī)模，而是產(chǎn)品如何管理風(fēng)險、嵌入流程并驗證結(jié)果。

04

結(jié)語：早期階段的選擇

英偉達(dá)的一系列動作，把一個根本的問題擺在了國產(chǎn)AI企業(yè)的眼前：

當(dāng)基礎(chǔ)設(shè)施的定義權(quán)已經(jīng)集中于全棧廠商，后來者還有什么機(jī)會？

吳恩達(dá)提出的觀點或許是這個問題的最好回答：

垂直領(lǐng)域AI服務(wù)于特定行業(yè)的能力，其增長速度將遠(yuǎn)超對AGI的期待。

在訓(xùn)練算力受限、推理算力有替代方案的情況下，放棄高精尖領(lǐng)域，聚焦高頻剛需場景反而容易在體驗層面上實現(xiàn)反超。

就像黃仁勛在博客結(jié)尾所說，人類仍處于AI基礎(chǔ)設(shè)施建設(shè)的早期階段，大語言模型和智能體都不會是AI發(fā)展的最終形態(tài)，大量機(jī)遇尚未發(fā)掘。

對于全球絕大部分開發(fā)者而言，復(fù)制全棧巨頭的路徑絕非明智之舉，只會像OpenClaw一樣營造出大量偽需求。

真正的機(jī)會，是在約束條件下探索更貼合本土場景的智能系統(tǒng)。

當(dāng)應(yīng)用層開始反向定義技術(shù)棧，AI能力溢出就變成了戰(zhàn)略機(jī)會。

國產(chǎn)模型在智能體時代已經(jīng)與國際頂尖模型縮小了參數(shù)上的差距，后續(xù)發(fā)展的關(guān)鍵就在于產(chǎn)品如何跨越“能用”和“好用”之間的臨界點。

可以確信的是，免費奶茶營銷留不住的用戶，缺乏場景耦合的代理工具同樣留不住。

只有找到普通用戶也愿意為之付費的價值點，應(yīng)用層才能真正拉動下層技術(shù)投入，形成正向循環(huán)。

智能的物理基座已經(jīng)開始澆筑，應(yīng)用層的真實價值將決定基座能承載多大的經(jīng)濟(jì)規(guī)模。