在黃仁勳訪談第二段，他正面回應了 TPU 與 ASIC 對輝達的威脅。他強調 NVIDIA 做的不是單一張 AI 晶片，而是加速運算平台，重點在於整個生態系的整合。正如同美中晶片戰，AI 競賽不是單點勝負，要看的是整個技術棧能否同時壯大。
面對「AI 本質上就是大量矩陣乘法，為什麼不讓更專用的 TPU 類架構來主導？」這樣的質疑，黃仁勳的回答是：矩陣乘法很重要，但它不是 AI 的全部。從新 attention 機制、混合式 SSM、diffusion 與 autoregressive 融合，到模型分散式執行與架構革新，AI 的進展往往來自演算法創新，而不只是硬體按摩爾定律往前推。
既然 NVIDIA 手握大量現金，也已透過投資 CoreWeave、Nebius、Nscale，甚至 OpenAI、Anthropic 等方式深度參與 AI 基礎設施與模型層，那它為什麼不乾脆自己下場當雲服務商？黃仁勳的答案仍回到那句話：做必要的最多，非必要的最少。這不屬於「若我們不做，就沒人做」的範疇。
TPU 與 ASIC 不是沒威脅，但 NVIDIA 的戰場更大
針對 Google TPU、AWS Trainium，甚至 OpenAI、Anthropic 與其他大客戶自研或採用替代加速器的趨勢，黃仁勳並未表現出防禦姿態，反而多次把焦點拉回「NVIDIA 做的不是單一張 AI 晶片，而是加速運算平台」。
他強調，NVIDIA 打造的是 accelerated computing，而不是只做 tensor processing。AI 當然是今天最重要的應用之一，但 GPU 與 CUDA 能處理的遠不只 AI，還包括分子動力學、量子色動力學、資料處理、流體力學、粒子物理、藥物研發、影像生成與各種科學運算。這讓 NVIDIA 的市場觸角天生就比為單一工作負載設計的 ASIC 更廣。
面對「AI 本質上就是大量矩陣乘法，為什麼不讓更專用的 TPU 類架構來主導？」這樣的質疑，黃仁勳的回答則是：
矩陣乘法很重要，但它不是 AI 的全部。從新 attention 機制、混合式 SSM、diffusion 與 autoregressive 融合，到模型分散式執行與架構革新，AI 的進展往往來自演算法創新，而不只是硬體按摩爾定律往前推。
他說得非常直接：若只靠晶體管縮放，每年大約也就 25% 左右的提升；但 NVIDIA 從 Hopper 到 Blackwell，能做到 35 倍、甚至 50 倍等級的能效躍升，靠的不是單純製程，而是模型、演算法、網路、記憶體、系統架構與 CUDA 協同設計。
也因此，黃仁勳把 NVIDIA 描述成一家「極端共同設計公司」。它不只是做 GPU，而是同步改動處理器、互連、網路、函式庫、演算法與整個系統。如果沒有 CUDA 這層高度可編程的堆疊，這種大幅度跨層優化就很難實現。
CUDA 的價值：裝機量、信任感與全球通用性
當主持人質疑，既然大客戶如 OpenAI、Anthropic、Google、AWS 都已經會自己寫 kernel、自己做框架優化，CUDA 還有那麼強的護城河嗎？黃仁勳則從三個角度回應。
第一，是生態系的完整與可靠。NVIDIA 可以為 Triton、vLLM、SGLang 等框架提供大量底層支援，讓研究者可以建立在一個已經被充分驗證的基礎上。對開發者而言，最怕的不是自己寫錯，而是根本無法判斷錯在自己還是錯在底層平台。CUDA 的價值之一，就在於它已經被「反覆跑透」，足夠值得信任。
第二，是龐大裝機量。黃仁勳直言，如果你是框架開發者、模型開發者，最想要的絕對是 install base。你不會想把軟體只寫給自己用，而是希望它能跑在盡可能多的機器上。從 A10、A100 到 H100、H200，再到雲端與地端、機器人與工作站，CUDA 幾乎無所不在。這種裝機基礎意味著，一次開發，可以覆蓋全球大量系統。
第三，是跨雲端與跨場景的通用性。黃仁勳指出，NVIDIA 是極少數能同時存在於所有主流雲端與 on-prem 環境的運算平台。對 AI 公司來說，這代表它們不必太早鎖定單一雲端服務商，也更容易把產品部署到不同市場與場景中。
換句話說，CUDA 的價值不只是「工具鏈方便」，而是它結合了生態完整度、全球裝機量與場景通用性，形成一個很難輕易撼動的飛輪。
高毛利不靠軟體稅，靠「每瓦 token 產出」與總持有成本
對於外界質疑 NVIDIA 之所以能維持高毛利，很大程度來自 CUDA 壟斷，而未來若更多客戶有能力自行寫 kernel、打造替代軟體堆疊，高毛利是否會被侵蝕，黃仁勳的回應極具自信。
他指出，NVIDIA 內部投入到各大 AI 實驗室的工程支援人力「多到驚人」，因為 GPU 並不像 CPU 那樣容易駕馭。黃仁勳把 CPU 比喻成 Cadillac，平穩、好開、人人都能上手；而 NVIDIA 的加速器更像 F1 賽車，理論上人人都能開，但真正要把性能壓榨到極限，需要極高專業能力。
NVIDIA 也大量使用 AI 協助自身生成與優化 kernel，因此在與客戶共同調校時，常常能把某個模型或 stack 再提升 50%、2 倍，甚至 3 倍性能。這種優化對擁有大規模 GPU 艦隊的客戶而言，幾乎等同於直接翻倍收入。
黃仁勳更進一步主張，NVIDIA 的平台在全世界擁有最佳 performance per TCO，也就是最佳總持有成本效益比。他說，沒有人能真正證明 TPU、Trainium 或其他平台在整體成本與效能上優於 NVIDIA，市場上也缺乏公開、可信、可正面對比的展示。
在他看來，NVIDIA 的成功根本上不是因為客戶被 CUDA 綁住，而是因為它能在相同能源、相同資本支出下，產出最多 token，進一步轉化成最多收入。對建設 1GW 級 AI 資料中心的客戶來說，最重要的不是單顆晶片便不便宜，而是整座資料中心能不能產生最大收入。只要 NVIDIA 在 tokens per watt 與 perf per dollar 上仍是全球最佳，高毛利就有其合理性。
為何 NVIDIA 沒自己變成 hyperscaler？
既然 NVIDIA 手握大量現金，也已透過投資 CoreWeave、Nebius、Nscale，甚至 OpenAI、Anthropic 等方式深度參與 AI 基礎設施與模型層，那它為什麼不乾脆自己下場當雲服務商？
黃仁勳的答案仍回到那句話：「做必要的最多，非必要的最少。」
如果 NVIDIA 不去做 CUDA、NVLink、CUDA-X、各類領域函式庫與底層平台，那這些東西很可能根本不會有人做，因此 NVIDIA 必須親自做。但如果是雲端服務，世界上已經有很多，這不屬於「若我們不做，就沒人做」的範疇。
不過，當新型態 AI 雲服務商還很弱小、可能需要幫一把才能起飛時，NVIDIA 願意提供資金、供應與技術支持，幫助這個生態系長出來。也就是說，NVIDIA 願意扶植 ecosystem，但不想親自變成 financier 或 hyperscaler。
至於投資 OpenAI、Anthropic 等模型公司，黃仁勳也承認，這其實是 NVIDIA 近年的學習結果。過去 NVIDIA 並沒有意識到，像 OpenAI、Anthropic 這種基礎模型公司在早期根本無法靠傳統 VC 模式完成所需資本密度。等到他真正理解這一點時，才意識到自己若有機會，本來可以更早下場支持。
他甚至坦言，這算是自己的錯誤判斷之一：「當時沒有深刻理解，這些公司若沒有來自大型科技公司或類似等級資本的支援，根本很難成立。」如今 NVIDIA 有了更大的規模，他也說明自己不會再犯同樣錯誤。
中國問題，整場對談最尖銳的一段
整場訪談最激烈的攻防，集中在中國與晶片出口限制。主持人的立場是，AI 算力是訓練與部署高風險模型的直接投入品，如果中國獲得更多先進算力，就可能更快打造具備網路攻擊、漏洞挖掘等能力的模型，這會對美國國安與企業安全構成實質風險。
黃仁勳並不否認 AI 具備風險，也不否認美國應該持續保持領先，但他非常反對把 AI 晶片等同於核武材料或「只要多賣一點就會出事」的極端推論。
他的核心論點有幾個。
首先，他認為中國並不是沒有算力的真空地帶。中國擁有龐大能源、晶片製造能力、通訊與網路基礎設施，也擁有全球極大比例的 AI 研究人才。在黃仁勳的敘述裡，中國不是「如果拿不到 NVIDIA 晶片就無法發展 AI」，而是「如果拿不到最好的，就會改用自己的，並且被迫更快建立本土技術棧」。
其次，他認為出口限制的副作用，是迫使中國的開源模型、生態系與晶片產業加速脫離美國技術棧。這在他看來，是美國長期更該擔心的風險。因為 AI 不是只有模型，還包括晶片層、開發工具層、開源生態層、應用層等整個堆疊。若美國為了保護某一層，例如最前沿模型公司，而犧牲掉整個晶片與開發者生態對中國市場的影響力，長期反而可能讓美國在全球標準與平台戰中失去位置。
中國是全球第二大科技市場，也是全球最大的開源軟體與開源模型貢獻者之一。若美國主動放棄這塊市場，就等於主動把一整個開發者群體推向另一套技術棧。這不只傷害 NVIDIA，也傷害整個美國科技產業與國安。
第三，他反覆強調，世界不是零與無限的極端推演。美國當然應該擁有最多、最好、最早的算力，這點他完全同意；但這不代表美國就應該主動放棄全球第二大市場，或把 AI 描述成某種類似濃縮鈾的絕對武器。對他來說，過度極端的敘事不只無助於政策制定，還可能嚇跑人才、削弱產業信心，最終讓美國自己失去競爭優勢。
他甚至把這件事拉回國內產業政策脈絡：「如果美國因恐懼而把 AI 過度武器化，也會連帶讓更多人抗拒投入軟體、工程與相關領域。」這種恐懼式政策，在他眼裡是一種「輸家心態」，而不是領導技術革命的國家該有的姿態。
黃仁勳真正想說的是：「AI 競賽不是單點勝負，要看的是整個技術棧能否同時壯大。」
這篇文章 黃仁勳最新專訪（下）：為什麼輝達不自己做 Hyperscaler？ 最早出現於 鏈新聞 ABMedia。
