英伟达GTC上，“皮衣黄”也来蹭DeepSeek热度了

摘要： “皮衣黄”嘴上全是主意，心里全是生意。3月18日，英伟达GTC（GPU技术大会）如期召开。在这场被视为“AI算力风向标”的盛会上，英伟达CEO黄仁勋以一贯的黑色皮衣造型亮相，发布了...

“皮衣黄”嘴上全是主意，心里全是生意。

3月18日，英伟达GTC（GPU技术大会）如期召开。在这场被视为“AI算力风向标”的盛会上，英伟达CEO黄仁勋以一贯的黑色皮衣造型亮相，发布了多项重磅技术与战略规划，试图再次巩固其“AI底层引擎”的地位。

其中最受关注的，莫过于新技术与硬件的发布。英伟达推出的Blackwell Ultra GPU采用了台积电3纳米工艺，单芯片集成了2080亿个晶体管，其FP8计算能力达到20 PetaFLOPS，相较于前代产品H100实现了五倍的性能提升，可支持万亿参数模型的实时推理。

黄仁勋在演讲中反复强调：“推理算力需求被严重低估，实际需求是原预期的100倍。”此外，针对企业级市场的B300方案进一步展示了英伟达的野心，单集群可训练70万亿参数的多模态模型，微软和OpenAI已宣布部署该方案。

面向未来，英伟达提前公布了2026年的Rubin架构，集成光子计算单元以降低延迟，晶体管密度较Blackwell再提升40%，直指动态推理优化的需求。在终端设备领域，RTX 8090显卡首次实现本地运行2000亿参数模型的能力，Jetson Orin Nano+机器人模组则以500 TOPS算力和15瓦低功耗瞄准工业自动化市场。现场展示的GR00T通用机器人更是以0.1毫米的操作精度引发轰动，黄仁勋宣称“通用机器人时代已正式到来”。

然而，这场技术秀的高潮并非英伟达的“独角戏”。黄仁勋在演讲中多次提及中国AI公司DeepSeek，称其R1模型为“卓越的创新”，并高调展示双方协同案例——“Blackwell芯片与DeepSeek-R1结合可为客户节省30%推理成本”。

问题由此浮现：黄仁勋，这位全球最渴求Scaling Law（尺度法则）的代言人，为何在自家主场上为竞争对手站台？

股价暴跌背后的算力焦虑，英伟达与DeepSeek“貌合神离”

让我们把时间拨回到2025年1月27日，必是英伟达股价单日暴跌16.86%，市值蒸发5888亿美元，创下美国上市公司单日最大跌幅纪录。这场危机的导火索正是DeepSeek-R1模型的横空出世。这款6710亿参数的模型通过稀疏注意力机制、MOE多专家框架等技术，将算力需求压缩至传统方法的十分之一，单模型训练成本低至557.6万美元，仅为行业平均水平的五分之一。市场瞬间陷入恐慌：“高效模型是否意味着算力需求见顶？”

黄仁勋在GTC大会上坦然承认：“DeepSeek-R1的工程优化令人兴奋不已，它证明了AI效率的突破。”但紧接着话锋一转：“但这只是冰山一角。后训练（post-training）才是智能的核心，而它需要海量算力支撑。”更直言不讳地驳斥市场误判：“有人认为DeepSeek-R1‘从天而降’后，不需要再做任何计算了。但事实恰恰相反——推理仍然是算力密集的。”其回应，堪称矛盾艺术的典范。

紧接着，黄仁勋又宣布其NVIDIA Blackwell DGX系统创下了DeepSeek-R1大模型推理性能的世界纪录。

得嘞，合着您还是来蹭DeepSeek热度给自己打广告的……

双方的竞争本质是技术路线的根本对立。英伟达的策略依然围绕硬件制程迭代展开，从3纳米到2纳米的工艺跃进，配合AI工厂的规模化算力供给，试图用“算力决定AI上限”的叙事巩固话语权。其最新发布的Inference-X推理模型，在同等参数规模下响应速度较DeepSeek-R1快40%，能耗降低35%，显然意在通过性能优势压制对手。

DeepSeek则开辟了一条截然不同的道路。通过动态token生成、FP8训练优化和自研轻量级框架，其技术路径聚焦于挖掘存量算力价值。开源工具链haiprof允许开发者分析Blackwell芯片的算力瓶颈，而联合中国芯片厂商推出的“Blackwell兼容计划”，更是直接挑战英伟达的CUDA生态壁垒。这种“效率优先”的策略，不仅降低了算力门槛，更动摇了硬件厂商的盈利根基。

黄仁勋的潜台词在演讲中表露无遗：“DeepSeek是AI革命中的重要参与者，但英伟达构建的是支撑所有参与者的舞台。”言下之意，聚光灯下的主角或许轮换，但舞台的控制权始终掌握在英伟达手中。

算力焦虑的制造与贩卖，黄仁勋“AI教主”形象破灭

近年来，黄仁勋不断强化其“AI教主”的人设。2023年宣称“10年内深度学习算力提升100万倍”，2025年GTC上预言“2026年推理算力市场规模达训练市场的5倍”，这些言论的本质是将算力稀缺性塑造为行业刚需。其力推的“AI民主化”看似普惠，实则暗藏商业算计——Blackwell芯片租赁定价18美元/小时，直接对标DeepSeek的公有云服务；单座AI工厂年耗电2.1 TWh（相当于24万家庭用电），2030年全球部署500座的规划，意味着至少750亿美元的硬件采购需求。

这种策略在短期内确实提振了市场信心。面对DeepSeek引发的股价震荡，英伟达通过提前量产Blackwell架构并渲染“推理算力需求激增100倍”，成功实现12%的股价回升。但截至3月19日，其市值仍较年初峰值缩水约6000亿美元。

另一方面，DeepSeek的技术突破正在动摇英伟达的叙事根基。其采用的强化学习驱动参数优化技术，可将200亿参数模型的实际激活量压缩至10亿级；蒸馏训练与自研框架的结合，使训练成本降低90%；开源生态的构建更直接威胁CUDA的垄断地位。摩根士丹利测算显示，若DeepSeek方案普及，全球AI算力投资可减少30%-50%。这对依赖硬件销售的英伟达而言，无异于釜底抽薪。

黄仁勋的困境在于，他既要维护英伟达的硬件霸权，又不得不承认效率优化的价值。这种分裂在GTC上暴露无遗：他高调称赞DeepSeek，却同步发布“3个月实现竞品80%性能”的端到端工具链；宣称构建开放生态，却通过CUDA 12.5兼容DeepSeek压缩技术，将第三方芯片纳入自家集群掌控。这种既拉拢又压制的策略，折射出硬件巨头面对软件创新的焦虑。

英伟达的危机不仅来自外部竞争，更源于自身商业逻辑的局限性。当投资者意识到，万亿参数模型未必是AI发展的唯一方向，当企业开始权衡“算力边际收益”与“能效成本”，黄仁勋的“算力永动机”叙事便难以为继。其“AI教主”形象，终将在效率革命与技术民主化的浪潮中逐渐褪色。

算力未来的双重叙事

英伟达与DeepSeek的较量，本质上是两种产业逻辑的碰撞。一方是硬件驱动的“规模扩张”，另一方是软件优化的“效率革命”；一边是生态闭环的掌控欲，另一边是开源协作的颠覆力。黄仁勋的“站台”与“反击”，实则是试图在两者间维持微妙平衡——既借DeepSeek证明算力需求的“永续性”，又以技术迭代巩固自身壁垒。

然而，当DeepSeek用开源工具链撕开CUDA的生态裂缝，当市场从“算力狂热”转向“成本理性”，英伟达的“舞台”或许正悄然缩小。技术史反复证明，没有永恒的霸主，只有持续的创新。在这场AI算力的范式变革中，“皮衣黄”的嘴上主意与心里生意，终将被效率与价值的终极标尺重新衡量。

算力的未来，从来不止一种答案。