黄仁勋在GTC 2025上的一页PPT

这页 PPT 的核心意思是：AI 的能力提升，已经不只靠“训练更大的模型”这一条路，而是变成了三条增长曲线叠加：预训练、后训练、推理时思考。
黄仁勋是在解释：为什么 AI 未来还会继续消耗大量算力，甚至算力需求会比过去更大。

一、这张图先看两个坐标

横轴是 AI 发展的阶段：

Perception AI → Generative AI → Agentic AI → Physical AI

也就是：

从“看懂世界”，到“生成内容”，到“自主完成任务”，再到“进入物理世界”。

纵轴是 Intelligence，也就是智能水平。

所以整张图在说：

AI 每往前走一代，智能都需要继续往上提升，而提升智能的方法已经从一条路变成三条路。

二、第一条曲线：Pre-training Scaling，预训练扩展

这是过去几年大家最熟悉的逻辑。

问题是：为什么 GPT、Claude、Gemini 会越来越聪明？

答案是：因为它们吃了更多数据，用了更大模型，花了更多 GPU 训练。

例如：

早期 AI 只能识别猫狗、车牌、人脸，这是 Perception AI。

后来大模型通过海量文本、图片、代码预训练，开始能写文章、写代码、画图、做翻译，这就是 Generative AI。

这条曲线的逻辑是：

数据越多，参数越大，训练算力越强，模型基础能力越强。

但问题也来了：

互联网上高质量数据不是无限的，单纯靠“更大预训练”会越来越贵，边际收益也可能下降。

所以 AI 进入第二条曲线。

三、第二条曲线：Post-training Scaling，后训练扩展

这条曲线的意思是：模型预训练完以后，还要继续“调教”。

比如：

一个大模型预训练后，知道很多知识，但它未必会按照人的方式回答问题，也未必会遵守指令，更未必会像专家一样推理。

所以要做：

指令微调、RLHF、人类反馈强化学习、偏好训练、代码训练、数学训练、工具调用训练、安全训练。

简单说：

预训练让模型“有知识”；

后训练让模型“会做事”。

举例：

一个孩子读了很多书，这是预训练。

但他要成为医生、律师、设计师、CEO，还需要大量专业训练，这是后训练。

AI 也是一样。

比如一个基础模型可以写普通文案，但经过后训练之后，它可以变成：

电商客服 AI、设计审稿 AI、投研分析 AI、代码工程师 AI、法律合同 AI、门店运营 AI。

这就是为什么现在不仅训练基础模型要算力，后训练也会成为巨大的算力需求来源。

四、第三条曲线：Test-time Scaling，“推理时扩展”或者“长思考”

这是这页 PPT 最重要的新东西。

过去大家以为：模型训练完以后，回答一次问题就是一次简单推理。

但现在发现：

AI 在回答问题的时候，如果允许它“多想一会儿”，它的能力会明显提升。

这就是图上写的：

Test-time Scaling / Long Thinking

也就是推理阶段的算力扩展。

你可以把它理解成：

普通 AI 是“马上回答”；

高级 AI 是“先思考、分解、验证、反思，再回答”。

例如：

你问 AI：

“2+2 等于几？”

它不需要长思考。

但你问：

“英伟达未来三年是不是还值得投资？请结合资本开支、竞争格局、估值、现金流、ASIC 替代风险、数据中心电力瓶颈分析。”

这个问题就需要长思考。

模型如果只花 1 秒回答，可能是泛泛而谈；

如果花 30 秒、2 分钟、10 分钟，调取工具、拆解变量、比较数据、做情景推演，答案质量会明显不同。

这就是为什么未来 AI 算力需求不只是来自“训练模型”，还来自“每一次高质量回答”。

五、黄仁勋真正想表达的投资逻辑

这页 PPT 背后其实是在回应一个核心问题：

AI 算力需求会不会见顶？

他的答案是：不会那么快见顶。

因为过去大家只看到了第一层需求：

训练大模型需要 GPU。

但现在有三层需求：

第一层是 预训练算力：训练更大的基础模型。
第二层是 后训练算力：把基础模型训练成专家模型、行业模型、Agent 模型。
第三层是 推理算力：AI 每次认真思考、规划、执行，都要消耗大量算力。

而第三层可能是未来最大的一层。

因为训练是阶段性的，但推理是每天、每个人、每家公司、每个机器人都在发生的。

六、几个容易理解的例子

例子一：写一篇普通文案

普通生成式 AI：

你输入：“帮我写一段糖力朋友圈文案。”

它直接生成一段。

这主要是 Generative AI。

但如果升级到 Agentic AI，它会这样做：

先理解糖力品牌定位；

再分析目标客群；

再判断发布场景；

再生成 10 个版本；

再根据小红书/朋友圈/视频号分别优化；

最后还给你推荐关键词和发布时间。

这时候，它不只是生成，而是在“执行一个任务”。

这就需要更多推理算力。

例子二：投研分析

普通 AI：

“英伟达是 AI 龙头，长期看好。”

高级 AI：

它会问：

英伟达未来三年收入增长来自哪里？

Blackwell、Rubin 的迭代节奏如何？

云厂商资本开支是否可持续？

ASIC 会不会替代 GPU？

毛利率是否会下降？

推理算力是否能接棒训练算力？

估值是否已经反映未来三年增长？

这种分析不是简单生成文字，而是多步骤推理。

所以越接近“高质量投研”，越需要 test-time scaling。

例子三：机器人

Physical AI 是最远的一层。

比如未来一个家用机器人，要帮你整理衣柜。

它不是简单识别衣服，而是要：

看懂衣服材质；

判断哪些是羊毛、哪些是羽绒、哪些不能机洗；

理解你的衣柜分类习惯；

规划动作路径；

避开小孩和宠物；

完成折叠、挂放、收纳。

这背后需要视觉模型、语言模型、动作模型、规划模型一起工作。

所以 Physical AI 的算力需求，可能比今天的 ChatGPT 推理还大很多。

七、你可以用这些问题理解这张 PPT

1. 为什么 AI 从一条 scaling law 变成三条 scaling law？

因为过去智能主要靠“训练更大模型”；

现在智能还可以靠“后训练”和“推理时多思考”继续提升。

2. 为什么这对英伟达重要？

因为这意味着 GPU 不只是卖给模型训练，还会卖给：

后训练、推理、Agent、机器人、自动驾驶、工业仿真、数字孪生。

英伟达想证明：

AI 算力需求不是一次性建设，而是长期基础设施。

3. 为什么 test-time scaling 很关键？

因为它把 AI 的算力消耗从“训练阶段”变成“使用阶段”。

训练一个模型可能几个月一次；

但用户每天使用 AI，企业每天调用 AI，机器人每秒都在推理。

所以推理可能成为更持续、更庞大的市场。

4. Agentic AI 为什么比 Generative AI 更耗算力？

因为生成式 AI 只是回答问题；

Agentic AI 要拆任务、做计划、调用工具、执行、检查结果、修正错误。

比如你让 AI “帮我管理一家服装公司的电商视觉转化率”，它不能只写建议，而要分析数据、识别图片、生成方案、测试 A/B、反馈优化。

这比写一段文字复杂得多。

5. Physical AI 为什么是更大的终局？

因为 AI 一旦进入物理世界，就不是“说对”就行，而是要“做对”。

机器人、自动驾驶、无人仓、工厂自动化，都需要实时感知、实时决策、实时动作。

这会带来巨大的边缘算力、数据中心算力和仿真训练需求。

八、对你的投资理解，最关键的一句话

这页 PPT 不是单纯讲技术，而是在讲：

AI 的算力需求，正在从“训练大模型”扩展到“训练后优化、推理时思考、Agent 执行、机器人行动”。

所以如果这个逻辑成立，未来 AI 算力不是短周期景气，而是类似电力、互联网、云计算一样的长期基础设施。

但你也要继续追问一个关键问题：

这些新增算力需求，最后到底会变成云厂商的真实收入和利润，还是只变成英伟达和硬件公司的资本开支？

这个问题，才是判断英伟达、AMD、云计算公司、PCB/CCL/电力设备是否值得投资的核心。