1. 英特尔启动新一轮裁员，目标锁定数据中心部门
2. 从芯片到智算集群全覆盖：东方算芯WAIC亮出国产自主算力完整解决方案
3. 从全AI技术矩阵到开源AIOS，安谋科技加速端侧AI规模化落地
4. 西门子收购Precision Innovations，以 AI 助力SoC设计探索与优化能力
5. 理想首颗芯片，Die Shot曝光
6. 黄仁勋揭AI新时代蓝图：从GPU到AI工厂 英伟达如何重新定义未来运算？
1. 英特尔启动新一轮裁员，目标锁定数据中心部门
英特尔告知其数据中心部门的员工，公司计划进行新一轮裁员。此前，这家芯片制造商已在2024年和2025年进行了一次大规模裁员。目前尚不清楚英特尔计划通过此次裁员减少多少职位，但英特尔表示，裁员不会影响其产品承诺或路线图。
英特尔周一在一份发给《俄勒冈人报》/OregonLive的书面声明中表示：“作为我们整体战略的一部分，为了使公司更加专注高效，（数据中心业务部门）正在调整其组织架构，以确保配备合适的岗位和技能，从而为业务的长期成功奠定基础。”该公司表示，预计此次重组将使其运营更加简便快捷。
英特尔在一份电子邮件声明中表示，此次裁员是“旨在成为一家更加专注和高效的公司的更广泛战略”的一部分。
“DCG正在调整其组织架构，以确保拥有合适的岗位和技能，从而使公司能够取得长期的成功。”该公司表示。
根据英特尔的年度报告，该公司全球员工人数从 2023 年底的 125,000 人减少到 2025 年底的 85,000 人。
在俄勒冈州，该州的劳动力人数在2024年初达到峰值23000人，但一年后下降到约20200人。随后，英特尔宣布将在2025年裁员3200人。
公司代表拒绝透露目前在该州的员工人数，但即便如此，英特尔仍将是俄勒冈州最大的企业雇主，其员工人数可能达到 17,000 人。
2. 从芯片到智算集群全覆盖：东方算芯WAIC亮出国产自主算力完整解决方案
全球AI产业迈入规模化落地关键阶段，高端AI芯片更是各国科技竞争核心领域。然而，国际地缘局势趋紧下，海外对先进制程相关技术实施封锁，导致国内 AI 芯片行业陷入制程内卷、路线追随难题，单纯复刻海外架构、依靠先进工艺迭代的发展模式已遭遇发展瓶颈。
在产业大变局之下，国产算力新锐东方算芯携全栈自研算力产品矩阵，亮相2026世界人工智能大会（WAIC2026）世博展览馆与张江科学会堂，以自主原创技术成果直面行业痛点，同时凭借DF1000 3D AI芯片颠覆性架构创新，斩获大会最高荣誉SAIL卓越人工智能引领者奖，既为国内算力发展打造了可借鉴的实践样本，也为全球 AI 算力产业迭代提供了东方创新范式。
架构创新破局行业瓶颈，东方算芯获SAIL大奖**
当前全球AI算力产业面临突出结构性矛盾，AI大模型训练与推理带来算力需求指数级增长，而海外持续收紧高端GPU、先进制程、HBM存储等出口管制。同时，国内多数算力芯片复刻二维GPU架构，面临制程内卷、存储受限和软件生态依附等重要挑战。
在传统格局追赶模式下，国产芯片既需争取稀缺先进工艺产能，又受HBM垄断制约，面临供应链安全与性能提升等各重压力，行业亟需底层架构原创破局方案。
东方算芯DF1000芯片依托清华二十年可重构技术积淀，基于全国产供应链，从工艺、存储、软件三大维度重构算力底层逻辑，系统性破解行业桎梏，因而斩获WAIC2026 SAIL引领赛道大奖，成为国产算力原创技术路线的标杆成果。
DF1000第一重核心突破，是以软件定义架构摆脱先进制程依赖，筑牢全国产供应链根基。
该芯片摒弃海外依靠尖端工艺堆砌算力的思路，采用国产成熟制程，搭配独创全栈可重构计算体系，通过硬件空间并行、时分复用机制动态调度计算阵列，将硬件资源利用率提升至行业顶尖水平，实现520TFLOPS@BF16峰值算力，性能等效实现海外4nm主流训练GPU。
同时，DF1000芯片设计、制造、封测全流程国产化，无需EUV光刻机、海外高端IP与HBM存储，形成闭环可控的国产供应链，为国内智算中心、政企算力基建提供可规模化、可迭代的国产化硬件底座。
第二重突破为3D混合键合近存计算技术，击穿行业“存储墙”痛点。
传统AI芯片计算与存储分离的架构，存在数据传输慢、带宽不足、功耗偏高的行业痛点。DF1000搭载国内首创DRAM-Logic晶圆级混合键合垂直封装方案，垂直堆叠计算与存储层级，将芯片互连间距压缩至亚微米级别，互连密度与带宽密度实现量级跃升。
同时，其单卡访存带宽达6.4TB/s，Scale-up互联带宽高达900GB/s，性能远超传统2.5D HBM方案，同时规避了HBM供货紧缺、成本高昂的供应链风险。
这一架构缩短数据搬运路径，实现计算与访存并行执行，从底层消除算力损耗，适配万亿参数大模型训练、长文本分布式推理等高带宽核心场景。
第三重突破是自研全栈CAAP软件生态，解决国产芯片“能用不好用”的落地难题。
算力竞争的核心是生态竞争，过往国产芯片常因软件适配不完善，存在模型迁移难、落地门槛高、难以规模化的问题。DF1000搭建全自主底层软件栈，覆盖驱动、运行时、算子库、分布式工具链等全环节，原生兼容主流AI框架与国产大模型，配套一键轻量化迁移工具，大幅降低企业硬件替换成本，达成国产芯片可用、好用、易用的关键链路。
历经行业专家与政企代表见证的产品展示，叠加WAIC SAIL权威奖项认可，DF1000充分印证了原创技术路线的颠覆性产业价值，成为国产算力底层技术长期自主创新的标志性成果。
全栈产品矩阵全覆盖，多元算力场景赋能千行百业
技术突破的最终价值，在于场景落地与产业赋能。
本届WAIC大会，东方算芯围绕DF1000核心芯片，完整展出“芯片-加速卡-服务器-超节点-智算集群”全层级产品矩阵，以标准化、全场景、高适配的国产算力解决方案，承接千行百业智能化转型的算力刚需，为我国数字经济高质量发展筑牢算力底座。
作为终端落地核心载体，巅峯DF1000加速卡是展会焦点产品之一。该加速卡严格遵循OAM2.0行业通用规范，适配国内主流OEM服务器平台，无需额外硬件调试即可快速部署落地，兼具极强的通用性与适配性。
在硬件性能层面，巅峯DF1000加速卡单卡可实现520TFLOPS@BF16算力输出，搭配64TB/s超高显存带宽，可灵活适配大模型训练、端到端推理、分布式算力调度等多元场景，为中小规模AI应用、企业级算力部署提供轻量化、高性价比的国产核心硬件支撑，有效降低企业智能化转型的算力门槛。
针对中大型企业与行业专属算力需求，东方算芯推出擎元QY100系列AI服务器，分为风冷QY100P-S与液冷QY100X-S两大版本。该服务器整机集成DF1000系列加速卡，采用一体化成品交付模式，大幅缩短客户部署周期、降低技术适配难度，实现“开箱即用”的算力服务体验。
擎元QY100系列产品可广泛应用于政企办公、金融风控、科研医疗、互联网服务等场景，适配碎片化、常态化的产业算力需求，助力传统行业快速完成数字化、智能化升级，填补了国产中端算力服务器标准化产品的市场空间。
面向人工智能大模型训练和推理场景，东方算芯展出当前重点研发的高性能AI算力解决方案拓域TY64超节点。其采用标准化机柜设计，单机可搭载8卡DF1000加速卡，单节点算力可达33PFLOPS@BF16，单卡896GB/s的高速互联带宽，有效破解大规模并行计算的延迟瓶颈，适配大模型预训练、AI Agent研发、自动驾驶仿真等超高算力、超低延迟的高端场景。
此外，基于超节点架构搭建的慧算HS512智算集群成为本届展会焦点。该集群支持64卡至512卡灵活规模化扩展，依托高速以太网实现高效互联，算力密度、吞吐能力与可靠性均达到行业领先水平，可全面支撑国家级智算中心建设、大型企业全域智能化升级等战略级算力需求，为我国高端算力基础设施自主可控提供核心支撑。
整套全栈产品矩阵的亮相，彰显出东方算芯从芯片底层创新到系统方案落地的完整产业能力，兼顾轻量化部署与超大规模算力需求，实现从终端应用到国家级智算基础设施的全覆盖，在打破高端算力场景长期被海外产品垄断格局同时，将全方位赋能千行百业智能化升级。
原创技术范式引领行业，共建筑牢国产算力新格局
在全球算力产业格局重构、国产算力自主替代进入攻坚期的当下，东方算芯独创的“软件定义+3D堆叠近存计算”技术路线，不仅实现了企业自身的技术突围，更为国产AI算力的发展提出新范式，为行业摆脱技术内卷、构建自主产业生态提供了核心路径。
不同于行业普遍追逐的制程迭代、模拟存算技术路线，东方算芯坚持原创差异化创新，以软件定义架构实现算力柔性调度，以3D垂直堆叠技术突破物理性能瓶颈，以原生分布式架构支撑规模化集群部署，构建起全球独有的全栈自主算力产品技术体系。
这一创新路径打破了“先进制程=高端算力”的固有认知，证明通过架构系统性创新，同样可以在成熟工艺下实现国际顶尖算力性能，为国产算力产业换道超车提供了全新思路。
技术范式的革新，必然带动相关产业生态的重构。相较行业多数企业单芯片研发的局限，东方算芯坚持“芯片-系统-生态”一体化布局，将技术创新延伸至整机、集群、软件全链条，为上下游提供标准化、高适配的国产化算力底座，带动国内晶圆制造、3D先进封装、服务器整机、AI软件工具链等产业链企业协同发展，推动产业链从单点突破走向整体跃升。
依托DF1000芯片技术底座与全栈产品矩阵，东方算芯已初步构建全国产化供应链支撑体系，实现关键环节自主可控，并带动产业链重点企业集聚布局，共同打造3D芯片产业集群高地。
同时，针对当前国内产业态势，东方算芯秉持“共建、共筑、共赢”的产业发展主张，主动联动产业链上下游，全力构建自主可控、开放协同的国产算力新生态。此外，相较于海外算力生态的封闭壁垒，东方算芯同样坚持开放合作理念，依托自主软件生态兼容性优势，联合兆芯等本土企业打通通用计算与专用AI算力的协同链路，完善全栈国产自主可控方案。
显然，全球算力竞争已然从单一产品比拼，升级为技术范式、供应链体系、产业生态的全方位博弈。东方算芯以原创技术路线破局，凭全栈产品赋能产业，用开放生态凝聚合力，不仅解决了国产高端算力“卡脖子”的核心难题，更重新定义了国产算力的技术标准与产业价值。
从技术原创到产品落地，从单点突破到生态共建，东方算芯的成长轨迹无疑是国产算力产业砥砺突围的生动缩影。未来，随着DF1000系列产品持续量产落地、产业链协同持续深化，东方算芯将持续赋能国内AI产业自主可控发展，为全球算力产业多元化发展提供中国方案。
3. 从全AI技术矩阵到开源AIOS，安谋科技加速端侧AI规模化落地
7月17日至20日，2026世界人工智能大会（WAIC 2026）在上海举行。安谋科技首次亮相大会，并于7月18日举办WAIC 2026 AI前瞻会，集中展示其在端侧AI计算、AI智能体、智能视频处理及产业生态建设等方面的最新布局。
随着中小模型能力持续提升，AI产业正从云端大模型向边缘侧、终端侧加速延伸。面对功耗、时延、存储和部署效率等多重约束，安谋科技从CPU、NPU、VPU到AIOS智能系统持续完善技术与生态布局，推动AI能力进入更多终端设备和现实场景。
构建全AI技术矩阵，释放嵌入式设备计算潜力**
安谋科技CPU产品总监朱晓鸣在《STAR CPU，Helium以及Ethos赋能万物AI》主题演讲中表示，随着模型小型化和智能化水平不断提升，十亿级小模型正加速接近商用标准，使AI下沉至轻量化、低功耗终端设备成为可能，也推动传统以“连接”为核心的IoT向具备“认知”能力的AIoT全面演进。
不过他指出，嵌入式端侧AI仍面临功耗、时延和存储等资源限制。针对这一问题，Arm和安谋科技规划了CPU指令扩展、通用小算力NPU及SRAM存内计算三条技术路径，并构建覆盖Cortex-M CPU处理器、Helium矢量扩展技术及Ethos NPU的嵌入式AI技术矩阵。
安谋科技CPU产品总监朱晓鸣
其中，Helium作为Cortex-M CPU内置的矢量扩展技术，可提升设备向量计算和矩阵运算效率，在音频编解码、蓝牙编解码、机器学习等场景中弥补传统CPU的性能短板；Ethos-U55、U65、U85等NPU产品则形成完整算力梯度，为不同嵌入式场景提供专用AI算力。
基于上述自研核心技术，安谋科技打造了“星辰300”AIoT原型平台，采用“星辰CPU+Helium+Ethos NPU”异构计算架构。目前，该平台已在FPGA系统上跑通人脸检测、语音识别、
4. 西门子收购Precision Innovations，以 AI 助力SoC设计探索与优化能力
西门子日前签署对于Precision Innovations Inc. 的收购协议。Precision Innovations是一家非上市的电子设计自动化（EDA）软件企业，本次收购将为西门子的EDA 产品矩阵强化 AI 驱动的芯片规划能力，助力半导体团队在SoC设计流程早期进行PPA优化。
Precision Innovations 基于开源 OpenROAD 框架开发 EDA 软件，在 SoC 复杂度持续提升的行业背景下，帮助半导体团队评估设计可行性、减少设计迭代次数并缩短产品上市周期。本次收购将为西门子 EDA 产品组合增加AI驱动的芯片规划与设计探索能力，实现更高效的可行性分析与更科学的下游决策，进一步强化西门子现有数字设计与验证解决方案。
Precision Innovations加入西门子后，将成为数字化设计创作（Digital Design Creation）平台的重要组成部分，补充现有数字设计与物理实现（Physical Implementation）能力，打造覆盖 SoC 架构规划、设计实现及全芯片生命周期管理的完整端到端数字化流程。
西门子 EDA 集成电路产品组合执行副总裁 Ankur Gupta 表示：“随着 SoC 复杂度的快速提升，客户需要更高效方式探索新一代架构。Precision Innovations的加入将进一步提升我们支持客户应对上述挑战的能力。通过将 Precision Innovations 的 AI 驱动早期设计探索能力整合入西门子 EDA 产品矩阵，可显著缩短芯片流片时程，优化PPA表现。”
Precision Innovations 的解决方案已被多家领先半导体与科技企业采用，能够显著补强西门子现有 EDA 产品在数字设计与验证工作流程中的能力。通过将 Precision Innovations 的技术与西门子更广泛的 EDA 产品组合相结合，西门子将帮助客户应对不断增长的设计复杂性，缩短开发周期，并提升工程研发效率。
Precision Innovations 首席执行官Tom Spyrou表示： “加入西门子将帮助我们进一步扩大技术影响力，使AI驱动的芯片规划能力能够服务更广泛的半导体设计团队。双方携手可帮助设计人员在设计流程早期借助 AI评估数千种方案，将创新资源聚焦于核心价值环节。”
Precision Innovations 于 2019 年在美国加利福尼亚州圣迭戈成立，公司致力于推动硬件设计技术的普及，通过降低成本门槛、缩小专业能力落差、降低设计过程中的不确定性，促进半导体设计创新生态的发展。
5. 理想首颗芯片，Die Shot曝光
近日，理想汽车自研首款车规 AI 芯片马赫 M100 的 Die Shot 裸片实拍图正式流出，首次完整曝光这颗 5nm 数据流架构芯片内部晶体管布局与模块分区，直观展现其超大 NPU 核心设计思路。
从裸片拆解图可见，马赫 M100 芯片整体裸片面积约 400 平方毫米，核心区域划分清晰：左侧集成 24 核 A78AE CPU 集群、8 通道 LPDDR5X 内存控制器与多路 IO 模块；右侧占据芯片近一半面积的是 56 核 NPU 计算阵列，由 14 组 Cluster、56 个独立 Tile 单元组成，单 Tile 搭载 2MB 高速 SRAM 缓存，依托自研动态数据流架构实现数据直达计算单元，大幅降低数据搬运损耗。
作为全球首款动态数据流车规 AI 芯片，马赫 M100 采用 5nm 车规制程，单芯片 AI 算力 1280TOPS，算力利用率突破 82%，双芯片组合总算力可达 2560TOPS，支持车载智驾、车内大模型、智能 Agent 全场景推理，现已量产搭载全新理想 L9、L8、L6 全系新车。此次裸片曝光也直观印证理想自研芯片 “超大 NPU、弱化传统缓存” 的差异化设计路线，区别于行业主流 GPU 改良方案，依靠架构创新提升车载 AI 运行效率电子工程专... 。
行业分析指出，完整裸片图对外披露，意味着理想自研芯片技术透明度进一步提升，其数据流架构方案已通过学术 ISCA、CCF 芯片大会双重验证，国内车企车载大算力芯片自主化进程再迎关键佐证。
6. 黄仁勋揭AI新时代蓝图：从GPU到AI工厂 英伟达如何重新定义未来运算？
英伟达 (NVDA-US) 执行长黄仁勋日前受邀出席史丹佛大学课程“CS153：尖端系统”，与学生对谈运算产业的未来走向。他在演讲中抛出一个核心论点：外界普遍把 AI 视为电脑里的一项新应用，例如辨识影像、生成文字、协助写程式，但这样的理解已经过于狭隘。
根据黄仁勋，真正发生的变化，是从芯片、网络、储存设备到数据中心与软件开发模式，整个运算体系都正围绕 AI 重新打造。他将此称为 IBM System/360 问世以来，运算产业首次真正意义上的“重新发明”。
黄仁勋指出，过去数十年的电脑运作逻辑，本质上是程式设计师写好程式码、编译器转成二进位档、处理器按固定指令执行，即便互联网、云端运算与行动装置陆续问世，也未曾真正撼动这套底层逻辑。
然而，神经网络的出现打破了这个模式：机器不再单纯执行人类写死的规则，而是从数据中学习结构，依当下情境即时生成答案、影像、动作什至程式码。
黄仁勋认为，“生成式”三个字不该只被理解为生成内容。模型同时也在生成中间思考过程、工具呼叫指令、任务规划与行动序列，并能持续观察环境、调用其他软件、检视执行结果。
换句话说，运算正从“一次性回应需求”转向“持续不断工作”。
以自驾车为例，车辆无法从数据库里调出一段预录好的转向动作，必须即时判读道路、行人与周遭状况并做出决策，这也是黄仁勋认为未来几乎所有能移动的机器都将逐步具备“机器人”特性的原因。
摩尔定律放缓后，系统级协同设计成为提升运算效能的关键
随着运算模式转向 AI，硬件发展已无法单靠延续传统芯片架构来提升效能。黄仁勋多次指出，未来的竞争核心在于“协同设计”，也就是让演算法、AI 模型、编译器、芯片、互连技术、网络、储存设备以及数据中心等各个环节，围绕相同的工作负载进行整体最佳化。
这项理念其实可追溯至早期 RISC 架构的设计哲学，当时便强调编译器与处理器必须相互配合，而非各自独立运作。
进入 AI 时代后，协同设计的范围进一步扩大，不再局限于单一芯片，而是涵盖 CPU、GPU、交换芯片、高速互连、网络与储存系统，打造完整的 AI 运算平台。
背后原因在于，无论是图形渲染、分子动力学、量子化学、流体模拟，或是深度学习训练，都属于高度平行化且运算量庞大的工作，仅依靠通用处理器已难以兼顾效率与扩充性。
随着摩尔定律带来的效能提升逐渐放缓，产业开始通过系统架构创新，重新设计平行运算、数据流与通讯方式，以持续推升整体运算能力。
黄仁勋表示，通过跨软硬件、跨系统层级的整合优化，英伟达在过去十年间已让部分 AI 工作负载的运算能力提升约 100 万倍。
不过，这项数据反映的是整体系统效能的进步，而非单一 GPU 性能的大幅跃升。也因此，在后摩尔定律时代，市场竞争的焦点已从“哪颗芯片速度最快”，逐渐转向“哪一套完整运算系统能以最高效率完成实际 AI 工作负载”。
别只盯着 MFU，更重要的是系统真正产出了多少 AI 价值
课堂讨论中，有学生提到大型 AI 丛集常用的指标模型浮点运算利用率（MFU，Model FLOPs Utilization）。
一般认为，MFU 越高代表 GPU 资源利用越充分，昂贵的运算设备没有被闲置。然而，黄仁勋认为，若过度依赖这项指标，反而可能对系统效能产生误判。
他指出，大型 AI 运算平台的效能并非只取决于 GPU 算力，还同时受到显示存储器频宽、存储器容量、网络互连以及储存系统等多项因素影响。任何一个环节都可能成为瓶颈，因此系统设计通常会在部分资源上预留余裕，以避免关键流程因单一瓶颈而拖慢整体运算。
换言之，即使部分 GPU 在某些时刻没有满载运作，也不代表系统效率低落。若一味追求更高的 MFU、刻意压缩资源余量，反而可能导致瓶颈放大，使整体任务耗时更长。
这种情况在 AI 推理阶段尤其明显。大型语言模型每生成一个 Token，都必须持续读取模型权重与上下文资讯，因此真正限制推理速度的，往往不是 GPU 的峰值浮点运算能力，而是多颗芯片共同提供的存储器频宽。
也因此，一套 MFU 并不特别高的系统，仍可能凭借更高的频宽效率与更低的能耗，在相同时间内完成更多推理工作。
黄仁勋因此主张，评估 AI 基础设施时，不应只关注系统拥有多少 FLOPS，而应衡量它在特定能耗下能产生多少有价值的 AI 成果。
即使以“每瓦可生成的 Token 数”作为指标仍无法完全反映不同 Token 的价值差异，但至少比单纯追求硬件利用率，更能贴近实际业务效益。
对 AI 系统而言，真正重要的不是设备是否满载，而是能否以更快、更有效率的方式完成目标工作。
从 Hopper 到 Feynman：英伟达每一代架构都瞄准下一波 AI 运算需求
黄仁勋表示，英伟达每一代 GPU 架构的设计理念，都是提前因应下一阶段的 AI 运算需求，而非只解决当前瓶颈。 Hopper 主要锁定大型 AI 模型预训练，在市场仍未出现数十亿美元级 AI 超级电脑前，就已开始布局相关系统。
随着 AI 产业重心逐渐从训练转向推理，Grace Blackwell NVLink 72 则通过 72 颗 GPU 组成机架级系统，利用高速互连提升存储器频宽，以加速大型语言模型推理与 Token 生成。黄仁勋指出，相较前一代架构，其相关工作负载效能提升约 50 倍，远高于摩尔定律可带来的增幅。
下一代 Vera Rubin 则瞄准 AI 代理应用。由于代理需要长期记忆、工作记忆及大量工具调用，因此除了 GPU 外，CPU、储存与高速互连也必须同步最佳化，以降低等待时间、提升整体效率。
更长远来看，代号 Feynman 的架构将支援由多个 AI 代理、子代理及各类工具组成的“代理群”。黄仁勋强调，英伟达的产品蓝图并非单纯追求硬件升级，而是先预测下一代 AI 软件的运作模式，再据此打造对应的运算平台。
开放模型的价值，不只是打造聊天机器人
黄仁勋认为，开放模型（Open Model）的意义不仅是发展聊天机器人，更是让不同语言、产业与研究领域都能拥有可修改、可微调的 AI 基础模型。由于许多利基市场规模有限，商业闭源模型未必会投入资源，因此开放模型能加速各领域的 AI 创新。
他指出，未来 AI 也将超越自然语言，延伸至生物医学、化学、气候科学、自动驾驶及机器人等领域，这些应用都需要专属的模型架构与训练方式，而非直接套用大型语言模型。
为此，英伟达已推出 Nemotron、BioNeMo、Alpamayo、GR00T 及气候模型等多项基础模型，协助建立各领域的 AI 生态。
黄仁勋也强调，未来 AI 将结合语言推理能力与世界模型（World Model），让系统不仅能辨识物体，更能理解环境、推理因果并自主决策，例如提升自动驾驶的安全性。
此外，他认为开放模型也有助于安全研究，让更多研究人员能检验模型行为、发现漏洞，并建立更有效的 AI 防御机制，而非让攻防竞赛局限于少数封闭模型之间。
AI 应融入所有学科，但基础能力依然不可取代
谈到 AI 教育，黄仁勋认为，AI 不应被视为一门独立课程，而应成为所有学科的学习工具，协助学生阅读论文、查找资料、撰写程式、进行实验与解决问题。
不过，他强调，AI 越能快速提供答案，人类越需要扎实的基本功，包括数学、第一性原理、电脑架构与工程思维，才能判断 AI 输出的正确性，理解系统为何成功或失败。
黄仁勋也透露，英伟达内部已广泛使用 Anthropic、OpenAI 等公司的 AI 模型，几乎所有工程师都在 AI 代理的协助下工作。
他认为，未来教育将与职场更加接轨，AI 的角色不是取代人的思考，而是减少重复性工作，让人们将更多时间投入分析、判断与创新。
AI 工厂时代，需要重新思考算力基础设施
黄仁勋指出，AI 时代的挑战不只是芯片不足，更在于现有的预算与资源管理模式，难以支撑大规模集中运算。传统由各院系各自建置小型算力资源的方式，已无法满足 AI 训练与推理对大型运算平台的需求。
他认为，AI 运算具有规模经济，研究团队虽然平时不一定需要大量算力，但在关键阶段必须能快速调度庞大资源，因此更适合建立校园级 AI 超级电脑或共享云端算力平台。
黄仁勋更建议，像史丹佛大学等研究机构可投入大型预算建置公共 AI 算力基础设施，让所有研究人员都能共享资源。他强调，AI 时代的核心课题已不只是采购更多硬件，而是重新设计预算分配、治理模式与资源共享机制。
能源将成 AI 时代的核心限制，而非次要因素
黄仁勋指出，随着 AI 从按需运算走向全天候运作的生成式 AI 与代理，未来运算所需的能源将大幅增加，能源供应将成为 AI 发展的重要限制，而非边缘议题。
他表示，提升能源效率是首要任务，通过模型、芯片、互连与散热的协同设计，在相同耗电量下完成更多 AI 运算。以 Blackwell 平台为例，其每瓦可生成的 Token 数较前代提升约 50 倍，展现系统架构创新对能效的提升。
另一方面，黄仁勋也认为，AI 带来的庞大电力需求将加速太阳能、核能等能源发展，以及电网升级投资。未来 AI 的发展速度，不仅取决于芯片效能，更将受到能源效率、发电能力与电网建设等基础设施共同影响。
黄仁勋：AI 风险应理性看待，而非过度神化
谈到 AI 风险，黄仁勋认为，不应将 GPU 与核武等大规模杀伤性武器相提并论，也不赞同将 AI 发展描述为难以预测的“奇点”事件。
他指出，GPU 早已广泛应用于游戏、医疗、科学研究、物流与工业等领域，本质上是一种通用运算基础设施，若政策建立在错误类比之上，恐导致偏离现实的监管方向。
不过，黄仁勋并未否认 AI 带来的风险，而是主张通过开放研究、工程设计、安全机制及市场竞争，逐步降低潜在威胁。
他强调，AI 发展应秉持“理性乐观”的态度，既不过度神化技术，也不因担忧风险而停止创新，唯有维持开放且具竞争力的 AI 生态，才能让更多人共享 AI 带来的成果。
从失败中建立战略：观察现象，再回归第一性原理
黄仁勋在访谈最后回顾英伟达过去的两次重大挫折。他表示，早期图形产品在曲面处理、Z-buffer、纹理映射等关键技术选择上曾犯下错误，但这些失败让团队学会如何判断市场、控制资源并调整方向，也成为日后建立战略能力的重要经验。
另一个案例是手机芯片业务。英伟达曾投入大量资源布局行动市场，规模一度达到 10 亿美元，但在 3G 转向 4G 时，由于缺乏基频技术优势，最终退出手机芯片市场。黄仁勋坦言，当时应更早看清手机产业的核心价值并非单纯来自图形处理能力。
不过，这段经历累积的低功耗与高效率技术，后来转化为机器人运算平台的重要基础，延续至今日的 Thor 架构。
黄仁勋强调，成功不能替过去错误的判断辩护，真正重要的是从失败中修正认知。
他认为，制定战略的关键不是精准预测未来，而是先观察现象，再回到第一性原理分析趋势，判断哪些事情必然发生、哪些可能发生，并在前进过程中保留调整空间。真正有效的战略，是在不确定环境中持续更新判断，让每一步行动都累积下一阶段的选择权。
