来自AI中国网 https://www.cnaiplus.com
导读：(黄仁勋谈推理Token经济学)当AI 圈还在争论有没有泡沫，黄仁勋已经在算“推理（Reasoning）”能赚多少钱。2026 年 1 月 8 日，播客 No Priors 上，他这样说：就算 ChatGPT 没出现，NVIDIA也会赢。这份自信，源于对计算产业的真实判断。过去十年，摩尔定律逐渐失效，算力不再自动变便宜。所以加速计算从高端选项变成了“产业标配”。当主持人问起 “2025 年 AI 最让你惊讶”的进 ......
(黄仁勋谈推理Token经济学)
当AI 圈还在争论有没有泡沫，黄仁勋已经在算“推理（Reasoning）”能赚多少钱。
2026 年 1 月 8 日，播客 No Priors 上，他这样说：
就算 ChatGPT 没出现，NVIDIA也会赢。
这份自信，源于对计算产业的真实判断。
过去十年，摩尔定律逐渐失效，算力不再自动变便宜。所以加速计算从高端选项变成了“产业标配”。
当主持人问起 “2025 年 AI 最让你惊讶”的进展，黄仁勋没讲多模态、也没讲大模型，答案是：模型推理能力的进化，和它如何成为一门可以定价、可以收费的生意。
这意味着，AI 的战场已经从做大模型转向了卖推理能力。
推理到底怎么赚钱？
谁在为推理付费？
这个窗口还能开多久？
第一节｜推理开始能定价，OpenEvidence毛利率90%过去，AI 的强，主要指两个方向：会写、会说。
从 ChatGPT 到各种聊天机器人，只要能输出连贯、像人写的内容，就算是好模型。
但到了企业场景，标准变了。他们不在乎会不会聊天，在乎的是：这个 AI 能给我省多少钱、赚多少钱？
要让 AI 输出值钱，黄仁勋的回答是：推理能力。
这个能力不是模型参数再翻几倍，而是：
根据上下文找准问题，
在数据不全时推出合理结论，
给出能被医生、律师、工程师放心使用的答案。
有了这种能力，AI 给出的结果就能明码标价了。
他举了几个例子：
OpenEvidence 做医疗搜索，推理Token的毛利率达到了90%；
Harvey 为律师事务所服务，已经在多个大型律所落地使用；
甚至 Claude 企业版，企业也愿意为它付费。
这说明什么？过去 AI 输出不稳定，企业不敢付高价；现在推理让答案可控，按结果收费成为可能。
这个变化有两个信号值得特别注意：
模型本身不再是唯一卖点。会写文章、会对话只是起点，能推理、能接任务、能给出可验证的答案，才是企业考虑是否付费的关键。
企业愿意为推理质量付更高的价。OpenEvidence的高毛利率不是靠压低成本，而是因为医生真的把它当可信赖资源在用。当AI从助手变成专业工具，定价逻辑就变了。
在这个过程中，最早跑出来的不是消费级产品，而是高度专业场景。
医疗、法律、科研、工程……这些地方对答案质量要求极高，恰好让推理有了明确价格。
我们第一次看到，推理从模型的一个小能力，变成了能单独收费的产品。
第二节｜真正赚钱的是AI工厂，电工工资翻倍了推理能收费了，但这些能卖钱的Token，是怎么产出来的？
黄仁勋把这个生产场所叫作：AI 工厂。
这些工厂 24 小时不停地运算、生成推理结果。但要让 Token 持续产出，背后得有三样东西支撑：
芯片厂：造出最关键的计算芯片
超级计算中心：搭建大模型运行需要的硬件
AI数据中心：一天24小时不停地产生推理结果
这三类工厂，正在美国各地大量建设。
而建设这些工厂，需要的不只是技术，更是人。
黄仁勋说，他第一次看到电工、技术员、水管工的需求涨得这么快。电工资格证成了热门证书。有人专门接 AI 工厂的活，一出差就是一个月。建筑工人也被拉到这些新工地，很多州开始出现抢人的现象。
这是实实在在的变化： 不是模型参数增长，不是论文数量增长， 而是数据中心大量开工、光缆加速铺设、电费暴涨、岗位激增。
AI 不再只是代码和算法，而是开始像传统工业一样，有产线、有工人、有产能指标。
这场基础设施建设确实在创造大量就业。但随之而来的问题是：当AI真正投入使用后，会不会反过来取代人的工作？
黄仁勋认为恰恰相反。他举了放射科医生的例子：
“八年前，AI 教父 Hinton 预言 AI 会彻底改变放射学，放射科医生将不再被需要。他说对了一半，现在 100% 的放射学应用都是 AI 驱动的。但放射科医生的数量不减反增。”
原因在于：
AI 接管的是任务（研究扫描片），但放射科医生的目的是诊断疾病、做研究、服务更多病人。
当 AI 帮他们更快看完扫描片，他们就能接更多病例、做更深入的研究，医院效率提高了，反而需要雇更多放射科医生。
这个逻辑不只适用于医生，也适用于所有使用 AI 推理能力的行业：
律师用 AI 处理合同，能接更多案子；
工程师用 AI 写代码，能开发更多产品；
企业用 AI 做决策，能拓展更多业务。
所以 AI 提高了效率，但也释放了需求。不是 AI 取代人，而是 AI 让人能做更多以前做不了的事。
这也是为什么基础设施建设本身，就是 2026 年最确定的商业机会之一。
而对于那些想用 AI 做应用的人来说，真正的问题是：推理能收费了，接下来该怎么做？
第三节｜成本每年降10倍，小公司也有机会既然推理能卖钱，那谁能抓住这个机会？
这听起来像只有大公司才做得到的事。但黄仁勋指出：
“生成推理的成本，每年下降10倍。”
“落后 6 个月也不怕，成本降了就能赶上。”
于是出现了两种玩法：
一方面，大公司还在筹建下一批超算集群，争夺供应链；另一方面，小公司已经在开源模型上搭建出垂直服务，开始接单赚钱。
比如：
生物领域有公司在做端到端分子设计
工业领域有公司在做机器人抓取放置系统
材料科学有公司在做化学构象预测
这些小公司都不做万能助手，而是只解决一类人的刚需问题。
黄仁勋形容这是“在一个小池塘里先做到极致”。这种专注一个场景做到能收钱的方式，才是接下来五年里，大多数AI创业者最现实的路径。
而让这条路径成为可能的，是开源。
黄仁勋说：
“没有开源，初创公司、教育、研究都没法做。传统企业也做不了AI 转型。”
他甚至说，中国 AI 公司 DeepSeek 去年开源的训练方法，是“对美国AI最大的单一贡献”。因为它让硅谷所有初创司都能学到最前沿的技术，大幅降低了进入门槛。
降低门槛意味着：
不需要从头训练大模型，在开源基础上做垂直优化就够了；不需要烧掉几亿美元，用更小的成本就能验证需求。
但能做，不等于能做成。关键在于：
你得知道推理在你的场景里值多少钱，
你得愿意去一个小市场快速验证、快速迭代。
不是没模型就做不了AI，而是你得想清楚：你要解决谁的问题？你怎么把推理包装成一个值得付费、值得信赖的数字员工？
如果还不确定方向，黄仁勋提到了 2026 年三个值得关注的领域：
第一，数字生物学将迎来它的 ChatGPT 时刻。
蛋白质理解、多蛋白质生成、化学构象……这些领域正在汇聚合成数据、多模态、推理三大能力。Nvidia 最近开源的模型就是为多蛋白质理解设计的。
第二，汽车不再只是感知加规划，而是会变成推理汽车。
当车遇到从未见过的情况时，它能把复杂场景分解成已知情况，通过推理系统导航通过。Nvidia的自动驾驶堆栈刚刚拿到安全评级第一名。
第三，人形机器人或多具身机器人将有巨大突破。
黄仁勋说“我们开始得太早了”，自动驾驶经历了四个时代，而机器人正在用现成的端到端模型加推理系统起步，可能不需要10年就能落地。
这三个方向的共同点是：推理能力已经成熟，接下来就是谁先把它变成产品。
你不需要几亿美元，但你需要找对一个细分场景，一个真实的痛点。
窗口期很短，但机会还在。
结语｜模型再强，不如结果能卖过去讲 AI，是讲性能、讲模型、讲谁更像人。
现在讲 AI，有个很清楚的衡量标准：能不能让人愿意付钱？
推理开始值钱，标志着三个转变：
模型不再只是看起来厉害，而是能落地、能计价；
企业不再只问能不能用，而是问值不值钱；
创业者不能再幻想做通用助手，得先做个实用工具。
AI 行业的竞争重点变了。
模型再强，不如结果好卖。
识自AI 本文由AI深度研究院出品，内容翻译自黄仁勋在播客No Priors的访谈等网上公开素材，属翻译编译性质。内容为合理翻译与编辑整理，未逐字复制原访谈材料。未经授权，不得转载。
参考资料：
https://www.youtube.com/watch?v=k-xtmISBCNE
https://podcasts.apple.com/us/podcast/no-priors-artificial-intelligence-technology-startups/id1668002688?l=fr-FR
https://techcrunch.com/2025/01/07/nvidia-ceo-says-his-ai-chips-are-improving-faster-than-moores-law/?utm_source=chatgpt.com
来源：官方媒体/网络新闻
排版：Atlas
编辑：深思
主编: 图灵
来自AI中国网 https://www.cnaiplus.com
本文网址：
