四平商圈的蜜饯、古早味怀旧餐厅的灯光、近40位科技大佬齐聚，黄仁勋站在椅子上高举酒杯，宣告2026将是AI产业“极度吃紧”却又“非常好”的一年。

台北四平商圈的夜市依旧热闹，黄仁勋不久前在这里采购蜜饯时说：“水果干、各类花生糖和其他零食都非常棒，是我儿时的味道。”几小时后，他在台北砖窑古早味怀旧餐厅举办了一场被称为“兆元宴”的晚宴。

现场，黄仁勋站在椅子上向近40位科技界领袖致辞，他们来自台积电、联发科、广达、鸿海等公司。

这位英伟达CEO直言：“AI要有智慧，就一定要有记忆体。”他预测2026年对高带宽内存与LPDDR的需求将大幅爆发。

01 兆元盛宴

科技巨头的聚会，黄仁勋在“兆元宴”上的开场白与众不同——他站上了椅子。近40位台湾科技企业的掌门人围坐一堂，这是AI时代供应链最高级别的聚会。

宴会的第一排坐着华硕创始人施崇棠、联发科执行长蔡力行、台积电董事长魏哲家等重量级人物。鸿海董事长刘扬伟、和硕董事长童子贤等业界大佬也齐聚一堂。

黄仁勋回顾了与供应链伙伴共同克服的挑战：“2025年是非常充满挑战的一年，因为我们开始生产Grace Blackwell。”他坦言Grace Blackwell相比前代产品Hopper要复杂得多。

02 供需矛盾

黄仁勋对2026年AI产业的预测令人瞩目。他认为2026年将是AI产业“极度吃紧的一年”，整个供应链将面临前所未有的压力。

半导体供给过去每年以约一倍速度成长，但AI需求的增长速度更快。从芯片、封装到存储的每个环节都极度紧张，特别是对高带宽内存与LPDDR的需求将大幅爆发。

与童子贤对2026年产业前景的高度乐观相呼应，黄仁勋也表示今年将迎来“非常好的一年”。

03 战略转型

面对外界对ASIC专用芯片可能取代GPU的担忧，黄仁勋态度强硬地表示：“不合理也不现实。”他的理由是英伟达早已不是单一的芯片供应商。

英伟达正在打造整个AI基础架构，涵盖CPU、GPU、网络芯片、交换器与资料处理系统。英伟达与几乎所有大型AI企业合作，包括Google、OpenAI、Anthropic与xAI。

这种全栈生态整合的战略转型，使得英伟达能够提供从硬件到软件的全套解决方案。黄仁勋透露，英伟达目前每年研发预算已达200亿美元，未来仍将以每年约50%的速度成长。

04 台湾供应链

黄仁勋对台湾供应链给予了高度评价：“NVIDIA没有台湾就不可能存在。”他盛赞台湾企业的技术实力与工程文化。

他特别强调台积电在先进制程上的关键地位，预期未来十年台积电产能将“远超过倍数成长”。黄仁勋形容这不仅是服务于英伟达的需求，更是“整个人类史上最大规模的科技基础建设扩张之一”。

英伟达与联发科的合作也在深化，双方将携手打造“低功耗但极高效能”的SoC，锁定新世代AI PC与AI运算装置市场。

05 竞争格局

黄仁勋对ASIC竞争格局的回应值得深思：“要做到比英伟达产品更好的ASIC，要有比英伟达更好的研发人员。”他直言许多公司正在尝试，但英伟达仍走在前面。

英伟达的全栈生态战略正是应对竞争的关键。从Hopper到Blackwell，再到正在研发的Rubin平台，技术难度已从“困难”变成“不可能”。

黄仁勋还透露，英伟达将参与OpenAI下一轮募资，且金额可能是英伟达史上最大的一笔战略投资。

06 未来展望

从黄仁勋的谈话中，可以看出英伟达对未来有着清晰的规划。Vera Rubin平台已经启动，它由“六颗全球最先近芯片组成”，制程与整合复杂度极高。

黄仁勋认为，我们正处于新一轮AI基建的起点，这个过程还需要大约10年时间。AI需要遍布全球的计算设施，需要在中国台湾建造，也需要在美国、欧洲、日本、东南亚建造。

“有三类工厂正在建成，一是晶圆厂，二是计算机组装厂，第三类则是AI工厂。”黄仁勋描绘了AI基础设施建设的完整蓝图。

“2026年是非常关键的一年，供应链会工作得很辛苦。”黄仁勋在“兆元宴”尾声再次向供应链伙伴致谢。

他站在椅子上说的那句“This year is going to be very big”，不仅是对供应链伙伴的鼓励，也是对整个AI产业发出的信号。

附专业科普：ASIC与GPU，谁将主导AI计算的未来？

在黄仁勋的台北晚宴上，他直言“ASIC取代GPU不现实”，这一表态背后是两种不同芯片技术路线的竞争。要理解这场技术之争，我们需要先弄清楚ASIC和GPU到底是什么。

一、GPU：通用计算的并行加速器

图形处理器（GPU） 最初是为图形渲染而设计的专用处理器，但它的并行计算架构意外地成为了人工智能计算的“利器”。

GPU的核心优势在于它拥有成千上万个小型计算核心，能够同时处理大量相似的计算任务。这种“并行计算”能力恰好契合了AI算法的需求。

• 架构特点：GPU采用SIMD（单指令多数据）架构，一条指令可以同时操作多个数据

• 计算精度：支持从FP64到FP8多种精度计算，适应不同AI任务需求

• 内存带宽：配备高带宽内存（HBM），能快速传输海量数据

• 编程友好：拥有成熟的CUDA/OpenCL生态系统，开发者工具链完善

在AI训练中，GPU能够同时处理神经网络中数百万个参数的梯度计算，这是CPU难以企及的。黄仁勋强调的“全栈AI架构”正是建立在GPU的强大并行计算能力之上。

二、ASIC：专用定制的效率王者

专用集成电路（ASIC） 是为特定应用量身定制的芯片，如比特币矿机中的SHA-256芯片、手机中的基带芯片等。

ASIC的设计理念是“用专用硬件实现特定功能”，它的优势在于极致的效率和功耗比：

• 极致效率：针对特定算法优化，执行速度可比通用芯片快数十倍

• 低功耗：去除了不必要的电路，功耗大幅降低

• 高集成度：将完整系统集成在单一芯片上

• 成本优势：量产后的单位成本较低

谷歌的TPU（张量处理器）就是典型的AI ASIC，专为神经网络推理设计，在搜索、翻译等场景中表现出色。

三、技术对比：通用灵活vs专用高效

四、AI计算的选择：为什么GPU难以被取代？

黄仁勋认为“ASIC取代GPU不现实”的技术逻辑在于：

1. AI算法快速演进：神经网络架构几乎每年都有突破性进展。ASIC一旦流片，算法就固化了，而GPU的可编程性能快速适应新算法。

2. 训练与推理的不同需求：AI训练需要高度灵活性，因为研究人员不断尝试新架构；推理阶段算法相对稳定，适合ASIC优化。英伟达的全栈战略覆盖了从训练到推理的全过程。

3. 生态系统壁垒：英伟达花费数十年建立的CUDA生态系统形成了“软硬件协同护城河”。超过400万开发者依赖这一平台，迁移成本极高。

4. 规模经济效应：GPU的大规模量产降低了单位成本，而ASIC需要足够大的特定市场才能分摊高昂的初期研发成本。

5. 内存瓶颈：无论是GPU还是ASIC，AI计算都受限于内存带宽。黄仁勋强调的“高带宽内存需求”对两者都是挑战，但英伟达在HBM领域已有深厚布局。

五、未来趋势：异构计算与融合架构

实际上，AI计算的未来可能不是“非此即彼”的选择：

1. 数据中心异构化：大型云服务商正构建同时包含GPU和ASIC的混合计算集群，根据工作负载动态分配任务。

2. 芯片内融合：新一代GPU正在集成更多专用加速单元，如英伟达Hopper架构中的Transformer引擎，在通用架构中融入专用优化。

3. 可重构计算：FPGA（现场可编程门阵列）和CGRA（粗粒度可重构架构）试图在灵活性与效率间寻找平衡点。

4. 软件定义硬件：通过高级编程框架，使同一硬件能高效执行多种算法，降低专用化带来的僵化风险。

黄仁勋强调的“全栈AI架构”正是看到了这一趋势：未来的竞争不仅是芯片的竞争，更是平台和生态系统的竞争。英伟达从GPU出发，已构建了涵盖芯片、系统、软件、开发工具的全栈能力，这是任何单一ASIC厂商难以比拟的。

回到黄仁勋的断言，ASIC确实在特定AI推理场景中表现优异，但AI的创新能力依赖于计算平台的灵活性。在算法快速演进、应用场景多元化的当下，GPU的通用性和成熟生态使其难以被取代。

然而，AI芯片的竞争格局仍在动态变化。中国自主研发的AI芯片正在崛起，云计算巨头也在定制自己的ASIC。未来的AI计算市场可能会形成 “GPU主导训练，多种架构共存推理” 的多元格局。

但一切皆有可能，或许下一个替代GPU的产品或技术已经在路上，而且已经走了很远了……