在近期举行的Nvidia GPU Technology Conference（GTC）2025大会上，Nvidia创始人黄仁勋发表了一项引人注目的观点：他认为，过去一年全球大多数人对Scaling Law（规模定律）的理解存在偏差。
Scaling Law，这一由AI创业公司OpenAI前联合创始人伊利亚·苏茨克维尔在2020年提出的理论，指出大模型的性能由算力、模型和数据规模共同决定。自其问世以来，已成为过去三年大模型训练的基石理论。各大科技公司如亚马逊、微软、谷歌、阿里、字节跳动和腾讯等，均基于这一理论，通过增加算力芯片的数量来提升模型性能。
然而，黄仁勋在GTC 2025上表示，Scaling Law正在变得更加坚韧，算力消耗实际上在加速。他透露，目前AI推理算力的需求量可能是2024年的100倍。这一说法引发了业界对Scaling Law的新一轮讨论。
黄仁勋进一步指出，过去一年，由于Scaling Law的放缓，市场开始质疑堆算力是否仍然经济，进而影响到对Nvidia芯片的需求。这一质疑在今年1月达到高潮，当时中国大模型创业公司DeepSeek发布了一篇论文，声称用较少的Nvidia H800芯片和较低的训练成本，就训练出了与OpenAI的GPT-4o性能相近的DeepSeek-V3模型。这一成果让投资者担忧Nvidia芯片销量会受到影响，导致Nvidia股价一度单日下跌17%，市值蒸发近6000亿美元。
尽管如此，Nvidia在2月26日公布的2025财年财报显示，公司营收达到1304.9亿美元，同比增长114.2%；净利润728.8亿美元，同比增长148.5%。尽管业绩亮眼，但财报公布后，Nvidia股价仍持续下跌。这显示出投资者对Nvidia的信心并不坚定。
为了重拾投资者信心，黄仁勋在GTC 2025上重新解释了Scaling Law，将其称为“终极摩尔定律”。他强调，未来的重点将是提升推理效率，即在单位时间和能源下产生更多的Token（词元，大模型推理算力的计量单位）。他提出了两个关键指标：单个用户每秒生成的Token数量和单位电力下生成的Token数量。
黄仁勋还披露了Nvidia未来的芯片演进路线图，表示将每两年进行一次架构演进，每年推出新产品线，每次都会带来成倍的效率提升。他举例说，新一代Blackwell（GB200）芯片在相同功率下的效率是上一代Hopper（H100）芯片的25倍。如果一个100兆瓦功率的数据中心运行DeepSeek-R1模型，使用H100可以生成3亿个Token，而使用GB200则可以生成120亿个Token，Token收入将增长40倍。
黄仁勋还表示，Nvidia将帮助企业扩大数据中心规模，建成10万卡、100万卡集群。目前，包括亚马逊、OpenAI和马斯克旗下的创业公司xAI等都在建设10万卡集群，这将进一步带动Nvidia的芯片销量。然而，尽管Nvidia提出了如此雄心勃勃的计划，但一位芯片技术人士指出，单位芯片的推理算力取得百倍增长，并不意味着芯片销量总额也会百倍增长。Nvidia的芯片出货量将受制于代工生产和市场需求等因素，只会线性增长。
因此，在未来1年至2年内，Nvidia预计将回归温和增长。Nvidia首席财务官科莱特·克雷斯透露，公司可能会在2025年看到约35%的增长速度，这比2024年略低，但增长仍然相当强劲。然而，随着大型科技公司高强度资本支出的逐步回落，Nvidia的营收增速也将随之回落。
尽管如此，黄仁勋仍然对Nvidia的未来充满信心。他认为，通过提升推理效率和扩大数据中心规模，Nvidia将继续在AI领域保持领先地位。同时，他也表示愿意让利下游厂商，平衡产业链上下游的利益，以实现更加健康和可持续的发展。
