黃仁勳把「AI風險」變成了「AI需求」

黃仁勳講故事的能力，從來不輸給他畫晶片路線圖的能力。

9月10日，他在三藩市舉行的 Goldman Sachs Communacopia + Technology Conference 再次談到人工智能基礎設施、網絡安全、融資及實體AI。這次真正令我感興趣的，不是他提出了多少新的市場，而是他把一個原本主要屬於「AI風險」的話題，重新放進「AI需求」的框架裡。

那個話題就是網絡安全。

黃仁勳的判斷很直接。他認為網絡安全很可能成為AI下一個主要使用案例，而且這類工作負載將會持續運行。從他的角度看，程式編寫、漏洞發現、red teaming、blue teaming，本身就是同一條能力鏈的延伸，而新一代AI模型愈能寫程式，也愈有能力找漏洞、修補漏洞及自動化防禦工作。

值得拆解的是，他談到目前市場對AI網絡威脅的焦慮時，並沒有完全沿用「能力愈強，風險愈大」的安全論述，反而半開玩笑地指出，當新產品準備推出時，製造問題本身也會創造需求。

這句話真正有意思的地方，是它把同一件事情從另一邊看了一次。

同一個網絡安全問題，兩種完全不同的視角

模型實驗室最近確實愈來愈正式地處理高階網絡能力帶來的風險。

OpenAI在9月1日確認，Astra已達到其 Preparedness Framework 下的「Critical」網絡安全能力門檻，成為首個獲此評級的模型；兩日後，公司進一步擴大Daybreak計劃，向防禦人員提供前沿網絡安全模型、工具及支援。

Anthropic亦透過Responsible Scaling Policy及Frontier Safety Roadmap管理高能力模型帶來的風險，而Google DeepMind的Frontier Safety Framework則已把網絡安全納入其Critical Capability Levels及Tracked Capability Levels的風險管理框架。

所以，一邊是模型實驗室在建立治理、安全門檻及部署限制；另一邊，黃仁勳看到的卻是一個可能長期消耗算力的新市場。

兩者其實並不矛盾。

實驗室需要回答的是：模型能力提升之後，怎樣避免它被用來造成更大傷害？

Nvidia需要回答的則是：如果企業真的要面對這些新風險，需要多少新的運算能力？

立場不同，自然會看到同一件事情的不同部分。但這裡最好不要再走多一步，推論其中一方「故意」放大風險，或者另一方只是在替GPU尋找故事。真正值得投資人研究的，是這兩套判斷最後會不會在企業預算上匯合。

真正值得留意的，是「持續運算」

如果AI網絡安全最終成為Nvidia的重要增長來源，中間其實要穿過一條頗長的價值鏈。

AI驅動的網絡威脅首先要令企業增加安全投入；新增預算要有足夠比例流入AI防禦工具；這些工具又要形成大量、高頻甚至持續運行的推論工作負載；相關工作負載最後還要有相當部分部署在Nvidia的硬件及軟件平台上，才會真正轉化為Nvidia的收入。

任何一環都可能斷裂。

企業完全可能增加網絡安全預算，但把更多錢投放在人員、流程、身份管理或傳統安全工具，而不是GPU。AI亦可能大幅提高安全軟件的能力，卻未必令每一美元安全支出都產生同等比例的新增算力需求。

所以我不會把「網絡安全是下一個大型AI use case」直接翻譯成「網絡安全會成為Nvidia第三個收入支柱」。

更值得留意的是黃仁勳提到的一個細節：這些工作負載會持續運行。

這可能才是Nvidia真正想打開的下一階段需求。

過去AI算力最容易理解的需求是模型訓練。之後市場開始把注意力移向推論。現在，推論本身又正在進一步分化成coding、agents、網絡安全及其他需要長時間運行的工作流程。

對算力供應商來說，一個偶爾被使用的AI工具，與一個24小時持續監控企業網絡、主動尋找漏洞並即時修補的系統，其經濟價值完全不同。

如果後者真正大規模出現，網絡安全最大的價值未必是成為另一個獨立的「AI市場」，而是證明AI推論正在由一次性的問答，變成持續運行的企業基礎設施。

這個變化一旦成立，對整個算力市場的影響會比單一網絡安全產品重要得多。

70%增長真正需要回答的是基數問題

這亦令黃仁勳在同一場合再次確認的另一個數字變得更值得研究。

Goldman Sachs分析師提到，Nvidia早前對下一年約70%收入增長具有高度信心，而黃仁勳再次表示，公司有信心做到約70%的按年增長。

這是一個管理層預期，不是已實現的財務結果。

但真正的難度不是70%這個數字本身，而是Nvidia已經站在一個極大的收入基數之上。

因此，我不會因為管理層同時談資料中心AI、網絡安全及實體AI，就認為公司需要「三個故事疊加」才能支持估值。這個理解反而低估了Nvidia現有資料中心業務的規模。

更合理的問題是：當核心AI基礎設施業務已經如此龐大，要在這個基數上再增長70%，新增收入到底從哪裡來？

現有大型雲端服務商及AI實驗室仍會貢獻大量需求，但要維持如此高的增長率，Nvidia需要把加速運算進一步推向企業、主權AI、neocloud、coding、持續推論，以及最終的實體AI。

網絡安全的意義就在這裡。

它不是用來證明原有需求已經不足，而是其中一個可能把AI算力從「模型建設」推向「長期企業運行」的新增 workload。

循環融資最後仍然要看外部需求

談話中另一段值得保持距離看的，是黃仁勳再次回應所謂「循環融資」。

Nvidia近年不只是出售運算平台，也透過投資、融資支持、擔保及合作安排協助AI實驗室、neocloud及基礎設施項目取得土地、電力、數據中心及資本。因此市場一直有一個合理疑問：當供應商本身亦向生態系注入資本時，最終看到的需求究竟有多少來自真正的外部客戶，又有多少與資本本身的流動有關？

黃仁勳的回答很有他的風格。他形容Nvidia投入少量資本，可以換回大得多的業務，並表示公司因參與項目而能看到下游的offtake及已簽約需求，因此有信心判斷客戶質素。

這是一個合理的管理層解釋，但仍然不能取代財務驗證。

真正需要看的不是「投入一、回來一百」這個比喻有多漂亮，而是那一百裡面有多少來自生態系外部的最終需求。

如果第三方資本願意獨立承擔風險，數據中心有真正的長期客戶，利用率穩定，客戶能夠從運算產生足夠收入並持續支付租金或採購成本，那麼Nvidia參與融資本身不必然代表需求不真實。

但如果大量項目的經濟性最終仍需要供應商資本、擔保或持續再融資才能成立，問題就完全不同。

所以這一部分最重要的驗證點始終是現金流，而不是融資結構的名稱。

實體AI是另一條時間線

黃仁勳最後亦談到physical AI，首先是自動駕駛，再延伸至倉庫自主移動機械人、工業操作系統，以至更廣泛的實體世界應用。他認為部分應用未來兩三年會有明顯進展，更廣泛滲透則可能需要更長時間。

這裡同樣不需要把它與網絡安全硬放在同一個「第三增長引擎」框架裡。

兩者的時間線和經濟模式完全不同。

網絡安全如果成立，可以相對快地變成雲端及企業推論需求；實體AI則涉及硬件部署、感測器、製造、監管、安全及真實世界可靠性，商業化速度自然較慢。

它更接近Nvidia在2030年前後的長期 optionality，而不是現在用來驗證70%收入增長的同一組數字。

下一步真正值得看的數據

所以，這場談話最值得記錄的，不是黃仁勳又替Nvidia增加了多少個AI故事。

真正值得留意的是，他正在把Nvidia的需求邏輯由「訓練更多模型」，逐步擴大至「讓愈來愈多AI系統長時間持續運行」。

網絡安全是這個轉變很好的一個例子。

風險是真實的，商業機會也可能是真實的。但兩者之間仍然隔著企業預算、產品滲透、運算密度及價值捕獲幾道門。

未來幾季，我會特別看四組數據：企業及網絡安全廠商的AI產品收入是否真正加速；相關工作負載是否開始形成可見的持續GPU使用量；Nvidia參與融資的下游客戶能否以第三方需求、利用率及現金流證明項目經濟性；以及約70%的收入增長最終由哪些客戶與工作負載貢獻，毛利率又能否在如此快速擴張之下保持穩定。

如果這些數字開始同時出現，黃仁勳今次所說的就不再只是另一個漂亮的市場定位。

它會開始變成一個可以在財務報表上看到的需求轉變。