黃仁勳：算力即生產力

算力即生產力：AI的架構與基礎設施革命 第一部分：AI的“五層蛋糕”結構——從能源到應用的系統工程 在黃仁勳的論述中，人工智能並非單一的技術突破，而是一塊層次分明、相互依存的“五層蛋糕”。這五層分別是能源層、芯片與計算基礎設施層、雲基礎設施層、模型層和應用層。每一層都不可或缺，所有層級必須同步擴張，而經濟價值的最終實現，則落在最頂層的應用層。 第一層：能源——AI的“食糧” AI是實時計算、實時生成結果的系統，其本質是持續“燒電”。與傳統IT系統不同，AI對能源的依賴是結構性的：算力密度越高，模型規模越大，應用範圍越廣，對穩定、廉價、可擴展的能源供給的需求就越強。沒有這一層，所有上層能力都無從談起。這也意味着，AI的發展不再是單純的數字遊戲，而是與能源戰略深度綁定。未來，算力中心的選址將越來越趨向於能源富集區，核能、可再生能源與算力基礎設施的協同將成爲常態。 第二層：芯片與計算基礎設施——計算的“引擎” 這一層是英偉達所處的核心位置。AI對算力的需求，不只是“更快”，而是計算架構的根本性變革。傳統CPU擅長的串行計算無法滿足並行訓練和海量推理的需求，必須爲並行計算、模型訓練和推理專門設計芯片（如GPU、DPU等）。芯片的架構決定了算力的效率和上限，是整個AI體系的物理底座。沒有這一層，再聰明的模型也只能停留在紙面上。 第三層：雲基礎設施——算力的“調度中心” 即便擁有最先進的芯片，算力也必須以服務的形式被調度、分發和共享，才能被企業和開發者真正用起來。雲基礎設施層承擔了這一角色——它把分散的算力資源池化，通過網絡按需供給，讓AI能力從實驗室走向規模化應用。這一層的成熟度，決定了AI能否像水電一樣即開即用，也決定了中小企業能否低成本地接入AI革命。 第四層：AI模型——智能的“載體” 模型層是大衆最熟悉的層面，也是“智能”本身的直接體現。但模型並非憑空出現，它的能力上限完全取決於前三層長期投入所積累的效率紅利。從通用大模型到垂直領域的專用模型，這一層的進化正在加速：開源模型的成熟使企業可以在通用能力之上快速構建定製模型，而“物理AI”的出現則讓模型開始理解蛋白質、分子、流體等現實世界的底層語言，爲科學和工業應用打開大門。 第五層：應用層——價值的“兌現場” 黃仁勳反覆強調，AI過去一年之所以進展迅猛，不是因爲模型第一次出現，而是模型終於“好到可以被用來做事”。在應用層，金融、醫療、製造、教育等行業開始構建真正可用、可規模化的AI解決方案。經濟價值正是在這一層產生——當AI嵌入業務流程、提升生產效率、創造新服務形態時，技術纔算完成了它的使命。同時，應用層的需求也反向牽引着下四層的演進方向：應用越豐富，對能源、芯片、雲和模型的要求就越高。 五層協同：一場同步擴張的系統工程 這五層不是先後順序，而是同時推進的協同網絡。能源瓶頸會卡住芯片產能，芯片效率會影響雲成本，雲覆蓋範圍會限制模型應用，模型能力又決定了應用效果。任何一個層級滯後，都會成爲整個AI發展的短板。因此，AI的投入必然是一場重資產、長週期的系統建設，涉及能源、製造、信息技術和行業知識的深度融合。也正因爲如此，我們纔看到算力持續緊缺、芯片工廠全球擴張、能源投資同步升溫的現象——這不是短期繁榮，而是一個新基礎設施時代的奠基。 第二部分：黃仁勳論AI——算力即生產力：核心觀點整合 《黃仁勳：算力即生產力》的核心觀點，涵蓋AI的本質、技術趨勢、經濟影響、社會變革、國家戰略及理性反思，確保每一條觀點均被呈現。 一、AI的核心本質：基礎設施級的變革 人工智能真正的意義不在於某個產品的流行，而在於它正在成爲像電力、互聯網一樣的基礎設施。這不是一次局部技術升級，而是一輪基礎平臺級的結構性變遷。理解AI，不能只盯着模型能力本身，而要從整個計算體系被重構的角度來看。當今的AI正在推動一套從能源、芯片、數據中心、雲平臺到模型和應用的完整“多層基礎設施”建設。這不是輕資產的軟件浪潮，而是一輪高度依賴實體投入的長期工程，因此纔會出現算力持續緊缺、芯片工廠和數據中心全球擴張、能源和製造投資同步上升的現象。 黃仁勳用一個直觀的比喻解釋AI的結構：它更像一塊五層蛋糕，而不是單點突破。第一層是能源——AI是實時計算、實時生成結果的系統，本質上是在持續“燒電”，沒有穩定、廉價、可擴展的能源供給，所有上層能力都無從談起。第二層是芯片與計算基礎設施——AI對算力的需求是結構性的，需要爲並行計算、模型訓練和推理專門設計的計算架構。第三層是雲基礎設施——通過雲，算力以服務的形式被調度、分發、共享，決定了AI能否規模化落地。第四層是AI模型——它們承擔“智能本身”的角色，但模型能力的提升是在不斷消耗下層資源的效率紅利。第五層是應用層——AI過去一年進展迅猛，是因爲模型終於“好到可以被用來做事”，經濟價值正是在這一層產生。 AI正在從處理文字和語言走向理解現實世界的運行規則。所謂“物理AI”的出現，使AI開始理解蛋白質結構、化學反應、材料特性、流體和物理過程，相當於讓AI學會了新的“語言”，應用空間從信息世界延伸到物理世界。英偉達與禮來製藥的合作便是例證：當AI能夠理解蛋白質和化學結構後，研究人員可以像“對話”一樣與分子交互，大幅壓縮研發週期。 從產業端看，這種擴張已經同時發生在多個層級。能源需求快速抬升，製造體系再啓動——臺積電、英特爾等新建的晶圓廠規模巨大，拉動的不只是半導體設備，還有建築、材料、電力、物流等傳統重工業。資本流向也發生變化：風險投資不再集中押注“更大的模型”，而是大規模流入所謂AI-native公司——醫療、機器人、製造、金融等傳統行業中的新物種。這並非一輪短期繁榮，而是一場類似電網、高速公路、通信網絡那樣的長期建設週期。 二、技術趨勢：從聊天到做事 過去幾年，AI更多停留在演示層面，而現在模型能力發生了質變。真正的拐點是“走出聊天框”：第一，模型從“會說話”走向“會做事”，能夠圍繞目標拆解步驟、規劃路徑、執行任務，具備進入生產流程的資格。第二，開源模型的成熟帶來擴散效應，讓企業、研究機構和行業參與者能夠在通用能力之上快速訓練專用模型，大幅降低AI進入傳統行業的門檻。第三，物理AI的出現，讓AI不再只處理文字，而是開始理解現實世界的物理規則。 AI之所以擴散得這麼快，核心原因是它用起來前所未有的簡單。過去的軟件要求人去適應工具，而AI恰好反過來：人只需要把話說清楚，工具自己去理解、拆解、執行。會說話、會提需求，本身就成了使用資格。這也是爲什麼短短兩三年時間，AI的用戶規模就逼近十億。關鍵原因只有一個：它太容易用了——過去要寫程序，得先學計算機原理、語法、開發環境；現在順序被徹底反過來，不是人去學怎麼和機器說話，而是直接告訴機器你想幹什麼。不會編程，也可以先做事，邊用邊學，甚至不學也能完成結果。 三、經濟與投資：泡沫還是地基？ 圍繞“AI是否存在泡沫”的質疑，黃仁勳的回答是：如果是泡沫，應該是供給過剩、需求虛高；而現實恰恰相反——算力租賃價格上升、舊一代GPU仍被大量使用、傳統行業開始把真實研發預算轉向AI。這說明AI已經進入生產系統，而不是停留在概念層。一旦這種轉向發生，投資規模自然會顯得很大，但“大”本身並不等於泡沫。AI不是隻買一個軟件就結束的事情，它需要從能源、土地、廠房、芯片、服務器，到數據中心、網絡、運維，層層往下鋪。這本質上是一輪重資產、長週期的基礎設施建設，而不是短線題材。 從資本流向看，過去一年風險投資並沒有繼續集中押注“更大的模型”，而是大規模流入AI-native公司——醫療、機器人、製造、金融等傳統行業中的新物種。算力租賃價格上升是真實需求的信號，反映了應用層規模化帶來的算力需求持續且真實。 四、就業與社會影響：替代還是擴容？ 在社會層面，黃仁勳對“AI衝擊就業”的看法區分了“工作的目的”和“工作的任務”。他的結論是，AI首先替代的是重複性任務，當效率瓶頸被解除，醫療、製造、基礎設施建設等行業反而會擴大規模，從而創造更多崗位。AI並不會首先製造大規模失業，相反，更可能放大一個已經存在的問題——勞動力短缺。AI不是漂浮在雲端的抽象算法，而是一套高度依賴實體世界的系統工程。能源、電力、土地、廠房、數據中心、網絡、設備安裝和維護，這些環節都需要大量現實世界中的人力參與。未來一段時間，真正稀缺的不是工作崗位，而是能支撐這套新體系運轉的人。 因此，AI拉動的是一整代“技術工人紅利”。電工、管道工、建築工人、鋼結構工人、網絡技術員、設備安裝與調試人員，這些看起來“傳統”的工種，反而成了AI時代的關鍵角色。在美國，這類崗位已經出現明顯的供需失衡，薪資水平快速上漲。AI並沒有把就業機會壓縮到少數科技精英手中，反而在現實層面拉開了一條更寬的就業通道。 AI會不會衝擊一個崗位，關鍵不在於它能不能把某些動作做得更快，而在於那些動作是不是這個崗位存在的真正理由。放射科醫生和護士的工作目的，從來不是“讀片”或“寫記錄”，而是診斷疾病、照護病人、參與決策。一旦任務被壓縮，人的時間和精力就回到“目的”本身。AI介入的切口正好在這裏：它把記錄、轉寫、整理這些行政性工作接了過去，把護士從電腦前解放出來，使她們能更多接觸病人，服務質量和覆蓋範圍隨之提升。系統層面看，效率提升並不會自然導向“少用人”，而是讓原本被流程和人力卡住的需求釋放出來。 當AI提高的是完成目標的效率，而不是取代目標本身，技術進步就會從削減人力，轉變爲放大需求。對就業的影響，也就從替代變成了擴容。AI將工作重心從“會不會做”轉移到“知道要做什麼”，能力門檻下降後，更多人將從信息處理中釋放，轉向建設、協作和決策環節。 五、國家戰略與全球視角：主權AI與普惠機遇 在國家層面，黃仁勳把AI明確視爲一種新的公共基礎設施，並提出“主權AI”的概念：語言、文化和本地數據本身就是重要資源，各國不應只依賴外部AI服務，而應構建符合自身需求的能力體系。開放模型的成熟，使這一點在技術上變得可行，也降低了中小國家的參與門檻。 建設本國的AI基礎設施，並不是爲了技術自嗨，而是把“理解本國社會”的能力牢牢掌握在本地生態中。模型可以持續訓練、不斷迭代，和本國的數據、制度、產業一起成長，逐步形成一種內生的“國家級智能”。主權AI並不是封閉或對抗，而是一種底層能力建設，就像沒有國家會放棄修路、發電而完全依賴外部供給一樣。 歐洲在AI時代的優勢，並不在複製美國的軟件路徑，而在把AI直接嫁接到自己最強的那一部分現實世界裏。歐洲長期積累的製造業、工業體系和工程能力，本身就是AI最需要的土壤。AI一旦嵌進去，直接指向的是“物理世界裏的智能”，也就是機器人、智能工廠、自動化系統，而不是單純的App或平臺。歐洲是否願意儘早把AI當成工業升級的一部分，決定了其能否保住優勢。 對新興國家而言，AI的普惠效應更爲關鍵。真正的分水嶺在於，AI能不能像Wi-Fi、4G、5G一樣，變成一種“不會用就喫虧，但學起來並不難”的基礎工具。一旦門檻足夠低，它的擴散路徑就會發生變化，不再依賴學歷、專業或複雜訓練，而是靠實際問題驅動。無論是寫代碼、做設計、整理資料，還是提供本地化服務，能力門檻都在明顯下降。AI讓一大批原本被排除在技術體系之外的人，第一次站在同一起跑線上——不是因爲他們突然學會了複雜技術，而是因爲技術終於學會了順着人來。 六、理性反思：基礎設施敘事的邊界 需要意識到的是，這套“基礎設施級變革”的敘述，天然與某些企業的商業版圖高度同向。當AI被定義爲類似電網、高速公路的長期工程時，最先、最持續受益的，必然是處在底層算力與平臺位置的公司。強調國家參與、能源投入、全球鋪設，本身並沒有錯，但這種表述方式，也會自然地放大建設的緊迫性與規模感，使“現在就要上車”顯得幾乎沒有替代方案。 此外，把AI類比爲電力、通信這類公共基礎設施，本身是一種高度抽象的定性。它有助於理解長期方向，卻容易弱化不同國家在財政能力、治理結構、產業協同上的現實差異。從普通人的視角看，這些判斷依然具有參考意義，但不宜簡單等同爲“確定會發生的未來”。AI作爲平臺級技術的趨勢，可能是對的；圍繞它展開的一切建設，是否在所有地區、所有階段都值得同等激進地推進，則仍然需要具體分析。

本書基於2026年世界經濟論壇達沃斯年會上黃仁勳與拉里·芬克的公開對談，系統梳理了黃仁勳關於人工智能的整體判斷。與將AI視爲單一技術或短期應用浪潮的觀點不同，他將AI界定爲一次基礎平臺級的結構性變遷，其影響更接近電力、互聯網等底層基礎設施，而非單純的軟件升級。 黃仁勳從計算體系的根本重構出發，拆解了AI所依賴的多層基礎設施體系，包括能源、芯片、數據中心、雲平臺、模型與應用，解釋了爲何本輪AI發展必然伴隨高資本投入、長期建設週期，以及算力、能源與製造能力同時成爲瓶頸。在此基礎上，他回應了“AI是否存在泡沫”的爭議，指出資本持續流入與應用層規模化落地，反映的是真實而持續的需求。 在社會層面，他區分了“工作的任務”與“工作的目的”，認爲AI更可能釋放人力、放大需求，而非簡單替代崗位，並結合醫療與製造業的變化加以說明；在國家層面，則提出“主權AI”概念，強調語言、文化與本地數據的重要性，認爲各國需要將AI納入長期基礎設施建設視野。

本書是一份兼具商業啓蒙、技術預見與組織洞察的優秀科普材料。它是瞭解科技行業與企業家精神的精彩範本。它講述了一個技術公司的戰略偏執如何重塑一個時代的財富流向，也揭示了在“算力即權力”的時代格局中，“讀懂英偉達，就讀懂了未來十年的財富流向”。 但值得警惕的是，我們不應將“算力即生產力”僅僅作爲一種單向度的樂觀敘事來擁抱。任何技術敘事一旦脫離了對失敗者的關懷、對就業替代的審慎、對技術與認知退化之間張力的思考，就難免淪爲缺乏溫度的科技狂熱。塔勒布在《隨機漫步的傻瓜》中早已提醒過——“我們只看到成功者，因而形成了對機遇的錯誤看法。那些失敗者——輸家——並沒有現身，他們是沉默的證據”。 本書不僅讓讀者看清了一個時代發展的路徑，更在無形中打開了通向那一系列尚未被回答的真問題的通道——在算力重構一切的時代，真正需要計算的那些事情，纔剛剛擺在人們面前。

一本科普小冊子，根據2026年1月達沃斯世界經濟論壇年會上黃仁勳與貝萊德CEO拉里·芬克進行的一場公開對談的整理。 它圍繞當下熱門話題AI，以問答方式介紹和反思人們關心的十四個問題。如AI作爲平臺級技術方向，介紹其一套層層堆疊的基礎設施體系——能源、算力、製造與勞動力，彼此咬合、掣肘，根基在能源。又如面對公衆的諸多疑慮，觸及了最受關注的就業議題，認爲技術革命會在摧毀舊崗位時悄然種草新職業，未來勞動力與其恐慌，不如轉向協同共生的方向——這既是挑戰，也是教育與被教育者轉型契機。不難看出，移動的搖錢樹黃仁勳是爲“龍蝦”打粉底——AI託底，讓我們變更強。 作爲圖書新形態，電子書（數字出版）短、平、快傳播特點，挑戰傳統致從業者人人自危。像本書，黃、芬1月21日交流，2月2日出版，3月閱讀。擴散異常。

本書着重介紹算力來提高生產力: 要系統性地提高算力，需要在“硬件—軟件—能源—網絡—應用”五個層級同步發力。 1. ​​硬件層：持續升級計算芯片​​ • 採用爲並行計算和模型訓練專門設計的 GPU／TPU 架構，而不是通用 CPU。黃仁勳指出，沒有這一層，模型根本跑不起來。 • 每當算力需求出現量級提升（如 3000 倍）時，必須推出新一代製程與架構的芯片，保持 18-24 個月性能翻番的節奏。 2. ​​系統層：構建面向 AI 的整體計算平臺​​ • 把多顆高性能芯片組合成超算或“AI 工廠”，實現高速互聯、統一調度，專門用來持續生成 Tokens 並支撐推理服務。 • 採用液冷、高密度封裝等數據中心創新技術，提高機架功率密度，降低散熱耗能。 3. ​​能源層：讓算力增長不受電力瓶頸​​ • 與清潔能源結合，建設分佈式能源—算力協同的“綠色數據中心”。黃仁勳強調，AI 的終極目標是與光伏、儲能突破聯動，以保證算力供給與能源供給同步增長。 • 在區域層面統籌電力、製程、封裝等資源，避免“有算力需求、無電力供應”的局面。 4. ​​網絡層：把算力變成可調度、可交易的公共資源​​ • 打造低時延、大帶寬的全國或全球“算力網”，由運營商負責網絡通道，算力服務商提供資源，第三方調度平臺進行統一編排，提高利用率並降低成本。 • 推廣邊緣算力，把推理任務儘可能下沉到數據源附近，減少回傳壓力。 5. ​​應用層：以真實場景拉動算力迭代​​ • 從“訓練爲主”轉向“推理即服務”，讓企業按需購買推理實例，推動算力從一次性投資變成持續收入模型。 • 在製造、醫療、政務等領域大規模部署智能代理，以實際任務驗證並反向促進算力需求的指數級增長。 通過以上五個層級的協同，既能保證算力供給的“量”——滿足指數級增長的需求，也能提升算力使用的“質”——讓每一次計算都轉化爲價值創造。這樣，個人、企業乃至國家都能真正把算力變成可持續的生產力。

如果只盯着ChatGPT這樣的AI應用，你很難真正理解AI。 在《算力即生產力》裏，英偉達CEO黃仁勳提出一個更大的判斷： AI不是一場軟件升級，而是一輪基礎設施革命，其影響更接近電力和互聯網。 也正因爲如此，AI的發展必然伴隨鉅額資本投入、算力緊缺和全球基礎設施擴張。 書中還回應了兩個爭議問題： AI是否是泡沫？AI是否會摧毀就業？ 黃仁勳的回答是： AI首先替代任務，而不是替代工作；真正的變化，是生產力的整體躍遷。 如果你想理解AI背後的產業邏輯，而不是隻看技術熱點，這本書會提供一個更宏觀的視角。

突然發現，在以資本與技術主導的高速發展的今天，對我來說，做技術搬運工或產品設計師似乎有點遙遠，有喫有住有個小事做就很幸運與知足。無論如何，我得努力用心用腦搞懂底層邏輯，展望未來，適應趨勢與變化。

黃仁勳爲何將AI視爲“基礎平臺級”結構性變遷？ 書中把“算力即生產力”概括爲一條簡單而底層的經濟-技術公理：​​計算能力（算力）像電力、道路一樣，成爲創造價值的基礎設施​​，誰掌握算力，誰就掌握了新的生產引擎。 1. ​​概念界定——算力成爲新的通用生產要素​​ • 黃仁勳將 AI 與電力、互聯網、雲計算並列，視作一次“基礎平臺級”的結構性變遷，其核心是​​計算能力的普及化​​，而不再是某一項應用的爆發。 • 書中直接給出等式“算力=生產力”，表明​​算力本身即可被視作生產成果​​，而不僅僅是投入成本。 2. ​​基礎設施屬性——輕應用託底重算力​​ • 任何看似輕量的 AI 應用，背後都依賴​​能源、芯片、數據中心、雲平臺、模型與應用​​的完整鏈條；算力就是這條鏈的“底座”和“公路”。 3. ​​產業鏈滲透——從 IaaS 到 SaaS 的全面重構​​ • 書中借用雲計算產業的 IaaS/SaaS 分層邏輯說明：算力首先以基礎設施形式供給，然後在其上聚集平臺與軟件，最終把能力以服務方式輸出給千行百業，實現“算力→模型→應用”的層層放大。 4. ​​生產關係重塑——數據、模型、人與機器的協作​​ • 當算力成爲通用要素，​​數據被視爲“生產資料”​​、模型是“生產工具”，人通過提示詞等新交互方式指揮機器，形成新的分工體系。 綜上，“算力即生產力”的核心邏輯是：​​把計算能力當作與電力並列的長期基礎設施，先建設、後消費；先形成算力供給，再衍生模型與應用；最終讓數據、算法和人在這條新的生產線上共同創造價值​​。這一邏輯解釋了爲什麼本輪 AI 投入規模巨大、週期漫長，卻仍被視爲必須完成的基礎設施工程。

AI已來這一點是毋庸置疑的，但AI未來會怎樣發展，可能普通人是看不懂也猜不透的，但黃仁勳這樣的人是能看懂，甚至能看得很清楚的，他給我們指了個方向，而很巧，馬斯克的看法和黃仁勳大同小異，所以，我們可以順着這個方向去看看，去了解 AI，其實更像一次產業的升級，而不是單純的體現在應用級別 正如黃仁勳所言，電力，算力，雲，大模型都是整體性升級的，只有這樣，應用級別的效率才能更好發揮，才能更好的商業化 而AI纔剛剛上路，泡沫只是成長過程中的一次小小的波瀾吧

1. 何謂“算力即生產力” AI 不再是單一軟件或短期浪潮，而是一次重構計算體系的基礎設施革命——就像電力、互聯網那樣，決定未來幾十年社會的生產效率。 真正的競爭力體現在算力、能源、芯片、數據中心等底層設施的供給能力。這些重資產決定了誰能大規模、持續地訓練和推理模型，誰就能掌握新的生產要素。 意義概括： • 生產方式重塑——算法+數據決定產品，算力決定算法迭代速度。 • 資本與資源集中——只有擁有長期穩定算力和資金的主體才能建成“高速公路”，短期波動被拉長。 • 產業鏈深度重構——從芯片到應用層將出現幾十年的系統性機會，而非一次性的“爆款技術”。 2. 主要應用場景 黃仁勳將 AI 拆解爲“五層蛋糕”：能源/芯片/計算基礎設施—雲數據中心—模型—應用層。當前關注重點正在從“模型”轉向“應用”，尤其是面向實體產業的“物理世界 AI”： 消費端：智能助手、內容生成、遊戲、營銷等。 產業端：生物醫藥設計、工業製造與預測性維護、自動駕駛、能源系統仿真、精密加工等，這些賽道市場規模高達數十萬億美元。 3. 普通投資者的佈局思路 對個人投資者而言，直接買算力服務器或建數據中心不現實，但可以沿着“高速公路”去“賣水”或參與“淘金”： 聚焦“重資產、長週期”基礎設施： • 公募/私募基金中佈局 AI 芯片、高速網絡、IDC 運營、綠色能源等環節，享受估值和分紅雙重回報。 • 關注半導體設備、材料以及數據中心冷卻、配電等周邊賽道。 把握“應用層紅利”： • 投資已驗證商業模式、能夠把 AI 轉化爲實際生產力的公司，而不僅是純模型提供者。黃仁勳稱之爲從“賣水給淘金者”到“參與淘金併產出黃金”。 • 關注醫療影像、工業互聯網、智能駕駛、能源優化等實體產業中的落地企業。 採用“核心+衛星”組合： • 核心倉位：跟蹤 AI 基礎設施指數基金或全球頂尖芯片公司的 ETF，獲取算力成長收益。 • 衛星倉位：精選 2–3 個應用層賽道（如醫藥研發 SaaS、工業 AI 監測）的領先公司，追求超額收益。 投資週期與風險控制： • 基礎設施回報週期長、波動大，需以中長期資金爲主，避免短期追漲殺跌。 • 關注政策層面的“主權 AI”與數據安全，選擇具備本地化數據優勢的公司或 ETF。 一句話總結：這一輪 AI 投資機會的核心在於“重修高速公路”和“開好商店”。個人投資者要麼站在這條高速路上，要麼在高速路旁賣最好的商品，才能在算力即生產力的新時代分享長期增長紅利。