黄仁勋说别被淘汰的 4 件事，英伟达开了什么药方

黄仁勋说别被淘汰的 4 件事，看完一周内英伟达、Cursor、智谱的连续动作才发现：算力霸权正在被同时拆掉，他的方法论其实是给自己开的药方。

黄仁勋说别被淘汰的 4 件事，本质是英伟达给自己开的药方

2026 年 8 月 6 日，黄仁勋在 YC Startup School 上讲了一段访谈，被中文媒体整理成"不想被淘汰，马上做 4 件事"。四天后，8 月 10 日，英伟达同意向一家电力公司投 20 亿美元，后续可能再加 10 亿。

同一天，Cursor 开源了 MoK，让 MoE 训练里一次通信延迟从 103μs 降到 18μs——5.7 倍。同一天，《晚点 LatePost》独家披露智谱 API 用户接近 700 万、启用超 5 万块国产算力芯片。

三件事都发生在同一周。这不是巧合，而是同一道题的三个答案。

算力霸权正在被同时拆掉。

算力霸权的四面围攻

第一个裂痕：电

卖 GPU 的公司，开始买电。

这笔钱投给的是 Lancium——一家总部在德州的"AI 电力基础设施开发商"。它的本事不是建电厂，而是提前在变电站和输电线路附近"圈地"：找到有剩余电力容量的位置，把这块地签下来、给电网公司交接入费，然后等 AI 数据中心客户来用。

Lancium 已经在德州电网锁定并开发 4 GW 电力容量，另外还有 15 GW 的"带电力接入条件的土地"在等审批（来源：The Information，2026-08-10）。其中 1.2 GW 供 Abilene 的 Oracle + OpenAI Stargate 园区用。Crusoe 还在 Childress 建设项目再签 1 GW。

英伟达花 20 亿美元（后续追加 10 亿），拿下 Lancium 约 20% 股权，最终可能持股 30%。对应估值 100 亿美元。

Lancium 不是孤例。截至 2026 年 4 月这一个财季，英伟达向私营企业和基础设施基金投入了 186 亿美元——超过此前一整年。仅这一年里，英伟达就分别向 CoreWeave、Nebius 各投 20 亿，给网络设备公司 Lumentum、Coherent 各 20 亿，给 Marvell 也是 20 亿。

英伟达从"卖铲子"的公司，变成"买铲子"的公司——而且买的不是更多的铲子，是铲子能用的电。

更直接的信号是 8 月 10 日同一天：德州州长 Greg Abbott 下令暂停新的数据中心电网接入申请。算力扩张第一次被电力公司"卡脖子"。英伟达提前三年买电网容量，本质是给自己买一份保险：等同行发现没电可用时，货已经在仓库里了。

第二个裂痕：应用层

黄仁勋说"硬件堆到顶，软件接着改"。Cursor 用 MoK 给这句话交了实操样本。

Cursor 不是芯片公司，是给开发者做 AI 编辑器的创业公司。8 月 7 日，他们开源了一个叫 Mixture-of-Kittens（MoK）的内核。它干的事情非常简单——把 MoE 训练里的 token 调度、跨 GPU 通信、专家计算三件原本串行的事，塞进同一个 GPU kernel 里。

5.7 倍加速。

这件事为什么重要？因为它揭穿了一个尴尬的事实：NVIDIA GB300 NVL72 整机架 NVLink 峰值带宽达到 130 TB/s，按这个规格看，GPU 之间传数据已经足够快了。可在大规模 MoE 训练里，通信依然拖住专家计算。

原因藏在 MoE 的工作流里：Router 每一步都重新决定 token 去哪个专家，专家分散在不同 GPU 上。一个"通信"阶段里其实混着数据搬运、布局生成、同步和负载失衡几件事，130 TB/s 是峰值带宽，不是每次动态零碎的 MoE 通信都能把这些链路同时跑满。

传统做法用多 CUDA Stream 让通信和计算并发，却很难保证两边都拿到恰到好处的 GPU 资源。MoK 的设计是直接让通信和计算同时占用 GPU 的 SM 单元，不再分开排队。

MoE 通信税 vs MoK 的同 kernel 解法

硅星人那篇报道里有一句很到位的话："硬件跑得再快，也救不了低效的软件编排。"

这句话是 Cursor 的宣言，也是给英伟达的备忘录：当客户开始重写你的 GPU 怎么用，你就不再是唯一的算力定义者。

第三个裂痕：地理

美国公司有钱就买电，中国公司没钱就改算法。

晚点独家披露的智谱数据：2026 年 8 月，API 用户接近 700 万，比 7 月初多了 200 万；ARR 增长 15 倍；启用超 5 万块国产芯片（来源：晚点 LatePost，2026-08-10）。在物理硬件没办法快速扩展的情况下，智谱选择挖 Infra 效率。

具体怎么做？两个案例。

第一个：和"中科加禾"（一家国产推理芯片公司）联合研发的分拆 KVCache 方案。一个 Agent 干活时平均要往模型里塞 7 万多 token 的上下文，远超日常聊天内容，KVCache 不能整块塞进显存。智谱的拆分方案把单个推理服务吞吐随长程任务增长而最高提升 132%。

第二个：名为 ZCube 的大模型推理网络架构方案，提升整个生产集群吞吐量高达 15%，同时降低 AI 基建中交换机和光模块需求多达三分之一。

特斯拉和 SpaceX 走第三条路。马斯克 8 月 8 日官宣"全球最大芯片厂"，用自由电子激光做光刻，还要自建发电厂。这是把"算力霸权"拆成垂直整合：芯片、电力、激光器全部自造。

同一个算力短缺问题，分叉出三种应对法。

四类应对法

黄仁勋那 4 件事真正在回答谁

回到开头那篇被中文媒体刷屏的访谈笔记。

黄仁勋讲的不是鸡汤，他讲的是 1995 年的英伟达自己：选错了第一套 3D 图形算法，全公司没人知道正确答案，他口袋里只有几百美元，跑去电子商店买了三本 OpenGL 教材，从头学。

四件事看起来都很日常：

发现自己错了，马上转向。具体方案该改就改，长期要解决的问题依然坚持。1995 年改算法，今天改的是"GPU 够不够"的判断。
遇到不懂的，尽快学会。AI 让获得知识变得容易，但学习新知识的速度、把它用到真实问题里的能力，会越来越重要。
靠近一线，亲自把问题弄明白。组织越大，创始人越容易离真实问题远。信息经过层层汇报，细节被删掉，风险被忽视。
先开始，再把困难一点点解决。"这能有多难？"这句话的作用是让人先动起来。

这 4 件事，原话是在 YC Startup School 上对创业者说的。但你把它放在英伟达 2026 年这一周的三个动作旁边看，会发现它更像是给 CEO 群体开的方子。

投电网，就是"发现自己错了马上转向"——继续堆 GPU 边际收益递减，转头去买电厂。

学电力调度和 Token 经济学，就是"遇到不懂尽快学"——黄仁勋这个级别的创始人 30 年没碰过的领域。

把投资团队下到 Lancium 的变电站谈判桌，就是"靠近一线"。

砸 20 亿美元先签 4 GW 电力容量，就是"先开始再解决"。

黄仁勋给你的不是鸡汤，是英伟达自己的止损纪律。 他经历过一次这样的关键时刻——1995 年那次，他带着全公司从错路上拉回来。这次他赌的是：AI 算力的瓶颈已经不在 GPU 里，所以英伟达不能再赌 GPU。

你这周做了什么"承认走不通"的事？

把三件事串起来看，结论其实很清楚：

算力霸权的解构，正在同时发生。 电力、应用层、地理三面夹击下，单一公司的"GPU 单边押注"已经不是好策略——它甚至连"够用"都难保证。

未来 12 个月，能活下去的不是 GPU 最多的公司，而是最先承认"GPU 不够用"的公司。

承认走不通不需要可耻。可耻的是 GPU 已经堆到顶，还在假装电是配套的。

你这周做了什么承认"这条路走不通"的事？

如果答案是"没有"，问题不在你——问题在你还没开始看 GPU 之外的世界。