每當有人拿 Google TPU 或其他 ASIC 晶片來質疑 NVIDIA 的護城河，黃仁勳的回答都有一個核心，可程式化的彈性是 GPU 的命脈，而 AI 演演算法的演進速度，讓任何固化設計都難以長期存活。在今年 4 月 15 日 Dwarkesh Patel 的 Podcast 訪談中，黃仁勳拆解了 GPU 對 ASIC 的競爭優勢，並延伸談及 AI Agent 如何反過來放大整個軟體生態的價值。
（前情提要：黃仁勳來臺回應Google TPU競爭：輝達GPU通用性更高，Nvidia絕不怕市場落後）
（背景補充：Google傳將「合作聯發科」開發下一代 AI 晶片，減少依賴輝達..博通危險了？）
每當 Google TPU、AWS Trainium 或高通 AI 晶片出現在新聞標題，市場就會問同一個問題：NVIDIA 的壟斷地位還能撐多久？黃仁勳在 Dwarkesh Patel 的 Podcast 訪談中，給出了他的論述，不只是一句「我們很強」，而是從架構、生態、可程式化三個維度，把邏輯說清楚。
黃仁勳說 ASIC 的死穴是演算法發展得太快，專用晶片跟不上。Transformer 剛成為主流沒幾年，MoE 混合專家模型就冒出來，緊接著擴散模型又搶走一部分算力需求。沒有人知道下一個突破長什麼樣，這正是 NVIDIA CUDA 架構的立足點。
摩爾定律再見，架構才是主戰場
電晶體微縮每年帶來的效能增益，如今大約只剩 25%，這個數字放在傳統半導體週期看是正常，但放在 AI 算力競賽的環境裡，根本不夠看。
黃仁勳的解法是往架構要效能：從 Hopper 到 Blackwell，NVIDIA 聲稱整體推論效能提升幾十倍，靠的是軟硬體協同設計（Co-design），而不是單純依賴台積電製程升級。
ASIC 在這個框架下天生就很吃虧，一顆為特定演算法最佳化的晶片，一旦演算法路線改變，就得重新設計流片，週期動輒兩年起跳。黃仁勳很直白「我們需要的不是更快的固定電路，而是一個隨時可以改寫的運算基礎設施」。
裝機量就是壁壘，TPU 改不了的那道牆
NVIDIA GPU 目前橫跨 AWS、Azure、GCP 三大雲端，加上遍佈全球的地端部署，形成一個任何 AI 開發者都難以繞過的生態系。黃仁勳把這件事描述成 AI 開發者想讓程式碼在任何地方都能跑，CUDA 生態讓這件事幾乎是預設選項，這不是 TPU 能靠單一廠商優勢在短期內追平的局面。
換個角度看，Google 自己用 TPU 跑內部模型，這是成本最佳化的合理選擇；但要說服第三方開發者、企業使用者放棄 CUDA 生態，難度完全上天。任何主流 AI 專案啟動時，背後幾乎都會想到 NVIDIA 硬體，這就是裝機量的現實壟斷。
AI Agent 不是軟體的終結者，是放大器
訪談中有個延伸論點值得特別記錄。黃仁勳被問到 AI 是否會讓傳統軟體被取代，他的回答方向完全相反：AI Agent 數量暴增之後，每個 Agent 都會成為各種軟體工具的「超級使用者」，例如晶片設計 EDA 軟體、工程模擬工具、辦公室協作平台，需求不會消失，只會放大。
這個邏輯是 Agent 不會直接取代軟體，而是讓每款軟體服務更多的「非人類使用者」。
軟體公司的訂閱收入，理論上應該隨 Agent 數量同步增長，而不是被壓縮成一個通用 API 介面。這是一個讓 Salesforce 或 Autodesk 鬆一口氣的論述，但市場還沒完全 price in。
GPU 不只是 AI 的算力底座，還在跑分子動力學、量子化學、物理模擬。這些非 AI 的重型運算需求，ASIC 幾乎全數放棄，NVIDIA 卻把它們全收進來。
黃仁勳把整套系統拆成五個層級：應用、模型、基礎設施、晶片、能源。每一層都是 NVIDIA 在深耕的領域，所以 NVIDIA 已經變成陽光空氣水，不死不滅。
📍相關報導📍
黃仁勳來臺回應Google TPU競爭：輝達GPU通用性更高，Nvidia絕不怕市場落後
