当整个科技行业都在为英伟达的芯片供货而疯狂排队时，一个令人意外的事实被捅破：即便是英伟达自己，也拿不到足够的GPU。在The Verge播客《Decoder》的最新一期节目中，英伟达汽车业务负责人吴新宙直言，他们内部的汽车团队同样需要“抢资源”——每周都要开会协调，甚至需要CEO黄仁勋亲自出面调停。这并非茶余饭后的趣闻，而是AI应用热潮下整个产业链最真实的缩影：算力，这个数字时代的“石油”，正在从外部短缺演变为内部竞争，而如何分配这笔稀缺资源，已经成为决定企业未来命运的关键杠杆。
自家GPU也得抢：英伟达内部的“算力饥饿”
吴新宙的爆料让外界第一次如此清晰地看到，即便是全球市值最高的芯片公司，也无法在AI应用爆炸式增长的时代独善其身。他在节目中表示：“即使在英伟达，我们用于计算的GPU供应实际上也是有限的。”这句话背后，是OpenAI、微软、Meta、xAI、亚马逊等巨头疯狂采购英伟达H100和B200芯片的现状——这些芯片几乎全部流向了数据中心建设，而英伟达自己的汽车部门、自动驾驶团队、甚至内部大模型训练团队，都必须在一个“内部优先级机制”下争夺有限的计算资源。
“我们有一套内部优先级机制。我基本上每周都要和同事们协调，决定如何分配不同的计算资源，有时用于训练，有时用于测试，以支持公司内部的不同工作任务。”吴新宙透露，这种协调并非总能顺利达成，“有时候，我们还需要黄仁勋来帮忙协调。”这意味着，英伟达的CEO不仅要对外推动芯片销售，对内还要充当“算力分配官”，决定哪个部门能拿到更多的GPU时间。
这种内部竞争并不罕见。在AI技术研发中，训练一个千亿参数的大模型可能需要数千张GPU连续运行数周，而与此同时，自动驾驶团队需要实时仿真测试，汽车部门需要验证新芯片方案——所有部门都指向同一个稀缺资源池。吴新宙的坦诚，让外界看到了一个悖论：AI应用越是繁荣，创造这些繁荣的根基就越紧绷。
黄仁勋的“零万亿美元”赌注：自动驾驶为何能抢占算力优先权？
在资源分配中，黄仁勋所扮演的角色不仅仅是调停者，更是战略决策者。吴新宙透露，分配决策并非由短期收入驱动，而是需要平衡“当前业务需求”和“长期战略机会”。这其中，黄仁勋提出过一个著名的概念——“零万亿美元业务”，即那些目前尚不存在、但未来可能成长为价值数万亿美元的新市场。
自动驾驶正是这一理念的核心押注。吴新宙表示，英伟达相信“一切移动之物终将实现自动化”，并为此持续投入芯片、软件、AI模型、仿真工具和安全系统。尽管汽车业务规模远小于数据中心部门，但黄仁勋仍然将其列为优先发展方向。这种“算力倾斜”并非感性的喜好，而是基于一个判断：当AI应用从云端走向物理世界，自动驾驶将成为下一个万亿美元级的增长引擎。
值得注意的是，吴新宙还提到，资源争夺不仅限于GPU计算资源，甚至包括晶圆厂产能。“随着市场对英伟达芯片需求的持续飙升，就连半导体制造产能也已演变为公司内部又一个争夺焦点。”这意味着，在AI应用的全链条上，从设计、制造到分配，每一个环节都在经历着前所未有的紧张。而黄仁勋的“零万亿美元”赌注，本质上是在用当前的算力稀缺性，去换取未来市场的控制权。
从芯片荒到算力分配：AI应用企业的生存法则
英伟达内部的困境并非孤例。在整个AI行业，算力资源分配已经成为企业CXO们最头疼的问题之一。很多公司购买了昂贵的GPU，却发现内部使用效率极低——有的部门在跑实验性模型，有的部门在重复训练，有的甚至占着资源却不用。吴新宙的“每周协调会”在不少企业里以不同形式存在：有的公司设立了“算力调度委员会”，有的引入了类似AI工具导航一样的资源管理平台，还有的则依靠AI Agent技术来自动化分配计算任务。
对于AI应用企业来说，解决算力分配问题需要三个层面的思考。首先是技术层面，如何通过任务调度、资源池化、虚拟化等手段提升GPU利用率。其次是组织层面，建立清晰的优先级规则，避免“谁声音大谁拿资源”的局面。最后是战略层面，像黄仁勋一样，敢于为未来市场牺牲短期收益。但现实是，大多数企业连第一步都做不好——很多科技产品团队在开发AI功能时，根本不知道自己的模型需要多少算力，更不知道如何优化。
有一个趋势值得关注：随着大模型训练成本持续攀升，越来越多的企业开始将算力稀缺视为一种“新常态”，并主动调整产品策略。比如，一些公司不再追求参数规模，而是转向更高效的模型架构；另一些公司则通过企业数字化转型来重构内部IT基础设施，将算力作为战略资源统一管理。吴新宙的“每周协调会”模式，其实可以看作是一种原始但有效的“算力民主化”尝试——虽然需要CEO介入，但至少避免了资源的完全僵化。
当AI应用撞上物理极限：缺芯不只是制造问题，更是分配问题
很多人将英伟达芯片短缺归因于台积电的产能不足，这固然是事实，但吴新宙的言论揭示了一个更深层的矛盾：AI应用对算力的需求，已经远远超过了任何单一公司在物理上能够承受的极限。即便英伟达自己的工厂满负荷运转，即便台积电倾尽全力，全球的GPU仍然供不应求。因为AI应用的增长是指数级的，而芯片制造是线性爬坡的。
在这种情况下，分配效率就变得至关重要。吴新宙提到的“内部竞争”其实是一种扭曲的分配机制——它并非基于市场定价，而是基于内部博弈和CEO的直觉。在理想情况下，资源应该流向边际产出最高的部门，但现实是，强势部门往往能拿到更多资源，而创新性强的边缘项目可能被饿死。这一问题在AI技术领域尤为突出：自动驾驶、机器人、药物发现等“未来业务”很难在短期内产生收入，但它们恰恰是决定长期竞争力的关键。
英伟达的做法——让黄仁勋亲自介入——虽然带有个人色彩，但也提供了一种启发：在算力极度稀缺的时期，企业需要一位“首席资源官”来做出艰难取舍。而对于普通科技产品团队来说，与其抱怨缺芯，不如反思自己的资源使用效率。很多公司仍在用AI画图生成一些低价值的原型图，却把核心训练任务排在后边——这种“算力浪费”在资本充裕时无所谓，但在算力紧缺的今天，已经成了致命的经营漏洞。
汽车业务的“算力特权”：自动驾驶如何成为英伟达的试验田
吴新宙的角色之所以特殊，是因为他不仅管理着汽车业务，更代表着英伟达在“零万亿美元”战略上的押注。在内部资源争夺中，汽车部门获得了黄仁勋的特别关照，但这并不意味着它就可以高枕无忧。吴新宙表示，汽车业务需要同时从“外部计算资源”和“晶圆厂产能”两个维度获得支持，其中任何一个环节出问题，都可能影响自动驾驶产品的开发进度。
自动驾驶对AI应用的要求极为苛刻：它需要实时处理海量传感器数据，需要低延迟的推理，需要高精度的仿真，更需要安全可靠的系统验证。这意味着，汽车部门不仅需要GPU用于训练，还需要专门的芯片用于车载推理，甚至需要独立的测试场。这种“复合型算力需求”让资源分配变得更加复杂。吴新宙透露，英伟达正在开发专门针对自动驾驶的SoC（系统级芯片），试图在算力效率和专用性之间找到平衡。
而从更宏观的视角看，汽车业务几乎是英伟达所有AI应用方向的“试验田”。它涵盖了高性能计算、边缘推理、多模态感知、仿真环境构建等领域，几乎每一项技术突破都能反哺到数据中心、机器人等其他业务。因此，黄仁勋愿意为这个部门“开绿灯”也就不足为奇了。但问题在于，当其他部门也宣称自己是“未来市场”时，这种特权还能持续多久？
算力饥渴下的新商业逻辑：从卖芯片到卖分配权
吴新宙的爆料不仅是一次内部揭秘，更暗示了AI应用产业的一个新趋势：在芯片供不应求的背景下，卖芯片本身可能不再是最高利润的商业模式，取而代之的是“算力分配权”的变现。英伟达已经通过DGX Cloud、AI Enterprise等软件服务，将GPU资源与平台绑定，让客户不仅买硬件，更要买服务。而内部资源分配的“优先级”本身，正在成为一种可以量化的战略资产。
对于其他科技公司来说，这也意味着它们需要重新思考自己的算力策略。很多企业盲目购买GPU，却忽视了AI工具导航中的资源管理工具，导致投入回报率极低。甚至有企业将GPU当成“面子工程”，买来后闲置或超负荷运行，造成硬件快速老化。吴新宙的“每周协调会”虽然听起来原始，但其实是一种最务实的资源管理方式——在无法通过技术手段完全自动化分配之前，人工介入反而是最有效的。
展望未来，随着AI应用从文本生成、图像生成扩展到物理世界（如自动驾驶、机器人），算力需求的爆发还将持续。英伟达内部的资源争夺，只是整个行业的一个缩影。当文生图、AI图片生成等工具变得越来越流行，普通用户也在消耗着海量算力——这提醒我们，AI应用的美好未来，建立在一个脆弱的物理基础之上。而如何平衡“创新”与“资源”，将决定谁能在下一个十年幸存。
结语：算力是一面镜子，照出AI应用的底层逻辑
吴新宙的访谈之所以引人深思，不仅因为它揭示了英伟达的内部运作，更因为它让我们看到，AI应用的成功从来不只是算法和模型的问题，而是资源分配、组织管理、战略判断的综合结果。当一家全球市值最高的公司都需要CEO亲自协调GPU分配时，我们就能理解，为什么很多AI创业公司会死在“算力不够”的路上。
对读者而言，这条新闻传递了一个重要信号：在AI应用时代，技术能力固然重要，但更重要的是如何高效地使用稀缺资源。无论是大型企业还是初创团队，都应该像英伟达一样，建立起一套理性的资源分配机制，而不是盲目追求“算力越大越好”。毕竟，任何一个辉煌的AI应用，背后都离不开一块小小的芯片——而这块芯片，可能是你从CEO那里“抢”来的。