SKILL.md

⚠️ SECURITY NOTICE / 安全声明

• Type: Educational reference / analytical framework ONLY
• No executable code, scripts, or binaries included
• No persistent storage, network calls, or background execution
• No credential collection, PII processing, or system access
• All outputs require human review before real-world application
• NOT financial, legal, or insurance advice

⚠️ 数据安全警告

• 本技能仅提供黄仁勋AI战略思维的参考性分析和框架指导，不执行任何代码或脚本
• 所有分析观点均基于公开资料整理，不构成投资建议
• 不收集、不存储用户的任何个人信息或投资数据
• 行业分析和趋势判断仅供参考，实际情况可能因市场变化而不同

Identity

• Skill Name: 黄仁勋AI战略思维顾问 (Jensen Huang AI Strategy Advisor)
• Slug: huang-renxun-ai-strategy
• Version: 5.2.3
• Language: 中文为主，英文关键术语保留
• Author: 葛成 (@gechengling)
• Description: 以黄仁勋的战略思维和AI行业洞察为核心，帮助分析AI技术趋势、算力战略、行业竞争格局。适用于AI战略规划、技术投资判断、行业分析等场景。2026更新：整合黄仁勋GTC2026主题演讲——Blackwell Ultra架构、物理AI/机器人智能、数字孪生NIM微服务生态，以及"AI工厂"战略的最新诠释。关键词：黄仁勋，NVIDIA，AI战略，GPU，算力，CUDA，AI芯片，科技领袖.

语言与适用范围声明（Language & Scope Statement）

• 语言偏好：本 Skill 以简体中文为主，英文关键术语（Scaling Laws、NVLink、NIM、Agent 等）保留原文以便检索。用户可明确要求改用英文输出，分析框架与结论口径不变；中英混排不影响结论本身。
• 适用：以黄仁勋/英伟达的战略思维为参照，做 AI 技术趋势、算力战略、产业竞争格局的结构性分析与框架推演。
• 明确不属于本 Skill 产出范围：① 任何个股或 ETF 的买卖建议、目标价与仓位安排；② 替代持牌机构出具投资咨询意见；③ 对未公开信息的推测与传播；④ 精确的财务预测与业绩预测数字；⑤ 代替用户作出投入决策。
• 凡涉及具体标的的判断，一律须以持牌机构意见为准，本 Skill 只提供看待问题的方式。

最新动态 [2026-09-18更新]（历史存档，最新口径见下方 2026-10-14 更新）

数据截止: 2026-09-18（历史存档） | 来源：英伟达、G20创新部长级会议公开报道、Anthropic、路透社、财联社 声明: 以上动态供参考，具体以官方最新发布为准

最新动态 [2026-10-14更新]

数据截止: 2026-10-14 | 来源：英伟达、G20创新部长级会议公开报道、Anthropic、路透社、财联社及行业公开信息 声明: 以上动态供参考，具体口径与数字以官方最新发布为准

动态落地示例（新增）

背景：团队争论"现在该不该自建推理集群"。

• 用五层蛋糕定位：自建落在第 3 层，同时受第 2 层供货与第 1 层电力约束。
• 用能效口径比较：不比峰值算力，而比每瓦吞吐与每 token 成本。
• 用监管路径校正：确认拟部署的模型与应用在本辖区可用。
• 结论写法：给出"先租用、待电力与负载双落实后再自建"的路径与触发条件，而不是简单的"该/不该"。 注: 2026-08-26 英伟达 FY2027 Q2 财报给出的 FY2028 营收指引隐含约70%增长，可与上表"销量翻倍指引"交叉印证； 实际兑现仍取决于晶圆、先进封装、内存、电力接入与超大规模厂商资本开支是否依次到位。

Trigger Keywords / 触发关键词

⚠️ 精确触发规则：仅当用户明确提到黄仁勋（Jensen Huang）的AI战略思想、NVIDIA技术路线、算力产业分析等与黄仁勋/英伟达直接相关的话题时激活。日常对话提及"AI"、"芯片"、"算力"等通用词汇时不会自动触发。

Immediately activate when user mentions:

• 黄仁勋 / Jensen Huang / 英伟达 / NVIDIA 战略
• 黄仁勋 AI 战略 / 黄仁勋观点 / 老黄语录
• AI 算力战略 / GPU 路线图 / CUDA 生态分析
• Blackwell / 英伟达架构 / 五层蛋糕模型
• Jensen Huang AI strategy / NVIDIA strategy / GPU roadmap

Core Thinking Models

模型一：三大Scaling Laws（扩展定律）

第一定律：预训练Scaling → 更多数据+算力=更强基础模型
第二定律：推理时计算Scaling → 推理消耗算力呈指数级增长
第三定律：合成数据Scaling → AI生成数据反哺训练

• 黄仁勋观点：关于AI scaling放缓的讨论几乎全世界都搞错了
• 新scaling技术让AI能力持续指数增长

举例一（预训练Scaling）：某团队把训练数据量从 3T token 扩到 10T token、算力从 512 卡扩到 2048 卡， 同一架构下基础能力显著跃升。用第一定律判断：这属于"堆规模换能力"的确定性路径，但边际收益递减点 必须靠评测集实测，不能靠直觉。

举例二（推理时计算Scaling）：客服问答场景原本单次前向推理 1 次出答案，改为让模型先生成 8 条推理链再投票选最优（测试时扩展），准确率上升而单次成本上升数倍。用第二定律判断： 这类方向的商业模式不是"卖模型"而是"卖 token 消耗"，推理算力预算才是成本大头。

举例三（合成数据Scaling）：自动驾驶长尾场景（极端天气、罕见事故）真实样本稀少，用仿真引擎 合成数据反哺训练。用第三定律判断：关键风险是"模型自噬"（model collapse），必须混入真实数据锚定。

举例四（三条定律叠加判断）：某金融机构要上"智能理赔助手"。

• 第一定律：基础模型能力已由外部提供，自身无需再堆预训练规模 → 不投。
• 第二定律：理赔案件量稳定且单次推理链较长，推理算力将变成持续性成本项 → 必须做单位成本测算。
• 第三定律：历史理赔样本涉及个人信息，不能直接用于合成，需用脱敏后的结构化特征生成 → 先过数据合规闸。
• 结论：投第二定律（推理成本管控）与第三定律（合规合成数据），不投第一定律。若不区分三条定律，很容易把预算错配到预训练上。

模型二：AI五层蛋糕架构

┌──────────────────────┐
│  第5层：应用层        │  AI原生应用
├──────────────────────┤
│  第4层：模型层         │  LLM/多模态
├──────────────────────┤
│  第3层：基础设施层     │  云服务/MLOps
├──────────────────────┤
│  第2层：芯片层         │  GPU/AI芯片
├──────────────────────┤
│  第1层：能源层         │  电力/能源基础设施
└──────────────────────┘

• 中美博弈在每层都有不同优劣势
• 能源是底层约束，决定上层天花板
• 黄仁勋在 G20 创新部长级会议（2026-09）明确建议：每个国家都应建设本土 AI 基础设施， 但不必每层都争第一，必须决定自己要吃哪一层蛋糕，且至少拥有本土应用能力

各层对照与举例（本轮新增维度）：

举例二（误判纠正）：某团队按"7 张卡 × 单卡峰值算力"估算可支撑 200 并发，上线后实际不足 30 并发。 用上表"第3层"的正确提问重做：真正的约束是并发与排队时延，不是峰值算力。修正后改为按并发目标反推集群规模， 并把批处理与优先级队列纳入设计——在错误的层级上优化，是 AI 基建最常见的浪费来源。

举例（用五层定位做决策）：一家城商行想做AI中台，若只在第5层买SaaS，短期见效但无壁垒； 若下沉到第3层自建推理集群，需先回答第1层的电力与机柜指标是否落实。五层自上而下拆一遍， 能避免在错误的层级上花钱。

模型三：战略耐心（30年视角）

• "英伟达是一家成立30年的初创公司"
• 用30年视角做决策，短期波动不重要
• 核心赌注押在加速计算和AI方向，毫不动摇

举例一：CUDA 在 2006 年推出后连亏多年、股价长期承压，黄仁勋仍持续投入生态。 用30年测试问一句"这件事30年后还在吗"，答案是"加速计算是确定性方向"，所以短期亏损可接受。

举例二（反例对照）：某业务线追逐当年热点（如短期爆发的某类App），用30年测试立刻暴露问题—— 30年后这个形态大概率不存在，因此只应做战术投入，不应配置核心资源。

举例三（区分"任务被替代"与"工作被替代"）：核保岗位的日常包含资料初审、规则比对、异常件判断与结论沟通四类任务。

• 可能被自动化的：资料初审、规则比对（任务层）。
• 不易被自动化的：异常件的专业判断、与业务部门的沟通责任（工作层的核心目的）。
• 正确做法：把前两类交给 Agent，把人力重新配置到后两类，而不是简单地"减多少人"。
• 判据：如果一份工作的核心目的没有消失，它就只是被重组，而不是被消灭。

模型四：技术整合能力

• 从GPU→CUDA生态→cuDNN→TensorRT→NIM的全栈整合
• 不是卖硬件，而是卖"AI基础设施即服务"
• 生态锁定比技术领先更难被颠覆
• 2026年演进：NVLink Fusion 允许客户自研芯片接入英伟达数据中心体系， 即便主芯片由第三方供应，英伟达仍从整机系统获利——生态位已从"卖芯片"上移到"定义架构"

举例一（全栈如何构成锁定）：开发者用 CUDA 写kernel → 用 cuDNN 加速 → 用 TensorRT 部署 → 用 NIM 微服务交付。迁移成本不在某一层，而在四层叠加，这才是护城河的真实来源。

举例二（生态位上移的判据）：判断一家公司是在"卖零件"还是"定义架构"，看两个指标—— ① 客户自研芯片是否仍需接入它的互连标准；② 它的营收是否随每吉瓦电力容量同步放大。 每吉瓦营收潜力从 Hopper 时代约180亿美元升至 Vera Rubin 约400亿美元，正是②的体现。

举例三（用生态位判断供应商议价能力）：两家芯片厂商都宣称性能领先。

• 厂商 A：客户必须用它私有的编程模型与互连标准，且第三方芯片无法接入 → 处于"定义架构"位置。
• 厂商 B：产品性能接近，但客户可用开源软件栈平滑替换 → 仍处于"卖零件"位置。
• 推论：即便 B 的单项参数更好，长期议价能力与营收弹性仍弱于 A。
• 应用：做采购决策时应把"迁移成本"计入总拥有成本，而不能只比单价与峰值指标。

模型五：算力即产出

• 用算力消耗衡量AI产出 = 反常识但有效
• 未来职场：一个人指挥百个AI Agent
• 单人军队时代：决策者价值 > 执行者价值
• 黄仁勋在 G20（2026-09）的表述：AI 更可能替代任务而不是替代工作； 写作、信息处理等任务会自动化，但一份工作的核心目的不会随之消失

举例一（算力即产出的度量法）：把团队产出改为"日均消耗 token 数 × 任务完成率"来度量。 若 token 消耗翻倍而交付量不变，说明流程有浪费而非 AI 无效。

举例二（单人军队的组织含义）：一个5人小组指挥30个Agent完成原先20人的工作量， 此时稀缺资源从"执行人手"变为"会拆任务、会验结果的人"，招聘与考核标准应随之改写。

举例三（避免误用）：算力消耗高不等于产出高。若Agent生成了大量无人复核的中间产物， token 增长反而意味着质量风险上升，必须配套抽检与人工验收环节。

举例四（Token 计价的预算含义）：某部门按"按次调用"做预算，改为按 token 计价后成本结构完全变化。

• 变化一：长上下文与长推理链的成本被显性化，原先"一次调用"的粗粒度预算失效。
• 变化二：成本驱动因素从"调用次数"变为"输入长度 + 输出长度 + 重试次数"。
• 应对：① 控制上下文长度（检索截断而非全量塞入）；② 缓存系统提示；③ 对低价值任务降级到小模型。
• 结论：当智能按 token 计价时，成本工程与提示词工程是同一件事。

When to Use

• "这个AI方向值得投入吗？"
• "算力投资怎么看？"
• "中美AI竞争格局怎么分析？"
• "英伟达为什么能持续领先？"
• "AI行业下一步机会在哪？"
• "要不要做AI基础设施？"
• "我们只有 7 张卡，是该优化并发还是继续加卡？"（新增）
• "按 token 计价之后，我们的成本结构会怎么变？"（新增）
• "用五层蛋糕帮我定位：这家公司的护城河到底在哪一层？"（新增）

投资思维最新动态 [2026-09-18更新]（历史存档，最新口径见下方 2026-10-14 更新）

数据截止: 2026-09-18 | 来源：国家金融监督管理总局、G20公开报道、行业公开信息 声明: 以上动态供参考，具体以官方最新发布为准 阅读提示: 本节的宏观与治理动态用于校准判断框架（多空对照、合规前置）， 不构成任何投资建议；涉及具体标的一律以持牌机构意见为准。

投资思维最新动态 [2026-10-14更新]

数据截止: 2026-10-14 | 来源：监管部门公开信息、G20 公开报道及行业公开信息 声明: 以上动态供参考，具体口径以官方最新发布为准 阅读提示: 本节用于校准判断框架（多空对照、合规前置），不构成任何投资建议；涉及具体标的一律以持牌机构意见为准。

Workflow

【黄仁勋AI战略分析】
Step 1 - Scaling判断：这个方向能规模化吗？
Step 2 - 五层定位：在AI蛋糕的哪一层？
Step 3 - 能源约束：底层能源是否支撑这个方向？
Step 4 - 30年测试：这件事10年/30年后还有价值吗？

四步流程的举例（把抽象步骤落到具体问题上）：

举例（完整走一遍）：用户问"我们公司要不要自建智算中心"。 Step 1：若业务是持续性推理需求（而非一次性训练），可以规模化 → 通过。 Step 2：自建落在第3层，同时受第2层供货与第1层电力约束 → 定位明确。 Step 3：先核电力接入周期（常以年计）与机柜指标，这是最容易被忽略的硬约束 → 若未落实，先租后建。 Step 4：加速计算是30年方向 → 结论是"可以做，但先租用、待电力与负载双落实后再自建"。

Reference Quotes

• "英伟达是一家成立30年的初创公司"
• "关于AI scaling放缓的讨论几乎全世界都搞错了"
• "AI推理市场即将迎来十亿用户时代"
• "未来，一个人指挥百个智能体"
• "计算正在从通用计算向加速计算转变，这是根本性转变"
• "对一个国家来说，最坏的结果就是你没有利用它，被甩在后面"（2026-09 G20）
• "过去人类按千瓦时为能量计价，如今智能正在以词元（Token）计价"（2026-09 G20）
• "当产品不安全时，我们应该把它压住，继续做工程"（2026-09-17，安全应落在产品层）
• "每个国家、每家公司，你不能把所有的智慧都外包给别人"（2026-09 G20）

Source

• 黄仁勋GTC 2026年度开发者大会演讲
• 黄仁勋CES 2026主题演讲
• 达沃斯论坛黄仁勋访谈
• 各媒体黄仁勋2025-2026年最新发言整理
• G20创新部长级会议黄仁勋炉边对话（2026-09，AI经济学与五层蛋糕的国家级用法）
• 英伟达 FY2027 Q2 财报电话会（2026-08-26）
• 英伟达AI架构升级与AI工厂相关公开报道（2026-09，定制芯片、NVLink Fusion、Vera Rubin）

Metadata

• Slug: huang-renxun-ai-strategy
• URL: https://clawhub.ai/gechengling/huang-renxun-ai-strategy
• Tags: 黄仁勋, 英伟达, AI战略, Scaling Laws, 算力, 人工智能

Appendix G. Alibaba Dianjin Fusion — 分析框架参考

⚠️ 重要教育声明：本节内容为纯教育培训框架参考，仅供展示分析方法论。所有涉及"配置"、"持仓"、"建仓"、"减仓"等表述均为假设性教学示例，使用的股票/ETF名称仅为演示方法论所用，不构成任何形式的投资建议、证券咨询或投资推荐。实际投资决策请咨询持牌专业机构。

Source: Alibaba Dianjin Digital Employee — researcher (AI研究员) & investment-advisor (AI投资顾问)
Essence: 分析框架参考
Integrated: 2026-05-31

G.1 Core Analytical Framework (Dianjin essence)

市场分析框架示例：
1. 市场数据收集：指数涨跌/成交量/板块轮动
2. 要闻梳理：政策/行业/公司重大新闻
3. 分析框架：多空逻辑/分析方法
4. 风险因素梳理：潜在风险点/需关注的方面
   ↓
报告结构示例：
  - 标题：《市场分析日报》YYYY-MM-DD
  - 结构：市场数据/要闻/分析/风险
  - 风格：客观/专业

G.2 Analytical Report Template (Dianjin method)

分析报告模板（假设性示例，仅供方法参考）：

《AI行业分析日报》2026-05-31

【一、市场数据】
- 上证指数：+0.8%，成交额5200亿（放量）
- 创业板指：+1.2%，科技股领涨
- 板块涨跌：AI芯片 > 半导体 > 新能源车 > 银行

【二、今日要闻】
1. 🔴 英伟达Q1财报超预期，营收135亿美元（+265% YoY）
2. 🟠 国家发改委：加快AI算力基础设施建设
3. 🟡 特斯拉FSD V13国内路测获批，自动驾驶概念升温

【三、多空因素分析】
✅ 积极因素：
  - AI算力需求持续增长（英伟达业绩验证）
  - 国内政策加码（新基建+算力补贴）
  - 技术突破（FSD获批）

⚠️ 风险因素：
  - 美股AI板块估值偏高（英伟达PE=45x）
  - 国内AI公司盈利拐点未至

【四、关注方向】*（以下仅为分析方法示例，不构成任何投资建议）
- AI芯片方向（关注技术路线和竞争格局变化）
- 算力基础设施（关注政策进展）
- 自动驾驶相关（关注行业动态）

【五、后续关注】
- 美国4月CPI数据（北京时间20:30）
- 国内AI公司相关动态

G.3 Risk Analysis Framework (Dianjin essence)

风险分类框架（假设性示例）：

分析框架说明：以上为风险分析的教学框架模板，展示如何系统性地评估不同市场阶段的风险特征，不构成任何操作建议。

风险因素说明模板：

【风险关注】
🔴 重点关注：
  - XXX方向/领域（原因：...）

🟠 中等关注：
  - XXX方向/领域（原因：...）

🟡 一般关注：
  - XXX方向/领域（原因：...）

G.4 Analytical Template Example (Dianjin quality)

示例：分析日报模板

Input: "假设生成今日AI行业分析日报"

Expected Output:
1. 市场数据（指数/成交量/板块表现）
2. 今日要闻（TOP 5，标注重要性）
3. 多空因素分析（积极因素+风险因素）
4. 关注方向（仅供参考的方法示例）
5. 后续关注（重要事件/数据）

Quality Check:
- ✅ 信息时效性（今日数据）
- ✅ 观点客观性（不偏颇）
- ✅ 分析逻辑合理性
- ✅ 风险提示完整性

End of Dianjin Fusion Content — huang-renxun-ai-strategy v5.2.3