英偉達(dá)早不靠GPU躺贏！黃仁勛終極預(yù)判：10億程序員時代將至，AI智能徹底廉價

作者 | 允毅

2026 年 GTC 大會剛剛落幕，黃仁勛坐下來，接受了一場長達(dá)兩個半小時的深度訪談。

訪談中，黃仁勛以真誠分享的態(tài)度與極強(qiáng)的前瞻性，拆解了他如何看待產(chǎn)業(yè)拐點(diǎn)、如何做出判斷。

二十年前，黃仁勛頂著利潤下滑甚至生死存亡的風(fēng)險，堅持把 CUDA 生態(tài)押上 GeForce，推動公司從一家圖形芯片廠商轉(zhuǎn)向計算平臺公司。今天回看，這幾乎是 NVIDIA 歷史上最關(guān)鍵的一次轉(zhuǎn)向。如今，他認(rèn)為 AI 的核心競爭，正在從單顆芯片轉(zhuǎn)向“AI 工廠”，而這將決定 NVIDIA 能否走向下一個十萬億美元市值。

黃仁勛先就“擴(kuò)展定律”給出了一個精彩判斷：擴(kuò)展定律遠(yuǎn)沒有到盡頭，將同時沿著預(yù)訓(xùn)練、后訓(xùn)練、測試，以及智能體系統(tǒng)四條路徑繼續(xù)推進(jìn)。真正的增長，正在轉(zhuǎn)向推理、強(qiáng)化學(xué)習(xí)、智能體協(xié)作。而未來，大量數(shù)據(jù)將來自 AI 自身消化產(chǎn)生的合成數(shù)據(jù)，這會成為 AI 迭代的核心燃料。

未來決定智能上限的將是計算能力。

他認(rèn)為在當(dāng)下這個階段，AI 能力的提升，已經(jīng)無法靠單臺計算機(jī)、甚至單顆 GPU 的升級來解決。模型性能的躍遷，越來越依賴系統(tǒng)級工程能力，最終把整個系統(tǒng)推向極限。NVIDIA 現(xiàn)在做的，也不再只是芯片，而是把整套計算系統(tǒng)作為產(chǎn)品來設(shè)計。

而硬件布局必須走在前面。AI 模型架構(gòu)每六個月就會迎來一次重大迭代，但系統(tǒng)與硬件架構(gòu)的更新周期長達(dá)三年。NVIDIA 的策略，是主動走到模型前面：自己做模型、持續(xù)追蹤全行業(yè)最棘手的問題，在通用性與專業(yè)性之間找到最優(yōu)平衡，保持架構(gòu)的快速迭代。

如果說訓(xùn)練時代的核心問題是：“能不能把模型做得更大？”那么到了推理時代，黃仁勛認(rèn)為，真正的問題已經(jīng)變成：“每瓦每秒能夠產(chǎn)出多少 token？”

順著這條邏輯，他甚至把問題進(jìn)一步推到了能源系統(tǒng)層面。黃仁勛指出，今天全球電力系統(tǒng)中存在大量未被有效利用的閑置。目前電力峰值只在 60% 左右，這些閑置資源完全可以被 AI 工廠充分利用。

在主持人驚嘆黃仁勛的思考力時，他坦言，這來自于“集體的智慧”。在日常工作中，有 60 人會直接向他匯報，包括內(nèi)存專家、CPU 專家、光學(xué)專家、GPU 專家、系統(tǒng)架構(gòu)專家等等，幾乎覆蓋 NVIDIA 最核心的技術(shù)維度。他會廣泛吸收信息，再在高維度上做決策。

這形成了他獨(dú)特的思考方式，他會先設(shè)想一個未來，追問它為什么重要？它為什么值得存在？如何實(shí)現(xiàn)它？他還會不斷把這套邏輯講給公司內(nèi)部員工、供應(yīng)鏈伙伴和行業(yè)合作方聽，讓更多人參與進(jìn)來，然后從工程和組織的角度，一步步把它變成現(xiàn)實(shí)。

某種程度上，這和馬斯克的思維方式不謀而合，他高度稱贊馬斯克是“系統(tǒng)層面的極簡主義者”。馬斯克會一直質(zhì)疑，直到所有不必要的部分都被剔除，只保留系統(tǒng)真正需要的東西。

而黃仁勛也喜歡用第一性原理，先去看一件事“理論極限在哪里”。或許有些看起來需要 74 天才能完成的事情，如果重新拆解、重新設(shè)計，最后可能只需要 6 天。

他自信英偉達(dá)的十萬億美元市值不是夢想，世界正在從一個基于檢索的文件系統(tǒng)，演變成一個基于生成的上下文系統(tǒng)。一旦這個轉(zhuǎn)變成立，世界需要大量的 AI 工廠。在這樣的圖景里，NVIDIA 已經(jīng)站在新一輪經(jīng)濟(jì)基礎(chǔ)設(shè)施的核心位置。

在聊到程序員的未來時，他大膽預(yù)測，未來程序員會擴(kuò)展到十億級規(guī)模。原因在于，真正重要的工作，從來不只是“寫代碼”本身，而是解決問題、團(tuán)隊合作、診斷、評估、發(fā)現(xiàn)新問題、創(chuàng)新和整合。與此同時，他強(qiáng)調(diào)人人都要學(xué) AI，不論什么工種，他都更傾向錄取熟練掌握 AI 的人。

而這場訪談的最后，黃仁勛少見的露出感性的一面。他談到自己也會有“夜不能寐”的時刻，面對壓力與挫折，他會把問題不斷拆分，直到可以行動起來去解決。他喜歡用“遺忘”的方式忘記失敗，重振旗鼓，帶著好奇心繼續(xù)往前走。

這位芯片教父，既以極度理性的方式審視技術(shù)演進(jìn)，也始終相信，智能或許會商品化，但人性永遠(yuǎn)高于技術(shù)。

以下是訪談全文，經(jīng) InfoQ 翻譯整理。

極致的協(xié)同設(shè)計，

與機(jī)架級工程

萊克斯·弗里德曼：你帶領(lǐng) NVIDIA 進(jìn)入了人工智能的新階段：從專注于芯片級設(shè)計，轉(zhuǎn)向機(jī)架級、系統(tǒng)級設(shè)計。長期以來，NVIDIA 的成功建立在打造盡可能優(yōu)秀的 GPU 之上，而現(xiàn)在，你們已經(jīng)把這種追求擴(kuò)展到了 GPU、CPU、內(nèi)存、網(wǎng)絡(luò)、存儲、電源、散熱、軟件、機(jī)架本身、Pod，乃至整個數(shù)據(jù)中心。那么，我們來談?wù)劇皹O致協(xié)同設(shè)計”。對于一個包含如此多復(fù)雜組件和設(shè)計變量的系統(tǒng)而言，協(xié)同設(shè)計中最困難的部分是什么？

黃仁勛：之所以需要極致協(xié)同設(shè)計，是因為你面對的問題，已經(jīng)無法靠一臺計算機(jī)或單個 GPU 來解決。真正要解決的是：當(dāng)計算機(jī)數(shù)量增加時，系統(tǒng)性能不僅要線性提升，而是要提升得更快。假設(shè)你增加了一萬臺計算機(jī)，但你希望整體速度提升一百萬倍。那就意味著，你必須對算法進(jìn)行拆分與重構(gòu)，對流水線、數(shù)據(jù)和模型做分片。當(dāng)你以這種方式分散問題時——注意，不僅是擴(kuò)大規(guī)模，而是把問題本身拆散——所有因素都會開始相互干擾。

這就回到了阿姆達(dá)爾定律：一項任務(wù)的整體加速，取決于可加速部分在總工作負(fù)載中的占比。比如，如果計算只占整個問題的 50%，那么即便你把計算本身加速一百萬倍，整體吞吐也不過提升兩倍。所以，當(dāng)我們做大規(guī)模分布式計算時，不只是 GPU 成為問題，CPU 是問題，網(wǎng)絡(luò)是問題，交換機(jī)是問題，如何把工作負(fù)載高效分配到這些機(jī)器上，同樣也是問題。

這本質(zhì)上是一個極其復(fù)雜的計算機(jī)科學(xué)問題。我們必須調(diào)動一切技術(shù)手段，否則只能得到線性擴(kuò)展，或者只能指望摩爾定律繼續(xù)推進(jìn)。但摩爾定律的進(jìn)展已經(jīng)明顯放緩，而丹納德縮放時代也早已過去。

萊克斯·弗里德曼：這里面一定存在大量權(quán)衡，而且涉及完全不同的學(xué)科。你們在高帶寬內(nèi)存、NVLink、網(wǎng)卡、光模塊、銅纜、電源傳輸、散熱等每一個領(lǐng)域，幾乎都有世界級專家。你們是怎么把這些人聚在一起，共同討論解決方案的？

黃仁勛：這也是為什么我有這么多員工。先說“極致協(xié)同設(shè)計”到底是什么。我們優(yōu)化的是整個技術(shù)棧：從架構(gòu)、芯片，到系統(tǒng)、系統(tǒng)軟件、算法，再到應(yīng)用程序。這是一層。另一層則跨越 CPU、GPU、網(wǎng)絡(luò)芯片、縱向擴(kuò)展交換機(jī)、橫向擴(kuò)展交換機(jī)，以及電源和散熱——因為這些計算機(jī)雖然能效很高，但整體仍然消耗巨大的電力。

所以第一個問題是：它是什么？第二個問題是：為什么必須這么做？原因剛才已經(jīng)講過——只有把工作負(fù)載真正分布起來，才能獲得遠(yuǎn)超“單純增加機(jī)器數(shù)量”的收益。第三個問題則是：怎么做？

而這正是 NVIDIA 這家公司與眾不同的地方。設(shè)計計算機(jī)時，你必須先想清楚操作系統(tǒng)；設(shè)計公司時，也應(yīng)該先想清楚公司到底要制造什么。我看過很多公司的組織結(jié)構(gòu)圖，幾乎都長得一模一樣：分層的、漢堡包式的、套模板式的。但公司存在的意義，是成為一個持續(xù)生產(chǎn)產(chǎn)品的機(jī)器、機(jī)制和系統(tǒng)。既然如此，公司的架構(gòu)就應(yīng)該反映它所處的環(huán)境，也應(yīng)該反映它想制造的產(chǎn)品。

我的直接下屬大約有 60 人，而且實(shí)際上還不止。顯然，我不可能和他們每個人進(jìn)行頻繁的一對一談話，這在現(xiàn)實(shí)中根本不可行。更重要的是，如果你想把協(xié)同設(shè)計做好，就不能讓 60 個人各自獨(dú)立工作、彼此隔絕。

萊克斯·弗里德曼：所以你的匯報關(guān)系很多，而且其中大多數(shù)都是工程相關(guān)的負(fù)責(zé)人。

黃仁勛：幾乎全都是，有內(nèi)存專家、CPU 專家、光學(xué)專家、GPU 專家、架構(gòu)專家、算法專家、設(shè)計專家……

萊克斯·弗里德曼：這太不可思議了。所以你們必須持續(xù)地圍繞整個技術(shù)棧展開深入討論？

黃仁勛：沒錯。而且這些對話從來都不是一個人單獨(dú)進(jìn)行的。這也是為什么我不做一對一。我們提出問題，然后大家一起解決。因為我們做的是極致協(xié)同設(shè)計，所以公司本身也必須用極致協(xié)同設(shè)計的方式來運(yùn)轉(zhuǎn)。

萊克斯·弗里德曼：也就是說，即便你們討論的是一個具體組件，比如散熱或網(wǎng)絡(luò)，所有人也都在場？

黃仁勛：對，就是這樣。

萊克斯·弗里德曼：于是就會有人指出：“這種供電方式不行。”“這種方案會影響內(nèi)存。”“這對別的部分也行不通。”

黃仁勛：完全正確。 每個人都知道自己什么時候該介入、什么時候該提醒。因為很多事情看上去屬于某個局部，但實(shí)際上會影響整個系統(tǒng)。只要大家都在場，就能更早暴露問題，也能更快形成真正可行的方案。

NVDIA如何悄然轉(zhuǎn)型：

CUDA是最接近“生存威脅”的戰(zhàn)略決策

萊克斯·弗里德曼：正如你所說，NVIDIA 是一家不斷適應(yīng)環(huán)境的公司。那么在你看來，外部環(huán)境是從什么時候開始變化的？NVIDIA 又是如何一步步調(diào)整自己的？從最早服務(wù)游戲的 GPU，到早期深度學(xué)習(xí)革命，再到今天把一切看作 AI 工廠，NVIDIA 的業(yè)務(wù)究竟是什么？

黃仁勛：這個問題可以系統(tǒng)地回答。我們最初是一家“加速器公司”。加速器的優(yōu)點(diǎn)是，它對特定任務(wù)高度優(yōu)化；缺點(diǎn)是，它的適用范圍比較窄。專業(yè)化本身并沒有錯，但市場規(guī)模會限制研發(fā)投入，而研發(fā)能力最終決定了你能在計算機(jī)產(chǎn)業(yè)中產(chǎn)生多大影響。

所以，從一開始我們就知道，“做專業(yè)加速器”只是第一步。我們必須找到一條通向“加速計算公司”的道路。問題在于，一家公司越通用，就越容易失去專業(yè)優(yōu)勢；越專業(yè)，又越難成為真正意義上的計算平臺。換句話說，“專業(yè)化”與“通用性”之間，本來就存在根本張力。我們必須沿著一條非常狹窄的道路前進(jìn)：一邊擴(kuò)展計算能力的邊界，一邊又不能放棄最關(guān)鍵的專業(yè)優(yōu)勢。

我們邁出的第一步，是發(fā)明可編程像素著色器。這是可編程性的開始，也是我們走向計算的開始。第二步，是把 IEEE 兼容的 FP32 引入著色器。這是朝通用計算邁出的一大步。也正因為如此，那些做流處理器、做數(shù)據(jù)流計算的人開始注意到我們。他們意識到：GPU 也許不僅圖形能力強(qiáng)，而且計算能力驚人，并且已經(jīng)符合 IEEE 標(biāo)準(zhǔn)。

隨后，我們基于 FP32 做了 C 語言接口，也就是 Cg。Cg 最終一步步走向了 CUDA。而把 CUDA 集成進(jìn) GeForce，成為了一個極其艱難、幾乎威脅公司生存的戰(zhàn)略決策。它讓公司付出了巨大的成本，而在當(dāng)時，我們幾乎承擔(dān)不起。但我們還是這么做了，因為我們想成為一家真正的計算機(jī)公司。而一家計算機(jī)公司，必須擁有自己的計算架構(gòu)，并且這個架構(gòu)要貫穿我們生產(chǎn)的所有芯片。

萊克斯·弗里德曼：你能詳細(xì)解釋一下那個決定嗎？為什么說把 CUDA 放進(jìn) GeForce，是一個“負(fù)擔(dān)不起”的決定？當(dāng)時你們?yōu)槭裁催€敢這么做？

黃仁勛：我會說，那是我們最接近“生存威脅”的一次戰(zhàn)略決策。事情是這樣的：我們發(fā)明了 CUDA，它大幅擴(kuò)展了 GPU 可以加速的應(yīng)用范圍。但問題在于，怎樣吸引開發(fā)者來使用 CUDA？而計算平臺的核心，恰恰就是開發(fā)者。

開發(fā)者之所以選擇一個計算平臺，不只是因為它“能做很酷的事”，而是因為它有足夠大的用戶基礎(chǔ)。因為開發(fā)者和所有人一樣，希望自己的軟件能觸達(dá)盡可能多的用戶。所以，平臺安裝基數(shù)才是架構(gòu)最重要的部分。

一個典型例子就是 x86。它在架構(gòu)上常常受到批評，不少人認(rèn)為它不夠優(yōu)雅；而很多由最杰出的計算機(jī)科學(xué)家設(shè)計出來的 RISC 架構(gòu)，反而更優(yōu)美。但結(jié)果是，活下來并主導(dǎo)世界的是 x86。為什么？因為安裝基礎(chǔ)決定架構(gòu)，而不是架構(gòu)優(yōu)雅與否。

當(dāng)時，CUDA 之外也有其他架構(gòu)，例如 OpenCL 等。但我們做出的關(guān)鍵判斷是：歸根結(jié)底，真正決定勝負(fù)的是安裝基礎(chǔ)。而那時，GeForce 已經(jīng)很成功了。我們每年賣出數(shù)百萬塊 GeForce GPU。于是我們決定：把 CUDA 集成到 GeForce 里，裝進(jìn)每一臺 PC，無論用戶是否立刻使用它，都先建立安裝基礎(chǔ)。

與此同時，我們開始大規(guī)模做開發(fā)者生態(tài)：走進(jìn)大學(xué)、寫教材、開課程，把 CUDA 帶到研究機(jī)構(gòu)和校園里。當(dāng)時還沒有云計算，而 PC 是最主要的計算工具。我們等于把“超級計算機(jī)”送進(jìn)了每個學(xué)校、每位研究者、每個工程系學(xué)生的桌面。

問題在于，CUDA 大幅增加了 GPU 成本，而 GeForce 是消費(fèi)級產(chǎn)品。成本的增加幾乎吃掉了公司全部毛利。當(dāng)時 NVIDIA 的市值大概只有六七十億美元，后來一度跌到 15 億美元左右。公司經(jīng)歷了非常艱難的階段，但我們始終堅持把 CUDA 放在 GeForce 上。所以我常說，NVIDIA 是 GeForce 打造出來的，因為正是 GeForce 把 CUDA 帶給了世界。

研究人員、科學(xué)家之所以能接觸 CUDA，往往正是因為他們本來就是游戲玩家。他們會自己組裝電腦，會在實(shí)驗室里用 PC 部件搭集群。很多 CUDA 的最早傳播，就是這樣發(fā)生的。

萊克斯·弗里德曼：后來，它成了深度學(xué)習(xí)革命的平臺基礎(chǔ)。

黃仁勛：沒錯，這是一個非常重要的洞見。

萊克斯·弗里德曼：你還記得當(dāng)時那些決定生死的會議是什么樣的嗎？在公司層面，怎么做出這種幾乎“賭上一切”的決定？

黃仁勛：我必須向董事會清楚說明我們的目標(biāo)，管理團(tuán)隊也必須知道，我們的毛利率會大幅下降。

你可以想象一下：如果 GeForce 承擔(dān)了 CUDA 的成本，而玩家既不會感激它，也不會愿意為此多付錢，那會是什么情況？他們只會支付一個固定價格，不會在意你的成本增加了多少。當(dāng)時我們的成本上升了大約 50%，而原本的毛利率只有 35%。所以，那的確是個非常艱難的決定。

當(dāng)然，你可以從戰(zhàn)略上推理：未來這項能力也許能進(jìn)入工作站和超級計算機(jī)市場，而在那里我們或許可以獲得更高利潤。但即便如此，也要等十年。

至于我個人是怎么做判斷的，很大程度上來自好奇心。某個時刻，我會在腦海中形成一套邏輯體系，讓我確信某個結(jié)果一定會發(fā)生。 一旦我真正相信某件事會發(fā)生，它在我心里就已經(jīng)是現(xiàn)實(shí)了。中間當(dāng)然會有很多苦難，但你必須堅持你所相信的東西。

萊克斯·弗里德曼：也就是說，你先設(shè)想一個未來，然后從工程和組織的角度，一步步把它變成現(xiàn)實(shí)？

黃仁勛：是的。你會思考：它為什么重要？它為什么值得存在？如何實(shí)現(xiàn)它？而且不只是我，管理團(tuán)隊也一直在思考這些問題。我們花大量時間去構(gòu)建共同的理解。

很多公司是這樣運(yùn)作的：領(lǐng)導(dǎo)層保持沉默，內(nèi)部突然知道了一些事，然后某一天宣布一個宏大計劃——新財年、新使命宣言、大裁員、大重組、新 Logo。我從不這么做。

當(dāng)我意識到某件事會改變未來時，我會很早就開始反復(fù)告訴身邊的人：這件事很重要，它會帶來什么影響，它會推動什么變化。我會抓住每一個機(jī)會——外部信息、新洞見、新突破、新里程碑——不斷去塑造其他人的信念體系。我每天都在這么做：對董事會如此，對管理團(tuán)隊如此，對員工如此。

所以，當(dāng)我最終宣布“我們要收購 Mellanox”或“我們要全面押注深度學(xué)習(xí)”時，大家通常已經(jīng)在相當(dāng)程度上認(rèn)同了。在某種意義上，我正式宣布時，員工甚至?xí)X得：“你怎么現(xiàn)在才說？” 因為在正式宣布之前，我已經(jīng)在不斷塑造他們的信念結(jié)構(gòu)了。

我不僅在塑造公司的認(rèn)知，也在塑造整個行業(yè)合作伙伴的認(rèn)知。 因為我們不直接賣“完整的計算機(jī)”，也不直接做云。我們真正做的是計算平臺。我們采用垂直整合的方式把平臺設(shè)計和優(yōu)化好，但隨后會開放平臺的每一層，讓它能集成進(jìn)別人的產(chǎn)品、服務(wù)、云平臺、超級計算機(jī)和 OEM 電腦里。

所以，如果我不先說服整個生態(tài)，我就無法完成我的工作。GTC 很大程度上就是在描繪一個未來，好讓當(dāng)我們的產(chǎn)品真正成熟時，外界會覺得：“你們怎么現(xiàn)在才把它拿出來？”

AI的四條擴(kuò)展定律：

預(yù)訓(xùn)練、后訓(xùn)練、測試、智能體

萊克斯·弗里德曼：你一直相信規(guī)模定律。現(xiàn)在你依然相信嗎？

黃仁勛：當(dāng)然。而且現(xiàn)在我們擁有的，不止一條規(guī)模定律。

萊克斯·弗里德曼：你曾提到四個層面：預(yù)訓(xùn)練、后訓(xùn)練、測試時擴(kuò)展，以及智能體擴(kuò)展。那在思考未來時，你最擔(dān)心、最可能成為瓶頸的問題是什么？

黃仁勛：我們可以先回顧一下，過去大家曾以為的瓶頸是什么。

最初，大家擔(dān)心的是預(yù)訓(xùn)練規(guī)模定律：擔(dān)心高質(zhì)量數(shù)據(jù)不夠，擔(dān)心數(shù)據(jù)量限制了模型能達(dá)到的智能上限。模型越大，數(shù)據(jù)越多，能力越強(qiáng)——這是預(yù)訓(xùn)練的基本邏輯。后來，Ilya Sutskever(伊利亞·蘇茨克維，前 Open AI 首席科學(xué)家等）人也提出過類似看法：數(shù)據(jù)不夠了，預(yù)訓(xùn)練快到盡頭了。整個行業(yè)一度因此恐慌，好像 AI 的增長就此結(jié)束。但顯然，事實(shí)并非如此。

我們會繼續(xù)擴(kuò)展訓(xùn)練數(shù)據(jù)，其中大量數(shù)據(jù)將是合成數(shù)據(jù)。很多人對此感到困惑，但他們忽略了一件事：人類自己互相學(xué)習(xí)、啟發(fā)和訓(xùn)練時，使用的大量信息，本質(zhì)上也是“合成的”——不是天然存在于自然界中，而是人創(chuàng)造出來、改寫、增強(qiáng)、再生成、再傳播的。現(xiàn)在 AI 已經(jīng)能獲取真實(shí)數(shù)據(jù)，對其增強(qiáng)、改進(jìn)，再合成出海量數(shù)據(jù)。

所以，后訓(xùn)練階段的規(guī)模也會持續(xù)擴(kuò)大。未來真正由人類直接生成的數(shù)據(jù)，在總訓(xùn)練數(shù)據(jù)中的占比會越來越小。訓(xùn)練的限制因素，將越來越不是數(shù)據(jù)，而是計算能力。

接下來是推理，也就是測試時擴(kuò)展。我記得以前有人跟我說：“推理很簡單，真正難的是預(yù)訓(xùn)練。” 他們認(rèn)為，推理芯片會很小、很廉價，遲早會被商品化，人人都能 但這對我來說從來都不合邏輯，因為推理就是“思考”，而思考本來就比閱讀困難得多。

預(yù)訓(xùn)練在某種意義上更像是大規(guī)模閱讀、歸納和尋找模式；而推理意味著你要思考、計劃、搜索、解決問題，要把從未見過的經(jīng)驗分解成可處理的部分，再用第一性原理、既有經(jīng)驗或搜索過程去求解。 既然如此，為什么它會是輕量級計算？ 事實(shí)證明，我們之前的判斷是對的：測試時擴(kuò)展需要非常巨大的計算量。

那推理之后是什么？ 接下來就是智能體擴(kuò)展。 我們已經(jīng)有了大型語言模型，但當(dāng)智能體真正工作時，它會研究問題、訪問數(shù)據(jù)庫、調(diào)用工具，最重要的是，它會派生出大量子智能體。 這就像組織中的“倍增效應(yīng)”：與其靠我一個人擴(kuò)展，不如通過雇更多人來擴(kuò)展 NVIDIA。同樣，AI 也可以通過派生智能體團(tuán)隊來擴(kuò)展自己。

所以，下一個規(guī)模定律就是智能體擴(kuò)展定律。隨著智能體系統(tǒng)運(yùn)行，它們會產(chǎn)生更多數(shù)據(jù)、更多經(jīng)驗，其中一部分會被我們保留下來，重新回流到預(yù)訓(xùn)練，進(jìn)行泛化；再通過后訓(xùn)練精煉；再通過測試階段強(qiáng)化；最終回到實(shí)際應(yīng)用中。這個循環(huán)會持續(xù)運(yùn)轉(zhuǎn)。

說到底，智能的發(fā)展最終取決于一個因素：計算能力。

預(yù)測未來三年：

硬件必須押注尚未出現(xiàn)的AI

萊克斯·弗里德曼：這里有個很棘手的問題：某些未來模型結(jié)構(gòu)可能需要完全不同的硬件才能發(fā)揮最佳性能。比如 MoE。可你們不可能在一周內(nèi)就把硬件重做一遍。你們必須提前押注。這太可怕了，也太難了。

黃仁勛：完全正確。AI 模型架構(gòu)大約每六個月就會發(fā)生一次重大變化，而系統(tǒng)架構(gòu)和硬件架構(gòu)的更新周期，大約是三年。因此，你必須提前預(yù)測未來兩三年可能發(fā)生什么。

我們有幾種方法。 第一，我們做自己的研究。這也是我們同時做基礎(chǔ)研究和應(yīng)用研究的原因。我們自己構(gòu)建模型，所以有第一手實(shí)踐經(jīng)驗。 第二，我們與全球幾乎所有重要的 AI 公司都有合作。我們盡最大努力去理解他們正在面對什么問題。第三，架構(gòu)本身必須足夠靈活，能夠適應(yīng)變化。CUDA 的一個優(yōu)勢就在這里：它既是一個強(qiáng)大的加速架構(gòu)，又保持了相當(dāng)高的靈活性。

萊克斯·弗里德曼：也就是說，你在傾聽整個行業(yè)的“耳語”。

黃仁勛：沒錯。你必須聽，必須向所有人學(xué)習(xí)。真正困難的，是在“足夠?qū)I(yè)化、從而顯著超越 CPU”與“足夠通用、從而適應(yīng)不斷變化的算法”之間取得平衡。這正是 CUDA 能夠持續(xù)強(qiáng)大的原因，也是我們不斷更新它的原因。

比如，當(dāng) MoE 模型興起后，我們從 NVLink 8 發(fā)展到了 NVLink 72。這樣一來，一個擁有 4 萬億到 10 萬億參數(shù)的模型，就可以在單一計算域中運(yùn)行，仿佛它就在一顆 GPU 上。如果你仔細(xì)看 Grace Blackwell 機(jī)架的架構(gòu)，它幾乎就是為大型語言模型服務(wù)的。而再過一年，你看到的 Vera Rubin 機(jī)架已經(jīng)不同了：它增加了存儲加速器，搭配名為 Vera 的新 CPU，以及用于 LLM 的 Rubin GPU 和 NVLink 72。

除此之外，還有新的機(jī)架形態(tài)。整個系統(tǒng)和上一代相比都發(fā)生了變化，因為前一代是為 MoE 大模型和推理而設(shè)計，而這一代則開始面向智能體，以及智能體與工具的集成。

萊克斯·弗里德曼：顯然，這套系統(tǒng)設(shè)計在 Claude Code、Codex 以及新一代智能體系統(tǒng)大規(guī)模出現(xiàn)之前就已經(jīng)開始了。所以，本質(zhì)上你是在提前看見未來。這到底是一門什么樣的藝術(shù)？

黃仁勛：其實(shí)沒那么神秘。你只要認(rèn)真想清楚就行。 假設(shè)我們希望一個大型語言模型成為“數(shù)字員工”，那它必須具備什么能力？

第一，它必須能訪問真實(shí)數(shù)據(jù)，比如文件系統(tǒng)。第二，它必須能做研究。因為它不可能一開始就無所不知，我也不想等到它無所不知時才讓它開始工作。第三，它必須能使用工具。因為如果它真想幫我做事，就必須調(diào)用我現(xiàn)有的工具體系。

有些人說：“AI 會徹底摧毀軟件，我們以后不再需要軟件和工具了。” 我認(rèn)為這完全錯誤。我們做個思想實(shí)驗：假設(shè)十年后，我們造出了一個非常先進(jìn)的人形機(jī)器人。那它是更可能走進(jìn)我的房子，使用我現(xiàn)有的微波爐、錘子和各種工具來完成任務(wù)，還是更可能讓自己的手臂變成錘子、手術(shù)刀，甚至從手指里發(fā)射微波？顯然，它更可能直接使用現(xiàn)有工具。

第一次不會用沒關(guān)系，它可以聯(lián)網(wǎng)看說明書，看完立刻就會了。所以，未來智能體的關(guān)鍵特征其實(shí)非常明確：訪問文件、做研究、調(diào)用工具、擁有 I/O 子系統(tǒng)。而一旦你順著這個思路往下推，你就會發(fā)現(xiàn)，這實(shí)際上是在重新發(fā)明計算機(jī)。

我們在 GTC 上展示智能體系統(tǒng)結(jié)構(gòu)圖，很多人后來看到時會說：“這不就是今天這些智能體系統(tǒng)在做的事嗎？” 是的。兩年前我們就已經(jīng)在討論這樣的系統(tǒng)形態(tài)了。當(dāng)然，這其中也有很多前提：Claude、GPT 等模型必須達(dá)到足夠高的能力水平；同時，也需要足夠強(qiáng)大的開放生態(tài)和開源項目把這些能力推向大眾。

在我看來，今天開放智能體生態(tài)對智能體系統(tǒng)的意義，某種程度上就像當(dāng)年 ChatGPT 對生成式 AI 的意義一樣，影響非常深遠(yuǎn)。

萊克斯·弗里德曼：這類系統(tǒng)之所以引起如此巨大關(guān)注，除了它足夠強(qiáng)大之外，也因為它帶來了很復(fù)雜的安全問題。用戶該如何把自己的數(shù)據(jù)交給系統(tǒng)，讓它真正做事，同時又不造成嚴(yán)重后果？整個社會都在尋找平衡點(diǎn)。

黃仁勛：是的。所以我們立即投入安全工作，找來一批安全專家，做了一套安全框架，并將其集成到這類智能體系統(tǒng)里。我們在 NVIDIA 內(nèi)部也推出了相應(yīng)的安全方案。

核心原則非常簡單： 智能體通常有三類高風(fēng)險權(quán)限——訪問敏感信息、執(zhí)行代碼、對外通信。如果在任何時候，我們都只賦予它其中兩項，而不是三項同時開放，就能極大降低風(fēng)險。在此基礎(chǔ)上，我們再疊加企業(yè)已有的權(quán)限管理和策略引擎。我們的目標(biāo)，是盡最大努力讓智能體系統(tǒng)在企業(yè)環(huán)境中變得更強(qiáng)大、更可用，也更安全。

AI拓展的真正瓶頸

萊克斯·弗里德曼：你剛才講了過去行業(yè)如何突破一個又一個“看似會成為瓶頸”的限制。那展望未來，在智能體將無處不在的情況下，擴(kuò)展的真正障礙是什么？

黃仁勛：功耗當(dāng)然很重要，但它并不是唯一的問題。 也正因為如此，我們才如此強(qiáng)調(diào)極致協(xié)同設(shè)計——目標(biāo)是讓每瓦每秒能夠產(chǎn)生的 token 數(shù)量持續(xù)提高，而且是按數(shù)量級提高。過去十年，如果只依賴摩爾定律，計算能力大概只能提升 100 倍；但我們通過系統(tǒng)級協(xié)同設(shè)計，實(shí)現(xiàn)了百萬倍級別的提升。

我們會繼續(xù)這樣做。能源效率，也就是每瓦性能，直接決定 AI 工廠的收益能力。我們會竭盡全力持續(xù)降低 token 成本。雖然我們的系統(tǒng)價格在上升，但 token 產(chǎn)出效率提升得更快，因此單位 token 成本在持續(xù)下降，而且往往是按數(shù)量級下降。

萊克斯·弗里德曼：所以核心不僅是降低功耗，更是要提高“每瓦每秒產(chǎn)生多少 token”。當(dāng)然，另一半問題就是：我們?nèi)绾潍@得更多電力。

黃仁勛：沒錯。我們也確實(shí)需要更多電力。

萊克斯·弗里德曼：電力之外，供應(yīng)鏈上的瓶頸會不會讓你夜不能寐？比如 ASML 的 EUV 光刻機(jī)、臺積電的先封裝、SK 海力士的 HBM 等等。

黃仁勛：我們一直在為這些事情努力。歷史上幾乎沒有哪家公司能像我們這樣，在高速增長的同時繼續(xù)加速增長。更重要的是，在整個 AI 計算市場中，我們的份額還在擴(kuò)大。

所以，供應(yīng)鏈——無論上游還是下游——對我們都至關(guān)重要。我花大量時間向與我合作的 CEO 們解釋：什么因素會驅(qū)動未來增長，為什么增長還會持續(xù)加速。這也是為什么在我的很多主題演講現(xiàn)場，坐著大量 IT 基礎(chǔ)設(shè)施產(chǎn)業(yè)上下游的 CEO。可能從來沒有哪一場技術(shù)主題演講，會聚集這么多 CEO。

一方面，我要讓他們理解我們現(xiàn)在的業(yè)務(wù)和短期增長動力；另一方面，我還要讓他們知道我們下一步會走向哪里，以便他們能據(jù)此做資本支出決策。我向他們解釋未來的方式，和我向員工解釋未來的方式并沒有本質(zhì)區(qū)別。

比如 DRAM 行業(yè)。三年前，主流數(shù)據(jù)中心內(nèi)存還是 CPU 用的 DDR。那時我對一些 CEO 說，雖然 HBM 當(dāng)時的應(yīng)用還很少，主要只在超級計算機(jī)里，但未來它會成為數(shù)據(jù)中心主流內(nèi)存。這在當(dāng)時聽起來非常離譜，但有些 CEO 相信了，于是開始投資 HBM。

還有低功耗內(nèi)存，本來是手機(jī)里常見的東西。我們希望供應(yīng)鏈把它演化成適合數(shù)據(jù)中心超級計算的產(chǎn)品。對方最初會覺得很奇怪：“手機(jī)內(nèi)存怎么會進(jìn)入超級計算機(jī)？” 但如果你理解系統(tǒng)演進(jìn)方向，就會知道這為什么合理。

所以我的工作之一，就是傳播知識、塑造認(rèn)知、激發(fā)供應(yīng)鏈去提前行動。

萊克斯·弗里德曼：所以你不僅是在為 NVIDIA 畫未來，也是在為整個供應(yīng)鏈畫未來，要和臺積電、ASML 等公司不斷溝通。

黃仁勛：對，上游、下游，全都包括。

萊克斯·弗里德曼：整個半導(dǎo)體行業(yè)的工程深度和供應(yīng)鏈復(fù)雜度都讓人敬畏，而它居然還能運(yùn)轉(zhuǎn)下去。

黃仁勛：因為這背后是深厚的科學(xué)、深厚的工程、極其精湛的制造工藝，以及大量自動化和機(jī)器人制造。僅僅我們的一個機(jī)架，就有大約 130 萬個組件。Vera Rubin 機(jī)架系統(tǒng)背后，大概有 200 家供應(yīng)商。

萊克斯·弗里德曼：有趣的是，你并沒有把供應(yīng)鏈說成那個讓你夜不能寐的障礙。

黃仁勛：因為我已經(jīng)在做所有必須做的事了。正因為我已經(jīng)把該做的都做了，所以晚上還能睡得著。我必須提前想清楚：從最初的 DGX-1，到今天的 NVLink 72 機(jī)架式計算，這意味著什么？它對軟件意味著什么？對工程、設(shè)計、測試意味著什么？對供應(yīng)鏈意味著什么？

舉個例子，我們實(shí)際上把原本在數(shù)據(jù)中心內(nèi)部完成的超級計算機(jī)集成工作，前移到了供應(yīng)鏈中。如果你的目標(biāo)是建設(shè) 50 吉瓦的數(shù)據(jù)中心，而這些超級計算機(jī)需要在出貨前就在供應(yīng)鏈中被組裝、測試和預(yù)集成，那么供應(yīng)鏈本身每周都要消耗巨大電力。

NVLink 72 本質(zhì)上是在供應(yīng)鏈里就組裝好一臺完整超級計算機(jī)，然后整機(jī)運(yùn)輸。每個機(jī)架重量達(dá)到兩三噸。以前我們是拆分運(yùn)輸，到數(shù)據(jù)中心再裝；現(xiàn)在密度太高，已經(jīng)做不到了。所以我必須飛到供應(yīng)鏈伙伴那里，親自告訴他們：“我們以前是這樣組裝 DGX 的，現(xiàn)在要換成另一種方式。因為推理市場要來了，而推理將會是一個巨大的市場。”

我會從第一性原理出發(fā)，一步步解釋，直到他們理解為什么要這么做，然后再請求他們投入數(shù)十億美元資本開支。

萊克斯·弗里德曼：我們再多談一點(diǎn)電力。你對解決能源問題怎么看？

黃仁勛：我特別想傳達(dá)一個觀點(diǎn)：今天的電網(wǎng)設(shè)計，通常是為了最壞情況預(yù)留容量。但最壞情況往往只出現(xiàn)在一年里極少數(shù)幾天，比如嚴(yán)寒或酷暑，以及極端天氣時。 而在 99% 的時間里，電網(wǎng)實(shí)際負(fù)荷遠(yuǎn)低于峰值，可能只有峰值的 60% 左右。也就是說，絕大多數(shù)時候，電網(wǎng)上都有大量閑置電力。

這些容量必須預(yù)留著，以防醫(yī)院、機(jī)場和關(guān)鍵基礎(chǔ)設(shè)施在極端情況下需要。但問題是：我們能不能設(shè)計一種新的合同與系統(tǒng)架構(gòu)，讓數(shù)據(jù)中心在社會基礎(chǔ)設(shè)施最需要電力的時候，主動讓出部分負(fù)載？

這種情況其實(shí)非常少見。在那些短暫時段，我們可以開啟備用發(fā)電機(jī)、把工作負(fù)載遷移到別處，或者降低系統(tǒng)性能、接受更高延遲。也就是說，數(shù)據(jù)中心并不一定非得在任何時刻都追求絕對的 100% 滿速運(yùn)行。現(xiàn)在的問題在于，大家都在簽極端嚴(yán)格的供電合同，要求近乎絕對不掉電，這就迫使電網(wǎng)長期按峰值準(zhǔn)備。而我只是想利用那些本來閑置著的剩余電力。

萊克斯·弗里德曼：那阻礙是什么？監(jiān)管？官僚主義？

黃仁勛：我認(rèn)為這是三方共同作用的結(jié)果。第一，終端客戶通常要求數(shù)據(jù)中心絕對不能出故障，要求非常極端。很多時候，簽這些合同的人和公司 CEO 之間甚至是脫節(jié)的，CEO 可能根本不知道內(nèi)部簽了怎樣的供電條件。第二，我們需要建設(shè)能夠“優(yōu)雅降級”的數(shù)據(jù)中心。也就是說，當(dāng)電網(wǎng)告訴我們必須把負(fù)載降到 80% 時，我們可以說：“沒問題。” 我們可以遷移工作負(fù)載、降低吞吐，但保證數(shù)據(jù)安全和關(guān)鍵業(yè)務(wù)連續(xù)。第三，電力公司也應(yīng)該意識到，這是一個機(jī)會。它們不該只說：“我需要五年才能擴(kuò)容。” 而應(yīng)該說：“如果你愿意接受某種分級供電承諾，我下個月就能給你提供電力。”

如果電力公司也愿意提供分層級、分場景的供電承諾，那么大家都能找到解法。今天電網(wǎng)上的浪費(fèi)太大了，我們應(yīng)該盡快解決這個問題。

盛贊馬斯克、中國開發(fā)者與臺積電

萊克斯·弗里德曼：你高度評價過埃隆·馬斯克和 xAI 在孟菲斯建設(shè) Colossus 超級計算機(jī)的成就。他們可能只用了四個月，就以創(chuàng)紀(jì)錄速度建成，如今已經(jīng)擁有 20 萬塊 GPU，而且還在繼續(xù)擴(kuò)張。你如何看待他的工程方法？

黃仁勛：首先，埃隆涉獵極廣，而且每個領(lǐng)域都很深入。同時，他還是一位非常出色的系統(tǒng)思考者。

他會從多個學(xué)科同時思考一個問題，而且會持續(xù)逼問每一個環(huán)節(jié)：第一，這件事真的有必要嗎？第二，它一定要這樣做嗎？第三，它真的必須花這么長時間嗎？他會一直質(zhì)疑，直到所有不必要的部分都被剔除，只保留系統(tǒng)真正需要的東西。從這個意義上說，他是一個系統(tǒng)層面的極簡主義者。

而且他會親自出現(xiàn)在問題現(xiàn)場。如果哪里出問題，他就直接過去，問：“問題是什么？當(dāng)一個領(lǐng)導(dǎo)者真的這樣介入時，很多“我們一直都這么做”“我在等別人”之類的借口，就會被迅速清除掉。更重要的是，當(dāng)你以如此強(qiáng)烈的緊迫感親自推進(jìn)，整個供應(yīng)鏈都會把你放到最高優(yōu)先級。因為每個供應(yīng)商都有很多項目，也有很多客戶，但他會讓自己成為對方最重要的客戶之一。

萊克斯·弗里德曼：我參加過很多那樣的會議。真正少見的是，有人不斷追問：“為什么這件事不能更快？到底卡在哪兒？” 一旦你深入現(xiàn)場，通常就會發(fā)現(xiàn)，它最后其實(shí)會變成一個工程問題。

黃仁勛：沒錯。

萊克斯·弗里德曼：NVIDIA 的極致協(xié)同設(shè)計方法，和埃隆的系統(tǒng)工程方法之間，有相似之處嗎？

黃仁勛：有。協(xié)同設(shè)計本質(zhì)上就是一個系統(tǒng)工程問題。而我們內(nèi)部有一種我三十年前就建立的理念，我把它叫作“光速”。這里的“光速”并不只是速度，它是“物理極限”的代稱。

也就是說，我們做任何事時，都要拿它和物理極限比較：內(nèi)存速度、數(shù)學(xué)運(yùn)算速度、功率、成本、時間、精力、人員規(guī)模、制造周期…… 每一項都要問：它距離理論極限還有多遠(yuǎn)？比如，你要同時考慮延遲與吞吐、成本與吞吐、成本與容量。每個約束條件都有自己的“光速”。高吞吐系統(tǒng)和低延遲系統(tǒng)，在架構(gòu)上往往根本不同。所以你必須先知道：高吞吐系統(tǒng)的極限在哪里，低延遲系統(tǒng)的極限又在哪里，然后才能做合理權(quán)衡。

這就是為什么我要求每個人，在做任何事情之前，都先從第一性原理出發(fā)，先搞清楚物理極限在哪里，再用它來審視一切。我不喜歡那種“持續(xù)改進(jìn)式”的思路。如果今天某件事需要 74 天，而有人告訴我他能優(yōu)化到 72 天，我的第一反應(yīng)不是高興，而是先問：“為什么一開始會要 74 天？如果完全從零開始重構(gòu)，理論上要多少天？” 很多時候答案會讓你吃驚：也許只需要 6 天。

當(dāng)然，從 6 天到 74 天之間可能有很多現(xiàn)實(shí)約束，比如成本、風(fēng)險、妥協(xié)，但至少你會知道這些額外時間究竟耗在了哪里。

萊克斯·弗里德曼：面對如此復(fù)雜的系統(tǒng)，追求簡潔是否仍然是一個有用的設(shè)計原則？比如 Vera Rubin 系統(tǒng)中，包含 7 類芯片、5 類專用機(jī)架、40 個機(jī)架、約 12 萬億個晶體管、近 2 萬個 NVIDIA 芯片、1100 多顆 Rubin GPU、60 exaflops 的計算能力，以及每秒 10 PB 的擴(kuò)展帶寬——而這還只是其中一個 Pod。

黃仁勛：沒錯，那還只是一個 Pod。

萊克斯·弗里德曼：而即便只是 NVL72 機(jī)架本身，也已經(jīng)包含大約 130 萬個組件、1300 個芯片、4000 個模塊，而且全都裝在一個 19 英寸寬的機(jī)架里。

黃仁勛：為了讓你有個概念，我們大概每周都要生產(chǎn) 200 套這樣的系統(tǒng)。

萊克斯·弗里德曼：在這種復(fù)雜度下，真正意義上的“簡潔”似乎已經(jīng)不可能了。但“盡可能簡單”，仍然是你設(shè)計時追求的目標(biāo)嗎？

黃仁勛：是的。我最常說的一句話是：系統(tǒng)必須復(fù)雜到剛剛好，但要盡可能簡單。關(guān)鍵問題在于，這些復(fù)雜性是否都是必要的？我們必須不斷檢驗、不斷質(zhì)疑。凡是不必要的復(fù)雜，本質(zhì)上都是多余的。

萊克斯·弗里德曼：這依然令人震撼。整個半導(dǎo)體產(chǎn)業(yè)，尤其是 NVIDIA 所做的事情，完全可以說是歷史上最偉大的工程成就之一。

黃仁勛：這是這個世界上被制造出來的最復(fù)雜的計算機(jī)。

萊克斯·弗里德曼：如果真有一場“工程奧運(yùn)會”，那臺積電、ASML 和 NVIDIA 一定都在金牌行列。

黃仁勛：可以說，各個項目里的金牌選手都聚集在這里了。

萊克斯·弗里德曼：你最近去了中國。過去十年里，中國打造了大量世界級科技公司、世界級工程團(tuán)隊和完整的科技生態(tài)，也產(chǎn)出了很多令人驚嘆的產(chǎn)品。你怎么看中國為什么能做到這一點(diǎn)？

黃仁勛：原因很多。先看幾個基本事實(shí)：全球大約有 50% 的 AI 研究人員是中國人，而且其中很多仍然在中國。當(dāng)然，我們這里也有很多中國研究人員，但中國本土仍然有非常龐大的優(yōu)秀人才群體。

其次，中國科技產(chǎn)業(yè)誕生和成長于移動互聯(lián)網(wǎng)與云計算時代，而這個時代的軟件因素極其關(guān)鍵。中國擁有非常強(qiáng)的科學(xué)和數(shù)學(xué)人才基礎(chǔ)，有大量受過良好教育的年輕人，因此他們對現(xiàn)代軟件范式非常熟悉。

另外，中國并不是一個單一、同質(zhì)化的經(jīng)濟(jì)體，而是由許多省市和地方單元組成，這些地方之間本身就存在競爭。這也是為什么你會看到那么多電動車公司、那么多 AI 公司、那么多在不同方向上開發(fā) AI 產(chǎn)品的企業(yè)。內(nèi)部競爭極其激烈，而最終能活下來的，往往都是非常強(qiáng)的公司。

還有一個文化因素。中國企業(yè)之間存在一種非常特殊的關(guān)系網(wǎng)絡(luò)：家庭、朋友、校友聯(lián)系都非常強(qiáng)。工程師之間、公司之間、朋友之間，會發(fā)生大量信息流動。 在這樣的環(huán)境里，把技術(shù)完全封閉起來并不一定是最有效的選擇。很多時候，開放出來反而更合理，因為開源社區(qū)能把創(chuàng)新放大并加速。所以你會發(fā)現(xiàn)，中國企業(yè)整體上對開源非常積極，這并不奇怪。

把這些因素放在一起：激烈競爭、快速知識傳播、開源文化、深厚的教育基礎(chǔ)，以及強(qiáng)烈的上進(jìn)心——最終就形成了非常快的創(chuàng)新速度。我認(rèn)為，中國是當(dāng)今世界創(chuàng)新速度最快的國家之一。

萊克斯·弗里德曼：而且從文化角度來看，在中國，當(dāng)工程師是一件很“酷”的事。

黃仁勛：沒錯。那是一個建設(shè)者之國。

我們國家有很偉大的領(lǐng)導(dǎo)人，但他們大多是律師，這當(dāng)然也非常重要，因為法治和制度同樣關(guān)鍵。而中國是在巨大發(fā)展與建設(shè)過程中成長起來的，所以他們大量領(lǐng)導(dǎo)者本身就是杰出的工程師。那是一個由建設(shè)者推動成長的國家。

萊克斯·弗里德曼：既然說到開源，我想提一下 Perplexity，以及你們發(fā)布的開源 Nemotron 模型。你對開源 AI 的愿景是什么？尤其是像 DeepSeek、MiniMax 這樣的中國公司，也都在積極推動開源。

黃仁勛：首先，如果我們想成為一家偉大的 AI 計算公司，我們就必須理解 AI 模型是如何演化的。這也是為什么我們不僅做硬件，也做模型研究。比如 Nemotron 的一些工作，并不只是標(biāo)準(zhǔn) Transformer，而是會探索 Transformer 與 SSM 的結(jié)合；更早之前，我們在生成模型方向上也做過很多基礎(chǔ)研究。這些研究讓我們能更早理解：未來什么樣的計算系統(tǒng)，才能真正支持下一代模型。這本身就是協(xié)同設(shè)計的一部分。

第二，我認(rèn)為有一件事是顯而易見的：一方面，世界上當(dāng)然會存在頂級專有模型；另一方面，如果 AI 想真正進(jìn)入每個行業(yè)、每個國家、每個研究者、每個學(xué)生手里，開源就不可或缺。如果一切都是專有的，研究就很難做，創(chuàng)新也很難擴(kuò)散。我們有能力、有規(guī)模，也有動機(jī)持續(xù)構(gòu)建這些模型，并把它們開放出來，從而讓每個行業(yè)、每個國家都能加入 AI 革命。

第三，我們也必須認(rèn)識到，AI 不僅僅是語言。未來的 AI 很可能還會處理生物學(xué)、化學(xué)、物理、流體力學(xué)、熱力學(xué)等信息模式，而這些并不總能被語言完全表達(dá)。必須有人去確保天氣模型、生物 AI、物理 AI 等領(lǐng)域都能被推進(jìn)到前沿。我們不造車，但我們希望每家汽車公司都能獲得優(yōu)秀模型。我們不自己研發(fā)藥物，但我希望像禮來這樣的公司能擁有世界上最好的生物 AI 系統(tǒng)，幫助他們做藥物研發(fā)。

所以，推動開源的根本原因大致有三個：第一，AI 的范疇遠(yuǎn)大于語言；第二，我們希望讓盡可能多的人參與 AI；第三，模型研究本身也必須與計算系統(tǒng)協(xié)同演進(jìn)。

萊克斯·弗里德曼：我還想特別感謝你們真正意義上的開源。

黃仁勛：謝謝你這么說。我們不僅開放模型和權(quán)重，也開放數(shù)據(jù)和構(gòu)建過程。這一點(diǎn)對我們非常重要。

萊克斯·弗里德曼：你來自臺灣，而且與臺積電關(guān)系密切。臺積電的工程文化和制造能力都已經(jīng)成為傳奇。你怎么理解它為什么能取得如此獨(dú)特的成功？

黃仁勛：人們對臺積電最大的誤解之一，就是以為它的護(hù)城河只是某一項晶體管技術(shù)。好像只要別人做出更好的晶體管，臺積電就會失去優(yōu)勢。 其實(shí)完全不是這樣。臺積電真正的獨(dú)特之處，在于它擁有一整套技術(shù)體系：不僅有晶體管，還有金屬化、封裝、3D 封裝、硅光子以及其他大量工藝技術(shù)。

但更重要的是，它能在全球范圍內(nèi)協(xié)調(diào)數(shù)百家公司不斷變化的需求：客戶擴(kuò)張、收縮、轉(zhuǎn)型、追加、取消、緊急插單……整個產(chǎn)業(yè)格局瞬息萬變，而臺積電卻能在這種復(fù)雜性中，保持高產(chǎn)量、高良率、低成本，并提供極高水平的客戶服務(wù)。他們知道，晶圓不是普通商品，而是客戶公司運(yùn)轉(zhuǎn)的基礎(chǔ)。晶圓若不能按時交付，客戶的公司就無法按計劃運(yùn)行。所以，他們的制造系統(tǒng)幾乎是“神奇”的。

第二，是企業(yè)文化。他們一方面極度技術(shù)導(dǎo)向，不斷推進(jìn)技術(shù)前沿；另一方面又高度客戶導(dǎo)向。很多公司客戶服務(wù)很好，但技術(shù)不夠領(lǐng)先；也有很多公司技術(shù)很強(qiáng)，但客戶服務(wù)很差。而臺積電可貴的地方，是能同時把這兩件事做到世界級。

第三，也是我最看重的一點(diǎn)，是信任。我相信他們能讓我在他們面前“裸奔”——也就是說，我可以把公司最關(guān)鍵的信息、最關(guān)鍵的計劃、最關(guān)鍵的路線圖放在他們面前，而不擔(dān)心被濫用。這種信任極其重要。

萊克斯·弗里德曼：這是一種建立在多年合作基礎(chǔ)上的深度關(guān)系。

黃仁勛：三十年來，我們通過臺積電完成了難以計數(shù)的、總值數(shù)百億甚至數(shù)千億美元的業(yè)務(wù)，而很多時候甚至沒有正式合同。這就是彼此信任的力量。

萊克斯·弗里德曼：有個廣為流傳的故事：2013 年，張忠謀曾邀請你擔(dān)任臺積電 CEO，而你說你當(dāng)時已經(jīng)有工作了。這個故事是真的嗎？

黃仁勛：是真的。我并不是輕率地拒絕，而是深感榮幸。臺積電無疑是歷史上最有影響力的公司之一，張忠謀也是我一生中最敬重的企業(yè)家之一。

但我當(dāng)時非常清楚，NVIDIA 的未來會走向哪里，以及我們能夠產(chǎn)生怎樣的影響。而實(shí)現(xiàn)那一切，是我的責(zé)任，也是我唯一的責(zé)任。所以我沒有接受，不是因為那份邀請不夠有吸引力，而是因為我不能離開現(xiàn)在這份工作。

萊克斯·弗里德曼：你怎么看太空計算、太空數(shù)據(jù)中心這種想法？它或許有助于從能源角度解決一些規(guī)模化問題。

黃仁勛：真正不容易解決的是散熱。不過有趣的是，NVIDIA 的 GPU 已經(jīng)上過太空了。我們其實(shí)已經(jīng)在做這件事，只是以前我自己都沒太多拿它來說。

在太空里做大規(guī)模成像和邊緣 AI 非常合理。衛(wèi)星有高分辨率成像能力，會持續(xù)不斷地掃描地球。如果你想獲得厘米級分辨率、全球持續(xù)成像的遙測數(shù)據(jù)，那么數(shù)據(jù)量將是 PB 級別，你不可能全部傳回地球。你必須在邊緣做 AI，篩掉那些沒有變化、不重要的內(nèi)容，只保留真正有價值的信息。

當(dāng)然，如果把 AI 系統(tǒng)部署在太空或極地，你能獲得幾乎持續(xù)的太陽能，但沒有空氣對流，也幾乎沒有傳導(dǎo)，主要只能依靠輻射散熱。所以，你可能需要非常巨大的散熱器。

萊克斯·弗里德曼：你覺得這個想法有多瘋狂？五年、十年、二十年后呢？

黃仁勛：我這個人比較務(wù)實(shí)。我會先解決眼前更近的機(jī)會，但與此同時，也會讓工程團(tuán)隊提前去探索這些問題： 如何應(yīng)對輻射？如何應(yīng)對器件老化？如何持續(xù)檢測缺陷？如何做冗余設(shè)計？如何實(shí)現(xiàn)優(yōu)雅降級？軟件如何適應(yīng)太空環(huán)境？這些工程探索可以提前開始。但與此同時，我最喜歡的現(xiàn)實(shí)答案依然是：先把地球上那些被浪費(fèi)的閑置電力用起來。

萊克斯·弗里德曼：你認(rèn)為 NVIDIA 有一天會達(dá)到 10 萬億美元市值嗎？換個問法：如果這是真的，那未來世界會是什么樣子？

黃仁勛：我認(rèn)為 NVIDIA 繼續(xù)增長，不僅有可能，在我看來幾乎是不可避免的。原因有兩個根本性的技術(shù)變化。

第一，計算機(jī)已經(jīng)從“基于檢索的文件系統(tǒng)”演變?yōu)椤盎谏傻纳舷挛南到y(tǒng)”。過去的計算機(jī)，大量時候是在處理文件：人預(yù)先寫好內(nèi)容、錄好內(nèi)容、畫好圖，然后系統(tǒng)通過檢索和推薦把這些內(nèi)容給你。 而今天的 AI 計算機(jī)，必須理解上下文，必須實(shí)時生成 token。也就是說，我們已經(jīng)從一個以存儲和檢索為核心的系統(tǒng)，轉(zhuǎn)向了一個以實(shí)時生成和推理為核心的系統(tǒng)。在這個新世界里，所需處理能力遠(yuǎn)遠(yuǎn)大于舊世界。舊世界主要消耗存儲，新世界主要消耗計算。

第二，計算機(jī)不再只是“倉庫”，而開始變成“工廠”。倉庫本身不直接創(chuàng)造收入，而工廠是創(chuàng)造產(chǎn)品和收入的。現(xiàn)在的 AI 工廠在生產(chǎn)的，就是人們愿意消費(fèi)的智能產(chǎn)物——token。 而且這些 token 已經(jīng)開始像智能手機(jī)一樣發(fā)生分層：有免費(fèi)的，有高級的，有中間層次的。這意味著“智能”本身，正變成一種可擴(kuò)展、可分級、可定價的產(chǎn)品。

如果你把這兩個變化放在一起，就會發(fā)現(xiàn)：世界會需要大量 AI 工廠；社會愿意為這些工廠產(chǎn)出的 token 付費(fèi)； 如果生產(chǎn)力被顯著提升，世界經(jīng)濟(jì)總量就會加速增長。而用于計算的 GDP 占比，也很可能比過去高出百倍，因為計算不再只是存儲，而變成了“產(chǎn)品生產(chǎn)”。

從這個角度看，再回到 NVIDIA 的位置：我們所處的，正是一個全新的產(chǎn)業(yè)與經(jīng)濟(jì)模式的中心。所以我不覺得“年收入幾萬億美元”在物理上有什么不可能。真正的問題不是“是否可能”，而是我們有沒有足夠的精力和執(zhí)行力把它做出來。就這一點(diǎn)而言，我的答案是肯定的。

很多人過去都告訴過我：“無晶圓廠半導(dǎo)體公司不可能超過 10 億美元市值。”“你們不可能超過 250 億美元。” 但這些都不是基于第一性原理的推理。思考這類問題最好的方式是：我們生產(chǎn)什么？我們創(chuàng)造的機(jī)會有多大？

今天最大的難點(diǎn)在于，人們很難想象一個不是靠“搶市場份額”成長的公司會長到多大。如果你只是從別人的市場里搶 10%，大家很容易算賬。 可 NVIDIA 所參與創(chuàng)造的很多市場，過去根本不存在。所以人們很難想象規(guī)模上限。。但我會繼續(xù)思考、繼續(xù)講述、繼續(xù)通過每一次 GTC 把這個未來描繪得更真實(shí)。總有一天，我們會實(shí)現(xiàn)它。對此我百分之百相信。

萊克斯·弗里德曼：按你的說法，AI 工廠就是 token 工廠，而 token 本身就是一種有價值的產(chǎn)品。從第一性原理看，隨著 AI 解決越來越多問題，未來顯然需要指數(shù)級增長的 token 工廠。

黃仁勛：沒錯。而真正讓我興奮的是，“token 的 iPhone 時刻”已經(jīng)來了。

萊克斯·弗里德曼：你說的是智能體？

黃仁勛：對，廣義上的智能體。在我看來，智能體就是 token 世界的 iPhone。它是歷史上增長最快的應(yīng)用類別一，增長速度驚人。這說明了一些非常重要的事情。 所以我完全相信，智能體就是 token 時代的 iPhone。

萊克斯·弗里德曼：關(guān)于 AGI，定義不同，時間線也不同。我想給一個有點(diǎn)極端的定義：如果一個 AI 系統(tǒng)能創(chuàng)辦、發(fā)展并運(yùn)營一家成功的科技公司——比如一家價值超過 10 億美元的公司——那它算不算 AGI？按這個標(biāo)準(zhǔn)，你覺得還要 5 年、10 年、15 年還是 20 年？

黃仁勛：我認(rèn)為，在某種意義上，我們已經(jīng)實(shí)現(xiàn)了 AGI。

萊克斯·弗里德曼：你是說，你已經(jīng)能想象一家由 AI 運(yùn)營的公司？

黃仁勛：有可能。因為你說的是“做出一家價值十億美元的公司”，并不意味著它必須永遠(yuǎn)持續(xù)偉大。

舉個例子，像 Claude 這類系統(tǒng)，完全有可能做出一個網(wǎng)絡(luò)服務(wù)、一個有趣的小應(yīng)用，突然之間被幾十億人以很低價格使用，從而迅速形成巨大的商業(yè)價值，隨后又很快衰退。互聯(lián)網(wǎng)時代其實(shí)出現(xiàn)過很多類似公司，而其中大量網(wǎng)站和產(chǎn)品的復(fù)雜度，并不比今天先進(jìn)模型能生成的東西高多少。

萊克斯·弗里德曼：也就是說，先做出病毒式傳播產(chǎn)品并實(shí)現(xiàn)商業(yè)化，這件事 AI 已經(jīng)接近能做了。

黃仁勛：對。我不知道具體會是什么，但如果未來出現(xiàn)某種超級可愛的數(shù)字形象、某個社交應(yīng)用、某種電子寵物產(chǎn)品，在幾個月里爆紅，我一點(diǎn)也不會驚訝。不過，要說十萬個這樣的“爆款代理”最終能成長成 NVIDIA，那概率幾乎為零。這兩件事不是一個難度層級。

黃仁勛的個人思考time

萊克斯·弗里德曼：你曾說過，你的成功很大程度上來自于比別人更努力，也更能承受苦難。可你現(xiàn)在面對的，不僅是工程和商業(yè)層面的壓力，還有一種國家級、全球級的責(zé)任：許多國家都圍繞 NVIDIA 來制定 AI 戰(zhàn)略和基礎(chǔ)設(shè)施規(guī)劃。你如何承受這種壓力？

黃仁勛：我非常清楚，NVIDIA 的成功對美國意義重大。它帶來了巨額稅收，強(qiáng)化了美國的技術(shù)領(lǐng)先，而技術(shù)領(lǐng)先本身就是國家安全的重要組成部分。不僅如此，繁榮還能反過來提升國內(nèi)政策空間和社會福利。我們也確實(shí)在推動再工業(yè)化，在芯片、計算機(jī)、AI 工廠等多個環(huán)節(jié)帶回美國，創(chuàng)造了大量就業(yè)。我也知道，有許多普通投資者、教師、警察等群體，因為相信 NVIDIA、持有 NVIDIA，改變了自己的生活。這是一份很重的責(zé)任。同時，我們背后還有一個龐大的生態(tài)系統(tǒng)和供應(yīng)鏈伙伴網(wǎng)絡(luò)，許多人都與 NVIDIA 的發(fā)展息息相關(guān)。

那我怎么處理這些？方法其實(shí)就是我剛才說過的：分析它、拆解它。發(fā)生了什么？有什么變化？困難是什么？我打算怎么做？我把問題拆成可以處理的小部分。然后問自己：你做了嗎？如果你認(rèn)為你應(yīng)該做，卻既沒自己做，也沒找別人做，那就別抱怨。就這么簡單。

我對自己要求很高。但我也會把事情分解到足夠小，這樣自己就不會陷入恐慌。我之所以能睡覺，是因為我已經(jīng)把必須做的事列出來，也確保那些可能危及公司、合作伙伴和行業(yè)的問題，都已經(jīng)告訴了相關(guān)的人，而且告訴了能夠解決它們的人。在那之后，你還能做什么呢？

萊克斯·弗里德曼：在 NVIDIA 的歷程中，你是否經(jīng)歷過情緒上的低谷？

黃仁勛：當(dāng)然。一直都有。

萊克斯·弗里德曼：那你也是靠把問題拆小來應(yīng)對？

黃仁勛：這是其中一部分。另一部分，其實(shí)是“遺忘”。AI 學(xué)習(xí)里有個很重要的概念，叫系統(tǒng)性遺忘。我覺得人也一樣。你得知道什么時候該忘掉一些東西。你不可能永遠(yuǎn)背著所有挫折往前走，也不應(yīng)該這樣。所以我會快速拆解問題、思考問題，然后把負(fù)擔(dān)分出去——也就是盡快告訴別人，讓他們參與進(jìn)來。不要把它憋在心里。

當(dāng)然，你也得對自己狠一點(diǎn)。有時候就是得告訴自己：別哭了，繼續(xù)走。而且很多時候，你會被“下一個機(jī)會、下一個閃光點(diǎn)、下一個未來”吸引過去。上一件事已經(jīng)過去了。偉大的運(yùn)動員也一樣，他們只在意下一分。

萊克斯·弗里德曼：你有一句非常有名的話：如果你一開始就知道創(chuàng)辦 NVIDIA 會有多難——比你想象的難一百萬倍——你可能根本不會去做。但仔細(xì)想想，也許所有值得做的事都如此。

黃仁勛：沒錯。而且我想補(bǔ)充一點(diǎn)：保持一種“孩童般的思維”，是一種不可思議的超能力。

因為當(dāng)我看到一個新問題時，我的第一反應(yīng)往往是：“這能有多難？”于是你就進(jìn)入那個模式：這能有多難？即使從客觀上看，它規(guī)模巨大、成本驚人、前所未有，你還是會本能地覺得：好吧，但這到底能有多難？

你不能提前把所有挫折、痛苦、失望、羞辱都完整模擬一遍。如果你真的這么做了，可能根本不會開始。你必須帶著一種新鮮的心態(tài)走進(jìn)去，相信它會是完美的、有趣的、值得的。然后，當(dāng)真正的挫折、失望、尷尬、羞辱降臨時，你再調(diào)動另一套能力：韌性、遺忘、繼續(xù)前進(jìn)。只要我對未來的根本判斷沒有被推翻，那么我就相信那個未來仍然會發(fā)生。既然如此，我就繼續(xù)追。

萊克斯·弗里德曼：你現(xiàn)在是世界上最成功、最富有的人之一。財富、權(quán)力和名望，會不會讓人更難承認(rèn)錯誤，更難傾聽不同意見？

黃仁勛：很意外，但對我來說不是。甚至在某種意義上恰恰相反。因為我的很多工作是在公開場合完成的，所以如果我犯錯，幾乎所有人都會看到。我在公開場合說的大多數(shù)話，都會很謹(jǐn)慎，因為它們會影響別人。

但與此同時，我的管理方式就是不斷在眾人面前“思考”。即便現(xiàn)在和你對話時，你也能感覺到，我是在邊說邊推理。因為我希望你理解我的結(jié)論，不是因為我強(qiáng)行告訴你答案，而是因為我把自己推導(dǎo)出結(jié)論的過程展示給你看。

我在會議里天天都是這么做的。“讓我告訴你我是怎么想的。”然后我開始一步步推理。這樣一來，別人不需要直接反對我的結(jié)論，他們可以在推理過程中的某一步提出不同看法，進(jìn)而把我引向一個新的結(jié)論。這是一種非常有效的集體探索方式。

萊克斯·弗里德曼：你在解釋問題時，始終給人一種開放、即興推理的感覺，好像旁邊的人真的可以影響你的思路。我覺得這非常難得。很多人經(jīng)歷成功和痛苦后，反而會越來越封閉。

黃仁勛：我覺得，關(guān)鍵之一就是對尷尬的容忍。而且，他們都知道我最早的一份工作是打掃廁所。所以，很多事情自然也就沒那么嚴(yán)重了。

萊克斯·弗里德曼：你這番話會讓很多人興奮，也會讓很多人緊張。你怎么看程序員和軟件工程師的未來？

黃仁勛：首先，我想提醒大家：工作目標(biāo)、工作任務(wù)和工作工具，是相關(guān)但不同的三件事。我擔(dān)任這份工作已經(jīng) 30 多年了，在這 30 多年里，我使用的工具一直在變化，有時甚至每兩三年就完全不同。但我的“工作目標(biāo)”并沒有變。

多年前，計算機(jī)科學(xué)家和 AI 研究人員預(yù)測，第一個會消失的職業(yè)會是放射科醫(yī)生。因為計算機(jī)視覺會達(dá)到超人水平，而事實(shí)是，它確實(shí)做到了。到 2019、2020 年左右，計算機(jī)視覺在很多識別任務(wù)上已經(jīng)超越了人類。

于是人們說，放射科醫(yī)生會消失。結(jié)果呢？今天所有放射平臺都用了 AI，但放射科醫(yī)生的數(shù)量反而在增長，而且全球仍然短缺。為什么？因為放射科醫(yī)生的職責(zé)不是“看影像”本身，而是幫助診斷疾病、服務(wù)患者和醫(yī)生。正因為 AI 讓他們能更快分析更多掃描，他們才可以接觸更多病人、做出更準(zhǔn)確判斷、幫助醫(yī)院提升效率。醫(yī)院業(yè)務(wù)增加，于是反而需要更多放射科醫(yī)生。

軟件工程師也是一樣。我希望 NVIDIA 的軟件工程師越來越多，而不是越來越少。因為他們的真正工作不是“寫代碼”本身，而是解決問題、團(tuán)隊合作、診斷、評估、發(fā)現(xiàn)新問題、創(chuàng)新和整合。代碼只是其中一項任務(wù)，不是工作的全部。

萊克斯·弗里德曼：所以你認(rèn)為，程序員總數(shù)甚至可能會增加？

黃仁勛：我認(rèn)為會。因為今天“編碼”的定義，正在變成“描述規(guī)范、定義意圖、告訴計算機(jī)要構(gòu)建什么”。如果這樣理解編程，那么未來能做“編程”的人會從今天的幾千萬，擴(kuò)大到十億級。

未來每個木匠都可能是程序員，只不過他手里的工具變成了 AI，他同時也是架構(gòu)師。他能為客戶創(chuàng)造的價值會大得多。每個會計師也會同時成為你的財務(wù)分析師和顧問。所有職業(yè)都會被提升，而不只是被替代。

萊克斯·弗里德曼：即便如此，很多人依然合理地焦慮自己的工作前景。每次大規(guī)模技術(shù)變革都會帶來痛苦和沖擊，我們也必須對這些痛苦保持同情。

黃仁勛：完全同意。而我的第一個建議，和我自己處理焦慮的方法一樣：把問題拆解開。你擔(dān)心未來，那就先問：哪些事情我能做，哪些事情我控制不了？對那些你能做的事情，就認(rèn)真思考，然后立刻行動。

如果今天我要招聘一名應(yīng)屆畢業(yè)生，有兩個候選人：一個不懂 AI，另一個熟練掌握 AI。無論崗位是會計、營銷、供應(yīng)鏈、客戶服務(wù)、銷售、法務(wù)還是業(yè)務(wù)拓展，我都會選后者。所以，我給所有學(xué)生、老師和從業(yè)者的建議都是：去學(xué)習(xí) AI，去使用 AI，讓自己成為 AI 專家。無論你是木匠、電工、農(nóng)民、藥劑師，都應(yīng)該去看看 AI 如何改變你的工作、提升你的技能、讓你成為行業(yè)創(chuàng)新者。

當(dāng)然，這項技術(shù)也一定會取代某些工作，特別是那些工作內(nèi)容高度等同于固定任務(wù)執(zhí)行的崗位。如果你的價值只是重復(fù)完成某個任務(wù)，那么你確實(shí)會受到?jīng)_擊。但如果你能學(xué)會用 AI 把這些任務(wù)自動化，同時把自己提升到更高層次，那你就站在了正確的一邊。

萊克斯·弗里德曼：而且 AI 最棒的一點(diǎn)是，你甚至可以直接問它：“我該怎么學(xué) AI？” 它會一步步教你。

黃仁勛：沒錯。你不能走到 Excel 面前說：“我不會用 Excel，請教我。”但 AI 可以。這是一個很重要的變化。

萊克斯·弗里德曼：你認(rèn)為在人類意識中，是否存在某種本質(zhì)上無法被計算復(fù)制的東西？

黃仁勛：我不知道芯片會不會緊張。我相信 AI 可以識別、理解焦慮、興奮、緊張這些情緒，但我不認(rèn)為芯片本身會真正“感受”它們。在人類世界里，即使處在相同條件下，不同的人也會因為不同的主觀狀態(tài)而表現(xiàn)出完全不同的結(jié)果，這構(gòu)成了人類表現(xiàn)的光譜。而我們今天構(gòu)建的系統(tǒng)，不會因為“感受不同”而在相同上下文中表現(xiàn)不同。

萊克斯·弗里德曼：是啊。人類的主觀體驗太特別了：愛、恐懼、希望、心碎、對死亡的恐懼、親人離世時的痛苦。我很難想象計算裝置能夠擁有這些。但同時，過去這些年 AI 也一直在給我們驚喜，所以我也愿意保持開放。

黃仁勛：我覺得一個非常重要的區(qū)分是：什么是“智能”，什么是“人性”。智能這個詞并不神秘，它指的是一個系統(tǒng)具備感知、理解、推理和計劃能力。這就是智能。但人性遠(yuǎn)遠(yuǎn)不止這些。人性不是一個功能性概念。

我其實(shí)一直認(rèn)為，智能會商品化。我身邊有很多比我聰明得多的人，他們學(xué)校比我好、知識比我深、在各自領(lǐng)域都比我強(qiáng)。我的 60 個直接下屬，在我眼里個個都是超人。但問題是：為什么一個曾經(jīng)洗碗、打掃廁所的人，最終能坐在他們中間協(xié)調(diào)他們？這恰恰說明，成功不只是智力問題。

人性還包括品格、同情心、慷慨、對痛苦的承受能力、決心、領(lǐng)導(dǎo)力。這些東西，比智能更寬廣。所以，如果我想給聽眾一個清晰結(jié)論，那就是：不要把“智力的民主化、商品化”理解成對人的貶值。恰恰相反，你應(yīng)該從中獲得力量。因為真正值得被贊美和提升的，是人性本身。

萊克斯·弗里德曼：我們真正應(yīng)該崇敬的，也許不是“智能”，而是“人性”。

黃仁勛：對，人性、品格、同情心、慷慨。這些才是真正超人的力量。

https://www.youtube.com/watch?v=vif8NQcjVf0

聲明：本文為 AI前線整理，不代表平臺觀點(diǎn)，未經(jīng)許可禁止轉(zhuǎn)載。

會議推薦

OpenClaw 出圈，“養(yǎng)蝦”潮狂熱，開年 Agentic AI 這把火燒得不可謂不旺。在這一熱潮下，自托管 Agent 形態(tài)迅速普及：多入口對話、持久記憶、Skills 工具鏈帶來強(qiáng)大生產(chǎn)力。但這背后也暴露了工程化落地的真實(shí)難題——權(quán)限邊界與隔離運(yùn)行、Skills 供應(yīng)鏈安全、可觀測與可追溯、記憶分層與跨場景污染、以及如何把 Agent 納入團(tuán)隊研發(fā) / 運(yùn)維流程并形成穩(wěn)定收益。

針對這一系列挑戰(zhàn)，在 4 月 16-18 日即將舉辦的 QCon 北京站上，我們特別策劃了「OpenClaw 生態(tài)實(shí)踐」專題，將聚焦一線實(shí)踐與踩坑復(fù)盤，分享企業(yè)如何構(gòu)建私有 Skills、制定安全護(hù)欄、搭建審計與回放機(jī)制、建立質(zhì)量 / 效率指標(biāo)體系，最終把自托管 Agent 從可用的 Demo 升級為可靠的生產(chǎn)系統(tǒng)。

今日薦文

你也「在看」嗎？