# 黃仁勳：英偉達——市值四萬億美元的公司與 AI 革命 > 黃仁勳談英偉達如何從圖形晶片公司成長為四萬億美元巨頭，以及 AI 革命的算力根基。 - 原標題：#494 – Jensen Huang: NVIDIA – The $4 Trillion Company & the AI Revolution - 期數：第 494 期 - 釋出日期：2026-03-23 - 嘉賓 / 主題：黃仁勳 - 網頁版：https://lex.qiaomu.ai/tw/ep/jensen-huang/ - 官方頁面：https://lexfridman.com/jensen-huang/ - 精讀字數：約 15219 字（閱讀約 34 分鐘） > 本文為 lex.qiaomu.ai 基於原始訪談的 AI 改寫中文精讀，非官方翻譯；引用請註明出處並連結網頁版。 Lex Fridman 問黃仁勳，一個能夠從零創辦、並把一家科技公司運營到十億美元估值的 AI 系統，還需要多久。 黃仁勳說，現在已經有了。 他緊接著補了一句解釋：這個標準裡沒有“永遠”兩個字。一個 agent 可以做出某個網頁服務，幾億人用上兩個月，每人付五毛錢，然後公司又倒閉了。網際網路時代滿地都是這種公司，那些網站的技術含量，大多還不如今天的 Claude 隨手生成的東西。 但他在同一段話裡又拆了自己的臺：十萬個這樣的 agent 裡，能長出一個 NVIDIA 的機率是零。 這兩句話放在一起看才有意思。這位做了 34 年 CEO、把公司帶到四萬億美元市值的人，一邊把 AGI 的門檻說得極低，一邊把真正的難度說得極高。中間那段距離，才是這場兩個半小時對話真正在談的東西。 ## 問題已經裝不進一臺計算機了 訪談從“極端協同設計”（extreme co-design）開始。黃仁勳給了一個非常物理的解釋：要算的問題已經大到一臺計算機裝不下。 他用的框架是阿姆達爾定律。如果你把計算部分加速一百萬倍，而計算只佔整個工作量的 50%，那整體只快了兩倍。真正的大模型訓練和推理，問題的邊界早就溢位單機，你必須把演算法拆開、把流水線切分、把資料和模型分片。一旦開始分散式，所有東西都變成了瓶頸。 > “你加了 10000 臺計算機，但你想要快一百萬倍。這時候 CPU 是問題，GPU 是問題，網路是問題，交換是問題，把工作負載分配到這一堆機器上也是問題。”（黃仁勳） 摩爾定律救不了這個局面。登納德縮放（Dennard scaling）早就慢下來了，靠製程紅利拿到的效能提升，撐不起這種量級的野心。剩下的路只有一條：把每一層技術同時推到極限，各層互相讓路。 ## 六十個直接下屬，沒有一對一會議 Lex 問，高頻寬記憶體、NVLink、網絡卡、光模組和銅纜、供電、散熱，每一塊都有世界級專家，你怎麼把他們弄到一個房間裡。 黃仁勳的回答很直接：所以我們管理層這麼大。 他的直接彙報人數是 60 人，而且還在增加。這個數字在管理學教科書裡是災難，因為一對一會議根本開不完。 他的解法是取消一對一。所有問題都擺在所有人面前解。討論散熱的時候，做供電的人在聽；討論記憶體的時候，做網路的人在聽。誰該發言而沒發言，會被點名。誰覺得跟自己無關，可以走神，但代價是錯過自己該貢獻的那一刻。 > “公司存在的目的是成為一臺產出東西的機器。公司的組織架構應該反映它所處的環境。我看過很多公司的組織架構圖，全都長一個樣，漢堡公司的、軟體公司的、汽車公司的，看起來都一樣，這對我來說毫無道理。”（黃仁勳） 這段話聽起來像管理雞湯，但放到 NVIDIA 的處境裡就變了味。他們每年要出貨一種由 130 萬個零件、200 家供應商組成的機架系統，任何單點專家做決策都會撞牆。組織形態必須長得像產品形態，否則協同設計就是一句空話。 ## 裝機量定義架構，優雅的架構全都死了 NVIDIA 起步時是一家加速器公司。黃仁勳說得很坦白，加速器的問題是應用領域太窄。市場窄帶來的不只是收入少，更致命的是研發能力受限，而研發能力最終決定了你能在計算領域施加多大影響。 所以他們必須往上走，成為一家計算公司。但“加速計算”這四個字裡藏著根本矛盾：計算公司做得越好，專家屬性就越弱；越專注，越做不了通用計算。他把這兩個詞硬拼在一起，就是要逼公司走一條極窄的鋼絲。 路線圖是一步步鋪的。先做可程式設計畫素著色器，這是通向可程式設計性的第一步。然後把 IEEE 相容的 FP32 塞進著色器，這一步使所有做流處理器的人發現了他們：原來這個算力怪獸現在能跑我寫的程式碼了。再往上加 C，就是 Cg，Cg 最終通向 CUDA。 CUDA 能不能贏，黃仁勳的判斷標準只有一個：裝機量。 > “沒有任何架構比 x86 捱過更多的批評，它被公認不夠優雅，但它今天是定義性的架構。反過來有那麼多 RISC 架構，設計得極其漂亮，出自全世界最聰明的電腦科學家之手，大部分都失敗了。裝機量定義架構，其他一切都是次要的。”（黃仁勳） 這個判斷直接推出了那個後來被反覆講述的決定：把 CUDA 裝進每一塊 GeForce，不管使用者用不用。 ## 市值從八十億掉到十五億的那筆賬 這筆賬很難看。CUDA 使消費級 GPU 的成本暴漲，漲幅大概 50%。當時公司毛利率 35%，這一下幾乎吃掉了全部毛利。 黃仁勳在董事會上把話說清楚了：我們可能會看到這樣一個世界，GeForce 揹著 CUDA 的成本，但沒有一個玩家因此感激，也沒有一個玩家願意為此多付錢，因為玩家只認自己的心理價位，你的成本跟他們無關。 公司市值從大約七八十億美元跌到十五億。他們在谷底待了一段時間，慢慢爬回來，但 CUDA 一直留在 GeForce 上。 > “我總說 NVIDIA 是 GeForce 建起來的房子，因為是 GeForce 把 CUDA 帶給了所有人。”（黃仁勳） 為什麼 GeForce 能做到這件事。因為那個年代的 PC 是主要計算載體，還沒有云。一塊裝在學生機箱裡的顯示卡，等於把一臺超級計算機塞進了每個實驗室、每個工程院系、每個自己攢機的玩家手裡。這些人後來成了深度學習革命的第一批信徒。 黃仁勳說這個決定“花了十年”才真正兌現。 ## 他不發宣言，他每天在改別人的信念 Lex 追問的是更軟的東西：你怎麼敢做這種賭注。 黃仁勳的回答拆成了兩層。第一層是推理。他的好奇心很重，某些時點上會有一套推理系統把某個結論推得極其清晰：這件事一定會發生。一旦他心裡認定了，那個未來就會變得不容置疑。 第二層才是真正的功夫，他稱之為塑造信念系統。 他明確說自己討厭那種管理風格：領導者憋著不說，某天突然發一份宣言，新財年、新使命、新 logo、大裁員、大重組，好像公司是一夜之間換了個靈魂。 他的做法是反過來的。當他開始被某個想法影響，他會立刻告訴身邊所有人：這個東西有意思，這個會影響那個。他用外部資訊、新發現、新的工程突破、新的里程碑當作磚，一塊一塊砌進別人的認知裡。這個過程每天都在發生，對董事會、對管理層、對員工。 > “等到我說‘我們把 Mellanox 買下來’的那天，所有人都會覺得這是明擺著的事。很多時候看起來像是你在後面推著大家走，其實你早就在塑造他們的信念，所以在宣佈的那天，是百分之百的認同。”（黃仁勳） 他舉了 GTC 的例子。整個 GTC 的功能之一，就是塑造產業鏈上下游合作方的信念系統，然後再反過來塑造自己員工的信念。他說 OpenClaw 這套東西他講了兩塊半，兩年半，回頭一翻就發現，原來鋪墊已經鋪了這麼久。 這也解釋了 NVIDIA 為什麼不能直接賣東西給終端使用者。它是平臺公司，垂直整合做設計和最佳化，然後每一層都開放出去，被別人的產品、雲、超算、OEM 機器整合。它必須先說服別人，才有生意可做。 ## 四個擴充套件定律，以及“推理很簡單”這個錯誤 黃仁勳現在是四條擴充套件定律的信徒：預訓練、後訓練、測試時、agentic。 他回顧了每一輪“到頭了”的恐慌。最早是資料不夠。Ilya Sutskever 說過類似“資料用完了、預訓練結束了”的話，全行業慌了，以為 AI 走到盡頭。 他的反駁角度挺有意思：人類互相傳授的知識，本來就是合成的。 > “大部分人忘了，我們用來教彼此、互相告知的絕大部分資料都是合成的。因為它不是從自然界長出來的，是你創造出來的，我消費它、修改它、增強它、重新生成，再由別人消費。現在 AI 能夠拿真實資料做增強，合成出巨量的資料，後訓練這一段的擴充套件還在繼續。”（黃仁勳） 結論是：人類產生的資料佔比會越來越小，訓練資料的瓶頸從“有多少資料”變成了“有多少算力”。 第二階段是測試時擴充套件，也就是推理。他說當年一堆人跟他講，推理很簡單，預訓練才難，推理晶片會是小晶片，會商品化，誰都能自己造。 他覺得這個邏輯從一開始就不成立。 > “推理就是思考，而我認為思考很難。思考比閱讀難得多。預訓練只是記憶和泛化，找模式、找關係，是讀書；測試時擴充套件是推理、規劃、搜尋、把沒見過的經驗拆成可解的小塊，靠第一性原理或者過往案例去解。這怎麼可能是算力輕的？”（黃仁勳） 第四條是 agentic 擴充套件。一個 agent 在測試時跑出去查資料庫、調工具，最重要的一件事是不斷派生出一堆子 agent。這相當於從一個人變成一個團隊。他的類比很樸素：NVIDIA 要擴張，多招人比把自己變強容易得多。 四條定律構成一個閉環。agent 跑出大量經驗和資料，好的部分拿回預訓練做記憶和泛化，再精調進後訓練，再透過測試時和 agent 系統放回產業界，迴圈往復。最後剩下的唯一變數就是算力。 ## 模型架構半年一換，硬體架構三年一換 Lex 提出了這裡最要命的錯配：AI 模型架構的迭代週期大概是六個月，系統和硬體架構是三年。你沒法在一週內掉頭。 黃仁勳承認這是最難的預測問題，然後給了三個辦法。 自己做基礎研究和應用研究，自己訓模型。NVIDIA 是全球唯一一家跟全世界所有 AI 公司都合作的 AI 公司，能聽到各家的真實困難。最後是架構本身要足夠靈活，能隨風轉向。CUDA 的價值就在這個平衡點上：一端是極致加速，一端是極致靈活。 他舉了一個具體例子。混合專家模型（MoE）出現的時候，他們的回應是把 NVLink 從 8 擴到 72。原因很實在：只有當互連域足夠大，你才能把一個四萬億到十萬億引數的模型放在一個計算域裡，像跑在單塊 GPU 上一樣。 > “如果你看 Grace Blackwell 機架的架構，它完全聚焦在一件事上：跑大語言模型推理。一年之後你再看 Vera Rubin 機架，它有儲存加速器，有全新的 Vera CPU，有 Vera Rubin 加 NVLink 72 跑 LLM，還多了一個叫 Rock 的機架。整個系統的設計邏輯完全變了，因為上一代是給 MoE 推理用的，這一代是給 agent 用工具用的。”（黃仁勳） Lex 追問，這套設計早於 Claude Code、Codex、OpenClaw 出現，你怎麼提前知道。 黃仁勳說，不用知道，想就行了。 ## 人形機器人會用你的微波爐，不會從手指發射微波 他的思想實驗是這樣的：假設十年後我們造出了最棒的人形機器人。它進你家幹活，是傾向於用你家裡現成的工具，還是手在某個瞬間變成十磅重的錘子、另一個瞬間變成手術刀，為了燒水就從手指射出微波？ 顯然是後者荒謬。它更可能走到微波爐前，第一次不知道怎麼用，但它連著網，讀一遍說明書就變成專家。 這一句話就推出了 agent 系統的全部特徵：它要用工具，要訪問檔案，要能做研究，要有一套 IO 子系統。也推出了一個更大的判斷：軟體不會因為 AI 而消失，說“AI 會幹掉軟體，我們不再需要工具”是荒謬的。 > “我們用 OpenClaw 的那張架構圖，你在兩年前的 GTC 上就能找到。我在兩年前就在講這樣的 agent 系統。當然，要發生還需要很多事匯聚到一起。首先 Claude、GPT 這些模型的能力要到那個水平，然後得有人做出一個足夠健壯、足夠完整的開源專案。我認為 OpenClaw 對 agent 系統的意義，就像 ChatGPT 對生成式系統的意義。”（黃仁勳） 關於 OpenClaw 為什麼比 Claude Code 和 Codex 更出圈，他的答案很短：因為普通消費者夠得著。 安全問題他也正面回應了。NVIDIA 派了一批安全專家過去，做了 OpenShell，已經整合進 OpenClaw。規則是“三選二”：agent 可以訪問敏感資訊、可以執行程式碼、可以對外通訊，任何時刻最多給兩個，不給三個。再加上基於企業許可權的訪問控制和策略引擎對接。 ## 一百三十萬個零件，兩百家供應商，沒有一份合同 Lex 把供應鏈的問題擺出來：ASML 的 EUV、臺積電的 CoWoS 先進封裝、SK 海力士的高頻寬記憶體，這些是不是讓你睡不著。 黃仁勳說，天天都在想，也天天都在做。但他不焦慮，理由很直接：我告訴他們我需要什麼，他們聽懂了，他們告訴我他們要做什麼，我相信他們。 這套信任是怎麼建立的，他講了 DRAM 行業的故事。三年前，資料中心裡給 CPU 用的 DDR 是 DRAM 行業最大的量。他挨個說服幾家 CEO：HBM 現在用量極少，幾乎只有超算在用，但它會成為資料中心的主流記憶體。聽起來很荒唐，但幾家 CEO 信了，投錢建 HBM 產線。 更難說服的是另一件事：把手機用的低功耗記憶體 LPDDR5 改造成資料中心超算用的記憶體。對方的反應是“手機記憶體給超算用？” 結果是，LPDDR5、HBM4 和 DDR 三條線，背後都是 45 年曆史的老公司，去年全部創下歷史記錄。 機架尺度帶來的連鎖反應，他講得最具體。過去超算是在資料中心裡組裝的，現在是在供應鏈裡組裝好，一臺兩到三噸整機架運過來。這意味著供應鏈自己要先有電。 > “如果你想要 50 吉瓦的超算同時在跑，而製造這批超算需要一週，那麼供應鏈每週就需要一吉瓦的電力來建造和測試它，在我發貨之前。所以我得飛去跟合作伙伴說，以前我們是這麼造 DGX 的，以後要這麼造，而且我會需要你們每人投幾十億美元的資本開支。”（黃仁勳） ## 電網有 40% 的容量在睡覺 談能源的時候，黃仁勳講了一段很少被提起的東西。 電網是按最壞情況加餘量設計的。最壞情況是冬天幾天、夏天幾天、極端天氣。剩下 99% 的時間，實際負載離峰值很遠，大概只跑到峰值的 60% 左右。 > “99% 的時間裡，我們的電網都有富餘電力，它們就閒置在那裡。但它們必須閒置，因為萬一那時候醫院要供電、基礎設施要供電、機場要運轉。所以我的問題是，我們能不能幫他們理解，並設計出合同機制和機架、資料中心架構，在社會基礎設施需要最大電力的時候，資料中心少拿一點。”（黃仁勳） 這種時刻極其罕見。真到了那天，可以啟動備用發電機，可以把負載遷到別處，可以讓計算機跑慢一點，延遲變長一點，服務質量降一點，但資料不能丟。 他把這件事卡住的原因拆成三方。第一是終端客戶，合同裡要求六個九的可用性，籤合同的人跟 CEO 不是一個人，他打賭大部分 CEO 根本不知道自己公司簽了什麼。第二是資料中心要能優雅降級。第三是電力公司要願意提供分等級的供電承諾，而不是一句“擴容要五年”。 > “只要你能把它說清楚，你就能把它工程化。只要它遵循物理定律和第一性原理，我覺得就沒問題。”（黃仁勳） ## 馬斯克把“這事一定要這麼久嗎”問到了底 Lex 請他談談 xAI 在孟菲斯建 Colossus 那件事，四個月，現在 20 萬塊 GPU 還在擴。 黃仁勳的評價集中在三點。第一是系統思維，能跨多個學科思考。第二是極簡，他不停追問：這是必要的嗎，非得這麼做嗎，非得這麼久嗎，一直問到所有東西都被削到不能再削，而產品必需的能力還在。第三是他會親自到場。 > “有問題他就直接去現場，說‘把問題給我看’。當你把這些組合在一起，你就能推翻大量‘我們一直都是這麼幹的’‘我在等他們’。每個人都有很多借口。最後一件事是，當你親自帶著這麼大的緊迫感做事，會逼得所有人都緊迫起來。每個供應商都有很多客戶、很多專案，他就是要自己成為所有人專案裡的第一優先順序，而他靠親自示範做到這一點。”（黃仁勳） Lex 補充了一個細節：他見過馬斯克跟一線工程師一起研究怎麼把線纜插進機架，就為了弄明白這個動作為什麼容易出錯。從每一個具體任務裡積累直覺，再疊加上“我們完全換個做法”的大錘，效率就是這麼被壓出來的。 ## 光速思維：74 天是怎麼來的 黃仁勳說他 30 年前就在用一套方法，叫“光速”。 光速跟速度無關，它是“物理極限在哪裡”的簡寫。記憶體速度、數學速度、功耗、成本、時間、人力、製造週期，每一樣都要拿光速去對標。延遲和吞吐、成本和產能，各自先算出物理極限，然後再放在一起做取捨，因為追求極低延遲的系統和追求極高吞吐的系統，架構根本不同。 他最不喜歡的是持續改進。 > “有人跟我說這事現在要 74 天，我們能給你做到 72 天。我更願意把它全部推倒，問：首先解釋一下為什麼是 74 天，今天什麼是可能的，如果我從零開始造，要多久。答案經常讓你吃驚，可能是 6 天。剩下那 68 天可能是各種合理的妥協和降本，但至少你現在知道它們是什麼了。而一旦你知道 6 天是可能的，從 74 談到 6 的對話會出乎意料地有效。”（黃仁勳） Lex 報了一組 Vera Rubin pod 的數字：7 種晶片、5 種專用機架、40 個機架、1.2 千萬億個電晶體、近兩萬個 NVIDIA 晶片裸片、1100 多塊 Rubin GPU、60 exaflops、每秒 10 PB 的擴充套件頻寬。黃仁勳補充：這只是一個 pod，我們大概每週要造 200 個這樣的 pod。 他的複雜度原則是一句話：該複雜的地方必須複雜，但儘可能簡單。所有複雜性都要被質疑一遍是否必要，剩下的都是多餘的。 ## 中國的 AI 研究者佔全球一半 聊到中國，黃仁勳先擺事實：全球大約一半的 AI 研究者是中國人，而且大部分還在中國。 他給的解釋裡有一條很少被提到：中國不是一個單一經濟體，很多省市互相競爭，市長之間在比。這就是為什麼會有那麼多電動車公司、那麼多 AI 公司，每個品類都能冒出好幾家，內部競爭激烈到瘋狂，最後活下來的是極強的公司。 第二條是文化。家庭第一，朋友第二，公司第三。工程師的兄弟在對手公司，朋友在對手公司，同學遍佈全行業，同學這個概念在中國是一輩子的關係。知識流動得極快，藏著技術沒有意義，不如放進開源。 > “他們為什麼對開源的貢獻那麼大，很好理解，他們在保護什麼呢？工程師的兄弟在那家公司，朋友在那家公司，大家都是同學。分享知識非常快，所以開源社群反過來又放大和加速了創新。極強的人才，開源帶來的快速創新，加上瘋狂的競爭，最後湧現出驚人的東西。這是今天世界上創新最快的國家。”（黃仁勳） 他還說了一句對比：美國的領導者大多是律師，因為他們要維持秩序和法治；而中國是從貧困裡建起來的，領導者大多是工程師，是這個國家最聰明的一批頭腦。他用了一個詞，建設者國家。 ## 開源 Nemotron：三個理由 NVIDIA 開源了 Nemotron 3 Super，1200 億引數的開放權重 MoE 模型，權重、資料、訓練方法全部開放。 黃仁勳給了三個理由。 第一，要做一家偉大的 AI 計算公司，必須理解模型在怎麼演進。Nemotron 3 是 transformer 加 SSM 的混合結構，他們在模型架構上做基礎研究，才看得清未來什麼樣的計算系統能跑得動。這是極端協同設計的一部分。 第二，世界級的模型作為商品可以專有，但 AI 要擴散到每個行業、每個國家、每個研究者、每個學生，全靠專有是做不到的。開源是很多行業參與 AI 革命的前提。而 NVIDIA 有規模、有動機、也有能力一直造下去。 第三，AI 不止是語言。它要用別的模態訓練出來的工具和子模型，可能是生物學、化學、物理定律、流體和熱力學，這些東西不全在語言結構裡。他們不造車，但要讓每家車廠都有好模型可用；他們不做藥物發現，但要讓禮來有全世界最好的生物學 AI。 ## 臺積電最難複製的是信任 黃仁勳說，關於臺積電最深的誤解，是以為他們只有技術。 > “他們的技術當然使他們與眾不同，電晶體、金屬化系統、封裝、3D 封裝、矽光子。但真正難的是他們能編排全世界幾百家公司的動態需求，客戶在往上走、在退出、在加量、在減量、在拉昇、在收縮，wafer start、wafer stop、緊急插單。而他們同時做到高吞吐、高良率、好成本、優秀的客戶服務。他們說好的交期，wafer 就會出現。這套製造系統我只能稱之為奇蹟。”（黃仁勳） 第二層是文化。同時做到技術最前沿和客戶服務最好，這兩件事很少出現在同一家公司身上。偏技術的不擅長服務，擅長服務的技術不夠前沿。 第三層是信任，他用了一個數字：三十年的合作，幾百億上千億美元的業務，沒有合同。 聊到莫里斯·張 2013 年邀請他去當臺積電 CEO 的往事，他確認是真的。他說自己非常榮幸，也深知臺積電是歷史上最有分量的公司之一，但他心裡已經看到了 NVIDIA 會成為什麼，那是他一個人的責任，所以只能拒絕。 ## 護城河：開發者的賬本 Lex 請他講 NVIDIA 最大的護城河。 黃仁勳的答案沒有任何猶豫：CUDA 的裝機量。他補了一句，如果今天有人做出一個 GUDA 或者 TUDA，一點用都沒有，因為從來就不只是技術問題。 > “CUDA 成功靠的不是三個人，是四萬三千人。還有幾百萬開發者相信我們會繼續做 CUDA 1、2、3、13，他們決定把自己的軟體、把自己堆積如山的程式碼搬上來。”（黃仁勳） 他站在開發者角度把這筆賬算了一遍：支援 CUDA，半年後它就快十倍；支援 CUDA，你能觸達幾億臺機器，每一朵雲、每一家電腦公司、每一個行業、每一個國家；而且你百分之百相信 NVIDIA 會一直維護它、最佳化它的庫。三件事同時成立，所以如果我今天是開發者，我會先做 CUDA，投入最多。 第二條護城河是生態。垂直整合做極度複雜的系統，水平鋪開進每一家公司的計算機：谷歌雲、亞馬遜、Azure、CoreWeave、Nscale、禮來的超算、企業機房、基站邊緣、汽車、機器人、衛星，一個架構覆蓋所有行業。 ## 從倉庫到工廠，從晶片到行星 計算的單位在變。黃仁勳說，過去是 GPU，然後是計算機，然後是叢集，現在是一整個 AI 工廠。 他描述自己的心理模型變了。以前釋出 Ampere，他會把晶片舉起來。現在舉起一塊晶片仍然可愛，但那不是他在造的東西。他腦子裡想的是幾十上百兆瓦的龐然大物，接在電網上，配著 monstrous 的散熱和網路系統，上萬人在裡面安裝，幾千名網路工程師，背後還有幾千人做上電除錯。上電從來不是誰按一下開關，是幾千人一起把它點亮。 他說希望下一次思維躍遷，是行星級。 這個轉變背後有一個更大的判斷：計算機從倉庫變成了工廠。 > “過去的計算機本質上是檔案檢索系統，我們預先寫好、預先錄好、畫好，放到網上，放進檔案，再用推薦系統做過濾。現在 AI 計算機是上下文感知的，它必須實時處理和生成 token。我們從一個檢索式計算系統，走到了一個生成式計算系統。”（黃仁勳） 倉庫不賺錢，工廠的產出直接對應公司的營收。這不只是計算方式變了，計算機在世界上扮演的角色也變了：它不再是一臺計算機，它是一座工廠，用來生產能賣錢的東西。 而且這些商品開始分層了。黃仁勳說，token 正在像 iPhone 一樣分層：有免費 token，有 premium token，中間還有好幾檔。 > “智慧原來是一種可擴充套件的商品。有極高智慧的 token，用在專業場景，人們願意付錢。有人願意為一百萬 token 付一千美元這件事，就在拐角處，不是會不會，是什麼時候。”（黃仁勳） 從這座工廠往下推，他給出的判斷很硬：世界 GDP 會加速增長，其中用於計算的佔比會比過去高一百倍，因為計算單元不再是儲存單元，而是生產單元。 至於 NVIDIA 能不能成為一家三萬億美元營收的公司，他說當然能，因為看不到任何物理極限擋在那裡。他順便講了個老故事：當年公司第一次突破十億美元，有位 CEO 告訴他，無晶圓廠半導體公司理論上不可能超過十億。後來又有人說你永遠超不過 250 億。“這些都不是第一性原理的思考。” 他也承認這裡有個溝通難題。NVIDIA 不做市場份額生意，他講的那些市場幾乎都還不存在。如果一家百億美元公司說要搶 NVIDIA 的份額，股東很容易算清楚；但要讓人們想象一個沒有對手可搶的市場有多大，很難。 > “所以這個世界的一個挑戰是想象未來。但我時間很多，我會一直推理下去，一直講下去，每一次 GTC 都會變得更真實一點。”（黃仁勳） ## token 的 iPhone 時刻到了 黃仁勳說，token 的 iPhone 時刻已經來了。 指的就是 agent，尤其是 OpenClaw。他給出的證據是增長速度：這是歷史上增長最快的應用，直接垂直起飛。 Lex 承認自己在機場第一次對著膝上型電腦說話寫程式碼，還覺得有點不好意思，假裝在跟人類同事講話。黃仁勳的回答把場景推得更遠：更可能的情況是 AI 一直在煩你。 > “它會不停地跟你彙報，我把這個做完了，接下來要我做什麼。大多數人沒意識到的是，將來跟你聊天、發訊息最多的那個人，是你的 claw。”（黃仁勳） ## 壓力大就拆問題，然後忘掉 Lex 把話題轉向壓力。NVIDIA 現在是被各國政府拿來規劃 AI 基礎設施、被無數普通人拿退休金押注的公司，CEO 怎麼扛。 黃仁勳先講了他清楚知道的事實：NVIDIA 的成功對美國很重要，鉅額稅收、技術領導力、國家安全的所有面向、再工業化帶來的就業。他也知道自己身後是一整張生態網路，還有那些因為聽信電視股評買了股票、如今成了百萬富翁的教師和警察。 他的處理方式跟他處理工程問題完全一樣：拆。 > “我問自己，現在是什麼情況，什麼變了，難在哪裡，我打算怎麼辦。把問題分解成可以動手的碎片。然後只剩下一個問題：你做了沒有？你自己做了，還是讓別人做了？如果你推理出該做但沒做，也沒讓別人做，那就別再抱怨了。”（黃仁勳） 他承認自己對自己挺狠。但拆解使他保持冷靜，能睡著。所有可能傷到公司、傷到夥伴、傷到產業的事，他都告訴了某個人，而且是能動手的那個人。說完之後，還能做什麼呢。 至於心理上的低谷，他說有的是，經常有。 其中一部分靠遺忘。他提到 AI 學習裡有個重要機制叫系統性遺忘，你不能什麼都記住，什麼包袱都揹著。 > “我會很快地拆解問題、推理問題，然後把它分出去。我說‘我告訴所有人’，本質上是在分攤這個負擔。另一部分是忘記。很多時候你得對自己狠一點，行了，別哭了，走吧，然後起床。再往後就是被下一個亮點、下一個未來、下一個機會吸引過去。”（黃仁勳） 他說這跟頂級運動員一樣，只關心下一分，上一分已經過去了，那些難堪和挫折也是。 Lex 提到那句著名的話：如果早知道建 NVIDIA 有這麼難，比預想的難一百萬倍，他根本不會開始。 黃仁勳說，這恰恰是他想解釋的東西：擁有孩子般的心智是一種超能力。他看任何事情，第一反應都是“這能有多難”。 > “你不能事先把所有的挫折、磨難、失望都模擬一遍，你不想知道那些。你要帶著‘這會很棒、會很有趣’的心態進入一段新經歷，然後在裡面靠耐力和韌性撐住。因為挫折一定會來，而且會以讓你意外的方式到來。”（黃仁勳） 他還補了一個判斷依據：只要當初推導未來的那些前提沒有實質改變，那麼輸出的結果也不該改變，那個模擬出來的未來仍然會發生，那就繼續追。 他總結了幾樣東西的組合：新鮮心態進入、忘掉挫折、相信自己相信的東西、同時持續重新評估。他說自己很幸運，這幾樣都有一點。 ## 公開做事的人，錯的時候所有人都看得見 Lex 問了一個挺尖銳的問題：成為地球上最富有、最成功的人之一，錢、權力、名聲會不會使你更難承認自己錯了，更難聽進反對意見。 黃仁勳說，恰恰相反。因為他大量工作是在公開場合做的，錯了幾乎所有人都看得見。 > “我在內部會議上推理的東西，很多最後會不一樣。但這從來不阻止我推理。我管理的方式，就是不斷在人前推理。我跟你說一件事的時候，你能看到我是怎麼走到這裡的，然後你自己決定要不要相信最後那個結論。”（黃仁勳） 這套方法的好處在於，別人不必反駁你的結論，他們可以反駁你的推理步驟。反駁落在半路上，大家就能一起往前走。他把這叫集體的路徑搜尋。 Lex 接過這個詞，說了一句更狠的：容忍尷尬是一種真實的能力。多年公開地使自己出醜，當眾說過一個想法、後來被證明是錯的，還能承認、還能從中長出來，這在人的層面上極其困難。 黃仁勳的回應很輕。他說，他們知道我第一份工作是刷廁所。 ## DLSS 5：我理解他們的擔心，但那不是我們在做的事 聊到遊戲，Lex 提了 DLSS 5 的爭議：玩家擔心它把遊戲畫面變成 AI 味的東西。 黃仁勳先站到了對面。 > “他們的視角是有道理的，我能理解他們從哪來。我自己也不喜歡 AI slop。AI 生成的內容越來越像，都很漂亮，我對這種擔心是有共情的。”（黃仁勳） 然後他解釋 DLSS 5 到底在做什麼：它是 3D 條件化的，受 3D 引導，受真實結構資料引導。幾何是美術定的，每一幀都完全忠於這個幾何；它由貼圖和美術的工藝作為條件，每一幀只做增強，不改動任何東西。 而且系統是開放的，你可以在未來直接提示它：我要卡通渲染，我要這種風格。它會在忠於美術風格和而且系統是開放的，你可以在未來直接提示它：我要卡通渲染，我要這種風格。它會在忠於美術風格和意圖的前提下生成。 他點出了誤解的來源：很多人以為遊戲照原樣做完發出來，然後我們在後期處理一遍。DLSS 不是這麼設計的，它是跟美術一起工作的，是給美術的一件工具，美術也可以選擇不用。 Lex 補了一段更寬的觀察：人類對人臉極度敏感，我們正處在一個對 AI slop 敏感的時期，這其實是一面鏡子，使人意識到自己真正想要的是不完美，是那些不完美的質感使世界變得動人。只要工具是用來幫人創造世界的，就很好。 黃仁勳同意，還順手加了一句：這幾年他們給開發者做了皮膚著色器，加入次表面散射，使皮膚看起來更像皮膚。遊戲開發者一直在找更多表達工具，這只是又一件，用不用由他們決定。 ## 《Doom》和《VR 戰士》 Lex 問哪款遊戲影響最大。黃仁勳的答案毫不猶豫：《Doom》。 理由是文化意義和產業意義的交叉點：它把 PC 從辦公自動化工具變成了家庭和玩家的個人電腦。飛行模擬類遊戲出現得更早，但沒有《Doom》那樣的普及度來完成這次轉變。 如果只從遊戲技術本身看，他選《VR 戰士》。 Lex 提到《賽博朋克 2077》的全光線追蹤，也提到自己反覆重玩《上古卷軸 5：天際》，靠社群 mod 一遍遍重新體驗一個已經愛上的世界。黃仁勳說他們做了 RTX Mod，使社群能把最新技術注入老遊戲。 順便還抖了個底：GeForce 到今天仍是 NVIDIA 最重要的營銷策略。人在十幾歲時透過《使命召喚》《堡壘之夜》認識 NVIDIA，上大學後開始用 CUDA，再後來用 Blender、達索、Autodesk。 ## “我們已經實現 AGI 了” Lex 給出的 AGI 定義很具體：一個能創辦、成長並運營一家十億美元以上科技公司的 AI 系統。 黃仁勳說，現在已經實現了。 他的理由是摳字眼：你說十億，你沒說永遠。一個 Claude 做出某個網頁服務，幾億人用了兩個月，每人付五毛，然後公司倒閉，這算不算。網際網路時代滿地都是這種公司，那些網站的技術複雜度，還不如今天 OpenClaw 能生成的東西。 但他緊接著把話說回來：十萬個這樣的 agent 裡，跑出一個 NVIDIA 的機率是零。 然後他把話題拐到了他最想說的部分，工作焦慮。 > “你的工作的目的，和你用來完成工作的任務和工具，是相關的，但不是一回事。我這份工作做了 33 年，是全世界在任最久的科技公司 CEO，34 年。這 34 年裡我用的工具一直在變，有時候在兩三年裡劇變。但目的沒變。”（黃仁勳） 他講了那個被他反覆講的案例：放射科醫生。 當年 AI 研究者預言，計算機視覺會達到超人水平，所以放射科醫生這個職業會消失。2019 到 2020 年，計算機視覺真的達到了超人水平。今天每一個放射學平臺和軟體包都是 AI 驅動的。 但放射科醫生的數量增長了，而且全世界現在缺放射科醫生。 > “那個危言聳聽的警告走得太遠了，它嚇退了一批本可以進入這個對社會極其重要的職業的人。所以它造成了傷害。為什麼錯？因為放射科醫生的目的是診斷疾病、幫助病人和醫生診斷疾病。當你能更快地讀片，你就可以讀更多片、診斷得更好、病人更快入院、能見更多人，醫院賺更多錢，住院病人更多，你就需要更多放射科醫生。”（黃仁勳） 同樣的邏輯放在 NVIDIA：軟體工程師的人數會增長，不會減少。因為目的是解決問題，不是寫多少行程式碼。 ## 程式設計的定義變了，從三千萬人變成十億人 Lex 順著問：那全世界的程式設計師數量會不會增加。 黃仁勳說會，理由是他重新定義了程式設計。今天的程式設計就是寫規格說明，如果你想更強勢一點，你甚至可以指定軟體架構。問題是，有多少人能做這件事。 > “我覺得我們剛從三千萬人漲到了十億人。未來每一個木匠都是一個程式設計師，只不過一個有 AI 的木匠同時還是建築師。他們能交付給客戶的價值被提升了，他們的工藝水平被大幅抬高了。每一個會計同時也成了你的財務分析師、你的財務顧問。如果我是木匠，看到 AI 我會徹底瘋掉，我能給客戶提供的服務太強了。如果我是水管工，也一樣。”（黃仁勳） 他自己在工作中也是這樣。給公司定戰略、定方向的時候，他會把話說得足夠具體，使人能行動，但故意欠規格，留出讓 43000 個優秀的人把它做得比他想象的更好。 所以規格的工藝水平取決於你在解決什麼問題、你在跟誰合作。你可以非常規定性，因為你要一個確定的結果；也可以故意欠規格，使 AI 反過來推你自己的創造力邊界。這個譜系上的位置感，就是程式設計的未來。 他給大學生的建議很短：如果你今天招一個應屆生，一個完全不懂 AI，一個是 AI 專家，我要 AI 專家。會計、市場、供應鏈、客服、銷售、商務、律師，都一樣。每個大學生畢業時都該是 AI 專家。如果你是木匠、電工、農民、藥劑師，去用 AI，看看它能怎麼改造你現在的活，把你自己變成這個行業的革新者。 Lex 補了一個更日常的角度：AI 最好用的地方之一是它能幫你拆解焦慮。“我擔心我的工作”，然後它會給你一份逐條的行動計劃。而且它把初學者的門檻拆掉了。你沒法走到 Excel 面前說“我不會用 Excel”，那你就完了；但你可以跟 AI 說“我不會用 AI”，它會說“來，我教你”。 ## 智慧是商品，人性不是 Lex 問，有沒有什麼東西是人類意識里根本不可計算的，再強的晶片也複製不了。 黃仁勳的回答分兩半。他不確定晶片會不會緊張。他相信 AI 能識別、理解緊張和焦慮，但晶片本身不會感到這些。而恰恰是這些感受在人類表現裡顯現出來：同樣的處境，不同的人做出完全不同的成績，那個譜系來自情緒，不來自計算。 > “我不覺得我們造的任何東西會表明，兩臺計算機在完全相同的情境下會有根本不同的表現。當然統計上會有差異，但那不是因為它們感受不同。”（黃仁勳） 然後他把話鋒轉向了“智慧”這個詞本身。 > “重要的是拆解什麼是智慧。這個詞我們天天用，但它不神秘。智慧是一個系統，包含感知、理解、推理、規劃的能力，這個迴圈就是智慧的根本。智慧不等於人性，這是兩個詞。我不把智慧過度浪漫化。我其實認為智慧是一種商品。”（黃仁勳） 他拿自己舉例。他身邊全是比他聰明的人，學歷比他好，學校比他好，在各自領域裡鑽得比他深。他的 60 個直接下屬，對他來說都是超人。而他就坐在中間排程這些人。 > “所以你不得不問自己，一個洗碗工憑什麼坐在一群超人中間？這說明什麼？我的意思是，智慧是功能性的東西，人性不是用功能定義的，它是一個大得多的詞。我們的生活經驗、我們對痛苦的耐受、我們的決心，那些是跟智慧完全不同的詞。”（黃仁勳） 他說如果只能給聽眾留一樣東西，那就是這個：我們社會把所有東西都壓進了“智慧”這一個詞，而生活不止一個詞。他自嘲說，他這一生恰好證明，在智慧曲線上低於身邊所有人，並不妨礙他成為最成功的那個。 所以別讓智慧的民主化、商品化帶來焦慮，這件事值得為此感到鼓舞。 ## 我不相信繼任計劃 Lex 問得很直接：你想過自己的死亡嗎，你怕嗎。 黃仁勳說，他真的很不想死。他有很好的生活、很好的家庭、很重要的工作。 > “這不是一生一次的體驗，這是人類史上一次性的體驗，我正在經歷的這個東西。NVIDIA 是歷史上最有分量的科技公司之一，我們在做非常重要的事，我非常認真地對待它。”（黃仁勳） 然後他提到了繼任計劃，並且明確說自己不信這套。 他不信的理由不是覺得自己不會死。他的推理是：如果你為繼任計劃焦慮，那就把這個焦慮拆到底，今天最該做的事是什麼。答案是：如果你關心你離開之後的公司，那就儘可能頻繁、儘可能持續地把知識、資訊、洞察、技能、經驗傳下去。 > “這就是為什麼我一直在團隊面前推理。每一場會議都是推理會議。我在公司內外的每一刻，都是在儘可能快地把知識傳給人們。我學到的任何東西，在我桌上停留的時間不超過零點幾秒。我還沒完全學明白，就已經在指給別人看了：快上，這個太酷了，你會想學的。”（黃仁勳） 所以他希望的結果是死在崗位上，最好是瞬間的那種，沒有漫長的痛苦。 ## 把智慧請下神壇 最後 Lex 問，什麼使你對人類和未來抱有希望。 黃仁勳說他一直對人的善良、慷慨、同情心和能力有極大的信心，有時候信心大過頭，會被人佔便宜，但這不會改變他的起點：人想做好事，人想幫別人。而絕大多數時候他都被證明是對的，而且常常超出預期。 使他真正興奮的是現在能看到什麼是可能的。 > “有那麼多問題我們想解決，有那麼多東西我們想造，有那麼多好事現在落在了我們夠得著的地方，落在我這一輩子的範圍內。你不可能對此不感到浪漫。”（黃仁勳） 他列舉得很具體：疾病終結是一個合理的預期，汙染大幅下降是一個合理的預期，以光速旅行在短距離內進入我們的未來，也是一個合理的預期。他還開了個玩笑：很快我會把一個機器人送上飛船，使它一路飛行一路自我改進，等到時候，我這輩子說過的話、寫過的郵件早就上傳成了我的 AI，用光速發過去追上那個機器人就行。 Lex 提到生物機器的破解就在眼前，黃仁勳說不是十年，大概是五年。意識如何解釋，那個答案會很棒。 整場對話走到這裡，其實有一條很清楚的線。他把智慧拆成功能效能力，然後說它是商品；他把人性、品格、同情、耐力、決心拎出來，說那些才是超能力。他對 AGI 的定義給得極松，對做成一家 NVIDIA 的難度說得極緊。他一邊用第一性原理把 74 天壓到 6 天，一邊承認如果早知道有多難，他根本不會開始。 這些說法看起來互相打架，其實指向同一件事：真正稀缺的從來不是算力，也不是智慧，是在看不到盡頭的時候還願意每天往前挪一點的那種人。 給讀完這篇的人，幾條可以直接動手的事： - 今天就找一個你工作裡最耗時的任務，把它的完整流程講給 AI 聽，請它給出一份操作方案。不要問“AI 能做什麼”，要問“我這個具體的事怎麼做”。 - 練一件事：把問題拆到能動手為止。寫下你現在最焦慮的那件事，拆成“我能做的”和“我做不了的”兩欄，然後把第一欄的每一項都指給一個能動手的人，包括你自己。 - 如果你在帶團隊，別發宣言。把你在想的事情提前幾個月、按周鋪進日常對話裡，等真正宣佈的時候，使大家的反應是“你怎麼才說”。 - 給自己設一個“光速”參照。下次有人告訴你某件事要 74 天，先別談折扣，問一句：如果從零開始造，物理上最快是多少天。 - 學一點程式設計，哪怕你不打算當程式設計師。寫規格說明就是新的程式設計，你描述得越清楚，AI 交付的東西越接近你腦子裡那個版本。 - 如果你是學生、老師、木匠、會計、醫生，任何職業，把“熟練使用 AI”當成和識字一樣的基礎能力，別等它變成門檻才開始。