2026 年 GTC 大会刚刚落幕，黄仁勋坐下来，接受了一场长达两个半小时的深度访谈。

访谈中，黄仁勋以真诚分享的态度与极强的前瞻性，拆解了他如何看待产业拐点、如何做出判断。

二十年前，黄仁勋顶着利润下滑甚至生死存亡的风险，坚持把 CUDA 生态押上 GeForce，推动公司从一家图形芯片厂商转向计算平台公司。今天回看，这几乎是 NVIDIA 历史上最关键的一次转向。如今，他认为 AI 的核心竞争，正在从单颗芯片转向“AI 工厂”，而这将决定 NVIDIA 能否走向下一个十万亿美元市值。

黄仁勋先就“扩展定律”给出了一个精彩判断：扩展定律远没有到尽头，将同时沿着预训练、后训练、测试，以及智能体系统四条路径继续推进。真正的增长，正在转向推理、强化学习、智能体协作。而未来，大量数据将来自 AI 自身消化产生的合成数据，这会成为 AI 迭代的核心燃料。

未来决定智能上限的将是计算能力。

他认为在当下这个阶段，AI 能力的提升，已经无法靠单台计算机、甚至单颗 GPU 的升级来解决。模型性能的跃迁，越来越依赖系统级工程能力，最终把整个系统推向极限。NVIDIA 现在做的，也不再只是芯片，而是把整套计算系统作为产品来设计。

而硬件布局必须走在前面。AI 模型架构每六个月就会迎来一次重大迭代，但系统与硬件架构的更新周期长达三年。NVIDIA 的策略，是主动走到模型前面：自己做模型、持续追踪全行业最棘手的问题，在通用性与专业性之间找到最优平衡，保持架构的快速迭代。

如果说训练时代的核心问题是：“能不能把模型做得更大？”那么到了推理时代，黄仁勋认为，真正的问题已经变成：“每瓦每秒能够产出多少 token？”

顺着这条逻辑，他甚至把问题进一步推到了能源系统层面。黄仁勋指出，今天全球电力系统中存在大量未被有效利用的闲置。目前电力峰值只在 60% 左右，这些闲置资源完全可以被 AI 工厂充分利用。

在主持人惊叹黄仁勋的思考力时，他坦言，这来自于“集体的智慧”。在日常工作中，有 60 人会直接向他汇报，包括内存专家、CPU 专家、光学专家、GPU 专家、系统架构专家等等，几乎覆盖 NVIDIA 最核心的技术维度。他会广泛吸收信息，再在高维度上做决策。

这形成了他独特的思考方式，他会先设想一个未来，追问它为什么重要？它为什么值得存在？如何实现它？他还会不断把这套逻辑讲给公司内部员工、供应链伙伴和行业合作方听，让更多人参与进来，然后从工程和组织的角度，一步步把它变成现实。

某种程度上，这和马斯克的思维方式不谋而合，他高度称赞马斯克是“系统层面的极简主义者”。马斯克会一直质疑，直到所有不必要的部分都被剔除，只保留系统真正需要的东西。

而黄仁勋也喜欢用第一性原理，先去看一件事“理论极限在哪里”。或许有些看起来需要 74 天才能完成的事情，如果重新拆解、重新设计，最后可能只需要 6 天。

他自信英伟达的十万亿美元市值不是梦想，世界正在从一个基于检索的文件系统，演变成一个基于生成的上下文系统。一旦这个转变成立，世界需要大量的 AI 工厂。在这样的图景里，NVIDIA 已经站在新一轮经济基础设施的核心位置。

在聊到程序员的未来时，他大胆预测，未来程序员会扩展到十亿级规模。原因在于，真正重要的工作，从来不只是“写代码”本身，而是解决问题、团队合作、诊断、评估、发现新问题、创新和整合。与此同时，他强调人人都要学 AI，不论什么工种，他都更倾向录取熟练掌握 AI 的人。

而这场访谈的最后，黄仁勋少见的露出感性的一面。他谈到自己也会有“夜不能寐”的时刻，面对压力与挫折，他会把问题不断拆分，直到可以行动起来去解决。他喜欢用“遗忘”的方式忘记失败，重振旗鼓，带着好奇心继续往前走。

这位芯片教父，既以极度理性的方式审视技术演进，也始终相信，智能或许会商品化，但人性永远高于技术。

以下是访谈全文，经 InfoQ 翻译整理。

极致的协同设计， 与机架级工程

莱克斯·弗里德曼：你带领 NVIDIA 进入了人工智能的新阶段：从专注于芯片级设计，转向机架级、系统级设计。长期以来，NVIDIA 的成功建立在打造尽可能优秀的 GPU 之上，而现在，你们已经把这种追求扩展到了 GPU、CPU、内存、网络、存储、电源、散热、软件、机架本身、Pod，乃至整个数据中心。那么，我们来谈谈“极致协同设计”。对于一个包含如此多复杂组件和设计变量的系统而言，协同设计中最困难的部分是什么？

黄仁勋：之所以需要极致协同设计，是因为你面对的问题，已经无法靠一台计算机或单个 GPU 来解决。真正要解决的是：当计算机数量增加时，系统性能不仅要线性提升，而是要提升得更快。假设你增加了一万台计算机，但你希望整体速度提升一百万倍。那就意味着，你必须对算法进行拆分与重构，对流水线、数据和模型做分片。当你以这种方式分散问题时——注意，不仅是扩大规模，而是把问题本身拆散——所有因素都会开始相互干扰。

这就回到了阿姆达尔定律：一项任务的整体加速，取决于可加速部分在总工作负载中的占比。比如，如果计算只占整个问题的 50%，那么即便你把计算本身加速一百万倍，整体吞吐也不过提升两倍。所以，当我们做大规模分布式计算时，不只是 GPU 成为问题，CPU 是问题，网络是问题，交换机是问题，如何把工作负载高效分配到这些机器上，同样也是问题。

这本质上是一个极其复杂的计算机科学问题。我们必须调动一切技术手段，否则只能得到线性扩展，或者只能指望摩尔定律继续推进。但摩尔定律的进展已经明显放缓，而丹纳德缩放时代也早已过去。

莱克斯·弗里德曼：这里面一定存在大量权衡，而且涉及完全不同的学科。你们在高带宽内存、NVLink、网卡、光模块、铜缆、电源传输、散热等每一个领域，几乎都有世界级专家。你们是怎么把这些人聚在一起，共同讨论解决方案的？

黄仁勋：这也是为什么我有这么多员工。先说“极致协同设计”到底是什么。我们优化的是整个技术栈：从架构、芯片，到系统、系统软件、算法，再到应用程序。这是一层。另一层则跨越 CPU、GPU、网络芯片、纵向扩展交换机、横向扩展交换机，以及电源和散热——因为这些计算机虽然能效很高，但整体仍然消耗巨大的电力。

所以第一个问题是：它是什么？第二个问题是：为什么必须这么做？原因刚才已经讲过——只有把工作负载真正分布起来，才能获得远超“单纯增加机器数量”的收益。第三个问题则是：怎么做？

而这正是 NVIDIA 这家公司与众不同的地方。设计计算机时，你必须先想清楚操作系统；设计公司时，也应该先想清楚公司到底要制造什么。我看过很多公司的组织结构图，几乎都长得一模一样：分层的、汉堡包式的、套模板式的。但公司存在的意义，是成为一个持续生产产品的机器、机制和系统。既然如此，公司的架构就应该反映它所处的环境，也应该反映它想制造的产品。

我的直接下属大约有 60 人，而且实际上还不止。显然，我不可能和他们每个人进行频繁的一对一谈话，这在现实中根本不可行。更重要的是，如果你想把协同设计做好，就不能让 60 个人各自独立工作、彼此隔绝。

莱克斯·弗里德曼：所以你的汇报关系很多，而且其中大多数都是工程相关的负责人。

黄仁勋：几乎全都是，有内存专家、CPU 专家、光学专家、GPU 专家、架构专家、算法专家、设计专家……

莱克斯·弗里德曼：这太不可思议了。所以你们必须持续地围绕整个技术栈展开深入讨论？

黄仁勋：没错。而且这些对话从来都不是一个人单独进行的。这也是为什么我不做一对一。我们提出问题，然后大家一起解决。因为我们做的是极致协同设计，所以公司本身也必须用极致协同设计的方式来运转。

莱克斯·弗里德曼：也就是说，即便你们讨论的是一个具体组件，比如散热或网络，所有人也都在场？

黄仁勋：对，就是这样。

莱克斯·弗里德曼：于是就会有人指出：“这种供电方式不行。”“这种方案会影响内存。”“这对别的部分也行不通。”

黄仁勋：完全正确。 每个人都知道自己什么时候该介入、什么时候该提醒。因为很多事情看上去属于某个局部，但实际上会影响整个系统。只要大家都在场，就能更早暴露问题，也能更快形成真正可行的方案。

NVDIA如何悄然转型： CUDA是最接近“生存威胁”的战略决策

莱克斯·弗里德曼：正如你所说，NVIDIA 是一家不断适应环境的公司。那么在你看来，外部环境是从什么时候开始变化的？NVIDIA 又是如何一步步调整自己的？从最早服务游戏的 GPU，到早期深度学习革命，再到今天把一切看作 AI 工厂，NVIDIA 的业务究竟是什么？

黄仁勋：这个问题可以系统地回答。我们最初是一家“加速器公司”。加速器的优点是，它对特定任务高度优化；缺点是，它的适用范围比较窄。专业化本身并没有错，但市场规模会限制研发投入，而研发能力最终决定了你能在计算机产业中产生多大影响。

所以，从一开始我们就知道，“做专业加速器”只是第一步。我们必须找到一条通向“加速计算公司”的道路。问题在于，一家公司越通用，就越容易失去专业优势；越专业，又越难成为真正意义上的计算平台。换句话说，“专业化”与“通用性”之间，本来就存在根本张力。我们必须沿着一条非常狭窄的道路前进：一边扩展计算能力的边界，一边又不能放弃最关键的专业优势。

我们迈出的第一步，是发明可编程像素着色器。这是可编程性的开始，也是我们走向计算的开始。第二步，是把 IEEE 兼容的 FP32 引入着色器。这是朝通用计算迈出的一大步。也正因为如此，那些做流处理器、做数据流计算的人开始注意到我们。他们意识到：GPU 也许不仅图形能力强，而且计算能力惊人，并且已经符合 IEEE 标准。

随后，我们基于 FP32 做了 C 语言接口，也就是 Cg。Cg 最终一步步走向了 CUDA。而把 CUDA 集成进 GeForce，成为了一个极其艰难、几乎威胁公司生存的战略决策。它让公司付出了巨大的成本，而在当时，我们几乎承担不起。但我们还是这么做了，因为我们想成为一家真正的计算机公司。而一家计算机公司，必须拥有自己的计算架构，并且这个架构要贯穿我们生产的所有芯片。

莱克斯·弗里德曼：你能详细解释一下那个决定吗？为什么说把 CUDA 放进 GeForce，是一个“负担不起”的决定？当时你们为什么还敢这么做？

黄仁勋：我会说，那是我们最接近“生存威胁”的一次战略决策。事情是这样的：我们发明了 CUDA，它大幅扩展了 GPU 可以加速的应用范围。但问题在于，怎样吸引开发者来使用 CUDA？而计算平台的核心，恰恰就是开发者。

开发者之所以选择一个计算平台，不只是因为它“能做很酷的事”，而是因为它有足够大的用户基础。因为开发者和所有人一样，希望自己的软件能触达尽可能多的用户。所以，平台安装基数才是架构最重要的部分。

一个典型例子就是 x86。它在架构上常常受到批评，不少人认为它不够优雅；而很多由最杰出的计算机科学家设计出来的 RISC 架构，反而更优美。但结果是，活下来并主导世界的是 x86。为什么？因为安装基础决定架构，而不是架构优雅与否。

当时，CUDA 之外也有其他架构，例如 OpenCL 等。但我们做出的关键判断是：归根结底，真正决定胜负的是安装基础。而那时，GeForce 已经很成功了。我们每年卖出数百万块 GeForce GPU。于是我们决定：把 CUDA 集成到 GeForce 里，装进每一台 PC，无论用户是否立刻使用它，都先建立安装基础。

与此同时，我们开始大规模做开发者生态：走进大学、写教材、开课程，把 CUDA 带到研究机构和校园里。当时还没有云计算，而 PC 是最主要的计算工具。我们等于把“超级计算机”送进了每个学校、每位研究者、每个工程系学生的桌面。

问题在于，CUDA 大幅增加了 GPU 成本，而 GeForce 是消费级产品。成本的增加几乎吃掉了公司全部毛利。当时 NVIDIA 的市值大概只有六七十亿美元，后来一度跌到 15 亿美元左右。公司经历了非常艰难的阶段，但我们始终坚持把 CUDA 放在 GeForce 上。所以我常说，NVIDIA 是 GeForce 打造出来的，因为正是 GeForce 把 CUDA 带给了世界。

研究人员、科学家之所以能接触 CUDA，往往正是因为他们本来就是游戏玩家。他们会自己组装电脑，会在实验室里用 PC 部件搭集群。很多 CUDA 的最早传播，就是这样发生的。

莱克斯·弗里德曼：后来，它成了深度学习革命的平台基础。

黄仁勋：没错，这是一个非常重要的洞见。

莱克斯·弗里德曼：你还记得当时那些决定生死的会议是什么样的吗？在公司层面，怎么做出这种几乎“赌上一切”的决定？

黄仁勋：我必须向董事会清楚说明我们的目标，管理团队也必须知道，我们的毛利率会大幅下降。

你可以想象一下：如果 GeForce 承担了 CUDA 的成本，而玩家既不会感激它，也不会愿意为此多付钱，那会是什么情况？他们只会支付一个固定价格，不会在意你的成本增加了多少。当时我们的成本上升了大约 50%，而原本的毛利率只有 35%。所以，那的确是个非常艰难的决定。

当然，你可以从战略上推理：未来这项能力也许能进入工作站和超级计算机市场，而在那里我们或许可以获得更高利润。但即便如此，也要等十年。

至于我个人是怎么做判断的，很大程度上来自好奇心。某个时刻，我会在脑海中形成一套逻辑体系，让我确信某个结果一定会发生。 一旦我真正相信某件事会发生，它在我心里就已经是现实了。中间当然会有很多苦难，但你必须坚持你所相信的东西。

莱克斯·弗里德曼：也就是说，你先设想一个未来，然后从工程和组织的角度，一步步把它变成现实？

黄仁勋：是的。你会思考：它为什么重要？它为什么值得存在？如何实现它？而且不只是我，管理团队也一直在思考这些问题。我们花大量时间去构建共同的理解。

很多公司是这样运作的：领导层保持沉默，内部突然知道了一些事，然后某一天宣布一个宏大计划——新财年、新使命宣言、大裁员、大重组、新 Logo。我从不这么做。

当我意识到某件事会改变未来时，我会很早就开始反复告诉身边的人：这件事很重要，它会带来什么影响，它会推动什么变化。我会抓住每一个机会——外部信息、新洞见、新突破、新里程碑——不断去塑造其他人的信念体系。我每天都在这么做：对董事会如此，对管理团队如此，对员工如此。

所以，当我最终宣布“我们要收购 Mellanox”或“我们要全面押注深度学习”时，大家通常已经在相当程度上认同了。在某种意义上，我正式宣布时，员工甚至会觉得：“你怎么现在才说？” 因为在正式宣布之前，我已经在不断塑造他们的信念结构了。

我不仅在塑造公司的认知，也在塑造整个行业合作伙伴的认知。 因为我们不直接卖“完整的计算机”，也不直接做云。我们真正做的是计算平台。我们采用垂直整合的方式把平台设计和优化好，但随后会开放平台的每一层，让它能集成进别人的产品、服务、云平台、超级计算机和 OEM 电脑里。

所以，如果我不先说服整个生态，我就无法完成我的工作。GTC 很大程度上就是在描绘一个未来，好让当我们的产品真正成熟时，外界会觉得：“你们怎么现在才把它拿出来？”

AI的四条扩展定律： 预训练、后训练、测试、智能体

莱克斯·弗里德曼：你一直相信规模定律。现在你依然相信吗？

黄仁勋：当然。而且现在我们拥有的，不止一条规模定律。

莱克斯·弗里德曼：你曾提到四个层面：预训练、后训练、测试时扩展，以及智能体扩展。那在思考未来时，你最担心、最可能成为瓶颈的问题是什么？

黄仁勋：我们可以先回顾一下，过去大家曾以为的瓶颈是什么。

最初，大家担心的是预训练规模定律：担心高质量数据不够，担心数据量限制了模型能达到的智能上限。模型越大，数据越多，能力越强——这是预训练的基本逻辑。后来，Ilya Sutskever(伊利亚·苏茨克维，前 Open AI 首席科学家等）人也提出过类似看法：数据不够了，预训练快到尽头了。整个行业一度因此恐慌，好像 AI 的增长就此结束。但显然，事实并非如此。

我们会继续扩展训练数据，其中大量数据将是合成数据。很多人对此感到困惑，但他们忽略了一件事：人类自己互相学习、启发和训练时，使用的大量信息，本质上也是“合成的”——不是天然存在于自然界中，而是人创造出来、改写、增强、再生成、再传播的。现在 AI 已经能获取真实数据，对其增强、改进，再合成出海量数据。

所以，后训练阶段的规模也会持续扩大。未来真正由人类直接生成的数据，在总训练数据中的占比会越来越小。训练的限制因素，将越来越不是数据，而是计算能力。

接下来是推理，也就是测试时扩展。我记得以前有人跟我说：“推理很简单，真正难的是预训练。” 他们认为，推理芯片会很小、很廉价，迟早会被商品化，人人都能 但这对我来说从来都不合逻辑，因为推理就是“思考”，而思考本来就比阅读困难得多。

预训练在某种意义上更像是大规模阅读、归纳和寻找模式；而推理意味着你要思考、计划、搜索、解决问题，要把从未见过的经验分解成可处理的部分，再用第一性原理、既有经验或搜索过程去求解。 既然如此，为什么它会是轻量级计算？ 事实证明，我们之前的判断是对的：测试时扩展需要非常巨大的计算量。

那推理之后是什么？ 接下来就是智能体扩展。 我们已经有了大型语言模型，但当智能体真正工作时，它会研究问题、访问数据库、调用工具，最重要的是，它会派生出大量子智能体。 这就像组织中的“倍增效应”：与其靠我一个人扩展，不如通过雇更多人来扩展 NVIDIA。同样，AI 也可以通过派生智能体团队来扩展自己。

所以，下一个规模定律就是智能体扩展定律。随着智能体系统运行，它们会产生更多数据、更多经验，其中一部分会被我们保留下来，重新回流到预训练，进行泛化；再通过后训练精炼；再通过测试阶段强化；最终回到实际应用中。这个循环会持续运转。

说到底，智能的发展最终取决于一个因素：计算能力。

预测未来三年： 硬件必须押注尚未出现的AI

莱克斯·弗里德曼：这里有个很棘手的问题：某些未来模型结构可能需要完全不同的硬件才能发挥最佳性能。比如 MoE。可你们不可能在一周内就把硬件重做一遍。你们必须提前押注。这太可怕了，也太难了。

黄仁勋： 完全正确。AI 模型架构大约每六个月就会发生一次重大变化，而系统架构和硬件架构的更新周期，大约是三年。因此，你必须提前预测未来两三年可能发生什么。

我们有几种方法。 第一，我们做自己的研究。这也是我们同时做基础研究和应用研究的原因。我们自己构建模型，所以有第一手实践经验。 第二，我们与全球几乎所有重要的 AI 公司都有合作。我们尽最大努力去理解他们正在面对什么问题。第三，架构本身必须足够灵活，能够适应变化。CUDA 的一个优势就在这里：它既是一个强大的加速架构，又保持了相当高的灵活性。

莱克斯·弗里德曼：也就是说，你在倾听整个行业的“耳语”。

黄仁勋：没错。你必须听，必须向所有人学习。真正困难的，是在“足够专业化、从而显著超越 CPU”与“足够通用、从而适应不断变化的算法”之间取得平衡。这正是 CUDA 能够持续强大的原因，也是我们不断更新它的原因。

比如，当 MoE 模型兴起后，我们从 NVLink 8 发展到了 NVLink 72。这样一来，一个拥有 4 万亿到 10 万亿参数的模型，就可以在单一计算域中运行，仿佛它就在一颗 GPU 上。如果你仔细看 Grace Blackwell 机架的架构，它几乎就是为大型语言模型服务的。而再过一年，你看到的 Vera Rubin 机架已经不同了：它增加了存储加速器，搭配名为 Vera 的新 CPU，以及用于 LLM 的 Rubin GPU 和 NVLink 72。

除此之外，还有新的机架形态。整个系统和上一代相比都发生了变化，因为前一代是为 MoE 大模型和推理而设计，而这一代则开始面向智能体，以及智能体与工具的集成。

莱克斯·弗里德曼：显然，这套系统设计在 Claude Code、Codex 以及新一代智能体系统大规模出现之前就已经开始了。所以，本质上你是在提前看见未来。这到底是一门什么样的艺术？

黄仁勋：其实没那么神秘。你只要认真想清楚就行。 假设我们希望一个大型语言模型成为“数字员工”，那它必须具备什么能力？

第一，它必须能访问真实数据，比如文件系统。第二，它必须能做研究。因为它不可能一开始就无所不知，我也不想等到它无所不知时才让它开始工作。第三，它必须能使用工具。因为如果它真想帮我做事，就必须调用我现有的工具体系。

有些人说：“AI 会彻底摧毁软件，我们以后不再需要软件和工具了。” 我认为这完全错误。我们做个思想实验：假设十年后，我们造出了一个非常先进的人形机器人。那它是更可能走进我的房子，使用我现有的微波炉、锤子和各种工具来完成任务，还是更可能让自己的手臂变成锤子、手术刀，甚至从手指里发射微波？显然，它更可能直接使用现有工具。

第一次不会用没关系，它可以联网看说明书，看完立刻就会了。所以，未来智能体的关键特征其实非常明确：访问文件、做研究、调用工具、拥有 I/O 子系统。而一旦你顺着这个思路往下推，你就会发现，这实际上是在重新发明计算机。

我们在 GTC 上展示智能体系统结构图，很多人后来看到时会说：“这不就是今天这些智能体系统在做的事吗？” 是的。两年前我们就已经在讨论这样的系统形态了。当然，这其中也有很多前提：Claude、GPT 等模型必须达到足够高的能力水平；同时，也需要足够强大的开放生态和开源项目把这些能力推向大众。

在我看来，今天开放智能体生态对智能体系统的意义，某种程度上就像当年 ChatGPT 对生成式 AI 的意义一样，影响非常深远。

莱克斯·弗里德曼：这类系统之所以引起如此巨大关注，除了它足够强大之外，也因为它带来了很复杂的安全问题。用户该如何把自己的数据交给系统，让它真正做事，同时又不造成严重后果？整个社会都在寻找平衡点。

黄仁勋：是的。所以我们立即投入安全工作，找来一批安全专家，做了一套安全框架，并将其集成到这类智能体系统里。我们在 NVIDIA 内部也推出了相应的安全方案。

核心原则非常简单： 智能体通常有三类高风险权限——访问敏感信息、执行代码、对外通信。如果在任何时候，我们都只赋予它其中两项，而不是三项同时开放，就能极大降低风险。在此基础上，我们再叠加企业已有的权限管理和策略引擎。我们的目标，是尽最大努力让智能体系统在企业环境中变得更强大、更可用，也更安全。

AI拓展的真正瓶颈

莱克斯·弗里德曼：你刚才讲了过去行业如何突破一个又一个“看似会成为瓶颈”的限制。那展望未来，在智能体将无处不在的情况下，扩展的真正障碍是什么？

黄仁勋：功耗当然很重要，但它并不是唯一的问题。 也正因为如此，我们才如此强调极致协同设计——目标是让每瓦每秒能够产生的 token 数量持续提高，而且是按数量级提高。过去十年，如果只依赖摩尔定律，计算能力大概只能提升 100 倍；但我们通过系统级协同设计，实现了百万倍级别的提升。

我们会继续这样做。能源效率，也就是每瓦性能，直接决定 AI 工厂的收益能力。我们会竭尽全力持续降低 token 成本。虽然我们的系统价格在上升，但 token 产出效率提升得更快，因此单位 token 成本在持续下降，而且往往是按数量级下降。

莱克斯·弗里德曼：所以核心不仅是降低功耗，更是要提高“每瓦每秒产生多少 token”。当然，另一半问题就是：我们如何获得更多电力。

黄仁勋：没错。我们也确实需要更多电力。

莱克斯·弗里德曼：电力之外，供应链上的瓶颈会不会让你夜不能寐？比如 ASML 的 EUV 光刻机、台积电的先封装、SK 海力士的 HBM 等等。

黄仁勋：我们一直在为这些事情努力。历史上几乎没有哪家公司能像我们这样，在高速增长的同时继续加速增长。更重要的是，在整个 AI 计算市场中，我们的份额还在扩大。

所以，供应链——无论上游还是下游——对我们都至关重要。我花大量时间向与我合作的 CEO 们解释：什么因素会驱动未来增长，为什么增长还会持续加速。这也是为什么在我的很多主题演讲现场，坐着大量 IT 基础设施产业上下游的 CEO。可能从来没有哪一场技术主题演讲，会聚集这么多 CEO。

一方面，我要让他们理解我们现在的业务和短期增长动力；另一方面，我还要让他们知道我们下一步会走向哪里，以便他们能据此做资本支出决策。我向他们解释未来的方式，和我向员工解释未来的方式并没有本质区别。

比如 DRAM 行业。三年前，主流数据中心内存还是 CPU 用的 DDR。那时我对一些 CEO 说，虽然 HBM 当时的应用还很少，主要只在超级计算机里，但未来它会成为数据中心主流内存。这在当时听起来非常离谱，但有些 CEO 相信了，于是开始投资 HBM。

还有低功耗内存，本来是手机里常见的东西。我们希望供应链把它演化成适合数据中心超级计算的产品。对方最初会觉得很奇怪：“手机内存怎么会进入超级计算机？” 但如果你理解系统演进方向，就会知道这为什么合理。

所以我的工作之一，就是传播知识、塑造认知、激发供应链去提前行动。

莱克斯·弗里德曼：所以你不仅是在为 NVIDIA 画未来，也是在为整个供应链画未来，要和台积电、ASML 等公司不断沟通。

黄仁勋：对，上游、下游，全都包括。

莱克斯·弗里德曼： 整个半导体行业的工程深度和供应链复杂度都让人敬畏，而它居然还能运转下去。

黄仁勋：因为这背后是深厚的科学、深厚的工程、极其精湛的制造工艺，以及大量自动化和机器人制造。仅仅我们的一个机架，就有大约 130 万个组件。Vera Rubin 机架系统背后，大概有 200 家供应商。

莱克斯·弗里德曼：有趣的是，你并没有把供应链说成那个让你夜不能寐的障碍。

黄仁勋：因为我已经在做所有必须做的事了。正因为我已经把该做的都做了，所以晚上还能睡得着。我必须提前想清楚：从最初的 DGX-1，到今天的 NVLink 72 机架式计算，这意味着什么？它对软件意味着什么？对工程、设计、测试意味着什么？对供应链意味着什么？

举个例子，我们实际上把原本在数据中心内部完成的超级计算机集成工作，前移到了供应链中。如果你的目标是建设 50 吉瓦的数据中心，而这些超级计算机需要在出货前就在供应链中被组装、测试和预集成，那么供应链本身每周都要消耗巨大电力。

NVLink 72 本质上是在供应链里就组装好一台完整超级计算机，然后整机运输。每个机架重量达到两三吨。以前我们是拆分运输，到数据中心再装；现在密度太高，已经做不到了。所以我必须飞到供应链伙伴那里，亲自告诉他们：“我们以前是这样组装 DGX 的，现在要换成另一种方式。因为推理市场要来了，而推理将会是一个巨大的市场。”

我会从第一性原理出发，一步步解释，直到他们理解为什么要这么做，然后再请求他们投入数十亿美元资本开支。

莱克斯·弗里德曼：我们再多谈一点电力。你对解决能源问题怎么看？

黄仁勋：我特别想传达一个观点：今天的电网设计，通常是为了最坏情况预留容量。但最坏情况往往只出现在一年里极少数几天，比如严寒或酷暑，以及极端天气时。 而在 99% 的时间里，电网实际负荷远低于峰值，可能只有峰值的 60% 左右。也就是说，绝大多数时候，电网上都有大量闲置电力。

这些容量必须预留着，以防医院、机场和关键基础设施在极端情况下需要。但问题是：我们能不能设计一种新的合同与系统架构，让数据中心在社会基础设施最需要电力的时候，主动让出部分负载？

这种情况其实非常少见。在那些短暂时段，我们可以开启备用发电机、把工作负载迁移到别处，或者降低系统性能、接受更高延迟。也就是说，数据中心并不一定非得在任何时刻都追求绝对的 100% 满速运行。现在的问题在于，大家都在签极端严格的供电合同，要求近乎绝对不掉电，这就迫使电网长期按峰值准备。而我只是想利用那些本来闲置着的剩余电力。

莱克斯·弗里德曼：那阻碍是什么？监管？官僚主义？

黄仁勋：我认为这是三方共同作用的结果。第一，终端客户通常要求数据中心绝对不能出故障，要求非常极端。很多时候，签这些合同的人和公司 CEO 之间甚至是脱节的，CEO 可能根本不知道内部签了怎样的供电条件。第二，我们需要建设能够“优雅降级”的数据中心。也就是说，当电网告诉我们必须把负载降到 80% 时，我们可以说：“没问题。” 我们可以迁移工作负载、降低吞吐，但保证数据安全和关键业务连续。第三，电力公司也应该意识到，这是一个机会。它们不该只说：“我需要五年才能扩容。” 而应该说：“如果你愿意接受某种分级供电承诺，我下个月就能给你提供电力。”

如果电力公司也愿意提供分层级、分场景的供电承诺，那么大家都能找到解法。今天电网上的浪费太大了，我们应该尽快解决这个问题。

盛赞马斯克、中国开发者与台积电

莱克斯·弗里德曼：你高度评价过埃隆·马斯克和 xAI 在孟菲斯建设 Colossus 超级计算机的成就。他们可能只用了四个月，就以创纪录速度建成，如今已经拥有 20 万块 GPU，而且还在继续扩张。你如何看待他的工程方法？

黄仁勋： 首先，埃隆涉猎极广，而且每个领域都很深入。同时，他还是一位非常出色的系统思考者。

他会从多个学科同时思考一个问题，而且会持续逼问每一个环节：第一，这件事真的有必要吗？第二，它一定要这样做吗？第三，它真的必须花这么长时间吗？他会一直质疑，直到所有不必要的部分都被剔除，只保留系统真正需要的东西。从这个意义上说，他是一个系统层面的极简主义者。

而且他会亲自出现在问题现场。如果哪里出问题，他就直接过去，问：“问题是什么？当一个领导者真的这样介入时，很多“我们一直都这么做”“我在等别人”之类的借口，就会被迅速清除掉。更重要的是，当你以如此强烈的紧迫感亲自推进，整个供应链都会把你放到最高优先级。因为每个供应商都有很多项目，也有很多客户，但他会让自己成为对方最重要的客户之一。

莱克斯·弗里德曼： 我参加过很多那样的会议。真正少见的是，有人不断追问：“为什么这件事不能更快？到底卡在哪儿？” 一旦你深入现场，通常就会发现，它最后其实会变成一个工程问题。

黄仁勋：没错。

莱克斯·弗里德曼：NVIDIA 的极致协同设计方法，和埃隆的系统工程方法之间，有相似之处吗？

黄仁勋：有。协同设计本质上就是一个系统工程问题。而我们内部有一种我三十年前就建立的理念，我把它叫作“光速”。这里的“光速”并不只是速度，它是“物理极限”的代称。

也就是说，我们做任何事时，都要拿它和物理极限比较：内存速度、数学运算速度、功率、成本、时间、精力、人员规模、制造周期…… 每一项都要问：它距离理论极限还有多远？比如，你要同时考虑延迟与吞吐、成本与吞吐、成本与容量。每个约束条件都有自己的“光速”。高吞吐系统和低延迟系统，在架构上往往根本不同。所以你必须先知道：高吞吐系统的极限在哪里，低延迟系统的极限又在哪里，然后才能做合理权衡。

这就是为什么我要求每个人，在做任何事情之前，都先从第一性原理出发，先搞清楚物理极限在哪里，再用它来审视一切。我不喜欢那种“持续改进式”的思路。如果今天某件事需要 74 天，而有人告诉我他能优化到 72 天，我的第一反应不是高兴，而是先问：“为什么一开始会要 74 天？如果完全从零开始重构，理论上要多少天？” 很多时候答案会让你吃惊：也许只需要 6 天。

当然，从 6 天到 74 天之间可能有很多现实约束，比如成本、风险、妥协，但至少你会知道这些额外时间究竟耗在了哪里。

莱克斯·弗里德曼：面对如此复杂的系统，追求简洁是否仍然是一个有用的设计原则？比如 Vera Rubin 系统中，包含 7 类芯片、5 类专用机架、40 个机架、约 12 万亿个晶体管、近 2 万个 NVIDIA 芯片、1100 多颗 Rubin GPU、60 exaflops 的计算能力，以及每秒 10 PB 的扩展带宽——而这还只是其中一个 Pod。

黄仁勋：没错，那还只是一个 Pod。

莱克斯·弗里德曼： 而即便只是 NVL72 机架本身，也已经包含大约 130 万个组件、1300 个芯片、4000 个模块，而且全都装在一个 19 英寸宽的机架里。

黄仁勋： 为了让你有个概念，我们大概每周都要生产 200 套这样的系统。

莱克斯·弗里德曼：在这种复杂度下，真正意义上的“简洁”似乎已经不可能了。但“尽可能简单”，仍然是你设计时追求的目标吗？

黄仁勋：是的。我最常说的一句话是：系统必须复杂到刚刚好，但要尽可能简单。关键问题在于，这些复杂性是否都是必要的？我们必须不断检验、不断质疑。凡是不必要的复杂，本质上都是多余的。

莱克斯·弗里德曼：这依然令人震撼。整个半导体产业，尤其是 NVIDIA 所做的事情，完全可以说是历史上最伟大的工程成就之一。

黄仁勋：这是这个世界上被制造出来的最复杂的计算机。

莱克斯·弗里德曼： 如果真有一场“工程奥运会”，那台积电、ASML 和 NVIDIA 一定都在金牌行列。

黄仁勋：可以说，各个项目里的金牌选手都聚集在这里了。

莱克斯·弗里德曼：你最近去了中国。过去十年里，中国打造了大量世界级科技公司、世界级工程团队和完整的科技生态，也产出了很多令人惊叹的产品。你怎么看中国为什么能做到这一点？

黄仁勋：原因很多。先看几个基本事实：全球大约有 50% 的 AI 研究人员是中国人，而且其中很多仍然在中国。当然，我们这里也有很多中国研究人员，但中国本土仍然有非常庞大的优秀人才群体。

其次，中国科技产业诞生和成长于移动互联网与云计算时代，而这个时代的软件因素极其关键。中国拥有非常强的科学和数学人才基础，有大量受过良好教育的年轻人，因此他们对现代软件范式非常熟悉。

另外，中国并不是一个单一、同质化的经济体，而是由许多省市和地方单元组成，这些地方之间本身就存在竞争。这也是为什么你会看到那么多电动车公司、那么多 AI 公司、那么多在不同方向上开发 AI 产品的企业。内部竞争极其激烈，而最终能活下来的，往往都是非常强的公司。

还有一个文化因素。中国企业之间存在一种非常特殊的关系网络：家庭、朋友、校友联系都非常强。工程师之间、公司之间、朋友之间，会发生大量信息流动。 在这样的环境里，把技术完全封闭起来并不一定是最有效的选择。很多时候，开放出来反而更合理，因为开源社区能把创新放大并加速。所以你会发现，中国企业整体上对开源非常积极，这并不奇怪。

把这些因素放在一起：激烈竞争、快速知识传播、开源文化、深厚的教育基础，以及强烈的上进心——最终就形成了非常快的创新速度。我认为，中国是当今世界创新速度最快的国家之一。

莱克斯·弗里德曼：而且从文化角度来看，在中国，当工程师是一件很“酷”的事。

黄仁勋：没错。那是一个建设者之国。

我们国家有很伟大的领导人，但他们大多是律师，这当然也非常重要，因为法治和制度同样关键。而中国是在巨大发展与建设过程中成长起来的，所以他们大量领导者本身就是杰出的工程师。那是一个由建设者推动成长的国家。

莱克斯·弗里德曼：既然说到开源，我想提一下 Perplexity，以及你们发布的开源 Nemotron 模型。你对开源 AI 的愿景是什么？尤其是像 DeepSeek、MiniMax 这样的中国公司，也都在积极推动开源。

黄仁勋：首先，如果我们想成为一家伟大的 AI 计算公司，我们就必须理解 AI 模型是如何演化的。这也是为什么我们不仅做硬件，也做模型研究。比如 Nemotron 的一些工作，并不只是标准 Transformer，而是会探索 Transformer 与 SSM 的结合；更早之前，我们在生成模型方向上也做过很多基础研究。这些研究让我们能更早理解：未来什么样的计算系统，才能真正支持下一代模型。这本身就是协同设计的一部分。

第二，我认为有一件事是显而易见的：一方面，世界上当然会存在顶级专有模型；另一方面，如果 AI 想真正进入每个行业、每个国家、每个研究者、每个学生手里，开源就不可或缺。如果一切都是专有的，研究就很难做，创新也很难扩散。我们有能力、有规模，也有动机持续构建这些模型，并把它们开放出来，从而让每个行业、每个国家都能加入 AI 革命。

第三，我们也必须认识到，AI 不仅仅是语言。未来的 AI 很可能还会处理生物学、化学、物理、流体力学、热力学等信息模式，而这些并不总能被语言完全表达。必须有人去确保天气模型、生物 AI、物理 AI 等领域都能被推进到前沿。我们不造车，但我们希望每家汽车公司都能获得优秀模型。我们不自己研发药物，但我希望像礼来这样的公司能拥有世界上最好的生物 AI 系统，帮助他们做药物研发。

所以，推动开源的根本原因大致有三个：第一，AI 的范畴远大于语言；第二，我们希望让尽可能多的人参与 AI；第三，模型研究本身也必须与计算系统协同演进。

莱克斯·弗里德曼：我还想特别感谢你们真正意义上的开源。

黄仁勋：谢谢你这么说。我们不仅开放模型和权重，也开放数据和构建过程。这一点对我们非常重要。

莱克斯·弗里德曼：你来自台湾，而且与台积电关系密切。台积电的工程文化和制造能力都已经成为传奇。你怎么理解它为什么能取得如此独特的成功？

黄仁勋：人们对台积电最大的误解之一，就是以为它的护城河只是某一项晶体管技术。好像只要别人做出更好的晶体管，台积电就会失去优势。 其实完全不是这样。台积电真正的独特之处，在于它拥有一整套技术体系：不仅有晶体管，还有金属化、封装、3D 封装、硅光子以及其他大量工艺技术。

但更重要的是，它能在全球范围内协调数百家公司不断变化的需求：客户扩张、收缩、转型、追加、取消、紧急插单……整个产业格局瞬息万变，而台积电却能在这种复杂性中，保持高产量、高良率、低成本，并提供极高水平的客户服务。他们知道，晶圆不是普通商品，而是客户公司运转的基础。晶圆若不能按时交付，客户的公司就无法按计划运行。所以，他们的制造系统几乎是“神奇”的。

第二，是企业文化。他们一方面极度技术导向，不断推进技术前沿；另一方面又高度客户导向。很多公司客户服务很好，但技术不够领先；也有很多公司技术很强，但客户服务很差。而台积电可贵的地方，是能同时把这两件事做到世界级。

第三，也是我最看重的一点，是信任。我相信他们能让我在他们面前“裸奔”——也就是说，我可以把公司最关键的信息、最关键的计划、最关键的路线图放在他们面前，而不担心被滥用。这种信任极其重要。

莱克斯·弗里德曼：这是一种建立在多年合作基础上的深度关系。

黄仁勋：三十年来，我们通过台积电完成了难以计数的、总值数百亿甚至数千亿美元的业务，而很多时候甚至没有正式合同。这就是彼此信任的力量。

莱克斯·弗里德曼：有个广为流传的故事：2013 年，张忠谋曾邀请你担任台积电 CEO，而你说你当时已经有工作了。这个故事是真的吗？

黄仁勋：是真的。我并不是轻率地拒绝，而是深感荣幸。台积电无疑是历史上最有影响力的公司之一，张忠谋也是我一生中最敬重的企业家之一。

但我当时非常清楚，NVIDIA 的未来会走向哪里，以及我们能够产生怎样的影响。而实现那一切，是我的责任，也是我唯一的责任。所以我没有接受，不是因为那份邀请不够有吸引力，而是因为我不能离开现在这份工作。

莱克斯·弗里德曼：你怎么看太空计算、太空数据中心这种想法？它或许有助于从能源角度解决一些规模化问题。

黄仁勋：真正不容易解决的是散热。不过有趣的是，NVIDIA 的 GPU 已经上过太空了。我们其实已经在做这件事，只是以前我自己都没太多拿它来说。

在太空里做大规模成像和边缘 AI 非常合理。卫星有高分辨率成像能力，会持续不断地扫描地球。如果你想获得厘米级分辨率、全球持续成像的遥测数据，那么数据量将是 PB 级别，你不可能全部传回地球。你必须在边缘做 AI，筛掉那些没有变化、不重要的内容，只保留真正有价值的信息。

当然，如果把 AI 系统部署在太空或极地，你能获得几乎持续的太阳能，但没有空气对流，也几乎没有传导，主要只能依靠辐射散热。所以，你可能需要非常巨大的散热器。

莱克斯·弗里德曼：你觉得这个想法有多疯狂？五年、十年、二十年后呢？

黄仁勋：我这个人比较务实。我会先解决眼前更近的机会，但与此同时，也会让工程团队提前去探索这些问题： 如何应对辐射？如何应对器件老化？如何持续检测缺陷？如何做冗余设计？如何实现优雅降级？软件如何适应太空环境？这些工程探索可以提前开始。但与此同时，我最喜欢的现实答案依然是：先把地球上那些被浪费的闲置电力用起来。

莱克斯·弗里德曼：你认为 NVIDIA 有一天会达到 10 万亿美元市值吗？换个问法：如果这是真的，那未来世界会是什么样子？

黄仁勋：我认为 NVIDIA 继续增长，不仅有可能，在我看来几乎是不可避免的。原因有两个根本性的技术变化。

第一，计算机已经从“基于检索的文件系统”演变为“基于生成的上下文系统”。过去的计算机，大量时候是在处理文件：人预先写好内容、录好内容、画好图，然后系统通过检索和推荐把这些内容给你。 而今天的 AI 计算机，必须理解上下文，必须实时生成 token。也就是说，我们已经从一个以存储和检索为核心的系统，转向了一个以实时生成和推理为核心的系统。在这个新世界里，所需处理能力远远大于旧世界。旧世界主要消耗存储，新世界主要消耗计算。

第二，计算机不再只是“仓库”，而开始变成“工厂”。仓库本身不直接创造收入，而工厂是创造产品和收入的。现在的 AI 工厂在生产的，就是人们愿意消费的智能产物——token。 而且这些 token 已经开始像智能手机一样发生分层：有免费的，有高级的，有中间层次的。这意味着“智能”本身，正变成一种可扩展、可分级、可定价的产品。

如果你把这两个变化放在一起，就会发现：世界会需要大量 AI 工厂；社会愿意为这些工厂产出的 token 付费； 如果生产力被显著提升，世界经济总量就会加速增长。而用于计算的 GDP 占比，也很可能比过去高出百倍，因为计算不再只是存储，而变成了“产品生产”。

从这个角度看，再回到 NVIDIA 的位置：我们所处的，正是一个全新的产业与经济模式的中心。所以我不觉得“年收入几万亿美元”在物理上有什么不可能。真正的问题不是“是否可能”，而是我们有没有足够的精力和执行力把它做出来。就这一点而言，我的答案是肯定的。

很多人过去都告诉过我：“无晶圆厂半导体公司不可能超过 10 亿美元市值。”“你们不可能超过 250 亿美元。” 但这些都不是基于第一性原理的推理。思考这类问题最好的方式是：我们生产什么？我们创造的机会有多大？

今天最大的难点在于，人们很难想象一个不是靠“抢市场份额”成长的公司会长到多大。如果你只是从别人的市场里抢 10%，大家很容易算账。 可 NVIDIA 所参与创造的很多市场，过去根本不存在。所以人们很难想象规模上限。。但我会继续思考、继续讲述、继续通过每一次 GTC 把这个未来描绘得更真实。总有一天，我们会实现它。对此我百分之百相信。

莱克斯·弗里德曼： 按你的说法，AI 工厂就是 token 工厂，而 token 本身就是一种有价值的产品。从第一性原理看，随着 AI 解决越来越多问题，未来显然需要指数级增长的 token 工厂。

黄仁勋：没错。而真正让我兴奋的是，“token 的 iPhone 时刻”已经来了。

莱克斯·弗里德曼： 你说的是智能体？

黄仁勋：对，广义上的智能体。在我看来，智能体就是 token 世界的 iPhone。它是历史上增长最快的应用类别一，增长速度惊人。这说明了一些非常重要的事情。 所以我完全相信，智能体就是 token 时代的 iPhone。

莱克斯·弗里德曼：关于 AGI，定义不同，时间线也不同。我想给一个有点极端的定义：如果一个 AI 系统能创办、发展并运营一家成功的科技公司——比如一家价值超过 10 亿美元的公司——那它算不算 AGI？按这个标准，你觉得还要 5 年、10 年、15 年还是 20 年？

黄仁勋：我认为，在某种意义上，我们已经实现了 AGI。

莱克斯·弗里德曼：你是说，你已经能想象一家由 AI 运营的公司？

黄仁勋：有可能。因为你说的是“做出一家价值十亿美元的公司”，并不意味着它必须永远持续伟大。

举个例子，像 Claude 这类系统，完全有可能做出一个网络服务、一个有趣的小应用，突然之间被几十亿人以很低价格使用，从而迅速形成巨大的商业价值，随后又很快衰退。互联网时代其实出现过很多类似公司，而其中大量网站和产品的复杂度，并不比今天先进模型能生成的东西高多少。

莱克斯·弗里德曼：也就是说，先做出病毒式传播产品并实现商业化，这件事 AI 已经接近能做了。

黄仁勋：对。我不知道具体会是什么，但如果未来出现某种超级可爱的数字形象、某个社交应用、某种电子宠物产品，在几个月里爆红，我一点也不会惊讶。不过，要说十万个这样的“爆款代理”最终能成长成 NVIDIA，那概率几乎为零。这两件事不是一个难度层级。

黄仁勋的个人思考time

莱克斯·弗里德曼：你曾说过，你的成功很大程度上来自于比别人更努力，也更能承受苦难。可你现在面对的，不仅是工程和商业层面的压力，还有一种国家级、全球级的责任：许多国家都围绕 NVIDIA 来制定 AI 战略和基础设施规划。你如何承受这种压力？

黄仁勋：我非常清楚，NVIDIA 的成功对美国意义重大。它带来了巨额税收，强化了美国的技术领先，而技术领先本身就是国家安全的重要组成部分。不仅如此，繁荣还能反过来提升国内政策空间和社会福利。我们也确实在推动再工业化，在芯片、计算机、AI 工厂等多个环节带回美国，创造了大量就业。我也知道，有许多普通投资者、教师、警察等群体，因为相信 NVIDIA、持有 NVIDIA，改变了自己的生活。这是一份很重的责任。同时，我们背后还有一个庞大的生态系统和供应链伙伴网络，许多人都与 NVIDIA 的发展息息相关。

那我怎么处理这些？方法其实就是我刚才说过的：分析它、拆解它。发生了什么？有什么变化？困难是什么？我打算怎么做？我把问题拆成可以处理的小部分。然后问自己：你做了吗？如果你认为你应该做，却既没自己做，也没找别人做，那就别抱怨。就这么简单。

我对自己要求很高。但我也会把事情分解到足够小，这样自己就不会陷入恐慌。我之所以能睡觉，是因为我已经把必须做的事列出来，也确保那些可能危及公司、合作伙伴和行业的问题，都已经告诉了相关的人，而且告诉了能够解决它们的人。在那之后，你还能做什么呢？

莱克斯·弗里德曼：在 NVIDIA 的历程中，你是否经历过情绪上的低谷？

黄仁勋：当然。一直都有。

莱克斯·弗里德曼：那你也是靠把问题拆小来应对？

黄仁勋：这是其中一部分。另一部分，其实是“遗忘”。AI 学习里有个很重要的概念，叫系统性遗忘。我觉得人也一样。你得知道什么时候该忘掉一些东西。你不可能永远背着所有挫折往前走，也不应该这样。所以我会快速拆解问题、思考问题，然后把负担分出去——也就是尽快告诉别人，让他们参与进来。不要把它憋在心里。

当然，你也得对自己狠一点。有时候就是得告诉自己：别哭了，继续走。而且很多时候，你会被“下一个机会、下一个闪光点、下一个未来”吸引过去。上一件事已经过去了。伟大的运动员也一样，他们只在意下一分。

莱克斯·弗里德曼：你有一句非常有名的话：如果你一开始就知道创办 NVIDIA 会有多难——比你想象的难一百万倍——你可能根本不会去做。但仔细想想，也许所有值得做的事都如此。

黄仁勋：没错。而且我想补充一点：保持一种“孩童般的思维”，是一种不可思议的超能力。

因为当我看到一个新问题时，我的第一反应往往是：“这能有多难？”于是你就进入那个模式：这能有多难？即使从客观上看，它规模巨大、成本惊人、前所未有，你还是会本能地觉得：好吧，但这到底能有多难？

你不能提前把所有挫折、痛苦、失望、羞辱都完整模拟一遍。如果你真的这么做了，可能根本不会开始。你必须带着一种新鲜的心态走进去，相信它会是完美的、有趣的、值得的。然后，当真正的挫折、失望、尴尬、羞辱降临时，你再调动另一套能力：韧性、遗忘、继续前进。只要我对未来的根本判断没有被推翻，那么我就相信那个未来仍然会发生。既然如此，我就继续追。

莱克斯·弗里德曼：你现在是世界上最成功、最富有的人之一。财富、权力和名望，会不会让人更难承认错误，更难倾听不同意见？

黄仁勋：很意外，但对我来说不是。甚至在某种意义上恰恰相反。因为我的很多工作是在公开场合完成的，所以如果我犯错，几乎所有人都会看到。我在公开场合说的大多数话，都会很谨慎，因为它们会影响别人。

但与此同时，我的管理方式就是不断在众人面前“思考”。即便现在和你对话时，你也能感觉到，我是在边说边推理。因为我希望你理解我的结论，不是因为我强行告诉你答案，而是因为我把自己推导出结论的过程展示给你看。

我在会议里天天都是这么做的。“让我告诉你我是怎么想的。”然后我开始一步步推理。这样一来，别人不需要直接反对我的结论，他们可以在推理过程中的某一步提出不同看法，进而把我引向一个新的结论。这是一种非常有效的集体探索方式。

莱克斯·弗里德曼：你在解释问题时，始终给人一种开放、即兴推理的感觉，好像旁边的人真的可以影响你的思路。我觉得这非常难得。很多人经历成功和痛苦后，反而会越来越封闭。

黄仁勋：我觉得，关键之一就是对尴尬的容忍。而且，他们都知道我最早的一份工作是打扫厕所。所以，很多事情自然也就没那么严重了。

莱克斯·弗里德曼：你这番话会让很多人兴奋，也会让很多人紧张。你怎么看程序员和软件工程师的未来？

黄仁勋：首先，我想提醒大家：工作目标、工作任务和工作工具，是相关但不同的三件事。我担任这份工作已经 30 多年了，在这 30 多年里，我使用的工具一直在变化，有时甚至每两三年就完全不同。但我的“工作目标”并没有变。

多年前，计算机科学家和 AI 研究人员预测，第一个会消失的职业会是放射科医生。因为计算机视觉会达到超人水平，而事实是，它确实做到了。到 2019、2020 年左右，计算机视觉在很多识别任务上已经超越了人类。

于是人们说，放射科医生会消失。结果呢？今天所有放射平台都用了 AI，但放射科医生的数量反而在增长，而且全球仍然短缺。为什么？因为放射科医生的职责不是“看影像”本身，而是帮助诊断疾病、服务患者和医生。正因为 AI 让他们能更快分析更多扫描，他们才可以接触更多病人、做出更准确判断、帮助医院提升效率。医院业务增加，于是反而需要更多放射科医生。

软件工程师也是一样。我希望 NVIDIA 的软件工程师越来越多，而不是越来越少。因为他们的真正工作不是“写代码”本身，而是解决问题、团队合作、诊断、评估、发现新问题、创新和整合。代码只是其中一项任务，不是工作的全部。

莱克斯·弗里德曼：所以你认为，程序员总数甚至可能会增加？

黄仁勋：我认为会。因为今天“编码”的定义，正在变成“描述规范、定义意图、告诉计算机要构建什么”。如果这样理解编程，那么未来能做“编程”的人会从今天的几千万，扩大到十亿级。

未来每个木匠都可能是程序员，只不过他手里的工具变成了 AI，他同时也是架构师。他能为客户创造的价值会大得多。每个会计师也会同时成为你的财务分析师和顾问。所有职业都会被提升，而不只是被替代。

莱克斯·弗里德曼：即便如此，很多人依然合理地焦虑自己的工作前景。每次大规模技术变革都会带来痛苦和冲击，我们也必须对这些痛苦保持同情。

黄仁勋：完全同意。而我的第一个建议，和我自己处理焦虑的方法一样：把问题拆解开。你担心未来，那就先问：哪些事情我能做，哪些事情我控制不了？对那些你能做的事情，就认真思考，然后立刻行动。

如果今天我要招聘一名应届毕业生，有两个候选人：一个不懂 AI，另一个熟练掌握 AI。无论岗位是会计、营销、供应链、客户服务、销售、法务还是业务拓展，我都会选后者。所以，我给所有学生、老师和从业者的建议都是：去学习 AI，去使用 AI，让自己成为 AI 专家。无论你是木匠、电工、农民、药剂师，都应该去看看 AI 如何改变你的工作、提升你的技能、让你成为行业创新者。

当然，这项技术也一定会取代某些工作，特别是那些工作内容高度等同于固定任务执行的岗位。如果你的价值只是重复完成某个任务，那么你确实会受到冲击。但如果你能学会用 AI 把这些任务自动化，同时把自己提升到更高层次，那你就站在了正确的一边。

莱克斯·弗里德曼：而且 AI 最棒的一点是，你甚至可以直接问它：“我该怎么学 AI？” 它会一步步教你。

黄仁勋：没错。你不能走到 Excel 面前说：“我不会用 Excel，请教我。”但 AI 可以。这是一个很重要的变化。

莱克斯·弗里德曼：你认为在人类意识中，是否存在某种本质上无法被计算复制的东西？

黄仁勋：我不知道芯片会不会紧张。我相信 AI 可以识别、理解焦虑、兴奋、紧张这些情绪，但我不认为芯片本身会真正“感受”它们。在人类世界里，即使处在相同条件下，不同的人也会因为不同的主观状态而表现出完全不同的结果，这构成了人类表现的光谱。而我们今天构建的系统，不会因为“感受不同”而在相同上下文中表现不同。

莱克斯·弗里德曼：是啊。人类的主观体验太特别了：爱、恐惧、希望、心碎、对死亡的恐惧、亲人离世时的痛苦。我很难想象计算装置能够拥有这些。但同时，过去这些年 AI 也一直在给我们惊喜，所以我也愿意保持开放。

黄仁勋：我觉得一个非常重要的区分是：什么是“智能”，什么是“人性”。智能这个词并不神秘，它指的是一个系统具备感知、理解、推理和计划能力。这就是智能。但人性远远不止这些。人性不是一个功能性概念。

我其实一直认为，智能会商品化。我身边有很多比我聪明得多的人，他们学校比我好、知识比我深、在各自领域都比我强。我的 60 个直接下属，在我眼里个个都是超人。但问题是：为什么一个曾经洗碗、打扫厕所的人，最终能坐在他们中间协调他们？这恰恰说明，成功不只是智力问题。

人性还包括品格、同情心、慷慨、对痛苦的承受能力、决心、领导力。这些东西，比智能更宽广。所以，如果我想给听众一个清晰结论，那就是：不要把“智力的民主化、商品化”理解成对人的贬值。恰恰相反，你应该从中获得力量。因为真正值得被赞美和提升的，是人性本身。

莱克斯·弗里德曼：我们真正应该崇敬的，也许不是“智能”，而是“人性”。

黄仁勋：对，人性、品格、同情心、慷慨。这些才是真正超人的力量。

(来源：新浪科技)