2026 年 GTC 大會啱啱落幕，黃仁勳坐下來，接受了一場長達兩個半小時的深度訪談。

訪談中，黃仁勳以真誠分享的態度與極強的前瞻性，拆解了他如何看待產業拐點、如何做出判斷。

二十年前，黃仁勳頂着利潤下滑甚至生死存亡的風險，堅持把 CUDA 生態押上 GeForce，推動公司從一家圖形芯片廠商轉向計算平台公司。今天回看，這幾乎是 NVIDIA 歷史上最關鍵的一次轉向。如今，他認為 AI 的核心競爭，正在從單顆芯片轉向「AI 工廠」，而這將決定 NVIDIA 能否走向下一個十萬億美元市值。

黃仁勳先就「擴展定律」給出了一個精彩判斷：擴展定律遠沒有到盡頭，將同時沿着預訓練、後訓練、測試，以及智能體系統四條路徑繼續推進。真正的增長，正在轉向推理、強化學習、智能體協作。而未來，大量數據將來自 AI 自身消化產生的合成數據，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。

他認為在當下這個階段，AI 能力的提升，已經無法靠單台計算機、甚至單顆 GPU 的升級來解決。模型性能的躍遷，越來越依賴系統級工程能力，最終把整個系統推向極限。NVIDIA 現在做的，也不再只是芯片，而是把整套計算系統作為產品來設計。

而硬件佈局必須走在前面。AI 模型架構每六個月就會迎來一次重大迭代，但系統與硬件架構的更新周期長達三年。NVIDIA 的策略，是主動走到模型前面：自己做模型、持續追蹤全行業最棘手的問題，在通用性與專業性之間找到最優平衡，保持架構的快速迭代。

如果說訓練時代的核心問題是：「能不能把模型做得更大？」那麼到了推理時代，黃仁勳認為，真正的問題已經變成：「每瓦每秒能夠產出多少 token？」

順着這條邏輯，他甚至把問題進一步推到了能源系統層面。黃仁勳指出，今天全球電力系統中存在大量未被有效利用的閒置。目前電力峯值只在 60% 左右，這些閒置資源完全可以被 AI 工廠充分利用。

在主持人驚歎黃仁勳的思考力時，他坦言，這來自於「集體的智慧」。在日常工作中，有 60 人會直接向他彙報，包括內存專家、CPU 專家、光學專家、GPU 專家、系統架構專家等等，幾乎覆蓋 NVIDIA 最核心的技術維度。他會廣泛吸收信息，再在高維度上做決策。

這形成了他獨特的思考方式，他會先設想一個未來，追問它為什麼重要？它為什麼值得存在？如何實現它？他還會不斷把這套邏輯講給公司內部員工、供應鏈夥伴和行業合作方聽，讓更多人參與進來，然後從工程和組織的角度，一步步把它變成現實。

某種程度上，這和馬斯克的思維方式不謀而合，他高度稱讚馬斯克是「系統層面的極簡主義者」。馬斯克會一直質疑，直到所有不必要的部分都被剔除，只保留系統真正需要的東西。

而黃仁勳也喜歡用第一性原理，先去看一件事「理論極限在哪裏」。或許有些看起來需要 74 天才能完成的事情，如果重新拆解、重新設計，最後可能只需要 6 天。

他自信英偉達的十萬億美元市值不是夢想，世界正在從一個基於檢索的文件系統，演變成一個基於生成的上下文系統。一旦這個轉變成立，世界需要大量的 AI 工廠。在這樣的圖景裏，NVIDIA 已經站在新一輪經濟基礎設施的核心位置。

在聊到程序員的未來時，他大膽預測，未來程序員會擴展到十億級規模。原因在於，真正重要的工作，從來不只是「寫代碼」本身，而是解決問題、團隊合作、診斷、評估、發現新問題、創新和整合。與此同時，他強調人人都要學 AI，不論什麼工種，他都更傾向錄取熟練掌握 AI 的人。

而這場訪談的最後，黃仁勳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，帶着好奇心繼續往前走。

這位芯片教父，既以極度理性的方式審視技術演進，也始終相信，智能或許會商品化，但人性永遠高於技術。

以下是訪談全文，經 InfoQ 翻譯整理。

極致的協同設計， 與機架級工程

萊克斯·弗裏德曼：你帶領 NVIDIA 進入了人工智能的新階段：從專注於芯片級設計，轉向機架級、系統級設計。長期以來，NVIDIA 的成功建立在打造儘可能優秀的 GPU 之上，而現在，你們已經把這種追求擴展到了 GPU、CPU、內存、網絡、存儲、電源、散熱、軟件、機架本身、Pod，乃至整個數據中心。那麼，我們來談談「極致協同設計」。對於一個包含如此多複雜組件和設計變量的系統而言，協同設計中最困難的部分是什麼？

黃仁勳：之所以需要極致協同設計，是因為你面對的問題，已經無法靠一台計算機或單個 GPU 來解決。真正要解決的是：當計算機數量增加時，系統性能不僅要線性提升，而是要提升得更快。假設你增加了一萬台計算機，但你希望整體速度提升一百萬倍。那就意味着，你必須對算法進行拆分與重構，對流水線、數據和模型做分片。當你以這種方式分散問題時——注意，不僅是擴大規模，而是把問題本身拆散——所有因素都會開始相互干擾。

這就回到了阿姆達爾定律：一項任務的整體加速，取決於可加速部分在總工作負載中的佔比。比如，如果計算只佔整個問題的 50%，那麼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，當我們做大規模分佈式計算時，不只是 GPU 成為問題，CPU 是問題，網絡是問題，交換機是問題，如何把工作負載高效分配到這些機器上，同樣也是問題。

這本質上是一個極其複雜的計算機科學問題。我們必須調動一切技術手段，否則只能得到線性擴展，或者只能指望摩爾定律繼續推進。但摩爾定律的進展已經明顯放緩，而丹納德縮放時代也早已過去。

萊克斯·弗裏德曼：這裏面一定存在大量權衡，而且涉及完全不同的學科。你們在高帶寬內存、NVLink、網卡、光模塊、銅纜、電源傳輸、散熱等每一個領域，幾乎都有世界級專家。你們是怎麼把這些人聚在一起，共同討論解決方案的？

黃仁勳：這也是為什麼我有這麼多員工。先說「極致協同設計」到底是什麼。我們優化的是整個技術棧：從架構、芯片，到系統、系統軟件、算法，再到應用程序。這是一層。另一層則跨越 CPU、GPU、網絡芯片、縱向擴展交換機、橫向擴展交換機，以及電源和散熱——因為這些計算機雖然能效很高，但整體仍然消耗巨大的電力。

所以第一個問題是：它是什麼？第二個問題是：為什麼必須這麼做？原因剛纔已經講過——只有把工作負載真正分佈起來，才能獲得遠超「單純增加機器數量」的收益。第三個問題則是：怎麼做？

而這正是 NVIDIA 這家公司與衆不同的地方。設計計算機時，你必須先想清楚操作系統；設計公司時，也應該先想清楚公司到底要製造什麼。我看過很多公司的組織結構圖，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，是成為一個持續生產產品的機器、機制和系統。既然如此，公司的架構就應該反映它所處的環境，也應該反映它想製造的產品。

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

萊克斯·弗裏德曼：所以你的彙報關係很多，而且其中大多數都是工程相關的負責人。

黃仁勳：幾乎全都是，有內存專家、CPU 專家、光學專家、GPU 專家、架構專家、算法專家、設計專家……

萊克斯·弗裏德曼：這太不可思議了。所以你們必須持續地圍繞整個技術棧展開深入討論？

黃仁勳：沒錯。而且這些對話從來都不是一個人單獨進行的。這也是為什麼我不做一對一。我們提出問題，然後大家一起解決。因為我們做的是極致協同設計，所以公司本身也必須用極致協同設計的方式來運轉。

萊克斯·弗裏德曼：也就是說，即便你們討論的是一個具體組件，比如散熱或網絡，所有人也都在場？

黃仁勳：對，就是這樣。

萊克斯·弗裏德曼：於是就會有人指出：「這種供電方式不行。」「這種方案會影響內存。」「這對別的部分也行不通。」

黃仁勳：完全正確。 每個人都知道自己什麼時候該介入、什麼時候該提醒。因為很多事情看上去屬於某個局部，但實際上會影響整個系統。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如何悄然轉型： CUDA是最接近「生存威脅」的戰略決策

萊克斯·弗裏德曼：正如你所說，NVIDIA 是一家不斷適應環境的公司。那麼在你看來，外部環境是從什麼時候開始變化的？NVIDIA 又是如何一步步調整自己的？從最早服務遊戲的 GPU，到早期深度學習革命，再到今天把一切看作 AI 工廠，NVIDIA 的業務究竟是什麼？

黃仁勳：這個問題可以系統地回答。我們最初是一家「加速器公司」。加速器的優點是，它對特定任務高度優化；缺點是，它的適用範圍比較窄。專業化本身並沒有錯，但市場規模會限制研發投入，而研發能力最終決定了你能在計算機產業中產生多大影響。

所以，從一開始我們就知道，「做專業加速器」只是第一步。我們必須找到一條通向「加速計算公司」的道路。問題在於，一家公司越通用，就越容易失去專業優勢；越專業，又越難成為真正意義上的計算平台。換句話說，「專業化」與「通用性」之間，本來就存在根本張力。我們必須沿着一條非常狹窄的道路前進：一邊擴展計算能力的邊界，一邊又不能放棄最關鍵的專業優勢。

我們邁出的第一步，是發明可編程像素着色器。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 引入着色器。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、做數據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，而且計算能力驚人，並且已經符合 IEEE 標準。

隨後，我們基於 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 GeForce，成為了一個極其艱難、幾乎威脅公司生存的戰略決策。它讓公司付出了巨大的成本，而在當時，我們幾乎承擔不起。但我們還是這麼做了，因為我們想成為一家真正的計算機公司。而一家計算機公司，必須擁有自己的計算架構，並且這個架構要貫穿我們生產的所有芯片。

萊克斯·弗裏德曼：你能詳細解釋一下那個決定嗎？為什麼說把 CUDA 放進 GeForce，是一個「負擔不起」的決定？當時你們為什麼還敢這麼做？

黃仁勳：我會說，那是我們最接近「生存威脅」的一次戰略決策。事情是這樣的：我們發明了 CUDA，它大幅擴展了 GPU 可以加速的應用範圍。但問題在於，怎樣吸引開發者來使用 CUDA？而計算平台的核心，恰恰就是開發者。

開發者之所以選擇一個計算平台，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。因為開發者和所有人一樣，希望自己的軟件能觸達儘可能多的用戶。所以，平台安裝基數纔是架構最重要的部分。

一個典型例子就是 x86。它在架構上常常受到批評，不少人認為它不夠優雅；而很多由最傑出的計算機科學家設計出來的 RISC 架構，反而更優美。但結果是，活下來並主導世界的是 x86。為什麼？因為安裝基礎決定架構，而不是架構優雅與否。

當時，CUDA 之外也有其他架構，例如 OpenCL 等。但我們做出的關鍵判斷是：歸根結底，真正決定勝負的是安裝基礎。而那時，GeForce 已經很成功了。我們每年賣出數百萬塊 GeForce GPU。於是我們決定：把 CUDA 集成到 GeForce 裏，裝進每一台 PC，無論用戶是否立刻使用它，都先建立安裝基礎。

與此同時，我們開始大規模做開發者生態：走進大學、寫教材、開課程，把 CUDA 帶到研究機構和校園裏。當時還沒有云計算，而 PC 是最主要的計算工具。我們等於把「超級計算機」送進了每個學校、每位研究者、每個工程系學生的桌面。

問題在於，CUDA 大幅增加了 GPU 成本，而 GeForce 是消費級產品。成本的增加幾乎喫掉了公司全部毛利。當時 NVIDIA 的市值大概只有六七十億美元，後來一度跌到 15 億美元左右。公司經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、科學家之所以能接觸 CUDA，往往正是因為他們本來就是遊戲玩家。他們會自己組裝電腦，會在實驗室裏用 PC 部件搭集群。很多 CUDA 的最早傳播，就是這樣發生的。

萊克斯·弗裏德曼：後來，它成了深度學習革命的平台基礎。

黃仁勳：沒錯，這是一個非常重要的洞見。

萊克斯·弗裏德曼：你還記得當時那些決定生死的會議是什麼樣的嗎？在公司層面，怎麼做出這種幾乎「賭上一切」的決定？

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

你可以想象一下：如果 GeForce 承擔了 CUDA 的成本，而玩家既不會感激它，也不會願意為此多付錢，那會是什麼情況？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。

當然，你可以從戰略上推理：未來這項能力也許能進入工作站和超級計算機市場，而在那裏我們或許可以獲得更高利潤。但即便如此，也要等十年。

至於我個人是怎麼做判斷的，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，讓我確信某個結果一定會發生。 一旦我真正相信某件事會發生，它在我心裏就已經是現實了。中間當然會有很多苦難，但你必須堅持你所相信的東西。

萊克斯·弗裏德曼：也就是說，你先設想一個未來，然後從工程和組織的角度，一步步把它變成現實？

黃仁勳：是的。你會思考：它為什麼重要？它為什麼值得存在？如何實現它？而且不只是我，管理團隊也一直在思考這些問題。我們花大量時間去構建共同的理解。

很多公司是這樣運作的：領導層保持沉默，內部突然知道了一些事，然後某一天宣佈一個宏大計劃——新財年、新使命宣言、大裁員、大重組、新 Logo。我從不這麼做。

當我意識到某件事會改變未來時，我會很早就開始反覆告訴身邊的人：這件事很重要，它會帶來什麼影響，它會推動什麼變化。我會抓住每一個機會——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。我每天都在這麼做：對董事會如此，對管理團隊如此，對員工如此。

所以，當我最終宣佈「我們要收購 Mellanox」或「我們要全面押注深度學習」時，大家通常已經在相當程度上認同了。在某種意義上，我正式宣佈時，員工甚至會覺得：「你怎麼現在才說？」 因為在正式宣佈之前，我已經在不斷塑造他們的信念結構了。

我不僅在塑造公司的認知，也在塑造整個行業合作伙伴的認知。 因為我們不直接賣「完整的計算機」，也不直接做雲。我們真正做的是計算平台。我們採用垂直整合的方式把平台設計和優化好，但隨後會開放平台的每一層，讓它能集成進別人的產品、服務、雲平台、超級計算機和 OEM 電腦裏。

所以，如果我不先說服整個生態，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，好讓當我們的產品真正成熟時，外界會覺得：「你們怎麼現在才把它拿出來？」

AI的四條擴展定律： 預訓練、後訓練、測試、智能體

萊克斯·弗裏德曼：你一直相信規模定律。現在你依然相信嗎？

黃仁勳：當然。而且現在我們擁有的，不止一條規模定律。

萊克斯·弗裏德曼：你曾提到四個層面：預訓練、後訓練、測試時擴展，以及智能體擴展。那在思考未來時，你最擔心、最可能成為瓶頸的問題是什麼？

黃仁勳：我們可以先回顧一下，過去大家曾以為的瓶頸是什麼。

最初，大家擔心的是預訓練規模定律：擔心高質量數據不夠，擔心數據量限制了模型能達到的智能上限。模型越大，數據越多，能力越強——這是預訓練的基本邏輯。後來，Ilya Sutskever(伊利亞·蘇茨克維，前 Open AI 首席科學家等）人也提出過類似看法：數據不夠了，預訓練快到盡頭了。整個行業一度因此恐慌，好像 AI 的增長就此結束。但顯然，事實並非如此。

我們會繼續擴展訓練數據，其中大量數據將是合成數據。很多人對此感到困惑，但他們忽略了一件事：人類自己互相學習、啓發和訓練時，使用的大量信息，本質上也是「合成的」——不是天然存在於自然界中，而是人創造出來、改寫、增強、再生成、再傳播的。現在 AI 已經能獲取真實數據，對其增強、改進，再合成出海量數據。

所以，後訓練階段的規模也會持續擴大。未來真正由人類直接生成的數據，在總訓練數據中的佔比會越來越小。訓練的限制因素，將越來越不是數據，而是計算能力。

接下來是推理，也就是測試時擴展。我記得以前有人跟我說：「推理很簡單，真正難的是預訓練。」 他們認為，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。

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

那推理之後是什麼？ 接下來就是智能體擴展。 我們已經有了大型語言模型，但當智能體真正工作時，它會研究問題、訪問數據庫、調用工具，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」：與其靠我一個人擴展，不如通過僱更多人來擴展 NVIDIA。同樣，AI 也可以通過派生智能體團隊來擴展自己。

所以，下一個規模定律就是智能體擴展定律。隨着智能體系統運行，它們會產生更多數據、更多經驗，其中一部分會被我們保留下來，重新迴流到預訓練，進行泛化；再通過後訓練精煉；再通過測試階段強化；最終回到實際應用中。這個循環會持續運轉。

說到底，智能的發展最終取決於一個因素：計算能力。

預測未來三年： 硬件必須押注尚未出現的AI

萊克斯·弗裏德曼：這裏有個很棘手的問題：某些未來模型結構可能需要完全不同的硬件才能發揮最佳性能。比如 MoE。可你們不可能在一周內就把硬件重做一遍。你們必須提前押注。這太可怕了，也太難了。

黃仁勳： 完全正確。AI 模型架構大約每六個月就會發生一次重大變化，而系統架構和硬件架構的更新周期，大約是三年。因此，你必須提前預測未來兩三年可能發生什麼。

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研究和應用研究的原因。我們自己構建模型，所以有第一手實踐經驗。 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麼問題。第三，架構本身必須足夠靈活，能夠適應變化。CUDA 的一個優勢就在這裏：它既是一個強大的加速架構，又保持了相當高的靈活性。

萊克斯·弗裏德曼：也就是說，你在傾聽整個行業的「耳語」。

黃仁勳：沒錯。你必須聽，必須向所有人學習。真正困難的，是在「足夠專業化、從而顯著超越 CPU」與「足夠通用、從而適應不斷變化的算法」之間取得平衡。這正是 CUDA 能夠持續強大的原因，也是我們不斷更新它的原因。

比如，當 MoE 模型興起後，我們從 NVLink 8 發展到了 NVLink 72。這樣一來，一個擁有 4 萬億到 10 萬億參數的模型，就可以在單一計算域中運行，彷彿它就在一顆 GPU 上。如果你仔細看 Grace Blackwell 機架的架構，它幾乎就是為大型語言模型服務的。而再過一年，你看到的 Vera Rubin 機架已經不同了：它增加了存儲加速器，搭配名為 Vera 的新 CPU，以及用於 LLM 的 Rubin GPU 和 NVLink 72。

除此之外，還有新的機架形態。整個系統和上一代相比都發生了變化，因為前一代是為 MoE 大模型和推理而設計，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·弗裏德曼：顯然，這套系統設計在 Claude Code、Codex 以及新一代智能體系統大規模出現之前就已經開始了。所以，本質上你是在提前看見未來。這到底是一門什麼樣的藝術？

黃仁勳：其實沒那麼神祕。你只要認真想清楚就行。 假設我們希望一個大型語言模型成為「數字員工」，那它必須具備什麼能力？

第一，它必須能訪問真實數據，比如文件系統。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，就必須調用我現有的工具體系。

有些人說：「AI 會徹底摧毀軟件，我們以後不再需要軟件和工具了。」 我認為這完全錯誤。我們做個思想實驗：假設十年後，我們造出了一個非常先進的人形機器人。那它是更可能走進我的房子，使用我現有的微波爐、錘子和各種工具來完成任務，還是更可能讓自己的手臂變成錘子、手術刀，甚至從手指裏發射微波？顯然，它更可能直接使用現有工具。

第一次不會用沒關係，它可以聯網看說明書，看完立刻就會了。所以，未來智能體的關鍵特徵其實非常明確：訪問文件、做研究、調用工具、擁有 I/O 子系統。而一旦你順着這個思路往下推，你就會發現，這實際上是在重新發明計算機。

我們在 GTC 上展示智能體系統結構圖，很多人後來看到時會說：「這不就是今天這些智能體系統在做的事嗎？」 是的。兩年前我們就已經在討論這樣的系統形態了。當然，這其中也有很多前提：Claude、GPT 等模型必須達到足夠高的能力水平；同時，也需要足夠強大的開放生態和開源項目把這些能力推向大衆。

在我看來，今天開放智能體生態對智能體系統的意義，某種程度上就像當年 ChatGPT 對生成式 AI 的意義一樣，影響非常深遠。

萊克斯·弗裏德曼：這類系統之所以引起如此巨大關注，除了它足夠強大之外，也因為它帶來了很複雜的安全問題。用戶該如何把自己的數據交給系統，讓它真正做事，同時又不造成嚴重後果？整個社會都在尋找平衡點。

黃仁勳：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，並將其集成到這類智能體系統裏。我們在 NVIDIA 內部也推出了相應的安全方案。

核心原則非常簡單： 智能體通常有三類高風險權限——訪問敏感信息、執行代碼、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，就能極大降低風險。在此基礎上，我們再疊加企業已有的權限管理和策略引擎。我們的目標，是盡最大努力讓智能體系統在企業環境中變得更強大、更可用，也更安全。

AI拓展的真正瓶頸

萊克斯·弗裏德曼：你剛纔講了過去行業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，擴展的真正障礙是什麼？

黃仁勳：功耗當然很重要，但它並不是唯一的問題。 也正因為如此，我們才如此強調極致協同設計——目標是讓每瓦每秒能夠產生的 token 數量持續提高，而且是按數量級提高。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；但我們通過系統級協同設計，實現了百萬倍級別的提升。

我們會繼續這樣做。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降低 token 成本。雖然我們的系統價格在上升，但 token 產出效率提升得更快，因此單位 token 成本在持續下降，而且往往是按數量級下降。

萊克斯·弗裏德曼：所以核心不僅是降低功耗，更是要提高「每瓦每秒產生多少 token」。當然，另一半問題就是：我們如何獲得更多電力。

黃仁勳：沒錯。我們也確實需要更多電力。

萊克斯·弗裏德曼：電力之外，供應鏈上的瓶頸會不會讓你夜不能寐？比如 ASML 的 EUV 光刻機、台積電的先封裝、SK 海力士的 HBM 等等。

黃仁勳：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，我們的份額還在擴大。

所以，供應鏈——無論上游還是下游——對我們都至關重要。我花大量時間向與我合作的 CEO 們解釋：什麼因素會驅動未來增長，為什麼增長還會持續加速。這也是為什麼在我的很多主題演講現場，坐着大量 IT 基礎設施產業上下游的 CEO。可能從來沒有哪一場技術主題演講，會聚集這麼多 CEO。

一方面，我要讓他們理解我們現在的業務和短期增長動力；另一方面，我還要讓他們知道我們下一步會走向哪裏，以便他們能據此做資本支出決策。我向他們解釋未來的方式，和我向員工解釋未來的方式並沒有本質區別。

比如 DRAM 行業。三年前，主流數據中心內存還是 CPU 用的 DDR。那時我對一些 CEO 說，雖然 HBM 當時的應用還很少，主要只在超級計算機裏，但未來它會成為數據中心主流內存。這在當時聽起來非常離譜，但有些 CEO 相信了，於是開始投資 HBM。

還有低功耗內存，本來是手機裏常見的東西。我們希望供應鏈把它演化成適合數據中心超級計算的產品。對方最初會覺得很奇怪：「手機內存怎麼會進入超級計算機？」 但如果你理解系統演進方向，就會知道這為什麼合理。

所以我的工作之一，就是傳播知識、塑造認知、激發供應鏈去提前行動。

萊克斯·弗裏德曼：所以你不僅是在為 NVIDIA 畫未來，也是在為整個供應鏈畫未來，要和台積電、ASML 等公司不斷溝通。

黃仁勳：對，上游、下游，全都包括。

萊克斯·弗裏德曼： 整個半導體行業的工程深度和供應鏈複雜度都讓人敬畏，而它居然還能運轉下去。

黃仁勳：因為這背後是深厚的科學、深厚的工程、極其精湛的製造工藝，以及大量自動化和機器人制造。僅僅我們的一個機架，就有大約 130 萬個組件。Vera Rubin 機架系統背後，大概有 200 家供應商。

萊克斯·弗裏德曼：有趣的是，你並沒有把供應鏈說成那個讓你夜不能寐的障礙。

黃仁勳：因為我已經在做所有必須做的事了。正因為我已經把該做的都做了，所以晚上還能睡得着。我必須提前想清楚：從最初的 DGX-1，到今天的 NVLink 72 機架式計算，這意味着什麼？它對軟件意味着什麼？對工程、設計、測試意味着什麼？對供應鏈意味着什麼？

舉個例子，我們實際上把原本在數據中心內部完成的超級計算機集成工作，前移到了供應鏈中。如果你的目標是建設 50 吉瓦的數據中心，而這些超級計算機需要在出貨前就在供應鏈中被組裝、測試和預集成，那麼供應鏈本身每周都要消耗巨大電力。

NVLink 72 本質上是在供應鏈裏就組裝好一台完整超級計算機，然後整機運輸。每個機架重量達到兩三噸。以前我們是拆分運輸，到數據中心再裝；現在密度太高，已經做不到了。所以我必須飛到供應鏈夥伴那裏，親自告訴他們：「我們以前是這樣組裝 DGX 的，現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，一步步解釋，直到他們理解為什麼要這麼做，然後再請求他們投入數十億美元資本開支。

萊克斯·弗裏德曼：我們再多談一點電力。你對解決能源問題怎麼看？

黃仁勳：我特別想傳達一個觀點：今天的電網設計，通常是為了最壞情況預留容量。但最壞情況往往只出現在一年裏極少數幾天，比如嚴寒或酷暑，以及極端天氣時。 而在 99% 的時間裏，電網實際負荷遠低於峯值，可能只有峯值的 60% 左右。也就是說，絕大多數時候，電網上都有大量閒置電力。

這些容量必須預留着，以防醫院、機場和關鍵基礎設施在極端情況下需要。但問題是：我們能不能設計一種新的合同與系統架構，讓數據中心在社會基礎設施最需要電力的時候，主動讓出部分負載？

這種情況其實非常少見。在那些短暫時段，我們可以開啓備用發電機、把工作負載遷移到別處，或者降低系統性能、接受更高延遲。也就是說，數據中心並不一定非得在任何時刻都追求絕對的 100% 滿速運行。現在的問題在於，大家都在籤極端嚴格的供電合同，要求近乎絕對不掉電，這就迫使電網長期按峯值準備。而我只是想利用那些本來閒置着的剩餘電力。

萊克斯·弗裏德曼：那阻礙是什麼？監管？官僚主義？

黃仁勳：我認為這是三方共同作用的結果。第一，終端客戶通常要求數據中心絕對不能出故障，要求非常極端。很多時候，籤這些合同的人和公司 CEO 之間甚至是脫節的，CEO 可能根本不知道內部簽了怎樣的供電條件。第二，我們需要建設能夠「優雅降級」的數據中心。也就是說，當電網告訴我們必須把負載降到 80% 時，我們可以說：「沒問題。」 我們可以遷移工作負載、降低吞吐，但保證數據安全和關鍵業務連續。第三，電力公司也應該意識到，這是一個機會。它們不該只說：「我需要五年才能擴容。」 而應該說：「如果你願意接受某種分級供電承諾，我下個月就能給你提供電力。」

如果電力公司也願意提供分層級、分場景的供電承諾，那麼大家都能找到解法。今天電網上的浪費太大了，我們應該儘快解決這個問題。

盛讚馬斯克、中國開發者與台積電

萊克斯·弗裏德曼：你高度評價過埃隆·馬斯克和 xAI 在孟菲斯建設 Colossus 超級計算機的成就。他們可能只用了四個月，就以創紀錄速度建成，如今已經擁有 20 萬塊 GPU，而且還在繼續擴張。你如何看待他的工程方法？

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

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

而且他會親自出現在問題現場。如果哪裏出問題，他就直接過去，問：「問題是什麼？當一個領導者真的這樣介入時，很多「我們一直都這麼做」「我在等別人」之類的藉口，就會被迅速清除掉。更重要的是，當你以如此強烈的緊迫感親自推進，整個供應鏈都會把你放到最高優先級。因為每個供應商都有很多項目，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·弗裏德曼： 我參加過很多那樣的會議。真正少見的是，有人不斷追問：「為什麼這件事不能更快？到底卡在哪兒？」 一旦你深入現場，通常就會發現，它最後其實會變成一個工程問題。

黃仁勳：沒錯。

萊克斯·弗裏德曼：NVIDIA 的極致協同設計方法，和埃隆的系統工程方法之間，有相似之處嗎？

黃仁勳：有。協同設計本質上就是一個系統工程問題。而我們內部有一種我三十年前就建立的理念，我把它叫作「光速」。這裏的「光速」並不只是速度，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：內存速度、數學運算速度、功率、成本、時間、精力、人員規模、製造周期…… 每一項都要問：它距離理論極限還有多遠？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」。高吞吐系統和低延遲系統，在架構上往往根本不同。所以你必須先知道：高吞吐系統的極限在哪裏，低延遲系統的極限又在哪裏，然後才能做合理權衡。

這就是為什麼我要求每個人，在做任何事情之前，都先從第一性原理出發，先搞清楚物理極限在哪裏，再用它來審視一切。我不喜歡那種「持續改進式」的思路。如果今天某件事需要 74 天，而有人告訴我他能優化到 72 天，我的第一反應不是高興，而是先問：「為什麼一開始會要 74 天？如果完全從零開始重構，理論上要多少天？」 很多時候答案會讓你喫驚：也許只需要 6 天。

當然，從 6 天到 74 天之間可能有很多現實約束，比如成本、風險、妥協，但至少你會知道這些額外時間究竟耗在了哪裏。

萊克斯·弗裏德曼：面對如此複雜的系統，追求簡潔是否仍然是一個有用的設計原則？比如 Vera Rubin 系統中，包含 7 類芯片、5 類專用機架、40 個機架、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 的擴展帶寬——而這還只是其中一個 Pod。

黃仁勳：沒錯，那還只是一個 Pod。

萊克斯·弗裏德曼： 而即便只是 NVL72 機架本身，也已經包含大約 130 萬個組件、1300 個芯片、4000 個模塊，而且全都裝在一個 19 英寸寬的機架裏。

黃仁勳： 為了讓你有個概念，我們大概每周都要生產 200 套這樣的系統。

萊克斯·弗裏德曼：在這種複雜度下，真正意義上的「簡潔」似乎已經不可能了。但「儘可能簡單」，仍然是你設計時追求的目標嗎？

黃仁勳：是的。我最常說的一句話是：系統必須複雜到啱啱好，但要儘可能簡單。關鍵問題在於，這些複雜性是否都是必要的？我們必須不斷檢驗、不斷質疑。凡是不必要的複雜，本質上都是多餘的。

萊克斯·弗裏德曼：這依然令人震撼。整個半導體產業，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。

黃仁勳：這是這個世界上被製造出來的最複雜的計算機。

萊克斯·弗裏德曼： 如果真有一場「工程奧運會」，那台積電、ASML 和 NVIDIA 一定都在金牌行列。

黃仁勳：可以說，各個項目裏的金牌選手都聚集在這裏了。

萊克斯·弗裏德曼：你最近去了中國。過去十年裏，中國打造了大量世界級科技公司、世界級工程團隊和完整的科技生態，也產出了很多令人驚歎的產品。你怎麼看中國為什麼能做到這一點？

黃仁勳：原因很多。先看幾個基本事實：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。當然，我們這裏也有很多中國研究人員，但中國本土仍然有非常龐大的優秀人才群體。

其次，中國科技產業誕生和成長於移動互聯網與雲計算時代，而這個時代的軟件因素極其關鍵。中國擁有非常強的科學和數學人才基礎，有大量受過良好教育的年輕人，因此他們對現代軟件範式非常熟悉。

另外，中國並不是一個單一、同質化的經濟體，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。這也是為什麼你會看到那麼多電動車公司、那麼多 AI 公司、那麼多在不同方向上開發 AI 產品的企業。內部競爭極其激烈，而最終能活下來的，往往都是非常強的公司。

還有一個文化因素。中國企業之間存在一種非常特殊的關係網絡：家庭、朋友、校友聯繫都非常強。工程師之間、公司之間、朋友之間，會發生大量信息流動。 在這樣的環境裏，把技術完全封閉起來並不一定是最有效的選擇。很多時候，開放出來反而更合理，因為開源社區能把創新放大並加速。所以你會發現，中國企業整體上對開源非常積極，這並不奇怪。

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，以及強烈的上進心——最終就形成了非常快的創新速度。我認為，中國是當今世界創新速度最快的國家之一。

萊克斯·弗裏德曼：而且從文化角度來看，在中國，當工程師是一件很「酷」的事。

黃仁勳：沒錯。那是一個建設者之國。

我們國家有很偉大的領導人，但他們大多是律師，這當然也非常重要，因為法治和制度同樣關鍵。而中國是在巨大發展與建設過程中成長起來的，所以他們大量領導者本身就是傑出的工程師。那是一個由建設者推動成長的國家。

萊克斯·弗裏德曼：既然說到開源，我想提一下 Perplexity，以及你們發布的開源 Nemotron 模型。你對開源 AI 的願景是什麼？尤其是像 DeepSeek、MiniMax 這樣的中國公司，也都在積極推動開源。

黃仁勳：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。這也是為什麼我們不僅做硬件，也做模型研究。比如 Nemotron 的一些工作，並不只是標準 Transformer，而是會探索 Transformer 與 SSM 的結合；更早之前，我們在生成模型方向上也做過很多基礎研究。這些研究讓我們能更早理解：未來什麼樣的計算系統，才能真正支持下一代模型。這本身就是協同設計的一部分。

第二，我認為有一件事是顯而易見的：一方面，世界上當然會存在頂級專有模型；另一方面，如果 AI 想真正進入每個行業、每個國家、每個研究者、每個學生手裏，開源就不可或缺。如果一切都是專有的，研究就很難做，創新也很難擴散。我們有能力、有規模，也有動機持續構建這些模型，並把它們開放出來，從而讓每個行業、每個國家都能加入 AI 革命。

第三，我們也必須認識到，AI 不僅僅是語言。未來的 AI 很可能還會處理生物學、化學、物理、流體力學、熱力學等信息模式，而這些並不總能被語言完全表達。必須有人去確保天氣模型、生物 AI、物理 AI 等領域都能被推進到前沿。我們不造車，但我們希望每家汽車公司都能獲得優秀模型。我們不自己研發藥物，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，幫助他們做藥物研發。

所以，推動開源的根本原因大致有三個：第一，AI 的範疇遠大於語言；第二，我們希望讓儘可能多的人參與 AI；第三，模型研究本身也必須與計算系統協同演進。

萊克斯·弗裏德曼：我還想特別感謝你們真正意義上的開源。

黃仁勳：謝謝你這麼說。我們不僅開放模型和權重，也開放數據和構建過程。這一點對我們非常重要。

萊克斯·弗裏德曼：你來自台灣，而且與台積電關係密切。台積電的工程文化和製造能力都已經成為傳奇。你怎麼理解它為什麼能取得如此獨特的成功？

黃仁勳：人們對台積電最大的誤解之一，就是以為它的護城河只是某一項晶體管技術。好像只要別人做出更好的晶體管，台積電就會失去優勢。 其實完全不是這樣。台積電真正的獨特之處，在於它擁有一整套技術體系：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。

但更重要的是，它能在全球範圍內協調數百家公司不斷變化的需求：客戶擴張、收縮、轉型、追加、取消、緊急插單……整個產業格局瞬息萬變，而台積電卻能在這種複雜性中，保持高產量、高良率、低成本，並提供極高水平的客戶服務。他們知道，晶圓不是普通商品，而是客戶公司運轉的基礎。晶圓若不能按時交付，客戶的公司就無法按計劃運行。所以，他們的製造系統幾乎是「神奇」的。

第二，是企業文化。他們一方面極度技術導向，不斷推進技術前沿；另一方面又高度客戶導向。很多公司客戶服務很好，但技術不夠領先；也有很多公司技術很強，但客戶服務很差。而台積電可貴的地方，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，是信任。我相信他們能讓我在他們面前「裸奔」——也就是說，我可以把公司最關鍵的信息、最關鍵的計劃、最關鍵的路線圖放在他們面前，而不擔心被濫用。這種信任極其重要。

萊克斯·弗裏德曼：這是一種建立在多年合作基礎上的深度關係。

黃仁勳：三十年來，我們通過台積電完成了難以計數的、總值數百億甚至數千億美元的業務，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·弗裏德曼：有個廣為流傳的故事：2013 年，張忠謀曾邀請你擔任台積電 CEO，而你說你當時已經有工作了。這個故事是真的嗎？

黃仁勳：是真的。我並不是輕率地拒絕，而是深感榮幸。台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家之一。

但我當時非常清楚，NVIDIA 的未來會走向哪裏，以及我們能夠產生怎樣的影響。而實現那一切，是我的責任，也是我唯一的責任。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在這份工作。

萊克斯·弗裏德曼：你怎麼看太空計算、太空數據中心這種想法？它或許有助於從能源角度解決一些規模化問題。

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

在太空裏做大規模成像和邊緣 AI 非常合理。衛星有高分辨率成像能力，會持續不斷地掃描地球。如果你想獲得釐米級分辨率、全球持續成像的遙測數據，那麼數據量將是 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、不重要的內容，只保留真正有價值的信息。

當然，如果把 AI 系統部署在太空或極地，你能獲得幾乎持續的太陽能，但沒有空氣對流，也幾乎沒有傳導，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·弗裏德曼：你覺得這個想法有多瘋狂？五年、十年、二十年後呢？

黃仁勳：我這個人比較務實。我會先解決眼前更近的機會，但與此同時，也會讓工程團隊提前去探索這些問題： 如何應對輻射？如何應對器件老化？如何持續檢測缺陷？如何做冗餘設計？如何實現優雅降級？軟件如何適應太空環境？這些工程探索可以提前開始。但與此同時，我最喜歡的現實答案依然是：先把地球上那些被浪費的閒置電力用起來。

萊克斯·弗裏德曼：你認為 NVIDIA 有一天會達到 10 萬億美元市值嗎？換個問法：如果這是真的，那未來世界會是什麼樣子？

黃仁勳：我認為 NVIDIA 繼續增長，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變化。

第一，計算機已經從「基於檢索的文件系統」演變為「基於生成的上下文系統」。過去的計算機，大量時候是在處理文件：人預先寫好內容、錄好內容、畫好圖，然後系統通過檢索和推薦把這些內容給你。 而今天的 AI 計算機，必須理解上下文，必須實時生成 token。也就是說，我們已經從一個以存儲和檢索為核心的系統，轉向了一個以實時生成和推理為核心的系統。在這個新世界裏，所需處理能力遠遠大於舊世界。舊世界主要消耗存儲，新世界主要消耗計算。

第二，計算機不再只是「倉庫」，而開始變成「工廠」。倉庫本身不直接創造收入，而工廠是創造產品和收入的。現在的 AI 工廠在生產的，就是人們願意消費的智能產物——token。 而且這些 token 已經開始像智能手機一樣發生分層：有免費的，有高級的，有中間層次的。這意味着「智能」本身，正變成一種可擴展、可分級、可定價的產品。

如果你把這兩個變化放在一起，就會發現：世界會需要大量 AI 工廠；社會願意為這些工廠產出的 token 付費； 如果生產力被顯著提升，世界經濟總量就會加速增長。而用於計算的 GDP 佔比，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「產品生產」。

從這個角度看，再回到 NVIDIA 的位置：我們所處的，正是一個全新的產業與經濟模式的中心。所以我不覺得「年收入幾萬億美元」在物理上有什麼不可能。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行力把它做出來。就這一點而言，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。」 但這些都不是基於第一性原理的推理。思考這類問題最好的方式是：我們生產什麼？我們創造的機會有多大？

今天最大的難點在於，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裏搶 10%，大家很容易算賬。 可 NVIDIA 所參與創造的很多市場，過去根本不存在。所以人們很難想象規模上限。。但我會繼續思考、繼續講述、繼續通過每一次 GTC 把這個未來描繪得更真實。總有一天，我們會實現它。對此我百分之百相信。

萊克斯·弗裏德曼： 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品。從第一性原理看，隨着 AI 解決越來越多問題，未來顯然需要指數級增長的 token 工廠。

黃仁勳：沒錯。而真正讓我興奮的是，「token 的 iPhone 時刻」已經來了。

萊克斯·弗裏德曼： 你說的是智能體？

黃仁勳：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·弗裏德曼：關於 AGI，定義不同，時間線也不同。我想給一個有點極端的定義：如果一個 AI 系統能創辦、發展並運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？按這個標準，你覺得還要 5 年、10 年、15 年還是 20 年？

黃仁勳：我認為，在某種意義上，我們已經實現了 AGI。

萊克斯·弗裏德曼：你是說，你已經能想象一家由 AI 運營的公司？

黃仁勳：有可能。因為你說的是「做出一家價值十億美元的公司」，並不意味着它必須永遠持續偉大。

舉個例子，像 Claude 這類系統，完全有可能做出一個網絡服務、一個有趣的小應用，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價值，隨後又很快衰退。互聯網時代其實出現過很多類似公司，而其中大量網站和產品的複雜度，並不比今天先進模型能生成的東西高多少。

萊克斯·弗裏德曼：也就是說，先做出病毒式傳播產品並實現商業化，這件事 AI 已經接近能做了。

黃仁勳：對。我不知道具體會是什麼，但如果未來出現某種超級可愛的數字形象、某個社交應用、某種電子寵物產品，在幾個月裏爆紅，我一點也不會驚訝。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。

黃仁勳的個人思考time

萊克斯·弗裏德曼：你曾說過，你的成功很大程度上來自於比別人更努力，也更能承受苦難。可你現在面對的，不僅是工程和商業層面的壓力，還有一種國家級、全球級的責任：許多國家都圍繞 NVIDIA 來制定 AI 戰略和基礎設施規劃。你如何承受這種壓力？

黃仁勳：我非常清楚，NVIDIA 的成功對美國意義重大。它帶來了鉅額稅收，強化了美國的技術領先，而技術領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政策空間和社會福利。我們也確實在推動再工業化，在芯片、計算機、AI 工廠等多個環節帶回美國，創造了大量就業。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。這是一份很重的責任。同時，我們背後還有一個龐大的生態系統和供應鏈夥伴網絡，許多人都與 NVIDIA 的發展息息相關。

那我怎麼處理這些？方法其實就是我剛纔說過的：分析它、拆解它。發生了什麼？有什麼變化？困難是什麼？我打算怎麼做？我把問題拆成可以處理的小部分。然後問自己：你做了嗎？如果你認為你應該做，卻既沒自己做，也沒找別人做，那就別抱怨。就這麼簡單。

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、合作伙伴和行業的問題，都已經告訴了相關的人，而且告訴了能夠解決它們的人。在那之後，你還能做什麼呢？

萊克斯·弗裏德曼：在 NVIDIA 的歷程中，你是否經歷過情緒上的低谷？

黃仁勳：當然。一直都有。

萊克斯·弗裏德曼：那你也是靠把問題拆小來應對？

黃仁勳：這是其中一部分。另一部分，其實是「遺忘」。AI 學習裏有個很重要的概念，叫系統性遺忘。我覺得人也一樣。你得知道什麼時候該忘掉一些東西。你不可能永遠揹着所有挫折往前走，也不應該這樣。所以我會快速拆解問題、思考問題，然後把負擔分出去——也就是儘快告訴別人，讓他們參與進來。不要把它憋在心裏。

當然，你也得對自己狠一點。有時候就是得告訴自己：別哭了，繼續走。而且很多時候，你會被「下一個機會、下一個閃光點、下一個未來」吸引過去。上一件事已經過去了。偉大的運動員也一樣，他們只在意下一分。

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

黃仁勳：沒錯。而且我想補充一點：保持一種「孩童般的思維」，是一種不可思議的超能力。

因為當我看到一個新問題時，我的第一反應往往是：「這能有多難？」於是你就進入那個模式：這能有多難？即使從客觀上看，它規模巨大、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。如果你真的這麼做了，可能根本不會開始。你必須帶着一種新鮮的心態走進去，相信它會是完美的、有趣的、值得的。然後，當真正的挫折、失望、尷尬、羞辱降臨時，你再調動另一套能力：韌性、遺忘、繼續前進。只要我對未來的根本判斷沒有被推翻，那麼我就相信那個未來仍然會發生。既然如此，我就繼續追。

萊克斯·弗裏德曼：你現在是世界上最成功、最富有的人之一。財富、權力和名望，會不會讓人更難承認錯誤，更難傾聽不同意見？

黃仁勳：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話，都會很謹慎，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衆人面前「思考」。即便現在和你對話時，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論，不是因為我強行告訴你答案，而是因為我把自己推導出結論的過程展示給你看。

我在會議裏天天都是這麼做的。「讓我告訴你我是怎麼想的。」然後我開始一步步推理。這樣一來，別人不需要直接反對我的結論，他們可以在推理過程中的某一步提出不同看法，進而把我引向一個新的結論。這是一種非常有效的集體探索方式。

萊克斯·弗裏德曼：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。很多人經歷成功和痛苦後，反而會越來越封閉。

黃仁勳：我覺得，關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麼嚴重了。

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

黃仁勳：首先，我想提醒大家：工作目標、工作任務和工作工具，是相關但不同的三件事。我擔任這份工作已經 30 多年了，在這 30 多年裏，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」並沒有變。

多年前，計算機科學家和 AI 研究人員預測，第一個會消失的職業會是放射科醫生。因為計算機視覺會達到超人水平，而事實是，它確實做到了。到 2019、2020 年左右，計算機視覺在很多識別任務上已經超越了人類。

於是人們說，放射科醫生會消失。結果呢？今天所有放射平台都用了 AI，但放射科醫生的數量反而在增長，而且全球仍然短缺。為什麼？因為放射科醫生的職責不是「看影像」本身，而是幫助診斷疾病、服務患者和醫生。正因為 AI 讓他們能更快分析更多掃描，他們纔可以接觸更多病人、做出更準確判斷、幫助醫院提升效率。醫院業務增加，於是反而需要更多放射科醫生。

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、團隊合作、診斷、評估、發現新問題、創新和整合。代碼只是其中一項任務，不是工作的全部。

萊克斯·弗裏德曼：所以你認為，程序員總數甚至可能會增加？

黃仁勳：我認為會。因為今天「編碼」的定義，正在變成「描述規範、定義意圖、告訴計算機要構建什麼」。如果這樣理解編程，那麼未來能做「編程」的人會從今天的幾千萬，擴大到十億級。

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

萊克斯·弗裏德曼：即便如此，很多人依然合理地焦慮自己的工作前景。每次大規模技術變革都會帶來痛苦和衝擊，我們也必須對這些痛苦保持同情。

黃仁勳：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，就認真思考，然後立刻行動。

如果今天我要招聘一名應屆畢業生，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、供應鏈、客戶服務、銷售、法務還是業務拓展，我都會選後者。所以，我給所有學生、老師和從業者的建議都是：去學習 AI，去使用 AI，讓自己成為 AI 專家。無論你是木匠、電工、農民、藥劑師，都應該去看看 AI 如何改變你的工作、提升你的技能、讓你成為行業創新者。

當然，這項技術也一定會取代某些工作，特別是那些工作內容高度等同於固定任務執行的崗位。如果你的價值只是重複完成某個任務，那麼你確實會受到衝擊。但如果你能學會用 AI 把這些任務自動化，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·弗裏德曼：而且 AI 最棒的一點是，你甚至可以直接問它：「我該怎麼學 AI？」 它會一步步教你。

黃仁勳：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·弗裏德曼：你認為在人類意識中，是否存在某種本質上無法被計算複製的東西？

黃仁勳：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，但我不認為芯片本身會真正「感受」它們。在人類世界裏，即使處在相同條件下，不同的人也會因為不同的主觀狀態而表現出完全不同的結果，這構成了人類表現的光譜。而我們今天構建的系統，不會因為「感受不同」而在相同上下文中表現不同。

萊克斯·弗裏德曼：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，所以我也願意保持開放。

黃仁勳：我覺得一個非常重要的區分是：什麼是「智能」，什麼是「人性」。智能這個詞並不神祕，它指的是一個系統具備感知、理解、推理和計劃能力。這就是智能。但人性遠遠不止這些。人性不是一個功能性概念。

我其實一直認為，智能會商品化。我身邊有很多比我聰明得多的人，他們學校比我好、知識比我深、在各自領域都比我強。我的 60 個直接下屬，在我眼裏個個都是超人。但問題是：為什麼一個曾經洗碗、打掃廁所的人，最終能坐在他們中間協調他們？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、領導力。這些東西，比智能更寬廣。所以，如果我想給聽衆一個清晰結論，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，你應該從中獲得力量。因為真正值得被讚美和提升的，是人性本身。

萊克斯·弗裏德曼：我們真正應該崇敬的，也許不是「智能」，而是「人性」。

黃仁勳：對，人性、品格、同情心、慷慨。這些纔是真正超人的力量。