上周GTC 2026大会之后，黄仁勋连续接受了至少4场访谈。

挑选了3场仔细来看。对话人不同，挑选的问题还是挺千差万别的。

不过，怎么说呢，黄仁勋总有能力把一些问题回到主轴上去，当然，也恰恰说明他对于产品业务应对复杂生态的情景，想得挺明白。

比如他总会强调英伟达不仅仅是在造算力，更在定义一套让万物皆可加速的生存法则，and巧妙应对了关于为什么做CPU，为什么AI正在帮英伟达进入大量全新的行业，为什么他认为的空间比华尔街分析师预计的要大得多。

他也谈到去年底备受关注的200亿美元Groq收编动作，是一场战略上的机缘巧合。重点是战略性，因为这是对英伟达“加速计算”的一次重要补完。

几场访谈各有精彩。但最喜欢的还是all-in这场。

四位主持人都有创始人背景，深谙产业、投资和政策，每次节目四个人的交流就挺精彩。黄仁勋坐在当中，莫名有种被层层“围猎”的感觉。哈哈哈。

眼下市场最关心的几个问题，在这场对话里几乎都被问到了。

AI的收入曲线到底能不能跟上能力曲线？智能体（agent）会不会摧毁软件行业？中国在模型、机器人和供应链上的竞争力到底有多强？中东冲突、供应链安全和美国政策，又会不会改变这场竞赛的方向？

而黄仁勋给出的答案，和市场的通行看法并不完全一样。

他对AI商业化的乐观程度，远高于市场。

在黄仁勋看来，当AI还只是“回答问题”，它的价值更多停留在信息层；可一旦有了智能体，AI开始调用工具、执行任务，它对软件、工业、生物、机器人等产业的加速，就会从点状突破变成系统性扩散。

也正因此，黄仁勋反复强调，市场低估的不是某一代芯片，而是智能体把整个产业链重新调动起来之后的放大效应。

这也直接指向另一个当下很流行、但他并不认同的看法：很多人觉得，智能体会把企业软件行业直接摧毁。

但黄仁勋的判断恰恰相反。他认为，那些已经成熟的软件工具，无论是数据库、设计软件，还是各类专业平台，并不会因为智能体出现而失去价值，反而会因为被更高频、更大规模地调用，而变得比以前更重要。

而对中国投资人来说，这几场访谈里最不能忽略的，还是他对中国的评价。

黄仁勋不只是点名赞赏DeepSeek、Kimi、通义千问等中国模型，也明确承认，中国在开源贡献、人才储备和原创架构上的分量，远比美国市场很多人愿意承认的更重。

尤其是谈到机器人时，他直白地表示，中国在微电子、电机、稀土、磁体这些最基础的环节上拥有全球领先优势，全球机器人产业都会在很大程度上依赖这套生态和供应链。（听起来，不是简单客套话。）

也提到中东的地缘冲突，黄仁勋承认英伟达有不少员工和家庭身处当地，但他表示英伟达不会因此撤离中东，而是“百分之百会扎根中东”。面对地缘问题更重要的，是供应链的长期布局。

三年前黄仁勋说过一句话，“你不会被AI抢走工作，你会被会用AI的人抢走工作”。现在回头看还是很有预见性的，这次他仍然强调：不管你是什么教育背景，都一定要确保一件事，你得非常、非常擅长使用AI。

聪明投资者将这场对话整理分享给大家。

01

从“大语言模型处理”进入到 “智能体处理”时代

 主持人 你这波势头真是惊人，活动也办得太大了。几乎每个行业的人都来了，每一家科技公司都来了，每一家AI公司都来了。

过去一年里，你们最重大的动作之一就是收购Groq。

 黄仁勋 我们很多战略，其实很多年前就在GTC上明牌讲出来了，远远早于真正落地的时间。

两年半前，我第一次提出“AI 工厂的操作系统”这个概念，它叫Dynamo。

Dynamo这个词，原本是西门子发明的一种机器，本质上是把水力转化成电力。它驱动了上一轮工业革命中的工厂。所以我觉得，这个名字也特别适合下一轮工业革命里那座“新工厂”的操作系统。

而Dynamo里面最核心的一项技术，就是解耦式推理。

所谓解耦式推理，是因为今天的推理处理链路已经复杂到了极点。说实话，这可能是当下全世界最复杂的计算问题。它的规模极大，里面牵涉到各种不同形态、不同尺寸的数学计算。

后来我们想到，为什么不把推理流程拆开，把不同环节分配给不同GPU去跑。一部分在这一组GPU上跑，剩下的部分放到另一组GPU上跑。

再往后我们又意识到，既然推理可以解耦，那整个计算系统也许也应该进一步解耦。也就是说，我们可以让不同类型、不同异构性质的计算单元，各自去承担最适合它们的工作。

正是这种思路，后来把我们引向了Mellanox。

你看现在，英伟达的计算版图早就不止是GPU了，而是分布在GPU、CPU、交换机、纵向扩展交换机、横向扩展交换机、网络处理器这些不同部件上。

现在我们还要把Groq 3 LPU加进来，让最合适的任务跑在最合适的芯片上。

 主持人  这也是我在现场最大的感受。你们已经不再是一家GPU公司了，而是一家AI工厂公司。

过去大家讨论的是一块GPU，现在看到的却是一整个越来越解耦、越来越复杂的系统组合，未来可选项只会越来越多。

你在台上还特别讲了一句，我觉得所有做高价值推理的人都该认真听一听。

你说，数据中心里大概有四分之一的空间应该分配给Groq 3 LPX加GPU这套组合。也就是在数据中心里，给Vera Rubin配上大约25%的Groq。

那你能不能讲讲，行业该怎么理解这件事？也就是下一代这种“预填充和解码分离”的架构。你觉得大家会怎么反应？

 黄仁勋  先往后退一步看。当我们把这套系统加进去的时候，整个世界其实已经从“大语言模型处理”进入到了“智能体处理”的时代。

你一旦在跑一个智能体，它就不是单纯在吐token了。它要访问工作记忆，要访问长期记忆，要调用工具，对存储系统的压力会非常大。

一个智能体还会和另一个智能体协同工作。有些智能体背后是超大模型，有些是小模型，有些是扩散模型，有些是自回归模型。

也就是说，现在一个数据中心里，已经同时存在各种完全不同类型的模型。我们做Vera Rubin，就是为了跑这种极其多样、极其复杂的工作负载。

我的感觉是，我们原来本质上是一家“一个机架”的公司，现在一下子又加进来了四种新机架。

换句话说，英伟达的TAM，也就是可服务市场空间，已经从原来的那个规模，一下子又被拉大了不少，粗略讲，可能比原来大了三分之一，甚至一半。

而在新增出来的这部分空间里，很大一块会是存储处理器，也就是BlueField；还有一部分，我希望会是Groq处理器；还有CPU；还有大量网络处理器。

这一整套东西，最后都要共同去运行AI革命中的那台计算机，也就是智能体。

 主持人  那再往现代工业和嵌入式应用里看呢？比如说，我女儿家里的泰迪熊也想开口跟她说话，那里面该放什么？会是一个定制ASIC吗？

还是说，随着边缘端和嵌入式应用的展开，整个TAM反而会变得更大，而且针对不同场景会发展出不同工具？

 黄仁勋  我们认为，这个问题里其实有三台计算机。

把视角拉高一点看，第一台计算机，是训练AI模型、创造AI本身的那台计算机。

第二台计算机，是用来评估AI的。因为不同的问题，需要不同方式去验证。比如你现在四处看看，到处都是机器人、汽车这类系统。

你得把这些机器人先放进一个“虚拟健身房”里做评估，而这个虚拟世界必须尽可能逼真地代表现实世界，它要遵循物理定律。

所以，这是第二台计算机。我们把它叫作Omniverse。

第三台计算机，就是边缘端的计算机，也就是机器人本身那颗脑子。它可以是一辆自动驾驶汽车，也可以是一个机器人，也可以是一个很小很小的设备，比如一只泰迪熊。

而在这些边缘端设备里，我觉得最重要的一类，是我们现在正在推进的一件事，就是把电信基站也变成AI 基础设施的一部分。这样一来，整个电信行业，那个两万亿美元级别的产业，未来都会逐渐被改造成 AI 基础设施的延伸。

无线电会变成边缘设备，工厂会变成边缘设备，仓库也会变成边缘设备。总之，你看到的各种现实场景，都会被纳入这个体系。

所以，本质上就是这三台计算机。它们每一台，未来都不可或缺。

02

推理工厂要花500亿美元量级意味着什么

 主持人  黄仁勋，去年你其实就比很多人都更早地说过，推理的规模会增长一千倍。

 黄仁勋  布拉德，你这话有点伤我心了。

 主持人  那现在是不是该改口了？是一百万倍？十亿倍？

 黄仁勋  对，没错。

 主持人  我觉得，当时很多人都觉得你这个说法太夸张了，因为那时整个世界关注的还是预训练。可现在你看，推理真的已经爆了，大家反而开始受制于推理能力了。

你这次又发布了一座“推理工厂”，下一代工厂在吞吐量上看起来还能再提升10倍。但如果我去听外面的讨论，市场上会有人说，你这个推理工厂要花400亿到500亿美元，而那些定制ASIC、AMD以及其他方案，也许只要250亿到300亿美元。

那结果就是你会丢份额。

所以你不如直接讲讲，你自己怎么看这件事？你怎么看份额？大家真的有必要为你的系统支付将近两倍的溢价吗？

 黄仁勋  这里最核心的一点是，你不能把工厂的价格，和token的成本画上等号。

很可能，那个500亿美元的工厂，最后反而能给你产出成本最低的token。这一点我可以证明。原因就在于，我们生产token的效率高得惊人，是数量级上的领先。

你想想看，这500亿里，其实有200亿是土地、电力和机房壳体，这些你无论选谁都得花。除此之外，你反正也得买存储、买网络、买CPU、买服务器、买散热。

所以真正的差别，并不是“500亿对300亿”，而更像是“500 亿对400亿”。你随便取个数，大概就是这个量级。

可问题在于，这座500亿的数据中心，吞吐量却是对方的10倍。那这点差价，在整个系统的回报面前，根本不算什么。

这也是为什么我一直说，对于大多数芯片来说，如果它跟不上技术演进的速度，跟不上我们现在推进的节奏，那哪怕它免费，也还是不够便宜。

03

身为CEO如何做战略决策

 主持人  我想换个更general的战略问题。你现在经营的是全世界市值最高的公司，这家公司明年收入可能要到3500亿美元以上，自由现金流可能到2000亿美元，而且还在以这种惊人的速度复利增长。

你到底是怎么决定该做什么的？你怎么获取信息？怎么形成对市场的判断？什么时候要重注，什么时候该收缩，什么时候又该进入一片全新的绿地？最终这些判断，到底是怎么做出来的？

 黄仁勋  这就是CEO的工作。

我们的职责就是定义愿景，定义战略。当然，我们会听取公司里那些杰出的计算机科学家、技术专家，以及各个团队优秀同事的意见。

但归根到底，是我们要去塑造那个未来。

其中一个判断标准是，这件事是不是难到离谱。如果它不够难，我们反而应该离它远一点。

因为如果一件事很容易做，那显然竞争对手就会很多。

第二个问题是，这是不是从来没有人做成过的事。

第三个问题是，这件事是不是难到极致，但同时又刚好能调动出我们公司最特殊的那些能力。

所以我必须去寻找这样一个交汇点：一件前所未有、异常艰难、但又恰好能激发出我们“超能力”的事情。只有这种事情，才值得我们投入。

当然我们心里也很清楚，真正伟大的东西，背后一定伴随着大量的痛苦和折磨。没有什么伟大的发明，是因为它太容易了，第一次试就轻轻松松成功了。

真正重要的事情，从来都不是那样来的。

 主持人  所以如果一件事特别难做，从来没人做成过，那大概率就意味着，你会经历很多痛苦和折磨。既然如此，你最好还能从中找到乐趣。

那你不如就挑三四个更“长尾”的方向，跟我们讲讲它们长期到底有没有可能跑出来。比如太空数据中心，比如你们在ADAS和汽车上做的事，再比如生物这条线。

你就给大家一个感觉，你是怎么判断这些更偏长期的业务，会在什么时间点开始真正向上拐的。

 黄仁勋  这是个很好的问题。

先说物理AI。我们非常相信这会是一个很大的类别。刚才我也提到过，我们现在看到的是三套计算系统，以及叠加在它们之上的整套软件平台。

物理AI之所以重要，在于它是科技行业第一次有机会去切入一个50万亿美元级别的产业，而这个产业在很长时间里，其实都几乎没有被技术真正改造过。

所以我们必须把为此所需要的一整套技术都发明出来。

我一直觉得，这是一段十年的旅程。而我们十年前就已经出发了。现在，我们终于看到它开始拐头向上了。对我们来说，它已经是一门数十亿美元规模的生意，现在一年已经接近100 亿美元。

所以，这已经是一块很大的业务，而且还在指数级增长。这是第一点。

再说数字生物学。我真的觉得，我们已经快走到数字生物学的ChatGPT 时刻了。

我们很快就会真正掌握，如何在模型中刻画基因、蛋白质和细胞。至于化学分子，我们其实已经开始理解了。

也就是说，我们正在接近这样一个阶段，我们不仅能刻画生物这些最基础的构件，还能理解它们彼此之间是怎么动态作用的。

我觉得这件事，大概是未来两三年，或者五年之内会发生的事。

如果把时间拉到五年后，我完全相信，数字生物学会在医疗健康行业迎来真正的拐点。

这几个方向，我觉得都非常重要。而且你其实已经能从周围感受到这种变化了。农业也是一样。农业现在就在发生拐点，这一点我毫不怀疑。

04

开源工具、生态以及政策推动

 主持人  你们这家公司，很大程度上是靠爱好者、视频游戏玩家，还有最早那批显卡用户起家的。你今天在台上对着大概一万人，提到了Claude、Claude Code，也提到了OpenClaw。你说智能体已经成了一场真正的革命。尤其是那群爱好者，他们身上现在有非常强的能量。我们也看到，很多创新的突破，其实都希望能先回到桌面端。

我想问的是，这股从开发者和草根社区里冒出来的力量，也就是在桌面端做开源智能体、用开源工具这件事，在你眼里到底意味着什么？它会往哪儿去？

 黄仁勋  这太棒了，真的太棒了。

先往后退一步看。过去两年，我们其实看到了三个拐点。

第一个拐点，是生成式对话。ChatGPT让AI第一次真正进入普通人的视野。一下子，大家都意识到AI原来已经到了这个程度。

但事实是，这项技术在ChatGPT之前，其实一直就摆在那里。只是直到ChatGPT给它套上了一个用户界面，让普通人也能轻松用起来，生成式AI才真正起飞。

而生成式AI，大家都知道，它生成token，不只是给外部看，也给内部用。对外，是输出；对内，其实就是思考。

而这种内部思考再往前走一步，就变成了推理能力。

往后，像o1、o3这些模型，又把这股浪潮继续往前推。

再往后，AI开始有了更扎实的现实锚点。也就是让AI不只是会回答问题，而是能更扎实、更有依据地回答问题，真正变得有用。

也正是从那时起，我们开始看到OpenAI的收入和它背后的经济模型开始明显拐头向上。

第三个拐点，其实一开始只是在行业内部发生的，那就是Claude Code。它是第一个真正有用的智能体系统，某种意义上说，简直是革命性的。

但Claude Code当时只提供给企业，大多数圈外人其实根本不知道它是什么。

真正把“AI agent 到底能做什么”这件事带进大众意识里的，是OpenClaw。也正因为如此，OpenClaw在文化层面上才那么重要。

而它重要的第二个原因是，它虽然是开源的，但它同时也把一种全新的计算模型真正结构化了出来。它其实是在重新发明“计算机”本身。

它有一套记忆系统。Scratch（临时工作区）相当于它的短期记忆，file system（文件系统）则相当于它的长期记忆。

 主持人  你刚才说的是skills（技能），还是scales（规模）？

 黄仁勋  是skills。

首先，它有资源而且会管理资源；它会做调度，它会启动任务；它能把一个问题拆开，再分配出去解决；它还有输入输出子系统，它既能接收输入，也能给出输出；它还可以接到WhatsApp上，它还有一套API，能够运行各种不同类型的应用，也就是所谓的skills。

而这几样东西，恰恰就是一台计算机最根本的构成。

所以我们现在得到的，其实是人类第一次拥有了一台真正意义上的“个人人工智能计算机”。

它是开源的，而且几乎到处都能跑。

所以这已经不只是一个小工具了。它其实就是现代计算的蓝图，是下一代计算的操作系统。而且最终，它会无处不在。

当然，这里面有一件事是我们必须帮它补上的。只要进入智能体软件的时代，你就得确保这些智能体在拿到敏感信息、执行代码、对外通信的时候，整个过程都要受到治理、约束和保护。

我们必须确保，这一整套系统既安全，又有边界，还要有一套策略，让智能体可以同时拿到其中两项能力，但不能把最危险的三项能力在同一时刻全部放开。

所以在治理这一块，我们也做了很多投入。

 主持人  这种范式转移，会不会让各州过去已经通过，或者现在还在讨论的很多人工智能监管法案很快就显得不合时宜，甚至直接失去针对性？

你能不能谈谈，这种范式变化到底快到了什么程度？因为现在政治层面对AI监管的讨论越来越热，但技术本身其实已经在迅速改写原来的监管前提。

 黄仁勋  这恰恰是我们必须持续和政策制定者沟通的地方。

我们得始终走在他们前面，让他们知道，这项技术今天真实的状态到底是什么，它是什么，又不是什么。

它不是一种生物，不是外星生命，也不是有意识的存在。说到底，它就是软件，是计算机软件，仅此而已。

还有一点，我们经常会听到一种说法，说我们对它几乎一无所知。其实也不是这样。不是说我们已经什么都懂了，但也绝不是完全不懂。对于这项技术，我们其实已经理解了很多。

所以我觉得，第一，我们必须持续去帮助政策制定者理解这项技术；第二，我们不能让“末日论”或者极端化叙事，去左右他们对这项技术的判断。

当然，另一方面，我们也必须承认，这项技术变化得太快了。所以政策不要过早跑到技术前面去。

如果规则立得太早，最大的风险是，别的国家已经在采用这项技术，而我们自己却因为愤怒、恐惧，或者某种偏执，反而让本国的产业和社会没能充分利用AI。

所以我现在最担心的，其实是人工智能扩散在美国国内推进得不够快。

05

对于Anthropic创始人对外言论的建议

 主持人  那我再追问一句。假设当时你就坐在Anthropic的董事会里，面对他们和美国国防部那场风波。某种程度上，这件事其实也延续了刚才那条线，也就是很多人本来就不知道该怎么理解AI，结果又在此基础上多叠加了一层反感、恐惧，或者说，对AI软件层的不信任。

如果当时是你，你会不会建议达里奥（Dario）和他的团队换一种做法，好让事情最后的走向，以及外界的观感，多少有所不同？

 黄仁勋  我先说一句，Anthropic的技术真的非常出色。我们自己就是Anthropic技术的重要使用者之一。

我非常欣赏他们对安全的重视，也非常欣赏他们追求技术卓越的方式。他们内部形成这套能力的文化，我觉得也很了不起。

而且，我也认同他们想提醒公众注意这项技术能力边界的初衷，这本身是对的。

只是我们也要明白，这个世界本来就是一个光谱。提醒别人提高警惕是好的，但如果变成刻意吓人，就没那么好了。

因为这项技术对我们来说太重要了。

我觉得预测未来当然没问题，但我们的表达应该更克制一些，更审慎一些，也更谦逊一些。因为说到底，我们并不能真正把未来看得一清二楚。

如果你说出一些特别极端、特别灾难化的话，但现实里又没有证据表明那种事真的会发生，那它带来的伤害，可能比很多人想得还要大。

而且今天，我们这些技术公司的话语权，已经和过去不一样了。

以前也许没人太在意我们说什么，但现在不是这样了。科技已经嵌入社会结构，也已经成了国家安全里极其关键的一部分。

所以，我们说的话，是真的会带来后果的。

我们说话一定要更谨慎。要更克制，更平衡，也要更周全。

06

10万亿美元市场的想象空间

 主持人  你在公司内部已经看到效率提升和生产率提升了。可外面一直在争论，AI到底有没有真正的投资回报，对吧？

你和我在今年年初其实就在讨论，最大的那个问题就是：收入到底会不会真正出现？收入增长的曲线，能不能跟上智能能力扩张的曲线？

后来到了二月，Anthropic又出现了那种五六十亿美元量级的“奥本海默时刻”。

你会不会觉得，我们已经真正走上那条曲线了？也就是说，收入会开始像智能能力一样，一起加速放大。

 黄仁勋  这个问题我想从几个角度来回答。

你看看今天在场的人。Anthropic和OpenAI当然都在，但实际上，这里99%和AI有关的东西，并不是Anthropic，也不是OpenAI。

原因就在于，AI本身就是一个高度多元的世界。

如果按模型类别来看，最受欢迎的其实还是开放权重、开源这一类开放体系；再往后才轮到Anthropic，而且差距还不小。

这本身就说明，今天在现场的AI公司，无论数量、规模还是分布广度，都已经到了一个很大的量级。

所以这一点很重要，我们得先意识到，AI远不只是少数几家公司。

但回到你刚才的问题，我想讲两件事。

第一，当我们从生成式AI走到推理式AI，所需要的计算量大概增加了一百倍。

当我们从推理式AI再走到智能体，计算量又大概再增加了一百倍。

也就是说，短短两年时间里，计算需求已经放大了差不多一万倍。

与此同时，人们当然愿意为信息付费，但更多时候，他们真正愿意付费的，其实是“工作被完成”这件事。

跟一个聊天机器人聊几句，拿到一个答案，当然很好；让它帮我做研究，也已经很厉害了；但如果它真的能把工作做完，那我就愿意认真掏钱。

而这，正是我们现在所在的位置。智能体系统已经不只是回答问题了，它是真的在把工作做出来，它们已经在帮助我们的软件工程师完成工作。

所以把这两件事叠起来看，一边是计算需求放大了一万倍，另一边是用户的付费意愿，到现在大概已经放大了一百倍。

而我们其实都还没真正开始大规模扩张。

所以我会说我们现在绝对已经到了百万倍这个量级。而这，也正好把我们重新带回到那个10万亿美元市场的想象空间。

07

未来每个工程师身边都会有一百个智能体

 主持人  说到这里，你们公司现在有两三万人？

 黄仁勋  我们现在有4.3万名员工。

 主持人  其中我猜有3.8万可能都是工程师。现在大家都在感叹，自己公司里的token 用量涨得太快了。甚至已经开始有人会问，加入一家公司以后，公司会给我多少token，因为这会直接决定我能不能成为一个高效员工。

如果我们倒推一下，现在英伟达是不是已经相当于给每位工程师配了大概7.5万美元的token预算？也就是说，你们现在是不是已经在内部花了十亿、二十亿美元，给工程团队买token了？

 黄仁勋  我给你一个思想实验。

假设你有一个软件工程师，或者一个AI研究员，你一年给他50万美元。现在这种事每天都在发生。

那等到年底，我会去问这个人：你这一年到底花了多少token？

如果他告诉我，只花了5000美元，我会当场抓狂。

说得再直白一点，如果一个年薪50万美元的工程师，一年连25万美元的token都没用掉，我会非常警觉。

这就像一个芯片设计师跑来跟我说：“我决定只用纸和笔，不打算用CAD工具了。”本质上没有任何区别。

 主持人  这真的是一种范式转移。

这让我想到NBA。以前大家听说勒布朗·詹姆斯一年花一百万美元保养身体，都觉得太夸张了。可你看，他到了41岁还在打。

如果这些人真的是最顶级的知识工作者，那我们为什么不该给他们“超人”般的能力？

如果把这个趋势再往后推两三年，在英伟达这样一家公司里，一个顶尖员工的效率会高到什么程度？他们到底能做到什么？

 黄仁勋  首先，那些我们过去习以为常的念头，都会消失。

“这太难了。”这种念头会消失。

“这会花很久。”这种念头会消失。

“这得招很多很多人。”这种念头也会消失。

这就像上一轮工业革命之后，没有人再看着一栋楼说：“天啊，这楼也太重了吧。”

也没有人会看着一座山说：“这山太大了，根本搬不动。”

凡是“太大”“太重”“太久”这类限制，都会慢慢退出你的思考框架。

最后真正留下来的，只剩下创造力。

 主持人  没错，最后就变成了，你到底能想出什么。

 黄仁勋  对，正是这样。接下来的问题就变成了：你要怎么和这些智能体一起工作。

说到底，这只是编程方式的一次变化。

过去我们写的是代码，未来我们写的会是想法、架构和规格说明。

我们会去组织团队，会帮助这些智能体明确怎样评估结果，什么叫好，什么叫不好，什么才算真正优秀的结果。

我们会和它们一起迭代，一起做头脑风暴。

真正重要的，会变成这些能力。而我相信，未来每个工程师身边，都会有一百个智能体。

08

“小龙虾”们不会摧毁软件行业反而是加强

 主持人  回到自动研究系统本身。你怎么看这件事？一个周末、600 行代码、能在本地跑，还能在这么多不同类型的数据集上做出这样的结果。这到底说明了什么？它是不是也意味着，我们在算法优化和硬件优化上，其实都还处在非常非常早期的阶段？

 黄仁勋  OpenClaw之所以这么惊人，最根本的原因有两个。

第一，它刚好出现在一个“交汇点”上。它和大语言模型的突破，几乎是在一个完美的时间点上撞到了一起。

这个时机太准了，准得近乎不可思议。

很多事情如果不是因为Claude、GPT、ChatGPT这些模型已经发展到了今天这样的高度，彼得（OpenClaw创始人）也未必会想到这条路。

第二，它打开了一种新的能力。也就是让这些模型学会了调用工具，去使用我们过去很多年积累下来的那些工具。比如浏览器、Excel 表格。

再比如，在芯片设计领域里，有Synopsys、Cadence；还有 Omniverse、Blender、Autodesk。未来，这些工具不但还会继续被使用，而且会被使用得更频繁。

现在有些人会说，企业软件行业最后会被AI摧毁。但我其实有完全不同的看法。

过去，企业软件的生意本质上是“按人头卖”。说到底，它服务的是一个个坐在工位上的人。

可接下来，情况会完全不一样。未来涌向这些工具的，不只是人，而是数量多得多的智能体。它们会去操作SQL，会去调用向量数据库，会去使用Blender，也会去调Photoshop。

为什么我不觉得这些软件会被替代？

第一，这些工具本来就已经非常成熟，也非常强大。

第二，更重要的是，它们其实是我们和最终成果之间的桥梁。工作就算是AI做完的，最后也还是得回到一个我能看得见、改得动、控得住的地方。

而这些工具，恰恰就是我熟悉，也真正能掌控的地方。

所以我希望，所有结果最后都能回到Synopsys，回到Cadence。

因为只有在那里，我才能真正检查它、验证它，确认它到底对不对。

你也可以理解为，AI也许会改变企业软件的使用方式，但它未必会毁掉这些软件。恰恰相反，它很可能会让这些软件变得比以前更重要。

09

现在投的每一家创业公司基本都从开源路线开始

 主持人  我想顺着这个再问你一个关于开源的问题。

现在我们有这些闭源模型，它们非常强。我们也有开放权重模型，很多中国模型也做得非常出色，真的非常出色。

你怎么看开源最后会走向哪里？你会不会觉得，不只是架构会越来越去中心化，算力本身也会越来越去中心化，从而支撑开放权重，支撑一种真正彻底开源的路径，让AI 最终被所有人广泛使用？

 黄仁勋  我一直相信，我们从根本上既需要把模型当作一级产品，也就是专有产品，同时也需要开源模型。

这不是二选一，不是A或B，而是A和B都需要。这一点我没有任何怀疑。

原因就在于，模型首先是一项技术，不是一个最终产品。它是一项技术，也不只是一种单独的服务。

对绝大多数用户来说，在那个通用智能的横向层上，我其实并不想自己再去微调一套模型。我很乐意继续直接用ChatGPT，也很喜欢用Claude，喜欢用Gemini，也喜欢用 xAI的产品。

它们各自都有不同的“性格”，你也知道，这某种程度上取决于我当时的心情，也取决于我到底在解决什么问题。

有些时候，我可能就想在X上做；有些时候，我可能更愿意在ChatGPT上做。

所以，这一部分市场本身会发展得很好，而且会继续繁荣下去。

但与此同时，还有大量行业，它们自己的领域知识和专业能力，必须被真正沉淀下来，必须以一种它们自己能够掌控的方式被捕捉下来。

而这件事，只能来自开放模型。

我们现在也在大力投入开放模型生态。它已经非常接近前沿了。坦白讲，就算它真的追到了最前沿，我依然觉得，那种以产品和服务形态存在的世界级模型，还是会继续很好地发展下去。

我们现在投的每一家创业公司，基本都是先从开源路线开始，然后再逐步接入专有模型。

而最美妙的地方在于，只要你有一个足够好的路由器，把这两者接起来，那么从第一天起、从每一天起，你都能接触到世界上最好的模型。

同时，它也给了你足够的时间，去降成本、去微调、去做专业化。

所以，你几乎每一次出手，都能拥有世界级的能力。

10

英伟达失掉了全球第二大市场的巨大份额

 主持人  我能不能换个角度问。没有谁比你更希望美国赢下全球AI竞赛了，对吧？你给打个分吧。美国AI技术向全球扩散这件事，现在做到哪一步了？我们是A，还是B，还是C？什么地方做得好，什么地方还不行？

 黄仁勋  首先，特朗普总统希望美国工业领先，希望美国科技产业领先，希望美国科技产业赢，也希望美国技术向全世界扩散。他希望美国成为世界上最富有的国家。这些，都是他希望做到的事。

但就在我们说话的此刻，英伟达在全球第二大市场上，已经把原本95%的市场份额拱手让掉了，现在是0%。

而特朗普总统希望我们重新回到那里。

眼下第一件事，就是先把那些我们能够卖货的公司，重新拿到许可证。已经有很多公司提出了申请，我们也替它们提交了许可申请，而且卢特尼克那边已经批准了一部分许可。

接着，我们也把这件事通知了中国公司，其中很多已经给我们下了采购订单。所以现在，我们正在重新把供应链发动起来，准备开始出货。

但如果站到更高的层面去看，我觉得我们首先要承认一件事。

当我们拿不到小型电机、稀土矿物的时候，我们的国家安全其实是在被削弱的。

当我们无法掌控自己的通信网络时，我们的国家安全是在被削弱的。

当我们无法为这个国家提供可持续能源时，我们的国家安全同样是在被削弱的。

这些行业，每一个都是我不希望AI行业变成的样子。

如果我们往前看，问一句：美国科技产业、美国AI产业真正领导世界，会是什么样子？

我们其实都知道，不可能存在一种局面，就是全世界最后只剩下一套AI模型。这本身就不合理，也不现实。

但我们完全可以想象另一种局面：从芯片、计算系统到平台，整套美国技术栈被全世界广泛采用。至于他们在这套技术栈上，是做自己的AI，用公共AI，还是用私有 AI，那都可以；他们也可以在自己的社会里，基于这套技术栈去构建自己的应用。

我会非常希望，美国技术栈能占到全球90%。

11

仍会百分之百扎根中东

 主持人  你现在对全球这些冲突局势，到底盯得有多紧？这些事情会不会让你担心？又花了多少精力在上面？

 黄仁勋  首先，中东对我们来说，不只是地图上的一个区域。我们在那里有6000个家庭。

英伟达有很多伊朗员工，他们的家人现在还在伊朗。所以，我们在那里牵挂着很多很多家庭。

首先，他们现在都非常焦虑，非常担心，也非常害怕。我们一直在想着他们，也一直在关注他们的情况。他们会得到我们百分之百的支持。

也有人问过我，在这样的局势下，我们还会不会继续留在以色列。

我的回答是，我们百分之百留在以色列。我们百分之百站在那里的员工和家庭身后。我们百分之百扎根中东。

也有人问过我，在中东发生这些事情之后，我们还会不会认为，那是一个值得继续扩展人工智能的地区。

我的看法是，这场战争之所以发生，自有它的原因。而我也相信，战争结束之后，中东会比战前更稳定。

所以，如果战争之前我们觉得那里值得投入，那么战争之后，我们当然更应该认真考虑。我对这件事的态度，是百分之百投入。

至于供应链的问题，我觉得我们得做三件事。

第一，要尽快把美国重新工业化。不管是芯片制造厂、计算机制造厂，还是AI工厂，这件事都得尽快推进。

 主持人  我们现在做得怎么样？

 黄仁勋  做得非常好。

正因为我们得到了中国台湾地区供应链在战略上的支持，才能以惊人的速度，在亚利桑那、得州和加州推进这些项目。

第二，我们必须把制造供应链进一步分散。无论是韩国、日本，还是欧洲，我们都应该推动供应链多元化，让它更有韧性。

第三，在我们一边提高多元化、一边提高韧性的同时，也要保持克制。不要去做没有必要的施压。我们需要有耐心，也需要更审慎一些。

 主持人  那氦气会是个问题吗？现在很多报道都在说氦气可能会出问题。

 黄仁勋  我觉得氦气有可能会成为一个问题，但也有一种可能是，整个供应链里本来就留了不少缓冲空间。

这类东西通常都会有一定的缓冲。所以现在，我会说它值得关注，但还没到让我特别担心的程度。

12

关于自动驾驶开放性的解决方案

 主持人  你们在自动驾驶这件事上也取得了很大进展，这次还有很多新合作伙伴，包括比亚迪。我想问，你在这盘棋上到底是怎么想的？因为看起来，你们有一套很深的栈，有些地方是在竞争，有些地方又是在合作。

 黄仁勋  退一步看，我们相信，凡是会移动的东西，未来总有一天都会实现自动化，要么完全自动，要么部分自动。

第二，我们自己并不想造自动驾驶汽车，但我们希望让全世界每一家车企，都有能力造出自动驾驶汽车。

所以，我们把这三台计算机都做出来了：训练用的计算机、仿真用的计算机、验证和评估用的计算机，以及车端计算机。

我们还开发了全世界最安全的自动驾驶操作系统。

与此同时，我们也做出了第一套具备推理能力的自动驾驶系统。它可以把一个复杂场景拆解成若干更简单的场景，再一步一步穿过去，就像我们现在看到的那些推理系统一样。

这套推理系统叫Halos。它让我们拿到了非常惊人的成果。

我们的做法是，把底层能力开放出来。纵向上做深度优化，横向上持续创新，然后让每一家客户自己决定：你是只想买我们的一台计算机？

像马斯克和特斯拉那样，只买我们的训练系统？还是你既想买训练系统，也想买仿真系统？又或者，你想让我们一起把三套系统都做进去，甚至把车端计算机也装进你的车里？

所以我们的态度一直很简单，我们想解决问题。我们不是非要限定一种解决方案。你愿意怎么和我们合作，我们都很高兴。

13

关于客户不断变成竞争对手这件事

 主持人  你确实搭起了这样一个平台，让一千朵花一起开。但与此同时，也确实有一些“花”开始往下扎，重新进入底层栈，想在某些环节上和你竞争。

谷歌有TPU，亚马逊有Inferentia和Trainium。现在几乎每一家都在搞自己的版本，多少都有点“我也能比英伟达更英伟达”的意思，哪怕它们同时又是你们的大客户。

那你怎么看这种关系？长期看，这些东西会怎么发展？在你眼里，它们在整个棋局里到底扮演什么角色？

 黄仁勋  这个问题非常好。

首先，我们是全世界唯一一家真正意义上的AI公司。我们自己就在做前沿基础模型，而且是在很多不同领域同时推进。我们把每一层、每一栈都做了。

我们也是全世界唯一一家，和全世界每一家AI公司都有合作的AI公司。

他们从来不会告诉我他们在做什么，但我总是把我在做什么，原原本本地摆在他们面前。

所以，我们的信心就来自这里。

第一，我们非常乐于在“什么才是最好的技术”这件事上竞争。而只要我们还能继续保持这样的速度，我就相信，对他们来说，买英伟达，依然是最经济的选择之一。

这一点，我的信心非常强。

第二，我们是唯一一种可以部署在每一朵云上的架构。这给了我们一些非常根本的优势。

我们也是唯一一种可以从云端拿出来，放到本地部署，放到车里，放到任何一个地区，甚至放到太空里的架构。

而我们的市场里，有很大一块是很多人没有意识到的。大概40%的业务，如果你没有CUDA栈，如果你没法构建一整座AI工厂，客户其实根本不知道该怎么用你。

因为他们不是想造芯片，也不是想单纯买芯片，他们真正想建设的是AI基础设施。所以他们需要你带着一整套全栈能力走进去。

而我们正好拥有整套栈。

所以你如果看今天的情况，会发现一个很有意思的事实：英伟达其实还在继续提升市场份额。

 主持人  所以你的意思是，这些公司先自己试一圈，最后发现“天哪，这也太复杂了”，然后又回来了。所以你的份额反而继续涨。是这个逻辑吗？

 黄仁勋  份额增长有好几个原因。

第一，我们的推进速度更快了。我们也让越来越多人意识到，真正的问题从来不是造出一颗芯片，而是造出一个系统。

而系统这件事，是非常非常难的。所以他们和我们的合作规模在扩大。

比如AWS，我记得他们昨天刚宣布，未来几年要买一百万颗芯片。这已经是一个极其巨大的数字了。而这还不包括他们之前已经买过的那些。

所以我们当然很高兴做这些生意。

但更关键的是，过去这几年我们之所以份额在涨，不只是因为这些云厂商，还因为Anthropic在往英伟达上来，Meta的Llama生态也在往英伟达上来，开放模型的增长更是惊人，而这一切都跑在英伟达上。

所以，我们的份额在增长，是因为模型的数量在增长。

与此同时，很多增长其实已经发生在云之外了。它们正在区域市场、企业市场、行业市场以及边缘端不断扩张。而这一整块，如果你只是做一个ASIC，其实是很难打进去的。

14

分析师根本没有理解AI的规模和广度

 主持人  顺着这个问题再追问一句，不谈太细的数字，但分析师们看起来并不相信你这套叙事。

你说算力可能会增长一百万倍，对吧？可如果你去看市场一致预期，他们给你明年的增长大概是30%，后年是20%，到2029年——本来应该是个大年，反而只给7%。

如果拿你的TAM再套上他们的增速，隐含的结论其实是，你的份额会大幅下滑。所以你自己看未来的订单簿，有没有什么东西会让这种判断成立？

 黄仁勋  首先，他们根本没有理解AI的规模，也没有理解AI的广度。

很多人一提到AI，脑子里想到的就是前五大科技巨头，或者就是那几家头部公司。但AI远远不止这些。

 主持人  还有一种很典型的看法，总喜欢拿“大数定律”来压你。他们回到投行的风险委员会，总得拿出一个看起来“合理”的模型。他们不可能在脑子里真的接受一家5万亿美元的公司还能长到15万亿美元。对他们来说，这已经超出认知边界了，于是最多给你想成7万亿。很多时候，其实只是这种思维惯性。

 黄仁勋  没错。因为你首先得重新定义，你到底是在做什么。

前阵子还有人问我，说黄仁勋，英伟达怎么可能在服务器市场上比英特尔还大？

问题就在于，过去整个数据中心CPU市场一年大概也就250亿美元。而我们现在，坦白讲，就在咱们坐在这里聊天的这会儿，做出来的生意都差不多到这个量级了。

这可不是业绩指引。

但重点是，一家公司能长多大，首先取决于你到底在做什么。

英伟达不是在卖芯片。而且现在，光有芯片已经解决不了AI基础设施的问题了。这件事太复杂了。

还有第三点，大多数人对AI的理解还是太窄了。他们看到、听到的，只是那最显眼的一小块。

OpenAI很了不起，它会非常大。Anthropic也很了不起，它也会非常大。

但AI会比这些大得多，大得多得多。而我们服务的，正是那一整片更大的世界。

15

关于太空数据中心及医疗健康

 主持人  给我们讲讲太空数据中心吧。对普通人来说，这件事到底该怎么理解？它和我们在地面上看到的那些大规模数据中心建设，到底有什么区别？

 黄仁勋  首先，地面上的事情我们当然要先做好，毕竟我们现在就在地球上。这是第一点。

第二点，我们也应该为进入太空做好准备。毕竟太空里有很多能源。

当然，最大的问题是散热。在太空里，你没法像地面一样利用传导或者对流，基本只能依靠辐射散热。

而辐射散热就意味着，你需要非常大的表面积。

这倒也不是一个完全无法解决的问题。毕竟太空里，空间倒是真的很多。

只是无论如何，成本现在还是摆在那里。

不过我们已经在做探索了。事实上，我们其实已经在太空里了。我们的系统已经做了抗辐射处理，全世界很多卫星上都已经在跑CUDA。

它们在做成像、图像处理、AI成像这类事情。而这些事情，很多本来就应该直接在太空里完成，而不是先把所有原始数据传回地面，再在地面上处理。

所以本来就有很多工作，理应在太空完成。

与此同时，我们也会继续探索，如果数据中心真的要去太空，它的架构到底应该长什么样。

这会花很多年，不过没关系，我时间很多。

 主持人  我想再追问一下医疗健康。你到底是怎么保养的？你这状态真不错。这是不是亚洲人的优势？

 黄仁勋  深蹲、俯卧撑，还有静蹲。

 主持人  行，这套听起来倒是靠谱。

不过说回正题，在医疗这件事上，整个建设到底会走到哪里？我们现在到底取得了什么进展？

我想我们大家都知道，现在ChatGPT这类大语言模型，在第一次问诊这个层面上，很多时候已经做得更稳定、更一致了。

所以，到底还需要发生什么，AI才能真正突破监管和体系的束缚，对整个医疗系统产生实质性的影响？

 黄仁勋  我们在医疗领域大概有几个方向。

第一个方向，是AI biology。也可以说，是用AI去理解、刻画和预测生命系统的行为。这一块在药物发现里非常重要。

第二个方向，是智能体。也就是用智能体去辅助诊断、辅助决策、辅助整个医疗流程。OpenEvidence 是一个非常好的例子，Hippocratic也是一个很好的例子。我们很喜欢和这些公司合作。

我真心觉得，这会是智能体技术彻底改变我们与医生、与医疗系统互动方式的一个领域。

第三个方向，是物理AI。

第一个方向，是用AI去理解和预测生命系统的规律。第三个方向，则是让AI真正理解物理世界的法则。而这一块会被用在机器人手术上。

现在这方面已经有非常非常多的进展。

未来，在医院里你接触到的每一台设备，不管是超声、CT，还是别的仪器，都会具备智能体能力。

某种意义上说，一个安全版本的OpenClaw，以后会进入每一台仪器里。

所以从很多角度来看，未来这些仪器会以一种非常不一样的方式，去和病人、护士、医生互动。

16

全球机器人产业都会深度依赖中国供应链

 主持人   机器人到底离真正进入我们的日常生活还有多远？比如机器人厨师、机器人护士、机器人家政，或者更广义上的人形机器人，什么时候才会真正大规模进入现实世界？

尤其是在中国，他们看上去做得和我们一样好，甚至有些地方可能还更快。

 黄仁勋  这个行业很大程度上，本来就是我们开创的。美国最早把它做了起来。你也可以说，我们其实是进得太早了。

后来我们有点累了，也有点熬不住了。因为关键的使能技术，大概要再过五年才真正出现。

 主持人  也就是“大脑”。

 黄仁勋  对，就是“大脑”。我们只是比它早了一点点，结果先把自己的耐心耗光了。

但现在，它已经真的到了。

所以现在的问题，不是“它会不会来”，而是从今天这种已经证明可行、功能也已经相当强的阶段，走到真正能被市场接受、能够规模化落地的产品，还要多久。

通常一项技术，从这种阶段走到真正成熟的产品化，不会超过两三个迭代周期。

而两三个周期，大致也就是三到五年。所以，三到五年之内，我们会在很多地方看到机器人。

至于中国，我觉得它是一个非常强的竞争者。原因很简单，它的微电子、电机、稀土、磁体，这些恰恰都是机器人最基础的东西，而在这些方面，他们就是全球最强。

所以从很多角度看，我们的机器人产业其实深度依赖他们的生态和供应链。不只是我们，全球机器人产业都会在很大程度上依赖它。

所以我觉得，你会很快看到这个行业开始明显加速。

 主持人  那最终会走到什么程度？马斯克看起来的判断是，未来会是一人配一个机器人。70亿人就配70亿个，80亿人就配80亿个。

 黄仁勋  我倒希望还不止。

首先，会有大量机器人待在工厂里，全天候工作。还会有很多工厂机器人，它们不一定到处移动，但也会完成各种自动化动作。

最后，几乎所有东西都会变成机器人化的。

 主持人  对我来说，机器人最重要的一点，是它会为每一个普通人打开向上流动的机会。

当年人人都有了车，他们突然就能去做很多以前做不了的工作。未来人人有了机器人以后，他的机器人就能替他做很多事。他可以开一个Etsy 店，也可以开一个 Shopify 店，可以用机器人去制造、去执行、去完成那些他一个人原本根本做不到的事情。

我觉得，机器人最后可能会成为人类历史上最强的一次“普惠式繁荣解锁器”。

 黄仁勋  完全同意。

而且，从最简单的现实算术来看，我们今天本来就缺几百万劳动力。我们现在其实是非常迫切地需要机器人。很多公司如果有更多劳动力，本来还能长得更快。

另外，你刚才说的那些场景里，其实还有很多特别有意思的延展。

比如有了机器人之后，我们就会拥有一种“虚拟在场”的能力。我人在出差，就可以直接连进家里的机器人，远程操控它在家里走来走去。

 主持人  遛狗。

 黄仁勋  遛狗可能还差一点，不过至少你可以在家里转一圈，看看情况，跟狗聊聊天，跟孩子说说话。

再往远一点看，未来人类甚至会以接近光速的方式把“存在”送出去。到那时候，我们当然不会先把自己送过去，而是先把机器人送过去，让它替我们探路。

 主持人  然后再把我的AI上传过去。

 黄仁勋  这几乎是不可避免的。

 主持人  这其实会把月球和火星都打开。它们会变成真正可殖民的目标，而那意味着几乎无限的资源。尤其是从月球把材料运回来，理论上能耗几乎可以低到接近零，因为你可以用太阳能去加速。

也就是说，未来月球上完全可能建起工厂，为地球制造所需的一切。而机器人会是打开这一切的钥匙。

 黄仁勋  没错。到了那个时候，距离就不再重要了。

17

对创业者的建议：把你的垂直领域吃透

 主持人  而且模型和智能体赚到的收入越多，我们就越能继续去投基础设施；基础设施越完善，模型和智能体的能力又会进一步被放大。

达里奥最近在播客里说，到2027、2028年，模型公司和智能体公司会做到数千亿美元收入，到2030年，他认为这个数字会到1万亿美元。这里说的还不是基础设施收入，而只是AI应用层本身的收入。

 黄仁勋  我觉得他已经算得很保守了。我觉得达里奥和Anthropic 会做得比这还要好得多。

 主持人  哇。从300亿到1万亿？

 黄仁勋  是的。而且原因在于，他可能还没有把另一层力量真正算进去。

我相信，未来每一家企业软件公司，都会变成Anthropic、OpenAI这类模型公司的分销商，甚至是增值分销商。它们会在模型之上再包装自己的服务，再卖给客户。

 主持人  对，这会带来一种近乎指数级的扩张。

 黄仁勋  没错。它们的市场触达能力会被极大放大。

 主持人  那在这样一个世界里，最后真正留下来的护城河到底是什么？

坦白说，你们现在有一些护城河已经强到几乎不可逾越了。最被低估的一个，可能就是CUDA，这简直是一个惊人的战略优势。

但未来如果一个模型能造出特别厉害的东西，下一代模型也可能反过来把它颠覆掉。那你怎么看这些做应用层的公司？它们的护城河到底在哪里？它们要靠什么区分自己？

 黄仁勋  深度专业化。

我相信，未来一定会有一些通用模型，被接进这些软件公司的智能体系统里。其中很多会是云上的闭源模型，但同时也会有很多，是这些公司自己训练出来的、非常专业化的子智能体。

所以我对创业者的呼吁其实很简单，把你的垂直领域吃透，要比所有人都更懂它，而且要懂得更深。

然后等待这些工具追上来。因为它们正在追上你。一旦追上来，你就能把你的知识、你的判断、你的边际优势，真正灌进去。

而且你越早把你的智能体接到客户身上，那个飞轮就会越早开始转。一旦转起来，你的智能体就会非常非常快地变强。

 主持人  这其实和我们今天做软件的逻辑正好相反。

今天我们通常是先做出一个软件，然后想，哪些部分可以通用化？再尽量把它横向卖给更多人，最后再围绕它去做定制化，把客户困在这个系统里。

 黄仁勋  对，完全没错。我们先做一个横向平台。

但你注意看，现实里一直都有那么多GSI，那么多顾问公司，它们本质上就是各个行业的专家。它们拿着你的横向平台，再往每个行业里做深度定制。

而且可以说，这一整块“定制化”市场可能比你那个通用平台本身还要大五六倍。

所以，我觉得这些平台公司未来其实有机会自己长成那个“专家层”，自己变成那个垂直领域的专家，变成真正意义上的行业知识拥有者。

18

去成为一个真正会用AI的专家

 主持人  我真的得送你一朵花。我记得三年前你说过一句话，你不会被AI抢走工作，你会被会用AI的人抢走工作。

现在回头看，我们整场对话其实都在围绕这个判断展开。智能体正在把人变成“超人”，商业机会在扩张，创业机会也在扩张。你当时确实看得很早，也看得很清楚。

那你现在改变看法了吗？

 黄仁勋  我同意，岗位会变化。

比如今天很多司机，他们未来未必会消失。我反而觉得，其中很多人以后仍然会坐在车里，只不过他不再负责开车，而是坐在方向盘后面，看着车自己开。

因为说到底，一个司机真正做的，从来不只是“开车”这件事。

这些司机本质上是在帮你。他们是你的助理。他们帮你拿行李，帮你处理各种细碎但重要的事情。

所以我一点也不会惊讶，未来的司机其实会变成你的“出行助理”，在一段移动过程中，顺带帮你做很多别的事。

 主持人  对，比如替你办酒店入住，而车自己在往前开。

 黄仁勋  没错。你看，飞机上的自动驾驶系统出现之后，并没有把飞行员从驾驶舱里赶出去，反而让整个航空业需要更多飞行员。

虽然今天大部分时间，飞机其实都是自动驾驶在飞。

同样的道理，未来车在自动行驶的时候，那个司机其实也不会闲着。他会在手机上处理很多别的工作，也会因为做这些事继续赚钱。比如替你协调一堆安排，处理各种事务。

整个蛋糕最后其实是在变大，而不是简单地把谁切掉。

所以有一点我是非常确定的：每一份工作都会被改变，有些工作确实会消失。但与此同时，我们也知道，很多很多新的工作也会被创造出来。

如果我要对刚从学校出来、正因为AI而焦虑不安的年轻人说一句话，那就是，去成为一个真正会用AI的专家。

我们都希望自己的员工是会用AI的专家，而这件事其实一点也不简单。

你要知道怎么提出要求，但又不能把要求定得太死。你得给AI留出足够空间，让它自己去创新、去生成，同时你又要把它往你真正想要的结果上引导。

这里面是有手艺的。

 主持人  你当年在斯坦福是不是讲过一句很有名的话，说“我祝你们经历痛苦和磨难”。你还记得吗？

 黄仁勋  记得。

 主持人  那你现在会给年轻人什么建议？他们该学什么？

尤其是那些还没上大学、正准备从高中毕业的孩子。因为这一代人是真正的原生AI一代。他们还没决定要不要上大学，也还没决定要学什么。如果是你，你会怎么引导他们？

 黄仁勋  我还是相信，扎实的科学基础、扎实的数学能力，还有语言能力，都非常重要。

因为你们也知道，语言现在已经成了AI的编程语言，可以说是终极编程语言。

所以从某种意义上讲，学英语、学语言的人，最后反而可能会是最成功的一批人。

所以我会说，不管你最后接受的是什么教育，都一定要确保一件事，你得非常、非常擅长使用AI。

另外，关于工作这件事，我还想补充一句，而且我希望每个人都能听进去。

在深度学习革命刚开始的时候，世界上有一位我极其尊敬的顶级计算机科学家（即杰弗里·辛顿，Geoffrey Hinton），当时就判断，计算机视觉会彻底消灭放射科医生。他甚至建议大家，最不该进入的领域，就是放射学。

十年过去了，他对前半句的判断，其实百分之百是对的。计算机视觉确实已经全面进入了全球几乎所有放射学设备和平台。

但真正出人意料的结果是，放射科医生的数量不但没有减少，反而增加了，而且需求还在暴涨。

原因就在于，每个人的工作，其实都分成两个层面：一个是你平时做的那些任务，另一个是你真正承担的目的。

放射科医生的任务，当然是看片子、读扫描结果。但他真正的目的，是帮助医生，是帮助病人，是帮助完成疾病诊断和治疗。

所以最后你会发现，因为扫描变快了，医院就能做更多扫描。医疗效率提高了，病人也能更快被接收、更快被治疗。

而且别忘了，医院也是要赚钱的。它们会做更多扫描，接更多病人，更早发现疾病，收入会上升。结果是什么？结果就是，它们反而需要更多放射科医生。

这就是一个再典型不过的例子。

一个增长更快、生产率更高的国家，最后会更富。而一个更富的国家，完全可以在教室里放进更多老师，而不是更少老师。

你甚至可以让每一位老师都拥有一套面向每个学生的个性化教学方案。这会让老师变得更强，而不是被替代。

未来，每个学生都会有AI辅助，但每个学生仍然会需要优秀的老师。

 主持人  太精彩了。你真的是这个时代需要的那种引路人。你现在一直在讲这项技术积极的一面，而我觉得外面那种末日叙事已经太多了。

但与此同时，你能在取得这么大成功之后，还保持这种谦逊，说到底不过是在做软件，我觉得这对很多人来说也是非常重要的一种提醒。

 黄仁勋  我们以前就做过这样的事。我们以前就创造过新的品类，也创造过新的产业。

所以我们根本没必要滑到那种靠恐吓来推动讨论的地方去。那没有任何帮助。

而且，最后我们是可以自己做选择的。我们是有自主权的，我们是有能动性的。未来怎么走，归根到底还是我们自己来决定。