黃仁勛回應一切：木匠、水管工看到 Al 應該最興奮

如果要找一個人來解釋這場 AI 大爆發究竟是怎么發生的，黃仁勛無疑是最合適的人選。

三十年前創立英偉達、押注圖形處理器，把 CUDA 強行裝進游戲顯卡，市值從 80 億跌至 15 億，然后用十年爬回來。在所有人還在爭論推理芯片會不會只是低端市場時，他已經在為智能體時代設計機架架構。

這種提前預判，顯然不只是運氣，也離不開他幾十年如一日做的一件事：在所有人相信之前，先把那個未來講給所有人聽。

今天，知名播客主持人 Lex Fridman 公開了他與黃仁勛長達兩小時的深度專訪。

對話涵蓋 CUDA 護城河、中國科技生態、編程的未來，DLSS5、乃至意識與死亡。這是黃仁勛近期最完整的一次公開表達，也是迄今為止最接近他真實思維方式的一次記錄。

附上黃仁勛采訪文字版實錄 ：https://lexfridman.com/jensen-huang-transcript

一個問題，60 個專家同時在場，這就是英偉達開會的方式

采訪開篇，Fridman 指出英偉達已將設計重心從單芯片擴展至機架級別，涵蓋 GPU、CPU、內存、網絡、NVLink、光纖與銅纜互聯、供電、冷卻、軟件以及機架本身。他問黃仁勛：在如此多變量的協同設計中，最難的部分是什么？

黃仁勛首先解釋了極致協同設計為何從工程邏輯上不可回避。

他說，問題的根源在于規模：當你把一個任務分布到一萬臺計算機上，你期望的結果是獲得遠超線性疊加的加速效果，比如一百萬倍的提升，而單純增加計算機數量只能帶來線性收益。

這就是阿姆達爾定律的約束，也就是說，如果計算只占總工作量的 50%，即便把計算速度提升到無限快，整體也只能加速兩倍。

「一旦你把問題分布出去，所有東西都會成為瓶頸。CPU 是問題，GPU 是問題，網絡是問題，交換機是問題。分布式計算在我們這個規模下，每一個環節都必須同時攻克。」

在組織層面，黃仁勛透露自己的直接匯報超過 60 人，幾乎涵蓋所有技術學科的頂尖專家：內存、CPU、光學、GPU 架構、算法、設計，無一缺席。他刻意放棄一對一匯報制度，改為讓所有人同時在場討論任何一個具體問題。

「因為我們在做極致協同設計，所以任何一次討論都不可能只有一個人在場。我們呈現一個問題，所有人一起攻。當我們討論冷卻，網絡專家在聽；當我們討論供電，內存專家在聽。誰要是對本該關注的事情沒有關注，我會直接點名。」

他將公司架構比作操作系統，認為公司的組織結構應當直接反映它所處的環境和它要生產的產品，而非套用統一的「漢堡式」或「軟性」組織圖或者和汽車公司組織圖。

把 CUDA 塞進游戲顯卡，是最痛苦也是最關鍵的決定

在講述英偉達的戰略演進時，黃仁勛也詳細梳理了從圖形加速器到計算平臺的轉型路徑。

他說，英偉達最初是一家加速器公司，專注于圖形處理。專業化的好處是極致優化，問題在于市場邊界天然受限，而市場規模直接決定研發投入能力，研發能力又決定了一家公司在計算領域能發揮多大的影響力。

于是英偉達必須拓寬邊界，向通用計算邁進，但通用性和專業性之間往往存在天然的矛盾：越向通用計算靠攏，專業加速能力就越被稀釋。

「我把這兩個本質上矛盾的詞硬連在一起，公司必須一步一步走那條極其狹窄的路，在擴展計算邊界的同時，守住最重要的專業化能力。」

第一步是可編程像素著色器，第一次向可編程性邁進。第二步是在著色器中加入 IEEE 標準兼容的 FP32 浮點運算，這一步吸引了那些此前在 CPU 上做流處理和數據流計算的研究者。他們發現，GPU 的計算密度極高，又能兼容他們原有的軟件邏輯。這直接促成了 Cg 語言，再到 CUDA。

將 CUDA 搭載到 GeForce 消費級顯卡是整個歷史中最關鍵也最痛苦的決策。

黃仁勛說，計算平臺的價值完全取決于裝機量，而不是架構的優雅程度。他舉 x86 為例：這是歷史上被批評最多的架構，遠沒有同期那些被頂尖計算機科學家精心設計的 RISC 架構優雅，但 x86 活下來了，RISC 大多失敗了。原因只有一個：裝機量。

「當時 GeForce 每年出貨數百萬塊顯卡。我們說，不管用戶用不用 CUDA，都把它裝進每一臺 PC 里，用這個作為培育裝機基數的起點。同時我們去大學里寫教材、開課程、到處推廣 CUDA。在那個年代，PC 是主要的計算載體，沒有云，我們等于把超算塞進了每一個在校學生和研究人員的手里，總有一天會有驚喜發生。」

代價是慘烈的。CUDA 讓 GeForce 的成本大幅上升，將英偉達的毛利率徹底壓垮，公司毛利率本已只有 35%，成本增加 50% 之后，全部利潤蒸發。市值從約 80 億美元一路跌至 15 億美元，在底部徘徊了相當長的時間。

「但我們一直扛著 CUDA，一直搭載在 GeForce 上。英偉達是 GeForce 建起來的家，是 GeForce 把 CUDA 送到了所有人手里。研究人員和科學家在大學里發現了 CUDA，因為他們本來就是游戲玩家，他們自己攢電腦，他們拿 PC 組件搭集群。」

后來，這成為深度學習革命的基礎設施。對于如何作出這類賭注式決策，黃仁勛說，他的決策過程始于好奇心，然后是推理。當推理系統在內心足夠清晰地呈現出「這件事一定會發生」時，他便開始相信它，而一旦相信，就會去實現。

但更重要的是他管理集體信念的方式：他從不等到決策那一天才宣布，而是通過每一次外部信息、工程里程碑、行業新發現，持續向董事會、管理團隊、員工、合作伙伴一點一點地鋪設認知基礎。

「到了宣布的那一天，我希望所有人的反應是：『Jensen，你怎么現在才說？』收購 Mellanox 是這樣，全力押注深度學習是這樣，現在 Groq 也是這樣，我已經鋪墊了兩年半。」

他把 GTC 大會描述為向全行業塑造未來認知的工具，不只面向員工，也面向合作伙伴和整個生態。「我們不生產計算機，也不搭建云。我們是計算平臺公司，任何人都無法直接購買我們的產品，但我們向所有層級開放平臺。在我的產品準備好之前，必須先讓所有人相信它將要到來。」

Ilya 說數據耗盡了，黃仁勛說他搞錯方向了

對于 Scaling Laws（縮放定律/擴展定律），黃仁勛提出了一個系統性框架，包含四個相互咬合的層次。

第一條是預訓練擴展定律。模型越大，訓練數據越多，AI 越聰明。

當 Ilya Sutskever 表示「預訓練數據耗盡」時，業界一度恐慌，認為 AI 到了天花板。黃仁勛認為這個擔憂搞混了方向：人類生產的數據確實有限，但合成數據的比重會越來越高，而且這并不奇怪，人類知識本來就是「合成」的，知識在人與人之間流轉、被重新詮釋、再創作、再消費。AI 現在已經能夠以真實數據為基礎大量生成合成訓練數據，預訓練的瓶頸從數據量轉移到了算力。

第二條是后訓練擴展定律。通過指令微調、強化學習等方式持續精煉模型能力，這個空間仍然廣闊。

第三條是測試時擴展定律，也就是推理階段的計算投入。

黃仁勛說，當初很多人預判推理是「簡單的」，認為推理芯片只需要小而廉價，完全不需要英偉達那樣昂貴復雜的產品，將來推理市場會是一個被商品化的低端市場。「這在邏輯上就說不通。預訓練是記憶和歸納，是閱讀；推理是思考、推理、規劃、搜索、嘗試、分解陌生問題。思考怎么可能是計算輕量級的？」事實證明他是對的，測試時擴展的計算消耗遠超市場預期。

第四條是智能體擴展定律。一個大語言模型變成一個智能體，在測試時去查數據庫、使用工具、分配子任務，同時派生出大量子智能體。「擴充英偉達規模最簡單的方法是多雇員工，而智能體的分裂速度比雇人快多了。」這些智能體在運行過程中積累大量有價值的經驗和數據，其中的精華會反哺預訓練，再經后訓練精煉，再經測試時增強，形成完整的閉環飛輪。

「歸根結底，智能的擴展取決于一件事：算力。」

對于如何在硬件設計層面預判 AI 模型的走向，黃仁勛坦言這是最難的部分之一，因為 AI 模型架構每六個月就會迭代一次，而系統和硬件架構的迭代周期是三年。

英偉達的應對策略包括三條：內部做基礎研究和應用研究，自己訓練模型，獲得一手體感；作為全球唯一與所有 AI 公司同時合作的平臺公司，廣泛傾聽行業前沿的挑戰；以及保持架構的靈活性，讓 CUDA 能隨算法演進而演進。

他舉了混合專家模型（MoE）的例子：正是預判到 MoE 的崛起，英偉達才將 NVLink 從 8 路擴展到 72 路，使一個完整的 4 萬億乃至 10 萬億參數模型能夠在單一計算域內運行，行為上如同一塊巨大的 GPU。

而 Vera Rubin 一代機架相較于 Grace Blackwell 機架，最顯著的變化在于增加了存儲加速器，引入了全新的 Vera CPU，還有專為智能體任務設計的 Rock 機架，因為智能體工作時需要頻繁訪問文件系統、調用工具、執行代碼，這與單純運行 LLM 推理是完全不同的工作負載。

「為什么在 Claude Code、Codex、OpenClaw 出現之前，我們就設計好了這一代架構？因為推理根本不需要等到具體產品出現，你只需要坐下來認真思考：一個大語言模型要成為真正的數字工人，它必須做什么？它必須訪問文件系統獲取真實數據，必須能上網查資料，必須會用工具，必須能派生子任務。這些都不是玄學，就是基本邏輯。」

他還用了一個生動的思想實驗：想象十年后最強的 AI 智能體是一個人形機器人，進入你家干活，更可能的情形是它使用你家里現有的工具，比如微波爐，還是它的手指會隨時變成錘子、手術刀或者微波發生器？答案顯然是前者。「我描述的，其實就是 OpenClaw 幾乎所有的核心特性。」

黃仁勛眼中的馬斯克：一個把自己變成所有人最高優先級的人

Fridman 提到黃仁勛曾高度稱贊馬斯克在孟菲斯以四個月時間建成 Colossus 超算，目前已達 20 萬塊 GPU 的規模。黃仁勛闡述了他從中看到的工程與管理哲學。

他說，馬斯克是一個能在多個高深領域同時保持深度的人，同時又是出色的系統思考者。他習慣性地對每一件事追問三個問題：這是必要的嗎？必須這樣做嗎？必須花這么長時間嗎？層層追問之后，系統被剝離到最小必要形態，能力卻完整保留。

「他也會親自出現在問題發生的現場。有問題，他就去現場，『把問題給我看』。這種做法能打破大量『這就是我們一貫的做法』的慣性。每個供應商都有很多客戶和項目，他的做法是讓自己成為所有人項目里的最優先級，而且他是靠親身示范做到的，不是靠嘴說。」

他描述了 Fridman 也同樣經歷過的一個細節：馬斯克曾蹲在機架旁邊和工程師一起研究如何插拔線纜，目的是減少出錯概率。「從每一個細節積累起來的直覺，讓你能同時看清微觀的低效和宏觀的系統性問題，然后你才有資格說『讓我們換一種完全不同的方式來做這件事』。」

為什么中國科技圈天然傾向于開源

談及最近訪問中國之行，黃仁勛表示，全球約 50% 的 AI 研究人員是中國人，其中大多數仍在中國國內工作。中國科技行業崛起的時間節點，恰好與移動互聯網時代高度重合，使他們能夠以軟件為突破口進入全球競爭。

他認為，中國科技生態之所以能持續輸出大量頂尖公司，有幾個結構性原因。

第一是競爭烈度。中國并非一個統一的大市場，而是由無數個省和城市組成的競爭體系，這導致每個垂直領域都出現了數量驚人的競爭者，電動車如此，AI 公司亦然，最終在激烈競爭中存活下來的必然是極其優秀的企業。

第二是開放共享的文化。中國工程師圈子高度依賴于學校、公司之間的人際網絡，同學就是終身兄弟，朋友就是同行。黃仁勛說，中國工程師的優先級排序是：家人第一，朋友第二，公司第三。這個排序直接決定了他們對待知識的態度。

他們的工程師，兄弟在那家公司，朋友在那家公司，大家都是同學。同學這個概念，在中國意味著一輩子的兄弟。所以他們分享知識的速度極快，根本沒有理由把技術藏著掖著，放到開源上就好了。

第三是崇尚工程的社會文化。這是一個崇尚建造的國家。

他由此延伸到英偉達的開源戰略，特別提到 Nemotron 3，這是一個 1200 億參數的開放權重混合專家模型，架構上融合了 Transformer 與狀態空間模型（SSM）。

英偉達推進開源有三重動機：其一，自己訓練模型是極致協同設計的一部分，能讓硬件團隊直接感知模型架構的走向；其二，專有模型和開源模型各有必要，開源是讓 AI 真正擴散到每個行業、每個國家、每個研究者和學生手中的必要條件；

其三，AI 遠不只是語言，生物學、物理、氣象、流體等領域都需要專門訓練的模型，英偉達要確保每個行業都能獲得世界級的 AI 基礎模型。

43000 個人和數百萬開發者，共同撐起英偉達護城河

被問及英偉達最重要的競爭護城河，黃仁勛給出了一個清晰的排序。

第一是 CUDA 的安裝基數。

他說，即便二十年前有人做出了一個技術上更出色的替代架構，比如 GUDA 或 TUDA，也很可能失敗。因為決定架構成敗的從來不只是技術，而是有多少開發者將自己的軟件建立在這個平臺上。

CUDA 今天的地位，來自 43000 名英偉達員工數十年的持續投入，也來自數百萬開發者將他們的軟件棧壓注在這個平臺上的信任。

他還強調了英偉達執行速度的重要性：任何一個開發者只要選擇了 CUDA，幾乎可以確定六個月后它會變得更好十倍；他開發的軟件能觸達幾億臺設備、覆蓋所有主要云服務商、所有主要行業、所有主要國家；而且他能確信英偉達會在可預見的未來持續維護和改進 CUDA。「把這幾點加在一起，如果我是一個開發者，我會首先選 CUDA，并且把最多的資源投入到 CUDA 上。」

第二護城河是生態系統的橫向覆蓋。英偉達將極其復雜的系統縱向整合，但同時向每一家公司的計算平臺橫向開放接入，從谷歌云、亞馬遜 AWS、微軟 Azure，到 CoreWeave、Nscale 這樣的新興算力公司，到制藥企業的超算，再到電信基站邊緣設備、汽車、機器人、衛星。

一個架構覆蓋了全球幾乎所有行業。

對于英偉達未來能否達到 10 萬億美元市值，黃仁勛的推演從兩個根本性變化出發：計算從檢索式轉向生成式，意味著算力需求量級躍升；計算機從倉儲單元轉變為生產工廠，意味著它從成本中心變成了直接與企業營收掛鉤的利潤中心。他預計世界 GDP 增速將會加快，而計算占 GDP 的比例將達到過去的 100 倍以上。

他提到英偉達的 3 萬億美元收入路徑在他看來是「當然可能」的，并沒有任何物理定律約束這一數字的實現，更重要的是，英偉達的增長不依賴于從現有競爭對手手中奪取份額，而是依賴于一個幾乎從零開始生長出來的全新市場。

「當英偉達是 100 億美元的公司時，你沒法說『如果他們從誰那里拿到 10% 份額就能增長多少』。他們的想象力需要從零構建。但我有的是時間，每一次 GTC 都會讓這件事變得更加真實。」

談及智能體時，他將 OpenClaw 比作「Token 的 iPhone」：「消費者直接能用到了。iPhone 級別的產品到了，它是有史以來增長最快的應用，一飛沖天，就這樣。」

玩家對 AI 糊感的憤怒，其實是一面鏡子

黃仁勛說，GeForce 至今仍是英偉達最重要的品牌營銷策略：人們十幾歲時因為游戲認識英偉達，進入大學和職業生涯后自然轉向 CUDA 和專業工具。

被問及史上最重要的游戲，他給出兩個答案：從文化與行業影響力看是 Doom，它把 PC 從辦公工具變成了家庭娛樂設備；從游戲技術看是 Virtua Fighter。近年的代表作則是完整實現光線追蹤渲染的《賽博朋克 2077》。

談及 DLSS 5 引發的玩家爭議，他理解那種對「AI 糊感」的反感，承認這是真實存在的審美問題。

但他解釋，DLSS 5 的工作前提是三維幾何數據的嚴格約束，每一幀都完全忠實于藝術家定義的空間結構和紋理風格，做的是增強而非覆蓋。「玩家以為 DLSS 會在成品游戲上做后處理，這個理解是錯的。它嵌入在創作流程里，藝術家決定用還是不用。」系統也完全開放，工作室可以自行訓練模型、指定卡通或水彩等任意風格。

他隨后作出一個更宏觀的觀察：玩家對 AI 糊感的敏感，恰恰說明人類真正在乎的是創作者留下的那些不完美的印記。「只要 AI 是輔助藝術家的工具，它就是好的。」

此外他還提到英偉達為游戲開發者提供的次表面散射皮膚著色器，這項技術模擬光線穿透皮膚淺層后散射的物理現象，讓游戲人物皮膚呈現出更接近真實的半透明質感。「這些都是工具，由藝術家決定怎么用。我們只是提供工具箱。」

AGI、編程的未來與人類的位置

在 AGI 定義問題上，Fridman 以「能夠從零創立并運營一家市值超十億美元的科技公司」作為測試標準，黃仁勛的回答是：這個門檻，我認為 AI 現在已經達到了。

他設想一個 AI 創建了某款應用，短時間內吸引數十億用戶，完成商業化后退出，這和互聯網時代那些曇花一現的爆款網站并無本質差異，而那些網站的技術復雜度遠低于 OpenClaw 今天能生成的東西。「我不知道具體會是什么，但我在互聯網時代也沒有預測到任何那些公司。」他同時強調，100000 個智能體建立一個持續運營的英偉達的概率是零，但創建一個短暫的爆款應用并從中獲利，完全可能已經在發生了。

關于編程的未來，黃仁勛認為編程的定義本身需要重寫。編程的本質是規格說明，即告訴計算機要構建什么。在這個定義下，能做到這件事的人數量將從 3000 萬擴展到 10 億。每一個木匠、水管工、會計師都將成為自己行業里的創新者，因為 AI 讓他們能夠以自然語言表達意圖，并將其轉化為實際產品。「如果我是一個木匠，我看到 AI，我會非常興奮。如果我是一個水管工，我會完全瘋狂。」

他用輻射科醫生的案例回應了「AI 會消滅職業」的擔憂：計算機視覺在 2019 年前后達到超人水平，曾被普遍預測輻射科醫生將消亡。結果是所有輻射科平臺都整合了 AI、輻射科醫生數量不降反升，現在全球還出現了輻射科醫生短缺。原因很簡單：能更快讀片，就能讀更多片，就能服務更多病人，醫院營收增加，需要更多輻射科醫生。

「那個預警走得太遠，嚇跑了很多本該進入這個行業的人，這是真實的傷害。英偉達的軟件工程師數量只會增加，不會減少。他們的職業目的是解決問題，而解決問題這件事的每一個組成部分，評估結果、團隊協作、診斷問題、創新、連接不同領域，這些都不會消失。」

在工作中倒下，是最好的結局

被問及是否思考自己的死亡，黃仁勛的回答十分誠實。

「我真的不想死。我有很好的家庭，有非常重要的工作。這不是『一生難得一次的體驗』，而是整個人類文明難得一次的體驗，我正在其中。英偉達是歷史上最重要的科技公司之一，這件事我非常認真。」

對于繼承人規劃，他的回應十分出人意料：他說他「不相信繼任規劃」，但原因恰恰是認真思考了這個問題。如果你真的關心自己離開后公司的命運，那么你今天應該做的，是把你所學、你所理解、你所積累的全部知識、洞察和判斷，以最高頻率傳遞給周圍所有人。

「每一次會議都是推理會議。我學到的任何東西，沒有在我桌上停留超過一秒鐘的，立刻就指向某個人：去研究這個，這個東西很了不起，你會想了解它的。我在持續地賦能周圍所有人，讓他們的能力不斷提升。」

他說自己希望的結局是在工作中倒下，而且是瞬間的，沒有漫長的痛苦過程。

對于人類未來 100 年的希望，他說他一生都對人性的善意保有高度信心，盡管偶爾會被辜負，但結果一次又一次證明他是對的，而且往往超出預期。

「現在有那么多我們想解決的問題、想建造的東西、想做的好事，都在我們的有生之年變得可以觸及。消滅疾病，這是合理的期待。大幅減少污染，這是合理的期待。這一切，怎么可能不讓人心動？」