上周GTC 2026大會之後，黃仁勳連續接受了至少4場訪談。

挑選了3場仔細來看。對話人不同，挑選的問題還是挺千差萬別的。

不過，怎麼說呢，黃仁勳總有能力把一些問題回到主軸上去，當然，也恰恰說明他對於產品業務應對複雜生態的情景，想得挺明白。

比如他總會強調英偉達不僅僅是在造算力，更在定義一套讓萬物皆可加速的生存法則，and巧妙應對了關於為什麼做CPU，為什麼AI正在幫英偉達進入大量全新的行業，為什麼他認為的空間比華爾街分析師預計的要大得多。

他也談到去年底備受關注的200億美元Groq收編動作，是一場戰略上的機緣巧合。重點是戰略性，因為這是對英偉達「加速計算」的一次重要補完。

幾場訪談各有精彩。但最喜歡的還是all-in這場。

四位主持人都有創始人背景，深諳產業、投資和政策，每次節目四個人的交流就挺精彩。黃仁勳坐在當中，莫名有種被層層「圍獵」的感覺。哈哈哈。

眼下市場最關心的幾個問題，在這場對話裏幾乎都被問到了。

AI的收入曲線到底能不能跟上能力曲線？智能體（agent）會不會摧毀軟件行業？中國在模型、機器人和供應鏈上的競爭力到底有多強？中東衝突、供應鏈安全和美國政策，又會不會改變這場競賽的方向？

而黃仁勳給出的答案，和市場的通行看法並不完全一樣。

他對AI商業化的樂觀程度，遠高於市場。

在黃仁勳看來，當AI還只是「回答問題」，它的價值更多停留在信息層；可一旦有了智能體，AI開始調用工具、執行任務，它對軟件、工業、生物、機器人等產業的加速，就會從點狀突破變成系統性擴散。

也正因此，黃仁勳反覆強調，市場低估的不是某一代芯片，而是智能體把整個產業鏈重新調動起來之後的放大效應。

這也直接指向另一個當下很流行、但他並不認同的看法：很多人覺得，智能體會把企業軟件行業直接摧毀。

但黃仁勳的判斷恰恰相反。他認為，那些已經成熟的軟件工具，無論是數據庫、設計軟件，還是各類專業平台，並不會因為智能體出現而失去價值，反而會因為被更高頻、更大規模地調用，而變得比以前更重要。

而對中國投資人來說，這幾場訪談裏最不能忽略的，還是他對中國的評價。

黃仁勳不只是點名讚賞DeepSeek、Kimi、通義千問等中國模型，也明確承認，中國在開源貢獻、人才儲備和原創架構上的分量，遠比美國市場很多人願意承認的更重。

尤其是談到機器人時，他直白地表示，中國在微電子、電機、稀土、磁體這些最基礎的環節上擁有全球領先優勢，全球機器人產業都會在很大程度上依賴這套生態和供應鏈。（聽起來，不是簡單客套話。）

也提到中東的地緣衝突，黃仁勳承認英偉達有不少員工和家庭身處當地，但他表示英偉達不會因此撤離中東，而是「百分之百會紮根中東」。面對地緣問題更重要的，是供應鏈的長期佈局。

三年前黃仁勳說過一句話，「你不會被AI搶走工作，你會被會用AI的人搶走工作」。現在回頭看還是很有預見性的，這次他仍然強調：不管你是什麼教育背景，都一定要確保一件事，你得非常、非常擅長使用AI。

聰明投資者將這場對話整理分享給大家。

01

從「大語言模型處理」進入到 「智能體處理」時代

 主持人 你這波勢頭真是驚人，活動也辦得太大了。幾乎每個行業的人都來了，每一家科技公司都來了，每一家AI公司都來了。

過去一年裏，你們最重大的動作之一就是收購Groq。

 黃仁勳 我們很多戰略，其實很多年前就在GTC上明牌講出來了，遠遠早於真正落地的時間。

兩年半前，我第一次提出「AI 工廠的操作系統」這個概念，它叫Dynamo。

Dynamo這個詞，原本是西門子發明的一種機器，本質上是把水力轉化成電力。它驅動了上一輪工業革命中的工廠。所以我覺得，這個名字也特別適合下一輪工業革命裏那座「新工廠」的操作系統。

而Dynamo裏面最核心的一項技術，就是解耦式推理。

所謂解耦式推理，是因為今天的推理處理鏈路已經複雜到了極點。說實話，這可能是當下全世界最複雜的計算問題。它的規模極大，裏面牽涉到各種不同形態、不同尺寸的數學計算。

後來我們想到，為什麼不把推理流程拆開，把不同環節分配給不同GPU去跑。一部分在這一組GPU上跑，剩下的部分放到另一組GPU上跑。

再往後我們又意識到，既然推理可以解耦，那整個計算系統也許也應該進一步解耦。也就是說，我們可以讓不同類型、不同異構性質的計算單元，各自去承擔最適合它們的工作。

正是這種思路，後來把我們引向了Mellanox。

你看現在，英偉達的計算版圖早就不止是GPU了，而是分佈在GPU、CPU、交換機、縱向擴展交換機、橫向擴展交換機、網絡處理器這些不同部件上。

現在我們還要把Groq 3 LPU加進來，讓最合適的任務跑在最合適的芯片上。

 主持人  這也是我在現場最大的感受。你們已經不再是一家GPU公司了，而是一家AI工廠公司。

過去大家討論的是一塊GPU，現在看到的卻是一整個越來越解耦、越來越複雜的系統組合，未來可選項只會越來越多。

你在台上還特別講了一句，我覺得所有做高價值推理的人都該認真聽一聽。

你說，數據中心裏大概有四分之一的空間應該分配給Groq 3 LPX加GPU這套組合。也就是在數據中心裏，給Vera Rubin配上大約25%的Groq。

那你能不能講講，行業該怎麼理解這件事？也就是下一代這種「預填充和解碼分離」的架構。你覺得大家會怎麼反應？

 黃仁勳  先往後退一步看。當我們把這套系統加進去的時候，整個世界其實已經從「大語言模型處理」進入到了「智能體處理」的時代。

你一旦在跑一個智能體，它就不是單純在吐token了。它要訪問工作記憶，要訪問長期記憶，要調用工具，對存儲系統的壓力會非常大。

一個智能體還會和另一個智能體協同工作。有些智能體背後是超大模型，有些是小模型，有些是擴散模型，有些是自迴歸模型。

也就是說，現在一個數據中心裏，已經同時存在各種完全不同類型的模型。我們做Vera Rubin，就是為了跑這種極其多樣、極其複雜的工作負載。

我的感覺是，我們原來本質上是一家「一個機架」的公司，現在一下子又加進來了四種新機架。

換句話說，英偉達的TAM，也就是可服務市場空間，已經從原來的那個規模，一下子又被拉大了不少，粗略講，可能比原來大了三分之一，甚至一半。

而在新增出來的這部分空間裏，很大一塊會是存儲處理器，也就是BlueField；還有一部分，我希望會是Groq處理器；還有CPU；還有大量網絡處理器。

這一整套東西，最後都要共同去運行AI革命中的那台計算機，也就是智能體。

 主持人  那再往現代工業和嵌入式應用裏看呢？比如說，我女兒家裏的泰迪熊也想開口跟她說話，那裏面該放什麼？會是一個定製ASIC嗎？

還是說，隨着邊緣端和嵌入式應用的展開，整個TAM反而會變得更大，而且針對不同場景會發展出不同工具？

 黃仁勳  我們認為，這個問題裏其實有三台計算機。

把視角拉高一點看，第一台計算機，是訓練AI模型、創造AI本身的那台計算機。

第二台計算機，是用來評估AI的。因為不同的問題，需要不同方式去驗證。比如你現在四處看看，到處都是機器人、汽車這類系統。

你得把這些機器人先放進一個「虛擬健身房」裏做評估，而這個虛擬世界必須儘可能逼真地代表現實世界，它要遵循物理定律。

所以，這是第二台計算機。我們把它叫作Omniverse。

第三台計算機，就是邊緣端的計算機，也就是機器人本身那顆腦子。它可以是一輛自動駕駛汽車，也可以是一個機器人，也可以是一個很小很小的設備，比如一隻泰迪熊。

而在這些邊緣端設備裏，我覺得最重要的一類，是我們現在正在推進的一件事，就是把電信基站也變成AI 基礎設施的一部分。這樣一來，整個電信行業，那個兩萬億美元級別的產業，未來都會逐漸被改造成 AI 基礎設施的延伸。

無線電會變成邊緣設備，工廠會變成邊緣設備，倉庫也會變成邊緣設備。總之，你看到的各種現實場景，都會被納入這個體系。

所以，本質上就是這三台計算機。它們每一台，未來都不可或缺。

02

推理工廠要花500億美元量級意味着什麼

 主持人  黃仁勳，去年你其實就比很多人都更早地說過，推理的規模會增長一千倍。

 黃仁勳  布拉德，你這話有點傷我心了。

 主持人  那現在是不是該改口了？是一百萬倍？十億倍？

 黃仁勳  對，沒錯。

 主持人  我覺得，當時很多人都覺得你這個說法太誇張了，因為那時整個世界關注的還是預訓練。可現在你看，推理真的已經爆了，大家反而開始受制於推理能力了。

你這次又發布了一座「推理工廠」，下一代工廠在吞吐量上看起來還能再提升10倍。但如果我去聽外面的討論，市場上會有人說，你這個推理工廠要花400億到500億美元，而那些定製ASIC、AMD以及其他方案，也許只要250億到300億美元。

那結果就是你會丟份額。

所以你不如直接講講，你自己怎麼看這件事？你怎麼看份額？大家真的有必要為你的系統支付將近兩倍的溢價嗎？

 黃仁勳  這裏最核心的一點是，你不能把工廠的價格，和token的成本畫上等號。

很可能，那個500億美元的工廠，最後反而能給你產出成本最低的token。這一點我可以證明。原因就在於，我們生產token的效率高得驚人，是數量級上的領先。

你想想看，這500億裏，其實有200億是土地、電力和機房殼體，這些你無論選誰都得花。除此之外，你反正也得買存儲、買網絡、買CPU、買服務器、買散熱。

所以真正的差別，並不是「500億對300億」，而更像是「500 億對400億」。你隨便取個數，大概就是這個量級。

可問題在於，這座500億的數據中心，吞吐量卻是對方的10倍。那這點差價，在整個系統的回報面前，根本不算什麼。

這也是為什麼我一直說，對於大多數芯片來說，如果它跟不上技術演進的速度，跟不上我們現在推進的節奏，那哪怕它免費，也還是不夠便宜。

03

身為CEO如何做戰略決策

 主持人  我想換個更general的戰略問題。你現在經營的是全世界市值最高的公司，這家公司明年收入可能要到3500億美元以上，自由現金流可能到2000億美元，而且還在以這種驚人的速度複利增長。

你到底是怎麼決定該做什麼的？你怎麼獲取信息？怎麼形成對市場的判斷？什麼時候要重注，什麼時候該收縮，什麼時候又該進入一片全新的綠地？最終這些判斷，到底是怎麼做出來的？

 黃仁勳  這就是CEO的工作。

我們的職責就是定義願景，定義戰略。當然，我們會聽取公司裏那些傑出的計算機科學家、技術專家，以及各個團隊優秀同事的意見。

但歸根到底，是我們要去塑造那個未來。

其中一個判斷標準是，這件事是不是難到離譜。如果它不夠難，我們反而應該離它遠一點。

因為如果一件事很容易做，那顯然競爭對手就會很多。

第二個問題是，這是不是從來沒有人做成過的事。

第三個問題是，這件事是不是難到極致，但同時又剛好能調動出我們公司最特殊的那些能力。

所以我必須去尋找這樣一個交匯點：一件前所未有、異常艱難、但又恰好能激發出我們「超能力」的事情。只有這種事情，才值得我們投入。

當然我們心裏也很清楚，真正偉大的東西，背後一定伴隨着大量的痛苦和折磨。沒有什麼偉大的發明，是因為它太容易了，第一次試就輕輕鬆鬆成功了。

真正重要的事情，從來都不是那樣來的。

 主持人  所以如果一件事特別難做，從來沒人做成過，那大概率就意味着，你會經歷很多痛苦和折磨。既然如此，你最好還能從中找到樂趣。

那你不如就挑三四個更「長尾」的方向，跟我們講講它們長期到底有沒有可能跑出來。比如太空數據中心，比如你們在ADAS和汽車上做的事，再比如生物這條線。

你就給大家一個感覺，你是怎麼判斷這些更偏長期的業務，會在什麼時間點開始真正向上拐的。

 黃仁勳  這是個很好的問題。

先說物理AI。我們非常相信這會是一個很大的類別。剛纔我也提到過，我們現在看到的是三套計算系統，以及疊加在它們之上的整套軟件平台。

物理AI之所以重要，在於它是科技行業第一次有機會去切入一個50萬億美元級別的產業，而這個產業在很長時間裏，其實都幾乎沒有被技術真正改造過。

所以我們必須把為此所需要的一整套技術都發明出來。

我一直覺得，這是一段十年的旅程。而我們十年前就已經出發了。現在，我們終於看到它開始拐頭向上了。對我們來說，它已經是一門數十億美元規模的生意，現在一年已經接近100 億美元。

所以，這已經是一塊很大的業務，而且還在指數級增長。這是第一點。

再說數字生物學。我真的覺得，我們已經快走到數字生物學的ChatGPT 時刻了。

我們很快就會真正掌握，如何在模型中刻畫基因、蛋白質和細胞。至於化學分子，我們其實已經開始理解了。

也就是說，我們正在接近這樣一個階段，我們不僅能刻畫生物這些最基礎的構件，還能理解它們彼此之間是怎麼動態作用的。

我覺得這件事，大概是未來兩三年，或者五年之內會發生的事。

如果把時間拉到五年後，我完全相信，數字生物學會在醫療健康行業迎來真正的拐點。

這幾個方向，我覺得都非常重要。而且你其實已經能從周圍感受到這種變化了。農業也是一樣。農業現在就在發生拐點，這一點我毫不懷疑。

04

開源工具、生態以及政策推動

 主持人  你們這家公司，很大程度上是靠愛好者、視頻遊戲玩家，還有最早那批顯卡用戶起家的。你今天在台上對着大概一萬人，提到了Claude、Claude Code，也提到了OpenClaw。你說智能體已經成了一場真正的革命。尤其是那群愛好者，他們身上現在有非常強的能量。我們也看到，很多創新的突破，其實都希望能先回到桌面端。

我想問的是，這股從開發者和草根社區裏冒出來的力量，也就是在桌面端做開源智能體、用開源工具這件事，在你眼裏到底意味着什麼？它會往哪兒去？

 黃仁勳  這太棒了，真的太棒了。

先往後退一步看。過去兩年，我們其實看到了三個拐點。

第一個拐點，是生成式對話。ChatGPT讓AI第一次真正進入普通人的視野。一下子，大家都意識到AI原來已經到了這個程度。

但事實是，這項技術在ChatGPT之前，其實一直就擺在那裏。只是直到ChatGPT給它套上了一個用戶界面，讓普通人也能輕鬆用起來，生成式AI才真正起飛。

而生成式AI，大家都知道，它生成token，不只是給外部看，也給內部用。對外，是輸出；對內，其實就是思考。

而這種內部思考再往前走一步，就變成了推理能力。

往後，像o1、o3這些模型，又把這股浪潮繼續往前推。

再往後，AI開始有了更紮實的現實錨點。也就是讓AI不只是會回答問題，而是能更紮實、更有依據地回答問題，真正變得有用。

也正是從那時起，我們開始看到OpenAI的收入和它背後的經濟模型開始明顯拐頭向上。

第三個拐點，其實一開始只是在行業內部發生的，那就是Claude Code。它是第一個真正有用的智能體系統，某種意義上說，簡直是革命性的。

但Claude Code當時只提供給企業，大多數圈外人其實根本不知道它是什麼。

真正把「AI agent 到底能做什麼」這件事帶進大衆意識裏的，是OpenClaw。也正因為如此，OpenClaw在文化層面上才那麼重要。

而它重要的第二個原因是，它雖然是開源的，但它同時也把一種全新的計算模型真正結構化了出來。它其實是在重新發明「計算機」本身。

它有一套記憶系統。Scratch（臨時工作區）相當於它的短期記憶，file system（文件系統）則相當於它的長期記憶。

 主持人  你剛纔說的是skills（技能），還是scales（規模）？

 黃仁勳  是skills。

首先，它有資源而且會管理資源；它會做調度，它會啓動任務；它能把一個問題拆開，再分配出去解決；它還有輸入輸出子系統，它既能接收輸入，也能給出輸出；它還可以接到WhatsApp上，它還有一套API，能夠運行各種不同類型的應用，也就是所謂的skills。

而這幾樣東西，恰恰就是一台計算機最根本的構成。

所以我們現在得到的，其實是人類第一次擁有了一台真正意義上的「個人人工智能計算機」。

它是開源的，而且幾乎到處都能跑。

所以這已經不只是一個小工具了。它其實就是現代計算的藍圖，是下一代計算的操作系統。而且最終，它會無處不在。

當然，這裏面有一件事是我們必須幫它補上的。只要進入智能體軟件的時代，你就得確保這些智能體在拿到敏感信息、執行代碼、對外通信的時候，整個過程都要受到治理、約束和保護。

我們必須確保，這一整套系統既安全，又有邊界，還要有一套策略，讓智能體可以同時拿到其中兩項能力，但不能把最危險的三項能力在同一時刻全部放開。

所以在治理這一塊，我們也做了很多投入。

 主持人  這種範式轉移，會不會讓各州過去已經通過，或者現在還在討論的很多人工智能監管法案很快就顯得不合時宜，甚至直接失去針對性？

你能不能談談，這種範式變化到底快到了什麼程度？因為現在政治層面對AI監管的討論越來越熱，但技術本身其實已經在迅速改寫原來的監管前提。

 黃仁勳  這恰恰是我們必須持續和政策制定者溝通的地方。

我們得始終走在他們前面，讓他們知道，這項技術今天真實的狀態到底是什麼，它是什麼，又不是什麼。

它不是一種生物，不是外星生命，也不是有意識的存在。說到底，它就是軟件，是計算機軟件，僅此而已。

還有一點，我們經常會聽到一種說法，說我們對它幾乎一無所知。其實也不是這樣。不是說我們已經什麼都懂了，但也絕不是完全不懂。對於這項技術，我們其實已經理解了很多。

所以我覺得，第一，我們必須持續去幫助政策制定者理解這項技術；第二，我們不能讓「末日論」或者極端化敘事，去左右他們對這項技術的判斷。

當然，另一方面，我們也必須承認，這項技術變化得太快了。所以政策不要過早跑到技術前面去。

如果規則立得太早，最大的風險是，別的國家已經在採用這項技術，而我們自己卻因為憤怒、恐懼，或者某種偏執，反而讓本國的產業和社會沒能充分利用AI。

所以我現在最擔心的，其實是人工智能擴散在美國國內推進得不夠快。

05

對於Anthropic創始人對外言論的建議

 主持人  那我再追問一句。假設當時你就坐在Anthropic的董事會里，面對他們和美國國防部那場風波。某種程度上，這件事其實也延續了剛纔那條線，也就是很多人本來就不知道該怎麼理解AI，結果又在此基礎上多疊加了一層反感、恐懼，或者說，對AI軟件層的不信任。

如果當時是你，你會不會建議達里奧（Dario）和他的團隊換一種做法，好讓事情最後的走向，以及外界的觀感，多少有所不同？

 黃仁勳  我先說一句，Anthropic的技術真的非常出色。我們自己就是Anthropic技術的重要使用者之一。

我非常欣賞他們對安全的重視，也非常欣賞他們追求技術卓越的方式。他們內部形成這套能力的文化，我覺得也很了不起。

而且，我也認同他們想提醒公衆注意這項技術能力邊界的初衷，這本身是對的。

只是我們也要明白，這個世界本來就是一個光譜。提醒別人提高警惕是好的，但如果變成刻意嚇人，就沒那麼好了。

因為這項技術對我們來說太重要了。

我覺得預測未來當然沒問題，但我們的表達應該更剋制一些，更審慎一些，也更謙遜一些。因為說到底，我們並不能真正把未來看得一清二楚。

如果你說出一些特別極端、特別災難化的話，但現實裏又沒有證據表明那種事真的會發生，那它帶來的傷害，可能比很多人想得還要大。

而且今天，我們這些技術公司的話語權，已經和過去不一樣了。

以前也許沒人太在意我們說什麼，但現在不是這樣了。科技已經嵌入社會結構，也已經成了國家安全裏極其關鍵的一部分。

所以，我們說的話，是真的會帶來後果的。

我們說話一定要更謹慎。要更剋制，更平衡，也要更周全。

06

10萬億美元市場的想象空間

 主持人  你在公司內部已經看到效率提升和生產率提升了。可外面一直在爭論，AI到底有沒有真正的投資回報，對吧？

你和我在今年年初其實就在討論，最大的那個問題就是：收入到底會不會真正出現？收入增長的曲線，能不能跟上智能能力擴張的曲線？

後來到了二月，Anthropic又出現了那種五六十億美元量級的「奧本海默時刻」。

你會不會覺得，我們已經真正走上那條曲線了？也就是說，收入會開始像智能能力一樣，一起加速放大。

 黃仁勳  這個問題我想從幾個角度來回答。

你看看今天在場的人。Anthropic和OpenAI當然都在，但實際上，這裏99%和AI有關的東西，並不是Anthropic，也不是OpenAI。

原因就在於，AI本身就是一個高度多元的世界。

如果按模型類別來看，最受歡迎的其實還是開放權重、開源這一類開放體系；再往後才輪到Anthropic，而且差距還不小。

這本身就說明，今天在現場的AI公司，無論數量、規模還是分佈廣度，都已經到了一個很大的量級。

所以這一點很重要，我們得先意識到，AI遠不只是少數幾家公司。

但回到你剛纔的問題，我想講兩件事。

第一，當我們從生成式AI走到推理式AI，所需要的計算量大概增加了一百倍。

當我們從推理式AI再走到智能體，計算量又大概再增加了一百倍。

也就是說，短短兩年時間裏，計算需求已經放大了差不多一萬倍。

與此同時，人們當然願意為信息付費，但更多時候，他們真正願意付費的，其實是「工作被完成」這件事。

跟一個聊天機器人聊幾句，拿到一個答案，當然很好；讓它幫我做研究，也已經很厲害了；但如果它真的能把工作做完，那我就願意認真掏錢。

而這，正是我們現在所在的位置。智能體系統已經不只是回答問題了，它是真的在把工作做出來，它們已經在幫助我們的軟件工程師完成工作。

所以把這兩件事疊起來看，一邊是計算需求放大了一萬倍，另一邊是用戶的付費意願，到現在大概已經放大了一百倍。

而我們其實都還沒真正開始大規模擴張。

所以我會說我們現在絕對已經到了百萬倍這個量級。而這，也正好把我們重新帶回到那個10萬億美元市場的想象空間。

07

未來每個工程師身邊都會有一百個智能體

 主持人  說到這裏，你們公司現在有兩三萬人？

 黃仁勳  我們現在有4.3萬名員工。

 主持人  其中我猜有3.8萬可能都是工程師。現在大家都在感嘆，自己公司裏的token 用量漲得太快了。甚至已經開始有人會問，加入一家公司以後，公司會給我多少token，因為這會直接決定我能不能成為一個高效員工。

如果我們倒推一下，現在英偉達是不是已經相當於給每位工程師配了大概7.5萬美元的token預算？也就是說，你們現在是不是已經在內部花了十億、二十億美元，給工程團隊買token了？

 黃仁勳  我給你一個思想實驗。

假設你有一個軟件工程師，或者一個AI研究員，你一年給他50萬美元。現在這種事每天都在發生。

那等到年底，我會去問這個人：你這一年到底花了多少token？

如果他告訴我，只花了5000美元，我會當場抓狂。

說得再直白一點，如果一個年薪50萬美元的工程師，一年連25萬美元的token都沒用掉，我會非常警覺。

這就像一個芯片設計師跑來跟我說：「我決定只用紙和筆，不打算用CAD工具了。」本質上沒有任何區別。

 主持人  這真的是一種範式轉移。

這讓我想到NBA。以前大家聽說勒布朗·詹姆斯一年花一百萬美元保養身體，都覺得太誇張了。可你看，他到了41歲還在打。

如果這些人真的是最頂級的知識工作者，那我們為什麼不該給他們「超人」般的能力？

如果把這個趨勢再往後推兩三年，在英偉達這樣一家公司裏，一個頂尖員工的效率會高到什麼程度？他們到底能做到什麼？

 黃仁勳  首先，那些我們過去習以為常的念頭，都會消失。

「這太難了。」這種念頭會消失。

「這會花很久。」這種念頭會消失。

「這得招很多很多人。」這種念頭也會消失。

這就像上一輪工業革命之後，沒有人再看着一棟樓說：「天啊，這樓也太重了吧。」

也沒有人會看着一座山說：「這山太大了，根本搬不動。」

凡是「太大」「太重」「太久」這類限制，都會慢慢退出你的思考框架。

最後真正留下來的，只剩下創造力。

 主持人  沒錯，最後就變成了，你到底能想出什麼。

 黃仁勳  對，正是這樣。接下來的問題就變成了：你要怎麼和這些智能體一起工作。

說到底，這只是編程方式的一次變化。

過去我們寫的是代碼，未來我們寫的會是想法、架構和規格說明。

我們會去組織團隊，會幫助這些智能體明確怎樣評估結果，什麼叫好，什麼叫不好，什麼纔算真正優秀的結果。

我們會和它們一起迭代，一起做頭腦風暴。

真正重要的，會變成這些能力。而我相信，未來每個工程師身邊，都會有一百個智能體。

08

「小龍蝦」們不會摧毀軟件行業反而是加強

 主持人  回到自動研究系統本身。你怎麼看這件事？一個周末、600 行代碼、能在本地跑，還能在這麼多不同類型的數據集上做出這樣的結果。這到底說明了什麼？它是不是也意味着，我們在算法優化和硬件優化上，其實都還處在非常非常早期的階段？

 黃仁勳  OpenClaw之所以這麼驚人，最根本的原因有兩個。

第一，它剛好出現在一個「交匯點」上。它和大語言模型的突破，幾乎是在一個完美的時間點上撞到了一起。

這個時機太準了，準得近乎不可思議。

很多事情如果不是因為Claude、GPT、ChatGPT這些模型已經發展到了今天這樣的高度，彼得（OpenClaw創始人）也未必會想到這條路。

第二，它打開了一種新的能力。也就是讓這些模型學會了調用工具，去使用我們過去很多年積累下來的那些工具。比如瀏覽器、Excel 表格。

再比如，在芯片設計領域裏，有Synopsys、Cadence；還有 Omniverse、Blender、Autodesk。未來，這些工具不但還會繼續被使用，而且會被使用得更頻繁。

現在有些人會說，企業軟件行業最後會被AI摧毀。但我其實有完全不同的看法。

過去，企業軟件的生意本質上是「按人頭賣」。說到底，它服務的是一個個坐在工位上的人。

可接下來，情況會完全不一樣。未來湧向這些工具的，不只是人，而是數量多得多的智能體。它們會去操作SQL，會去調用向量數據庫，會去使用Blender，也會去調Photoshop。

為什麼我不覺得這些軟件會被替代？

第一，這些工具本來就已經非常成熟，也非常強大。

第二，更重要的是，它們其實是我們和最終成果之間的橋樑。工作就算是AI做完的，最後也還是得回到一個我能看得見、改得動、控得住的地方。

而這些工具，恰恰就是我熟悉，也真正能掌控的地方。

所以我希望，所有結果最後都能回到Synopsys，回到Cadence。

因為只有在那裏，我才能真正檢查它、驗證它，確認它到底對不對。

你也可以理解為，AI也許會改變企業軟件的使用方式，但它未必會毀掉這些軟件。恰恰相反，它很可能會讓這些軟件變得比以前更重要。

09

現在投的每一家創業公司基本都從開源路線開始

 主持人  我想順着這個再問你一個關於開源的問題。

現在我們有這些閉源模型，它們非常強。我們也有開放權重模型，很多中國模型也做得非常出色，真的非常出色。

你怎麼看開源最後會走向哪裏？你會不會覺得，不只是架構會越來越去中心化，算力本身也會越來越去中心化，從而支撐開放權重，支撐一種真正徹底開源的路徑，讓AI 最終被所有人廣泛使用？

 黃仁勳  我一直相信，我們從根本上既需要把模型當作一級產品，也就是專有產品，同時也需要開源模型。

這不是二選一，不是A或B，而是A和B都需要。這一點我沒有任何懷疑。

原因就在於，模型首先是一項技術，不是一個最終產品。它是一項技術，也不只是一種單獨的服務。

對絕大多數用戶來說，在那個通用智能的橫向層上，我其實並不想自己再去微調一套模型。我很樂意繼續直接用ChatGPT，也很喜歡用Claude，喜歡用Gemini，也喜歡用 xAI的產品。

它們各自都有不同的「性格」，你也知道，這某種程度上取決於我當時的心情，也取決於我到底在解決什麼問題。

有些時候，我可能就想在X上做；有些時候，我可能更願意在ChatGPT上做。

所以，這一部分市場本身會發展得很好，而且會繼續繁榮下去。

但與此同時，還有大量行業，它們自己的領域知識和專業能力，必須被真正沉澱下來，必須以一種它們自己能夠掌控的方式被捕捉下來。

而這件事，只能來自開放模型。

我們現在也在大力投入開放模型生態。它已經非常接近前沿了。坦白講，就算它真的追到了最前沿，我依然覺得，那種以產品和服務形態存在的世界級模型，還是會繼續很好地發展下去。

我們現在投的每一家創業公司，基本都是先從開源路線開始，然後再逐步接入專有模型。

而最美妙的地方在於，只要你有一個足夠好的路由器，把這兩者接起來，那麼從第一天起、從每一天起，你都能接觸到世界上最好的模型。

同時，它也給了你足夠的時間，去降成本、去微調、去做專業化。

所以，你幾乎每一次出手，都能擁有世界級的能力。

10

英偉達失掉了全球第二大市場的巨大份額

 主持人  我能不能換個角度問。沒有誰比你更希望美國贏下全球AI競賽了，對吧？你給打個分吧。美國AI技術向全球擴散這件事，現在做到哪一步了？我們是A，還是B，還是C？什麼地方做得好，什麼地方還不行？

 黃仁勳  首先，特朗普總統希望美國工業領先，希望美國科技產業領先，希望美國科技產業贏，也希望美國技術向全世界擴散。他希望美國成為世界上最富有的國家。這些，都是他希望做到的事。

但就在我們說話的此刻，英偉達在全球第二大市場上，已經把原本95%的市場份額拱手讓掉了，現在是0%。

而特朗普總統希望我們重新回到那裏。

眼下第一件事，就是先把那些我們能夠賣貨的公司，重新拿到許可證。已經有很多公司提出了申請，我們也替它們提交了許可申請，而且盧特尼克那邊已經批准了一部分許可。

接着，我們也把這件事通知了中國公司，其中很多已經給我們下了採購訂單。所以現在，我們正在重新把供應鏈發動起來，準備開始出貨。

但如果站到更高的層面去看，我覺得我們首先要承認一件事。

當我們拿不到小型電機、稀土礦物的時候，我們的國家安全其實是在被削弱的。

當我們無法掌控自己的通信網絡時，我們的國家安全是在被削弱的。

當我們無法為這個國家提供可持續能源時，我們的國家安全同樣是在被削弱的。

這些行業，每一個都是我不希望AI行業變成的樣子。

如果我們往前看，問一句：美國科技產業、美國AI產業真正領導世界，會是什麼樣子？

我們其實都知道，不可能存在一種局面，就是全世界最後只剩下一套AI模型。這本身就不合理，也不現實。

但我們完全可以想象另一種局面：從芯片、計算系統到平台，整套美國技術棧被全世界廣泛採用。至於他們在這套技術棧上，是做自己的AI，用公共AI，還是用私有 AI，那都可以；他們也可以在自己的社會里，基於這套技術棧去構建自己的應用。

我會非常希望，美國技術棧能佔到全球90%。

11

仍會百分之百紮根中東

 主持人  你現在對全球這些衝突局勢，到底盯得有多緊？這些事情會不會讓你擔心？又花了多少精力在上面？

 黃仁勳  首先，中東對我們來說，不只是地圖上的一個區域。我們在那裏有6000個家庭。

英偉達有很多伊朗員工，他們的家人現在還在伊朗。所以，我們在那裏牽掛着很多很多家庭。

首先，他們現在都非常焦慮，非常擔心，也非常害怕。我們一直在想着他們，也一直在關注他們的情況。他們會得到我們百分之百的支持。

也有人問過我，在這樣的局勢下，我們還會不會繼續留在以色列。

我的回答是，我們百分之百留在以色列。我們百分之百站在那裏的員工和家庭身後。我們百分之百紮根中東。

也有人問過我，在中東發生這些事情之後，我們還會不會認為，那是一個值得繼續擴展人工智能的地區。

我的看法是，這場戰爭之所以發生，自有它的原因。而我也相信，戰爭結束之後，中東會比戰前更穩定。

所以，如果戰爭之前我們覺得那裏值得投入，那麼戰爭之後，我們當然更應該認真考慮。我對這件事的態度，是百分之百投入。

至於供應鏈的問題，我覺得我們得做三件事。

第一，要儘快把美國重新工業化。不管是芯片製造廠、計算機製造廠，還是AI工廠，這件事都得儘快推進。

 主持人  我們現在做得怎麼樣？

 黃仁勳  做得非常好。

正因為我們得到了中國台灣地區供應鏈在戰略上的支持，才能以驚人的速度，在亞利桑那、得州和加州推進這些項目。

第二，我們必須把製造供應鏈進一步分散。無論是韓國、日本，還是歐洲，我們都應該推動供應鏈多元化，讓它更有韌性。

第三，在我們一邊提高多元化、一邊提高韌性的同時，也要保持克制。不要去做沒有必要的施壓。我們需要有耐心，也需要更審慎一些。

 主持人  那氦氣會是個問題嗎？現在很多報道都在說氦氣可能會出問題。

 黃仁勳  我覺得氦氣有可能會成為一個問題，但也有一種可能是，整個供應鏈裏本來就留了不少緩衝空間。

這類東西通常都會有一定的緩衝。所以現在，我會說它值得關注，但還沒到讓我特別擔心的程度。

12

關於自動駕駛開放性的解決方案

 主持人  你們在自動駕駛這件事上也取得了很大進展，這次還有很多新合作伙伴，包括比亞迪。我想問，你在這盤棋上到底是怎麼想的？因為看起來，你們有一套很深的棧，有些地方是在競爭，有些地方又是在合作。

 黃仁勳  退一步看，我們相信，凡是會移動的東西，未來總有一天都會實現自動化，要麼完全自動，要麼部分自動。

第二，我們自己並不想造自動駕駛汽車，但我們希望讓全世界每一家車企，都有能力造出自動駕駛汽車。

所以，我們把這三台計算機都做出來了：訓練用的計算機、仿真用的計算機、驗證和評估用的計算機，以及車端計算機。

我們還開發了全世界最安全的自動駕駛操作系統。

與此同時，我們也做出了第一套具備推理能力的自動駕駛系統。它可以把一個複雜場景拆解成若干更簡單的場景，再一步一步穿過去，就像我們現在看到的那些推理系統一樣。

這套推理系統叫Halos。它讓我們拿到了非常驚人的成果。

我們的做法是，把底層能力開放出來。縱向上做深度優化，橫向上持續創新，然後讓每一家客戶自己決定：你是只想買我們的一台計算機？

像馬斯克和特斯拉那樣，只買我們的訓練系統？還是你既想買訓練系統，也想買仿真系統？又或者，你想讓我們一起把三套系統都做進去，甚至把車端計算機也裝進你的車裏？

所以我們的態度一直很簡單，我們想解決問題。我們不是非要限定一種解決方案。你願意怎麼和我們合作，我們都很高興。

13

關於客戶不斷變成競爭對手這件事

 主持人  你確實搭起了這樣一個平台，讓一千朵花一起開。但與此同時，也確實有一些「花」開始往下扎，重新進入底層棧，想在某些環節上和你競爭。

谷歌有TPU，亞馬遜有Inferentia和Trainium。現在幾乎每一家都在搞自己的版本，多少都有點「我也能比英偉達更英偉達」的意思，哪怕它們同時又是你們的大客戶。

那你怎麼看這種關係？長期看，這些東西會怎麼發展？在你眼裏，它們在整個棋局裏到底扮演什麼角色？

 黃仁勳  這個問題非常好。

首先，我們是全世界唯一一家真正意義上的AI公司。我們自己就在做前沿基礎模型，而且是在很多不同領域同時推進。我們把每一層、每一棧都做了。

我們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。

他們從來不會告訴我他們在做什麼，但我總是把我在做什麼，原原本本地擺在他們面前。

所以，我們的信心就來自這裏。

第一，我們非常樂於在「什麼纔是最好的技術」這件事上競爭。而只要我們還能繼續保持這樣的速度，我就相信，對他們來說，買英偉達，依然是最經濟的選擇之一。

這一點，我的信心非常強。

第二，我們是唯一一種可以部署在每一朵雲上的架構。這給了我們一些非常根本的優勢。

我們也是唯一一種可以從雲端拿出來，放到本地部署，放到車裏，放到任何一個地區，甚至放到太空裏的架構。

而我們的市場裏，有很大一塊是很多人沒有意識到的。大概40%的業務，如果你沒有CUDA棧，如果你沒法構建一整座AI工廠，客戶其實根本不知道該怎麼用你。

因為他們不是想造芯片，也不是想單純買芯片，他們真正想建設的是AI基礎設施。所以他們需要你帶着一整套全棧能力走進去。

而我們正好擁有整套棧。

所以你如果看今天的情況，會發現一個很有意思的事實：英偉達其實還在繼續提升市場份額。

 主持人  所以你的意思是，這些公司先自己試一圈，最後發現「天哪，這也太複雜了」，然後又回來了。所以你的份額反而繼續漲。是這個邏輯嗎？

 黃仁勳  份額增長有好幾個原因。

第一，我們的推進速度更快了。我們也讓越來越多人意識到，真正的問題從來不是造出一顆芯片，而是造出一個系統。

而系統這件事，是非常非常難的。所以他們和我們的合作規模在擴大。

比如AWS，我記得他們昨天剛宣佈，未來幾年要買一百萬顆芯片。這已經是一個極其巨大的數字了。而這還不包括他們之前已經買過的那些。

所以我們當然很高興做這些生意。

但更關鍵的是，過去這幾年我們之所以份額在漲，不只是因為這些雲廠商，還因為Anthropic在往英偉達上來，Meta的Llama生態也在往英偉達上來，開放模型的增長更是驚人，而這一切都跑在英偉達上。

所以，我們的份額在增長，是因為模型的數量在增長。

與此同時，很多增長其實已經發生在雲之外了。它們正在區域市場、企業市場、行業市場以及邊緣端不斷擴張。而這一整塊，如果你只是做一個ASIC，其實是很難打進去的。

14

分析師根本沒有理解AI的規模和廣度

 主持人  順着這個問題再追問一句，不談太細的數字，但分析師們看起來並不相信你這套敘事。

你說算力可能會增長一百萬倍，對吧？可如果你去看市場一致預期，他們給你明年的增長大概是30%，後年是20%，到2029年——本來應該是個大年，反而只給7%。

如果拿你的TAM再套上他們的增速，隱含的結論其實是，你的份額會大幅下滑。所以你自己看未來的訂單簿，有沒有什麼東西會讓這種判斷成立？

 黃仁勳  首先，他們根本沒有理解AI的規模，也沒有理解AI的廣度。

很多人一提到AI，腦子裏想到的就是前五大科技巨頭，或者就是那幾家頭部公司。但AI遠遠不止這些。

 主持人  還有一種很典型的看法，總喜歡拿「大數定律」來壓你。他們回到投行的風險委員會，總得拿出一個看起來「合理」的模型。他們不可能在腦子裏真的接受一家5萬億美元的公司還能長到15萬億美元。對他們來說，這已經超出認知邊界了，於是最多給你想成7萬億。很多時候，其實只是這種思維慣性。

 黃仁勳  沒錯。因為你首先得重新定義，你到底是在做什麼。

前陣子還有人問我，說黃仁勳，英偉達怎麼可能在服務器市場上比英特爾還大？

問題就在於，過去整個數據中心CPU市場一年大概也就250億美元。而我們現在，坦白講，就在咱們坐在這裏聊天的這會兒，做出來的生意都差不多到這個量級了。

這可不是業績指引。

但重點是，一家公司能長多大，首先取決於你到底在做什麼。

英偉達不是在賣芯片。而且現在，光有芯片已經解決不了AI基礎設施的問題了。這件事太複雜了。

還有第三點，大多數人對AI的理解還是太窄了。他們看到、聽到的，只是那最顯眼的一小塊。

OpenAI很了不起，它會非常大。Anthropic也很了不起，它也會非常大。

但AI會比這些大得多，大得多得多。而我們服務的，正是那一整片更大的世界。

15

關於太空數據中心及醫療健康

 主持人  給我們講講太空數據中心吧。對普通人來說，這件事到底該怎麼理解？它和我們在地面上看到的那些大規模數據中心建設，到底有什麼區別？

 黃仁勳  首先，地面上的事情我們當然要先做好，畢竟我們現在就在地球上。這是第一點。

第二點，我們也應該為進入太空做好準備。畢竟太空裏有很多能源。

當然，最大的問題是散熱。在太空裏，你沒法像地面一樣利用傳導或者對流，基本只能依靠輻射散熱。

而輻射散熱就意味着，你需要非常大的表面積。

這倒也不是一個完全無法解決的問題。畢竟太空裏，空間倒是真的很多。

只是無論如何，成本現在還是擺在那裏。

不過我們已經在做探索了。事實上，我們其實已經在太空裏了。我們的系統已經做了抗輻射處理，全世界很多衛星上都已經在跑CUDA。

它們在做成像、圖像處理、AI成像這類事情。而這些事情，很多本來就應該直接在太空裏完成，而不是先把所有原始數據傳回地面，再在地面上處理。

所以本來就有很多工作，理應在太空完成。

與此同時，我們也會繼續探索，如果數據中心真的要去太空，它的架構到底應該長什麼樣。

這會花很多年，不過沒關係，我時間很多。

 主持人  我想再追問一下醫療健康。你到底是怎麼保養的？你這狀態真不錯。這是不是亞洲人的優勢？

 黃仁勳  深蹲、俯臥撐，還有靜蹲。

 主持人  行，這套聽起來倒是靠譜。

不過說回正題，在醫療這件事上，整個建設到底會走到哪裏？我們現在到底取得了什麼進展？

我想我們大家都知道，現在ChatGPT這類大語言模型，在第一次問診這個層面上，很多時候已經做得更穩定、更一致了。

所以，到底還需要發生什麼，AI才能真正突破監管和體系的束縛，對整個醫療系統產生實質性的影響？

 黃仁勳  我們在醫療領域大概有幾個方向。

第一個方向，是AI biology。也可以說，是用AI去理解、刻畫和預測生命系統的行為。這一塊在藥物發現裏非常重要。

第二個方向，是智能體。也就是用智能體去輔助診斷、輔助決策、輔助整個醫療流程。OpenEvidence 是一個非常好的例子，Hippocratic也是一個很好的例子。我們很喜歡和這些公司合作。

我真心覺得，這會是智能體技術徹底改變我們與醫生、與醫療系統互動方式的一個領域。

第三個方向，是物理AI。

第一個方向，是用AI去理解和預測生命系統的規律。第三個方向，則是讓AI真正理解物理世界的法則。而這一塊會被用在機器人手術上。

現在這方面已經有非常非常多的進展。

未來，在醫院裏你接觸到的每一台設備，不管是超聲、CT，還是別的儀器，都會具備智能體能力。

某種意義上說，一個安全版本的OpenClaw，以後會進入每一台儀器裏。

所以從很多角度來看，未來這些儀器會以一種非常不一樣的方式，去和病人、護士、醫生互動。

16

全球機器人產業都會深度依賴中國供應鏈

 主持人   機器人到底離真正進入我們的日常生活還有多遠？比如機器人廚師、機器人護士、機器人家政，或者更廣義上的人形機器人，什麼時候纔會真正大規模進入現實世界？

尤其是在中國，他們看上去做得和我們一樣好，甚至有些地方可能還更快。

 黃仁勳  這個行業很大程度上，本來就是我們開創的。美國最早把它做了起來。你也可以說，我們其實是進得太早了。

後來我們有點累了，也有點熬不住了。因為關鍵的使能技術，大概要再過五年才真正出現。

 主持人  也就是「大腦」。

 黃仁勳  對，就是「大腦」。我們只是比它早了一點點，結果先把自己的耐心耗光了。

但現在，它已經真的到了。

所以現在的問題，不是「它會不會來」，而是從今天這種已經證明可行、功能也已經相當強的階段，走到真正能被市場接受、能夠規模化落地的產品，還要多久。

通常一項技術，從這種階段走到真正成熟的產品化，不會超過兩三個迭代周期。

而兩三個周期，大致也就是三到五年。所以，三到五年之內，我們會在很多地方看到機器人。

至於中國，我覺得它是一個非常強的競爭者。原因很簡單，它的微電子、電機、稀土、磁體，這些恰恰都是機器人最基礎的東西，而在這些方面，他們就是全球最強。

所以從很多角度看，我們的機器人產業其實深度依賴他們的生態和供應鏈。不只是我們，全球機器人產業都會在很大程度上依賴它。

所以我覺得，你會很快看到這個行業開始明顯加速。

 主持人  那最終會走到什麼程度？馬斯克看起來的判斷是，未來會是一人配一個機器人。70億人就配70億個，80億人就配80億個。

 黃仁勳  我倒希望還不止。

首先，會有大量機器人待在工廠裏，全天候工作。還會有很多工廠機器人，它們不一定到處移動，但也會完成各種自動化動作。

最後，幾乎所有東西都會變成機器人化的。

 主持人  對我來說，機器人最重要的一點，是它會為每一個普通人打開向上流動的機會。

當年人人都有了車，他們突然就能去做很多以前做不了的工作。未來人人有了機器人以後，他的機器人就能替他做很多事。他可以開一個Etsy 店，也可以開一個 Shopify 店，可以用機器人去製造、去執行、去完成那些他一個人原本根本做不到的事情。

我覺得，機器人最後可能會成為人類歷史上最強的一次「普惠式繁榮解鎖器」。

 黃仁勳  完全同意。

而且，從最簡單的現實算術來看，我們今天本來就缺幾百萬勞動力。我們現在其實是非常迫切地需要機器人。很多公司如果有更多勞動力，本來還能長得更快。

另外，你剛纔說的那些場景裏，其實還有很多特別有意思的延展。

比如有了機器人之後，我們就會擁有一種「虛擬在場」的能力。我人在出差，就可以直接連進家裏的機器人，遠程操控它在家裏走來走去。

 主持人  遛狗。

 黃仁勳  遛狗可能還差一點，不過至少你可以在家裏轉一圈，看看情況，跟狗聊聊天，跟孩子說說話。

再往遠一點看，未來人類甚至會以接近光速的方式把「存在」送出去。到那時候，我們當然不會先把自己送過去，而是先把機器人送過去，讓它替我們探路。

 主持人  然後再把我的AI上傳過去。

 黃仁勳  這幾乎是不可避免的。

 主持人  這其實會把月球和火星都打開。它們會變成真正可殖民的目標，而那意味着幾乎無限的資源。尤其是從月球把材料運回來，理論上能耗幾乎可以低到接近零，因為你可以用太陽能去加速。

也就是說，未來月球上完全可能建起工廠，為地球製造所需的一切。而機器人會是打開這一切的鑰匙。

 黃仁勳  沒錯。到了那個時候，距離就不再重要了。

17

對創業者的建議：把你的垂直領域喫透

 主持人  而且模型和智能體賺到的收入越多，我們就越能繼續去投基礎設施；基礎設施越完善，模型和智能體的能力又會進一步被放大。

達里奧最近在播客裏說，到2027、2028年，模型公司和智能體公司會做到數千億美元收入，到2030年，他認為這個數字會到1萬億美元。這裏說的還不是基礎設施收入，而只是AI應用層本身的收入。

 黃仁勳  我覺得他已經算得很保守了。我覺得達里奧和Anthropic 會做得比這還要好得多。

 主持人  哇。從300億到1萬億？

 黃仁勳  是的。而且原因在於，他可能還沒有把另一層力量真正算進去。

我相信，未來每一家企業軟件公司，都會變成Anthropic、OpenAI這類模型公司的分銷商，甚至是增值分銷商。它們會在模型之上再包裝自己的服務，再賣給客戶。

 主持人  對，這會帶來一種近乎指數級的擴張。

 黃仁勳  沒錯。它們的市場觸達能力會被極大放大。

 主持人  那在這樣一個世界裏，最後真正留下來的護城河到底是什麼？

坦白說，你們現在有一些護城河已經強到幾乎不可逾越了。最被低估的一個，可能就是CUDA，這簡直是一個驚人的戰略優勢。

但未來如果一個模型能造出特別厲害的東西，下一代模型也可能反過來把它顛覆掉。那你怎麼看這些做應用層的公司？它們的護城河到底在哪裏？它們要靠什麼區分自己？

 黃仁勳  深度專業化。

我相信，未來一定會有一些通用模型，被接進這些軟件公司的智能體系統裏。其中很多會是雲上的閉源模型，但同時也會有很多，是這些公司自己訓練出來的、非常專業化的子智能體。

所以我對創業者的呼籲其實很簡單，把你的垂直領域喫透，要比所有人都更懂它，而且要懂得更深。

然後等待這些工具追上來。因為它們正在追上你。一旦追上來，你就能把你的知識、你的判斷、你的邊際優勢，真正灌進去。

而且你越早把你的智能體接到客戶身上，那個飛輪就會越早開始轉。一旦轉起來，你的智能體就會非常非常快地變強。

 主持人  這其實和我們今天做軟件的邏輯正好相反。

今天我們通常是先做出一個軟件，然後想，哪些部分可以通用化？再儘量把它橫向賣給更多人，最後再圍繞它去做定製化，把客戶困在這個系統裏。

 黃仁勳  對，完全沒錯。我們先做一個橫向平台。

但你注意看，現實裏一直都有那麼多GSI，那麼多顧問公司，它們本質上就是各個行業的專家。它們拿着你的橫向平台，再往每個行業裏做深度定製。

而且可以說，這一整塊「定製化」市場可能比你那個通用平台本身還要大五六倍。

所以，我覺得這些平台公司未來其實有機會自己長成那個「專家層」，自己變成那個垂直領域的專家，變成真正意義上的行業知識擁有者。

18

去成為一個真正會用AI的專家

 主持人  我真的得送你一朵花。我記得三年前你說過一句話，你不會被AI搶走工作，你會被會用AI的人搶走工作。

現在回頭看，我們整場對話其實都在圍繞這個判斷展開。智能體正在把人變成「超人」，商業機會在擴張，創業機會也在擴張。你當時確實看得很早，也看得很清楚。

那你現在改變看法了嗎？

 黃仁勳  我同意，崗位會變化。

比如今天很多司機，他們未來未必會消失。我反而覺得，其中很多人以後仍然會坐在車裏，只不過他不再負責開車，而是坐在方向盤後面，看着車自己開。

因為說到底，一個司機真正做的，從來不只是「開車」這件事。

這些司機本質上是在幫你。他們是你的助理。他們幫你拿行李，幫你處理各種細碎但重要的事情。

所以我一點也不會驚訝，未來的司機其實會變成你的「出行助理」，在一段移動過程中，順帶幫你做很多別的事。

 主持人  對，比如替你辦酒店入住，而車自己在往前開。

 黃仁勳  沒錯。你看，飛機上的自動駕駛系統出現之後，並沒有把飛行員從駕駛艙裏趕出去，反而讓整個航空業需要更多飛行員。

雖然今天大部分時間，飛機其實都是自動駕駛在飛。

同樣的道理，未來車在自動行駛的時候，那個司機其實也不會閒着。他會在手機上處理很多別的工作，也會因為做這些事繼續賺錢。比如替你協調一堆安排，處理各種事務。

整個蛋糕最後其實是在變大，而不是簡單地把誰切掉。

所以有一點我是非常確定的：每一份工作都會被改變，有些工作確實會消失。但與此同時，我們也知道，很多很多新的工作也會被創造出來。

如果我要對剛從學校出來、正因為AI而焦慮不安的年輕人說一句話，那就是，去成為一個真正會用AI的專家。

我們都希望自己的員工是會用AI的專家，而這件事其實一點也不簡單。

你要知道怎麼提出要求，但又不能把要求定得太死。你得給AI留出足夠空間，讓它自己去創新、去生成，同時你又要把它往你真正想要的結果上引導。

這裏面是有手藝的。

 主持人  你當年在斯坦福是不是講過一句很有名的話，說「我祝你們經歷痛苦和磨難」。你還記得嗎？

 黃仁勳  記得。

 主持人  那你現在會給年輕人什麼建議？他們該學什麼？

尤其是那些還沒上大學、正準備從高中畢業的孩子。因為這一代人是真正的原生AI一代。他們還沒決定要不要上大學，也還沒決定要學什麼。如果是你，你會怎麼引導他們？

 黃仁勳  我還是相信，紮實的科學基礎、紮實的數學能力，還有語言能力，都非常重要。

因為你們也知道，語言現在已經成了AI的編程語言，可以說是終極編程語言。

所以從某種意義上講，學英語、學語言的人，最後反而可能會是最成功的一批人。

所以我會說，不管你最後接受的是什麼教育，都一定要確保一件事，你得非常、非常擅長使用AI。

另外，關於工作這件事，我還想補充一句，而且我希望每個人都能聽進去。

在深度學習革命剛開始的時候，世界上有一位我極其尊敬的頂級計算機科學家（即傑弗裏·辛頓，Geoffrey Hinton），當時就判斷，計算機視覺會徹底消滅放射科醫生。他甚至建議大家，最不該進入的領域，就是放射學。

十年過去了，他對前半句的判斷，其實百分之百是對的。計算機視覺確實已經全面進入了全球幾乎所有放射學設備和平台。

但真正出人意料的結果是，放射科醫生的數量不但沒有減少，反而增加了，而且需求還在暴漲。

原因就在於，每個人的工作，其實都分成兩個層面：一個是你平時做的那些任務，另一個是你真正承擔的目的。

放射科醫生的任務，當然是看片子、讀掃描結果。但他真正的目的，是幫助醫生，是幫助病人，是幫助完成疾病診斷和治療。

所以最後你會發現，因為掃描變快了，醫院就能做更多掃描。醫療效率提高了，病人也能更快被接收、更快被治療。

而且別忘了，醫院也是要賺錢的。它們會做更多掃描，接更多病人，更早發現疾病，收入會上升。結果是什麼？結果就是，它們反而需要更多放射科醫生。

這就是一個再典型不過的例子。

一個增長更快、生產率更高的國家，最後會更富。而一個更富的國家，完全可以在教室裏放進更多老師，而不是更少老師。

你甚至可以讓每一位老師都擁有一套面向每個學生的個性化教學方案。這會讓老師變得更強，而不是被替代。

未來，每個學生都會有AI輔助，但每個學生仍然會需要優秀的老師。

 主持人  太精彩了。你真的是這個時代需要的那種引路人。你現在一直在講這項技術積極的一面，而我覺得外面那種末日敘事已經太多了。

但與此同時，你能在取得這麼大成功之後，還保持這種謙遜，說到底不過是在做軟件，我覺得這對很多人來說也是非常重要的一種提醒。

 黃仁勳  我們以前就做過這樣的事。我們以前就創造過新的品類，也創造過新的產業。

所以我們根本沒必要滑到那種靠恐嚇來推動討論的地方去。那沒有任何幫助。

而且，最後我們是可以自己做選擇的。我們是有自主權的，我們是有能動性的。未來怎麼走，歸根到底還是我們自己來決定。