40 min read

黄仁勋 × Lex Fridman:NVIDIA 4 万亿市值背后的 AI 革命

Source: http://x.com/i/article/2036230895699406848

黄仁勋在 NVIDIA 市值 4 万亿美元的时候,坐下来聊了两个多小时:从 Amdahl 定律讲到人类意识,从市值跌至 15 亿美元的至暗时刻讲到”希望在岗位上瞬间死去”。

他是全球任职时间最长的科技公司 CEO,执掌 NVIDIA 已经 34 年。这家公司现在是人类历史上最有价值的上市公司,但他说,举起芯片拍照“还是挺可爱的,但那已经不是我脑子里在做的事情了”。他脑子里是行星级的基础设施。

原始视频: https://youtube.com/watch?v=vif8NQcjVf0![Image](https://pbs.twimg.com/media/HEIlQ2DXIAAm7Mu?format=jpg&name=large) 要点速览:

  • NVIDIA 把 CUDA 放进 GeForce 时,成本增加 50%,几乎吞掉全部利润,市值从约 80 亿跌到 15 亿美元,花了十年爬回来。老黄认为这是公司历史上最接近生死存亡的决定。

*老黄提出四大 AI 扩展定律(预训练、后训练、测试时推理、智能体),核心结论是:智能最终只由算力决定。Token 成本每年降低一个数量级。

  • Grace Blackwell 架构针对大语言模型推理设计,Vera Rubin 架构针对智能体设计——后者在 Claude Code 和 OpenClaw 出现之前两年就开始设计了。

*老黄与 TSMC 合作三十年,经手数百亿美元生意,没有一份合同。2013 年 Morris Chang 邀请他出任 TSMC CEO,他在 10 分钟内婉拒。

  • 他认为编程的定义已经变了,能编程的人将从 3000 万扩大到 10 亿。放射科医生案例证明:AI 超越人类后,该职业的人数反而增长了。

*老黄的管理方式:60 多个直接汇报人、不做一对一会议、所有问题集体讨论。公司组织结构应该映射产品架构。

  • 关于 AGI,老黄认为已经实现了,但“100,000 个 Agent 建造 NVIDIA 的概率是零”。

不是芯片公司,是”极端协同设计”公司

Image

Lex 问:NVIDIA 已经从设计单颗 GPU 扩展到同时设计 GPU、CPU、内存、网络、存储、电源、冷却、软件、机架、Pod 甚至整个数据中心。这么多复杂变量,最难的部分是什么?

老黄先解释了为什么必须这么做。过去的问题可以被一台电脑、一块 GPU 加速。现在不行了。你加了 10,000 台电脑,但希望它跑快 100 万倍。这就是 Amdahl 定律的问题:如果计算只占总工作量的 50%,即使你把计算加速到无穷大,总速度也只能翻一倍。

所以当你把工作分布到成千上万台机器上,每一个环节都会成为瓶颈——CPU、GPU、网络、交换机、工作负载分配。“这是一个极其复杂的计算机科学问题。我们必须调动所有技术。否则我们只能线性扩展,或者按照已经放缓的摩尔定律扩展。”

这也直接解释了老黄的管理方式。他的直接汇报人超过 60 个,几乎全部有工程背景——有做内存的专家、做 CPU 的、做光学的、做 GPU 架构的、做算法的。不做一对一会议。

我们不做一对一。我们把一个问题摆出来,所有人一起攻克它。因为我们在做极端协同设计,而公司本身就在不断地做极端协同设计。 (“I don't do one-on-ones. We present a problem and all of us attack it. Because we're doing extreme co-design. And literally, the company is doing extreme co-design all the time.”)

即使讨论的是某个具体组件,比如冷却方案,所有人都在听。搞内存的人可能会说“这对内存不行”,搞电源的人可能会说“功耗扛不住”。谁觉得自己能贡献的话题没插话,老黄会把人拽回来。

老黄认为大多数公司的组织结构没有道理。“汉堡包型、软件型、汽车公司型——看起来全一样。”他的逻辑是:公司是一个生产产品的机器,它的架构应该反映产品和所处的环境。

Vera Rubin Pod 需要 7 种芯片、5 种机架、200 家供应商配合,那公司就得有 60 个领域专家同时在一个房间里解决问题。

【注:Vera Rubin 是 NVIDIA 在 GTC 2026 上发布的下一代 AI 计算平台,以天文学家 Vera Rubin 命名,预计 2026 年下半年出货。一个 Vera Rubin Pod 包含约 40 个机架、超过 1,100 个 Rubin GPU,整体算力达 60 exaflops。】

CUDA 赌局——市值从 80 亿跌到 15 亿的那个决定

Image

Lex 问到了 NVIDIA 历史上最关键的战略决定:把 CUDA 放到 GeForce 上。老黄说这是公司最接近“存亡威胁”的时刻。

故事背景是这样的。NVIDIA 最初是一家加速器公司,专门为特定任务做优化。但专用化的问题在于市场太窄,市场规模决定了研发投入,研发投入又决定了你在计算领域能产生多大影响。所以 NVIDIA 一直想成为一家“计算公司”,但“更好的计算公司”和“更专的加速器”之间存在根本性的张力,这两个方向是互相矛盾的。

第一步是可编程的像素着色器。第二步是在着色器中加入 IEEE 兼容的 FP32(32 位浮点运算),这让科学家和研究者发现了 GPU 可以用于通用计算。然后是在 FP32 上加 C 语言(Cg),再演化为 CUDA。

但关键的战略决定是:把 CUDA 放进 GeForce,每一块消费级显卡都内置 CUDA,不管用户用不用。

老黄用 x86 的例子来讲为什么这么做。x86 可能是被批评最多的架构,但它定义了今天的计算。那些由顶尖计算机科学家设计的精美 RISC 架构反而失败了。原因只有一个:安装基数。

安装基数定义了一个架构。其他一切都是次要的。 (“Install base defines an architecture. Not… Everything else is secondary.”)

当时 GeForce 已经每年卖出数百万块。CUDA 放进去,等于给每个 PC 用户手里塞了一台超级计算机。NVIDIA 同时去大学教课、写书、推广 CUDA。研究者和科学家通过打游戏的显卡发现了 CUDA——很多人本来就是 PC 玩家,很多实验室用 PC 组件搭集群。

但代价极为惨烈。CUDA 把 GeForce 的成本增加了大约 50%,而 NVIDIA 当时是一家毛利率只有 35% 的公司。

这意味着 CUDA 几乎吞掉了全部的毛利润。市值从约 60 到 80 亿美元跌到了 15 亿美元左右,在那个水平待了好一段时间,慢慢爬回来,一直背着 GeForce 上的 CUDA。花了十年。

Lex 追问:做这个决定的时候,你心理上怎么承受?

老黄说他得让董事会明白目标,管理团队知道毛利率会被碾压。可以合理推演出——有一天 CUDA 会进入工作站和超级计算机,在那些领域可以获得更高利润。“你可以用推理说服自己负担得起,但实际上花了十年。”

你在脑中构建一个未来,那个未来如此令人信服,它不可能不发生。中间会有很多痛苦,但你必须相信你所相信的。 (“You manifest a future and that future is so convincing, there's no way it won't happen. There's a lot of suffering in between, but you've gotta believe what you believe.”)

【注:CUDA 目前已迭代到 13.2 版本,是全球 AI 和高性能计算领域的事实标准。NVIDIA 官方数据显示 CUDA 开发者生态超过数百万人。当年与 CUDA 竞争的 OpenCL 虽然仍存在,但在 AI 领域的影响力远不及 CUDA。】

宣布之前先改变所有人的信念

Image

老黄接着解释了他独特的领导方法。他从不搞突然的大转向——没有大裁员、大重组、新使命宣言、新 logo 那一套。当他了解到某个新趋势开始影响他的思维时,他会立即开始在身边的人面前讲——“这很有意思”“这会产生什么影响”“这会改变那个”。

他每天都在做这件事。对董事会、对管理层、对员工。他在逐步塑造所有人的信念体系,这样当他某天说“我们去全力做深度学习”的时候,所有人的反应不是“你在说什么?”而是“你怎么现在才说?”

他用 Mellanox 收购举例:宣布那天,所有人都觉得这是显而易见的。因为他已经铺垫了很久。

“在宣布的那天,我希望员工的反应是:'老黄,你怎么拖到现在才说?'”

GTC 本身也是他的信念塑造工具——不仅对内部员工,也对整个行业的合作伙伴。他在 GTC 向供应商、开发者、合作伙伴同步他的世界模型。“我不认为历史上有几百位 CEO 出席过一场 keynote。”他把 GTC 当成整个生态系统的集体路径对齐。

【注:Mellanox 是以色列高速网络技术公司,NVIDIA 于 2019 年以约 69 亿美元宣布收购、2020 年完成。这笔收购被认为是 NVIDIA 进入数据中心网络市场的关键一步,Mellanox 的 InfiniBand 和以太网技术现在是 NVIDIA AI 系统的核心组件,其网络业务季度收入已超 100 亿美元。】

推理比阅读难——AI 四大扩展定律

Image

Lex 问老黄是否仍然相信 Scaling Laws。老黄回答:不止相信,现在有更多的 Scaling Laws 了。

他列出四个阶段。

第一个是预训练扩展。 模型越大、数据越多,AI 越聪明。当 Ilya Sutskever 说“我们的数据用完了”之类的话时,行业恐慌了,觉得 AI 到头了。

【注:Ilya Sutskever 后来离开 OpenAI,创办了 SSI(Safe Superintelligence Inc.)。他在 2024 年的一次公开活动上表达了预训练数据可能接近瓶颈的看法。】

老黄认为这“显然不对”。合成数据将持续扩大训练数据的规模。他指出一个被忽视的事实:我们用来教学的大部分数据本来就是“合成的”——人创造它、消费它、修改它、再生成它。AI 现在能基于真实数据合成出海量新数据。结果是:训练不再受限于数据,而是受限于算力。

第二个是后训练扩展(微调和强化学习等)。第三个是测试时推理扩展。

老黄回忆说,很多人曾告诉他“推理很简单,芯片会很小,不需要 NVIDIA 那种昂贵的东西”。

推理就是思考,我认为思考很难。思考比阅读难得多。预训练只是记忆和泛化、寻找模式。而思考是推理、规划、搜索、把新问题拆解成可解的小块,用第一性原理或过去的经验来解决。这怎么可能不需要大量算力? (“Inference is thinking, and I think thinking is hard. Thinking is way harder than reading.”)

第四个是智能体扩展。 一个大语言模型可以在推理时做研究、查数据库、用工具,更重要的是能派生出大量子智能体。“扩大 NVIDIA 规模最简单的方式是多雇员工,而不是把我自己变强。”智能体扩展就是 AI 的“招人”。

这四个阶段形成循环:智能体产生数据,好的数据回流到预训练,精炼到后训练,增强测试时推理,再由智能体部署。

核心结论:智能的扩展最终只取决于一样东西——算力。 【注:这个结论有明显的利益相关性。NVIDIA 是全球最大的 AI 算力供应商,“智能=算力”的叙事直接利好其业务。不过从当前趋势看,各大 AI 实验室确实在以超出预期的速度增加算力投入。】

两年前就画出了 OpenClaw 的架构图

Image

Lex 问:硬件不能一周内转向,AI 模型架构每六个月就变一次,你怎么提前两三年预判?

老黄给了三层回答。

第一层是内部研发。 NVIDIA 自己做基础研究、做模型、训练——这是协同设计的一部分。他们的 Nemotron 3 不只是 Transformer 模型,还融合了 SSM(状态空间模型)。“这给了我们对未来计算需求的第一手感知。”

第二层是聆听行业。 NVIDIA 是世界上唯一一家与几乎所有 AI 公司合作的 AI 公司。“你得听,从每个人身上学。”

第三层是灵活架构。 CUDA 在极致加速和通用灵活之间保持平衡,所以当混合专家模型(MoE,一种让不同输入激活不同子网络的架构)出现时,NVLink 72 已经能把一个 4 万亿甚至 10 万亿参数的模型放进一个计算域内,像在一块 GPU 上运行一样。

Grace Blackwell 机架的架构完全聚焦于一件事——运行大语言模型推理。而一年后的 Vera Rubin 机架则完全不同:增加了存储加速器、全新的 Vera CPU、新的 Rock 机架。

为什么?因为 Grace Blackwell 是为混合专家模型推理设计的,而 Vera Rubin 是为智能体设计的。

智能体需要调用工具、访问文件系统、做研究。

Lex 追问:这些设计必须在 Claude Code、Codex、OpenClaw 出现之前完成。你是怎么预判到的?

老黄说不需要“预判”,只需要推理。他用了一个思想实验:

想象一个最先进的智能体——一个人形机器人走进你家。它是更可能使用你家现有的工具做事?还是它的手变成一把 10 磅的锤子、变成手术刀、从指尖发射微波?它第一次见到你家的微波炉,可能不会用。但它连着网,读了说明书,瞬间就会了。

“我刚才描述的,几乎就是 OpenClaw 的所有属性——使用工具、访问文件、做研究、有 IO 子系统。”

他说 GTC 两年前的主题演讲中就展示了与 OpenClaw 完全一致的智能体架构图。

OpenClaw 对智能体系统的意义,就像 ChatGPT 对生成式 AI 的意义。 (“I think OpenClaw did for agentic systems what ChatGPT did for generative systems.”)

当被问及为什么 OpenClaw 比 Claude Code 和 Codex 更能吸引公众注意,老黄的回答很直接:“因为消费者能直接用。”

【注:OpenClaw 是奥地利开发者 Peter Steinberger 在 2026 年 1 月发布的开源 AI 智能体框架,发布后迅速成为 GitHub 有史以来增长最快的项目。Steinberger 随后加入 OpenAI,Sam Altman 表示 OpenClaw 将作为开源项目由基金会运营。老黄在 GTC 2026 上发布了 NemoClaw——NVIDIA 为 OpenClaw 提供的安全和企业级扩展方案。】

谈到安全问题,老黄提到了一个“三选二”模型:智能体可以访问敏感信息、可以执行代码、可以对外通信——任何时候最多给两个权限,不能三个同时给。

再加上企业级访问控制和策略引擎。

飞到供应商那里画图、讲道理、要几十亿美元投资

Image

Lex 问:AI 扩展最大的瓶颈是什么?

老黄说电力是个问题,但不是唯一的问题。这也是为什么要推极端协同设计——在过去 10 年里,摩尔定律只让计算进步了约 100 倍,而 NVIDIA 通过协同设计将性能提升了 100 万倍。Token 成本每年降低一个数量级。

大约三年前,他去说服 DRAM 行业的几位 CEO。当时数据中心的主流内存是 DDR(普通服务器内存),HBM(高带宽内存)只在超算中小量使用。老黄告诉他们:HBM 将成为数据中心的主流内存。听起来荒谬。他还建议把 LPDDR5——手机内存——用到超算和数据中心里。“手机内存用于超算?”对方反应可以想象。

【注:HBM(高带宽内存)通过垂直堆叠 DRAM 芯片实现远超传统内存的带宽,是当前 AI 芯片的关键组件。SK Hynix 是全球 HBM 最大供应商。】

“结果几位 CEO 相信了我,决定投资。”他说这几家有 45 年历史的公司都创造了历史营收纪录。

另一个供应链细节同样有趣。NVLink 72 把超算集成从“在数据中心里组装”变成了“在供应链中制造”。每个机架重达 2-3 吨,整体运输。这意味着如果你要建 50GW 的超算集群,供应链每周需要消耗 1GW 的电力来构建和测试这些超算,在它们出厂之前。

老黄会亲自飞到供应商那里。“我先解释正在发生什么、为什么会发生,然后要求他们每家投资数十亿美元。因为他们信任我,我也非常尊重他们,我给他们充分的机会质疑我,我花时间解释,用第一性原理画图推理。等我讲完,他们知道该怎么做。”

Lex 追问:你担心 ASML 的光刻机、TSMC 的封装、SK Hynix 的 HBM 这些具体瓶颈吗?

老黄的回答:“不。因为我告诉了他们我需要什么,他们告诉了我他们会做什么,我相信他们。”

【注:这个回答需要谨慎解读。作为上市公司 CEO,在公开场合表达对供应链的担忧可能影响股价和合作关系。NVIDIA 在 2025 年确实遭遇了多次供应瓶颈。】

电网 99% 的时间都在浪费

Image

谈到能源问题时,老黄拿出了一个很少被讨论的方案。

电网是为最坏情况设计的——冬天最冷的几天、夏天最热的几天、极端天气。平时容量大约只用了 60%。99% 的时间,电网有大量闲置容量,但必须保持待命状态。

老黄提出三方需要同时改变。

第一,终端客户。 云服务客户要求数据中心永不掉线、六个九的可用性。“我敢打赌,这些合同的 CEO 根本没看过具体条款。”两边的合同谈判者都想签最好的合同,结果把刚性需求层层传递到电力公司。

第二,数据中心需要能“优雅降级”。

如果电网说“我们要把你降到 80%”,数据中心应该能做到:转移关键工作负载到其他地方,非关键工作减速运行,数据永远不丢。用户可能感受到稍长一点的响应延迟,仅此而已。

第三,电力公司也需要改变。

不要只提供“五年后扩容”这一种选项,可以提供不同保障级别的电力产品——如果你愿意接受降级风险,我下个月就能供电,价格更低。

Lex 问:从工程角度看,这种动态功率分配有多难?

只要你能定义需求,就能设计出来。只要它符合物理定律和第一性原理。 (“As soon as you could specify, you could engineer it.”)

Elon 的工程方法——在行动点亲自到场

Image

Lex 请老黄评价 Elon Musk 和 xAI 在 Memphis 建造 Colossus 超算的成就。

【注:Colossus 是 xAI 在 Memphis 一座废弃的 Electrolux 工厂中建造的 AI 超算。初始版本 100,000 块 H100 GPU,122 天建成;92 天后翻倍至 200,000 块 GPU。】

老黄的评价集中在方法论上。Elon 同时在多个深层领域工作,但他也是一个出色的系统思考者。他质疑一切——“第一,这是必要的吗?第二,必须这样做吗?第三,必须花这么长时间吗?”——直到去掉一切多余的东西,只剩下必要的功能。

老黄还特别强调了一点:Elon 会亲自出现在行动点。 “有问题,他就去那里。'给我看问题在哪。'”这种个人紧迫感会传导给所有人——每个供应商都有很多客户、很多项目,但 Elon 会让自己成为所有人的最高优先级。

Lex 补充了自己的亲眼所见:他曾看到 Elon 和现场工程师一起研究如何把线缆插进机架,试图让这个过程更不容易出错。从每个具体任务建立起直觉,然后在系统层面找到低效环节。

“光速”方法——从零开始问物理极限

Image

Lex 问 NVIDIA 的极端系统协同设计有没有自己的方法论。

老黄说他 30 年前就开始用一种叫“光速”的方法。这个词不只是关于速度——它是“物理能做到的极限”的简称。所有指标——内存速度、计算速度、功耗、成本、时间、人力、制造周期——都要先跟物理极限做对比。

“74 天做这件事,有人告诉我能缩短到 72 天。我不喜欢这种渐进式改良。我更想退回到零,问:为什么一开始是 74 天?如果我从零开始建,需要多少天?”答案可能是 6 天。从 74 到 72 的对话很痛苦,从 74 到 6 的对话反而更有效——因为你知道了终点在哪里。

我更愿意把一切剥回到零,问:为什么 74 天?如果从头建,要多久? (“I'd rather strip it all back to zero and say, first of all, explain to me why 74 days in the first place.”)

Lex 问到简洁性在这种极端复杂系统中是不是一个好的启发式原则。老黄回答:“我最常说的话是:尽可能复杂到必要的程度,但尽可能简单。”问题是:所有这些复杂性都是必要的吗?要挑战这一点。多余的部分就是浪费。

他提到了一个数字:NVIDIA 可能需要每周生产约 200 个 Vera Rubin Pod。每个 Pod 40 个机架、130 万个组件。这个生产规模本身就是一个系统工程问题。

中国是当今世界创新速度最快的国家

Image

Lex 问老黄最近去了中国,怎么看中国在过去十年建起这么多世界级科技公司和工程团队?

老黄的分析有三层。第一层是人才基数:全球约 50% 的 AI 研究者是中国人,大部分仍在中国。第二层是时机:中国科技产业在移动互联网和云计算时代崛起,贡献方式是软件。这是一个数学和科学教育扎实的国家,产业天生软件导向。第三层是内部竞争结构:中国各省市之间在竞争,这解释了为什么开源大量普及。”我们在保护什么?我的工程师,他们的兄弟在那家公司,朋友在那家公司,都是同学。”知识流动快,没必要藏着,不如放到开源让社区加速创新。

这是一个建设者国家。 (”It's a builder nation.”)

他做了一个对比:美国的领导者大多是律师,因为美国追求法治。中国是从贫困中建设起来的,领导者大多是出色的工程师。

谈到 NVIDIA 自己的开源策略,老黄说他们开源了 Nemotron 3 Super,一个 120 亿参数、混合 Transformer 和 SSM(状态空间模型)架构的开放权重模型。三个理由:

  • 协同设计需要:做基础研究帮助 NVIDIA 理解未来模型需要什么样的计算系统。
  • AI 必须扩散:开源是让每个行业、每个国家参与 AI 革命的根本条件。
  • 垂直行业:AI 不只是语言——生物、化学、物理、天气预测都需要专门的模型。”我们不造车,但要确保每家车企都有好的模型。我们不做药物发现,但要确保 Eli Lilly 有世界最好的生物 AI 系统。”

【注:SSM(State Space Model,状态空间模型)是一种替代 Transformer 的架构,处理长序列时效率更高。Nemotron 3 Super 混合使用两种架构是一个值得注意的设计选择。】

三十年数百亿美元生意,没有一份合同

Image

Lex 问老黄怎么看 TSMC。

老黄说对 TSMC 最大的误解是:人们以为他们只有技术。好像只要有人做出另一种晶体管,TSMC 就完了。技术当然让这家公司特别——不只是晶体管,还有金属化系统、封装、3D 封装、硅光子学。

但老黄认为更了不起的是另外两件事。

第一是他们的制造调度系统。

数百家客户同时在扩产、缩产、加急、推迟,全球的需求在不断变形。TSMC 能在这种复杂度下保持高产出、高良率、优秀的客户服务。“他们承诺晶圆什么时候到,晶圆就什么时候到,因为他们知道他们在帮你运营你的公司。”

第二是文化。 同时做到技术最前沿和客户服务顶级——很多公司只能做到一个。“不知怎么的,他们在两个方面都是世界级的。”

三十年,我不知道是几百亿还是几千亿美元的生意经手他们,我们没有合同。这太了不起了。 (“Three decades, I don't know how many tens, hundreds of billions of dollars of business we've done through them, and we don't have a contract. That's pretty great.”)

Lex 提到了一个广为流传的故事:2013 年,TSMC 创始人张忠谋邀请老黄出任 TSMC CEO。

【注:这个故事在 2024 年 11 月出版的张忠谋自传第二卷中得到证实。当时 TSMC 在寻找接班人,张忠谋认为黄仁勋的品格、专业背景和半导体知识使他成为理想人选。张忠谋花了 10 分钟阐述对 TSMC 的愿景,黄仁勋听完后回答:”我已经有工作了。”几周后张忠谋再次尝试,黄仁勋仍然拒绝。】

老黄确认故事属实。“我被深深打动,也非常荣幸。TSMC 是历史上最重要的公司之一,Morris 是我一生中最受尊敬的商业和私人朋友之一。但 NVIDIA 的工作真的很重要,我在脑海中已经看到了 NVIDIA 将会成为什么、我们能产生什么影响。这是我唯一的责任。”

然后他加了一句:“现在我可以帮助两家公司。”

CUDA 是护城河,但心智模型已经变了

Image

Lex 直接问:NVIDIA 是世界上最有价值的公司,最大的护城河是什么?

老黄的排序很明确。

第一是 CUDA 的安装基数。 “如果有人做出一个 GUDA 或者 TUDA,不会有任何区别。”因为 CUDA 的成功不只是技术,是 43,000 个员工 20 年的持续投入,是几百万开发者的信任。

从开发者的角度想:如果我支持 CUDA,平均每六个月它就快 10 倍。我的软件能跑在几亿台设备上——每个云、每个电脑公司、每个行业、每个国家。“把这些加在一起,如果我是今天的开发者,我会首先、最多地支持 CUDA。”

第二是生态系统的广度。

NVIDIA 垂直集成了极其复杂的系统,但又水平地接入所有公司的产品。一个架构出现在所有不同系统中——云、超算、边缘、基站、汽车、机器人、卫星。

第三是执行速度,每年一代新架构、史无前例的复杂度。第四是信任——开发者 100% 相信 NVIDIA 会永远维护和改进 CUDA。

过去发布新产品时他会举起芯片。

举起芯片还是挺可爱的。但那已经不是我脑子里在做的事情了。我的心智模型是一个巨大的吉瓦级设施,连着电网的发电系统,有着令人惊叹的冷却系统和网络。一万个人在里面安装设备,几百个网络工程师在布线,几千个工程师在后面供电。 (“Picking up the chip is kind of still adorable. But it's adorable. It's not my mental model of what I'm doing.”)

他说下一次“点击”是行星级——思考计算时,想的是整个地球。

Token 工厂:计算从仓库变成了工厂

Image

Lex 问了那个所有人都想问的问题:NVIDIA 会值 10 万亿美元吗?

老黄没有直接回答数字,而是讲了两个底层逻辑。

第一个变化:计算从检索系统变成了生成系统。

过去的计算机本质上是一个“预录制 + 文件检索”系统——人写好东西、存成文件、用推荐系统帮你找到。现在的 AI 计算机是实时感知上下文并生成内容的。这意味着新世界需要的是计算,旧世界需要的是存储。

第二个变化:计算机的用途从仓库变成了工厂。

仓库不太赚钱,工厂直接与收入挂钩。而且这个工厂生产的商品——Token——正在分层定价,就像 iPhone 一样。有免费 Token、有高端 Token,中间还有好几档。“每百万 Token 1000 美元的定价就在眼前,不是会不会发生的问题,只是什么时候。”

老黄认为 OpenClaw 扮演了智能体时代的 iPhone 角色——让普通人直接用上,Token 消耗量直线上升。

智能体的 iPhone 来了,就是 OpenClaw。这是历史上增长最快的应用。直线上升。 (”The iPhone of tokens arrived. Agents.”)

“世界 GDP 将加速增长。用于计算的 GDP 比例将比过去多 100 倍——因为它不再是存储单元,而是产品生成单元。”

他提到一个有意思的心理障碍:“NVIDIA 几乎不是在抢任何人的市场份额。我说的那些东西,绝大部分还不存在。挑战是世界对未来的想象力。”

【注:黄仁勋提到 NVIDIA 在”不远的未来”有可能成为年收入 3 万亿美元的公司。NVIDIA FY2026 财年(截至 2026 年 1 月)的总收入约为 2,160 亿美元。3 万亿意味着约 14 倍增长。他未给出时间线,论证基于:没有物理限制、供应链负担分摊给 200 家公司、能源会解决。】

把焦虑分解成清单——老黄的压力管理术

Image

Lex 指出了一个现实:多个国家的经济、AI 基础设施规划都围绕 NVIDIA 展开。老黄怎么承受这种压力?

老黄先列出了他意识到的责任:巨额税收、技术领导力和国家安全、再工业化带来的就业机会。他还提到有普通投资者——教师、警察——因为看了 Jim Cramer 买了 NVIDIA 股票变成了百万富翁。“我完全意识到这一切。”

然后他讲了他的方法。把压力分解:这个情况是什么?什么变了?什么难了?我能做什么?把问题拆成可执行的小块,要么自己做,要么找人做。

“如果你推理出需要做一件事,你没做,也没找任何人去做,那就别抱怨了。”

Lex 追问:你在心理上有过低谷吗?

“当然。经常。一直都是。”

方法是:尽快分解问题、告诉别人、不要独自扛着。然后一部分靠遗忘——“你得对自己狠一点,别再哭了,起来干活。”另一部分靠被未来吸引——“这个在我身后了,下一个是什么?”

“能有多难?”你得让自己进入这种状态。不要提前模拟所有的挫折。你要带着“一切都会很好、一切都会很有趣”的心态进入新体验。然后当挫折真的来了,只需要打开另一个开关:忘掉它,继续前进。 (“How hard can it be?”)

老黄还提到,因为他的工作大部分是公开的,当他犯错时“所有人都看得到”。这反而让谦逊变得自然。在会议中,他的方式是不断“在所有人面前推理”——展示思考步骤而不是直接给结论。让其他人否定推理中的某个步骤,而不是否定结论。“这是一种集体路径搜索方法。”

“对尴尬的容忍度”是关键。他已经尴尬了很多年了——在会议上公开被证明想法是错的。能承受这种尴尬并从中成长,这不是一件容易的事。

游戏:Doom 是最伟大的游戏,DLSS 5 有话说

Image

简短聊了游戏。老黄说 GeForce 至今是 NVIDIA 的第一营销策略——年轻人通过游戏认识 NVIDIA,上大学开始用 CUDA,工作后用 NVIDIA 的各种工具。

关于 DLSS 5 引发的争议,玩家担心它让游戏变成 AI slop(AI 生成的同质化内容),老黄说他能理解这种担忧。“我自己也不喜欢 AI slop。所有 AI 生成的内容越来越相似,都很漂亮,但我能共情玩家的想法。”但他解释说 DLSS 5 不是在后处理阶段给游戏加 AI 滤镜——它是 3D 条件引导的、忠实于艺术家创建的几何和纹理。 “它给艺术家一个工具,艺术家可以选择不用。”

被问到最伟大的游戏,老黄没有犹豫:Doom。 从文化影响和行业转折来看,它把 PC 从办公自动化工具变成了个人计算设备。从纯技术角度,他选 Virtua Fighter。

【注:DLSS(深度学习超级采样)是 NVIDIA 的 AI 图像增强技术。DLSS 5 加入了生成式 AI 元素,引发游戏社区对内容质量的担忧。】

“我认为 AGI 已经实现了”

Image

Lex 给 AGI 下了一个具体定义:一个 AI 系统能否创办、发展并运营一家价值超过 10 亿美元的科技公司?这离我们多远?

老黄的回答直接:“我认为现在就是。我认为我们已经实现了 AGI。”

他的逻辑是:Lex 说了“10 亿美元”但没说“永远”。一个 Claude 完全有可能创建某个网络服务或小应用,突然几十亿人用了,然后很快又消失了。互联网时代有大量这样的公司,它们中大多数并不比 OpenClaw 今天能生成的东西更复杂。

但他随即加了一个限定:“100,000 个 Agent 建造 NVIDIA 的概率是零。”

NVIDIA 需要的不只是智能,而是跨越 34 年的积累,是信任、文化、判断力、在巨大压力下做决策的能力。这些东西 AGI 没有,至少现在没有。

编程的未来——从 3000 万人到 10 亿人

Image

老黄预测编程人口将从约 3000 万扩大到约 10 亿。理由是:编程的定义变了。今天的编码就是写规格说明——告诉计算机你要它建什么。能做这件事的人有多少?

他给了一个有力的案例。AI 研究者最早预言会消失的职业是放射科医生——因为计算机视觉在 2019 年前后就超越了人类。预言确实对了:AI 完全超越人类了,今天每个放射科平台都由 AI 驱动。但放射科医生的数量反而增长了。

现在全球放射科医生还短缺。

为什么?因为工作的目的和工作的工具是相关但不同的概念。

你的工作目的和你使用的任务工具是相关的,但不是同一件事。 (“The purpose of your job and the tasks and tools that you use to do your job are related, not the same.”)

放射科医生的目的是诊断疾病和帮助医生,不是“看片子”。AI 让看片子变快了,于是能看更多片子、更快诊断、更多患者入院、医院收入增加、需要更多放射科医生。“说出来是不是很明显?”

同样的逻辑适用于 NVIDIA 的软件工程师。“人数会增长而不是减少。我不在乎他们写了多少行代码。我要他们解决问题、团队协作、诊断问题、评估结果、寻找新问题、创新。这些不会消失。”

他也承认现实:

  • 高风险:如果你的工作就是那个任务本身——你被颠覆的风险很高。
  • 有出路:如果你的工作目的包含某些任务但不等于任务——那你必须赶紧去学 AI,自己自动化那些任务。

他给了一个实际的建议:如果今天要招一个新的大学毕业生,两个候选人,一个不懂 AI,一个是 AI 专家——他会选后者。不管你是会计、营销、供应链、律师还是木匠。“去用 AI,看看它能为你当前的工作做什么,把自己提升成那个能革新这个行业的创新者。”

智能是商品,人性才是超能力

Image

Lex 问:人类意识中有没有什么是芯片永远无法复制的?

老黄的回答很坦率:他不知道芯片会不会“紧张”。AI 能识别和理解那些导致焦虑、兴奋、恐惧的条件,但他不认为芯片会“感受”到它们。同样的场景给两台不同的电脑,输出会有统计差异,但不是因为它们“感觉不同”。

“智能是一个我们一直在用的词,但它不是一个神秘的词。它包括感知、理解、推理、规划。智能不等于人性。这两个词是不同的。”

他拿自己举例。他被 60 个比他更聪明的人环绕——每个人在自己的领域都是超人类水平。他们受过更好的教育、上的是更好的学校、在各自领域更深入。“然而我坐在他们中间协调所有 60 个人。所以你得问自己:一个洗碗工凭什么坐在超人类中间?”

智能是功能性的。人性不是用功能来定义的。品格、人性、同情、慷慨——这些才是超能力。智能要被商品化了。 (“Intelligence is a commodity... Character, humanity... Compassion, generosity... I believe those are superhuman powers.”)

“我不信接班那套”——但希望死在工作里

Image

Lex 最后问了一个关乎 NVIDIA 未来的问题:这么多国家和人民都在依赖你,你想过自己的死亡吗?

“我真的不想死。”老黄说。他有很好的家庭,有极其重要的工作。”这不是一生一次的经历——这意味着很多人经历过,只是不是同一个人。这是一次人类历史上的体验。”

他向来不信接班那套。但他的逻辑不是觉得自己不会死——如果你真的担心公司在你离开之后,现在最该做的事就是:尽可能快、尽可能持续地把知识、信息、洞察、技能传递出去。

这也是他每次开会都变成”推理会议”的原因。他学到的东西,”在桌上停留不超过一秒钟”——还没学完就已经在指给别人了。”快看这个,你会想学的。”

“我希望的结局,是死在工作里。最好是瞬间的,没有长期的痛苦。”

对于未来,老黄表达了一种近乎浪漫的乐观:”在我有生之年,治愈疾病是合理的期望。大幅减少污染是合理的期望。光速旅行也在我们的未来——不是长途,但短途是可以的。”他甚至描述了自己的终极愿景:先派一个人形机器人上太空船,让它在飞行中不断改进;然后把自己的全部意识——所有邮件、言行、被收集的信息——以光速发过去,追上那个机器人。

Lex 说最让他兴奋的是那些科学之谜——人类的生物机器、意识、理论物理。

老黄的最后一句话是:”解释意识,那才是真正了不起的。”

这期访谈里,老黄展现的不只是一个 CEO 的视角,更像是一个在系统层面思考整个 AI 基础设施未来的工程师。他的核心论点很清晰:计算正在从检索变为生成,这个范式转移不可逆;智能体时代已经到来,硬件架构需要从”运行模型”转向”运行数字劳动力”;而在智能被商品化的时代,真正稀缺的是品格和人性。

几个值得持续追问的点:他对 NVIDIA 年收入 3 万亿美元的预测,意味着在当前 2,160 亿美元基础上 14 倍增长——这种乐观的底气究竟有多少是基本面,有多少是叙事?他对接班问题的不以为然,对于一家全球 AI 基础设施高度依赖的 4 万亿美元公司来说,算不算一种风险?以及他对中国”世界上创新最快的国家”的评价,与当前中美技术竞争的紧张态势之间的张力,会如何演化?