英偉達CEO的童年：9 歲打掃了100個男生的廁所

英偉達CEO黃仁勛與喬?羅根播客對談，重提2012年送芯片給特斯拉（美股代碼：TSLA）首席執行官馬斯克的往事，以及自己童年流落美國、英偉達險些破產的經歷。黃仁勛完整講述內容如下：

2012年，多倫多大學杰弗里?辛頓的實驗室里，他的兩名學生伊利亞?薩茨凱弗和亞歷克斯?克里熱夫斯基做出了一個名為 AlexNet 的模型。這個模型在圖像識別領域的表現，超越了人類過去30年編寫的所有計算機視覺算法。計算機視覺是通往真正人工智能的基石 —— 如果連 “看” 都做不到，就更談不上 “懂” 了。“他們是怎么做到的？就是買了兩張英偉達顯卡回家訓練。” 這兩張顯卡就是 GTX 580，采用了 SLI 雙卡互聯技術。

為什么我們的顯卡能做到這一點？因為我們從1984年起，就一直在研究一種 “全新的計算方式”—— 并行計算。

傳統的 CPU 是按部就班地順序執行指令：第一步、第二步、第三步…… 而我們的做法是把一個問題拆解成幾千個小任務，分配給幾千個計算核心同時處理。這套方法的使用門檻很高，但只要你能把問題轉化為我們發明的 CUDA 格式，你的設備就能瞬間變成一臺超級計算機。

計算機圖形學本身就是 “易并行計算” 的絕佳案例 —— 屏幕上的每個像素原本就互不相關，我們可以同時計算400萬個像素！于是我們把這套超級計算機技術集成到顯卡里，讓游戲玩家能用來玩游戲。

總而言之，伊利亞和亞歷克斯正是用我們這種 “玩家級超級計算機”，做出了震驚世界的 AlexNet。我看到這個成果后就意識到：這絕不僅僅是計算機視覺技術，這東西根本就是一個 “通用函數逼近器”！

什么是通用函數逼近器？上學的時候，老師會給你一個黑盒子，里面藏著一個函數 f（x），你輸入 x，它就會輸出對應的結果。傳統編程需要你自己推導并寫出這個函數公式，比如牛頓第二定律 F = ma，把公式寫進程序里就能解決問題。但深度學習完全不同 —— 你根本不用自己寫公式！你只需要給它大量 “輸入→輸出” 的樣本，它就能自己 “學” 出對應的函數公式。今天能學牛頓定律，明天能學麥克斯韋方程組，后天能學薛定諤方程…… 只要你能提供足夠的輸入和輸出樣本，它幾乎什么都能學會。

當時我們靜下心來思考：“等等，這東西的用途絕不止于圖像識別吧？它可以解決‘世界上所有有輸入、有輸出的問題’！而整個宇宙的運行規律，不就是由無數輸入和輸出的關系構成的嗎？” 在那一刻，我們就知道：這就是人工智能真正迎來爆發的起點。

其實當時有幾個關鍵問題必須解決。比如，我們必須證明這項技術真的能 “規模化” 應用到巨型系統中。當時那篇 AlexNet 的論文，只用了兩張 GTX 580顯卡做 SLI 互聯，對吧？而這套配置，正是你當年玩《雷神之錘》時用的裝備。

所以說，GTX 580 SLI 這套游戲配置，就是把深度學習推上歷史舞臺的 “革命性計算機”。那是2012年，可當時人們還只是拿它來玩《雷神之錘》。

那就是現代人工智能的大爆炸時刻。我們很幸運，因為我們當時正在研發這項技術、這種全新的計算方式。更幸運的是，率先發現這項技術巨大潛力的，居然是一群游戲玩家。而我們也恰好抓住了那個關鍵的瞬間。這有點像《星際迷航》里的 “第一次接觸”—— 瓦肯人必須恰好觀測到地球人啟動曲速引擎的那一刻。如果他們沒有親眼看到那一閃而過的光芒，就永遠不會降臨地球，后續的一切也就不會發生。如果當年我沒有注意到那個瞬間，如果那道象征著突破的 “光芒” 稍縱即逝，如果我們公司沒能抓住這個機遇，那后來會發生什么，誰也無法預料。

我們親眼見證了那個歷史性的時刻，然后通過分析推理得出結論：這是一個 “通用函數逼近器”，絕不僅僅能用來做計算機視覺。只要解決兩個問題，我們就能用它來做任何事情。

第一個問題：我們必須證明這項技術確實具備規模化擴展的能力。第二個問題：世界上永遠不會有足夠多的 “輸入 - 輸出” 樣本，讓我們通過監督學習的方式教會人工智能所有知識。就像你不可能全程監督孩子學會每一件事一樣，數據量會成為制約發展的瓶頸。

我們需要一種 “無監督學習” 的方式，讓計算機能夠自主學習。這個目標在當時還需要好幾年才能實現，但如今無監督學習已經成為現實，人工智能已經可以自主學習了。

為什么人工智能能實現自主學習？因為我們擁有海量的 “正確答案樣本”。最典型的應用就是 “預測下一個詞”。我們收集人類所有的文字數據，把一句話的最后一個詞遮住，或者隨機遮住中間的某個詞，讓模型不斷猜測，直到猜對為止。比如 “瑪麗去了 bank”，這里的 bank 指的是河岸還是銀行？單看這句話無法判斷，但如果后面加上 “釣了一條魚”，就能確定指的是河岸了。我們把幾十億個這樣的句子輸入給模型，讓它自己從中找出語言規律。這就是無監督學習的由來。

當 “可規模化” 和 “無監督學習” 這兩個關鍵概念同時落地時，我們就下定決心：要把所有資源都投入到這項技術中。它將幫助人類解決一大堆此前從未攻克過的難題。那一年，是2012年。

到了2016年，我造出了全球第一臺真正為深度學習量身打造的超級計算機 ——DGX-1。

黃仁勛當年送給馬斯克的那臺設備叫 DGX Spark，其實是后來推出的迷你版本。第一代 DGX-1的售價高達30萬美元，光是研發成本就耗費了英偉達幾十億美元。

它不再是簡單的雙卡 SLI 互聯，而是通過 NVLink 技術，將8張當時性能最強的 GPU 連接在一起，本質上就是 “超級增強版的 SLI 互聯技術”。

我在 GTC 大會上第一次公開展示 DGX-1時，全場鴉雀無聲，沒有人能聽懂我在講什么。

當時我和馬斯克已經認識很久了，我們曾幫他研發過 Model S、Model 3的車載電腦，還打造了第一代全自動駕駛（FSD）電腦。

DGX-1發布后，全球范圍內沒有收到一張訂單，沒有一個人愿意買 —— 除了馬斯克。

我們圍坐在壁爐旁聊天時，他突然說：“我有一個非營利組織，可能真的非常需要這樣一臺超級計算機。” 聽到這話，我當時心都涼了…… 耗費幾十億美元研發的產品，每臺售價30萬美元，結果第一個客戶居然是一家非營利組織？

NVDA｜黃仁勛的傳奇一生：9歲流落美國 兩次瀕臨破產、靠200美元買書給員工救活公司 砸幾十億美元研發卻無人問津、只有馬斯克下單

我親手組裝了第一臺 DGX-1，打包好后開車送到舊金山，送到 OpenAI 當時那個狹小的辦公室。那是在二樓，一間比你現在所處的房間還要小的屋子，彼得?蒂爾、伊利亞?薩茨凱弗等一群人都在那里。

那就是 OpenAI 的起點，那一年是2016年。

DGX-1的算力是1 petaflops（千萬億次浮點運算 / 秒），9年后推出的 DGX Spark 算力同樣是1 petaflops，但體積只有一本書那么大，售價僅為4000美元。這就是科技進步的速度。

1993年英偉達創立時，我們的目標就是研發一種全新的計算架構，用來解決普通計算機無法攻克的難題。但問題來了：我們的 “殺手級應用” 在哪里？當時所有已有的應用程序，普通 CPU 都能處理，否則這些應用根本不會被開發出來。我們寫下的使命宣言，在當時看來幾乎 “不可能實現”，但1993年的我對此一無所知，只覺得這個目標聽起來很酷。

那時候《毀滅戰士》《雷神之錘》都還沒問世，約翰?卡馬克也還沒發明第一人稱射擊游戲。我專程跑到日本去找世嘉公司，因為當時只有街機廳才有真正的3D 游戲 —— 比如《VR 戰士》《夢游美國》。這些街機使用的3D 芯片，居然是從軍用飛行模擬器上拆下來的，價格極其昂貴。我當時就想：我們能不能把這種級別的3D 畫面，集成到家用電腦里？

于是我們和世嘉公司簽下了人生中的第一份大合同：“你們負責把街機游戲移植到電腦平臺，我們來幫你們研發下一代主機的芯片。” 這筆錢，救了英偉達的命。

結果研發了兩年后我們才發現，我們選定的三項核心技術路線全部走錯了：

別人用三角形構建3D 圖形，我們卻用二次曲面；別人用 Z 緩沖技術自動排序圖形層級，我們卻讓程序手動排序；別人用逆向紋理映射技術，我們卻用正向紋理映射…… 三個最關鍵的技術決策，全部出錯。1995年年中，我們成了 “起跑最快，卻滿盤皆輸” 的那個失敗者。

當時硅谷大概有50家3D 顯卡初創公司，所有人都選對了技術路線，只有我們一敗涂地。公司瀕臨破產，還欠著世嘉公司一款主機芯片的研發任務。我飛到日本去見世嘉社長入交昭一郎，當時33歲的我，滿臉青春痘，瘦得像根竹竿，面對著這位頭發花白的長輩說：“我要告訴你一個壞消息：我們承諾給你的技術，根本做不出來，我們的路線完全錯了，繼續研發只會浪費你的錢。我建議你找其他公司合作…… 但我還是需要你最后再投500萬美元，不然我們公司明天就會破產。就算你投了這500萬美元，也極有可能血本無歸。”

他考慮了兩天，然后回復我說：“我投。” 理由很簡單，“就因為喜歡你這個年輕人”。

如果他當年把那500萬美元用來購買英偉達的股票，到今天大概能值1萬億美元吧？可惜英偉達上市后，他們就把股票全部拋售了，當時公司的市值只有3億美元。

拿到500萬美元的救命錢后，我們依然不知道該如何把技術做對。我們裁掉了主機芯片研發團隊的所有成員，公司最后只剩下幾十個人。我拿著兜里僅剩的200美元，去書店買了3本硅谷圖形公司（SGI）的3D 圖形技術 “圣經”，分給三位架構師：“去把這些書讀懂，然后我們再來拯救公司。” 結果他們讀完書后，把 SGI 的通用技術方案全部拆解，只保留了 “游戲領域最需要的那一小部分”，并直接把這些功能硬編碼到芯片里。就這樣，一張售價幾百美元的顯卡，圖形處理速度居然追平了價值百萬美元的 SGI 工作站。這就是現代 GPU 的起源。

我們還做了一個關鍵決策：不追求 “滿足所有3D 應用需求”，只專注于一件事 —— 游戲。我們砍掉了所有針對 CAD 設計、飛行模擬器的復雜功能，把所有資金都投入到 “玩家最關心的圖形畫質” 上。這就是 GeForce 顯卡的誕生歷程。

后來我們要研發 RIVA 128這款救命芯片，但公司的資金已經快耗盡了。我聽說有家公司研發了一款 “硬件模擬器”，可以先在模擬器上完整運行驅動程序，確認沒有漏洞后再送去芯片廠流片。我們拿出了公司剩余資金的一半 ——50萬美元，去購買這款模擬器 —— 結果對方說：“我們公司已經破產了，倉庫里剛好還剩最后一臺。” 買下這臺模擬器后，我們的芯片實現了 “一次流片成功”。這套 “先在模擬器上驗證” 的流程，后來成了全世界芯片公司的標準操作流程。

芯片流片那天，我打電話給臺積電創始人張忠謀：“我要直接量產這款芯片，我確定它一定會成功。” 張忠謀選擇相信并支持我。RIVA 128顯卡橫空出世，英偉達也成為了史上從創立到營收突破10億美元速度最快的公司。

那段時間，我總覺得整個世界都在飛速旋轉，完全失控。就算躺在床上，也依然感覺天旋地轉，內心充滿了極度的焦慮。這種感覺，這輩子大概也就經歷過那么幾次。

而現在，33年過去了，我每天早上醒來都是這種感覺。那種脆弱感、不確定感、不安全感 —— 從來沒有離開過我。我對失敗的恐懼，遠遠超過了對成功的渴望。

因為我并不貪婪，我只想讓公司活下去。我也算不上野心勃勃，我只是想讓公司生存下來、讓我們的團隊做出有影響力的事業。

我每天醒來的第一件事，就是凌晨4點起床，查看幾千封郵件，日復一日，從未間斷，包括感恩節、圣誕節在內的所有節假日。我對 “度假” 的定義是 “和家人待在一起”，但就算度假，我也依然會工作。我的孩子們也都在英偉達工作，同樣每天辛勤忙碌。我們一家人，似乎都帶著 “吃苦耐勞的基因”。

我9歲、哥哥11歲那年，父母把我們從泰國送到了美國（當時泰國發生政變，街上隨處可見坦克）。我們寄住在素未謀面的叔叔家里，后來叔叔幫我們找到了肯塔基州最貧困的一個縣 —— 那里有一所名為奧尼達浸禮會學院的寄宿學校。這所學校專門招收 “問題少年” 和國際學生，學校里100% 的學生都抽煙、帶刀，我的室友17歲，身上滿是剛縫好的刀傷。我9歲時的雜務，就是打掃100間男生宿舍的廁所。那個地方，如今是美國阿片類藥物危機的重災區，在當時是全美最貧困的縣，直到今天依然如此。

我們和父母聯系的方式，是用一臺卡帶錄音機。每個月我們都會錄下 “這個月我們做了什么”，然后寄回泰國，父母再錄下他們的話寄回來。就這樣，我們有整整兩年沒有聽過父母的聲音。我還曾在錄音帶里興奮地說：“爸爸媽媽！我們今天去了一家超厲害的餐廳，整間店亮晶晶的，就像未來世界一樣，食物都裝在盒子里，漢堡超級好吃！”—— 那家餐廳，其實就是麥當勞。

這就是我的美國夢。我是第一代實現美國夢的移民。很難讓人不熱愛這個國家。

“我當年執意研發 CUDA 技術，導致公司股價暴跌，市值一度只剩20到30億美元 —— 因為加入 CUDA 功能后，顯卡成本翻倍，卻沒人愿意買。但如果我們明明相信這就是未來的方向，卻選擇什么都不做，那我們會后悔一輩子。” 結果，CUDA 技術徹底改變了世界。

很多人以為成功的人每天都過得很快樂，其實并非如此。成功的路上，充滿了孤獨、痛苦、羞辱、質疑和嘲笑。但 “吃苦是這段旅程的必經之路”。如今我所擁有的一切感恩、自豪和珍貴回憶，都是從那些痛苦的經歷中孕育出來的。