黃仁勛暴論核彈：AGI已經實現，Ilya錯了，程序員有10億

Jay 發自 凹非寺
量子位 | 公眾號 QbitAI
我們已經實現了AGI。

老黃最新的暴論，震驚了所有人。

但這還不是全部，在Lex Fridman的最新專訪中，黃仁勛還講了更多…

不是隨口感慨的空談，老黃這次從技術、社會、人性各個維度分別探討了這件事，明顯最近對此有不少思考。

暴論頻出，火力全開：

Ilya錯了，預訓練遠未觸頂，合成數據將進一步推動數據規模擴張。

隨后更進一步，駁斥了同行對“推理時Scaling”這條路線的低估。

推理絕非輕量級計算。若說預訓練是閱讀，那推理就是思考，而思考遠比閱讀難。

而整場訪談最有趣的，無疑是在老黃所謂“AGI已經實現后”，他基于這個第一性原理，對未來所做出的展望。

• OpenClaw就是Token時代的iPhone。來最常跟你聊天，或許是你的龍蝦。
• 智能將成為一種可按需定價的商品，以Token的形式大規模流通。
• 程序員不會被AI取代。寫代碼其實并不是核心能力，這個群體將從3000萬激增至10億。
• 為了實現太空旅行，我可能會做個人形機器人，再通過模型的形式把我的意識上傳進去。
• 智能這個詞被過度神化了。人性、品格、同情心與慷慨，這些才是最寶貴的特質。

這是老黃首次做客Lex Fridman的節目，Lex也是終于逮著這個機會了，從各個維度把老黃“挖”了個遍。

兩小時的對話，跨度極大。從英偉達對未來數據中心的宏大構想，到老黃獨特的管理哲學與處世之道……甚至最后一度聊到哲學。

老黃也再次展示了感性的一面。

最好的結果，是在工作中死去的。最好是瞬間發生，不要有太長時間的痛苦。

以下附上訪談全文。為保證可讀性，量子位在不改變原意的基礎上，對內容做了部分調整。

Lex Fridman對話黃仁勛

Lex Fridman：現在還信scaling law嗎？

黃仁勛：信，而且現在的scaling law更明顯了。

LexFridman：pre-training、post-training、test time、agentic scaling之中，最讓你擔心、甚至睡不著覺的瓶頸是什么？

黃仁勛：在pre-training scaling law階段，大家的判斷其實沒錯，高質量數據的總量會限制AI的智能上限。數據越多、模型越大，AI就越聰明。

后來Ilya Sutskever說數據用完了，pre-training走到頭了，行業一度非?？只牛X得AI要到此為止。顯然不是這樣。

數據還會繼續增長，其中很大一部分會是合成數據。

我們彼此交流、傳遞知識的大多數數據，本來就是“合成”的。不是直接從自然界提取的，而是人創造出來的，我消化、再加工、再生成，別人再消化。

現在AI已經可以基于真實數據，大規模生成數據。在post-training階段，數據規模依然在擴展，只是人類生成數據的占比會越來越小。訓練的瓶頸，其實從數據轉移到了算力。

然后是test time。

我記得有人跟我說，推理很簡單，難的是pre-training。推理芯片會是小芯片，不需要NVIDIA這種復雜昂貴的系統。推理會是個大市場，但最終會商品化，誰都能做。

這個邏輯在我看來一直都站不住腳。因為推理就是思考，而思考是很難的，遠比閱讀難。

pre-training更像是記憶和泛化，是讀和讀，是在關系中找模式。但思考，是解決問題，用第一性原理去嘗試不同路徑。test time scaling的本質，是推理、規劃、搜索。

這種計算怎么可能是輕量級的？

再往下，在inference和test time scaling之后，我們已經創造出了一個agentic個體。

它有一個大語言模型，但在test time，它會去做研究、查數據庫、調用工具。更重要的是，它會不斷派生子agent。

這就是下一個scaling law，agentic scaling。本質上是AI的乘法，你可以派生任意多的agent。

這些agent在運行過程中會產生大量數據和經驗，其中高質量的部分會被保留下來，送回pre-training，用于記憶和泛化，再經過post-training，再經過test time增強，再由agentic系統輸出給行業。

Lex Fridman：不同組件需要不同硬件才能做到最優，比如混合專家和稀疏性。你必須提前判斷AI的發展方向，但硬件根本不可能一周就改。

黃仁勛：AI模型架構大概每六個月就會有一次變化，而系統架構和硬件架構大概三年一個周期。所以你必須去判斷兩三年后的方向。

第一，我們自己做研究，有基礎研究，也有應用研究。我們自己訓練模型，有第一手經驗，這也是協同設計的一部分。

第二，我們和幾乎所有AI公司都有深度合作。我們可以感知他們遇到的問題。

還有一點，要有足夠靈活的架構，能跟著變化走。CUDA的價值就在這里，一方面是極致加速能力，另一方面是高度靈活。

專業化和通用性之間的平衡非常關鍵。太專業，適應不了算法變化；太通用，就失去加速優勢。

你對比Grace Blackwell機架和一年后的Vera Rubin機架，會發現差別非常大。

Grace Blackwell的設計目標很單一，就是處理LLM。而Vera Rubin機架里，加入了存儲加速器，全新CPU Vera，用于運行LLM的NVLink 72，還有一個新的擴展機架Rock。

這套系統和上一代完全不同，多了很多組件。上一代是為MoE大模型推理設計的，這一代是為agent設計的，而agent需要調用工具。

Lex Fridman：這套系統的設計，其實發生在Claude Code、Codex這些產品出現之前。這種判斷來自哪里？

黃仁勛：不管技術怎么發展，如果你把大語言模型當成一個數字工作者，它需要什么？

它需要訪問真實數據，也就是文件系統。它需要做研究，因為它不可能什么都知道。它需要使用工具。

有人說AI會讓軟件消失，這是完全不成立的。

十年后最強的agent，哪怕是一個人形機器人，它來到你家，是更可能直接使用你現有的工具，還是把手變成錘子、變成手術刀、甚至用手指發射微波來燒水？

顯然是前者。它會用你的微波爐。第一次不會沒關系，它可以聯網，讀說明書，很快就會了。我剛才描述的，其實就是OpenClaw的核心能力。

OpenClaw對于agentic系統的意義，就像ChatGPT之于生成式AI。

Lex Fridman：你剛才講了很多過去被認為是瓶頸、后來被突破。下一個瓶頸會是什么？

黃仁勛：電力是一個問題。

過去十年，摩爾定律大概帶來了100倍的計算提升，而我們通過規模擴展，實現了一百萬倍。

接下來，我們要繼續依靠極致協同設計，把這個趨勢延續下去。

能效直接決定一家公司的收入，也決定一座工廠的產出能力。我們會把能效推到極限，用最快的速度把token成本壓下來。

雖然我們的硬件價格在上漲，但token生成效率提升得更快，所以token成本在持續下降，基本每年下降一個數量級。

Lex Fridman：供應鏈的瓶頸會讓你睡不著嗎？比如ASML的EUV光刻機、臺積電的CoWoS封裝、SK海力士的高帶寬內存？

黃仁勛：歷史上幾乎沒有公司在我們這個體量上還能以這樣的速度增長，而且還在持續加速。所以整個上下游供應鏈，對我們來說都非常關鍵。

我花了很多時間去跟合作伙伴的CEO溝通一件事：到底是什么在驅動這波增長，為什么它還在加速？

我會告訴他們現在的業務情況，近期的增長驅動力，正在發生什么，以及接下來要去哪里。他們會基于這些信息，去判斷自己的投資方向。

當然，我也會親自去拜訪他們，講清楚這個季度、明年、后年會發生什么。

LexFridman：但有意思的是，你好像沒有因供應鏈而“睡不著”。

黃仁勛：因為該做的事情我都在做。這些問題我都逐一推演過。

從最早的DGX-1，到現在NVLink-72的機架級計算，系統架構已經完全變了。這對軟件意味著什么，對工程意味著什么，對設計、測試、供應鏈意味著什么，我都會一一推演。

數據中心與能源

Lex Fridman：能源問題應該怎么解決？

黃仁勛：現在的電網，是按照最極端情況來設計的，會預留冗余。

但現實是，99%的時間，我們都遠遠達不到那個峰值。真正的極端情況，只會出現在一年中很少的幾天，比如冬天、夏天的極端天氣。

絕大多數時間，我們的用電水平大概只有峰值的60%左右。

也就是說，99%的時間，電網其實有大量閑置電力。

所以我在想，有沒有可能通過更好的理解、契約設計和計算機架構設計，讓數據中心在電網需要滿負荷供電的時候，主動讓出一部分電力？

在那段時間里，我們可以用備用發電機，或者把工作負載遷移到別的地方，甚至讓計算機降速運行。比如稍微降低性能、減少功耗，讓響應時間稍微變長一點。

我們應該重新思考數據中心的設計方式。

現在大家追求的是100%在線，合同要求也非常嚴苛，這給電網帶來了很大壓力。

但其實電網不需要擴容到更高峰值，我們只需要把那些閑置的電力利用起來。

Lex Fridman：那阻礙是什么？監管，還是流程問題？

黃仁勛：這是一個三方問題。

首先是終端客戶。他們對數據中心提出的要求是永遠不能不可用，也就是絕對完美。為了實現這種完美，你就需要備用發電機，也需要電網提供幾乎完美的穩定性。

所以第一步，是要讓客戶，尤其是CEO們意識到他們到底在要求什么。

很多時候，簽合同的人和CEO之間是斷層的。CEO可能根本不知道合同里寫了什么。但雙方談判時，都會爭取最優條款。于是，云服務商就必須去要求電力公司提供同樣級別的保障。

第二點，是數據中心本身的設計。

我們需要的是可以優雅降級的系統。當電網告訴我們只能提供80%的電力時，我們可以遷移工作負載，保證數據不丟失，同時降低計算速度，減少能耗。

服務質量會略微下降，但關鍵任務可以立即遷移到其他數據中心，保證不受影響。

第三點是電力公司?，F在電力公司的說法是，擴容電網需要五年時間。但如果電力公司能提供不同層級的供電承諾，那他們其實可以更快提供電力。

Lex Fridman：你之前高度評價過馬斯克和xAI在孟菲斯建Colossus超算的速度，四個月就建起來，現在已經有20萬張GPU，還在快速增長。

從他的做法里，有沒有一些對整個數據中心行業都有啟發的東西？

黃仁勛：Elon在非常多領域都有深入理解，他可以同時在多個學科之間來回切換，而且他會不斷去質疑一切。

這件事真的有必要嗎？一定要用這種方式做嗎？真的需要這么久嗎？

他可以一路問下去，把所有東西壓縮到最小必要程度，不能再刪了，但功能依然完整。

他的風格可以說是極致極簡，而且是在系統級別做到這一點。

還有一點我非常欣賞，他總是在一線。哪里有問題，他就直接過去，說，把問題給我看。

還有最后一點，他的緊迫感是親自傳導的。當他自己以極高緊迫感在做事時，整個系統都會被帶動起來。

每個供應商都有很多客戶、很多項目，但他會讓自己成為所有人優先級最高的那個項目。

Lex Fridman：我記得有一次和他在一起，他甚至會去研究怎么把線纜插進機架。他會直接跟現場工程師一起看，理解這個流程哪里容易出錯。

這種方法和英偉達的極致協同設計之間，有沒有共通點？

黃仁勛：協同設計，本質就是一個極致的系統工程問題。

我們所有工作，都是從這個第一性原理出發的。

另外，我們還有一個理念，我30年前就開始用，叫“光速”。

光速不僅僅是速度，它是我用來表達物理極限的一個概念。我會強制所有人先從第一性原理出發，理解物理極限，再開始設計。

我不太喜歡所謂的持續優化。

慢慢優化當然沒問題。但我不喜歡一開始就說，現在需要74天，我們可以幫你優化到72天。

先告訴我，為什么是74天？

如果從今天重新設計，從零開始，這件事理論上要多久？

很多時候，你會發現答案可能是6天。

那剩下的68天，可能是各種歷史包袱、成本權衡、流程復雜性。

Lex Fridman：在你們處理這么復雜的系統時，“簡單”是不是一個重要原則？

光是一個NVL72機架，就有130萬個組件，1300顆芯片。你們一周還要生產大約200個這樣的pod。

這種規模下，簡單幾乎不可能。

黃仁勛：我最常說的一句話是：復雜度要剛好夠用，但必須盡可能簡單。

關鍵問題是，這些復雜性是不是必要的？

如果不必要，那就是多余的復雜性。

Lex Fridman：過去十年，中國在科技領域的崛起非常驚人，誕生了大量世界級公司和工程團隊，中國為什么能做到這一點？

黃仁勛：全球大約一半的AI研究人員是中國人，而且大部分還在中國本土。

中國的科技產業出現在一個非常關鍵的時間點，也就是移動互聯網和云計算時代。

那個時代的核心是軟件，而中國的優勢正好在這里。

他們有大量科學和數學基礎非常扎實的年輕人，教育體系很強，這一代人是在軟件時代成長起來的，對現代軟件非常熟悉。

另外，中國不是一個單一的經濟體，而是由很多省份和城市組成，各地之間存在激烈競爭。

這也是為什么你會看到那么多新能源車公司、AI公司，以及幾乎所有你能想到的行業，都會有很多家公司同時在做。而最后留下來的，往往是非常強的公司。

還有一個文化因素。

他們的排序大概是家庭第一，朋友第二，公司第三。

這導致人與人之間的信息交流非常頻繁。某種程度上，他們一直處在一種“類開源”的狀態。

你會發現工程師之間的關系是交織的，朋友在別的公司，親人在別的公司，很多還是同學。

“同學”這個概念，在他們那里是一輩子的關系。

在這種情況下，知識傳播速度非?？?。既然很難真正保密，那干脆開源。開源社區反過來又進一步放大了創新速度。

Lex Fridman：而且從文化上看，在中國做工程師是一件很酷的事。

黃仁勛：沒錯，這是一個builder nation。

我們國家的領導者非常優秀，但很多是律師出身，因為我們更強調規則和制度。

而他們是從貧困中發展起來的，很多領導者本身就是工程師，而且是非常優秀的工程師。

Lex Fridman：臺積電也是一個傳奇公司。你怎么看它為什么能做到這種級別的成功？

黃仁勛：很多人對臺積電有一個誤解。他們覺得臺積電的核心只是技術，比如晶體管、封裝、光子這些。

這些更關鍵的是，他們能協調全球數百家公司不斷變化的需求?？蛻粼诓粩嘧兓?，有的擴產，有的縮產，有的緊急加單，有的取消訂單。

在這種高度動態的環境下，他們依然能保持高產能、高良率、低成本，同時提供極好的客戶服務。

他們非常認真對待承諾。什么時候交付晶圓，就一定會交付，這對客戶來說非常關鍵。

第二是文化。一方面極度技術導向，持續推動前沿技術。另一方面又極度重視客戶服務。很多公司只能做到其中一個，但他們兩個都做到了世界級。

第三，是一種無形的能力，叫信任。

Lex Fridman：這種信任既來自長期表現，也來自人與人之間的關系。

黃仁勛：我們合作了30年，經歷了幾十億甚至上百億美元的業務，但我們之間沒有合同。

Lex Fridman：還有一個故事，說2013年臺積電創始人邀請你去做CEO，你拒絕了，這是真的嗎？

黃仁勛：是真的。我沒有輕視這個機會，我非常榮幸。臺積電是歷史上最重要的公司之一，而張忠謀是我非常敬重的人，也是朋友。

但我當時也很清楚，英偉達要做的事情同樣重要。我在腦海中已經看到了它未來會成為什么樣子，以及它可能產生的影響。這是我的責任，我必須把它實現。所以我拒絕了。

不是因為這個機會不夠好，是因為我不能離開。

Lex Fridman：CUDA的裝機基礎，未來會怎么演化成AI時代的護城河？

黃仁勛：過去，對我們來說，計算單元是GPU。后來變成了一臺計算機。再后來變成一個集群?，F在，它已經變成一整座AI工廠。

以前我一想到英偉達做的東西，腦子里出現的是芯片。但今天，舉起一塊芯片這件事還是挺可愛的，只是那已經不是我腦子里的核心畫面了。

我現在腦子里的畫面，是一個巨大的、吉瓦級的基礎設施。它連著發電系統，連著電網，有龐大的散熱系統和巨型網絡。里面有上萬人在安裝，幾百個網絡工程師在現場，背后還有成千上萬工程師在幫它上線。

啟動這樣一座工廠，不是某個人按一下開關說，現在開機了。我們需要幾千人一起把它點亮。

Lex Fridman：所以你現在對單個計算單元的理解，已經變了。

黃仁勛：對，我想的是整套基礎設施。而且我希望下次再跳一下，會變成行星級。

Lex Fridman：那你怎么看Elon提過的那個方向，把計算搬到太空里，去緩解能源擴張問題？

黃仁勛：其實太空特別適合做很多成像任務。因為衛星上的高分辨率成像系統會持續掃描地球。

但如果你想要厘米級分辨率、持續不斷地覆蓋全球，本質上你會獲得幾乎實時的遙測數據。

這些數據量太大了，不能全都傳回地球。你必須在邊緣側，也就是衛星上直接做AI處理。把沒變化的、見過的、沒價值的內容直接丟掉，只保留真正需要的部分。

但太空沒有傳導，也沒有對流?；旧现荒芸枯椛渖?。我們可能得放很大的散熱器上去。

Lex Fridman：這是五年后的事，十年后的事，還是二十年后的事？

黃仁勛：我還是更偏實用主義。

但與此同時，我會持續培育太空這條線。所以我會派工程師去研究這個問題，前期可以做大量工程探索。

但在此之前，地球上已經有那么多閑置電力，我想盡快把它們都利用起來。

Lex Fridman：你覺得英偉達未來有可能達到10萬億美元市值嗎？

黃仁勛：我們是歷史上最大的計算機公司。這本身就值得追問，為什么？

第一個原因是，計算機已經從檢索系統，變成了生成系統。

過去的計算，本質上是文件檢索。幾乎一切都是文件。我們先寫好內容、存到文件里。然后通過推薦系統，把內容取給你。

舊世界的計算，是人先錄制、系統再檢索。而現在，AI計算機是上下文感知的。它要實時處理token、實時生成token。

所以我們從檢索式計算，進入了生成式計算。這個新世界需要的算力，遠遠高于舊世界。舊世界需要大量存儲，新世界需要大量計算。

第二個原因是，計算機的角色變了。

過去它更像倉庫?，F在我們建的是工廠。倉庫不怎么直接賺錢，工廠直接對應公司的收入。

現在我們已經開始看到，這座工廠生產出來的商品，真的有人愿意消費，而且價值很高。

這些商品就是token。token正在開始分層，就像iPhone一樣。有免費token，有高級token，也有中間檔位的token。

智能這件事，最終會變成一個可以分層定價的產品。高智能token，用在更專業的場景里，人們愿意付更高的錢。一百萬個token值1000美元這件事，在我看來已經不遠了。

接下來就要問，世界需要多少這樣的工廠？世界需要多少token？社會愿意為這些token支付多少錢？如果生產率因為它們大幅提高，經濟會變成什么樣？我

把這些放在一起看，我幾乎可以確定，全球GDP的增長會被進一步加速。其中用于計算的那部分占比，會比過去高出100倍。

我還記得，英偉達第一次突破10億美元營收的時候，有位CEO跟我說，無晶圓廠半導體公司理論上不可能超過10億美元。

后來又有人說，你們永遠不可能超過250億美元，因為某某公司會限制你們。類似的話，我聽過很多次。這些判斷都不是基于第一性原理的思考。

英偉達從來都不是靠搶市場份額活著的。我剛剛說的很多市場，以前根本不存在。我們不是在搶一個已經存在的市場，而是在創造新市場。

人們很難想象我們最終會有多大。因為沒有一個現成的對象，可以讓我說我從誰手里拿走多少份額。

Lex Fridman：你這個視角很有意思。某種意義上，就是token工廠。

黃仁勛：而且真正讓我特別興奮的是，token的iPhone時刻已經來了。

Lex Fridman：你是在說OpenClaw是token的iPhone？

黃仁勛：更廣義地說，是agent整體。OpenClaw是歷史上增長最快的應用形態，幾乎是垂直起飛。毫無疑問，OpenClaw就是token的iPhone。

Lex Fridman：從去年12月開始，確實像是發生了某種非常特別的事。大家突然意識到了Claude Code、Codex、OpenClaw的力量。

我甚至有點不好意思承認，今天來這里的路上，在機場，我第一次在公共場合這么干，就是一邊對著電腦說話，一邊編程。

我也不知道自己該怎么看待這樣一個未來，大家都在路上對著AI說話。

黃仁勛：而且更有可能發生的是，你的AI會一直來煩你。因為它做事太快了。它會不?；貋韰R報，我做完了，下一個要我做什么？

未來最常跟你聊天、給你發消息的，可能就是你的龍蝦。

黃仁勛的管理哲學

Lex Fridman：如今的英偉達正涉足各類完全不同的學科，每個領域都有世界級專家。你怎么把這些人聚在一起的？

黃仁勛：設計一臺計算機，需要一套操作系統；設計一家公司，本質也是一樣，你要先想清楚這家公司最終要產出什么。

我見過很多公司的組織架構圖，漢堡型、扁平型、汽車公司型，看起來差不多。

但公司應該是一臺機器、一套系統，它的結構必須反映它所處的環境。

現在直接向我匯報的大概有60個人，我不做一對一溝通，這根本不現實。我習慣于把60個人拉著一起開會，把問題拋出來，所有人一起解決。

暫時走神可以，但他們知道什么時候必須專注。如果有人本來可以貢獻意見卻沒有開口，我會直接點名。

Lex Fridman：面對需要抉擇的重大時刻，你如何做出跨越式判斷？

黃仁勛：主要是由好奇心驅動的。在某個時刻，一整套推理會變得非常清晰，讓我相信這件事一定會發生。

一旦確定這一點，你就會開始構建一個未來。然后去推演路徑，推演為什么它必須存在。管理團隊會一起參與，我們會花大量時間在這個過程上。

很多領導者會把這些認知藏在心里，等到某一天突然宣布：新計劃、新組織、新使命。我從不這樣。

當某個想法開始影響我的判斷，我會立刻讓身邊的人知道。我會持續分享新的信息、新的洞察、新的工程進展，用這些不斷塑造大家的認知。

很多時候，我心里已經有答案，但我會不斷通過外部事件和內部進展，把這套邏輯一點一點傳遞出去。

我每天都在做這件事，對董事會、管理團隊、員工都是如此。所以當我宣布收購Mellanox時，所有人都覺得順理成章。

當我決定全面押注深度學習時，各個部門早已在這個方向上鋪好了基礎，大家已經認同了大部分邏輯。

我很喜歡那種感覺，當我宣布一件事時，員工會覺得：你怎么現在才說？！

這才是領導力的目標，讓所有人一起進入同一個方向。否則，當你宣布一個重大決策時，大家只會感到困惑。

你回頭看每一屆GTC主題演講，那也是在塑造整個行業的認知，同時反過來強化公司內部的認知。

Lex Fridman：你把自己的很多成功歸因于一件事，就是你比別人更能吃苦，也更能承受痛苦。

作為英偉達的CEO，整個經濟體、很多國家都會圍繞你們來做戰略判斷，安排資金配置，規劃AI基礎設施。

你是怎么處理這些壓力？

黃仁勛：我會一直推理，我們到底在做什么，這會帶來什么影響，對別人是幫助還是負擔，比如會不會給供應鏈帶來很大壓力。

接著要問的就是，那你準備怎么辦？

我面對幾乎所有情緒時，都會先拆解它?，F在的處境是什么，發生了什么變化，難點是什么，我接下來要做什么……

然后只剩下一個問題，你做了沒有？

如果你已經判斷出這件事該做，卻既沒自己做，也沒找別人做，那就別再為它哭了。

我能睡著，是因為我已經把該做的事情列出來了。凡是我覺得可能傷害公司、傷害合作伙伴、傷害行業的事，我都已經告訴了別人。

而這個人，是有能力采取行動的人。

還有一部分，其實是遺忘。

AI學習里一個特別重要的能力，就是系統性遺忘。你得知道什么時候該忘掉一些東西。你不能什么都一直背著。

很多時候，你就是得對自己狠一點。差不多行了，別哭了，起來干活！

我覺得很多頂級運動員就是這樣。他們只盯下一分。尷尬也好，挫折也好，都已經過去了。

Lex，你有不少工作是在公開場合完成的。我也是。

我經常會在公開場合說一些話，當時覺得挺有道理，或者挺好笑，至少當時我自己覺得挺有趣。

后來回頭看……好像也沒那么有趣。

Lex Fridman：你以前說過一句很有名的話，大意是，如果你當年知道創建英偉達會有這么難，難度比你想象的大一百萬倍，你可能根本不會去做。

可我聽到這句話時，我會覺得，幾乎所有真正值得做的事，都是這樣吧？

黃仁勛：完全對。

其實我真正想表達的是，人要保留一種孩子式的心智。

看到一件事時，我腦子里的第一反應幾乎總是，這能有多難？

以前沒人做過，看起來非常巨大，要花幾千億美元，要經歷無數困難。但你還是會說——

這能有多難？

你不能提前把所有挫折、失敗、失望、屈辱都模擬一遍。你應該帶著一種很新的心態進入一段經歷，覺得這會很棒，會很有趣，會非常精彩。

真正進入其中以后，你才需要韌性，需要耐力。因為那些挫折一定會來，而且它們來的時候依然會讓你意外。

失望會讓你意外，尷尬會讓你意外，羞辱也會讓你意外。但你不能被它們卡住。

這時你就得啟動另一套機制，忘掉它，往前走。

只要我對未來的那些基本判斷沒有被根本改變，只要那些輸入條件沒有發生實質變化，那我就認為結果也不會變。

我一直很好奇，一直在學。我總是在觀察別人。

因為我對很多事情都保持謙遜，所以我總會想，他們這件事做得真好，他們怎么想到的，他們腦子里到底是怎么推的。

某種程度上，我一直在模仿別人。

Lex Fridman：你現在已經是地球上最有錢、也最成功的人之一了。在這種情況下，保持謙遜會不會很難？

黃仁勛：說來也奇怪，其實沒有。

甚至可能正好反過來。因為我很多工作都是公開進行的，所以只要我錯了，幾乎所有人都會看到。

當我錯了，或者事情沒有按預想發展時，別人都能看見。

但在內部會議里，我很多時候是在邊推理邊說。那種情況下，事情當然可能會朝不同方向發展。

不過這從來不會阻止我繼續推理。我管理和領導的方式，就是不斷在別人面前推理。就連我現在和你說話，你也能看出來，我其實是在現場推理。

我希望你理解我說的話，不是因為我說了你就得信。我會把我是怎么一步一步走到這個結論的過程也展現給你。這樣你自己就能判斷，最后我講的結論你信不信。

我每天在會議里都是這么做的。

我會說，我來告訴你我是怎么看這件事的。然后我把推理過程講出來。

這樣大家就有機會隨時攔住我，說：我不同意你這一步。

這種方式最好的地方就在于，別人不需要直接反對你的結論。他們可以只反對你推理中的某一步。然后他們把我往另一個方向拉，我們再一起繼續往前推。

Lex Fridman：這么多年經歷了巨大的成功和痛苦以后，你還能保持這種狀態，真的很難得。有時候痛苦會讓一個人變得封閉。但你沒有。

黃仁勛：對尷尬的耐受力真的很重要。

不過你知道，我人生第一份工作是刷廁所。

Lex Fridman：我前幾天跟一個朋友說我要采訪你，他第一反應就是，哦，他們做游戲顯卡特別強！

這些硬件確實給很多人帶來了快樂，把那些虛擬世界真正點亮了。不過之前DLSS 5也引發過一些爭議。你能不能講講這里面的風波？

黃仁勛：我理解，因為我自己也不喜歡那種AI糊感。

現在很多AI生成內容確實越來越像，雖然都很漂亮，但也越來越同質化。

但DLSS 5想做的根本不是這個。

我當時展示過很多例子。DLSS 5是基于3D條件控制的，也是由真實幾何結構引導的。

也就是說，幾何是藝術家定的，我們對這些幾何信息是完全忠實的，每一幀都不會改。它還會受到貼圖和藝術風格的約束。

所以每一幀它做的是增強，不是篡改。

當然，問題也在于這個增強到底怎么做。

DLSS 5是開放系統，所以開發者也可以訓練自己的模型來決定風格。未來甚至可以直接提示它。

比如我想要卡通渲染風格，我想要某種視覺效果，你甚至可以給它一個參考樣本。

然后它就會在那個風格里生成，同時保持和原本藝術風格、藝術意圖一致。

所以這一切其實都是給藝術家用的，是幫他們把作品做得更美，但仍然保持他們自己的風格。

我覺得很多玩家誤解成，游戲本來已經做好了，發售之后，我們再拿AI去后處理，把畫面改掉。

DLSS并不是這么設計的。

本質上，它是在給藝術家一個AI工具，一個生成式AI工具。

他們完全可以選擇不用。

Lex Fridman：大家開始對AI糊感變得敏感。這其實像一面鏡子，讓我們意識到，我們真正想要的，往往是某種不完美。

它反過來幫我們理解，我們到底為什么會被某些世界打動。

黃仁勛：對，AI只是又一個工具。

而且如果開發者想讓生成模型去做完全相反于照片真實感的東西，它也可以做到。

過去幾年里，我們給游戲開發者引入了皮膚著色器。很多游戲里的皮膚效果，現在都用了次表面散射，看起來更像真正的皮膚。

整個行業一直都在尋找更多表達藝術的工具。這次也只是又多了一個工具而已。最后用不用，還是開發者自己決定。

AGI與意識

Lex Fridman：假設所謂AGI，就是一個AI能創辦一家公司，市值或者價值超過10億美元那種。距離這個目標還有多遠？

黃仁勛：我覺得就是現在。我覺得我們已經實現AGI了。

你說的是10億美元，但你沒說它要一直存在下去。

所以完全不能排除Claude做出一個網絡服務，或者一個很有意思的小應用，突然一下有幾十億人來用，每個人付50美分，很快就賺到了很多錢，之后不久又死掉了。

互聯網時代我們見過很多這種公司。而且那時候的很多網站，其實并不比今天OpenClaw能生成的更復雜。

Lex Fridman：也就是說，我只要放出一個agent，就有機會賺很多錢？

黃仁勛：現在就已經在發生了。

你去中國就會看到，已經有很多人在教自己的Claude去找工作、去接活、去賺錢。

我一點也不會意外，如果突然冒出來某種社交產品，或者一個數字網紅，超級可愛，或者某種照顧你電子寵物的應用，莫名其妙一下就爆了。

很多人會用它幾個月，然后它又慢慢消失。

現在很多人真的很擔心自己的工作。但我想提醒大家，你工作的目的，和你完成這份工作時使用的任務與工具，是相關的，但不是一回事。

我已經做這份工作34年了。而在這34年里，我用來完成這份工作的工具一直在變。

當年，計算機科學家和AI研究者最早說會被AI替代的職業之一，就是放射科醫生。

因為他們覺得，計算機視覺一旦達到超人水平，放射影像分析這件事就會被AI接管。

技術判斷上其實沒錯。計算機視覺確實已經達到超人水平了。

但結果呢？他們判斷錯了。

今天幾乎所有放射影像平臺和軟件包，背后都有AI在驅動。可放射科醫生的人數反而增加了?，F在全世界甚至還缺放射科醫生。

為什么會這樣？

第一，當時那種危言聳聽的說法走得太遠了，甚至嚇退了一些本來會進入這個行業的人。

第二，他們錯在把任務當成了職業本身。

放射科醫生的真正職責，是幫助診斷疾病，幫助患者，幫助臨床醫生。

而現在因為看片速度更快了，你可以看更多片子，診斷得更準，更快處理住院患者，服務更多病人。

醫院賺得更多了，收治病人的能力更強了，所以需要更多放射科醫生。

英偉達的軟件工程師人數也會繼續增長，不會下降。

原因一樣。軟件工程師的職責，是解決問題。寫代碼，只是其中一項任務。我從來不在乎我的工程師寫了多少行代碼。

我在乎的是，他們有沒有解決問題。

Lex Fridman：你的意思是程序員總人數未來有可能增加？

黃仁勛：關鍵在于，你怎么定義編程。

在我看來，今天所謂編程，本質上已經變成了規格說明。也就是用清楚的方式告訴計算機，你要去造什么。

那問題來了，有多少人有能力做這件事？

我覺得這個人數，可能已經從3000萬，擴大到了10億。

未來每個木匠都會是程序員。而且一個有AI的木匠，同時也成了建筑師。他能給客戶提供的價值被抬高了很多，他的創作能力也被大幅放大了。

我也相信，每個會計都能同時更像財務分析師和財務顧問。

很多職業都會因此整體抬升。

Lex Fridman：而且現在的程序員和軟件工程師，其實站在了最前沿。他們已經在直覺上理解，怎么用自然語言和agent溝通，才能設計出更好的軟件。兩邊會逐漸靠攏。

但我還是覺得，學習傳統意義上的編程仍然有價值。

黃仁勛：對。原因就在于，specification這件事本身也有層次，也有藝術性。你怎么定義，取決于你想解決什么問題。

比如我在給公司制定戰略、明確公司方向、決定我們該做什么的時候，我會把它講到足夠具體的程度，讓大家理解方向，也知道怎么開始行動。但我又會故意保留一些沒說死的空間。

這樣，4.3萬名很優秀的人就有機會把它做得比我原來想得還好。

所以當我和工程師合作、和團隊合作時，我會想清楚，我到底在解決什么問題，我正在和誰一起工作。

specification到底該具體到什么程度，是和這些條件直接相關的。

每個人都得學會，在編程這條光譜上，自己想站在哪個位置。

有時候你會想要更明確、更規定式，因為你追求的是一個非常具體的結果。

有時候你又會想留得更開放一點，因為你想探索，你想和AI來回拉扯，讓它順便把你自己的創造力邊界也推開一點。

這種在不同具體程度之間拿捏的能力，我覺得就是未來編程真正的藝術。

Lex Fridman：但就算跳出編程這個話題，很多人現在確實都很焦慮，尤其是白領群體。

每當自動化和新技術到來，社會總會經歷一段動蕩期，而我們其實都不知道該怎么面對。

我覺得第一件事，是我們得有同情心，也得有責任感，真正去感受那些失去工作的人和他們家庭所承受的痛苦。

像AI這種級別的技術變革，一定會帶來很多疼痛。而我說實話，我也不知道該怎么解決這種痛苦。

我只是希望，它最終能給這些人帶來更多機會，讓他們還能做相近的工作，只是工具變了，效率更高了，也更有趣了。就像編程現在的變化一樣。

我得說，我現在寫代碼真的特別快樂，從來沒這么快樂過。我希望AI能把枯燥部分自動化，把真正有創造性的部分留給人類。

但即便如此，過程中還是會有很多痛苦和掙扎。

黃仁勛：面對未來會焦慮，面對壓力會焦慮，面對不確定性也會焦慮。

我第一步永遠是先把問題拆開。然后告訴自己，有些事你能做點什么，有些事你就是做不了。

但凡是你能做點什么的那部分，我們就來認真推理，然后馬上去做。

如果今天我要招一個應屆畢業生，兩個候選人擺在我面前。

一個完全不懂AI，一個非常會用AI。我一定招那個會用AI的。

所以我的建議是，每一個大學生，每一個老師，都應該鼓勵學生盡快去學會用AI。

每個大學生畢業的時候，都應該已經是AI高手。不管你是木匠、電工，還是別的職業，都去用AI。

當然，這項技術一定會帶來崗位位移。如果你的工作本身就等于某一項單一任務，那你大概率會被強烈沖擊。

如果你的工作真正的價值在于你這個人，但其中有一些任務是可以自動化的，那你就應該立刻學會用AI，把這些任務自動化掉。

Lex Fridman：人類意識里，會不會有一些東西從根本上就是非計算性的？無論芯片多強大，都永遠復制不了？

黃仁勛：我不知道芯片會不會有一天也會感到“緊張”。

導致焦慮、緊張或者其他情緒的那些條件，我相信AI是可以識別、理解的。但我不覺得我的芯片會真的感受到這些。

得把智能這個詞拆開來理解。

我們天天都在說智能，但它并不神秘。智能，是一種包含感知、理解、推理、規劃能力的系統。

這其實是一個功能性概念。不是一個等同于人性的詞。我不會對智能這件事做太多浪漫化的幻想，我甚至覺得智能會變成一種商品。

我身邊全是聰明人。他們受的教育比我更好，學校也比我上得更好，在各自領域里都比我更深。我身邊有60個這樣的人。對我來說，他們都像超人一樣。

可偏偏是我坐在中間，協調著這60個人。

一個曾經刷盤子的人，為什么可以坐在一群超人中間，把他們組織起來？

智能是功能性的。而人性并不是以功能來定義的，它是一個大得多的詞。

我們的人生體驗，我們對痛苦的承受力，我們的決心，這些都和智能不是一個概念。

智能這個詞在過去被抬得太高了。

Lex Fridman：真正應該被抬高的，其實是人性。

黃仁勛：品格、人性、同情、慷慨……這些才是真正超人的力量。

而智能，接下來會被商品化。

過去大家總說，最重要的是教育。可即便你在學校里獲得了很多知識，學校給你的也從來不只是知識。

可惜的是，我們這個社會長期以來把太多東西都壓縮進了一個詞里。

但人生從來不止一個詞。

我自己的人生，其實就說明了這件事。就算我在智能曲線上比周圍很多人都低，也不影響我成為最成功的那個人。

不要因為智能被被商品化了，就開始焦慮。

你應該因此受到激勵。

LexFridman：英偉達的成功，還有我剛才提到的幾百萬人的生活，在很大程度上都和你有關。

但你終究也只是一個人，和我們所有人一樣，都會死。

你害怕死亡嗎？

黃仁勛：我真的不想死。

我有很棒的人生，很好的家庭，也有非常重要的工作。

我現在經歷的，不是那種一生一次的體驗。一生一次意味著很多人都經歷過，只是每個人各一次。

我在經歷的，更像是人類歷史級別的一次體驗。英偉達是歷史上最有影響力的科技公司之一。

所以當然也會有一些很現實的問題，比如接班人。

我不相信那種傳統意義上的接班規劃。不是我覺得自己不會死。原因是，如果你真的擔心接班這件事，那你今天最重要的事，就是不斷把知識、信息、洞察、技能、經驗傳下去。

這也就是為什么，我會在團隊面前不斷推理所有事情。

我在公司內外的每一分鐘，基本都在把我知道的東西盡快傳給別人。任何一個我學到的新東西，都不會在我桌上停留超過幾秒鐘。

“這個太有意思了，你趕緊上，這個你一定得學?！?/strong>

甚至在我自己還沒完全學明白之前，我已經先推給別人了。

所以我一直在傳遞知識，在賦能別人，在提升周圍每個人的能力。

最好的結果，是在工作中死去的。最好是瞬間發生，不要有太長時間的痛苦。

Lex Fridman：你一直在想未來。那最后我想問：

是什么讓你對這一切——對人類、人類的未來抱有希望？

黃仁勛：我一直對人類的善意、慷慨、同情心，還有人的能力本身，有很強的信心。

有時候我也會因此被占便宜，但這從來不會讓我改變這個出發點。我總是先相信，人是想做好事的，人是想幫助別人的。

而絕大多數時候，我是對的。很多時候結果甚至比我想的還更好。

我們有太多想解決的問題了，太多想建造的東西，而且現在這些事已經進入了可觸及范圍，甚至是在我這一生里就有機會實現。

面對這種局面，你怎么可能不因此而感到浪漫呢？

疾病被終結，污染大幅降低，光速旅行……這些現在都可以說的出口了。

當然，光速旅行不是長距離，但短距離或許可以。

可能我會把一個人形機器人送上飛船，一個基于我模樣設計的人形機器人。

我人生里的很多內容，本來就已經在互聯網上了。把我的郵箱、我做過的事、說過的話，全都拿去。這些東西都會慢慢變成我的AI。

到那時，只需要把這部分內容以光速發過去，追上那個機器人，然后將我的意識上傳上去。

播客鏈接：https://www.youtube.com/watch?v=vif8NQcjVf0