編者備註：

在生成式人工智慧持續演進、智慧體開始進入實際生產流程的背景下，行業討論的重心，正從「模型能力有多強」，轉向「系統如何承載智能」。當大型模型訓練逐漸標準化，一個更底層的問題開始浮現：支撐人工智慧持續擴張的，不再只是演算法突破，而是整個計算系統本身。

本文編譯自 Jensen Huang（黃仁勳）與 Lex Fridman 的對談，Lex Fridman 為知名人工智慧研究者與科技播客主持人，其節目長期聚焦技術、產業與未來趨勢的深度討論。在這次對談中，黃仁勳並未聚焦模型能力本身，而是從計算架構與產業演進出發，提出一個更具結構性的判斷：人工智慧正從「晶片問題」，演變為「系統工程問題」。

這場對談大致可以從五個方面來理解。

計算從「晶片」走向「工廠」
對談的第一個核心判斷是，人工智慧的競爭不再圍繞單點性能展開，而是演變為系統能力的競爭。從 GPU，到整機，再到數據中心級別的「人工智慧工廠」，計算單元的邊界不斷外擴。與此同時，計算機的角色也發生轉變——從儲存與檢索資訊的「倉庫」，轉向持續生成 token 的「生產系統」。這意味著，人工智慧不再只是工具，而是直接參與經濟生產的基礎設施。

四種 scaling 疊加：人工智慧為什麼越來越「重」
在這一範式之上，人工智慧的擴展路徑也發生了結構性變化。增長不再依賴單一的預訓練 scaling，而是預訓練、後訓練、推理與 Agent 四種 scaling 的疊加，並形成一個循環系統：Agent 產生數據，數據進入訓練，訓練反養推理，再由推理支撐更複雜的 Agent。所有路徑最終收斂到一個變數——算力。其中最關鍵的變化在於，推理正在成為計算消耗的核心，「思考」本身成為最昂貴的環節。

AI 的瓶頸從演算法轉向能源
隨著 scaling 的疊加，問題也從模型層面下沉到基礎設施層面。對談給出的一個直接判斷是，AI 的長期瓶頸不再是數據或演算法，而是電力與能源體系。但真正的約束並不只是供給不足，而是電網調度、數據中心架構以及企業對「高可用性」的路徑依賴。這使得 AI 的問題，從技術問題，轉變為工程、能源與制度安排的綜合問題。

CUDA 的本質：裝機量而非技術優勢
在競爭層面，對談也提供了一個關鍵視角：NVIDIA 的護城河並不只是技術領先，而是通過 CUDA 所建立的裝機量與開發者生態。通過將 CUDA 嵌入 GeForce 並犧牲短期利潤換取規模，NVIDIA 實際上構建的是一個「計算平台」。當規模、生態與執行速度疊加後，技術本身反而成為次要變量。這意味著，AI 競爭正在從模型能力，轉向平台與系統能力。

AI 會搶工作嗎？不會，但會改變工作的定義
在應用層面，對談也給出一個重要判斷：AI 並不會簡單替代職業，而是改變工作的結構。任務層面的自動化會提升整體效率，反而擴大對專業能力的需求。工作的核心不再是「執行任務」，而是「定義問題、調用工具與協同解決問題」，智能逐漸成為可獲取的能力，而人類差異更多體現在判斷力與組織能力上。

如果說這場對談提供了一個清晰的切入點，那在於它將 AI 從「模型能力的競爭」，轉化為一個系統性問題：當計算成為生產系統，約束它的將不再只是技術本身，而是能源、供應鏈與組織方式。在這樣的視角下，問題已不再是某一技術路徑的領先與否，而是整個世界，正在被一套以計算為核心的基礎設施重新組織。

以下為原文內容（為便於閱讀理解，原內容有所整編）：

TL;DR

·AI 已從「更快的晶片」演變為「計算工廠」，競爭不再是單點性能，而是整套系統能力（算力、網路、電力、軟體）的協同效率

·CUDA 的成功不在技術，而在裝機量：NVIDIA 通過犧牲利潤換取規模，建立了幾乎不可撼動的計算平台生態

·AI 的增長不再只依賴模型變大，而是預訓練、推理、Agent 等多重 scaling 同時發生，最終都收斂到一個變量：算力

·推理正在成為算力消耗的核心環節，「思考」比「訓練」更昂貴，AI 正從離線模型轉向持續運行的系統

·AI 的真正瓶頸不是算法，而是能源與基礎設施，電力調度能力將成為下一階段關鍵限制

·計算機正在從「信息倉庫」變為「生產工廠」，token 成為可定價商品，AI 基礎設施將直接參與經濟生產

·AI 不會簡單替代工作，而是抬高所有職業的能力上限；未來的核心能力從「執行任務」轉向「定義問題與協同解決問題」

訪談內容

Lex Fridman：接下來是一段與 Jensen Huang 的對話，他是 NVIDIA 的首席執行官，這家公司可以說是人類歷史上最重要、最具影響力的公司之一。NVIDIA 是推動 AI 革命的核心引擎，而它的成功，很大程度上源於 Jensen 作為領導者、工程師和創新者所做出的一系列關鍵判斷與大膽決策。這是 Lex Fridman Podcast。各位朋友，接下來歡迎 Jensen Huang。

從「更快的晶片」到「AI 工廠」

Lex Fridman：你帶領 NVIDIA 進入了 AI 的一個新階段，從過去專注於晶片級設計，走向了現在的機架級設計。我覺得可以這麼說，過去 NVIDIA 的勝利，很大程度上在於打造最強的 GPU，而你們現在仍然在做這件事，但已經擴展到了極致協同設計：GPU、CPU、內存、網路、存儲、電源、散熱、軟件、機架本身、你們發布的 pod，甚至整個數據中心。那我們就從「極致協同設計」聊起。面對這麼多複雜組件和變量，系統協同設計中最難的部分是什麼？

Jensen Huang：這是個很好的問題。首先，之所以必須做極致協同設計，是因為我們現在要解決的問題，已經無法被一台計算機、或者一顆 GPU 單獨加速完成了。你真正想要的是——計算速度的提升，要超過你增加計算機數量的速度。你增加了 1 萬台計算機，但你希望性能提升是 100 萬倍。那這個時候，你就必須重新處理算法，把算法拆分、重構，把 pipeline 拆分，把數據拆分，把模型拆分。當你以這種方式把問題分布出去之後，就不只是「擴展規模」了，而是「分布問題」，這時一切都會成為瓶頸。

这其实就是 Amdahl"s Law 的問題：系統整體加速取決於可加速部分在總工作中的佔比。如果計算只佔問題的 50%，哪怕你把計算速度提升一百萬倍，整體也只提升兩倍。於是你不僅要分布計算，還要解決 pipeline 拆分、網路連接問題，因為所有這些計算機都要互聯。在我們這種規模的分佈式計算下，CPU 是問題，GPU 是問題，網路是問題，交換也是問題，負載分配本身也是問題。這是一個極其複雜的計算機科學問題。所以我們必須把所有技術一起用上，否則你只能線性擴展，或者依賴摩爾定律，而摩爾定律本身也在放緩。

Lex Fridman：這裡面肯定有很多取捨，而且涉及完全不同領域的專家，比如高頻寬記憶體、網路、NVLink、網卡、光學、銅互連、電源、散熱等等，每個領域都有世界級專家。你是怎麼把這些人聚在一起協作的？

Jensen Huang：所以我的團隊規模才會這麼大。

Lex Fridman：你能講講這個過程嗎？比如專家和通才是如何協作的？當你要把所有這些東西塞進一個機架裡時，整個設計流程是怎樣的？

Jensen Huang：

可以分三個問題來回答。第一個問題是：什麼是「極致協同設計」？本質上就是在整個軟體與硬體棧上做整體優化，從架構、晶片、系統，到系統軟體、演算法，再到應用，這是第一層。第二層是，我們剛才提到的，不只是 CPU、GPU 和網路晶片，還包括 scale-up 和 scale-out 的交換系統，以及電源和散熱，因為這些計算機系統的功耗非常高。它們確實很高效，但在總量上依然消耗大量電力。

所以，第一個問題是「它是什麼」，第二個問題是「為什麼要這樣做」，這一點我們剛才已經講過，你需要把工作負載分佈出去，從而實現超過單純增加計算機數量所帶來的收益。

第三個問題是「怎麼做」。這其實就是這家公司最神奇的地方。當你在設計一台計算機時，你需要有作業系統；當你在設計一家公司時，你首先應該想清楚這家公司要產出什麼。我看過很多公司的組織架構圖，它們看起來都差不多——像漢堡一樣的結構、像軟體公司、像汽車公司，但在我看來這沒有意義。公司的目標，是成為一個生產產品的機器，是一個機制、一個系統，用來持續產出我們想要的產品。

公司的組織結構，應該反映它所處的環境。某種程度上，這也決定了組織應該如何運作。我的直接匯報團隊大約有 60 人。我不會和他們一對一溝通，因為那是不可能的。如果你有 60 個直屬下屬，還要做事，是無法通過一對一來完成的。

Lex Fridman：但你還是有 60 個直接匯報？

Jensen Huang：不止，更多。而且這些人基本上都有工程背景，有內存專家、CPU 專家、光學專家、GPU 專家、架構、算法、設計專家。

Lex Fridman：這太驚人了。

Jensen Huang：是的。

Lex Fridman：所以你其實一直在盯整個技術棧，並且參與關於整體設計的深入討論？

Jensen Huang：而且我們沒有「一對一」的討論。我們提出一個問題，然後所有人一起解決。因為我們是在做極致協同設計，公司每天都在做這件事。

Lex Fridman：也就是說，即便你在討論某個具體組件，比如散熱或網路，所有人都會參與？

Jensen Huang：對，完全是這樣。

Lex Fridman：每個人都可以說，「這個方案不適用於電源」「這個不適用於內存」？

Jensen Huang：沒錯。誰想參與就參與，不想參與就退出。但團隊裡的每個人都知道什麼時候該參與。如果某個問題本該他貢獻但他沒有參與，我會點名讓他進來。

Lex Fridman：那 NVIDIA 是如何隨著環境變化而演進的？從最初做遊戲 GPU，到深度學習，再到現在的「AI 工廠」——這個轉變是怎麼發生的？

Jensen Huang：

這個可以從邏輯上推導出來。我們一開始是一家加速器公司。但加速器的問題在於，它的應用範圍太窄。它的優勢在於高度優化，就像所有專用系統一樣，但問題是，越專用，市場覆蓋就越窄。這本身也不是最大的問題，更關鍵的是，市場規模決定了你的研發能力，而研發能力最終決定了你在計算領域的影響力。

所以當我們最初做加速器時，我們就知道，那只是第一步。我們必須找到一條路徑，走向「加速計算」。但問題是，一旦你成為一家計算公司，你就會變得過於通用，從而削弱你的專用能力。我刻意把這兩個存在張力的詞放在一起：計算 vs 專用。你越像一家計算公司，就越不像一個專用系統；你越專用，就越難覆蓋整個計算領域。

所以公司必須找到一條非常狹隘的路徑，一步一步擴大計算能力的邊界，同時又不丟掉最核心的專用能力。

我們的第一步，是發明可編程像素著色器，這是向「可編程」邁出的第一步。第二步，我們在著色器中加入了 FP32，也就是符合 IEEE 標準的單精度浮點，這一步非常關鍵，讓很多做流處理器和數據流計算的人發現了我們。他們開始意識到，這種計算能力極強、又符合標準的 GPU，可能可以被用於通用計算。於是他們開始嘗試把原本寫在 CPU 上的軟體遷移到 GPU 上。

接下來，我們在 FP32 上引入了 C 語言，形成了 Cg，再進一步發展成 CUDA。把 CUDA 放到 GeForce 上，是一個極其關鍵的決策，但當時公司其實承擔不起這個成本。我們之所以還是做了，是因為我們想成為一家計算公司。而計算公司必須有統一的計算架構，這個架構必須在所有晶片上保持一致。

一次差點把公司拖垮的決定，撐起了整個 AI 時代

Lex Fridman：能不能講講這個決策？當時明明承擔不起成本，為什麼還要把 CUDA 放到 GeForce 上？

Jensen Huang：這是一個接近「生死存亡」的決策。我會說，這是我們第一個接近「存在威脅」的戰略決策。

Lex Fridman：給不了解的人補充一下，這後來被證明是公司歷史上最偉大的決策之一。CUDA 成為了整個 AI 基礎設施的核心計算平台。

Jensen Huang：

是的，後來證明這是一個正確的決定。當時的邏輯是這樣的：我們發明了 CUDA，它擴大了我們加速器可以覆蓋的應用範圍。但問題是，如何吸引開發者？因為計算平台的核心是開發者，而開發者不會因為某個平台「有趣」就來，他們會選擇裝機量大的平台。

裝機量才是最關鍵的因素。開發者和所有人一樣，希望自己的軟件能夠觸及更多用戶。所以裝機量，是架構成功的決定性因素。一個架構可以被批評得體無完膚，比如 x86，被認為不優雅，但它仍然是今天的主流架構，因為它的裝機量最大。

反過來，很多 RISC 架構設計得非常優雅，由最頂尖的計算機科學家打造，但最終失敗了。這說明一點：裝機量定義架構，其它一切都是次要的。

當時 CUDA 面臨競爭，比如 OpenCL 等等。我們做出的關鍵決策是：既然裝機量最重要，那我們就要想辦法，讓這個新架構盡快進入市場。

當時 GeForce 已經非常成功，每年出貨幾百萬張 GPU。於是我們決定，把 CUDA 放進每一台 GeForce，讓它進入每一台 PC——不管用戶是否使用。這是建立裝機量最快的方式。

與此同時，我們去大學、寫教材、開課程，把 CUDA 帶到每一個地方。那個時代 PC 是主要計算平台，還沒有雲。我們實際上把一台「超級計算機」放進了每一個學生、每一個研究人員的手裡。

但問題是，這讓 GPU 的成本大幅上升，幾乎吞噬了公司的全部毛利潤。當時公司市值大概六七十億美元，在推出 CUDA 之後，因為成本上升，市值一度跌到 15 億美元左右。我們在那個階段非常艱難，但我們堅持了下來。

我一直說，NVIDIA 是 GeForce 建造的房子。因為正是 GeForce，把 CUDA 帶給了所有人。研究者、科學家、工程師，都是通過 GeForce 發現 CUDA 的。很多人本來就是玩家，他們自己組裝 PC，在實驗室裡用 PC 組件搭建集群，這就是 CUDA 起飛的起點。

Lex Fridman：然後這就成為了深度學習革命的基礎平台。

Jensen Huang：沒錯，這是一個非常重要的觀察。

Lex Fridman：當時那個接近「生死存亡」的時刻，你還記得內部是怎麼討論的嗎？

Jensen Huang：我必須向董事會講清楚我們在做什麼，管理團隊也清楚我們的毛利會被嚴重壓縮。你可以想象一個場景：GeForce 承擔了 CUDA 的成本，但遊戲玩家並不會為此買單。他們只願意支付固定價格，不會因為你的成本上升而多付錢。

我們把成本提高了 50%，而公司本身的毛利率只有 35%，所以這是一個非常艱難的決定。但我們可以推演出一個未來：CUDA 會進入工作站、進入超級計算機，在這些領域我們可能獲得更高利潤。從邏輯上你可以說服自己這件事是可行的，但真正實現它，還是花了十年時間。

Lex Fridman：但那更多是對董事會的溝通。從你個人角度來說，你是怎麼做出這種「押未來」的決策的？NVIDIA 一直在做這種預測未來、甚至定義未來的大膽決策，你是怎麼做到的？

Jensen Huang：首先，我有很強的好奇心。然後會有一個推理過程，讓我非常確信某個結果一定會發生。當我在腦海中真正相信一件事的時候，那種未來就變得非常清晰，幾乎不可能不發生。中間會經歷很多痛苦，但你必須相信你所相信的。

Lex Fridman：所以你是先在腦中構建未來，然後用工程方式把它實現出來？

Jensen Huang：

對。你會去推理如何到達那裡，為什麼它必須存在。我們會反覆推理，管理團隊也會參與，我們會花很多時間在這件事上。

接下來是一個很關鍵的能力。很多領導者會先沉默、學習，然後某一天突然發布一個「宣言」，比如新的一年，大調整、大裁員、組織重組、新使命、新 logo。我從不這麼做。

當我開始意識到某件事重要時，我會立刻告訴身邊的人：這件事很重要，會產生影響。我會一步一步講清楚。很多時候我已經做出了決定，但我會利用每一個機會——新的信息、新的洞察、新的工程進展——不斷去塑造大家的認知。

我每天都在做這件事，對董事會、對管理層、對員工都是如此。我在不斷塑造他們的信念體系。這樣，當有一天我說「我們要收購 Mellanox」，所有人都會覺得這是顯而易見的決定。

當我說「我們要全力押注深度學習」，其實我已經提前鋪墊了很久。等我真正宣布的時候，很多人反而會說：「你怎麼現在才說？」

從某種意義上看，這像是「從後面領導」，但實際上你一直在塑造共識。你希望所有人一起走，而不是突然宣布一個沒人理解的決策。

Lex Fridman：而且你不僅在公司內部塑造認知，也在塑造整個行業。

Jensen Huang：

我們其實不直接賣計算機，也不直接賣雲。我們是一家計算平台公司。我們在每一層做垂直整合設計，但同時在每一層開放，讓其他公司可以把它集成到自己的產品、服務、雲和超級計算機中。

所以如果我不能先說服整個行業，我的產品是無法落地的。這也是為什麼 GTC 很重要——它是在「預演未來」。當我們真正發布產品時，大家會說：「你怎麼現在才做？」

AI 為什麼越來越「燒錢」？四種 Scaling 正在疊加

Lex Fridman：你長期相信 scaling law，現在還相信嗎？

Jensen Huang：當然，而且現在有更多的 scaling law。

Lex Fridman：你之前提到過四種：預訓練、後訓練、推理階段，以及 agentic scaling。當你展望未來，不管是短期還是更長期，有哪些潛在的「瓶頸」是你真正擔心的？有哪些問題是你覺得必須解決、甚至會讓你睡不著覺的？

Jensen Huang：我們可以回過頭來看一看，過去大家以為的那些「瓶頸」。

一開始是預訓練 scaling，人們認為高質量數據有限，會限制 AI 的智能提升。Ilya Sutskever 甚至說過「我們快沒數據了」，行業一度恐慌。但事實證明，這並不成立。我們會繼續擴展數據來源，其中很大一部分將是合成數據。事實上，人類之間傳遞的信息本質上也是「合成的」。你創造內容，我消費它，再加工，再傳播。現在 AI 已經可以從真實數據出發，擴展、增強、生成大量數據。因此後訓練階段仍然在擴展。未來模型訓練的限制將不再是數據，而是算力。

接下來是推論階段。以前很多人認為推論很簡單，難的是訓練。但這其實不合理，因為推論本質上是「思考」，而思考比「閱讀」難得多。訓練更像是記憶和模式識別，而推論涉及推論、規劃、搜索、問題拆解，這些都需要大量計算。事實證明，我們當初的判斷是對的，推論計算非常密集。

再往後，就是 agentic scaling。我們現在不只是一個模型，而是一個「代理系統」，它可以調用工具、訪問數據庫、生成子代理。就像公司一樣，比起提升一個人的能力，更容易通過增加團隊來擴展能力。AI 也是如此，可以快速複製、擴展。所以這是新的 scaling law。

這些過程會形成一個循環：agent 產生數據，數據回到預訓練，再進入後訓練，再進入推論，再進入 agent 系統，不斷循環。最終，智能的增長歸結為一個核心變量：算力。

Lex Fridman：但這裡有個難點，你必須提前預測這些變化，因為不同階段需要不同硬件，比如 MoE 架構、稀疏性等。而硬件周期是幾年，你不能隨時調整。

Jensen Huang：沒錯。AI 模型架構大概每 6 個月變一次，而系統架構和硬件大概每 3 年變一次。所以你必須提前兩三年預測未來。我們的方法有三種：第一，我們自己做研究，包括基礎研究和應用研究，我們自己做模型；第二，我們和幾乎所有 AI 公司合作，了解他們的挑戰；第三，我們構建一個足夠靈活的架構，比如 CUDA，它既高效又靈活。

比如 MoE 出現後，我們推出 NVLink 72，可以把一個 10 萬億參數模型當成一個 GPU 來運行。再比如 Grace Blackwell 機架和 Vera Rubin 機架，它們的設計完全不同，因為前者是為 LLM 推論設計的，後者是為 agent 系統設計的。

Lex Fridman：但這些設計是在 Claude Code、Codex、OpenClaw 出現之前就完成的，你是怎麼預測的？

Jensen Huang：其實沒那麼難，你只需要推理。假設 LLM 要成為一個「數位員工」，它必須訪問真實數據、做研究、使用工具。所以它一定會有 I/O 系統，會調用工具。有人說 AI 會取代軟體，這不對。就像一個機器人，它不會把手變成錘子或手術刀，而是去使用工具。第一次不會用沒關係，它可以讀說明書，很快學會。所以這些能力是必然的。

當你這樣推理，你會發現我們其實重新發明了電腦。兩年前我在 GTC 上講的 agent 架構，今天幾乎完全對應 OpenClaw。OpenClaw 對 agent 的意義，就像 ChatGPT 對生成式 AI 的意義一樣。

Lex Fridman：確實是一個特殊的時刻。

Jensen Huang：是的。

Lex Fridman：但這裡面還有一個問題，就是當技術變得如此強大時，也會帶來安全風險。我們作為個人、作為社會，都在嘗試找到一個平衡點。

Jensen Huang：是的，我們第一時間就投入了大量安全專家來研究這個問題。我們做了一個叫 OpenShell 的系統，現在已經集成進 OpenClaw 了。同時 NVIDIA 也推出了 NemoClaw。

Lex Fridman：對，它的安裝也非常簡單，而且可以確保系統安全。

Jensen Huang：我們提出了一個原則：在任意時刻，三種能力中只能擁有兩種，訪問敏感數據、執行程式碼、對外通信。如果同時具備三種能力，就會帶來風險。所以我們通過這種「兩選三」的方式來保證安全。同時，我們還加入了企業級的訪問控制，以及策略引擎，讓企業可以基於自身權限體系進行管理。我們會盡力讓 OpenClaw 變得更安全、更可控。

AI 的盡頭不是演算法，是電

Lex Fridman：你剛剛講了很多過去曾被認為是瓶頸、但後來被突破的東西。那麼現在來看，在 agent 將無處不在的未來，真正的瓶頸會是什麼？

Jensen Huang：電力是一個問題，但不是唯一的問題。這也是為什麼我們在極致協同設計上投入這麼多精力——我們要不斷提升「每瓦每秒 token 數」的效率。在過去 10 年，摩爾定律大概讓計算能力提升了 100 倍，而我們通過系統級擴展，把計算能力提升了一百萬倍。未來我們還會繼續這樣做。能效直接影響公司的收入，也影響「AI 工廠」的收入。雖然硬件價格在上漲，但 token 的生成效率提升更快，所以 token 成本實際上每年都在下降一個數量級。

Lex Fridman：所以一個方向是提高效率，另一個方向是獲取更多電力。比如小型核反應堆等等。那你會擔心供應鏈嗎？比如 ASML 的 EUV 光刻機、台積電的先進封裝、SK 海力士的高帶寬內存？

Jensen Huang：我每天都在關注這些問題，並且持續在處理。沒有任何一家公司像我們這樣，在高速增長的同時還在加速增長。這很難讓人理解。在 AI 計算市場中，我們的份額在持續擴大，所以供應鏈的上下游都非常關鍵。我花很多時間和這些公司的 CEO 溝通，告訴他們未來會發生什麼、增長動力在哪裡。你在 GTC 上看到的那一排 CEO，幾乎涵蓋了整個 IT 上游和基礎設施下游。我告訴他們當前的業務狀況、未來的增長點，以及接下來會發生什麼，讓他們據此做投資決策。

我也會親自去拜訪他們，告訴他們接下來幾個季度、未來一年、未來幾年會發生什麼。比如 DRAM 行業，三年前我就說，高帶寬內存（HBM）會成為數據中心的主流內存。當時聽起來很荒謬，但有些 CEO 相信了，開始投資。還有一個例子是手機用的低功耗內存（LPDDR），我們也讓他們把它引入數據中心。現在這些技術都取得了巨大成功。

Lex Fridman：所以你不僅在塑造 NVIDIA，也在塑造整個供應鏈的未來。

Jensen Huang：對，上游、下游全部都在一起。

Lex Fridman：但這個供應鏈實在太複雜了，涉及深度科學、工程、製造，還有幾百個供應商，感覺非常脆弱。

Jensen Huang：確實非常複雜。我們一個機架大概有 130 萬個組件，涉及 200 多個供應商。這是極其複雜的系統。

Lex Fridman：但你似乎並沒有把供應鏈當成最擔心的瓶頸？

Jensen Huang：因為我已經把這些事情逐一落實了，所以我可以安心睡覺。我們會從第一性原理出發去推理：系統架構變化意味著什麼？軟體會發生什麼變化？工程流程如何變化？供應鏈如何變化？比如 NVLink 72 機架，把超級計算機的整合從數據中心內部，轉移到了供應鏈端。以前是零部件送到數據中心再組裝，現在是在供應鏈裡直接組裝成完整系統，再運輸過去。

這意味著供應鏈本身需要具備更強的製造能力，比如要支持大規模電力測試。我們甚至需要供應鏈具備吉瓦級的電力能力來測試這些系統。所以我會親自去和供應商溝通，告訴他們未來的需求，並讓他們進行數十億美元級別的資本投入。他們信任我，而我也會給他們足夠的信息和時間去理解這些變化。

Lex Fridman：那你會擔心某些具體瓶頸嗎？比如 EUV、封裝能力這些？

Jensen Huang：不會。因為我已經告訴他們我需要什麼，他們也告訴我他們會怎麼做，我相信他們。

Lex Fridman：那我們再回到電力問題。你怎麼看能源這個問題？

Jensen Huang：我很希望大家關注一個事實：我們的電網是按照「最壞情況」來設計的，比如極端天氣時的峰值需求。但實際上，99% 的時間，我們都遠遠沒有達到這個峰值，大多數時候可能只運行在 60% 左右。這意味著，絕大多數時間裡，電網是有大量閒置容量的，但這些容量必須存在，因為在關鍵時刻，醫院、機場等基礎設施必須有電。

所以我在想的是，我們能不能設計一種機制，在電網需要滿負荷時，數據中心降低功耗；在大多數時間裡，利用這些閒置電力？比如數據中心可以在高峰時降低性能、遷移任務、甚至短時間降級服務。這樣我們就可以更高效地利用電網。

但現在的問題是三方面的：第一，客戶要求數據中心必須 100% 可用；第二，數據中心的設計必須支持這種動態降級；第三，電力公司也需要提供更靈活的供電模式。如果這三點都做到，我們就可以大幅提高電力利用效率。

所以我覺得，未來我們使用電腦、建設數據中心的方式，應該不是一味要求 100% uptime。現在這些非常非常嚴苛的合約，其實給電網帶來了很大壓力，因為它們要求電網不僅滿足峰值，還要在此基礎上繼續擴容。但我真正想利用的，其實只是那部分原本就閒置著的富餘電力。

Lex Fridman：這一點確實討論得不夠。那你認為目前的阻礙是什麼？

Jensen Huang：我覺得這是一個三方問題。

首先是終端客戶。終端客戶會給數據中心提要求：你絕對不能掉線，絕對不能不可用。也就是說，客戶期待的是完美。而為了實現這種完美，你就需要備用發電機，還需要電網供應商也做到接近完美。於是所有環節都要追求「六個九」。

所以我覺得第一件事，是得讓所有客戶、所有 CEO 真的意識到，他們自己到底在要求什麼。很多時候，簽這些合同的人，其實只是數據中心運營團隊裡的某個人，和 CEO 之間隔得很遠。我敢打賭，很多 CEO 根本不知道這些合同條款是什麼。我準備去跟他們都談一談。

這些 CEO 很可能根本沒在關注這些正在簽署的合同。每個人都想簽最好的合同，這當然可以理解。然後這些要求再層層傳遞到雲服務商，雲服務商再傳遞給公用事業公司，於是整個鏈條都在要求「六個九」。所以第一步，就是讓客戶和 CEO 們真正明白，他們自己在要什麼。

第二件事，是我們必須建設能夠「優雅降級」的數據中心。也就是說，如果電網告訴我們：「你們得降到 80% 用電了。」我們應該能說：「沒問題。」

我們可以重新調度工作負載。我們會確保數據永遠不會丟，但可以把計算速率降下來，少用一點電。服務質量會輕微下降一點。對於最關鍵的工作負載，我會立刻把它遷到別的地方，這樣就不會受影響。於是，哪個數據中心還能保持 100% uptime，就由它去承接最關鍵的部分。

Lex Fridman：那這種智能、動態的電力調配，對數據中心來說，工程難度有多大？

Jensen Huang：只要你能把問題定義清楚，就能把它工程化。你這個問題提得特別好。只要它符合第一性原理層面的物理定律，我覺得我們就能做到。

Lex Fridman：你剛才提到三件事，第三件是什麼來著？

Jensen Huang：第二件是資料中心本身，第三件則是，公用事業公司也需要意識到，這其實是一個機會。

他們不能總是說：「你得等五年，我才能把電網能力擴到那個水平。」如果你願意接受這種等級的供電保障，那我其實下個月就能按這個價格給你供電。

所以如果公用事業公司也能提供更多分層的供電承諾，我覺得市場自己就會找到對應的解決辦法。現在電網裡的浪費實在太多了，我們應該去把它利用起來。

Lex Fridman：你之前也高度評價了 Elon Musk 在 Memphis 建設 Colossus 超級計算機的能力。你覺得他的方式有什麼值得借鑒的？

Jensen Huang：Elon 涉及的領域非常廣，但他是一個非常強的系統思考者。他會不斷問：這件事真的必要嗎？必須這樣做嗎？為甚麼要這麼久？他會把系統壓縮到最小必要複雜度，同時保留核心能力。

他也是一個極度「在現場」的人，哪裡有問題就去哪裡。他會打破很多「慣例」和「流程」，讓事情真正推進。另外，他的緊迫感會傳導給整個供應鏈。他會讓所有供應商都把他放在優先級最高的位置，這一點非常關鍵。

Lex Fridman：你在 NVIDIA 的協同設計中也有類似的方法嗎？

Jensen Huang：協同設計本身就是系統工程的極致形式。我們還有一個理念，叫「光速思維」。這不僅是速度，而是物理極限。我們會把所有問題都對標物理極限：內存速度、計算速度、功耗、成本、時間、製造周期等等。我們先問：在物理極限下，這件事能做到什麼程度？然後再在現實中做取捨。

我不太喜歡「持續優化」這種方法。如果一個流程現在是 74 天，有人說可以優化到 72 天，我不太接受。我更願意從零開始問：為甚麼是 74 天？如果從頭設計，現在可以做到多久？很多時候答案可能是 6 天。然後你再去理解剩下的 68 天是為甚麼存在。

Lex Fridman：在這麼複雜的系統中，「簡單」這個原則還重要嗎？

Jensen Huang：當然。我們追求的是「必要的複雜性」和「盡可能的簡單」。我們要不斷問：這些複雜性是否必要？如果不必要，就去掉。

Lex Fridman：但你們的系統已經極其複雜了，比如 Vera Rubin pod，有數萬億晶體管、上千 GPU。

Jensen Huang：是的，這是世界上最複雜的計算機系統。

Lex Fridman：這太有趣了。你最近去了中國。所以我很想問你一個問題：中國在過去十年里，在科技產業上的崛起非常驚人。你怎麼看他們是如何在這麼短時間裡，建立起這麼多世界級公司、世界級工程團隊，以及這樣一個能持續產出驚人產品的技術生態系統的？

Jensen Huang：

原因有很多。我們先從一些基本事實說起。全球大約有一半的 AI 研究人員是中國人，大致如此，而且其中大多數仍然在中國。我們這邊也有很多，但中國本土仍然擁有大量優秀研究者。中國的科技產業出現在一個非常關鍵的時間點——移動互聯網和雲計算時代，他們的主要貢獻路徑是軟件，而這個國家在科學和數學教育方面非常紮實，年輕人受教育水平很高。由於是在軟件時代成長起來的，他們對現代軟件體系非常熟悉。

另外，中國並不是一個單一的經濟體，而是由多個省份和城市構成，各地之間存在競爭關係。這也是為什麼你會看到大量新能源汽車公司、大量 AI 公司，以及幾乎所有行業裡都有很多公司同時在做類似的事情。這種內部競爭非常激烈，最終留下來的往往是非常優秀的公司。

同時，他們的社會文化是「家庭優先、朋友其次、公司再次」。在這種結構下，不同公司之間的信息交流非常頻繁，本質上是一種長期處於開放狀態的環境。因此，他們在開源上的投入更大也就順理成章，因為他們會自然地思考：「我們到底在保護什麼？」工程師之間存在大量重疊關係——親屬、朋友、同學，「同學」幾乎是一種終身關係。這使得知識傳播非常快，技術本身缺乏強烈的封閉動機，開源反而更高效。而開源社區又進一步放大並加速了創新過程。

於是你會看到，優秀人才、開源驅動的快速創新、人際關係高度連接，以及極端激烈的競爭，這幾種因素疊加，最終產出非常強的技術成果。從這個角度看，中國是當前全球創新速度最快的國家。這背後的一切，都源於基礎因素——教育體系、家庭對學習的重視、文化結構，以及他們恰好處在技術指數級發展的關鍵時間窗口。

Lex Fridman：從文化上來說，當工程師是一件很「酷」的事情。

Jensen Huang：是的，這是一個「工程師型國家」。美國領導者很多是法律背景，這是為了治理和制度穩定；而中國很多領導者本身是非常優秀的工程師。

Lex Fridman：你剛才提到開源，我想順著聊一下。你一直很看好 Perplexity。

Jensen Huang：非常喜歡。

Lex Fridman：也感謝你們開源了 Nemotron 3 Super，這個 1200 億參數的 MoE 模型現在也可以在 Perplexity 裡使用。你如何看待開源的長期意義？像中國的 DeepSeek、MiniMax 這些公司都在推動開源 AI，而 NVIDIA 也在做接近 SOTA 的開源模型，你的整體判斷是什麼？

Jensen Huang：首先，如果我們要成為一家優秀的 AI 計算公司，就必須理解模型是如何演進的。我很喜歡 Nemotron 3 的一點在於，它不是純粹的 Transformer，而是 Transformer 和 SSM 的結合。我們在條件 GAN、漸進式 GAN 上也佈局很早，這些路徑一步步演化到了 diffusion。正是這些在模型架構和基礎研究上的積累，讓我們能夠提前判断未來模型需要什麼樣的計算系統，這本身就是我們「極致協同設計」的一部分。

第二點，我們一方面需要擁有世界級的模型作為產品，這些模型可以是專有的；但另一方面，我們也希望 AI 能夠擴散到所有行業、所有國家、所有研究者和學生。如果一切都是封閉的，就很難開展研究，也很難在此基礎上繼續創新。因此，對很多行業來說，開源是參與 AI 革命的必要條件。NVIDIA 有規模，也有動機，可以長期持續構建這些模型，我們也有能力推動整個生態，讓更多人參與進來。

第三點是，AI 不只是語言。未來的 AI 會調用工具、子模型，並涉及生物、化學、物理、流體、熱力學等不同模態，而這些並不都以語言形式存在。因此必須有人持續推動天氣預測、生物 AI、物理 AI 等方向的發展，並不斷逼近前沿。我們不造車，但希望每一家車企都能用上最好的模型；我們不做藥物研發，但希望像禮來這樣的公司，能夠擁有最好的生物 AI 系統。

所以，從 AI 的廣度、AI 的普及，以及 AI 與計算架構協同演進這三個角度來看，開源都是必要的。

Lex Fridman：再次感謝你們開源 Nemotron 3。

Jensen Huang：我們不僅開源了模型，也開源了權重、數據以及構建方法。

Lex Fridman：確實非常了不起。

Jensen Huang：謝謝。

Lex Fridman：你在中國台灣出生，也與台積電有長期合作。我想問，你如何理解台積電的文化，以及它是如何取得如此獨特的成功？

Jensen Huang：外界對台積電最大的誤解，是認為它的核心只是技術。當然，他們的技術確實非常強，包括晶體管、金屬層、先進封裝、3D 封裝以及矽光等。但真正讓他們與眾不同的，是他們對整個產業需求的協調能力。

他們需要同時應對全球數百家客戶不斷變化的需求：訂單增加或減少、客戶切換、緊急加單、暫停生產、重新啟動等等。在這樣高度動態的環境下，他們仍然能夠保持高吞吐、高良率、低成本以及極高水平的服務。

他們對承諾極其嚴肅。當他們說晶圓會在某個時間交付，就一定會交付，而這直接關係到客戶公司的運作。因此，他們的製造體系本身可以說是一個奇蹟。

第二點是文化。他們一方面持續推動技術前沿，另一方面又高度以客戶為中心。很多公司只能做好其中一項，但他們同時把這兩件事都做到了世界級。

第三點，是一種無形資產，信任。這一點非常重要。我可以把自己的公司完全建立在他們之上，這種信任是長期合作積累出來的。

Lex Fridman：這種信任既來自長期合作，也來自人與人之間的關係。

Jensen Huang：是的。我們合作了三十年，涉及數十甚至上百億美元的業務，但我們之間甚至沒有合同。

Lex Fridman：非常驚人。有一個說法是，2013 年台積電創始人 Morris Chang 曾邀請你擔任 CEO，你拒絕了，這是真的嗎？

Jensen Huang：是真的。我非常榮幸，但我當時也非常清楚，NVIDIA 正在做的事情非常重要。我已經看到了它未來會成為什麼樣子，也看到了它可能帶來的影響。這是我的責任，我必須把它做成。所以我拒絕了，不是因為這個機會不重要，而是因為我無法離開。

Lex Fridman：我認為 NVIDIA 和 TSMC，都是人類歷史上最偉大的公司之一。

Jensen Huang：謝謝。

Lex Fridman：我必須問一個問題。用科技行業常說的話，你們最大的「護城河」是什麼？也就是你們抵禦競爭的核心優勢在哪裡？

Jensen Huang：

最核心的一點，是我們的計算平台規模，也就是 CUDA 的裝機量。二十年前我們並沒有這個優勢，但今天情況已經完全不同。即便有人開發出類似 CUDA 的技術，也很難改變當前格局。因為關鍵從來不只是技術本身，而是長期投入、持續迭代以及不斷擴展所形成的系統性優勢。

CUDA 的成功並不是少數人完成的，而是 4.3 萬名員工和數百萬開發者共同構建的結果。開發者之所以選擇在 CUDA 上開發，是因為他們相信我們會長期維護這個平台、持續推進它的發展。因此，「裝機量」本身就是最重要的優勢。

當這個規模優勢疊加我們的執行速度時，就形成了更強的壁壘。歷史上，很少有公司能夠以這樣的速度構建如此複雜的系統，更不用說持續以年度節奏進行迭代。

從開發者的角度來看，如果你選擇支持 CUDA，你可以預期半年之後它會更強，同時你還能觸達全球數億設備，覆蓋所有雲平台、幾乎所有行業以及各個國家。如果你開源一個專案，並優先支持 CUDA，你不僅獲得規模，還獲得增長速度。

再加上「信任」這一點，開發者相信 NVIDIA 會長期維護這一生態。如果我是開發者，我會優先選擇 CUDA。

第二個優勢是我們的生態系統。我們在縱向上高度整合計算系統，同時在橫向上嵌入到幾乎所有公司的產品體系中。我們存在於 Google Cloud、Amazon、Azure，也存在於 CoreWeave 等新型雲平台，同時覆蓋超級計算機、企業系統、邊緣設備、汽車、機器人、衛星，甚至太空。

換句話說，一個統一的計算架構，已經覆蓋了幾乎所有行業。

Lex Fridman：那隨著 AI 工廠的發展，這種 CUDA 的裝機優勢會如何演化？未來的 NVIDIA，會不會本質上變成一家「AI 工廠公司」？

Jensen Huang：過去，我們的計算單元是 GPU；後來變成整台計算機，再後來是集群；現在，是完整的 AI 工廠。以前，當我發布新一代產品時，比如「今天發布 Ampere」，我會拿起一顆晶片。那是我當時的「心智模型」。但今天不一樣了。拿起晶片這件事，某種程度上已經變得有點「可愛」——它不再代表我們真正構建的東西。

現在我腦海中的模型，是一個巨大的系統：它接入電網，有發電能力，有冷卻系統，有極其複雜的網路結構，有上萬人在現場安裝，還有成千上萬的工程師在背後支援。啟動這樣一個系統，不是按下開關就可以完成的，而是需要成千上萬的人協同工作。

Lex Fridman：所以你現在思考「一個計算單元」時，實際上是在想一整組機架、一個 pod，而不是單顆晶片？

Jensen Huang：是完整的基礎設施。而我希望我的下一次認知躍遷，是把「構建計算機」這件事，理解為「行星級規模」的問題。這會是下一步。

Lex Fridman：你覺得 NVIDIA 未來有可能達到 10 萬億美元市值嗎？或者換個角度，如果這件事成立，那個世界會是什麼樣子？

Jensen Huang：我認為 NVIDIA 的增長是極有可能的，甚至在我看來是必然的。我解釋一下原因。

首先，我们已經是歷史上最大的運算公司之一。這本身就值得追問：為什麼會這樣？

原因有兩個，都是底層的技術變化。

第一，運算範式發生了變化。過去的運算，本質上是一個「檢索系統」。我們預先寫好內容、錄製內容、生成檔案，然後通過推薦系統或搜索系統，把這些內容檢索出來。換句話說，這是一個「人類預生成 + 檔案檢索」的體系。而現在，AI 運算是基於上下文的，需要實時處理並生成 token。我們從「檢索式運算」轉向了「生成式運算」。

在舊的體系中，我們需要大量儲存；而在新的體系中，我們需要大量運算。因此，運算需求會顯著增加。唯一可能改變這一趨勢的情況，是這種生成式運算被證明是無效的。但過去 10 到 15 年的深度學習研究，以及最近 5 年的進展，讓我比以往任何時候都更有信心。

第二個變化是，計算機在世界中的「角色」發生了變化。過去，計算機更像倉庫（warehouse）；而現在，它更像工廠（factory）。倉庫本身不直接創造收入，而工廠是直接與收入掛鉤的。計算機不再只是儲存系統，而是一個生產系統。它生產的「商品」，就是 token。而這些 token 正在被不同人群消費，並呈現出分層，就像 iPhone 一樣：有免費的、有高端的，也有中間層。

智能，本質上變成了一種可擴展的產品。未來，很快就會出現這樣一種情況：有人願意為每百萬 token 支付 1000 美元。這不是是否會發生的問題，而只是時間問題。

於是問題變成：世界需要多少這樣的「AI 工廠」？需要多少 token？社會願意為這些 token 支付多少？如果生產力因此大幅提升，全球經濟會發生什麼變化？我們是否會發現新的藥物、新的產品、新的服務？

當你把這些因素綜合起來看，我非常確定：全球 GDP 會加速增長。同時，用於運算的支出佔比，將比過去高出一個數量級。

在這樣的背景下，再回到 NVIDIA：我們在這個新經濟中的角色，會比現在大得多。至於數字，比如未來是否可能達到 3 萬億美元收入？答案是當然可能。因為這件事並不受明顯的物理約束。

NVIDIA 的供應鏈由 200 家公司共同支援，我們是通過整個生態系統實現擴展。真正的限制只有一個：能源。而我相信能源問題最終是可以解決的。

所以，這些數字本身只是「數字」。我還記得，當 NVIDIA 第一次突破 10 億美元收入時，有人告訴我：「無晶圓廠半導體公司不可能超過 10 億美元。」後來也有人說：「你們不可能超過 250 億美元。」

這些判斷，都不是基於第一性原理。真正應該問的是：我們在創造什麼？這個機會有多大？

NVIDIA 並不是在爭奪既有市場份額。我們所做的很多事情，本身就是一個尚未存在的市場。這也是為什麼外界很難想像我們的上限，因為沒有一個現成的參照物。但我有足夠的時間。我會持續推演，也會持續表達。每一屆 GTC，都會讓這個未來更具體。最終，我們會走到那一步。我對此是百分之百確信的。

Lex Fridman：如果從「token 工廠」的角度來看，其實可以把整個體系理解為：按每瓦特、每秒生成 token，而每個 token 都具有價值，並且對不同人來說價值不同。這樣一來，整個世界就是由大量「token 工廠」構成的。從第一性原理出發，只要 AI 能解決的問題不斷增加，就可以推導出未來對這種「工廠」的需求會呈指數級增長。

Jensen Huang：是的。讓我非常興奮的一點是，「token 的 iPhone 時刻」已經到來了。

Lex Fridman：你指的是？

Jensen Huang：Agent。Agent 正在成為歷史上增長最快的應用形態。

Lex Fridman：也就是說，從去年 12 月開始，人們真正意識到像 Claude Code、Codex、OpenClaw 這類系統的能力？說實話，我自己也有點不好意思承認：我在機場的時候，第一次開始「對著電腦說話寫程式碼」，就像在和同事溝通一樣。我不確定未來所有人都這樣和 AI 對話會是什麼樣子，但效率確實非常高。

Jensen Huang：更有可能的情況是，你的 AI 會不斷「打擾你」。因為它完成任務的速度非常快，它會不斷向你反饋：「這個完成了，下一步要做什麼？」

Lex Fridman：這確實是一個非常不可思議的未來。

Lex Fridman：我看到你提到過，你之所以取得成功，很大程度上源於你比別人更努力工作，也比別人更能承受痛苦。

這種「痛苦」其實包含很多方面，比如應對失敗、我們剛才談到的工程難題和成本問題，還有人與人之間的問題、不確定性、責任、疲憊、尷尬，以及你提到過的那些公司瀕臨崩潰的時刻。

但除此之外，還有壓力。作為一家被各國政府和經濟體圍繞、據此制定資源配置與 AI 基礎設施規劃的公司的 CEO，你如何承受這樣的壓力？在如此多國家和人群依賴你的情況下，你的力量來自哪裡？

Jensen Huang：我非常清楚，NVIDIA 的成功對美國來說是重要的。我們創造了大量稅收，建立了技術領先地位，而技術領先本身就是國家安全的一部分。國家更富裕，就可以更好地推動社會政策。同時，我們也在推動再工業化，創造大量就業機會，重建本土製造能力，包括晶片、計算機，以及 AI 工廠。我也非常清楚，有很多普通投資者——教師、警察——因為投資 NVIDIA 獲得了財富。此外，NVIDIA 處在一個龐大的生態系統之中，上游和下游都有大量合作夥伴依賴我們。

面對這些，我的處理方式很簡單：把問題拆解。

我會問自己，現在的情況是什麼？發生了什麼變化？難點在哪裡？我能做什麼？把問題拆開之後，它就變成一系列可以執行的任務。

接下來就只剩一個問題：你做了嗎？或者你讓別人去做了嗎？如果你認為一件事必須做，但既沒有自己做，也沒有推動別人去做，那就不要再為此抱怨。

我對自己是比較嚴格的。但同時，我也會通過拆解問題來避免恐慌。我可以安心入睡，因為我已經把所有風險點都識別出來，並且告訴了相關負責人。只要該做的事情在推進，那就不需要再焦慮。

Lex Fridman：在這個過程中，你有經歷過心理上的低谷嗎？

Jensen Huang：當然，而且很多次。

Lex Fridman：你的方法還是把問題拆解？

Jensen Huang：是的。另外一点，是「學會遺忘」。在機器學習中，有一個重要能力是「選擇性遺忘」。人也是一樣的，你不能把所有事情都背在身上。我會快速拆解問題，然後把壓力分散出去。任何讓我擔心的事情，我都會儘快告訴相關的人，而不是自己扛著。當然，也需要對自己嚴格一點——不要沉浸在情緒裡，繼續往前走。

還有一點是，你會被「未來」吸引。就像運動員一樣，他們只關注下一分，而不是上一分的失誤。

Lex Fridman：你曾說，如果一開始就知道 NVIDIA 有多難，你可能不會做。

Jensen Huang：是的。但我想表達的是：這幾乎適用於所有值得做的事情。你需要一種「孩子般的心態」——看到一件事時，第一反應是：「這有多難？」而不是提前模擬所有困難。你不應該在開始之前，就把所有挫折都預演一遍。你應該帶著「這會很棒」的預期進入。但一旦進入，就需要具備韌性。挫折、失敗、羞辱都會發生，而且往往是出乎意料的。這個時候，你要做的就是：忘掉它，繼續前進。只要你對未來的基本判斷沒有改變，你就應該繼續走下去。

Lex Fridman：在經歷了這麼多成功之後，保持謙遜會變得更困難嗎？

Jensen Huang：恰恰相反。因為我做很多事情是公開的，一旦判斷錯誤，所有人都會看到。另外，我的管理方式是「公開推理」。我不會直接給結論，而是把推理過程講出來，讓大家判斷是否合理。

我會不斷地說：「這是我目前的理解路徑。」然後把推理過程講出來。這給了所有人一個機會，可以在任何一步提出不同意見。他們不需要否定結論，只需要指出某個推理環節的問題，我們就可以在此基礎上繼續推演。這本質上是一種「集體尋找路徑」的方式，而且非常有效。

Lex Fridman：你在解釋問題時，始終保持一種開放狀態，讓人感覺可以參與甚至影響你的思考。在經歷了這麼多成功和壓力之後，還能維持這種狀態，其實非常難。很多人會因為痛苦而變得封閉。

Jensen Huang：我覺得其中一個關鍵，是對「出醜」的容忍度。

Lex Fridman：是的，這確實是一種很真實的能力。多年來反覆經歷「在會議中提出一個判斷，結果被證明是錯誤的」，同時還能坦然承認，並從中成長，這在人的心理層面其實非常困難。

Jensen Huang：是的。你知道，我最早的一份工作，其实是打掃衛生間。

Lex Fridman：我很高興你一直保持著當年在 Denny』s 工作時的那種狀態。這段從 Denny』s 起步的經歷，本身就非常動人。我想聊聊遊戲。我是一個重度玩家，也必須感謝 NVIDIA 多年來帶來的出色圖形體驗。

Jensen Huang：順便說一句，直到今天，GeForce 仍然是我們最重要的營銷入口。很多人是在青少年時期，通過遊戲認識 NVIDIA 的。後來他們進入大學，已經知道 NVIDIA 是什麼公司。一開始只是玩《使命召喚》、玩《堡壘之夜》，再往後開始使用 CUDA，再後來會用到 NVIDIA 生態中的工具，比如 Blender、Dassault、Autodesk 等。

Lex Fridman：是的。我跟朋友說我要和你對談，他的第一反應就是：「他們做的遊戲顯卡非常好。」

Jensen Huang：沒錯（笑）。

Lex Fridman：當然，這背後遠不止這些。但確實，很多人非常喜歡這些產品，它們給人帶來了大量樂趣。硬體本身，讓這些虛擬世界真正「活」了起來。不過最近關於 DLSS 5 有一些爭議。一些玩家擔心，它會讓遊戲看起來像「AI 生成的廉價內容」。你怎麼看這種討論？

Jensen Huang：我可以理解他們的看法，也能理解這種擔憂從何而來。因為現在很多 AI 生成內容確實越來越趨同，雖然都很「漂亮」，但缺乏個性。我自己也不喜歡這種「AI 套路化內容」。

但這並不是 DLSS 5 想做的事情。我已經展示過一些示例。DLSS 5 是基於 3D 條件約束的，由真實的結構數據驅動。場景的幾何結構完全由藝術家決定，而系統在每一幀中都會嚴格遵循這些結構。

同時，它也受到紋理和藝術風格的約束。因此，每一幀都是在「增強」，而不是「改變」。關於「增強」，DLSS 5 本身是一個開放系統。開發者可以訓練自己的模型，甚至未來可以通過提示來定義風格，比如卡通渲染，或者給出參考樣例，讓系統按某種風格生成。

但無論如何，所有結果都必須與藝術家的風格和創作意圖保持一致。這些工具的存在，是為了幫助藝術家創造更美的內容，同時保持他們想要的風格。

很多玩家的誤解在於，他們以為遊戲會先按原樣製作完成，然後再通過 DLSS 做後處理。但這並不是 DLSS 的設計方式。DLSS 是與創作流程深度融合的，它本質上是給藝術家提供 AI 工具。是否使用，完全由他們決定。

Lex Fridman：我覺得人類對「臉」的敏感度特別高。現在大家對 AI 內容也變得敏感，我反而覺得這是一件好事。它像一面鏡子，讓我們意識到，人類真正追求的，並不一定是完美，有時反而是某種「不完美」。它幫助我們理解，什麼樣的世界是有吸引力的。只要這些工具是幫助我們去創造這些世界的，那就是一件好事。

Jensen Huang：沒錯。這只是又一個工具。如果開發者希望生成非寫實風格的內容，模型也可以做到。從某種意義上說，這和我們之前引入皮膚著色器類似。我們曾經加入 subsurface scattering，讓皮膚看起來更接近真實。整個行業一直在尋找更多工具來表達藝術，而 DLSS 只是其中之一。最終決定權始終在創作者手中。

Lex Fridman：一個可能有點隨意的問題。你認為歷史上最偉大、或者最具影響力的遊戲是什麼？從 NVIDIA 的視角來看。

Jensen Huang：Doom。

Lex Fridman：Doom，毫無疑問。它開啟了 3D 時代。

Jensen Huang：從藝術、文化影響以及產業轉折的角度來看，Doom 都非常關鍵。它讓 PC 從辦公自動化工具轉變為面向家庭和玩家的個人電腦，這是一個重要節點。當然，在此之前也有飛行模擬類遊戲，但它們沒有像 Doom 那樣形成廣泛影響。從純技術角度來看，我會選擇 Virtua Fighter。我們和這兩款作品的團隊關係都很好。

Lex Fridman：還有一些比較新的作品，比如《赛博朋克 2077》，在 GPU 加速方面也非常出色。

Jensen Huang：是的，是完全光線追踪。

Lex Fridman：我個人非常喜歡《上古卷軸：天際》。雖然已經發布很多年，但通過各種 mod，每次體驗都像是一個全新的遊戲。

Jensen Huang：我們也非常喜歡 mod 社區。我們推出了 RTX Mod，這是一個模組工具，可以讓社區把最新的圖形技術注入到老遊戲中。

Lex Fridman：當然，一個偉大的遊戲不僅僅是畫面，還包括故事和角色。但優秀的圖形確實可以增強沉浸感，讓人感覺自己被帶入另一個世界。

Jensen Huang：完全同意。

Lex Fridman：你剛才提到的一點我覺得很準確：關於 AGI 的時間判斷，本質上取決於你如何定義 AGI。

Lex Fridman：我想問一個關於時間的問題。我們可以用一個或許有些極端的定義來討論 AGI——假設有一個 AI 系統，能夠完成你的工作：也就是從零開始，創建、發展並運營一家成功的科技公司，市值超過 10 億美元。

Jensen Huang：是指「優秀的公司」，還是「只要有一個就可以」？

Lex Fridman：必須是成功的公司，市值要超過 10 億美元。你也知道，這涉及很多複雜要素。所以，這種能力大概還需要多久？5 年、10 年、15 年，還是 20 年？我們說的是像 OpenClaw 這樣，可以完成創新、尋找客戶、銷售產品、管理團隊（包括 AI 和人類協同）等一整套複雜任務的系統。

Jensen Huang：我認為，現在就已經可以了。我認為我們已經實現了 AGI。

Lex Fridman：你是說，現在就可能有一個由 AI 運營的公司？

Jensen Huang：是有可能的。原因在於，你剛才說的是「達到 10 億美元」，但並沒有要求「長期持續」。舉個例子，一個 AI 完全有可能開發出某個網絡服務或者應用，突然之間被幾十億人使用，每人付 0.5 美元，然後在短時間內迅速消失。在互聯網時代，這類公司其實出現過很多。而且它們當時的技術複雜度，並不比今天 OpenClaw 能做到的更高。

Lex Fridman：也就是说，關鍵在於實現病毒式傳播，並將其變現。

Jensen Huang：是的。只是我們不知道具體會是哪一個產品。當年我們也無法預測哪些互聯網公司會成功。

Lex Fridman：你這個說法會讓很多人非常興奮——聽起來像是：我只要部署一個 agent，就可以賺很多錢。

AI 會搶工作嗎？不會，但會改變工作的定義

Jensen Huang：事實上，這種事情已經在發生了。你去中國，會看到很多人在訓練他們的 agent，讓它們去尋找工作、執行任務、甚至直接賺錢。如果未來某個社交應用突然爆發，我也不會感到驚訝。比如一個非常可愛的數位角色，或者類似電子寵物（Tamagotchi）的產品，短時間內爆紅，被大量用戶使用幾個月，然後迅速消退。當然，如果是 10 萬個 agent 去「構建一個 NVIDIA」，成功概率是零。

但我想強調一點：現在很多人對工作感到焦慮。

我想提醒大家，工作的「目的」，和完成工作的「任務與工具」，是相關的，但並不相同。我已經做這份工作 33 年，是科技行業任期最長的 CEO（34 年）。在這 34 年裡，我使用的工具一直在變化，而且有時變化非常劇烈。

有一個故事我希望大家一定要聽到。最早，計算機科學家和 AI 研究者預測，第一個會消失的職業是放射科醫生。因為計算機視覺會達到甚至超過人類水平，而事實也確實如此。大約在 2019 到 2020 年，計算機視覺就已經達到了超人水平。當時的判斷是：既然 AI 可以完成影像分析，放射科醫生這個職業就會消失。

但結果恰恰相反。今天，所有放射學平台都由 AI 驅動，但放射科醫生的數量反而增加了，而且全球仍然短缺。

為什麼會這樣？因為放射科醫生的「目的」，是診斷疾病、幫助醫生與患者做出判斷。當 AI 讓影像分析變得更快之後：我們可以分析更多影像，診斷更準確，處理更多患者，醫院收入提高，患者數量增加，於是，對放射科醫生的需求反而上升。

這是一個非常直觀的結果。同樣的邏輯也適用於軟件工程師。NVIDIA 的軟件工程師數量會增加，而不是減少。因為軟件工程師的「目的」，是解決問題，而寫程式只是其中一個手段。

他們的工作包括：解決問題、團隊協作、診斷問題、評估結果、尋找新的問題、推動創新、建立連線。這些能力不會消失。

Lex Fridman：你覺得程式設計師的數量會增加，而不是減少？

Jensen Huang：是的。關鍵在於，我們如何定義「編程」。我認為，編程本質上是「提出規格（specification）」。你可以給出明確指令，甚至定義系統架構。

那麼問題是：有多少人可以做到這一點？本質上，就是「告訴電腦要做什麼」。過去，大概有 3000 萬人能做到；未來，可能會有 10 億人。未來，每一個木匠都會成為「程式設計師」。而且有了 AI，他們同時也是「架構師」。他們能為客戶創造的價值大幅提升，表達能力也大幅增強。同樣的，未來的會計，也會同時具備財務分析與顧問能力。

所有職業，都會被「抬升」。如果我是木匠，我會對 AI 感到極度興奮，因為它能讓我提供完全不同層級的服務；如果我是水管工，我也會如此。

Lex Fridman：目前的軟體工程師，可能在理解如何用自然語言與 AI 互動、如何設計系統方面，仍然處在領先位置。

Jensen Huang：沒錯。

Lex Fridman：但長期來看，這種能力會逐漸普及。不過我仍然認為，學習傳統編程，語言、設計原則、大規模系統架構依然有價值。

Jensen Huang：是的。因為「如何定義問題」，本身是一種能力。規格的表達方式，取決於你要解決的問題。比如在公司層面，我在制定戰略時，會給出足夠明確的方向，讓團隊可以執行；但我也會刻意保留空間，讓 4.3 萬人可以在此基礎上做得比我想像得更好。因此，不同場景下，規格的精細程度是不同的。未來，每個人都需要找到自己在這個「編程光譜」中的位置。寫規格，本身就是編程。

有時你需要非常明確的指令；有時你需要更開放的探索，與 AI 反覆互動，拓展自己的創造力。這，就是編程的未來。

Lex Fridman：不過從更廣泛的角度來看，很多人對就業感到焦慮，尤其是白領群體。每當自動化和新技術出現，都會帶來動蕩。我認為，我們需要對這種焦慮保持同理心，因為對個體和家庭來說，失業帶來的痛苦是真實存在的。希望這些技術最終能帶來更多機會，讓人們變得更高效、工作更有趣，就像編程領域現在發生的那樣。但在過渡過程中，確實會有很多痛苦。

Jensen Huang：我給大家的第一個建議，是如何處理焦慮。就像我們剛才說的，我會先把問題拆解。

有哪些事情是你可以控制的？有哪些是你無法控制的？對於可以控制的部分，去分析、去行動。

如果我要招聘一名應屆畢業生，在兩個候選人之間選擇，一個完全不了解 AI，另一個熟練使用 AI，我一定會選擇後者。無論是會計、市場、供應鏈、客服、銷售、商務拓展，甚至律師，我都會選擇更懂 AI 的人。

因此，我建議：每一位學生，都應該學會使用 AI；每一位老師，都應該鼓勵學生使用 AI；每一位畢業生，都應該成為 AI 的熟練使用者。不論你是木匠、電工、農民，還是藥劑師，都應該去嘗試 AI，看看它如何提升你的工作能力。

同時，我們也必須承認：技術會自動化很多任務。如果你的工作本質就是這些「任務」，那麼你被替代的風險會非常高。如果你的工作目標更高，那麼你就必須學會用 AI 去完成這些任務。

Lex Fridman：還有一個很重要的點是，AI 本身可以幫助你拆解問題。你可以直接問它：「我該如何提升技能？我該如何使用 AI？」它可以給出非常具體的步驟。它甚至可以成為一個「人生教練」。

Jensen Huang：是的。如果你不會用 AI，它會教你。

Lex Fridman：這確實是一個非常「元」的體驗，但也非常強大。

Jensen Huang：你無法對 Excel 說「我不會用你」，但 AI 可以。

Lex Fridman：有沒有某些東西，本質上是「非計算」的？也就是說，無論晶片多強大，都無法複製？

Jensen Huang：我不確定晶片是否會「緊張」。當然，導致焦慮、緊張或其他情緒的條件，AI 可以識別、也可以理解，但我認為晶片本身不會「感受到」。因此，這些情緒，焦慮、興奮、恐懼……如何影響人的表現，是一個完全不同的維度。

比如在相同條件下，不同的人會呈現出完全不同的表現：有的人表現卓越，有的人表現普通甚至低於平均水平。這種差異，很大程度來自人的主觀體驗。

而在計算系統中，如果兩個系統面對完全相同的輸入，當然可能會產生統計上的差異，但這種差異並不是因為「感受不同」。

Lex Fridman：是的，人類的主觀體驗確實非常特殊。比如我剛才和你對話時會緊張，這種期待、恐懼、焦慮，還有生活本身的豐富性——愛、心碎、對死亡的恐懼、失去親人的痛苦——這一切，很難想象一個計算系統能夠真正擁有。

Jensen Huang：確實很難想象。但我們對這一切仍然知之甚少，還有很多未解之謎。因此，我也保持開放態度，願意接受未來的驚喜。過去幾年，尤其是最近幾個月，AI 的發展已經讓我多次感到驚訝。「規模」本身，確實能夠帶來一些近乎奇蹟般的變化。

Jensen Huang：另外，我覺得有一點非常重要，就是要拆解「智能」這個概念。我們經常使用「智能」這個詞，但它並不是一個神秘的概念。

智能，本質上是一套系統能力，包括：感知、理解、推理、規劃，以及行動的循環。這就是智能。

但「智能」並不等同於「人類」。這是兩個不同的概念，我們應該區分開來。我不會過度神化「智能」。在我看來，智能是一種「功能性能力」。甚至可以說，智能正在成為一種「商品」。

我身邊有很多非常聰明的人，在各自領域都比我更優秀、更專業。他們受過更好的教育，在各自領域也更深入。但我仍然在這個系統中扮演一個角色。

這本身就很有趣。

你會問：一個曾經在餐廳洗碗的人，為什麼可以在一群「超人級」的人中間，去協調他們的工作？

這正說明，「智能」只是其中一個維度。「人性」，才是更大的概念。我們的生命體驗、對痛苦的承受能力、意志力，這些都不同於「智能」。

Jensen Huang：如果我只能給大家一個建議，那就是：不要把「智能」這個詞放得過高。

真正應該被重視的是：品格、人性、同理心、慷慨。這些，才是「超人能力」。而智能，將逐漸被普及、被商品化。

Lex Fridman：也就是說，我們應該更重視「人性」。

Jensen Huang：是的。人性、品格、同理心、慷慨，這些才是最重要的。社會長期以來把一切壓縮到「智能」這個詞上，但人生遠不止這一點。從我的經歷來看，即使我在「智能」維度上不如身邊很多人，我依然取得了成功。所以，我希望大家不要因為「智能的普及」而焦慮，而是從中獲得啟發。

Lex Fridman：我也認為，AI 會讓我們更加珍惜人類本身。

Jensen Huang：沒錯。AI 會讓人類變得更強大。

Lex Fridman：NVIDIA 的成功，以及無數人的生活，都在某種程度上依賴你。但你也只是一個普通人，終究會面對死亡。你會思考這個問題嗎？會害怕死亡嗎？

Jensen Huang：我並不想死。

我擁有很好的生活、很好的家庭，也在做非常重要的工作。這不是「一個人一生一次」的經歷，而是「人類歷史級」的經歷。NVIDIA 是歷史上最重要的科技公司之一，我們正在做的事情具有重大意義，我對此非常認真。

當然，也有一些現實問題，比如繼任規劃。我經常說，我不太相信「繼任規劃」。並不是因為我認為自己不會離開，而是因為：如果你真的關心公司在你之後的發展，你今天最應該做的事情，是不斷傳遞知識。把信息、洞察、經驗、能力，持續地傳遞給團隊。

這也是為什麼我會在團隊面前不斷進行推理。每一次會議，本質上都是在傳遞認知。

我不會把任何信息「留在自己手裡」。我一旦學到什麼，幾乎會立刻分享出去。甚至在我還沒有完全理解的時候，就已經在告訴別人：「這個很重要，你應該去研究。」我在持續地賦能周圍的人，讓他們的能力不斷提升。我的理想狀態是：我在工作中離開，而且是瞬間的，沒有長時間的痛苦。

Lex Fridman：作為一個觀察者和粉絲，我當然希望你能一直工作下去（笑）。NVIDIA 的創新速度令人震撼，本身就是一種對工程的禮讚。

那最後一個問題：當你展望未來 10 年、20 年、50 年甚至 100 年，人類的未來中，什麼讓你感到希望？

原文連結

發佈者對本文章的內容承擔全部責任
在投資加密貨幣前，請務必深入研究，理解相關風險，並謹慎評估自己的風險承受能力。不要因為短期高回報的誘惑而忽視潛在的重大損失。