Jay 发自 凹非寺

量子位 | 公众号 QbitAI

我们已经实现了AGI。

老黄最新的暴论，震惊了所有人。

但这还不是全部，在Lex Fridman的最新专访中，黄仁勋还讲了更多…

不是随口感慨的空谈，老黄这次从技术、社会、人性各个维度分别探讨了这件事，明显最近对此有不少思考。

暴论频出，火力全开：

Ilya错了，预训练远未触顶，合成数据将进一步推动数据规模扩张。

随后更进一步，驳斥了同行对“推理时Scaling”这条路线的低估。

推理绝非轻量级计算。若说预训练是阅读，那推理就是思考，而思考远比阅读难。

而整场访谈最有趣的，无疑是在老黄所谓“AGI已经实现后”，他基于这个第一性原理，对未来所做出的展望。

OpenClaw就是Token时代的iPhone。来最常跟你聊天，或许是你的龙虾。

智能将成为一种可按需定价的商品，以Token的形式大规模流通。

程序员不会被AI取代。写代码其实并不是核心能力，这个群体将从3000万激增至10亿。

为了实现太空旅行，我可能会做个人形机器人，再通过模型的形式把我的意识上传进去。

智能这个词被过度神化了。人性、品格、同情心与慷慨，这些才是最宝贵的特质。

这是老黄首次做客Lex Fridman的节目，Lex也是终于逮着这个机会了，从各个维度把老黄“挖”了个遍。

两小时的对话，跨度极大。从英伟达对未来数据中心的宏大构想，到老黄独特的管理哲学与处世之道……甚至最后一度聊到哲学。

老黄也再次展示了感性的一面。

最好的结果，是在工作中死去的。最好是瞬间发生，不要有太长时间的痛苦。

以下附上访谈全文。为保证可读性，量子位在不改变原意的基础上，对内容做了部分调整。

Lex Fridman对话黄仁勋

Scaling laws撞墙了吗？

Lex Fridman：现在还信scaling law吗？

黄仁勋：信，而且现在的scaling law更明显了。

Lex Fridman：pre-training、post-training、test time、agentic scaling之中，最让你担心、甚至睡不着觉的瓶颈是什么？

黄仁勋：在pre-training scaling law阶段，大家的判断其实没错，高质量数据的总量会限制AI的智能上限。数据越多、模型越大，AI就越聪明。

后来Ilya Sutskever说数据用完了，pre-training走到头了，行业一度非常恐慌，觉得AI要到此为止。显然不是这样。

数据还会继续增长，其中很大一部分会是合成数据。

我们彼此交流、传递知识的大多数数据，本来就是“合成”的。不是直接从自然界提取的，而是人创造出来的，我消化、再加工、再生成，别人再消化。

现在AI已经可以基于真实数据，大规模生成数据。在post-training阶段，数据规模依然在扩展，只是人类生成数据的占比会越来越小。训练的瓶颈，其实从数据转移到了算力。

然后是test time。

我记得有人跟我说，推理很简单，难的是pre-training。推理芯片会是小芯片，不需要NVIDIA这种复杂昂贵的系统。推理会是个大市场，但最终会商品化，谁都能做。

这个逻辑在我看来一直都站不住脚。因为推理就是思考，而思考是很难的，远比阅读难。

pre-training更像是记忆和泛化，是读和读，是在关系中找模式。但思考，是解决问题，用第一性原理去尝试不同路径。test time scaling的本质，是推理、规划、搜索。

这种计算怎么可能是轻量级的？

再往下，在inference和test time scaling之后，我们已经创造出了一个agentic个体。

它有一个大语言模型，但在test time，它会去做研究、查数据库、调用工具。更重要的是，它会不断派生子agent。

这就是下一个scaling law，agentic scaling。本质上是AI的乘法，你可以派生任意多的agent。

这些agent在运行过程中会产生大量数据和经验，其中高质量的部分会被保留下来，送回pre-training，用于记忆和泛化，再经过post-training，再经过test time增强，再由agentic系统输出给行业。

Lex Fridman：不同组件需要不同硬件才能做到最优，比如混合专家和稀疏性。你必须提前判断AI的发展方向，但硬件根本不可能一周就改。

黄仁勋：AI模型架构大概每六个月就会有一次变化，而系统架构和硬件架构大概三年一个周期。所以你必须去判断两三年后的方向。

第一，我们自己做研究，有基础研究，也有应用研究。我们自己训练模型，有第一手经验，这也是协同设计的一部分。

第二，我们和几乎所有AI公司都有深度合作。我们可以感知他们遇到的问题。

还有一点，要有足够灵活的架构，能跟着变化走。CUDA的价值就在这里，一方面是极致加速能力，另一方面是高度灵活。

专业化和通用性之间的平衡非常关键。太专业，适应不了算法变化；太通用，就失去加速优势。

你对比Grace Blackwell机架和一年后的Vera Rubin机架，会发现差别非常大。

Grace Blackwell的设计目标很单一，就是处理LLM。而Vera Rubin机架里，加入了存储加速器，全新CPU Vera，用于运行LLM的NVLink 72，还有一个新的扩展机架Rock。

这套系统和上一代完全不同，多了很多组件。上一代是为MoE大模型推理设计的，这一代是为agent设计的，而agent需要调用工具。

Lex Fridman：这套系统的设计，其实发生在Claude Code、Codex这些产品出现之前。这种判断来自哪里？

黄仁勋：不管技术怎么发展，如果你把大语言模型当成一个数字工作者，它需要什么？

它需要访问真实数据，也就是文件系统。它需要做研究，因为它不可能什么都知道。它需要使用工具。

有人说AI会让软件消失，这是完全不成立的。

十年后最强的agent，哪怕是一个人形机器人，它来到你家，是更可能直接使用你现有的工具，还是把手变成锤子、变成手术刀、甚至用手指发射微波来烧水？

显然是前者。它会用你的微波炉。第一次不会没关系，它可以联网，读说明书，很快就会了。我刚才描述的，其实就是OpenClaw的核心能力。

OpenClaw对于agentic系统的意义，就像ChatGPT之于生成式AI。

Lex Fridman：你刚才讲了很多过去被认为是瓶颈、后来被突破。下一个瓶颈会是什么？

黄仁勋：电力是一个问题。

过去十年，摩尔定律大概带来了100倍的计算提升，而我们通过规模扩展，实现了一百万倍。

接下来，我们要继续依靠极致协同设计，把这个趋势延续下去。

能效直接决定一家公司的收入，也决定一座工厂的产出能力。我们会把能效推到极限，用最快的速度把token成本压下来。

虽然我们的硬件价格在上涨，但token生成效率提升得更快，所以token成本在持续下降，基本每年下降一个数量级。

Lex Fridman：供应链的瓶颈会让你睡不着吗？比如ASML的EUV光刻机、台积电的CoWoS封装、SK海力士的高带宽内存？

黄仁勋：历史上几乎没有公司在我们这个体量上还能以这样的速度增长，而且还在持续加速。所以整个上下游供应链，对我们来说都非常关键。

我花了很多时间去跟合作伙伴的CEO沟通一件事：到底是什么在驱动这波增长，为什么它还在加速？

我会告诉他们现在的业务情况，近期的增长驱动力，正在发生什么，以及接下来要去哪里。他们会基于这些信息，去判断自己的投资方向。

当然，我也会亲自去拜访他们，讲清楚这个季度、明年、后年会发生什么。

Lex Fridman：但有意思的是，你好像没有因供应链而“睡不着”。

黄仁勋：因为该做的事情我都在做。这些问题我都逐一推演过。

从最早的DGX-1，到现在NVLink-72的机架级计算，系统架构已经完全变了。这对软件意味着什么，对工程意味着什么，对设计、测试、供应链意味着什么，我都会一一推演。

数据中心与能源

Lex Fridman：能源问题应该怎么解决？

黄仁勋：现在的电网，是按照最极端情况来设计的，会预留冗余。

但现实是，99%的时间，我们都远远达不到那个峰值。真正的极端情况，只会出现在一年中很少的几天，比如冬天、夏天的极端天气。

绝大多数时间，我们的用电水平大概只有峰值的60%左右。

也就是说，99%的时间，电网其实有大量闲置电力。

所以我在想，有没有可能通过更好的理解、契约设计和计算机架构设计，让数据中心在电网需要满负荷供电的时候，主动让出一部分电力？

在那段时间里，我们可以用备用发电机，或者把工作负载迁移到别的地方，甚至让计算机降速运行。比如稍微降低性能、减少功耗，让响应时间稍微变长一点。

我们应该重新思考数据中心的设计方式。

现在大家追求的是100%在线，合同要求也非常严苛，这给电网带来了很大压力。

但其实电网不需要扩容到更高峰值，我们只需要把那些闲置的电力利用起来。

Lex Fridman：那阻碍是什么？监管，还是流程问题？

黄仁勋：这是一个三方问题。

首先是终端客户。他们对数据中心提出的要求是永远不能不可用，也就是绝对完美。为了实现这种完美，你就需要备用发电机，也需要电网提供几乎完美的稳定性。

所以第一步，是要让客户，尤其是CEO们意识到他们到底在要求什么。

很多时候，签合同的人和CEO之间是断层的。CEO可能根本不知道合同里写了什么。但双方谈判时，都会争取最优条款。于是，云服务商就必须去要求电力公司提供同样级别的保障。

第二点，是数据中心本身的设计。

我们需要的是可以优雅降级的系统。当电网告诉我们只能提供80%的电力时，我们可以迁移工作负载，保证数据不丢失，同时降低计算速度，减少能耗。

服务质量会略微下降，但关键任务可以立即迁移到其他数据中心，保证不受影响。

第三点是电力公司。现在电力公司的说法是，扩容电网需要五年时间。但如果电力公司能提供不同层级的供电承诺，那他们其实可以更快提供电力。

Lex Fridman：你之前高度评价过马斯克和xAI在孟菲斯建Colossus超算的速度，四个月就建起来，现在已经有20万张GPU，还在快速增长。

从他的做法里，有没有一些对整个数据中心行业都有启发的东西？

黄仁勋：Elon在非常多领域都有深入理解，他可以同时在多个学科之间来回切换，而且他会不断去质疑一切。

这件事真的有必要吗？一定要用这种方式做吗？真的需要这么久吗？

他可以一路问下去，把所有东西压缩到最小必要程度，不能再删了，但功能依然完整。

他的风格可以说是极致极简，而且是在系统级别做到这一点。

还有一点我非常欣赏，他总是在一线。哪里有问题，他就直接过去，说，把问题给我看。

还有最后一点，他的紧迫感是亲自传导的。当他自己以极高紧迫感在做事时，整个系统都会被带动起来。

每个供应商都有很多客户、很多项目，但他会让自己成为所有人优先级最高的那个项目。

Lex Fridman：我记得有一次和他在一起，他甚至会去研究怎么把线缆插进机架。他会直接跟现场工程师一起看，理解这个流程哪里容易出错。

这种方法和英伟达的极致协同设计之间，有没有共通点？

黄仁勋：协同设计，本质就是一个极致的系统工程问题。

我们所有工作，都是从这个第一性原理出发的。

另外，我们还有一个理念，我30年前就开始用，叫“光速”。

光速不仅仅是速度，它是我用来表达物理极限的一个概念。我会强制所有人先从第一性原理出发，理解物理极限，再开始设计。

我不太喜欢所谓的持续优化。

慢慢优化当然没问题。但我不喜欢一开始就说，现在需要74天，我们可以帮你优化到72天。

先告诉我，为什么是74天？

如果从今天重新设计，从零开始，这件事理论上要多久？

很多时候，你会发现答案可能是6天。

那剩下的68天，可能是各种历史包袱、成本权衡、流程复杂性。

Lex Fridman：在你们处理这么复杂的系统时，“简单”是不是一个重要原则？

光是一个NVL72机架，就有130万个组件，1300颗芯片。你们一周还要生产大约200个这样的pod。

这种规模下，简单几乎不可能。

黄仁勋：我最常说的一句话是：复杂度要刚好够用，但必须尽可能简单。

关键问题是，这些复杂性是不是必要的？

如果不必要，那就是多余的复杂性。

Lex Fridman：过去十年，中国在科技领域的崛起非常惊人，诞生了大量世界级公司和工程团队，中国为什么能做到这一点？

黄仁勋：全球大约一半的AI研究人员是中国人，而且大部分还在中国本土。

中国的科技产业出现在一个非常关键的时间点，也就是移动互联网和云计算时代。

那个时代的核心是软件，而中国的优势正好在这里。

他们有大量科学和数学基础非常扎实的年轻人，教育体系很强，这一代人是在软件时代成长起来的，对现代软件非常熟悉。

另外，中国不是一个单一的经济体，而是由很多省份和城市组成，各地之间存在激烈竞争。

这也是为什么你会看到那么多新能源车公司、AI公司，以及几乎所有你能想到的行业，都会有很多家公司同时在做。而最后留下来的，往往是非常强的公司。

还有一个文化因素。

他们的排序大概是家庭第一，朋友第二，公司第三。

这导致人与人之间的信息交流非常频繁。某种程度上，他们一直处在一种“类开源”的状态。

你会发现工程师之间的关系是交织的，朋友在别的公司，亲人在别的公司，很多还是同学。

“同学”这个概念，在他们那里是一辈子的关系。

在这种情况下，知识传播速度非常快。既然很难真正保密，那干脆开源。开源社区反过来又进一步放大了创新速度。

Lex Fridman：而且从文化上看，在中国做工程师是一件很酷的事。

黄仁勋：没错，这是一个builder nation。

我们国家的领导者非常优秀，但很多是律师出身，因为我们更强调规则和制度。

而他们是从贫困中发展起来的，很多领导者本身就是工程师，而且是非常优秀的工程师。

Lex Fridman：台积电也是一个传奇公司。你怎么看它为什么能做到这种级别的成功？

黄仁勋：很多人对台积电有一个误解。他们觉得台积电的核心只是技术，比如晶体管、封装、光子这些。

这些更关键的是，他们能协调全球数百家公司不断变化的需求。客户在不断变化，有的扩产，有的缩产，有的紧急加单，有的取消订单。

在这种高度动态的环境下，他们依然能保持高产能、高良率、低成本，同时提供极好的客户服务。

他们非常认真对待承诺。什么时候交付晶圆，就一定会交付，这对客户来说非常关键。

第二是文化。一方面极度技术导向，持续推动前沿技术。另一方面又极度重视客户服务。很多公司只能做到其中一个，但他们两个都做到了世界级。

第三，是一种无形的能力，叫信任。

Lex Fridman：这种信任既来自长期表现，也来自人与人之间的关系。

黄仁勋：我们合作了30年，经历了几十亿甚至上百亿美元的业务，但我们之间没有合同。

Lex Fridman：还有一个故事，说2013年台积电创始人邀请你去做CEO，你拒绝了，这是真的吗？

黄仁勋：是真的。我没有轻视这个机会，我非常荣幸。台积电是历史上最重要的公司之一，而张忠谋是我非常敬重的人，也是朋友。

但我当时也很清楚，英伟达要做的事情同样重要。我在脑海中已经看到了它未来会成为什么样子，以及它可能产生的影响。这是我的责任，我必须把它实现。所以我拒绝了。

不是因为这个机会不够好，是因为我不能离开。

Lex Fridman：CUDA的装机基础，未来会怎么演化成AI时代的护城河？

黄仁勋：过去，对我们来说，计算单元是GPU。后来变成了一台计算机。再后来变成一个集群。现在，它已经变成一整座AI工厂。

以前我一想到英伟达做的东西，脑子里出现的是芯片。但今天，举起一块芯片这件事还是挺可爱的，只是那已经不是我脑子里的核心画面了。

我现在脑子里的画面，是一个巨大的、吉瓦级的基础设施。它连着发电系统，连着电网，有庞大的散热系统和巨型网络。里面有上万人在安装，几百个网络工程师在现场，背后还有成千上万工程师在帮它上线。

启动这样一座工厂，不是某个人按一下开关说，现在开机了。我们需要几千人一起把它点亮。

Lex Fridman：所以你现在对单个计算单元的理解，已经变了。

黄仁勋：对，我想的是整套基础设施。而且我希望下次再跳一下，会变成行星级。

Lex Fridman：那你怎么看Elon提过的那个方向，把计算搬到太空里，去缓解能源扩张问题？

黄仁勋：其实太空特别适合做很多成像任务。因为卫星上的高分辨率成像系统会持续扫描地球。

但如果你想要厘米级分辨率、持续不断地覆盖全球，本质上你会获得几乎实时的遥测数据。

这些数据量太大了，不能全都传回地球。你必须在边缘侧，也就是卫星上直接做AI处理。把没变化的、见过的、没价值的内容直接丢掉，只保留真正需要的部分。

但太空没有传导，也没有对流。基本上只能靠辐射散热。我们可能得放很大的散热器上去。

Lex Fridman：这是五年后的事，十年后的事，还是二十年后的事？

黄仁勋：我还是更偏实用主义。

但与此同时，我会持续培育太空这条线。所以我会派工程师去研究这个问题，前期可以做大量工程探索。

但在此之前，地球上已经有那么多闲置电力，我想尽快把它们都利用起来。

Lex Fridman：你觉得英伟达未来有可能达到10万亿美元市值吗？

黄仁勋：我们是历史上最大的计算机公司。这本身就值得追问，为什么？

第一个原因是，计算机已经从检索系统，变成了生成系统。

过去的计算，本质上是文件检索。几乎一切都是文件。我们先写好内容、存到文件里。然后通过推荐系统，把内容取给你。

旧世界的计算，是人先录制、系统再检索。而现在，AI计算机是上下文感知的。它要实时处理token、实时生成token。

所以我们从检索式计算，进入了生成式计算。这个新世界需要的算力，远远高于旧世界。旧世界需要大量存储，新世界需要大量计算。

第二个原因是，计算机的角色变了。

过去它更像仓库。现在我们建的是工厂。仓库不怎么直接赚钱，工厂直接对应公司的收入。

现在我们已经开始看到，这座工厂生产出来的商品，真的有人愿意消费，而且价值很高。

这些商品就是token。token正在开始分层，就像iPhone一样。有免费token，有高级token，也有中间档位的token。

智能这件事，最终会变成一个可以分层定价的产品。高智能token，用在更专业的场景里，人们愿意付更高的钱。一百万个token值1000美元这件事，在我看来已经不远了。

接下来就要问，世界需要多少这样的工厂？世界需要多少token？社会愿意为这些token支付多少钱？如果生产率因为它们大幅提高，经济会变成什么样？我

把这些放在一起看，我几乎可以确定，全球GDP的增长会被进一步加速。其中用于计算的那部分占比，会比过去高出100倍。

我还记得，英伟达第一次突破10亿美元营收的时候，有位CEO跟我说，无晶圆厂半导体公司理论上不可能超过10亿美元。

后来又有人说，你们永远不可能超过250亿美元，因为某某公司会限制你们。类似的话，我听过很多次。这些判断都不是基于第一性原理的思考。

英伟达从来都不是靠抢市场份额活着的。我刚刚说的很多市场，以前根本不存在。我们不是在抢一个已经存在的市场，而是在创造新市场。

人们很难想象我们最终会有多大。因为没有一个现成的对象，可以让我说我从谁手里拿走多少份额。

Lex Fridman：你这个视角很有意思。某种意义上，就是token工厂。

黄仁勋：而且真正让我特别兴奋的是，token的iPhone时刻已经来了。

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

黄仁勋：更广义地说，是agent整体。OpenClaw是历史上增长最快的应用形态，几乎是垂直起飞。毫无疑问，OpenClaw就是token的iPhone。

Lex Fridman：从去年12月开始，确实像是发生了某种非常特别的事。大家突然意识到了Claude Code、Codex、OpenClaw的力量。

我甚至有点不好意思承认，今天来这里的路上，在机场，我第一次在公共场合这么干，就是一边对着电脑说话，一边编程。

我也不知道自己该怎么看待这样一个未来，大家都在路上对着AI说话。

黄仁勋：而且更有可能发生的是，你的AI会一直来烦你。因为它做事太快了。它会不停回来汇报，我做完了，下一个要我做什么？

未来最常跟你聊天、给你发消息的，可能就是你的龙虾。

黄仁勋的管理哲学

Lex Fridman：如今的英伟达正涉足各类完全不同的学科，每个领域都有世界级专家。你怎么把这些人聚在一起的？

黄仁勋：设计一台计算机，需要一套操作系统；设计一家公司，本质也是一样，你要先想清楚这家公司最终要产出什么。

我见过很多公司的组织架构图，汉堡型、扁平型、汽车公司型，看起来差不多。

但公司应该是一台机器、一套系统，它的结构必须反映它所处的环境。

现在直接向我汇报的大概有60个人，我不做一对一沟通，这根本不现实。我习惯于把60个人拉着一起开会，把问题抛出来，所有人一起解决。

暂时走神可以，但他们知道什么时候必须专注。如果有人本来可以贡献意见却没有开口，我会直接点名。

Lex Fridman：面对需要抉择的重大时刻，你如何做出跨越式判断？

黄仁勋：主要是由好奇心驱动的。在某个时刻，一整套推理会变得非常清晰，让我相信这件事一定会发生。

一旦确定这一点，你就会开始构建一个未来。然后去推演路径，推演为什么它必须存在。管理团队会一起参与，我们会花大量时间在这个过程上。

很多领导者会把这些认知藏在心里，等到某一天突然宣布：新计划、新组织、新使命。我从不这样。

当某个想法开始影响我的判断，我会立刻让身边的人知道。我会持续分享新的信息、新的洞察、新的工程进展，用这些不断塑造大家的认知。

很多时候，我心里已经有答案，但我会不断通过外部事件和内部进展，把这套逻辑一点一点传递出去。

我每天都在做这件事，对董事会、管理团队、员工都是如此。所以当我宣布收购Mellanox时，所有人都觉得顺理成章。

当我决定全面押注深度学习时，各个部门早已在这个方向上铺好了基础，大家已经认同了大部分逻辑。

我很喜欢那种感觉，当我宣布一件事时，员工会觉得：你怎么现在才说？！

这才是领导力的目标，让所有人一起进入同一个方向。否则，当你宣布一个重大决策时，大家只会感到困惑。

你回头看每一届GTC主题演讲，那也是在塑造整个行业的认知，同时反过来强化公司内部的认知。

Lex Fridman：你把自己的很多成功归因于一件事，就是你比别人更能吃苦，也更能承受痛苦。

作为英伟达的CEO，整个经济体、很多国家都会围绕你们来做战略判断，安排资金配置，规划AI基础设施。

你是怎么处理这些压力？

黄仁勋：我会一直推理，我们到底在做什么，这会带来什么影响，对别人是帮助还是负担，比如会不会给供应链带来很大压力。

接着要问的就是，那你准备怎么办？

我面对几乎所有情绪时，都会先拆解它。现在的处境是什么，发生了什么变化，难点是什么，我接下来要做什么……

然后只剩下一个问题，你做了没有？

如果你已经判断出这件事该做，却既没自己做，也没找别人做，那就别再为它哭了。

我能睡着，是因为我已经把该做的事情列出来了。凡是我觉得可能伤害公司、伤害合作伙伴、伤害行业的事，我都已经告诉了别人。

而这个人，是有能力采取行动的人。

还有一部分，其实是遗忘。

AI学习里一个特别重要的能力，就是系统性遗忘。你得知道什么时候该忘掉一些东西。你不能什么都一直背着。

很多时候，你就是得对自己狠一点。差不多行了，别哭了，起来干活！

我觉得很多顶级运动员就是这样。他们只盯下一分。尴尬也好，挫折也好，都已经过去了。

Lex，你有不少工作是在公开场合完成的。我也是。

我经常会在公开场合说一些话，当时觉得挺有道理，或者挺好笑，至少当时我自己觉得挺有趣。

后来回头看……好像也没那么有趣。

Lex Fridman：你以前说过一句很有名的话，大意是，如果你当年知道创建英伟达会有这么难，难度比你想象的大一百万倍，你可能根本不会去做。

可我听到这句话时，我会觉得，几乎所有真正值得做的事，都是这样吧？

黄仁勋：完全对。

其实我真正想表达的是，人要保留一种孩子式的心智。

看到一件事时，我脑子里的第一反应几乎总是，这能有多难？

以前没人做过，看起来非常巨大，要花几千亿美元，要经历无数困难。但你还是会说——

这能有多难？

你不能提前把所有挫折、失败、失望、屈辱都模拟一遍。你应该带着一种很新的心态进入一段经历，觉得这会很棒，会很有趣，会非常精彩。

真正进入其中以后，你才需要韧性，需要耐力。因为那些挫折一定会来，而且它们来的时候依然会让你意外。

失望会让你意外，尴尬会让你意外，羞辱也会让你意外。但你不能被它们卡住。

这时你就得启动另一套机制，忘掉它，往前走。

只要我对未来的那些基本判断没有被根本改变，只要那些输入条件没有发生实质变化，那我就认为结果也不会变。

我一直很好奇，一直在学。我总是在观察别人。

因为我对很多事情都保持谦逊，所以我总会想，他们这件事做得真好，他们怎么想到的，他们脑子里到底是怎么推的。

某种程度上，我一直在模仿别人。

Lex Fridman：你现在已经是地球上最有钱、也最成功的人之一了。在这种情况下，保持谦逊会不会很难？

黄仁勋：说来也奇怪，其实没有。

甚至可能正好反过来。因为我很多工作都是公开进行的，所以只要我错了，几乎所有人都会看到。

当我错了，或者事情没有按预想发展时，别人都能看见。

但在内部会议里，我很多时候是在边推理边说。那种情况下，事情当然可能会朝不同方向发展。

不过这从来不会阻止我继续推理。我管理和领导的方式，就是不断在别人面前推理。就连我现在和你说话，你也能看出来，我其实是在现场推理。

我希望你理解我说的话，不是因为我说了你就得信。我会把我是怎么一步一步走到这个结论的过程也展现给你。这样你自己就能判断，最后我讲的结论你信不信。

我每天在会议里都是这么做的。

我会说，我来告诉你我是怎么看这件事的。然后我把推理过程讲出来。

这样大家就有机会随时拦住我，说：我不同意你这一步。

这种方式最好的地方就在于，别人不需要直接反对你的结论。他们可以只反对你推理中的某一步。然后他们把我往另一个方向拉，我们再一起继续往前推。

Lex Fridman：这么多年经历了巨大的成功和痛苦以后，你还能保持这种状态，真的很难得。有时候痛苦会让一个人变得封闭。但你没有。

黄仁勋：对尴尬的耐受力真的很重要。

不过你知道，我人生第一份工作是刷厕所。

Lex Fridman：我前几天跟一个朋友说我要采访你，他第一反应就是，哦，他们做游戏显卡特别强！

这些硬件确实给很多人带来了快乐，把那些虚拟世界真正点亮了。不过之前DLSS 5也引发过一些争议。你能不能讲讲这里面的风波？

黄仁勋：我理解，因为我自己也不喜欢那种AI糊感。

现在很多AI生成内容确实越来越像，虽然都很漂亮，但也越来越同质化。

但DLSS 5想做的根本不是这个。

我当时展示过很多例子。DLSS 5是基于3D条件控制的，也是由真实几何结构引导的。

也就是说，几何是艺术家定的，我们对这些几何信息是完全忠实的，每一帧都不会改。它还会受到贴图和艺术风格的约束。

所以每一帧它做的是增强，不是篡改。

当然，问题也在于这个增强到底怎么做。

DLSS 5是开放系统，所以开发者也可以训练自己的模型来决定风格。未来甚至可以直接提示它。

比如我想要卡通渲染风格，我想要某种视觉效果，你甚至可以给它一个参考样本。

然后它就会在那个风格里生成，同时保持和原本艺术风格、艺术意图一致。

所以这一切其实都是给艺术家用的，是帮他们把作品做得更美，但仍然保持他们自己的风格。

我觉得很多玩家误解成，游戏本来已经做好了，发售之后，我们再拿AI去后处理，把画面改掉。

DLSS并不是这么设计的。

本质上，它是在给艺术家一个AI工具，一个生成式AI工具。

他们完全可以选择不用。

Lex Fridman：大家开始对AI糊感变得敏感。这其实像一面镜子，让我们意识到，我们真正想要的，往往是某种不完美。

它反过来帮我们理解，我们到底为什么会被某些世界打动。

黄仁勋：对，AI只是又一个工具。

而且如果开发者想让生成模型去做完全相反于照片真实感的东西，它也可以做到。

过去几年里，我们给游戏开发者引入了皮肤着色器。很多游戏里的皮肤效果，现在都用了次表面散射，看起来更像真正的皮肤。

整个行业一直都在寻找更多表达艺术的工具。这次也只是又多了一个工具而已。最后用不用，还是开发者自己决定。

AGI与意识

Lex Fridman：假设所谓AGI，就是一个AI能创办一家公司，市值或者价值超过10亿美元那种。距离这个目标还有多远？

黄仁勋：我觉得就是现在。我觉得我们已经实现AGI了。

你说的是10亿美元，但你没说它要一直存在下去。

所以完全不能排除Claude做出一个网络服务，或者一个很有意思的小应用，突然一下有几十亿人来用，每个人付50美分，很快就赚到了很多钱，之后不久又死掉了。

互联网时代我们见过很多这种公司。而且那时候的很多网站，其实并不比今天OpenClaw能生成的更复杂。

Lex Fridman：也就是说，我只要放出一个agent，就有机会赚很多钱？

黄仁勋：现在就已经在发生了。

你去中国就会看到，已经有很多人在教自己的Claude去找工作、去接活、去赚钱。

我一点也不会意外，如果突然冒出来某种社交产品，或者一个数字网红，超级可爱，或者某种照顾你电子宠物的应用，莫名其妙一下就爆了。

很多人会用它几个月，然后它又慢慢消失。

现在很多人真的很担心自己的工作。但我想提醒大家，你工作的目的，和你完成这份工作时使用的任务与工具，是相关的，但不是一回事。

我已经做这份工作34年了。而在这34年里，我用来完成这份工作的工具一直在变。

当年，计算机科学家和AI研究者最早说会被AI替代的职业之一，就是放射科医生。

因为他们觉得，计算机视觉一旦达到超人水平，放射影像分析这件事就会被AI接管。

技术判断上其实没错。计算机视觉确实已经达到超人水平了。

但结果呢？他们判断错了。

今天几乎所有放射影像平台和软件包，背后都有AI在驱动。可放射科医生的人数反而增加了。现在全世界甚至还缺放射科医生。

为什么会这样？

第一，当时那种危言耸听的说法走得太远了，甚至吓退了一些本来会进入这个行业的人。

第二，他们错在把任务当成了职业本身。

放射科医生的真正职责，是帮助诊断疾病，帮助患者，帮助临床医生。

而现在因为看片速度更快了，你可以看更多片子，诊断得更准，更快处理住院患者，服务更多病人。

医院赚得更多了，收治病人的能力更强了，所以需要更多放射科医生。

英伟达的软件工程师人数也会继续增长，不会下降。

原因一样。软件工程师的职责，是解决问题。写代码，只是其中一项任务。我从来不在乎我的工程师写了多少行代码。

我在乎的是，他们有没有解决问题。

Lex Fridman：你的意思是程序员总人数未来有可能增加？

黄仁勋：关键在于，你怎么定义编程。

在我看来，今天所谓编程，本质上已经变成了规格说明。也就是用清楚的方式告诉计算机，你要去造什么。

那问题来了，有多少人有能力做这件事？

我觉得这个人数，可能已经从3000万，扩大到了10亿。

未来每个木匠都会是程序员。而且一个有AI的木匠，同时也成了建筑师。他能给客户提供的价值被抬高了很多，他的创作能力也被大幅放大了。

我也相信，每个会计都能同时更像财务分析师和财务顾问。

很多职业都会因此整体抬升。

Lex Fridman：而且现在的程序员和软件工程师，其实站在了最前沿。他们已经在直觉上理解，怎么用自然语言和agent沟通，才能设计出更好的软件。两边会逐渐靠拢。

但我还是觉得，学习传统意义上的编程仍然有价值。

黄仁勋：对。原因就在于，specification这件事本身也有层次，也有艺术性。你怎么定义，取决于你想解决什么问题。

比如我在给公司制定战略、明确公司方向、决定我们该做什么的时候，我会把它讲到足够具体的程度，让大家理解方向，也知道怎么开始行动。但我又会故意保留一些没说死的空间。

这样，4.3万名很优秀的人就有机会把它做得比我原来想得还好。

所以当我和工程师合作、和团队合作时，我会想清楚，我到底在解决什么问题，我正在和谁一起工作。

specification到底该具体到什么程度，是和这些条件直接相关的。

每个人都得学会，在编程这条光谱上，自己想站在哪个位置。

有时候你会想要更明确、更规定式，因为你追求的是一个非常具体的结果。

有时候你又会想留得更开放一点，因为你想探索，你想和AI来回拉扯，让它顺便把你自己的创造力边界也推开一点。

这种在不同具体程度之间拿捏的能力，我觉得就是未来编程真正的艺术。

Lex Fridman：但就算跳出编程这个话题，很多人现在确实都很焦虑，尤其是白领群体。

每当自动化和新技术到来，社会总会经历一段动荡期，而我们其实都不知道该怎么面对。

我觉得第一件事，是我们得有同情心，也得有责任感，真正去感受那些失去工作的人和他们家庭所承受的痛苦。

像AI这种级别的技术变革，一定会带来很多疼痛。而我说实话，我也不知道该怎么解决这种痛苦。

我只是希望，它最终能给这些人带来更多机会，让他们还能做相近的工作，只是工具变了，效率更高了，也更有趣了。就像编程现在的变化一样。

我得说，我现在写代码真的特别快乐，从来没这么快乐过。我希望AI能把枯燥部分自动化，把真正有创造性的部分留给人类。

但即便如此，过程中还是会有很多痛苦和挣扎。

黄仁勋：面对未来会焦虑，面对压力会焦虑，面对不确定性也会焦虑。

我第一步永远是先把问题拆开。然后告诉自己，有些事你能做点什么，有些事你就是做不了。

但凡是你能做点什么的那部分，我们就来认真推理，然后马上去做。

如果今天我要招一个应届毕业生，两个候选人摆在我面前。

一个完全不懂AI，一个非常会用AI。我一定招那个会用AI的。

所以我的建议是，每一个大学生，每一个老师，都应该鼓励学生尽快去学会用AI。

每个大学生毕业的时候，都应该已经是AI高手。不管你是木匠、电工，还是别的职业，都去用AI。

当然，这项技术一定会带来岗位位移。如果你的工作本身就等于某一项单一任务，那你大概率会被强烈冲击。

如果你的工作真正的价值在于你这个人，但其中有一些任务是可以自动化的，那你就应该立刻学会用AI，把这些任务自动化掉。

Lex Fridman：人类意识里，会不会有一些东西从根本上就是非计算性的？无论芯片多强大，都永远复制不了？

黄仁勋：我不知道芯片会不会有一天也会感到“紧张”。

导致焦虑、紧张或者其他情绪的那些条件，我相信AI是可以识别、理解的。但我不觉得我的芯片会真的感受到这些。

得把智能这个词拆开来理解。

我们天天都在说智能，但它并不神秘。智能，是一种包含感知、理解、推理、规划能力的系统。

这其实是一个功能性概念。不是一个等同于人性的词。我不会对智能这件事做太多浪漫化的幻想，我甚至觉得智能会变成一种商品。

我身边全是聪明人。他们受的教育比我更好，学校也比我上得更好，在各自领域里都比我更深。我身边有60个这样的人。对我来说，他们都像超人一样。

可偏偏是我坐在中间，协调着这60个人。

一个曾经刷盘子的人，为什么可以坐在一群超人中间，把他们组织起来？

智能是功能性的。而人性并不是以功能来定义的，它是一个大得多的词。

我们的人生体验，我们对痛苦的承受力，我们的决心，这些都和智能不是一个概念。

智能这个词在过去被抬得太高了。

Lex Fridman：真正应该被抬高的，其实是人性。

黄仁勋：品格、人性、同情、慷慨……这些才是真正超人的力量。

而智能，接下来会被商品化。

过去大家总说，最重要的是教育。可即便你在学校里获得了很多知识，学校给你的也从来不只是知识。

可惜的是，我们这个社会长期以来把太多东西都压缩进了一个词里。

但人生从来不止一个词。

我自己的人生，其实就说明了这件事。就算我在智能曲线上比周围很多人都低，也不影响我成为最成功的那个人。

不要因为智能被被商品化了，就开始焦虑。

你应该因此受到激励。

Lex Fridman：英伟达的成功，还有我刚才提到的几百万人的生活，在很大程度上都和你有关。

但你终究也只是一个人，和我们所有人一样，都会死。

你害怕死亡吗？

黄仁勋：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。

我现在经历的，不是那种一生一次的体验。一生一次意味着很多人都经历过，只是每个人各一次。

我在经历的，更像是人类历史级别的一次体验。英伟达是历史上最有影响力的科技公司之一。

所以当然也会有一些很现实的问题，比如接班人。

我不相信那种传统意义上的接班规划。不是我觉得自己不会死。原因是，如果你真的担心接班这件事，那你今天最重要的事，就是不断把知识、信息、洞察、技能、经验传下去。

这也就是为什么，我会在团队面前不断推理所有事情。

我在公司内外的每一分钟，基本都在把我知道的东西尽快传给别人。任何一个我学到的新东西，都不会在我桌上停留超过几秒钟。

“这个太有意思了，你赶紧上，这个你一定得学。”

甚至在我自己还没完全学明白之前，我已经先推给别人了。

所以我一直在传递知识，在赋能别人，在提升周围每个人的能力。

最好的结果，是在工作中死去的。最好是瞬间发生，不要有太长时间的痛苦。

Lex Fridman：你一直在想未来。那最后我想问：

是什么让你对这一切——对人类、人类的未来抱有希望？

黄仁勋：我一直对人类的善意、慷慨、同情心，还有人的能力本身，有很强的信心。

有时候我也会因此被占便宜，但这从来不会让我改变这个出发点。我总是先相信，人是想做好事的，人是想帮助别人的。

而绝大多数时候，我是对的。很多时候结果甚至比我想的还更好。

我们有太多想解决的问题了，太多想建造的东西，而且现在这些事已经进入了可触及范围，甚至是在我这一生里就有机会实现。

面对这种局面，你怎么可能不因此而感到浪漫呢？

疾病被终结，污染大幅降低，光速旅行……这些现在都可以说的出口了。

当然，光速旅行不是长距离，但短距离或许可以。

可能我会把一个人形机器人送上飞船，一个基于我模样设计的人形机器人。

我人生里的很多内容，本来就已经在互联网上了。把我的邮箱、我做过的事、说过的话，全都拿去。这些东西都会慢慢变成我的AI。

到那时，只需要把这部分内容以光速发过去，追上那个机器人，然后将我的意识上传上去。