當地時間7月1日，輝達宣佈推出全新的AI基礎設施合作模式，將通過收入分成（Revenue-sharing）和信用支援（Credit-support）機制，與AI雲服務商共同建設大規模、多租戶AI工廠，幫助初創企業、模型開發者、企業及科研機構更快獲得AI算力，同時為輝達創造與算力使用量掛鉤的持續性收入。 根據方案，AI雲廠商將部署基於輝達DSX AI Factory架構的AI工廠，對外提供雲端運算服務。據悉，該合作計畫已進入落地階段，首批合作夥伴包括Sharon AI和Firmus。其中，Sharon AI計畫部署最多4萬塊NVIDIA Grace Blackwell GB300 GPU；Firmus將在印度尼西亞巴淡島建設DSX AI工廠園區，規劃擴展至360兆瓦電力規模，並部署最多17萬塊輝達GPU。 (證券時報)

我們正處在一場巨大的 AI 革命之中。這場革命可能比工業革命更大、更快。現在正在發生的是人類歷史上最大規模的基礎設施建設。這場建設的中心是 AI 工廠，而 輝達 正處在這個中心。什麼是 AI 工廠？為什麼它會成為未來十年企業最值得投入的方向？ 本文來源於 NVIDIA's Jensen Huang on Building the Dynamo of the Intelligence Age，翻譯整理而來，有刪減，僅供參考。如需查看英文原版及更多資料，可在文末獲取。 一、AI 正從聊天機器人走向真正的生產工具 理解 AI，可以先從大家最熟悉的聊天機器人開始。你給它一個提示，它給你一個回答。過去兩三年，AI 的能力發生了非常顯著的提升。

這張出現在 NVIDIA GTC 現場的大圖，真正值得看的，不是上面排了多少合作夥伴 Logo，而是輝達正在把 AI 基礎設施這件事重新講一遍：未來賣的可能不再只是一張卡、一台伺服器，甚至不只是一個機房，而是一整套能落地、能擴容、也能長期運行的 AI Factory。 圖片來源：NVIDIA GTC 大會。 從數量上看，這張圖裡出現頻率最高的是美國企業，共 29 家。美國之後，最集中的地區是台灣，共 9 家。除此之外，新加坡和澳大利亞各 6 家，日本 5 家，法國 4 家，英國 3 家，印度和愛爾蘭各 2 家；北京、韓國、馬來西亞、印尼、荷蘭、西班牙、德國、瑞士各 1 家。 只看這個分佈也能發現，AI Factory 這件事目前仍然是美國主導，但亞洲，尤其是台灣、新加坡、澳大利亞和日本，在整機製造、區域雲和園區基礎設施上已經佔了不輕的份量。

作為全球AI浪潮領頭企業之一，輝達上一場GTC大會後僅三個月，黃仁勳今天再度登台。節奏之快，折射的並非輝達的“勤奮”，而是行業競賽似乎已進入以日為單位的迭代周期。 如果說三月份的聖何塞是一場“晶片全家桶”的硬體比拚，那麼今天台北GTC的核心敘事只有一個：Agent。 黃仁勳要講的，不再是GPU有多快，而是輝達如何定義AI時代的“工廠標準”。 算盤一：從賣晶片到賣“AI工廠藍圖”

AI工廠這條線，最近真的有點意思。 戴爾因為AI伺服器爆發，盤後大漲。聯想也因為AI PC、AI伺服器和基礎設施業務，被市場重新拿出來定價。 輝達是AI時代的發動機供應商，GPU是整個產業鏈裡最硬的資產，這一點不用爭。但現在市場已經不只是在搶發動機了。企業要建AI工廠，要的是一整套能跑起來的系統：伺服器、儲存、網路、液冷、電力、部署、維運、客戶交付。 來源 @港股研究社

一個時代的終結，一個時代的開始輝達 CEO 黃仁勳（Jensen Huang）提出了一個足以顛覆我們對未來認知基石的觀點：“‘聰明’即將變得一文不值 (Smart is going to be worthless)”。這句話並非危言聳聽，而是對一個正在發生的深刻變革的精準概括——智力的工業化。長期以來，以 IQ（智商）為代表的原始認知處理能力，是知識經濟的硬通貨。然而，人工智慧（AI）的崛起正在將“智力”——即快速處理資訊和邏輯輸出的能力——變成一種像電力一樣廉價、可隨時獲取的商品（Commodity）。當一種核心生產要素的邊際成本趨向於零，建立其上的整個價值體系必然面臨重構。本文將深入剖析黃仁勳的這一核心洞察，系統性地探討在 IQ 迅速“通貨膨脹”的時代，什麼才是未來真正稀缺、真正有價值的資源。這不僅是對未來趨勢的預測，更是一份為個人與企業在認知價值倒轉的歷史懸崖邊，尋找全新價值錨點的戰略指南。第一章：為什麼“聰明”不值錢了？思維的工業化革命經濟價值的歷史，是一部不斷解除約束的歷史——第一次工業革命用機器解除了對“肌肉力量”的約束，而我們正身處的 AI 革命，則正在解除對“認知肌肉”的約束。我們正處在下一場歷史性變革的懸崖邊——認知能力的商品化。黃仁勳用一個生動的比喻描繪了這一圖景：“AI 工廠 (AI Factories)”。在他看來，現代資料中心已不再是資訊的儲存倉庫，而是真正的生產車間。它們像傳統工廠一樣，吸納“原材料”（海量資料與電力），通過加速計算的“生產線”，源源不斷地批次產出一種全新的工業品——以 Token（詞元）形式呈現的“工業化智力”。這一轉變的經濟學含義是顛覆性的：在過去十年中，加速計算將處理速度提高了驚人的一百萬倍。當一種生產要素的成本發生如此劇烈的坍塌時，它就從一種稀缺的競爭優勢，轉變為一種無處不在的基礎商品。智力的邊際成本，正史無前例地趨向於零。黃仁勳進一步將這一新階段命名為“薇拉·魯賓時代 (The Vera Rubin Era)”。這個時代不再僅僅以更快地生成 Token 為特徵，而是以“代理 AI (Agentic AI)”和“物理 AI (Physical AI)”的崛起為標誌。AI 不再是被動的工具，而是能夠執行多步驟推理、規劃並與物理世界互動的代理。這種轉變進一步加速了死記硬背式 IQ 的貶值，因為它不僅取代了知識的記憶，更取代了項目管理的執行功能。“IQ 即將貶值”的論斷，正是建立在智力與生物大腦解綁的基礎之上。如果“聰明”的定義是快速處理資訊、記憶海量事實並將其綜合為邏輯輸出，那麼這種能力現在已經成為一種可以按 Token 計費的雲服務。這與人類體力的歷史軌跡如出一轍：機器的出現，使原始體力不再是決定經濟成功的核心要素。今天，我們正在建造在狹義計算意義上比人類“聰明”無限倍的機器。在一個每個人的桌面上都配備了天才級 AI 顧問的世界裡，單純擁有高智商所帶來的相對優勢正在被迅速抹平。既然傳統的“聰明”正在迅速通貨膨脹，那麼未來的價值高地又將建立在那些新的基石之上？第二章：AI 時代的新黃金：四大核心稀缺資源經濟學的基本原理告訴我們：當一種資源變得無限豐富時，價值會自動遷移到與之相鄰的約束條件或瓶頸之上。當 AI 讓“答案”變得廉價，價值便流向了那些無法被演算法輕易複製的人類特質。以下四大核心資源，構成了未來價值的新黃金。稀缺資源（一）：品味與判斷力 (Taste & Judgment)在 AI 時代，“品味”被重新定義為一種嚴格的工程紀律。它不再是主觀的審美偏好，而是在無限的可能性中施加正確約束、做出最佳選擇的能力。黃仁勳的哲學將其技術化為“約束工藝 (Constraint Craft)”——即建構正確約束的工程學。當 AI 可以在瞬間生成 1000 個設計方案時，瓶頸立刻從“創造（Creation）”轉移到了“選擇（Selection）”。真正的價值，掌握在那個能夠審視 1000 個選項，並果斷指出“就是這一個”的人手中。這種選擇需要綜合背景、文化和直覺，是當前 AI 基於機率預測的模式難以企及的深層判斷力。這一轉變催生了新的專業範式，可稱之為“裡克·魯賓模型 (Rick Rubin Model)”。傳奇音樂製作人裡克·魯賓的價值不在於親自演奏樂器，而在於他卓越的“聽”和“選”的能力。與之類似，過去的“10倍工程師”以產出（寫程式碼快）定義，而未來的“10倍工程師”將以判斷力（能最有效地指導 AI 並最無情地過濾掉低品質輸出）定義。他們是“策展人”（Curator），而非單純的“創作者”。稀缺資源（二）：提問的藝術 (The Art of Inquiry)“作為CEO，我大部分時間都在提問。”黃仁勳的這句話，精準地指出了提問這一行為在未來的核心地位。在一個答案唾手可得的世界裡，價值從“擁有答案”轉移到了“提出正確的問題”。高級的“提示（Prompting）”遠非尋找奇技淫巧的關鍵詞，而是一門建構思維鏈條、進行蘇格拉底式追問的認知學科。儘管算力在膨脹，但**“語境（Context）”是新的瓶頸**。AI 只能基於給定的語境進行回答，而人類的核心任務，正是充當現實世界與 AI 模型之間的“語境橋樑”，為其提供解決問題所需的關鍵資訊、意圖和約束。沒有人類的好問題作為起點，再強大的 GPU 也只是昂貴的加熱器。稀缺資源（三）：物理主權 (Physical Sovereignty)AI 革命並非虛無縹緲地存在於數字世界，它受到能源、基礎設施等物理資源的嚴格限制。黃仁勳將 AI 的技術霸權結構描述為一個“五層蛋糕”，並以此為框架發出了嚴峻的地緣政治警告。在蛋糕的頂層（應用、模型），美國依然領先；在中間層（晶片），美國擁有絕對主導地位。然而，在構成蛋糕基座的最關鍵兩層——基礎設施 (Infra) 和 能源 (Energy)——美國正面臨致命瓶頸。黃仁勳明確指出，在資料中心建設速度上，美國因監管等問題需要三年，而中國則快得多，這形成了關鍵的“速度危機”。在能源層面，他認為中國擁有兩倍於美國的能源產能，這構成了 AI 時代最根本的戰略優勢。這場 AI 競賽已不僅是軟體戰，更是基建戰。未來，千兆瓦（Gigawatts）的稀缺性，將比千兆字節（Gigabytes）的稀缺性更具決定性。稀缺資源（四）：生物共情 (Biological Empathy)OpenAI CEO Sam Altman 認為，那些需要深度人類連接的工作，如護理、教學，難以被 AI 完全取代，因為服務的價值不僅在於任務完成得如何，更在於它是由一個真正的人來完成的。AI 替代的規律正在浮現：凡是交易性的智力互動（如資訊查詢類的客服）都將被商品化；凡是關係性的智力互動（如情感關懷）都將產生溢價。 儘管 AI 可以完美地“模擬”共情的機制（即“ELIZA 效應”），但它無法擁有真實的“利害關係（Stakes）”。一個關鍵的區別在於，AI 沒有與我們共同的脆弱性——它不會死亡，不會生病，不會體驗真正的痛苦。因此，它的安慰永遠是一種表演，而非基於共同命運的理解。這種本質區別，構成了無法被程式碼踰越的人性護城河。面對這場深刻的價值重構，我們個人應如何調整自己的學習和成長路徑？第三章：未來生存指南：在新範式中重塑自我這不僅僅是一場理論探討，更是關乎每個人未來職業和學習路徑的實用指南。在新範式下，我們必須對個人發展的方向進行戰略性調整。分析職業角色轉變：從“碼農”到“領域專家”黃仁勳“沒人需要去程式設計”的論斷曾引發巨大爭議。其本意並非程式設計無用，而是指“將人類意圖翻譯成機器程式碼”這一純粹的翻譯技能，正在被 AI 迅速商品化。未來的核心競爭力將不再是工具的使用技巧，而是深厚的領域專業知識（Domain Expertise）。正如黃仁勳所說，如果你是一名生物學家，請更深入地學習生物學。AI 會負責編寫模擬蛋白質所需的複雜程式碼，但你必須知道要研究那個蛋白質，以及為什麼要研究它。價值的源頭，在於你對該領域的深刻理解和洞察。洞察“基礎設施階級”的崛起結合前文的“物理主權”概念，一個全新的高價值群體正在崛起——“基礎設施階級”。隨著 AI 從數字世界走向物理世界（機器人、自動駕駛），那些能夠建設和維護物理基礎設施的人才，其價值將顯著提升。這包括能源工程師、機器人技師、資料中心建築專家等。虛擬世界可以是無限的，但物理世界是頑固的，解決物理世界的瓶頸將創造巨大的價值。探討新的評價標準：從“智商”到“毅力 (Grit)”我們面臨一個尖銳的評價悖論：當 AI 可以在五年內通過所有人類考試時，我們該如何篩選和衡量“優秀”？傳統的篩選機制，如標準化測試（高考、SATs）和技術演算法面試，作為 IQ 的代理指標，正在迅速失效。黃仁勳給出了他的答案：未來企業需要測試的是“毅力（Grit）”和從“苦難（Suffering）”中磨練出的韌性。在一個答案唾手可得的世界裡，知識本身不再稀缺，而忍受探索過程的痛苦、面對未知的勇氣和從失敗中學習的能力，本身就是一種核心競爭力。未來的精英教育，可能更側重於斯巴達式的性格錘煉，而非雅典式的知識灌輸。個人發展的範式正在從知識的獲取與保留，轉向知識的應用與綜合，從追求標準答案轉向擁抱複雜問題。結論：歡迎來到判斷力時代黃仁勳關於“聰明即將一文不值”的預言，並非宣告人類的終結，而是宣告一場深刻的價值遷移的開始。我們正在見證價值的核心，從可被量化的原始智力（IQ），遷移至那些更難定義、更難衡量，但卻更具根本人性的品質。未來的稀缺資源，不再是更高的 IQ 分數，而是：千兆瓦（Gigawatts）：物理世界的能量主權。好問題（Good Questions）：驅動推理的認知槓桿。好品味（Good Taste）：在無限選項中進行價值選擇的判斷力。真連接（True Connection）：基於生物共情的信任紐帶。在這個新時代，僅僅做一個“聰明人”已遠遠不夠。未來屬於那些有品味、會提問、有韌性且深具人性的人。這並非技術的終點，而是人文精神以一種前所未有的、更具挑戰性的方式，重新回歸舞台中央。 (矽星人 AI 日記)

2025年12月4日,黃仁勳在華盛頓的一場訪談中,給AI產業競賽重新標定了坐標系。當主持人問及NVIDIA如何看待AI競爭格局時,黃仁勳的回答是:如果你沒有能源,你就沒有AI。不是大模型,不是AGI,不是演算法創新。他說,今天用於AI資料中心的GPU重兩噸,消耗20萬瓦,要價300萬美元。運行一個真正的AI資料中心,你得填滿一個足球場。AI 模型可以複製，AI 工廠不能。這場產業競賽的本質,不是誰的演算法更強,而是誰建得更快、電力充足、工廠批次落地。於是我們第一次清晰看見：AI競爭的真正戰場不在矽谷，而在作為底座的基礎設施。具體而言,是能源、晶片、平台、建廠速度和資本調度能力。誰能建出 AI 工廠,誰就是贏家。第一節｜能源,才是AI工廠的底座黃仁勳在訪談裡,把能源放在了AI五層堆疊的最底端。他不是在打比方,這是產業事實: 如果我們沒有能源增長,這個產業就無法發展。01｜為什麼能源成為第一層?傳統網際網路企業可以靠軟體迭代,AI工廠不行。模型吞吐量、訓練周期、推理規模,看上去是演算法問題,實質是電力問題。一台AI資料中心的GPU,是重達兩噸、耗電20萬瓦的工業裝置。而要把這些GPU跑起來,不是買幾台放機房,而是要建出一整套工業級電力系統。這就是他強調的:AI不是軟體革命,是能源革命。02｜指數級需求,讓能源成為卡脖子環節NVIDIA每年都能把GPU能效拉升幾倍。但黃仁勳指出:性能增長是5到10倍,需求增長卻是1萬到100萬倍。這意味著什麼?意味著算力不是被研發速度卡住,而是被電力供應和廠區建設速度卡住。他坦言:我們正處在這項技術建設的初期,但需求已經遠遠超過基礎設施。AI的增長不是線性,是指數;而傳統能源體系的擴張速度,遠遠跟不上。這就是全球 AI 產業的根本矛盾。第二節｜NVIDIA的護城河:平台,不是產品在第一節提到的五層堆疊中,黃仁勳把NVIDIA定位在最底層——平台公司,而不是應用開發者。這五層分別是:能源層(電力與基礎能源)晶片與系統層(硬體架構)基礎設施層(軟體+雲+土地+建築+資本能力)模型層(如ChatGPT、Claude、Gemini、Grok)應用層(自動駕駛、醫療、娛樂、金融、製造等場景)01｜模型只在第四層,但我們只看到了它公眾眼中,AI是GPT、Claude、Sora,是發佈會、demo、token。但在黃仁勳的定義中,這些只是第四層,而且只是150萬個模型裡的幾個。真正的AI,早已不是只懂語言的系統,而是:懂基因的AI(藥物研發)懂物理運動的AI(機器人)懂長時間序列的AI(金融、天氣)懂多模態結構的AI(醫療、設計)這些模型的共用底座,不是某家公司的訓練技巧,而是平台堆疊+軟體生態+通用程式語言。02｜平台的本質:讓別人造車,而不是自己做車廠黃仁勳直言:我們不製造自動駕駛汽車,但我們與世界上每一家自動駕駛汽車公司合作。我們不研發藥物,但每一家藥物研發公司都在用我們的平台。換句話說:NVIDIA的目標不是造出一個爆款產品,而是成為別人造產品時的工業基礎設施+開發工具鏈。就像英特爾支撐了PC生態,AWS重構了Web應用,黃仁勳想做的是:讓AI工廠的每一個環節,都跑在NVIDIA的堆疊上。03｜CUDA:不是軟體,是平台語言外界以為NVIDIA的優勢是晶片性能,其實錯了。黃仁勳真正引以為傲的,是NVIDIA在25年前建構的一整套開發語言——CUDA。他說:“人們描述的護城河,其實不只是硬體,而是這些應用程式與我們之間的語言。”CUDA不是一段程式碼,而是全球AI工廠的通用語言。從晶片驅動,到建模工具,到深度學習框架,到圖像渲染系統,全在NVIDIA的語法裡。這意味著: 一旦開發者用CUDA寫了第一行程式碼, 一旦研究團隊用CUDA訓練了第一個模型, 一旦企業用CUDA部署了第一個AI服務,遷移成本就變得極高。04｜護城河轉移:從產品能力,走向平台標準過去的競爭,拼誰模型大、誰跑得快。現在的戰爭,拼誰有平台語言、誰能讓AI工廠規模化複製。黃仁勳沒有說我們贏了,但他表示:“我們與世界上每一家AI公司合作,因為我們是那個平台。”這不是謙虛,是底氣。AI工業化的下半場,不是看誰發佈了什麼,而是看誰定義了什麼。第三節｜AI工廠之戰:誰建得快,誰就贏當黃仁勳說AI的底座是能源時,他其實是在描述一場看不見的戰爭。這不是開源社區的博弈,也不是發佈會的比稿,而是一場必須靠混凝土、鋼筋、變壓器贏下來的競賽。“這不是ChatGPT對Claude,而是建廠速度對指數需求。”01｜不只是買晶片,而是建工廠很多人以為買幾塊GPU就能做AI,但黃仁勳說:別以為我們做的是遊戲卡。真正的AI GPU,不是插在機箱裡的,而是:必須由高壓供電系統支撐必須放進專業冷卻架構必須在安全合規的廠房環境運行必須完成從資料、調度、訓練到推理的全流程閉環你不能只造晶片。你得有地、有電、有資金、有電網審批、有廠房、有散熱系統、有光纜接入、有跨國物流鏈。這一切,才能真正點亮AI。02｜指數增長遇上行政審批:基建成為最大瓶頸黃仁勳透露了一個殘酷的現實:技術進步是指數級的,但基礎設施的建設速度卻卡在審批流程裡。土地批文卡一年；變壓器到貨要半年；跨州輸電網路審批更難以計時。他說得很克制,但警示意味十足:技術進步很快,但我們還在早期建設階段。也就是說,不是技術沒準備好,是基礎設施遠遠來不及。03｜中美競速的真正變數:建廠速度美國技術一流,政策反應卻慢半拍。反觀中國,在建電、建廠、接網上的速度,成了全球AI工業最不能忽視的變數。這不是情緒判斷,而是現實級生產力差距:誰能三個月批下地誰能半年跑通100MW變電站誰能在一年內複製5座AI資料中心誰就能率先跑起來AI工業革命。04｜矽谷沒輸在技術,而是輸在工業能力很多人以為這輪競爭拼的是誰有更好的AI研究員,誰能先發更大的模型。但在黃仁勳眼中,更核心的問題是:誰能在最短時間內,讓這些GPU開工。這些不是技術門檻,是工業能力門檻。黃仁勳沒有喊口號,但他的話已經把這場競爭的邏輯講透了:這場戰爭,不在雲端,也不在模型,而在地面。誰能建得快,誰就先跑出工廠;誰電夠多,誰才能跑得持久。AI的未來,不在Demo視訊裡,而在那些每天運轉、吞吐億級token的超級工廠中。第四節｜別再談AI泡沫,這是一場再工業化這幾年,幾乎每一次技術躍遷之後,都會有人問:這會不會是下一輪AI泡沫?面對這個問題,黃仁勳沒有直接否認泡沫的存在。但他用了另一個更大的詞來回應:這不是泡沫,這是一次真正的再工業化。01｜AI不是虛擬經濟,是實體工業從市場角度看,AI無疑有估值泡沫的成分。但黃仁勳的判斷更偏物理現實而非市場情緒:每個AI模型背後,都對應數千塊GPU每個推理系統,都需要土地、電力、冷卻系統、調度平台每個產品形態的進化,都對應一次工廠、晶片、基礎架構的迭代這些不是PPT上的路線圖,而是真正要投入資本、建設基礎設施、部署工業系統的東西。他說:我們造的不是軟體,是重量級工業系統。02｜這不是技術泡沫,而是基礎設施周期的重啟黃仁勳判斷,未來10年,AI工業的最大機會不在模型迭代,而在:新一代算力中心的規模化部署新能源與算力的結合(如核能、地熱)工業GPU的模組化複製讓不同國家建立自己的AI主權系統這些描述,和上世紀美國推動電氣化、煉油廠、州際高速公路系統非常相似。他說得很直接:這是一場真正意義上的再工業化。而不是科技公司講一個新故事。03｜企業要為AI自建電廠:前所未有的產業訊號黃仁勳在訪談中透露了一個趨勢:我們不能只依賴電網。我們必須自己發電,在自己的資料中心裡解決供電問題。這句話的意思是:企業要在電表之後,自己建發電系統。這不是誇張,是現實判斷。當AI工廠的耗電量大到不能依賴公共電網時,企業就必須擁有自己的能源調度能力,甚至自建電廠。這是前所未有的產業訊號:網際網路公司租伺服器，AI公司也要建電廠。04｜這場工業化,重新定義了“工業”本身當大眾還在談AGI來不來,黃仁勳已經提醒我們:誰的模型最強,不重要; 誰先把模型跑起來,才重要。而能不能跑起來,取決於:有沒有自己的電有沒有自己的工廠能不能快速複製部署這是一場被誤讀的革命。它不是科技泡沫,而是產業基礎設施的重分配周期。就像20世紀初的電氣化、50年代的石化工業、90年代的網際網路基建一樣,這一輪AI工業化,正在重新定義:什麼是基礎設施(從雲到電廠)什麼是核心資產(從演算法到工廠)什麼是競爭壁壘(從技術到部署速度)黃仁勳沒有花太多時間談論模型能力、參數量、多模態的邊界。他更關注的是:誰能把這套工業系統率先跑通,誰就能定義下一個時代的遊戲規則。結語｜AI紅利,落在誰的土地黃仁勳把AI工業化從雲端拉回地面。從想像,落到土地。從演算法,落到建廠。從估值,落到電網。這不是泡沫,是一場已經打響的基礎設施戰役。誰建得更快,誰電夠足,誰就掌握下一輪AI的收益分配權。這場競賽,不在矽谷的發佈會上,而在每一個正在破土動工的AI工廠裡。 (AI深度研究員)

資訊來源：Citadel Securities《全球市場的未來 2025：AI與下一輪增長前沿》時間：2025年10月6日｜地點：紐約 Casa Cipriani一、從晶片製造到勞動力結構：不只是技術的對話2025 年 10 月初，Citadel Securities 在紐約舉辦了《全球市場的未來 2025》（Future of Global Markets 2025）論壇。在這場聚焦“AI與下一輪增長前沿”的活動中，輝達（NVIDIA）創始人兼CEO 黃仁勳（Jensen Huang）與 紅杉資本（Sequoia Capital）合夥人 Konstantine Buhler展開了長達一個多小時的對談。這場被外界視為“資本與算力的思想交匯”的對話，並沒有只停留在硬體、模型或市場規模的層面，還延伸到了一個重要的問題：AI 不僅在改變產業，也正在改變“組織與勞動力”的形態。黃仁勳在現場提出，AI 的下一輪影響將不只是演算法迭代，而是結構性地重塑整個勞動力體系。二、從資料中心到AI工廠：生產力的邏輯變化黃仁勳提出了一個正在快速取代“資料中心”的新概念——“AI工廠（AI Factory）”。這不僅是術語的變化，而是商業邏輯的根本轉向。“傳統資料中心是一個成本中心（Cost Center），它儲存和傳輸資訊；而AI工廠是一個利潤中心（Profit Center），它製造智能並創造收入。”他解釋道，一個資料中心的能耗上限是確定的——例如 1 吉瓦（gigawatt）。若你的AI基礎設施能效比競爭對手高出三倍，那麼在同樣的能源消耗下，你的公司就能產出三倍的智能與利潤。“這就是我稱之為工廠的原因，它不是資料中心。它是一個工廠，他們用它來賺錢。”他還分享了一段有趣的往事：輝達推出首台 DGX-1 超級電腦時，他親自將機器交付給當時在 OpenAI 的埃隆·馬斯克（Elon Musk），並笑稱自己沒想到第一位客戶竟然是一個“非營利組織”。這一故事象徵著AI產業的轉折點：AI不再只是算力服務，而是一種新的製造業形態——製造智能。三、AI走進勞動力市場：從工具到“數字同事”在這場對話中，黃仁勳提出——AI 將首次系統性地進入一個過去技術難以觸及的領域：全球勞動力市場。他預言，這個市場的規模高達 100兆美元，而 AI 的介入將帶來前所未有的結構性變化：“未來的企業勞動力，將由人類員工與數字員工（Digital Humans）共同組成。”他所說的“數字員工”，並不是今天常見的自動化系統或聊天機器人，而是一種能夠理解業務語境、具備決策能力、可以持續學習的智能體（Agentic AI）。他稱這種新型勞動力為 “智能體AI”，並列舉多個角色：數字軟體工程師（Digital Software Engineer）數字護士（Digital Nurse）數字行銷人員（Digital Marketer）數字法務顧問（Digital Counsel）在他看來，隨著智能體勞動力加入，企業組織結構的邊界將被重新定義：勞動力的核心不再僅是人力，而是“人類智能 + 機器智能”的組合；組織的管理體系將從“人力管理”轉向“智能協作管理”；企業文化、培訓體系、績效機制都將被重構。四、從IT部門到“AI員工的人力資源部”在對談中，黃仁勳分享了他在輝達內部的一個設想——隨著AI系統數量和複雜度的增加，未來的 IT 部門將承擔起類似“AI員工HR”的角色：“我告訴我們的 CIO，他們未來將成為 AI 員工的人力資源部。這些數字員工將與我們的生物員工一起工作，這就是未來公司的樣子。”組織內部的人力資源邊界正在擴展：招聘（Selection）：企業將從不同AI平台挑選合適的智能體（如 OpenAI、Anthropic、Harvey、Cursor 等），或訓練自研模型；入職（Onboarding）：通過微調（fine-tuning）和強化學習（RLHF）讓AI理解企業文化、價值觀與業務流程；績效管理（Evaluation）：根據AI輸出的精準率、響應速度、決策質量設定考核標準；迭代與離職（Offboarding）：像員工輪崗一樣，AI模型將持續升級或被替換。這不是“機器人取代人類”的故事，而是組織開始學會管理智能體。五、對勞動力市場與HR職能的系統衝擊黃仁勳的觀點，不只是對技術的展望，更是對整個用工生態的再定義。從他的表述中，可以歸納出AI對勞動力市場和人力資源管理的四個核心影響方向：1. 勞動力結構從“單一人類”轉向“混合智能”企業不再只依賴僱員數量，而是計算“人機混合產能”。AI代理的工作時長、響應速度和持續學習能力，使得組織邊界被大幅擴展。2. HR的職能邊界將重新劃分傳統HR關注人類生命周期管理；未來HR需要與IT部門共管“數字勞動力”。包括模型選擇、授權、訓練反饋、倫理監管、資料安全等。3. 企業文化需要數位化嵌入如果AI要與人協作，它必須“理解文化”。企業文化將從理念轉化為可學習的語料、prompt範本、反饋機制，成為演算法訓練的一部分。4. 新的信任機制與領導力形態管理者將面臨新的領導力議題：如何協調人類與AI的分工？如何建立信任？如何在演算法的確定性與人性的模糊性之間平衡？這意味著，未來的領導力不僅是“帶人”，而是在不同類型的智能之間建立合作秩序。六、現實約束與理性判斷從趨勢看，黃仁勳的觀點符合當前AI發展的方向，但從落地角度，它仍面臨多重挑戰：法律與倫理邊界尚未確立：AI不具備主體資格，責任與資料安全問題複雜。組織文化嵌入難度大：讓AI真正理解企業價值觀仍需要大量語義建模。管理認知尚未匹配：多數企業HR與IT仍在各自體系中運作，缺乏協同機制。“AI員工上班”的未來並非明天到來，但它已經在技術與制度之間，成為一種不可逆的方向。這將是一場技術與管理的雙重革命，也是人力資源體系必須正面迎接的結構性轉折。 (AI組織進化論)