如果要找一個人來解釋這場 AI 大爆發究竟是怎麼發生的，黃仁勳無疑是最合適的人選。三十年前創立輝達、押注圖形處理器，把 CUDA 強行裝進遊戲顯示卡，市值從 80 億跌至 15 億，然後用十年爬回來。在所有人還在爭論推理晶片會不會只是低端市場時，他已經在為智能體時代設計機架架構。這種提前預判，顯然不只是靠運氣，更離不開他幾十年如一日做的一件事：在所有人相信之前，先把那個未來講給所有人聽。今天，知名播客主持人 Lex Fridman 公開了他與黃仁勳長達兩小時的深度專訪。對話涵蓋 CUDA 護城河、中國科技生態、程式設計的未來，DLSS5、乃至意識與死亡。這是黃仁勳近期最完整的一次公開表達，也是迄今為止最接近他思維方式的一次真實記錄。附上黃仁勳採訪文字版實錄 🔗：https://lexfridman.com/jensen-huang-transcript一個問題，60 個專家同時在場，這就是輝達開會的方式採訪開篇，Fridman 指出輝達已將設計重心從單晶片擴展至機架等級，涵蓋 GPU、CPU、記憶體、網路、NVLink、光纖與銅纜互聯、供電、冷卻、軟體以及機架本身。他問黃仁勳：在如此多變數的協同設計中，最難的部分是什麼？黃仁勳首先解釋了極致協同設計為何從工程邏輯上不可迴避。他說，問題的根源在於規模：當你把一個任務分佈到一萬台電腦上，你期望的結果是獲得遠超線性疊加的加速效果，比如一百萬倍的提升，而單純增加電腦數量只能帶來線性收益。阿姆達爾定律（Amdahl's Law）由電腦科學家 Gene Amdahl 於 1967 年提出，指的是「短板效應」在平行計算中同樣存在——系統的整體性能提升受限於無法平行的那部分程式碼。這就是阿姆達爾定律的約束，也就是說，如果計算只佔總工作量的 50%，即便把計算速度提升到無限快，整體也只能加速兩倍。「一旦你把問題分佈出去，所有東西都會成為瓶頸。CPU 是問題，GPU 是問題，網路是問題，交換機是問題。分散式運算在我們這個規模下，每一個環節都必須同時攻克。」在組織層面，黃仁勳透露自己的直接匯報超過 60 人，幾乎涵蓋所有技術學科的頂尖專家：記憶體、CPU、光學、GPU 架構、演算法、設計，無一缺席。他刻意放棄一對一匯報制度，改為讓所有人同時在場討論任何一個具體問題。「因為我們在做極致協同設計，所以任何一次討論都不可能只有一個人在場。我們呈現一個問題，所有人一起攻。當我們討論冷卻，網路專家在聽；當我們討論供電，記憶體專家在聽。誰要是對本該關注的事情沒有關注，我會直接點名。」他將公司架構比作作業系統，認為公司的組織結構應當直接反映它所處的環境和它要生產的產品，而非套用統一的「漢堡式」或「軟性」組織圖或者「汽車公司」組織圖。把 CUDA 塞進遊戲顯示卡，是最痛苦也是最關鍵的決定在講述輝達的戰略演進時，黃仁勳也詳細梳理了從圖形加速器到計算平台的轉型路徑。他說，輝達最初是一家加速器公司，專注於圖形處理。專業化的好處是極致最佳化，問題在於市場邊界天然受限，而市場規模直接決定研發投入能力，研發能力又決定了一家公司在計算領域能發揮多大的影響力。於是輝達必須拓寬邊界，向通用計算邁進，但通用性和專業性之間往往存在天然的矛盾：越向通用計算靠攏，專業加速能力就越被稀釋。「我把這兩個本質上矛盾的詞硬連在一起，公司必須一步一步走那條極其狹窄的路，在擴展計算邊界的同時，守住最重要的專業化能力。」第一步是可程式設計像素著色器，第一次向可程式設計性邁進。第二步是在著色器中加入 IEEE 標準相容的 FP32 浮點運算，這一步吸引了那些此前在 CPU 上做流處理和資料流計算的研究者。他們發現，GPU 的計算密度極高，又能相容他們原有的軟體邏輯。這直接促成了 Cg 語言（為 GPU 程式設計設計的高級著色器語言），再到 CUDA。將 CUDA 搭載到 GeForce 消費級顯示卡是整個歷史中最關鍵也最痛苦的決策。黃仁勳說，計算平台的價值完全取決於裝機量，而不是架構的優雅程度。他舉 x86 為例：這是歷史上被批評最多的架構，遠沒有同期那些被頂尖電腦科學家精心設計的 RISC 架構優雅，但 x86 活下來了，RISC 大多失敗了。原因只有一個：裝機量。「當時 GeForce 每年出貨數百萬塊顯示卡。我們說，不管使用者用不用 CUDA，都把它裝進每一台 PC 裡，用這個作為培育裝機基數的起點。同時我們去大學裡寫教材、開課程、到處推廣 CUDA。在那個年代，PC 是主要的計算載體，沒有雲，我們等於把超算塞進了每一個在校學生和研究人員的手裡，總有一天會有驚喜發生。」代價是慘烈的。CUDA 讓 GeForce 的成本大幅上升，將輝達的毛利率徹底壓垮，公司毛利率本已只有 35%，成本增加 50% 之後，全部利潤蒸發。市值從約 80 億美元一路跌至 15 億美元，在底部徘徊了相當長的時間。「但我們一直扛著 CUDA，一直搭載在 GeForce 上。輝達是 GeForce 建起來的家，是 GeForce 把 CUDA 送到了所有人手裡。研究人員和科學家在大學裡發現了 CUDA，因為他們本來就是遊戲玩家，他們自己攢電腦，他們拿 PC 元件搭叢集。」後來，這成為深度學習革命的基礎設施。對於如何作出這類賭注式決策，黃仁勳說，他的決策過程始於好奇心，然後是推理。當推理系統在內心足夠清晰地呈現出「這件事一定會發生」時，他便開始相信它，而一旦相信，就會去實現。但更重要的是他管理集體信念的方式：他從不等到決策那一天才宣佈，而是通過每一次外部資訊、工程里程碑、行業新發現，持續向董事會、管理團隊、員工、合作夥伴一點一點地鋪設認知基礎。「到了宣佈的那一天，我希望所有人的反應是：『Jensen，你怎麼現在才說？』收購 Mellanox 是這樣，全力押注深度學習是這樣，現在 Groq 也是這樣，我已經鋪墊了兩年半。」他把 GTC 大會描述為向全行業塑造未來認知的工具，不只面向員工，也面向合作夥伴和整個生態。「我們不生產電腦，也不搭建雲。我們是計算平台公司，任何人都無法直接購買我們的產品，但我們向所有層級開放平台。在我的產品準備好之前，必須先讓所有人相信它將要到來。」Ilya 說資料耗盡了，黃仁勳說他搞錯方向了對於 Scaling Laws（縮放定律/擴展定律），黃仁勳提出了一個系統性框架，包含四個相互咬合的層次。第一條是預訓練擴展定律。模型越大，訓練資料越多，AI 越聰明。當 Ilya Sutskever 表示「預訓練資料耗盡」時，業界一度恐慌，認為 AI 到了天花板。黃仁勳認為這個擔憂搞混了方向：人類生產的資料確實有限，但合成資料的比重會越來越高，而且這並不奇怪，人類知識本來就是「合成」的，知識在人與人之間流轉、被重新詮釋、再創作、再消費。AI 現在已經能夠以真實資料為基礎大量生成合成訓練資料，預訓練的瓶頸從資料量轉移到了算力。第二條是後訓練擴展定律。通過指令微調、強化學習等方式持續精煉模型能力，這個空間仍然廣闊。第三條是測試時擴展定律（test-time compute），也就是推理階段的計算投入。黃仁勳說，當初很多人預判推理是「簡單的」，認為推理晶片只需要小而廉價，完全不需要輝達那樣昂貴複雜的產品，將來推理市場會是一個被商品化的低端市場。「這在邏輯上就說不通。預訓練是記憶和歸納，是閱讀；推理是思考、推理、規劃、搜尋、嘗試、分解陌生問題。思考怎麼可能是計算輕量級的？」事實證明他是對的，測試時擴展的計算消耗遠超市場預期。第四條是智能體擴展定律。一個大語言模型變成一個智能體，在測試時去查資料庫、使用工具、分配子任務，同時派生出大量子智能體。「擴充輝達規模最簡單的方法是多僱員工，而智能體的分裂速度比僱人快多了。」這些智能體在運行過程中積累大量有價值的經驗和資料，其中的精華會反哺預訓練，再經後訓練精煉，再經測試時增強，形成完整的閉環飛輪。「歸根結底，智能的擴展取決於一件事：算力。」對於如何在硬體設計層面預判 AI 模型的走向，黃仁勳坦言這是最難的部分之一，因為 AI 模型架構每六個月就會迭代一次，而系統和硬體架構的迭代周期是三年。輝達的應對策略包括三條：內部做基礎研究和應用研究，自己訓練模型，獲得一手體感；作為全球唯一與所有 AI 公司同時合作的平台公司，廣泛傾聽行業前沿的挑戰；以及保持架構的靈活性，讓 CUDA 能隨演算法演進而演進。他舉了混合專家模型（MoE）的例子：正是預判到 MoE 的崛起，輝達才將 NVLink 從 8 路擴展到 72 路，使一個完整的 4 兆乃至 10 兆參數模型能夠在單一計算域內運行，行為上如同一塊巨大的 GPU。而 Vera Rubin 一代機架相較於 Grace Blackwell 機架，最顯著的變化在於增加了儲存加速器，引入了全新的 Vera CPU，還有專為智能體任務設計的 Rock 機架，因為智能體工作時需要頻繁訪問檔案系統、呼叫工具、執行程式碼，這與單純運行 LLM 推理是完全不同的工作負載。為什麼在 Claude Code、Codex、OpenClaw 出現之前，我們就設計好了這一代架構？因為推理根本不需要等到具體產品出現，你只需要坐下來認真思考：一個大語言模型要成為真正的數字工人，它必須做什麼？它必須訪問檔案系統獲取真實資料，必須能上網查資料，必須會用工具，必須能派生子任務。這些都不是玄學，就是基本邏輯。他還用了一個生動的思想實驗：想像十年後最強的 AI 智能體是一個人形機器人，進入你家幹活，更可能的情形是它使用你家裡現有的工具，比如微波爐，還是它的手指會隨時變成錘子、手術刀或者微波發生器？答案顯然是前者。「我描述的，其實就是 OpenClaw 幾乎所有的核心特性。」黃仁勳眼中的馬斯克：一個把自己變成所有人最高優先順序的人Fridman 提到黃仁勳曾高度稱讚馬斯克以四個月時間建成 Colossus 超算，目前已達 20 萬塊 GPU 的規模。黃仁勳闡述了他從中看到的工程與管理哲學。他說，馬斯克是一個能在多個高深領域同時保持深度的人，同時又是出色的系統思考者。他習慣性地對每一件事追問三個問題：這是必要的嗎？必須這樣做嗎？必須花這麼長時間嗎？層層追問之後，系統會被剝離到最小必要形態，但能力卻完整保留。「他也會親自出現在問題發生的現場。有問題，他就去現場，『把問題給我看』。這種做法能打破大量『這就是我們一貫的做法』的慣性。每個供應商都有很多客戶和項目，他的做法是讓自己成為所有人項目裡的最優先順序，而且他是靠親身示範做到的，不是靠嘴說。」他描述了 Fridman 也同樣經歷過的一個細節：馬斯克曾蹲在機架旁邊和工程師一起研究如何插拔線纜，目的是減少出錯機率。「從每一個細節積累起來的直覺，讓你能同時看清微觀的低效和宏觀的系統性問題，然後你才有資格說『讓我們換一種完全不同的方式來做這件事』。」為什麼中國科技圈天然傾向於開源談及最近訪問中國之行，黃仁勳表示，全球約 50% 的 AI 研究人員是中國人，其中大多數仍在中國國內工作。中國科技行業崛起的時間節點，恰好與移動網際網路時代高度重合，使他們能夠以軟體為突破口進入全球競爭。他認為，中國科技生態之所以能持續輸出大量頂尖公司，有幾個結構性原因。第一是競爭烈度。中國並非一個統一的大市場，而是由無數個省和城市組成的競爭體系，這導致每個垂直領域都出現了數量驚人的競爭者，電動車如此，AI 公司亦然，最終在激烈競爭中存活下來的必然是極其優秀的企業。第二是開放共享的文化。中國工程師圈子高度依賴於學校、公司之間的人際網路，同學就是終身兄弟，朋友就是同行。黃仁勳說，中國工程師的優先順序排序是：家人第一，朋友第二，公司第三。這個排序直接決定了他們對待知識的態度。他們的工程師，兄弟在那家公司，朋友在那家公司，大家都是同學。同學這個概念，在中國意味著一輩子的兄弟。所以他們分享知識的速度極快，根本沒有理由把技術藏著掖著，放到開源上就好了。正因如此，中國科技公司對開放原始碼的貢獻力度遠超外界預期，而開源社區反過來進一步放大、加速了整體創新節奏。第三是崇尚工程的社會文化。這是一個崇尚建造的國家。他也由此延伸到輝達的開源戰略，特別提到 Nemotron 3，這是一個 1200 億參數的開放權重混合專家模型，架構上融合了 Transformer 與狀態空間模型（SSM）。輝達推進開源有三重動機：其一，自己訓練模型是極致協同設計的一部分，能讓硬體團隊直接感知模型架構的走向；其二，專有模型和開源模型各有必要，開源是讓 AI 真正擴散到每個行業、每個國家、每個研究者和學生手中的必要條件；其三，AI 遠不只是語言，生物學、物理、氣象、流體等領域都需要專門訓練的模型，每個行業都能獲得世界級的 AI 基礎模型。43000 個人和數百萬開發者，共同撐起輝達護城河被問及輝達最重要的競爭護城河，黃仁勳給出了一個清晰的排序。第一是 CUDA 的安裝基數。他說，即便二十年前有人做出了一個技術上更出色的替代架構，比如 GUDA 或 TUDA，也很可能失敗。因為決定架構成敗的從來不只是技術，而是有多少開發者將自己的軟體建立在這個平台上。CUDA 今天的地位，來自 43000 名輝達員工數十年的持續投入，也來自數百萬開發者將他們的軟體棧壓注在這個平台上的信任。他還強調了輝達執行速度的重要性：任何一個開發者只要選擇了 CUDA，幾乎可以確定六個月後它會變得更好十倍；他開發的軟體能觸達幾億台裝置、覆蓋所有主要雲服務商、所有主要行業、所有主要國家；而且他能確信輝達會在可預見的未來持續維護和改進 CUDA。「把這幾點加在一起，如果我是一個開發者，我會首先選 CUDA，並且把最多的資源投入到 CUDA 上。」第二護城河是生態系統的橫向覆蓋。輝達將極其複雜的系統縱向整合，但同時向每一家公司的計算平台橫向開放接入，從Google雲、亞馬遜 AWS、微軟 Azure，到 CoreWeave、Nscale 這樣的新興算力公司，到製藥企業的超算，再到電信基站邊緣裝置、汽車、機器人、衛星。一個架構覆蓋了全球幾乎所有行業。對於輝達未來能否達到 10 兆美元市值，黃仁勳的推演從兩個根本性變化出發：計算從檢索式轉向生成式，意味著算力需求量級躍升；電腦從倉儲單元轉變為生產工廠，意味著它從成本中心變成了直接與企業營收掛鉤的利潤中心。他預計世界 GDP 增速將會加快，而計算佔 GDP 的比例將達到過去的 100 倍以上。他提到輝達的 3 兆美元收入路徑在他看來是「當然可能」的，並沒有任何物理定律約束這一數字的實現，更重要的是，輝達的增長不依賴於從現有競爭對手手中奪取份額，而是依賴於一個幾乎從零開始生長出來的全新市場。「當輝達是 100 億美元的公司時，你沒法說『如果他們從誰那裡拿到 10% 份額就能增長多少』。他們的想像力需要從零建構。但我有的是時間，每一次 GTC 都會讓這件事變得更加真實。」談及智能體時，他將 OpenClaw 比作「Token 的 iPhone」：「消費者直接能用到了。iPhone 等級的產品到了，它是有史以來增長最快的應用，一飛衝天，就這樣。」玩家對 AI 糊感的憤怒，其實是一面鏡子黃仁勳說，GeForce 至今仍是輝達最重要的品牌行銷策略：人們十幾歲時因為遊戲認識輝達，進入大學和職業生涯後自然轉向 CUDA 和專業工具。被問及史上最重要的遊戲，他給出兩個答案：從文化與行業影響力看是 Doom，它把 PC 從辦公工具變成了家庭娛樂裝置；從遊戲技術看是 Virtua Fighter。近年的代表作則是完整實現光線追蹤渲染的《賽博朋克 2077》。談及 DLSS 5 引發的玩家爭議，他理解那種對「AI 糊感」的反感，承認這是真實存在的審美問題。但他解釋，DLSS 5 的工作前提是三維幾何資料的嚴格約束，每一幀都完全忠實於藝術家定義的空間結構和紋理風格，做的是增強而非覆蓋。「玩家以為 DLSS 會在成品遊戲上做後處理，這個理解是錯的。它嵌入在創作流程裡，藝術家決定用還是不用。」系統也完全開放，工作室可以自行訓練模型、指定卡通或水彩等任意風格。他隨後作出一個更宏觀的觀察：玩家對 AI 糊感的敏感，恰恰說明人類真正在乎的是創作者留下的那些不完美的印記。「只要 AI 是輔助藝術家的工具，它就是好的。」此外他還提到輝達為遊戲開發者提供的次表面散射皮膚著色器，這項技術模擬光線穿透皮膚淺層後散射的物理現象，讓遊戲人物皮膚呈現出更接近真實的半透明質感。「這些都是工具，由藝術家決定怎麼用。我們只是提供工具箱。」AGI、程式設計的未來與人類的位置在 AGI 定義問題上，Fridman 以「能夠從零創立並營運一家市值超十億美元的科技公司」作為測試標準，黃仁勳的回答是：這個門檻，我認為 AI 現在已經達到了。他設想一個 AI 建立了某款應用，短時間內吸引數十億使用者，完成商業化後退出，這和網際網路時代那些曇花一現的爆款網站並無本質差異，而那些網站的技術複雜度遠低於 OpenClaw 今天能生成的東西。「我不知道具體會是什麼，但我在網際網路時代也沒有預測到任何那些公司。」他同時強調，100000 個智能體建立一個持續營運的輝達的機率是零，但建立一個短暫的爆款應用並從中獲利，完全可能已經在發生了。關於程式設計的未來，黃仁勳認為程式設計的定義本身需要改寫。程式設計的本質是規格說明，即告訴電腦要建構什麼。在這個定義下，能做到這件事的人數量將從 3000 萬擴展到 10 億。每一個木匠、水管工、會計師都將成為自己行業裡的創新者，因為 AI 讓他們能夠以自然語言表達意圖，並將其轉化為實際產品。「如果我是一個木匠，我看到 AI，我會非常興奮。如果我是一個水管工，我會完全瘋狂。」他用輻射科醫生的案例回應了「AI 會消滅職業」的擔憂：電腦視覺在 2019 年前後達到超人水平，曾被普遍預測輻射科醫生將消亡。結果是所有輻射科平台都整合了 AI、輻射科醫生數量不降反升，現在全球還出現了輻射科醫生短缺。原因很簡單：能更快讀片，就能讀更多片，就能服務更多病人，醫院營收增加，需要更多輻射科醫生。「那個預警走得太遠，嚇跑了很多本該進入這個行業的人，這是真實的傷害。輝達的軟體工程師數量只會增加，不會減少。他們的職業目的是解決問題，而解決問題這件事的每一個組成部分，評估結果、團隊協作、診斷問題、創新、連接不同領域，這些都不會消失。」在工作中倒下，是最好的結局被問及是否思考自己的死亡，黃仁勳的回答十分誠實。「我真的不想死。我有很好的家庭，有非常重要的工作。這不是『一生難得一次的體驗』，而是整個人類文明難得一次的體驗，我正在其中。輝達是歷史上最重要的科技公司之一，這件事我非常認真。」對於繼承人規劃，他的回應讓人出乎意料：他說他「不相信繼任規劃」，但原因恰恰是認真思考了這個問題。如果你真的關心自己離開後公司的命運，那麼你今天應該做的，是把你所學、你所理解、你所積累的全部知識、洞察和判斷，以最高頻率傳遞給周圍所有人。「每一次會議都是推理會議。我學到的任何東西，沒有在我桌上停留超過一秒鐘的，立刻就指向某個人：去研究這個，這個東西很了不起，你會想瞭解它的。我在持續地賦能周圍所有人，讓他們的能力不斷提升。」他說自己希望的結局是在工作中倒下，而且是瞬間的，沒有漫長的痛苦過程。對於人類未來 100 年的希望，他說他一生都對人性的善意保有高度信心，儘管偶爾會被辜負，但結果一次又一次證明他是對的，而且往往超出預期。 (APPSO)
