美國時間2月3日晚間，一場本該正襟危坐的頂級科技對話，最終變成了一場“五杯酒後的坦白局”。剛結束中國之行、甚至還沒來得及倒時差的輝達CEO黃仁勳，坐在了思科CEO查克·羅賓斯(Chuck Robbins)對面。幾杯酒下肚，黃仁勳的嗓音開始沙啞，但話語卻越來越犀利。藉著酒勁，黃仁勳不僅“砸”了程式設計師的飯碗，“懟”了管理學的教條，甚至還對幾家世界級巨頭來了一波貼臉“拉踩”：關於程式設計師：“程式設計？那只是打字而已。打字已經不值錢了。”關於控制慾：“如果你想掌控創新，那你該去看看心理醫生。”關於摩爾定律：“10年算力提升了100萬倍，在這種速度面前，昔日的摩爾定律簡直慢得像蝸牛在爬。”關於傳統巨頭：“我很愛迪士尼，但我敢肯定他們更想成為Netflix；我很愛梅賽德斯，但我確信他們更想成為特斯拉。”關於AI進化：“為什麼要讓人去適應工具？讓AI學會使用工具，我們才能創造出真正的‘數字勞動力’。”黃仁勳用這些“爆論”提醒所有掌舵者：在指數級進化的浪潮面前，你過去引以為傲的經驗，註定將被時代無情淘汰。01“失控”的百花齊放：你的第一課不是ROI，是“放手”當羅賓斯問及企業邁向AI的第一步應該是什麼時，黃仁勳的回答繞開了所有常規的商業話術。“我經常被問到投資回報率這類問題，但我不會先談那個。”他直截了當地說。在他看來，在技術爆發的黎明期，用電子表格去框定價值是徒勞的，甚至是危險的，因為這只會扼殺探索的觸角。他拿出了輝達內部的實踐作為例子：讓“百花齊放”。在輝達內部，AI項目多到幾乎失控。“注意我剛才說的：失控，但棒極了。”黃仁勳強調。他對此的解釋充滿哲學意味：“創新並不總是在掌控之中。如果你想掌控一切，首先應該去諮詢心理醫生；其次，那是一種錯覺，你根本掌控不了。”他的管理邏輯簡單到令人驚訝，像對待孩子一樣對待團隊的好奇心。“當我們的某個團隊說想嘗試某種AI時，我的第一個回答是‘可以’，然後我會問‘為什麼’。我不是先問為什麼再同意，而是先同意再問為什麼。”他對比道，我們在家裡從不這樣要求先給出證明，但在工作中卻這樣做，這對他來說毫無邏輯。黃仁勳描繪的路徑圖清晰而反直覺：第一步不是制定嚴謹的試點計畫，而是允許甚至鼓勵“安全地試錯”。讓每個有想法的團隊去接觸、去嘗試各種AI工具，無論是Anthropic、Codex還是Gemini。其目的不是立即產出效益，而是培養組織的“AI感覺”。只有經過一段充分甚至略顯混亂的百花齊放期，領導者才能憑藉直覺和觀察，知道何時該開始“修剪花園”，將資源集中到真正重要的方向上。“但你不能太早集中力量，否則會選錯箭。”他警告道。02從“螺絲刀”到“創造勞動力”：AI工廠的本質是價值轉移那麼，當企業開始探索之後，究竟要看向何方？黃仁勳用“AI工廠”這個概念，描繪了一幅遠比提升效率更宏大的圖景。他認為，我們正在經歷從“製造工具”到“創造勞動力”的根本性轉變。“我和查克所在的行業一直在製造工具，始終在做螺絲刀和錘子的生意。”過去幾十年，科技公司生產軟體、晶片、網路裝置，這些都是工具，是原子世界效率的延伸。但AI，特別是能夠理解物理世界、具備因果推理能力的物理AI，將改變遊戲規則。“有史以來第一次，我們要創造人們所謂的‘勞動力’，或者是‘增強型勞動力’。”他舉例說，自動駕駛汽車本質上是一個數字司機，而這個數字司機的生命周期經濟價值，將遠超汽車本身這個硬體。這才是“AI工廠”的深層含義：它不是一個存放伺服器的機房，而是一個源源不斷產出“數字勞動力”的新型價值創造中心。這種勞動力可以是一個永不疲倦的客服，一個即時最佳化供應鏈的調度員，或是一個能協同設計的工程師助手。黃仁勳給出了一個震撼的數字對比：全球IT產業規模大約在1兆美元，而全球經濟總量是100兆美元。“我們第一次面對一個拓寬了百倍的潛在市場總量。”這意味著，AI帶來的最大機會不是瓜分現有的IT預算，而是去滲透和重塑那剩下的99兆實體經濟。每一個行業都有機會通過注入這種數字勞動力，將自己重塑為一家技術公司。“我相信迪士尼寧願成為Netflix，梅賽德斯寧願成為特斯拉，沃爾瑪寧願成為亞馬遜。”他尖銳地指出，你們所有人都是這樣的。03“無限快”與“零重力”：用AI思維重新定義難題如何才能真正抓住這百兆級的機遇？黃仁勳提出了一個顛覆性的思維模型：用“豐盈”(Abundance)的假設來思考一切。他諷刺地說，在AI時代，昔日的摩爾定律慢得簡直像蝸牛爬。現在，我們需要建立新的認知基準。“過去10年，我們的算力提升了多少？10年100萬倍。”在這種指數級豐盈的前提下，企業領導者的思維必須升級。“現在當我想像一個工程問題時，我假設我的技術、我的工具、我的飛船是無限快的。去紐約要多久？一秒鐘就到。”他啟髮式地問道，如果一秒鐘能到紐約，你會做些什麼不同的事？如果過去需要一年的事情現在能即時完成，你會做些什麼不同的事？如果過去很重的東西現在變得沒有引力了，你會如何處理？他要求管理者將這種無限快、零重力的假設應用到公司最核心、最棘手的難題上。比如面對一個擁有數兆關聯關係的複雜網路分析，過去的做法是分而治之。“現在則是：把整個圖都給我，多大都行，我不在乎。”這種邏輯正在被應用到各處。如果你不應用這種邏輯，你就做錯了。這不再是漸進式的最佳化，而是用技術富足的可能性去重新定義問題本身的邊界。他警告，如果你的競爭對手或某個初創公司以這種思維方式發起挑戰，他們將從根本上改變遊戲規則。04你的“問題”比答案更值錢：主權AI與未來公司核心在暢想了無處不在的數字勞動力之後，黃仁勳將話題拉回一個更現實也更隱秘的關切：資料主權與核心智慧財產權。針對企業應該完全依賴公有雲還是自建AI能力的問題，他的建議如同教孩子學騎車。“自己造一台。儘管PC隨處可見，但去動手造一台，去弄明白為什麼這些元件會存在。”他認為，企業必須擁有“切身的技術掌控力”。更重要的是，他提出了一個尖銳的觀點：公司最寶貴的智慧財產權，可能不是儲存在資料庫裡的答案，而是員工與AI互動過程中產生的“問題”。“我不放心把輝達的所有對話都放在雲端，因為對我來說，核心智慧財產權不是答案，而是我的提問。”黃仁勳解釋道：“我的提問才是我最有價值的IP。我在思考什麼，我的提問反映了這一點。答案是廉價的。如果我知道該問什麼，我就鎖定了重點。我不希望別人知道我認為什麼是重要的。”因此，他認為涉及戰略思考的對話，必須在受控的本地環境中進行。他描述道，未來每個員工都會有許多AI助手，這些AI持續學習員工的決策和疑問，最終這些進化了的AI將成為公司沉澱下來的獨特智能資產。“這就是未來的公司，它會捕捉我們的生命經驗。”05五層蛋糕與“預錄製”時代的終結：從檢索到生成的根本革命當談到具體實施路徑時，黃仁勳回溯了一場持續了15年的認知革命。他追溯至AlexNet代表的第一次接觸時刻，並得出一個結論：世界大多數難題並無精確物理定律可循，答案往往是視具體情境而定。這類依賴上下文的問題，正是AI能夠大顯身手的領域。真正的拐點是自監督學習的突破，這使得參數從數億爆炸性增長至數兆。他斷言：“我們將從底層重塑計算。計算將從顯式程式設計轉向一種全新的範式，即通過模型學習軟體。”緊接著，黃仁勳用了一個精妙的比喻：我們正從“預錄製”時代，邁入了“生成式”時代。“過去的軟體之所以是‘預錄製’的，是因為它裝在CD-ROM裡。”在舊範式裡，軟體如同燒錄好的光碟，使用者互動本質上是檢索。而未來的軟體將是高度場景化的。“每個場景都不同，每個使用者、每個提示詞、每個背景都不同。每一份軟體實例都是獨特的。”未來的應用將根據即時上下文、意圖和背景，動態生成獨一無二的響應、介面甚至功能。這就是生成式的核心，傳統的硬體、框架、模型各層的建構邏輯都已改變。06隱式程式設計革命：當“打字”成為通用技能，你的專長才是王牌在這場深刻變革中，行業知識的價值正在飆升。“從顯式程式設計到隱式程式設計，你只需要告訴電腦你想要什麼，電腦就會寫程式碼。”他指出，這場持續了60年的以編寫精確程式碼為核心的計算範式正在終結。“因為事實證明，寫程式碼只是打字而已，而打字已變得平庸化。”這意味著技術能力的門檻將被極大降低。相反，那些深諳業務但不懂技術的領域專家，將站上浪潮之巔。“剛畢業的電腦高材生程式碼很厲害，但他們不知道客戶想要什麼。你們知道。寫程式碼的部分很簡單，讓AI去做就行。理解客戶、理解問題的領域專長，這才是你擁有的超級力量。”這場對話以對思科的感謝作結，但留下的核心資訊無比清晰：AI革命不是IT部門的升級，而是一次商業邏輯的“重設”。隨著夜色漸深，對話在關於烤串和薯片的調侃中結束。但黃仁勳帶著醉意吐露的真言，如同他預言的那些數字勞動力一樣，已經開始無聲滲透，準備重塑我們所熟知的一切。【以下是實錄全文】羅賓斯：嘿，嘿，嘿。對，大家待在那兒別動。黃仁勳：我覺得我現在的狀態就像是在邊喝酒邊辦公。羅賓斯：剛才我們把酒拿上來時，黃仁勳提醒了我。他說：“你意識到你正在直播這個，對吧？”嘿，管他呢，天色已經晚了。黃仁勳：第一個原則是：不造成傷害，並且要意識到你是多麼幸運。羅賓斯：首先，感謝大家在這裡度過了漫長的一天。我們今天一早就開始了，演講者一個接一個，在大概兩個半小時的休息後，大家又回來見你了。黃仁勳：我今天凌晨一點就起床了。羅賓斯：所以，這傢伙正處於一段為期兩周、跨越亞洲四五個城市的旅程末尾。黃仁勳：一天前我還在台灣地區，昨晚在休斯頓，現在我在這裡。羅賓斯：他出門兩周了，現在咱們正攔在他回自家熱被窩的路上呢，他已經住夠了酒店。所以，我們會玩得開心點，然後放他走。雖然你不需要太多介紹，但還是謝謝你能來，夥計。我們真的很感激。黃仁勳：感謝我們的合作夥伴關係，也為你們感到驕傲。羅賓斯：那我們就從合作開始談起吧。我們一直有合作，你引入了“AI工廠”的整套概念。我們正在合作推進，雖然在企業領域可能沒我們想得那麼快。我們能先聊聊對你來說什麼是“AI工廠”嗎？黃仁勳：首先要記住，我們正處於60年來首次重塑計算的過程中。過去是“顯式程式設計”（explicit programming），對吧？我們編寫程序和變數，通過API傳遞，這些都非常明確；現在轉向了“隱式程式設計”（implicit programming）。你現在告訴電腦你的意圖，它會去想辦法解決你的問題。從顯式到隱式，從通用計算（本質上是計算）到人工智慧，整個計算堆疊都被重塑了。現在人們討論計算時總關注處理層（processing layer），也就是我們所處的層面。但請記住計算的構成。除了計算和處理，還有儲存、網路和安全。這一切都在此時此刻被重塑。第一部分是我們需要把AI提升到一個水平——我們稍後會詳談——需要提升到對人有用的水平。直到目前，那種你給一個提示詞，它想辦法告訴你答案的聊天機器人（chat bots），雖然有趣且令人好奇，但還不算真正有用。羅賓斯：有時它能幫我完成填字遊戲。黃仁勳：是的，但也僅限於它記住和泛化的東西。如果你回頭看，其實也就是三年前ChatGPT剛出現的時候，我們驚嘆它能生成這麼多詞句，能創作莎士比亞作品。但那都是基於它記憶和泛化的內容。我們知道，智能的核心在於解決問題。解決問題部分在於知道你不知道什麼，部分在於推理如何解決從未見過的問題。將問題分解為已知且易於解決的元素，通過組合來解決從未見過的問題，並制定策略（我們稱之為“規劃”）來執行任務、尋求幫助、使用工具、進行研究等等。這些都是現在“智能體AI”（agentic AI）術語中的基本內容，包括工具使用、研究、基於事實的檢索增強生成（RAG）、記憶等。你們在討論智能體AI時都會聽到這些。但最重要的一點是，為了從這種“顯式程式設計”的通用計算（我們用Fortran、C、C++編寫的時代）進化。羅賓斯：對。黃仁勳：那是好東西，羅賓斯。羅賓斯：那是我的保底工作。黃仁勳：那是非常好的技能，那些技能依然有價值。羅賓斯：我知道。黃仁勳：它們依然有價值。羅賓斯：我已經拿到很多錄取通知了。黃仁勳：“恐龍”永遠是有價值的。我們剛證實了你比我大。我知道我是那個“史前時代”的人，雖然看起來不像，但確實如此。好了，這挺有意思的。我可能是這屋裡最老的人了。羅賓斯：那我們聊聊這個。黃仁勳，當你思考未來時。黃仁勳：我們現在就在這兒。我去找羅賓斯說：“嘿，聽著，我們需要重塑計算，思科必須參與其中。”我們有一整套全新的計算堆疊即將推出，叫Vera Rubin。思科將與我們同步推向市場。此外還有網路層，思科將整合我們的AI網路技術，並將其放入思科的Nexus控制平面中。這樣從你的角度來看，你既能獲得AI的所有性能，又保留了思科的可控性、安全性和管理性。我們在安全領域也會做同樣的事情。每一個支柱都必須重塑，企業計算才能受益。我們晚點再聊這個：為什麼三年前企業AI還沒準備好，以及為什麼現在你別無選擇，必須盡快參與進來。不要落後。你不必成為第一家利用AI的公司，但千萬別做最後一家。羅賓斯：沒錯。那麼如果你是今天的企業主，你建議他們採取的第一、第二、第三步是什麼，來開始做好準備？黃仁勳：我經常被問到投資回報率（ROI）這類問題，我不會先談那個。原因是，在所有技術部署的初期，很難用Excel表格算出新工具、新技術的ROI。我會去做的事，找出我公司的本質是什麼？我們公司做的最有影響力的工作是什麼？別在那些邊緣、次要的事情上浪費時間。在我們公司，我們就是讓“百花齊放”（let a thousand flowers bloom）。我們公司內部不同的AI項目多得幾乎失控，這非常棒。注意我剛才說的：失控且棒極了。創新並不總是在掌控之中。如果你想掌控一切，首先該去諮詢心理醫生。其次，那是一種錯覺，你掌控不了。如果你想讓公司成功，你控制不了它，你只能影響它。我聽到太多公司想要明確、具體、可論證的ROI，但在初期展示某件事的價值是很困難的。我建議讓百花齊放，讓人們去實驗，讓人們安全地實驗。我們公司在實驗各種東西，我們用Anthropic，用Codex，用Gemini，什麼都用。當我們的某個團隊說想嘗試某種AI時，我的第一個回答是“可以”，然後我會問“為什麼”。我不是先問為什麼再同意，而是先同意再問為什麼。原因是我對公司的期望和對孩子是一樣的：去探索生活。他們說想嘗試某件事，答案是“好”，然後才問原因。你不會說：“先證明給我看，證明做這件事能帶來財務成功或未來的幸福，否則我不讓你做。”我們在家裡從不這樣做，但我們在工作中卻這樣做。羅賓斯：你明白我的意思嗎？黃仁勳：是的。這對我來說毫無邏輯。所以我們對待AI的方式，無論是之前的網際網路還是雲技術，就是讓百花齊放。然後在某個時間點，你需要用自己的判斷力來決定何時開始“整理花園”。因為百花齊放會讓花園變得很亂。但在某個點，你必須開始整理，找到最好的方法或平台，以便集中力量辦大事（put all your wood behind one arrow）。但你不能太早集中力量。羅賓斯：否則會選錯。黃仁勳：沒錯。所以先讓百花齊放，到某個點再整理。就目前的進展來看，我還沒開始整理呢，我還在讓各地百花齊放。但我當然知道什麼對我們公司最重要。我確保有大量的專業知識和能力集中在利用AI革命化那些核心工作上，在我們的案例中，就是晶片設計、軟體工程、系統工程。你可能注意到了，我們與新思科技、楷登電子、西門子以及今天的達索系統合作，這樣我們就能注入我們的技術。無論他們想要什麼，我都會提供，以便革命化我們設計產品的工具。我們到處都在用新思科技、楷登電子、西門子和達索。我會確保他們得到1000%的支援，這樣我就有了創造下一代產品所需的工具。這反映了我對重塑自身工作的態度。想想AI做了什麼：它成數量級地降低了智能的成本，或者說創造了海量的智能。換句話說，過去需要一個單位時間的工作，現在過去需要一年的，可能只要一天；過去需要一年的，現在可能只要一小時，甚至可以即時完成。在“豐盈”（abundance）的世界裡，摩爾定律慢得簡直像蝸牛爬。記住，摩爾定律是每18個月翻兩倍，5年10倍，10年100倍。但我們現在在那？10年100萬倍。在過去10年裡，我們將AI推進得如此之遠，以至於工程師說：“嘿，猜怎麼著？我們干脆用全世界所有的資料來訓練一個AI模型吧。”他們指的不是收集我硬碟裡的資料，而是拉取全世界的資料。這就是“豐盈”的定義。它的定義是：當你看到一個巨大的問題時，你說：“管他呢，我全部都要解決。”我要治癒每一個領域的疾病，而不僅僅是癌症。我們直接解決人類所有的痛苦。這就是“豐盈”。現在當我想像一個工程問題時，我假設我的技術、我的工具、我的飛船是無限快的。去紐約要多久？一秒鐘就到。如果一秒鐘能到紐約，你會做些什麼不同的事？如果過去需要一年的事情現在能即時完成，你會做些什麼不同的事？如果過去很重的東西現在變得沒有引力了，你會如何處理？當你帶著這種態度去處理每一件事時，你就是在應用“AI邏輯”。這有意義嗎？比如我們合作的很多公司，圖分析中的依賴關係、節點和邊多達數兆。過去你會一小塊一小塊地處理圖，現在則是：“把整個圖都給我，多大都行，我不在乎。”這種邏輯正在被應用到各處。如果你不應用這種邏輯，你就做錯了。速度重不重要？一點也不重要，因為你處於光速。質量重不重要？零重量，零重力。如果你沒有應用這種邏輯去思考你公司裡最難的問題，你就沒做對。這就是他們所有人的思維方式。如果你不這麼想，你只要想像你的競爭對手在這麼想就行了。想像一家即將成立的公司在這麼想，這會改變一切。所以，去找到你公司裡最有影響力的工作，給它應用“無限”、“零”、“光速”的概念，然後問羅賓斯怎麼實現。羅賓斯：給我就行。黃仁勳：我們會一起實現。羅賓斯：你有一個“五層蛋糕”的類比，因為大家都在談論基礎設施、模型、應用。我該怎麼做？談談這個。黃仁勳：成功人士做的一件事就是推理正在發生什麼。大約15年前，一個演算法讓兩名工程師解決了一個電腦視覺問題。視覺是智能的第一部分：感知。智能由感知、推理、規劃組成。感知是：“我是什麼？發生了什麼？我的上下文是什麼？”推理是：“我如何根據目標進行推理？”第三是制定計畫去實現目標。就像戰鬥機的問題，感知定位然後行動。沒有感知就沒有第二和第三部分。如果不理解上下文（context），你就不知道該做什麼。而上下文是高度多模態的，有時是PDF，有時是電子表格。有時是感官和氣味，比如我們在那，在幹什麼，聽眾是誰，如何閱讀房間裡的氣氛，等等。大約13、14年前，我們在電腦視覺領域取得了巨大的跨越。AlexNet是我們看到的第一個突破，那就像是《第一次接觸》（First Contact），我愛死那部電影了。那是我們與AI的“第一次接觸”。於是我們思考：這意味著什麼？兩名工程師怎麼可能戰勝了我們所有人鑽研了30年的演算法？我昨天剛和Ilya Sutskever聊過，還有Alex Krizhevsky。兩個帶著幾塊GPU的年輕人怎麼可能解決了這個問題？這意味著什麼？十年前我對此進行了分解和推理，得出的結論是：世界上大多數有價值的難題其實都沒有基本的物理演算法。沒有F=ma，沒有麥克斯韋方程組，沒有薛定諤方程或歐姆定律，沒有熱力學定律，它沒那麼精確。那些我們稱之為“直覺”和“智慧”的有價值的事物，就像你和我會遇到的問題，答案通常是：“視情況而定”（It depends）。如果答案總是3.14那就太棒了，但生活中有價值的難題往往取決於背景和環境。既然視覺問題解決了，我們推理出通過深度學習，這不僅是可擴展的，你還可以把模型做得越來越大。我們當時要解決的唯一問題是如何訓練模型，而巨大的突破是“自監督學習”。AI開始自我學習。注意，今天我們已經不再受限於人工標註資料了，完全不受限。這打開了閘門，讓模型從幾億參數擴展到幾千億、幾兆。我們可以編碼的知識和學習的技能爆炸式增長。我們將從底座重塑計算。計算將從“顯式程式設計”轉向一種全新的範式，即通過模型學習軟體。這對計算堆疊意味著什麼？對軟體開發意味著什麼？對工程組織、產品行銷、QA團隊又意味著什麼？這些產品未來會變成什麼樣？我們如何部署？如何保持更新？如何修補軟體？我當時問了上千個關於未來計算的問題，得出的結論是：這將改變一切。於是我們將整個公司轉向上。簡單來說，我們從一個所有東西都是“預錄製”的世界走來。羅賓斯：確實是很棒的東西。黃仁勳：運行了很長時間。鄭重聲明，那些確實是用希伯來語描述的（幽默暗示舊技術的古老）。羅賓斯：確實。那是另一項技能。黃仁勳：畢竟，這屋裡恐怕只有你，能同時精通希伯來語和COBOL了。無論如何，那是預錄製的。我們編寫演算法，描述思想，然後配上資料。一切都是預錄的。過去的軟體之所以是預錄的，是因為它是裝在CD-ROM裡的，對吧？現在的軟體是什麼？它是情境化的，每個情境都不同，每個使用者、每個提示詞、每個前置背景都不同。每一份軟體實例都是獨特的。過去預錄製的軟體被稱為“基於檢索模式”（retrieval-based）。當你用手機點一下，它會去檢索一些軟體、檔案或圖像並展示給你。而未來，一切都將是“生成式”的（generative），就像現在這樣。這場對話以前從未發生過。概念存在過，背景存在過，但這每一句話的順序都是全新的。發生這種情況的原因顯而易見，因為我們已經喝了四杯酒了。羅賓斯：還有冷萃咖啡。Cobol、希伯來語，謝天謝地這不在校園裡，也沒在直播。黃仁勳：嗯。羅賓斯：大家都明白你在說什麼嗎？黃仁勳：你們聽懂了嗎？羅賓斯今天只給我喂了四杯酒。羅賓斯：公平點說，我只喂了你一杯，剩下三杯是你從自助餐檯上拿的。黃仁勳：我一直在盯著那些食物，我太餓了。食物離我大概有40英呎（12米）遠。羅賓斯：那是因為你一直在拍照。黃仁勳：真的很近，但我好幾次想過去都被推回來了。羅賓斯：你知道發生了什麼嗎？你的團隊提前告訴過我們，如果他喝了三杯，他就是最佳狀態。如果喝到第四杯，情況就要崩了。黃仁勳：這狀態可就不太理想了。好了，聽著，我們得留下一些智慧。能再來一杯酒嗎？羅賓斯：這可不是Dave Chappelle的脫口秀。黃仁勳：談談別的。能源。羅賓斯：晶片。黃仁勳：能源聽起來不錯。能源、晶片、基礎設施（硬體和軟體），然後是AI模型。但AI最重要的部分是應用。每一個國家、每一家公司，底下的那些層都只是基礎設施。你需要做的是應用這項技術。向上帝發誓，快去應用這項技術。使用AI的公司不會陷入險境。你不會因為AI丟掉工作，你會因為一個使用AI的人而丟掉工作。所以，行動起來，這是最重要的。羅賓斯：並且盡快給羅賓斯打電話。黃仁勳：你打給我，我打給他。羅賓斯：我們時間不多了。黃仁勳：我們有的是時間。羅賓斯是按時計費的，而我甚至不戴手錶。我在價值交付之前是不會離開的。如果需要一整晚，我會一直折磨你們所有人。羅賓斯：黃仁勳，這就是為什麼像我這樣的人需要表。你能談談“物理AI”嗎？黃仁勳：軟體行業在衰落並會被AI取代的這種說法是世界上最沒邏輯的事。讓我們做一個終極思想實驗：假設我們是終極的AI——通用機器人，物理版的。既然你是類人機器人，你能解決任何問題。你會用現成的螺絲刀還是發明一把新螺絲刀？我直接用現成的。你會用現成的鏈鋸還是重造一把？答案顯而易見是使用工具。既然如此，再看數字版。如果你是AGI（通用人工智慧），你會去使用ServiceNow、SAP、Cadence、Synopsis，還是去重新發明一個計算器？當然是直接用計算器。為什麼要讓AI學會使用工具？因為現有的工具是‘確定性’的。世界上很多問題都有標準答案，比如牛頓第二定律F=ma。你不需要AI給你一個機率上約等於ma的模糊答案，ma就是ma。再比如歐姆定律V=IR，它在科學上是絕對的，而不是‘統計學上的IR’。所以，我們希望AI像人類一樣，直接拿起這些精準的工具去用，而不是在那些已經有標準答案的事情上瞎猜。我們希望AGI使用工具，這是個大邏輯。下一代物理AI將理解物理世界和因果關係。如果我推倒這個，它會帶倒那一切。它們理解“多米諾骨牌”的概念。每一個孩子都能理解推倒它意味著什麼，這種因果、接觸、引力和質量的結合是非常深刻的。大語言模型目前還沒這概念，所以我們要創造物理AI。機會在那裡？到目前為止，我和羅賓斯所處的行業一直在製造工具。我們一直處於“螺絲刀和錘子”的生意中。有史以來第一次，我們要創造人們所謂的“勞動力”，或者是“增強勞動力”。比如自動駕駛汽車是什麼？它是一個數字司機。數字司機的價值遠超汽車本身。我們第一次面對一個潛在市場總量（TAM）大了一百倍的市場。全球IT產業大約一兆美元，而全球經濟規模是一百兆。你們所有人都有機會通過應用這項技術，成為一家技術公司。我相信迪士尼寧願成為Netflix，梅賽德斯寧願成為特斯拉，沃爾瑪寧願成為亞馬遜。你們同意嗎？這三個例子我說對了嗎？羅賓斯：是的。你們所有人都是這樣的。黃仁勳：我們有機會幫助每一家公司轉型為“技術優先”的公司。技術是你的超級力量，而你的行業領域是應用場景。為什麼要技術優先？因為那樣你就是在和“電子”打交道，而不是“原子”。原子的價值受限於質量，而電子的價值在CD-ROM變成電子流的那一刻爆炸了千倍。你需要成為一家技術公司。即便是只懂希伯來語程式設計的羅賓斯，這也是一種天賦。羅賓斯：這個程式設計方向從右往左寫，挺聰明的。黃仁勳：聰明人做聰明事。最美妙的是，你們公司的優勢是知識、直覺和領域專業能力。現在你第一次可以用自己的語言向電腦解釋你想要什麼。從顯式程式設計到隱式程式設計，你只需要告訴電腦你想要什麼，電腦就會寫程式碼。因為事實證明，寫程式碼只是打字而已，而打字已變得平庸化。這是你們巨大的機會。你們全都能從物理（原子）層面的束縛中解脫出來，實現質的飛躍。我們不用再受限於沒有足夠的軟體工程師，因為打字是廉價的，而你們擁有極其珍貴的東西——理解客戶、理解問題的領域專長。剛畢業的電腦高材生可能寫程式碼很厲害，但他們不知道客戶想要什麼，不知道該解決什麼問題。你們知道。寫程式碼的部分很簡單，讓AI去做就行。這就是你的超級力量。我這個總結是在喝了五杯酒後做出的。羅賓斯：這簡直是個奇蹟。黃仁勳：能和各位合作是莫大的榮幸。思科在計算發明的兩個支柱領域——網路和安全——有著極深的造詣。沒有思科就沒有現代計算。在AI世界，這兩個支柱都被重塑了。我們擅長的計算部分在很多方面是廉價商品，而思科掌握的東西極具價值。早前有人問我：應該租用雲端還是自己建構電腦？我的建議和給我孩子的建議一樣：自己造一台。儘管PC隨處可見，但去動手造一台，去弄明白為什麼這些元件會存在。如果你在運輸行業，別只用Uber，去打開引擎蓋，去換個機油，去理解它。這項技術對未來太重要了，你必須有一種觸覺上的理解。你可能會發現自己對此極有天賦。你可能會發現世界並非全是“租”或全是“買”，你需要一部分在本地（on-prem）。比如涉及主權和私有資訊時，你不會想把所有的“問題”都分享給所有人。舉個例子，你去見心理醫生時，你不希望你的提問被發到網上。羅賓斯：假設性的例子，對吧？黃仁勳：對，假設性的。所以我認為很多對話和不確定性應該保持私密。公司也是一樣。我不放心把輝達的所有對話都放在雲端，所以我們在本地建構了超級AI系統。因為對我來說，最有價值的核心資產不是答案，而是我的提問。你們聽明白了嗎？我的提問才是我最有價值的IP。我在思考什麼，我的提問反映了這一點。答案是廉價的。如果我知道該問什麼，我就鎖定了重點。我不希望別人知道我認為什麼是重要的。所以我要在自己的小房間裡，在本地，創造我自己的AI。最後一點想法，現在已經11點了。過去有個觀點叫“人在環節中”（human in the loop），這是完全錯誤的。應該是“AI在環節中”（AI in the loop）。我們的目標是讓公司每一天都變得更好、更有價值、知識更豐富。我們不希望倒退或原地踏步。這意味著如果AI在環節中，它會捕捉我們的生命經驗。未來每個員工都會有許多AI在環節中，這些AI會成為公司的智慧財產權。這就是未來的公司。所以，我覺得明智的做法是立即給羅賓斯打電話。羅賓斯：我打給黃仁勳。兩周的旅程，黃仁勳飛到這裡和我們度過了最後一晚，這是他很久以來第一次能睡在自己的床上。我們永遠感激。黃仁勳：非常感謝。另外，我眼角餘光一直瞄著那些肉串。羅賓斯：我希望它們還在那兒。黃仁勳：答應我的那袋薯片在那？羅賓斯：走吧，去吃。謝謝大家！ (首席商業評論)
