黃仁勳最新訪談：我們已經實現了 AGI，領導力、心理學、生命、意識、死亡和人性
黃仁勳最新一期 Lex Fridman 播客，2.5 小時深度對話，覆蓋了從晶片設計到人類意識的幾乎所有話題。
概要
1. CUDA 差點毀了 NVIDIA。 當年把 CUDA 塞進 GeForce 的決定，讓公司成本暴漲 50%，市值從七八十億美元直接跌到 15 億美元。黃仁勳扛了十年才緩過來，但正是這步棋奠定了今天 CUDA 的統治地位。
2. 60 個直接匯報，不搞一對一。 黃仁勳的管理團隊超過 60 人，涵蓋 GPU、CPU、光學、記憶體等各領域專家。所有問題都是群體推理，沒有一對一談話，因為 NVIDIA 本質上就是在做「極致協同設計」。
3. 四層 Scaling Law。 預訓練、後訓練、測試時推理、Agentic，四層 scaling law 環環相扣。黃仁勳認為，智能的擴展最終只取決於一件事：算力。
4. OpenClaw 是 token 的 iPhone。 黃仁勳多次稱 OpenClaw 為「token 的 iPhone」，認為它對 agentic 系統的意義，就像 ChatGPT 之於生成式 AI。
5. 「我認為我們已經實現了 AGI。」 按照「建立一家價值 10 億美元以上公司」的標準，黃仁勳認為 AGI 已經到來。當然，讓 10 萬個 Agent 來造一個 NVIDIA，成功率是零。
6. 程式設計師會變多。 程式設計的定義正在改變。從 3000 萬程式設計師變成 10 億，因為未來每個木匠、會計、農民都能用自然語言「程式設計」。
7. NVIDIA 不搶份額，創造市場。 黃仁勳說 NVIDIA 的挑戰在於「沒有人可以搶份額」，幾乎所有增長都來自全新的市場。
8. 與台積電三十年沒簽過合同。 黃仁勳曾被張忠謀邀請擔任台積電 CEO，他婉拒了。三十年來雙方做了數百億美元的生意，沒有一紙合同，全憑信任。
9. 智能是大宗商品，人性才是超能力。 黃仁勳團隊裡 60 個人都比他聰明，但他坐在中間協調所有人。他的觀點是：別讓「智能的商品化」帶來焦慮，該被抬高的詞是「humanity」。
10. 希望死在崗位上。 黃仁勳不信「接班人計畫」，他的方式是每一天都在把知識、判斷、經驗傳遞給身邊每一個人。
下為訪談對話全文：
CUDA 賭命
Lex：CUDA 最終成了一個極其輝煌的決定。但當時做這個決定的時候，是什麼樣的？
黃仁勳：
那可能是我做過的最接近「存亡級威脅」的戰略決策了。
CUDA 擴大了我們能加速的應用範圍，但問題來了：怎麼吸引開發者？開發者來一個平台，跟技術炫不炫酷沒關係，關鍵是裝機量大。裝機量才是定義一個架構的關鍵，其他都是次要的。
沒有那個架構比 x86 挨過更多罵，但它活下來了。同時期那些漂亮的 RISC 架構，反而大多失敗了。
我們當時的想法是：GeForce 已經每年賣幾百萬塊了，乾脆把 CUDA 裝進每一塊 GeForce，不管使用者用不用。同時去大學裡推，寫書，開課，培育生態。
問題是，CUDA 大幅增加了 GPU 成本。我們當時毛利率只有 35%，成本一下漲了 50%，利潤全被吃掉了。公司市值從七八十億跌到了 15 億。
在那個區間裡……扛了很長一段時間，靠著 GeForce 一點一點爬回來。我常說，NVIDIA 是 GeForce 蓋起來的房子。正是 GeForce 把 CUDA 送到了每一個研究者、科學家、學生手裡。
Lex：那種存亡時刻，你是怎麼做出這種決定的？
黃仁勳：
說到底還是好奇心驅動。到了某個時刻，我的推理系統會如此清晰地告訴我「這件事一定會發生」。一旦我在腦海中堅信了，你知道的，你會去 manifest 一個未來，那個未來如此有說服力，不可能不發生。中間會有大量痛苦，但你得相信你所相信的。
而我在領導上從不搞那種「年底大改革」。不搞一次性大裁員、大重組、新 logo 什麼的。我學到一樣新東西，會立刻開始跟身邊的人分享。一步一步地塑造每個人的認知體系。等到我真的宣佈「我們要 all in 深度學習」的那一天，其實所有人心裡都在想：
你怎麼現在才說。
極致協同設計
Lex：你把 NVIDIA 推入了一個新時代，從單晶片設計到了整機櫃設計。什麼是極致協同設計（extreme co-design），最難的部分是什麼？
黃仁勳：
問題已經裝不進一台機器了。你加了 1 萬台電腦，但你希望它快 100 萬倍。這時候你得重構演算法、切分流水線、切分資料、切分模型。一切都會成為瓶頸。
這就是 Amdahl 定律的問題：如果計算只佔總工作量的 50%，你就算把計算加速一百萬倍，總體也只快了兩倍。
所以我們得把所有技術都用上，CPU、GPU、網路、交換機、電力、冷卻……否則就只能線性擴展，或者靠已經放緩的摩爾定律。
Lex：你的團隊有多大？
黃仁勳：我的直接匯報有 60 多人。
群體推理 vs 傳統管理Lex：那怎麼溝通？
黃仁勳：
我不搞一對一。我們把一個問題拿出來，所有人一起攻。因為我們在做極致協同設計，公司本身也是在做極致協同設計。
就算在討論冷卻方案，做網路的人、做記憶體的人、做電力的人也在旁邊聽著。誰想退出就退出，但如果有人應該參與卻沒參與，我會把他揪過來。
Lex：Vera Rubin 的 Pod 是怎樣的規模？
黃仁勳：7 種晶片，5 種機架，40 個機架，1.2 千兆個電晶體，將近 2 萬顆 NVIDIA Die，1100 多顆 Rubin GPU，60 exaflops，10 PB/s 的頻寬。這只是一個 Pod。
我們大概每周要產出 200 個這樣的 Pod。
Lex：這麼複雜，簡潔還是你追求的目標嗎？
黃仁勳：
我最常說的一句話是：複雜度要剛好夠用，同時儘可能簡單。
四層 Scaling
Lex：你還相信 Scaling Law 嗎？
黃仁勳：相信，而且現在有更多 scaling law 了。
Lex：你列了四個：預訓練、後訓練、測試時推理、Agentic。你最擔心那個瓶頸？
黃仁勳：
回頭看看大家以為的瓶頸吧。
預訓練階段，Ilya Sutskever 說了句「資料用完了」之類的話，行業慌了，覺得 AI 到頭了。當然這是錯的。我們會繼續擴大訓練資料量，大量資料將是合成的。
很多人不理解合成資料，但其實我們教彼此用的大多數資料本來就是「合成的」，它又不是從自然界長出來的，都是人創造的。AI 現在能拿真實資料，增強它，合成生成海量新資料。所以訓練的瓶頸不再是資料，變成了算力。
然後是測試時推理。我還記得當時有人說「推理嘛，簡單的，推理晶片可以做得又小又便宜，不用 NVIDIA 那種大傢伙。」
這個想法一直讓我覺得不合邏輯。推理就是思考，思考比閱讀難得多。
預訓練本質是記憶和泛化，就是在讀。而推理是在想，在做推理、規劃、搜尋、分解問題……怎麼可能……計算量小呢？
然後是 Agentic 層。一個 Agent 可以呼叫工具、查資料庫、做研究，最重要的是，它可以生成一大批子 Agent。
擴展 NVIDIA 靠招更多員工，比擴展我自己容易多了。所以下一個 scaling law 就是 Agentic Scaling，本質上就是「AI 乘以 AI」。
這四層循環下來，智能的擴展最終歸結為一件事：算力。
四層 AI Scaling Law 循環OpenClaw 的 iPhone 時刻
Lex：從去年 12 月起，人們好像突然覺醒了，Claude Code、Codex、OpenClaw，是不是有什麼特別的事情在發生？
黃仁勳：
OpenClaw 對 agentic 系統的意義，就像 ChatGPT 之於生成式 AI。它之所以火，是因為普通使用者也能用到了。
OpenClaw 就是 token 的 iPhone。它是歷史上增長最快的應用。直線上升。
Lex：我得承認，來的路上在機場，我……公開對著筆記型電腦說話程式設計了。挺尷尬的，因為我在假裝跟一個人類同事對話。
黃仁勳：
未來更可能的情況是，你的 AI 一直在煩你。因為它幹活太快了，一直跟你匯報「搞定了，下一步呢？」以後跟你聊天最多的人，應該就是你的 Claw，或者說你的🦞了。
Agent 的安全邊界
Lex：安全問題呢？這麼強大的技術，怎麼確保使用者資料安全？
黃仁勳：
我們立刻派了一批安全專家過去，搞了一個叫 OpenShell 的東西，已經整合進 OpenClaw 了。我們還發佈了 NemoClaw。
核心原則是這樣的：agentic 系統有三種能力，訪問敏感資訊、執行程式碼、對外通訊。我們保證任何時刻最多開放其中兩種，但絕不同時開三種。
在這兩種能力之內，再加上企業級的存取控制和策略引擎。這樣既能讓 Agent 幹活，又不至於失控。
從加速器到計算平台
Lex：NVIDIA 是怎麼從一個 GPU 加速器公司，一步步變成計算平台公司的？
黃仁勳：
加速器的問題在於，應用領域太窄。市場規模決定了你的研發能力，研發能力又決定了你在計算領域能產生多大影響。
所以我們得擴大射程，但又不能丟掉專業化。這兩個詞之間有天然的張力：越通用，越不專業；越專業，越不通用。我們得在中間找到一條極窄的路。
第一步，我們發明了可程式設計像素著色器。這是走向可程式設計性的第一步。
第二步，我們在著色器裡放了 IEEE 相容的 FP32。這一步意義重大，因為之前在 CPU 上跑科學計算的人突然發現：這個 GPU 算力巨大，而且現在符合 IEEE 標準了，我的程式碼可以遷過來。
然後是在 FP32 上面放 C 語言，我們叫 Cg。Cg 一路演進到了 CUDA。
每一步都是在擴大計算的「光圈」，同時保住最核心的加速能力。一步一步走了十幾年。
電力與供應鏈
Lex：AI 擴展最大的瓶頸是什麼？
黃仁勳：
電力是個問題。但也是我們拚命搞極致協同設計的原因，我們要讓每秒每瓦產出的 token 數每年提升一個數量級。過去 10 年摩爾定律讓算力提升了 100 倍，我們提升了 100 萬倍。
有一件事我特別想借你的平台呼籲一下。
我們的電網，是按最壞情況設計的。 但 99% 的時間都不會出現最壞情況，電網通常只跑到峰值的 60%。剩下的容量就那麼閒著。
我想做的是，跟電力公司簽一種新的協議：平時用它們的閒置容量，極端天氣時資料中心自動降功耗。我們可以把工作負載轉移到別的地方，或者讓電腦跑慢一點，少用能源，服務質量降一點點而已。
Lex：什麼阻礙了這件事？
黃仁勳：
三方的問題。終端客戶要求資料中心永遠線上。資料中心營運商的合同談判人員在簽六個九的 SLA，CEO 可能根本不知道。然後電力公司也只提供一種承諾等級。
如果三方都調整一下……電網裡就有大量現成的閒置電力可以用，這才是最唾手可得的資源。
Lex：供應鏈呢？ASML 的 EUV、台積電的 CoWoS 封裝、SK 海力士的 HBM，這些瓶頸讓你睡不著覺嗎？
黃仁勳：我一直在處理。我飛到每一家供應商那裡，跟 CEO 們解釋我們的增長邏輯。幾年前，我說服了幾家 DRAM 公司的 CEO 投資 HBM，當時 HBM 還只用在極少數超算上，聽起來瘋狂得很。又說服他們把手機用的低功耗記憶體適配到超算上。
他們都創了 45 年公司歷史的營收記錄。這也是我工作的一部分，去塑造和啟發整個上下游。
Lex：你擔心嗎？
黃仁勳：不擔心。
Lex：為什麼？
黃仁勳：
因為我告訴了他們我需要什麼，他們理解了，他們告訴我他們會做什麼，我相信他們會做到。
馬斯克與 Colossus
Lex：你怎麼看馬斯克和 xAI 在孟菲斯用 4 個月建成 Colossus 超算這件事？
黃仁勳：
馬斯克在很多領域都有很深的涉獵，同時他又是一個出色的系統思考者。他質疑一切：第一，這件事有必要嗎？第二，必須這樣做嗎？第三，必須花這麼長時間嗎？
他把一切壓縮到不能再少的最低必要量，同時保留了產品所需的全部能力。極度的極簡主義，系統等級的極簡。
而且他會親自到現場。有問題，他就去了。「讓我看看問題在那。」當你親自展示出那種緊迫感，所有人都會跟著緊迫起來。
Lex：我見過他那些會議。他會跟工程師一起蹲在地上，研究怎麼把線纜插進機架……
黃仁勳：對。在 NVIDIA 我們有一個類似的方法論，叫「光速」。這不只是關於速度，它是我對「物理極限在那」的簡稱。
每件事我們都要拿來跟光速對比。記憶體速度、算力、功耗、成本、時間、人力、製造周期。先搞清楚物理極限，再去做工程。
我不喜歡「持續改進」的思路。別跟我說「現在要 74 天，我們能縮到 72 天」。我寧願從零開始問：「憑第一性原理，最快幾天能搞定？」答案可能是 6 天。剩下的 68 天可能都有道理，是各種妥協和成本最佳化。但至少你知道差距在那。
知道了 6 天是可能的，從 74 到 6 的對話就會有效得多。
中國是建設者國度
Lex：你最近去了中國。中國過去十年是怎麼建立起這麼多世界級科技公司的？
黃仁勳：
全球大約一半的 AI 研究者是華人，大部分仍在中國。他們的科技行業恰好趕上了移動雲時代，他們的貢獻方式是軟體。這個國家的孩子數學和科學教育極好，對現代軟體相當熟悉。
中國不是一個單一經濟體。各省各市的市長們互相競爭，所以才有這麼多電動車公司、這麼多 AI 公司。競爭極其激烈，活下來的都了不起。
另外，他們的社會文化是家人第一、朋友第二、公司第三。工程師們的兄弟在那家公司、同學在這家公司，知識傳播極快。
他們本質上一直是 open source 的。所以他們對開源社區貢獻大，完全合理，因為他們心想：「我們有什麼好藏的？」
這是當今世界創新最快的國家。
Lex：而且在中國，做工程師是件挺酷的事。
黃仁勳：
他們是一個建設者國度。我們國家的領導人都相當出色，但大多是律師。他們的國家是從貧困中建設起來的，所以領導人大多是傑出的工程師。
開源與 Nemotron
Lex：NVIDIA 發佈了開放原始碼的 Nemotron 3 Super，120 億參數的 MoE 模型。你對開放原始碼的願景是什麼？
黃仁勳：
要做好 AI 計算公司，我們必須理解 AI 模型是怎麼演進的。
Nemotron 3 有個特別的地方：它不只是純 Transformer，還融合了 SSM（狀態空間模型）。我們很早就在做條件 GAN、漸進式 GAN，一步步走到了擴散模型。在模型架構上做基礎研究，能讓我們看清未來的計算系統該怎麼設計。這也是極致協同設計的一部分。
開源有三個層面的原因。
第一，我們確實需要世界級的模型作為產品，這些應該是專有的。但同時，我們也希望 AI 擴散到每一個行業、每一個國家、每一個研究者和學生手裡。如果一切都是閉源的，研究和創新就很難在上面展開了。
第二，NVIDIA 有規模、有技能、也有動力去持續做這件事。我們能啟動每一個行業加入 AI 革命。
第三，AI 遠不只是語言。這些 AI 會使用工具、呼叫子模型，而那些子模型可能是訓練在生物學、化學、物理學、流體力學上的。我們不造車，但我們要確保每家車企都能用上最好的模型。我們不做藥物發現，但我想確保禮來（Eli Lilly）能擁有世界最好的生物 AI 系統。
Lex：而且你們是真正的開源，權重、資料、方法全部公開。
黃仁勳：對，模型開源，權重開源，資料開源，連怎麼做的都開源了。這一點確實應該被更多人知道。
台積電：信任
Lex：你跟台積電的關係是什麼樣的？
黃仁勳：
對台積電最大的誤解是：覺得他們只有技術。好像有人做出了一個一樣好的電晶體，台積電就完了。
他們真正了不起的地方，是那套製造管理系統。協調全球幾百家公司動態變化的需求，晶圓啟動、停止、緊急追加，客戶在變、產能在變，整個世界在不斷變化，而他們始終保持高吞吐、高良率、低成本、交付準時。
然後是文化。他們同時做到了兩件通常矛盾的事：頂尖的技術前沿和頂尖的客戶服務。
最後是信任。三十年，幾百億美元的生意，沒有合同。 這份信任了不起。
Lex：2013 年張忠謀邀請你去當台積電 CEO？
黃仁勳：
是真的。我深感榮幸。張忠謀是我見過的最受尊敬的高管之一，也是我的好朋友。但 NVIDIA 的工作太重要了，我在心中已經看到了 NVIDIA 會變成什麼樣。這是我的責任，唯獨我的責任。所以我婉拒了。
不是因為那個機會不夠好。那是一個不可思議的機會。但我沒辦法接受。
NVIDIA 的護城河
Lex：NVIDIA 最大的護城河是什麼？
黃仁勳：
CUDA 的裝機量。這是我們最重要的資產。
CUDA 不是三個人做成功的，是 43000 人做成功的，加上幾百萬信任我們的開發者。他們把自己的軟體棧建在了 CUDA 上。
從開發者的角度想：如果我支援 CUDA，明天它就會快 10 倍，平均只要等半年。而且我的程式碼能跑在幾億台裝置上，每個雲、每個行業、每個國家。我 100% 信任 NVIDIA 會一直維護和改進 CUDA。
你把這些加在一起，如果我是開發者，我會 CUDA first。
太空裡的 GPU
Lex：你怎麼看在太空建資料中心這個想法？
黃仁勳：
NVIDIA 的 GPU 其實已經在太空了。我當時知道的時候還挺意外的，本來想高調宣佈一下，給 GPU 穿個小宇航服什麼的。
那些衛星上有高解析度成像系統，在持續掃描地球，要做到釐米級的即時遙感。這些資料量是 PB 等級的，沒法全傳回地球。所以 AI 必須在邊緣端就地處理，把不需要的、沒變化的全扔掉，只留關鍵資訊。
如果放在極地軌道，24 小時都有太陽能。但太空裡沒有傳導、沒有對流，散熱只能靠輻射。好在太空足夠大，搞幾個巨大的散熱板就行了。
Lex：這個想法離落地有多遠？5 年？10 年？
黃仁勳：
我比較務實。我先去抓眼前最大的機會，同時派工程師去研究太空的問題：怎麼應對輻射？怎麼處理性能退化？怎麼做冗餘和容錯？怎麼讓電腦在太空裡不會壞，只是變慢？
但眼下我最想做的事，還是把電網裡那些閒置的電力先用起來。那才是最唾手可得的。
Token 工廠
Lex：NVIDIA 可能價值 10 兆美元嗎？
黃仁勳：
讓我解釋一下為什麼 NVIDIA 的增長幾乎是必然的。
計算經歷了一次本質變化。過去的電腦本質是一個「倉庫」，我們預先錄製內容，存成檔案，然後用檢索系統找出來。現在 AI 電腦是「工廠」，它即時理解上下文，即時生成 token。
倉庫 vs 工廠：計算範式轉變倉庫不怎麼賺錢，工廠的產出直接跟收入掛鉤。
而且這個工廠生產的商品，token，正在分層，就像 iPhone 一樣：有免費的 token、有中檔 token、有高級 token。有人願意為每百萬 token 付 1000 美元，這不是「會不會」的問題，只是「什麼時候」的問題。
NVIDIA 面臨的挑戰在於想像力。
我沒有人可以搶份額。幾乎我們說的所有增長都來自一個尚不存在的市場。外界確實不太容易想像。但我有的是時間，我會持續推理、持續講述，每一次 GTC 都會讓它變得更加真實。
遊戲與 DLSS 5
Lex：DLSS 5 引起了一些爭議。玩家們擔心遊戲會變成 AI slop（AI 氾濫內容）。你怎麼看？
黃仁勳：
說實話，我也不喜歡 AI slop。AI 生成的內容越來越多，看起來越來越像，都挺漂亮，但缺少個性。我理解玩家的感受。
但 DLSS 5 做的事情不一樣。它是 3D 引導的、地面真實資料約束的。藝術家決定了幾何形狀，我們百分百忠於每一幀的幾何結構。它受紋理約束，受藝術家意圖約束。
增強，但不改變。
而且因為系統是開放的，你可以訓練自己的模型，未來甚至可以用 prompt 來控制風格：「我要卡通渲染風格」，「我要這種畫風」。所有這些都是為藝術家提供的工具，他們可以選擇用或者不用。
玩家們可能以為我們是在遊戲出廠後強行做後處理。但實際上 DLSS 是跟藝術家整合的，是給創作者的 AI 工具。
Lex：你覺得史上最偉大的遊戲是那個？
黃仁勳：Doom。
從文化影響力和行業意義來說，Doom 把 PC 從一個辦公自動化工具變成了一個遊戲裝置，這個轉變的意義太大了。
從遊戲技術的角度，我會說 Virtua Fighter。
Lex：我個人特別喜歡《上古捲軸：天際》，雖然是很久以前的遊戲了，但一直有人出 Mod……
黃仁勳：我們做了 RTX Mod，這是一個 modding 工具，能讓社區把最新的渲染技術注入到老遊戲裡。
而且別忘了，GeForce 到今天仍然是我們排名第一的行銷手段。人們在十幾歲的時候就通過玩遊戲認識了 NVIDIA。後來上了大學，開始用 CUDA，再後來用 Blender、用 Autodesk。
AGI 已來？
Lex：用一個定義來問：一個 AI 系統，能夠建立、發展並營運一家價值超過 10 億美元的科技公司。離這個 AGI 有多遠？
黃仁勳：
我認為已經實現了。
Lex：什麼？
黃仁勳：
你說的是 10 億美元，而且沒說要永遠經營下去。
完全有可能一個 Claude 建立了一個 Web 服務，某個小應用，幾十億人用了一下，每人 50 美分，然後很快就倒閉了。網際網路時代那些爆款網站，大多數都沒有比今天 OpenClaw 能生成的東西更複雜。
Lex：你這話會讓很多人激動的。
黃仁勳：
你去中國看看，已經有一大幫人在教自己的 Claude 去找工作、做活、賺錢了。我不意外某個數字網紅、某個 Tamagotchi 養成類應用突然爆火幾個月然後消失。
但讓 10 萬個 Agent 來造一個 NVIDIA……成功率是零。
程式設計師會更多
Lex：你覺得程式設計師數量會增加還是減少？
黃仁勳：
會增加。程式設計的定義變了。
今天的程式設計就是寫規格說明。多少人能做到「告訴電腦去造什麼」？我覺得我們剛從 3000 萬擴大到了 10 億。
未來每一個木匠都是程式設計師。而一個有 AI 的木匠，同時也是建築師。 他能給客戶提供的價值翻了幾倍。每個會計同時也是財務分析師和理財顧問。所有職業都被拉高了。
Lex：放射科醫生的例子呢？
黃仁勳：
AI 研究者最早說會消失的職業就是放射科醫生。電腦視覺確實在 2019、2020 年就超越了人類。但放射科醫生數量反而增加了，現在全球還短缺。
因為你搞清楚了，放射科醫生的「目的」是診斷疾病、幫助病人，而不是「看片子」這個任務本身。AI 讓看片子變快了，所以能看更多片子，診斷更多病人，醫院賺更多錢，需要更多放射科醫生。
你的工作的目的和你用來做這份工作的工具，是相關的，但不是同一件事。
NVIDIA 的軟體工程師也一樣。我要他們解決問題，不在乎他們寫了多少行程式碼。
別怕，就去用
Lex：很多人對自己的工作有焦慮。
黃仁勳：
我對焦慮的處理方式，剛才其實已經講過了：分解問題，想清楚那些能做，做了就不焦慮了。
如果今天要招一個新畢業生，兩個人選，一個不懂 AI，一個精通 AI，我選後者。木匠、電工、農民、藥劑師，都應該去用 AI，看看它能怎麼提升你的工作。
Lex：而且你可以直接問 AI：「我不知道怎麼用 AI。」
黃仁勳：
對，這就是 AI 最厲害的地方。你沒法走到 Excel 面前說「我不會用 Excel」。
你完了。
但 AI 會說：「好的，讓我來教你。」
領導力與痛苦
Lex：你說過你的成功來自比任何人都能吃苦。你怎麼應對這麼大的壓力？
黃仁勳：
我完全意識到 NVIDIA 的成功對美國的重要性。我們貢獻了大量稅收，建立了技術領先地位，這關乎國家安全的方方面面。我也知道有很多普通投資者，老師、警察，因為買了 NVIDIA 的股票成了百萬富翁。
我的應對方式就是分解。發生了什麼？變了什麼？什麼難？我能做什麼？
把大問題拆成小塊，然後一個一個解決，或者分配給能解決的人。凡是讓我擔心的事，我都會告訴一個能做點什麼的人。 說出來了，負擔就分攤了。
然後就是遺忘。
你得學會忘記。不能什麼都記著、什麼都扛著。分解問題、分享負擔、然後忘掉它。
這跟頂級運動員一樣。上一分已經過去了，只關心下一分。
Lex：你說過如果提前知道有多難就不會創辦 NVIDIA，但……
黃仁勳：
所有值得做的事情應該都是這樣。
有一種超能力叫「孩子心態」。我面對幾乎所有事情的第一反應是：
能有多難？
沒有人做過，規模巨大，要花幾千億美元。你就這麼想：「能有多難呢？」
你不要提前模擬所有的挫折和羞辱。你應該帶著「一切都會順順利利」的心態走進新體驗。等挫折真的來了，它們會讓你意外，但你得有韌性，得能忘掉，得繼續走。
只要我對未來的假設沒變，我對輸出的判斷就不會變。那就繼續走。
智能與人性
Lex：你覺得人類意識中有什麼是晶片永遠無法複製的嗎？
黃仁勳：
我不確定晶片會不會緊張。
AI 可以識別和理解情緒，但我的晶片不會「感受」到那些東西。而那些感受，焦慮、興奮、恐懼，深刻地影響著人的表現。兩個拿到完全相同資訊的人，可能產生截然不同的結果，並非某個演算法不同，純粹是因為「感覺不同」。
Lex：那你怎麼看智能這個詞？
黃仁勳：
智能這個詞被抬得太高了。
我身邊 60 個人，每一個在各自領域都比我聰明，他們學歷更高、學校更好、研究更深。但我坐在他們中間，協調所有人。你得問自己：一個洗碗工……憑什麼坐在一群超人類專家的中間？
智能是功能性的東西。人性不是。人性是一個大得多的詞。
我們的社會把太多東西塞進了「智能」這一個詞裡。但人的一生遠不止一個詞。我的經歷表明，在智能曲線上比身邊所有人都低，並不妨礙你成為最成功的那個。
別讓智能的民主化、商品化給你帶來焦慮。你應該受到鼓舞。
死在崗位上
Lex：你想過自己的死亡嗎？
黃仁勳：
我真的不想死。我有很好的家庭，很好的生活，還有極其重要的工作。這不是「一生一次」的經歷，因為那暗示很多人都經歷過。這是「人類歷史一次」的經歷。
我不相信接班人計畫。這並非因為我覺得自己不朽。如果你真擔心接班，那你現在該做什麼？答案是：每時每刻都在傳遞知識。
任何學到的東西，在我桌上停留不超過一秒。我還沒完全消化完，就已經在指給別人看了。
我希望的結局是，死在崗位上，最好是瞬間的，沒有漫長的痛苦。
Lex：什麼給你希望？
黃仁勳：
我一直對人類的善良、慷慨和同理心有極大的信心。有時候比應有的還多，偶爾被佔便宜，但這從沒改變過我。
期待疾病的終結，是合理的。期待污染大幅減少，是合理的。期待以光速旅行，也是合理的。
不是遠距離，是短距離。怎麼實現？我很快就會把一個人形機器人送上太空飛船。它會在飛行途中不斷改進。等時機到了，我的意識，我的收件箱裡的一切，我說過的一切，我做過的一切，都已經上傳到網上了。到時候以光速發過去，追上我的機器人。
Lex：這真精彩。理解生物機器，你覺得還要多久？
黃仁勳：就在眼前了。大概五年。
Lex：然後是人類大腦，理論物理……
黃仁勳：
解釋意識。那個就太酷了。
(AGI Hunt)