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。
兩年前，大家認識 ChatGPT 時，它最核心的能力，還是理解輸入的資訊，並把一種資訊形式轉換成另一種資訊形式。比如文字到文字、文字到圖像、圖像到文字。也就是說，AI 當時主要是在做“轉換”，這就是我們說的生成式 AI。
但生成式 AI 真正重要的地方在於，它不僅能理解和生成，還為“思考”打下了基礎。因為只有能生成語言，才可能形成內部思維、推理、逐步分析和問題求解。
進一步說，AI 還開始具備生成“控制”的能力。它可以呼叫工具，比如瀏覽器、表格、Photoshop、PowerPoint、AutoCAD。今天這些工具還是數字工具，但未來這些工具會變成機械系統。如果 AI 為機械系統生成指令，那就是機器人；如果 AI 為帶方向盤的機器生成指令，那就是自動駕駛汽車。
兩年前，很多人覺得 ChatGPT 只是有趣，甚至會胡說八道。這些評價並不完全錯。但更重要的是，它是今天這一切的基礎技術。
到了今天，AI 已經進入智能體階段。它不只是理解資訊，而是能夠推理、執行任務、完成工作。而這就是 AI 價值真正開始爆發的原因。
兩年前，AI 更像是一個會寫詩、會陪你玩文字遊戲的系統。現在，AI 可以實際完成工作。一旦它能完成工作，它就具備了明確的商業價值。我們不會為“只是聰明”付錢，但我們會為“能把事情做完”付錢。所以今天 AI 成為了歷史上增長最快的軟體業務之一，因為它正在創造可計價的勞動成果。
這是看待 AI 的第一個角度：AI 能做什麼。
二、AI 正在把計算從“檢索”改寫為“生成”
第二個角度，是從產業的角度去看。當 AI 具備這樣的能力後，醫療、金融、生命科學、製造、物流、交通、零售、廣告、娛樂等各個行業都會發生變化。但除了看下遊行業，更應該往上游看：為了實現這一切，計算基礎設施本身發生了什麼變化？
過去 60 年，電腦基本上是“檢索式”的。你把內容寫成檔案、保存下來，需要的時候再從儲存中取回。所以我們把這些地方叫資料中心，因為它們主要是在存資料、取資料。
但 AI 不是這樣工作的。每次你給 AI 一個上下文和一個問題，它都會基於當下的語境重新理解、重新推理、重新生成答案。這意味著，它不是在“取回”答案，而是在“現場生成”答案。
這就是一個本質性的變化：計算，正在從“檢索”轉向“生成”。未來你看到的文字、圖像、視訊、廣告，越來越多都將是為你當場生成的，而不是從資料庫裡原樣取出來的。
如果未來一切都要被即時生成，那我們就需要大量“生成器”。輝達 建構的，正是這種生成器。這些大型計算系統正在持續生成智能。
三、AI 工廠為什麼會成為新一代基礎設施
接下來要問的問題是：這個市場會有多大？
今天，全球大約有 10 億人在使用網際網路服務。但未來，不只是人會接入網路，智能體也會接入網路。一個智能體會和另一個智能體溝通，協同完成任務。公司內部會有大量智能體互相配合，自動駕駛汽車是智能體，機器人是智能體，製造系統和建築也都可能成為智能體系統的一部分。
未來的網際網路，很可能不只是服務幾十億人，而是服務數以百億計的智能體。這些智能體會全天候工作、交流、協作。它們生成命令，也生成理解和推理。
換句話說，世界會被一層“持續生成智能的計算系統”包裹起來。
聽起來很誇張，但類似的事情其實已經發生過兩次。一次是電網，一次是網際網路。能源基礎設施包裹了整個世界，通訊網路也包裹了整個世界。而接下來，智能基礎設施也會包裹整個世界。
所以 輝達 所做的，就是建造這種新機器。300 年前的發電機，是把原子和運動轉成電子；今天的 AI 工廠，是把電子轉成數字；而這些數字經過組合，可以變成語言、數學、蛋白質、生物學、物理學、氣候模型、機器人控制、自動駕駛等各種形式的智能。
這就是為什麼我把它叫作“工廠”。因為它是在持續生產。它生產的是 token，本質上就是數字；而這些數字，最終構成了智能。
那麼，企業和個人應該怎樣參與這場革命？
四、如何理解 AI 的五層產業結構
要理解 AI 的投資機會，可以把整個產業看成一個“五層蛋糕”。
第一層，是能源。這是能源行業幾代人以來最大的增長機會之一。無論是核能、風能、太陽能還是氫能，只要能夠提供能源，就會獲得投資。
第二層，是晶片、電腦、網路、交換機、矽光子等計算硬體。
第三層，是基礎設施，包括土地、電力、機房、資金、資料中心營運。這些資源現在都很稀缺。
第四層，是模型層，也就是大家平時最容易直接聯想到 AI 的那一層，比如 OpenAI、Anthropic這樣的公司。
第五層，是應用層。也就是把 AI 用在金融、法律、會計、物流、交通、製造等具體場景中，去改善人類生活與工作方式的那一層。
今天，市場資金正在迅速流向這五層結構。而真正不能忽視的是：AI 並不只屬於語言模型。AI 能學習一切“有結構”的東西。
只要世界中的某種對象具備穩定結構、可預測關係，AI 就有機會學習它的“語言”和“意義”。蛋白質、細胞、基因、人體、物理世界、三維空間，都屬於這一類。從電腦的角度看，詞語、圖像、蛋白質、汽車，本質上都可以表示成 token。
所以 AI 的未來不只是聊天機器人，而是一個覆蓋物理世界、生命科學和各類產業系統的巨大產業。語言模型只是其中一部分。整個物理世界相關產業的規模，遠大於今天大家通常談論的那一小部分 AI。
而在最上層，大量初創公司正在圍繞金融、法律、會計、交通、物流等場景做應用創新。這就是為什麼 AI 是一個多層次、跨行業、長期性的產業機會。
如果你問這個產業會有多大，核心問題其實只有幾個：智能有多重要？誰需要智能？他們需要多少智能？只要你認真想這個問題，你就會理解，AI 不會只是一個小行業。
這也意味著，它不僅創造軟體機會，也會創造硬體、基礎設施和現實世界中的大量工作崗位。
五、AI 不是簡單替代工作，而是在重塑工作
而且我想特別強調一點：不要被那些關於 AI 的誇張敘事嚇到。把 AI 說成《終結者》、奇點降臨、20% 機率毀滅人類，這些說法並不嚴肅。
AI 是電腦和軟體系統。如果人們真的完全不知道它怎麼工作，就不可能年復一年地把它做得越來越好。所以不要被恐懼敘事帶偏。
真正需要警惕的不是 AI 本身，而是“會使用 AI 的人”。你不一定會輸給 AI，但你很可能會輸給那個比你更會用 AI 的人。所以最重要的，不是逃避，而是主動使用它。
這件事尤其重要，因為它關係到下一代。如果 AI 是一種新型超能力，那正確的做法不是遠離它，而是盡快學會使用它。
同時，安全也非常重要。科技行業、科學家和工程師有責任把 AI 做得更安全、更可靠。過去幾年，AI 在真實性約束、事實核驗、反思機制和安全護欄方面進步非常快。
所以我們一方面要把 AI 建設得更安全，另一方面也要鼓勵更多人真正參與進來。
接下來談工作。我非常反對“AI 會簡單消滅工作”的說法。
今年，大量資金流入能源、晶片、基礎設施、模型和應用層，所有這些領域都在創造大量工作崗位。所以問題不是“AI 會不會創造工作”，而是它會怎樣重塑工作。
理解這個問題，關鍵是分清楚“工作”和“任務”。一個人的工作，不等於他每天執行的具體任務。
比如 CEO 的很多具體任務是打字和說話，而 AI 在這兩件事上已經非常強。但 CEO 這個崗位並沒有因此消失，反而可能變得更忙。因為崗位的真正核心不是“打字”或“說話”，而是判斷、領導、決策和推動組織前進。
放射科醫生也是一樣。早就有人預言，電腦視覺一旦成熟，放射科醫生會消失。結果是：電腦視覺確實全面進入了放射學流程，但放射科醫生並沒有消失，需求反而增加了。
原因很簡單。AI 提升了醫生看片和分析影像的效率，使醫院能夠接納更多病人、完成更多檢查、提升科室收益。於是，系統反而需要更多放射科醫生去參與診斷、協同醫生、服務更多患者。
軟體工程也是同樣的邏輯。軟體工程師的核心職責不是單純打程式碼，而是解決問題、發現問題、創造新產品。所以 AI 可能改變他們寫程式碼的方式，卻不會簡單抹掉這個職業的真正價值。
因此，判斷 AI 對工作的影響，不能只看任務是否被自動化，更要看這個職業存在的真正目的是什麼。
AI 不只是替代某個動作，它更可能提升人的能力邊界。未來，水管工不只是執行工單，還可能借助 AI 參與設計；木工不只是拼木頭，還可能成為空間設計師；家具銷售不只是賣產品，還可能成為家居顧問。
也就是說，AI 可能推動很多職業從“執行者”向“更高層次的專業服務者”升級。
我認為，當下關於 AI 的很多悲觀敘事都錯了。AI 其實是我職業生涯裡，最有可能縮小技術鴻溝的一種力量。過去幾十年，電腦越來越複雜，會程式設計的人在總人口中的比例反而越來越低。而今天，借助自然語言介面，越來越多普通人第一次真正獲得了“操作電腦、驅動電腦”的能力。
這意味著，AI 有可能把更多人帶入技術世界，而不是把更多人排除在外。
六、從檢索時代走向生成時代
我們正在從檢索時代走向生成時代；智能正在像能源和通訊一樣，成為新的基礎設施；AI 不只理解語言，也在理解蛋白質、生物學、物理和現實世界；整個產業有五層結構，參與機會遠比很多人想像的更廣；而 AI 帶來的變化，不只是效率提升，還會推動人從“完成任務”走向“定義問題、設計方案、提升價值”。 (AI工業)