最近，黃仁勳做客《紐約時報》埃茲拉·克萊恩的播客。這場談話的背景是一場分歧：圖靈獎得主傑佛瑞·辛頓給出AI終結人類文明的機率約10%，Anthropic的達里歐·阿莫代伊和OpenAI的奧特曼都在呼籲政府立安全門檻。
身處產業鏈最核心位置的輝達，卻表現出一種截然不同的工程師現實主義。黃仁勳談到：“我始終認為，僅僅因為擺出一副警報拉響者的姿態，並不意味著你就在履行社會責任。當年傑佛瑞·辛頓預言‘五年內放射科醫生將被完全取代，醫學院應當立刻停止招生’，事實證明錯得離譜。用毫無嚴謹科學依據的末日論嚇唬年輕人，甚至讓他們對接受高等教育失去信心，這種言論沒有任何建設性。”
以下是黃仁勳這次訪談內容的精華整理。
01. AI這場工業革命，值錢的部分在那？
1.先看這塊五層蛋糕，錢在應用層
我常把AI產業比作一塊五層蛋糕。
最底層是能源，還有把能源變成算力的晶片，這就是我們說的AI工廠（把電力和晶片組合起來、持續產出智能的算力叢集，我更願意叫它工廠，而不是機房）。
往上一層是基礎設施和雲服務，再往上是模型層，這裡不只是大語言模型，還有物理、化學、生物、機器人、自動駕駛這些專用基礎模型。最上面一層也是最關鍵的，是最直接產生經濟價值的應用層。醫療、法律、製造、金融，所有傳統行業都是從這一層接入技術紅利的。
這是一場要動用工廠才能完成的工業革命。使用者摸到的是軟體，底下壓著的是電和晶片。
從最上面的應用層往下看，事情會走到那一步？
我的判斷是：200年前，電力讓我們能驅動機器；三四十年前，網際網路讓我們能檢索資訊；接下來，我們會進入一個什麼都知道、也什麼都能幹的階段。
過去你得一頁一頁點開連結，自己翻、自己辨、再拼起來。以後你把一個複雜的需求說清楚，雲端直接給你一個想周全了的做法；你交代一個工程項目，系統給出能落地的方案，還能自己往下推。知識工作會變成另一個樣子。
現在大家對AI的印象還停留在對話方塊，真正吃勁的地方在工業場景。放射科是個典型例子。過去十年，電腦視覺（讓機器看懂圖像的技術）成熟之後，AI已經真正走進了絕大多數現代放射科的流程，今天幾乎所有影像分析工具裡都整合了輔助識別演算法，它能以極高且穩定的精度捕捉細微異常。
2.放射科醫生沒有消失，消失的是讀片
外界常用這個例子擔憂職業消亡。但要看清楚一件事：工作的核心目標，和實現目標的日常任務，是兩回事。
放射科醫生的核心目標，是精準診斷病因、協助臨床醫生制定治療方案、改善患者預後。而過去大量佔掉他們時間的日常任務，是整天坐在暗室裡，用肉眼篩查成百上千張切片。
讀片這項重複耗時的任務交給演算法之後，核心目標沒有變。醫生可以騰出精力處理更複雜的病例，跟患者和臨床團隊做更深入的方案推敲。
對醫院來說，單位時間內的檢測和診療吞吐量大幅上升，反而需要配置更多優秀的放射科醫生來應對增長的就診需求。病人對高水平醫療的需求是沒有上限的，效率提上去，服務供給反而要變大。
軟體工程師的演進邏輯也一樣。有人說短期內絕大多數程式碼都會由自動化Agent生成，程式設計師群體要消亡了。
這個結論混淆了手段和目的。工程師的靈魂在於工程，不只是手寫程式碼。
現代高級程式語言出現之前，工程學已經存在了幾千年。就算寫程式碼這個過程被完全封裝自動化，工程的核心使命依然是：發現現實世界的新問題、權衡技術可行性、構思新產品形態。
我剛大學畢業時，行業里根本沒有現代意義上的軟體工程輔助體系，我們的工作照樣紮實存在。把敲程式碼這種日常任務剝離給工具，只會讓工程師更專注在系統架構和價值創造上。
02. 就業和開源：兩筆被算錯的帳
1.工作量不是一個固定大小的餅
歷史上技術替代人力確實客觀存在，今天美國的農業和傳統製造業從業人口比例遠低於幾十年前。
批評者說AI有兩個不一樣的地方：一是它通用，幾乎能平移到任何用腦子的領域；二是它會模仿人的意圖，過去那種“資本替掉體力、人往腦力上走”的緩衝墊，這回可能沒有了。
我的判斷還是：未來主要趨勢是工作內容的深層重組，整體會帶來新崗位的淨增長。
回頭看這幾十年，現代康養、高端文娛、個性化旅遊、現代奢侈品，半個世紀前基本都不存在。一個經濟體把基礎效率解決之後，一定會自己長出新的服務形態和新的生意。
很多人算這筆帳算得太機械。他們把全社會的工作量看成一個大小不變的餅，自動化一進去，需要的工時少了，於是推匯出大批人要失業。
這種靜態推導忽略了經濟運行裡最核心的內生變數：人類的野心。這種想過得更好、想往前多走一步、想知道外面是什麼的慾望，沒法用焦耳或卡路里來量，但它才是讓商業和社會不斷變大的那股勁。
現存工作的效率一旦釋放出來，人的野心馬上會去開闢更大的新需求。
對普通人來說，訴求可能就是作息穩定、養家餬口，而Agent能7×24小時連軸轉。這個陣痛我承認是有的。但技術進化越快，恰恰意味著它用起來越容易。
電腦剛普及時，它強大，但也難用。想用它的算力，你得先啃下一門難懂的機器語言，C、C++、Fortran或者CUDA（輝達的平行計算程式設計平台，讓開發者能直接調動GPU做通用計算）。
現在門檻已經抹平了，人人都會說的自然語言就是唯一的介面。你只要能把自己的需求、邏輯和想法用大白話說清楚，背後的算力就能幫你把複雜的工程做出來。過去全球只有一兩千萬專業程式設計師擁有的數位化生產力，正在被平等地下放給數十億普通人。
最划算的做法不是慌著防守，而是盡快把這個低門檻的工具放進自己的工作流，做那個會用槓桿的人。
教育這邊的反思我也看到了。有一項跟蹤兩萬多名學生的研究，用了AI輔導之後，作業效率明顯提高，但離開工具做閉卷考試時，深度解題的能力往下掉了。
一些底層的機械計算技能退化，是躲不掉的。算盤普及之後，人的心算退化了；計算器普及之後，紙筆運算退化了。換來的是什麼？是人可以站到更高的抽象層級上，去處理更宏觀的系統級問題。
我年輕時設計的第一款晶片只有幾百個電晶體，每一個電晶體的物理特性和連線我都熟。
現在的晶片動輒幾百億、上兆個電晶體，今天沒有一個晶片工程師還在微觀層面死磕布線，大家都在調高層級的系統模組和架構邏輯。基礎技能剝離出去，年輕一代就能把精力投向高維度的邏輯編排和跨領域整合。
2.開源不是做慈善，是產業的底座
模型層一直有閉源和開源兩條路徑在競爭。我一直大力支援開源，輝達最近還以超過120億美元的估值收購了開源託管社區HuggingFace。
先把話說清楚，閉源是經過歷史驗證的好生意。微軟的Windows、蘋果的生態，都是靠封閉、獨有的產品體驗完成商業閉環。OpenAI、Anthropic、Google在這條路上聚集了一批頂尖科研人才，持續探索前沿性能的邊界。
但從產業基礎設施的角度看，世界同樣離不開開源。AI模型未來會成為每一個國家、每一家大型企業賴以運轉的核心底座。
從今年初到現在，產業裡算力的呼叫分佈已經明顯變了，開源模型佔的Token（模型處理文字的最小計費單位）消耗份額正在快速上升。
收購HuggingFace的邏輯就在這裡。它的CEO意識到，開源生態的體量在指數級膨脹，平台需要非常龐大的工程底座和算力，才撐得住全球開發者的協作。輝達作為底層技術平台，需要為全行業開發者提供一個穩定、高效、可擴展的基礎樞紐。
開源還是確保全行業網路安全的關鍵基石。要擋住新型的數字風險，最有效的辦法不是指望黑盒演算法永遠不出錯，而是讓全球的安全團隊都能拿到完全透明的模型底層，有針對性地訓練防禦和攔截手段。
很多人問，中國在開源生態上為什麼表現得格外敏銳。這跟它的產業演進路徑關係很大。
從PC網際網路到移動網際網路，開放原始碼軟體始終是中國科技生態的核心土壤。人才流動頻繁，創業競爭又激烈，團隊很難靠捂著一套演算法長期建立壁壘，於是大家更願意快速擁抱開源，在落地和工程效率上見真章。
更關鍵的是人才基數。中國每年培養出海量優秀的工程師、數學家和電腦專業人才，這批人進到開源社區，自然會形成一個很有生命力的落地飛輪。
03. 末日論，既不明智，也不負責任
辛頓多次公開說，AI讓人類文明終結的機率大概在10%左右。這個數字沒有任何嚴謹的同行評議文獻支撐，也沒有經得起推敲的數理模型推演，只是一位知名科學家的個人直覺。但披上權威的外衣之後，它對公眾認知的干擾非常大。
回頭看辛頓過去公開做的那些行業斷言，精準率很成問題。幾年前他就斷言，深度學習會在極短時間內徹底替代放射科醫生，還呼籲社會停止培養新的專業人員。如果當年決策者真信了他這句話，今天全球的醫療體系會面臨多大的專業人才斷層？
如今這種沒有實證依據的末日論又回來了，甚至讓很多年輕學生產生很強的虛無感，懷疑接受系統專業教育還有沒有價值。靠製造恐慌來吸引眼球，絕不是值得提倡的社會責任。
ScalingLaw（規模法則，模型能力隨算力、參數和資料量增長而提升的經驗規律）過去確實展現過驚人的精準度，但這不能拿來簡單地外推未來。早期那種靠擴大參數量、投喂海量無監督語料的預訓練規模法則，邊際效應早就開始放緩了。
如果單靠預訓練堆算力就能解決所有問題，那過去一年全行業為什麼都轉向了以思維鏈和搜尋樹為代表的第二縮放定律，也就是推理期規模法則（Test-timeScaling，把算力從訓練環節挪到回答環節，讓模型在給出答案前多推導幾步）？這本身就說明，早期那條簡單的路遇到了瓶頸。
再看那些炒過頭的論調。曾經有人宣稱大模型會瞬間摧毀現代企業軟體體系，讓傳統SaaS（軟體即服務，按月訂閱使用的雲端軟體）全面滅絕。現實是什麼？今天大模型真正產生生產力價值的關鍵，恰恰在於它學會了穩定呼叫已有的企業軟體工具。
保持敬畏和審慎是對的，但不能因此把普通的軟體工程神化了。
軟體那來的自主意志？它消耗的只是電網送過來的電。電源一斷，它就是一堆靜止的矽片。軟體看上去能一直存在，都是工程師給它寫了後台駐留、斷點續跑的程式碼，跟生命體那種自我驅動完全是兩回事。
今天很多人掛在嘴邊的Agent核心動作，派生（Fork，讓一個處理程序複製出子處理程序）、休眠（Sleep，讓處理程序暫停讓出資源）、殺死（Kill，強制結束處理程序），這些術語從三四十年前多工作業系統誕生的那一刻起，就被用來定義底層處理程序狀態了。
一個主處理程序派生出子處理程序，工程上就叫Fork；一個處理程序陷入死鎖，工程師敲下命令把它Kill掉。過去半個世紀我們一直在處理同一類體系架構工程。
問題在於，很多人脫離了底層運行機制，人為給這些電腦術語塗上一層生物學和玄學的色彩。在我的認知裡，大模型不是什麼不可觸碰的神壇，它就是非常精密的超大規模矩陣運算。如果它真是一團無法被工程化理解和駕馭的黑盒混沌，輝達根本不可能在它上面建起數十億美元規模的物理系統。
智能在電腦科學裡有非常清晰、樸素、能用程式碼拆解的定義，由三個環節構成：
- 感知，精準捕捉並數位化解析物理與虛擬世界的多維輸入資訊；
- 推理，將複雜輸入情境拆解、抽象為更基礎的、更具因果關聯的原子級邏輯單元；
- 規劃，針對預設的目標函數，在多重約束條件下推演出一條最優的閉環執行路徑。
眼下的文字模型、多Agent協作系統、人形機器人、高級自動駕駛，無一例外都跑在這三個經典工程範式裡。這是無數工程師用電晶體、演算法架構和訓練資料一步一步搭出來的體系，有跡可循，也完全可以用工程手段修正。
04. 錢、管制和電力，三筆大帳
資本市場上不少聲音開始把AI的狂熱與2000年前後的網際網路泡沫相提並論。
任何新技術周期放到長波段裡看，都逃不開供需關係的客觀規律。但這一輪供求關係的逆轉，接下來兩三年內還不太可能出現。
將來某個時間點，算力供給規模確實可能逐步追平、甚至階段性超出實際業務的消化速度。到那時，市場自然會進入一個資產消化期，也許半年，也許一年。
這正是輝達現在極力把資源下沉到應用層的核心原因。只有當實體經濟，從零售巨頭、物流網路、商業銀行、藥企研發到建築工程，都能在日常營運中從這項技術裡榨出真金白銀的生產力回報，底層的重資產算力投資才能形成穩固的商業閉環。
談到中美AI競爭，業內有個流行說法：美國在大模型前沿能力上領先，中國在行業應用普及和工業場景擴散上執行力更強。
衡量一場工業革命最終成功與否的標準，不在於少數尖端實驗室的紙面跑分，而在於全社會的產業擴散深度。
光讓少數幾家明星公司擁有最強算力是不夠的。必須是整個實體產業，包括能源網路、傳統製造、交通運輸和現代服務業，都能低門檻、高效率地部署和運行這些技術，這個國家的整體經濟競爭力才算真正升級。
這也是我對那些過激的末日恐慌敘事深感憂慮的原因。這種無端焦慮最大的壞處，就是讓那些本該積極嘗試用AI提質增效的實體工業企業停了下來。
當技術被輿論包裝成不可預知的風險來源，真正嚴肅的企業管理層必然會對系統級接入產生遲疑，這實際上是在拖慢產業數位化的處理程序。
晶片出口管制也是同一個道理，必須站在更長期的國家利益上算大帳。美國最根本的戰略利益，是確保未來全球的數字商業基礎設施，依然深深紮根在美國主導的技術堆疊上，就像全球貿易依然用美元結算、國際商務廣泛使用英語一樣。
當你單方面放棄一個體量巨大的海外市場，表面上是限制了對方拿到最新硬體的節奏，實質上也剝奪了本國科技企業賴以維持高強度研發循環的龐大現金流和市場生態。
失去海外市場的反哺，本土半導體產業鏈的技術再投資能力會被削弱，更麻煩的是，這會逼著全球龐大的開發者群體加速去適配非美的底層生態和標準。
最後回到支撐這塊五層蛋糕的最底層：能源。
未來三到五年，為了維持技術迭代的供電連續性，我們確實不得不現實地依靠天然氣等傳統化石能源來填供給缺口，這是迴避不了的物理事實。
但放到十年的周期看，AI不僅不會成為綠色轉型的絆腳石，反而正在成為全球清潔能源革命有史以來最強大的商業推手。
超大規模AI工廠對24小時不間斷的零碳穩定電力極度渴求。於是歷史上第一次出現了這種情況：完全沒有政府財政補貼，純粹基於嚴肅的商業回報邏輯，數以百億計的市場化風投資本正在快速湧入先進核能、小型模組化反應堆、地熱發電和下一代大容量長時儲能技術。
這就像一次複雜的外科手術，身體徹底恢復之前，總要先挨那一下切開的痛。
05. 我的底層思維，來自三本書
第一本是約翰·軒尼詩與大衛·帕特森合著的《電腦體系結構：定量研究方法》。
它把原本懸在空中、極度抽象的電腦架構理念，徹底拆成了一整套可以用數學定量建模、用具體工程方法反覆驗證的精密體系。它教會我怎麼用純粹的工程學思維，去剖析那些看似深不見底的龐大系統難題。
第二本是克萊頓·克里斯坦森的《創新者的窘境》。
它能讓你在市場狂熱中保持清醒，讀懂顛覆性技術的孕育周期和演進節奏，從而建立理性的商業預期。
第三本是阿爾·裡斯與傑克·特勞特的《定位》。
很多人把它當成一本行銷書，在我看來它是一本深刻的商業戰略論著，核心價值在於探討人的心智怎麼認知和過濾外部世界的資訊。只有理解了外部世界怎麼感知你的企業意圖和產品形態，你才學會在紛繁複雜的人性認知中精準錨定戰略卡位。
這三本書放在一起，就是我面對這一輪AI狂熱時的全部工具箱：把抽象問題拆成可驗證的工程問題，看清技術演進的真實節奏，再想明白外界會如何理解你做的事。 (華夏基石e洞察)