黃仁勳酒後一番暴論

美国时间 2 月 3 日晚间，一场本该正襟危坐的顶级科技对话，最终变成了一场 “五杯酒后的坦白局”。 刚结束中国之行、甚至还没来得及倒时差的英伟达 CEO 黄仁勋，坐在了思科 CEO 查克·罗宾斯 (Chuck Robbins) 对面。 几杯酒下肚，黄仁勋的嗓音开始沙哑，但话语却越来越犀利。借着酒劲，黄仁勋不仅 “砸” 了程序员的饭碗，“怼” 了管理学的教条，甚至还对几家世界级巨头来了一波贴脸 “拉踩”： 关于程序员：“编程？那只是打字而已。打字已经不值钱了。” 关于控制欲：“如果你想掌控创新，那你该去看看心理医生。” 关于摩尔定律：“10 年算力提升了 100 万倍，在这种速度面前，昔日的摩尔定律简直慢得像蜗牛在爬。” 关于传统巨头：“我很爱迪士尼，但我敢肯定他们更想成为 Netflix；我很爱梅赛德斯，但我确信他们更想成为特斯拉。” 关于 AI 进化：“为什么要让人去适应工具？让 AI 学会使用工具，我们才能创造出真正的 ‘数字劳动力’。” 黄仁勋用这些 “爆论” 提醒所有掌舵者：在指数级进化的浪潮面前，你过去引以为傲的经验，注定将被时代无情淘汰。 “失控” 的百花齐放：你的第一课不是 ROI，是 “放手” 当罗宾斯问及企业迈向 AI 的第一步应该是什么时，黄仁勋的回答绕开了所有常规的商业话术。“我经常被问到投资回报率这类问题，但我不会先谈那个。” 他直截了当地说。在他看来，在技术爆发的黎明期，用电子表格去框定价值是徒劳的，甚至是危险的，因为这只会扼杀探索的触角。 他拿出了英伟达内部的实践作为例子：让 “百花齐放”。在英伟达内部，AI 项目多到几乎失控。“注意我刚才说的：失控，但棒极了。” 黄仁勋强调。他对此的解释充满哲学意味：“创新并不总是在掌控之中。如果你想掌控一切，首先应该去咨询心理医生；其次，那是一种错觉，你根本掌控不了。” 他的管理逻辑简单到令人惊讶，像对待孩子一样对待团队的好奇心。“当我们的某个团队说想尝试某种 AI 时，我的第一个回答是 ‘可以’，然后我会问 ‘为什么’。我不是先问为什么再同意，而是先同意再问为什么。” 他对比道，我们在家里从不这样要求先给出证明，但在工作中却这样做，这对他来说毫无逻辑。 黄仁勋描绘的路径图清晰而反直觉：第一步不是制定严谨的试点计划，而是允许甚至鼓励 “安全地试错”。让每个有想法的团队去接触、去尝试各种 AI 工具，无论是 Anthropic、Codex 还是 Gemini。 其目的不是立即产出效益，而是培养组织的 “AI 感觉”。只有经过一段充分甚至略显混乱的百花齐放期，领导者才能凭借直觉和观察，知道何时该开始 “修剪花园”，将资源集中到真正重要的方向上。“但你不能太早集中力量，否则会选错箭。” 他警告道。 从 “螺丝刀” 到 “创造劳动力”：AI 工厂的本质是价值转移 那么，当企业开始探索之后，究竟要看向何方？黄仁勋用 “AI 工厂” 这个概念，描绘了一幅远比提升效率更宏大的图景。他认为，我们正在经历从 “制造工具” 到 “创造劳动力” 的根本性转变。 “我和查克所在的行业一直在制造工具，始终在做螺丝刀和锤子的生意。” 过去几十年，科技公司生产软件、芯片、网络设备，这些都是工具，是原子世界效率的延伸。 但 AI，特别是能够理解物理世界、具备因果推理能力的物理 AI，将改变游戏规则。“有史以来第一次，我们要创造人们所谓的 ‘劳动力’，或者是 ‘增强型劳动力’。” 他举例说，自动驾驶汽车本质上是一个数字司机，而这个数字司机的生命周期经济价值，将远超汽车本身这个硬件。 这才是 “AI 工厂” 的深层含义：它不是一个存放服务器的机房，而是一个源源不断产出 “数字劳动力” 的新型价值创造中心。这种劳动力可以是一个永不疲倦的客服，一个实时优化供应链的调度员，或是一个能协同设计的工程师助手。 黄仁勋给出了一个震撼的数字对比：全球 IT 产业规模大约在 1 万亿美元，而全球经济总量是 100 万亿美元。“我们第一次面对一个拓宽了百倍的潜在市场总量。” 这意味着，AI 带来的最大机会不是瓜分现有的 IT 预算，而是去渗透和重塑那剩下的 99 万亿实体经济。 每一个行业都有机会通过注入这种数字劳动力，将自己重塑为一家技术公司。“我相信迪士尼宁愿成为 Netflix，梅赛德斯宁愿成为特斯拉，沃尔玛宁愿成为亚马逊。” 他尖锐地指出，你们所有人都是这样的。 “无限快” 与 “零重力”：用 AI 思维重新定义难题 如何才能真正抓住这百万亿级的机遇？黄仁勋提出了一个颠覆性的思维模型：用 “丰盈”(Abundance) 的假设来思考一切。 他讽刺地说，在 AI 时代，昔日的摩尔定律慢得简直像蜗牛爬。现在，我们需要建立新的认知基准。“过去 10 年，我们的算力提升了多少？10 年 100 万倍。” 在这种指数级丰盈的前提下，企业领导者的思维必须升级。 “现在当我想象一个工程问题时，我假设我的技术、我的工具、我的飞船是无限快的。去纽约要多久？一秒钟就到。” 他启发式地问道，如果一秒钟能到纽约，你会做些什么不同的事？如果过去需要一年的事情现在能实时完成，你会做些什么不同的事？如果过去很重的东西现在变得没有引力了，你会如何处理？ 他要求管理者将这种无限快、零重力的假设应用到公司最核心、最棘手的难题上。比如面对一个拥有数万亿关联关系的复杂网络分析，过去的做法是分而治之。“现在则是：把整个图都给我，多大都行，我不在乎。” 这种逻辑正在被应用到各处。如果你不应用这种逻辑，你就做错了。 这不再是渐进式的优化，而是用技术富足的可能性去重新定义问题本身的边界。他警告，如果你的竞争对手或某个初创公司以这种思维方式发起挑战，他们将从根本上改变游戏规则。 你的 “问题” 比答案更值钱：主权 AI 与未来公司内核 在畅想了无处不在的数字劳动力之后，黄仁勋将话题拉回一个更现实也更隐秘的关切：数据主权与核心知识产权。 针对企业应该完全依赖公有云还是自建 AI 能力的问题，他的建议如同教孩子学骑车。“自己造一台。尽管 PC 随处可见，但去动手造一台，去弄明白为什么这些组件会存在。” 他认为，企业必须拥有 “切身的技术掌控力”。 更重要的是，他提出了一个尖锐的观点：公司最宝贵的知识产权，可能不是储存在数据库里的答案，而是员工与 AI 交互过程中产生的 “问题”。“我不放心把英伟达的所有对话都放在云端，因为对我来说，核心知识产权不是答案，而是我的提问。” 黄仁勋解释道：“我的提问才是我最有价值的 IP。我在思考什么，我的提问反映了这一点。答案是廉价的。如果我知道该问什么，我就锁定了重点。我不希望别人知道我认为什么是重要的。” 因此，他认为涉及战略思考的对话，必须在受控的本地环境中进行。他描述道，未来每个员工都会有许多 AI 助手，这些 AI 持续学习员工的决策和疑问，最终这些进化了的 AI 将成为公司沉淀下来的独特智能资产。“这就是未来的公司，它会捕捉我们的生命经验。” 五层蛋糕与 “预录制” 时代的终结：从检索到生成的根本革命 当谈到具体实施路径时，黄仁勋回溯了一场持续了 15 年的认知革命。 他追溯至 AlexNet 代表的第一次接触时刻，并得出一个结论：世界大多数难题并无精确物理定律可循，答案往往是视具体情境而定。这类依赖上下文的问题，正是 AI 能够大显身手的领域。 真正的拐点是自监督学习的突破，这使得参数从数亿爆炸性增长至数万亿。他断言：“我们将从底层重塑计算。计算将从显式编程转向一种全新的范式，即通过模型学习软件。” 紧接着，黄仁勋用了一个精妙的比喻：我们正从 “预录制” 时代，迈入了 “生成式” 时代。 “过去的软件之所以是 ‘预录制’ 的，是因为它装在 CD-ROM 里。” 在旧范式里，软件如同刻录好的光盘，用户交互本质上是检索。而未来的软件将是高度场景化的。“每个场景都不同，每个使用者、每个提示词、每个背景都不同。每一份软件实例都是独特的。” 未来的应用将根据实时上下文、意图和背景，动态生成独一无二的响应、界面甚至功能。这就是生成式的核心，传统的硬件、框架、模型各层的构建逻辑都已改变。 隐式编程革命：当 “打字” 成为通用技能，你的专长才是王牌 在这场深刻变革中，行业知识的价值正在飙升。“从显式编程到隐式编程，你只需要告诉计算机你想要什么，计算机就会写代码。” 他指出，这场持续了 60 年的以编写精确代码为核心的计算范式正在终结。“因为事实证明，写代码只是打字而已，而打字已变得平庸化。” 这意味着技术能力的门槛将被极大降低。相反，那些深谙业务但不懂技术的领域专家，将站上浪潮之巅。“刚毕业的计算机高材生代码很厉害，但他们不知道客户想要什么。你们知道。写代码的部分很简单，让 AI 去做就行。理解客户、理解问题的领域专长，这才是你拥有的超级力量。” 这场对话以对思科的感谢作结，但留下的核心信息无比清晰：AI 革命不是 IT 部门的升级，而是一次商业逻辑的 “重置”。 随着夜色渐深，对话在关于烤串和薯片的调侃中结束。但黄仁勋带着醉意吐露的真言，如同他预言的那些数字劳动力一样，已经开始无声渗透，准备重塑我们所熟知的一切。 【以下是实录全文】 罗宾斯：嘿，嘿，嘿。对，大家待在那儿别动。 黄仁勋：我觉得我现在的状态就像是在边喝酒边办公。 罗宾斯：刚才我们把酒拿上来时，黄仁勋提醒了我。他说：“你意识到你正在直播这个，对吧？” 嘿，管他呢，天色已经晚了。 黄仁勋：第一个原则是：不造成伤害，并且要意识到你是多么幸运。 罗宾斯：首先，感谢大家在这里度过了漫长的一天。我们今天一早就开始了，演讲者一个接一个，在大概两个半小时的休息后，大家又回来见你了。 黄仁勋：我今天凌晨一点就起床了。 罗宾斯：所以，这家伙正处于一段为期两周、跨越亚洲四五个城市的旅程末尾。 黄仁勋：一天前我还在台湾地区，昨晚在休斯顿，现在我在这里。 罗宾斯：他出门两周了，现在咱们正拦在他回自家热被窝的路上呢，他已经住够了酒店。所以，我们会玩得开心点，然后放他走。虽然你不需要太多介绍，但还是谢谢你能来，伙计。我们真的很感激。 黄仁勋：感谢我们的合作伙伴关系，也为你们感到骄傲。 罗宾斯：那我们就从合作开始谈起吧。我们一直有合作，你引入了 “AI 工厂” 的整套概念。我们正在合作推进，虽然在企业领域可能没我们想得那么快。我们能先聊聊对你来说什么是 “AI 工厂” 吗？ 黄仁勋：首先要记住，我们正处于 60 年来首次重塑计算的过程中。过去是 “显式编程”（explicit programming），对吧？我们编写程序和变量，通过 API 传递，这些都非常明确；现在转向了 “隐式编程”（implicit programming）。 你现在告诉计算机你的意图，它会去想办法解决你的问题。从显式到隐式，从通用计算（本质上是计算）到人工智能，整个计算堆栈都被重塑了。现在人们讨论计算时总关注处理层（processing layer），也就是我们所处的层面。但请记住计算的构成。除了计算和处理，还有存储、网络和安全。这一切都在此时此刻被重塑。第一部分是我们需要把 AI 提升到一个水平——我们稍后会详谈——需要提升到对人有用的水平。直到目前，那种你给一个提示词，它想办法告诉你答案的聊天机器人（chat bots），虽然有趣且令人好奇，但还不算真正有用。 罗宾斯：有时它能帮我完成填字游戏。 黄仁勋：是的，但也仅限于它记住和泛化的东西。如果你回头看，其实也就是三年前 ChatGPT 刚出现的时候，我们惊叹它能生成这么多词句，能创作莎士比亚作品。但那都是基于它记忆和泛化的内容。我们知道，智能的核心在于解决问题。解决问题部分在于知道你不知道什么，部分在于推理如何解决从未见过的问题。将问题分解为已知且易于解决的元素，通过组合来解决从未见过的问题，并制定策略（我们称之为 “规划”）来执行任务、寻求帮助、使用工具、进行研究等等。 这些都是现在 “智能体 AI”（agentic AI）术语中的基本内容，包括工具使用、研究、基于事实的检索增强生成（RAG）、记忆等。你们在讨论智能体 AI 时都会听到这些。但最重要的一点是，为了从这种 “显式编程” 的通用计算（我们用 Fortran、C、C++ 编写的时代）进化。 罗宾斯：对。 黄仁勋：那是好东西，罗宾斯。 罗宾斯：那是我的保底工作。 黄仁勋：那是非常好的技能，那些技能依然有价值。 罗宾斯：我知道。 黄仁勋：它们依然有价值。 罗宾斯：我已经拿到很多录取通知了。 黄仁勋：“恐龙” 永远是有价值的。我们刚证实了你比我大。我知道我是那个 “史前时代” 的人，虽然看起来不像，但确实如此。好了，这挺有意思的。我可能是这屋里最老的人了。 罗宾斯：那我们聊聊这个。黄仁勋，当你思考未来时。 黄仁勋：我们现在就在这儿。我去找罗宾斯说：“嘿，听着，我们需要重塑计算，思科必须参与其中。” 我们有一整套全新的计算堆栈即将推出，叫 Vera Rubin。思科将与我们同步推向市场。此外还有网络层，思科将整合我们的 AI 网络技术，并将其放入思科的 Nexus 控制平面中。这样从你的角度来看，你既能获得 AI 的所有性能，又保留了思科的可控性、安全性和管理性。我们在安全领域也会做同样的事情。每一个支柱都必须重塑，企业计算才能受益。我们晚点再聊这个：为什么三年前企业 AI 还没准备好，以及为什么现在你别无选择，必须尽快参与进来。不要落后。你不必成为第一家利用 AI 的公司，但千万别做最后一家。 罗宾斯：没错。那么如果你是今天的企业主，你建议他们采取的第一、第二、第三步是什么，来开始做好准备？ 黄仁勋：我经常被问到投资回报率（ROI）这类问题，我不会先谈那个。原因是，在所有技术部署的初期，很难用 Excel 表格算出新工具、新技术的 ROI。我会去做的事，找出我公司的本质是什么？我们公司做的最有影响力的工作是什么？别在那些边缘、次要的事情上浪费时间。在我们公司，我们就是让 “百花齐放”（let a thousand flowers bloom）。我们公司内部不同的 AI 项目多得几乎失控，这非常棒。注意我刚才说的：失控且棒极了。创新并不总是在掌控之中。如果你想掌控一切，首先该去咨询心理医生。其次，那是一种错觉，你掌控不了。如果你想让公司成功，你控制不了它，你只能影响它。 我听到太多公司想要明确、具体、可论证的 ROI，但在初期展示某件事的价值是很困难的。我建议让百花齐放，让人们去实验，让人们安全地实验。我们公司在实验各种东西，我们用 Anthropic，用 Codex，用 Gemini，什么都用。当我们的某个团队说想尝试某种 AI 时，我的第一个回答是 “可以”，然后我会问 “为什么”。我不是先问为什么再同意，而是先同意再问为什么。原因是我对公司的期望和对孩子是一样的：去探索生活。他们说想尝试某件事，答案是 “好”，然后才问原因。你不会说：“先证明给我看，证明做这件事能带来财务成功或未来的幸福，否则我不让你做。” 我们在家里从不这样做，但我们在工作中却这样做。 罗宾斯：你明白我的意思吗？ 黄仁勋：是的。这对我来说毫无逻辑。所以我们对待 AI 的方式，无论是之前的互联网还是云技术，就是让百花齐放。然后在某个时间点，你需要用自己的判断力来决定何时开始 “整理花园”。因为百花齐放会让花园变得很乱。但在某个点，你必须开始整理，找到最好的方法或平台，以便集中力量办大事（put all your wood behind one arrow）。但你不能太早集中力量。 罗宾斯：否则会选错。 黄仁勋：没错。所以先让百花齐放，到某个点再整理。就目前的进展来看，我还没开始整理呢，我还在让各地百花齐放。但我当然知道什么对我们公司最重要。我确保有大量的专业知识和能力集中在利用 AI 革命化那些核心工作上，在我们的案例中，就是芯片设计、软件工程、系统工程。你可能注意到了，我们与新思科技、楷登电子、西门子以及今天的达索系统合作，这样我们就能注入我们的技术。无论他们想要什么，我都会提供，以便革命化我们设计产品的工具。 我们到处都在用新思科技、楷登电子、西门子和达索。我会确保他们得到 1000% 的支持，这样我就有了创造下一代产品所需的工具。这反映了我对重塑自身工作的态度。想想 AI 做了什么：它成数量级地降低了智能的成本，或者说创造了海量的智能。换句话说，过去需要一个单位时间的工作，现在过去需要一年的，可能只要一天；过去需要一年的，现在可能只要一小时，甚至可以实时完成。 在 “丰盈”（abundance）的世界里，摩尔定律慢得简直像蜗牛爬。记住，摩尔定律是每 18 个月翻两倍，5 年 10 倍，10 年 100 倍。但我们现在在哪？10 年 100 万倍。在过去 10 年里，我们将 AI 推进得如此之远，以至于工程师说：“嘿，猜怎么着？我们干脆用全世界所有的数据来训练一个 AI 模型吧。” 他们指的不是收集我硬盘里的数据，而是拉取全世界的数据。这就是 “丰盈” 的定义。它的定义是：当你看到一个巨大的问题时，你说：“管他呢，我全部都要解决。” 我要治愈每一个领域的疾病，而不仅仅是癌症。我们直接解决人类所有的痛苦。这就是 “丰盈”。 现在当我想象一个工程问题时，我假设我的技术、我的工具、我的飞船是无限快的。去纽约要多久？一秒钟就到。如果一秒钟能到纽约，你会做些什么不同的事？如果过去需要一年的事情现在能实时完成，你会做些什么不同的事？如果过去很重的东西现在变得没有引力了，你会如何处理？当你带着这种态度去处理每一件事时，你就是在应用 “AI 逻辑”。这有意义吗？比如我们合作的很多公司，图分析中的依赖关系、节点和边多达数万亿。过去你会一小块一小块地处理图，现在则是：“把整个图都给我，多大都行，我不在乎。” 这种逻辑正在被应用到各处。如果你不应用这种逻辑，你就做错了。速度重不重要？一点也不重要，因为你处于光速。质量重不重要？零重量，零重力。如果你没有应用这种逻辑去思考你公司里最难的问题，你就没做对。这就是他们所有人的思维方式。如果你不这么想，你只要想象你的竞争对手在这么想就行了。想象一家即将成立的公司在这么想，这会改变一切。所以，去找到你公司里最有影响力的工作，给它应用 “无限”、“零”、“光速” 的概念，然后问罗宾斯怎么实现。 罗宾斯：给我就行。 黄仁勋：我们会一起实现。 罗宾斯：你有一个 “五层蛋糕” 的类比，因为大家都在谈论基础设施、模型、应用。我该怎么做？谈谈这个。 黄仁勋：成功人士做的一件事就是推理正在发生什么。大约 15 年前，一个算法让两名工程师解决了一个计算机视觉问题。视觉是智能的第一部分：感知。智能由感知、推理、规划组成。感知是：“我是什么？发生了什么？我的上下文是什么？” 推理是：“我如何根据目标进行推理？” 第三是制定计划去实现目标。就像战斗机的问题，感知定位然后行动。没有感知就没有第二和第三部分。如果不理解上下文（context），你就不知道该做什么。而上下文是高度多模态的，有时是 PDF，有时是电子表格。有时是感官和气味，比如我们在哪，在干什么，听众是谁，如何阅读房间里的气氛，等等。 大约 13、14 年前，我们在计算机视觉领域取得了巨大的跨越。AlexNet 是我们看到的第一个突破，那就像是《第一次接触》（First Contact），我爱死那部电影了。那是我们与 AI 的 “第一次接触”。于是我们思考：这意味着什么？两名工程师怎么可能战胜了我们所有人钻研了 30 年的算法？我昨天刚和 Ilya Sutskever 聊过，还有 Alex Krizhevsky。两个带着几块 GPU 的年轻人怎么可能解决了这个问题？这意味着什么？ 十年前我对此进行了分解和推理，得出的结论是：世界上大多数有价值的难题其实都没有基本的物理算法。没有 F=ma，没有麦克斯韦方程组，没有薛定谔方程或欧姆定律，没有热力学定律，它没那么精确。那些我们称之为 “直觉” 和 “智慧” 的有价值的事物，就像你和我会遇到的问题，答案通常是：“视情况而定”（It depends）。如果答案总是 3.14 那就太棒了，但生活中有价值的难题往往取决于背景和环境。 既然视觉问题解决了，我们推理出通过深度学习，这不仅是可扩展的，你还可以把模型做得越来越大。我们当时要解决的唯一问题是如何训练模型，而巨大的突破是 “自监督学习”。AI 开始自我学习。注意，今天我们已经不再受限于人工标注数据了，完全不受限。这打开了闸门，让模型从几亿参数扩展到几千亿、几万亿。我们可以编码的知识和学习的技能爆炸式增长。我们将从底座重塑计算。计算将从 “显式编程” 转向一种全新的范式，即通过模型学习软件。这对计算堆栈意味着什么？对软件开发意味着什么？对工程组织、产品营销、QA 团队又意味着什么？这些产品未来会变成什么样？我们如何部署？如何保持更新？如何修补软件？我当时问了上千个关于未来计算的问题，得出的结论是：这将改变一切。于是我们将整个公司转向上。简单来说，我们从一个所有东西都是 “预录制” 的世界走来。 罗宾斯：确实是很棒的东西。 黄仁勋：运行了很长时间。郑重声明，那些确实是用希伯来语描述的（幽默暗示旧技术的古老）。 罗宾斯：确实。那是另一项技能。 黄仁勋：毕竟，这屋里恐怕只有你，能同时精通希伯来语和 COBOL 了。无论如何，那是预录制的。我们编写算法，描述思想，然后配上数据。一切都是预录的。过去的软件之所以是预录的，是因为它是装在 CD-ROM 里的，对吧？ 现在的软件是什么？它是情境化的，每个情境都不同，每个使用者、每个提示词、每个前置背景都不同。每一份软件实例都是独特的。过去预录制的软件被称为 “基于检索模式”（retrieval-based）。当你用手机点一下，它会去检索一些软件、文件或图像并展示给你。而未来，一切都将是 “生成式” 的（generative），就像现在这样。这场对话以前从未发生过。概念存在过，背景存在过，但这每一句话的顺序都是全新的。发生这种情况的原因显而易见，因为我们已经喝了四杯酒了。 罗宾斯：还有冷萃咖啡。Cobol、希伯来语，谢天谢地这不在校园里，也没在直播。 黄仁勋：嗯。 罗宾斯：大家都明白你在说什么吗？ 黄仁勋：你们听懂了吗？罗宾斯今天只给我喂了四杯酒。 罗宾斯：公平点说，我只喂了你一杯，剩下三杯是你从自助餐台上拿的。 黄仁勋：我一直在盯着那些食物，我太饿了。食物离我大概有 40 英尺（12 米）远。 罗宾斯：那是因为你一直在拍照。 黄仁勋：真的很近，但我好几次想过去都被推回来了。 罗宾斯：你知道发生了什么吗？你的团队提前告诉过我们，如果他喝了三杯，他就是最佳状态。如果喝到第四杯，情况就要崩了。 黄仁勋：这状态可就不太理想了。好了，听着，我们得留下一些智慧。能再来一杯酒吗？ 罗宾斯：这可不是 Dave Chappelle 的脱口秀。 黄仁勋：谈谈别的。能源。 罗宾斯：芯片。 黄仁勋：能源听起来不错。能源、芯片、基础设施（硬件和软件），然后是 AI 模型。但 AI 最重要的部分是应用。每一个国家、每一家公司，底下的那些层都只是基础设施。你需要做的是应用这项技术。向上帝发誓，快去应用这项技术。使用 AI 的公司不会陷入险境。你不会因为 AI 丢掉工作，你会因为一个使用 AI 的人而丢掉工作。所以，行动起来，这是最重要的。 罗宾斯：并且尽快给罗宾斯打电话。 黄仁勋：你打给我，我打给他。 罗宾斯：我们时间不多了。 黄仁勋：我们有的是时间。罗宾斯是按时计费的，而我甚至不戴手表。我在价值交付之前是不会离开的。如果需要一整晚，我会一直折磨你们所有人。 罗宾斯：黄仁勋，这就是为什么像我这样的人需要表。你能谈谈 “物理 AI” 吗？ 黄仁勋：软件行业在衰落并会被 AI 取代的这种说法是世界上最没逻辑的事。让我们做一个终极思想实验：假设我们是终极的 AI——通用机器人，物理版的。既然你是类人机器人，你能解决任何问题。你会用现成的螺丝刀还是发明一把新螺丝刀？我直接用现成的。你会用现成的链锯还是重造一把？答案显而易见是使用工具。既然如此，再看数字版。如果你是 AGI（通用人工智能），你会去使用 ServiceNow、SAP、Cadence、Synopsis，还是去重新发明一个计算器？当然是直接用计算器。为什么要让 AI 学会使用工具？因为现有的工具是 ‘确定性’ 的。世界上很多问题都有标准答案，比如牛顿第二定律 F=ma。你不需要 AI 给你一个概率上约等于 ma 的模糊答案，ma 就是 ma。再比如欧姆定律 V=IR，它在科学上是绝对的，而不是 ‘统计学上的 IR’。所以，我们希望 AI 像人类一样，直接拿起这些精准的工具去用，而不是在那些已经有标准答案的事情上瞎猜。 我们希望 AGI 使用工具，这是个大逻辑。下一代物理 AI 将理解物理世界和因果关系。如果我推倒这个，它会带倒那一切。它们理解 “多米诺骨牌” 的概念。每一个孩子都能理解推倒它意味着什么，这种因果、接触、引力和质量的结合是非常深刻的。大语言模型目前还没这概念，所以我们要创造物理 AI。 机会在哪里？到目前为止，我和罗宾斯所处的行业一直在制造工具。我们一直处于 “螺丝刀和锤子” 的生意中。有史以来第一次，我们要创造人们所谓的 “劳动力”，或者是 “增强劳动力”。比如自动驾驶汽车是什么？它是一个数字司机。数字司机的价值远超汽车本身。我们第一次面对一个潜在市场总量（TAM）大了一百倍的市场。全球 IT 产业大约一万亿美元，而全球经济规模是一百万亿。你们所有人都有机会通过应用这项技术，成为一家技术公司。我相信迪士尼宁愿成为 Netflix，梅赛德斯宁愿成为特斯拉，沃尔玛宁愿成为亚马逊。你们同意吗？这三个例子我说对了吗？ 罗宾斯：是的。你们所有人都是这样的。 黄仁勋：我们有机会帮助每一家公司转型为 “技术优先” 的公司。技术是你的超级力量，而你的行业领域是应用场景。为什么要技术优先？因为那样你就是在和 “电子” 打交道，而不是 “原子”。原子的价值受限于质量，而电子的价值在 CD-ROM 变成电子流的那一刻爆炸了千倍。你需要成为一家技术公司。即便是只懂希伯来语编程的罗宾斯，这也是一种天赋。 罗宾斯：这个编程方向从右往左写，挺聪明的。 黄仁勋：聪明人做聪明事。最美妙的是，你们公司的优势是知识、直觉和领域专业能力。现在你第一次可以用自己的语言向计算机解释你想要什么。从显式编程到隐式编程，你只需要告诉计算机你想要什么，计算机就会写代码。因为事实证明，写代码只是打字而已，而打字已变得平庸化。这是你们巨大的机会。你们全都能从物理（原子）层面的束缚中解脱出来，实现质的飞跃。我们不用再受限于没有足够的软件工程师，因为打字是廉价的，而你们拥有极其珍贵的东西——理解客户、理解问题的领域专长。 刚毕业的计算机高材生可能写代码很厉害，但他们不知道客户想要什么，不知道该解决什么问题。你们知道。写代码的部分很简单，让 AI 去做就行。这就是你的超级力量。我这个总结是在喝了五杯酒后做出的。 罗宾斯：这简直是个奇迹。 黄仁勋：能和各位合作是莫大的荣幸。思科在计算发明的两个支柱领域——网络和安全——有着极深的造诣。没有思科就没有现代计算。在 AI 世界，这两个支柱都被重塑了。我们擅长的计算部分在很多方面是廉价商品，而思科掌握的东西极具价值。 早前有人问我：应该租用云端还是自己构建电脑？我的建议和给我孩子的建议一样：自己造一台。尽管 PC 随处可见，但去动手造一台，去弄明白为什么这些组件会存在。如果你在运输行业，别只用 Uber，去打开引擎盖，去换个机油，去理解它。这项技术对未来太重要了，你必须有一种触觉上的理解。你可能会发现自己对此极有天赋。你可能会发现世界并非全是 “租” 或全是 “买”，你需要一部分在本地（on-prem）。比如涉及主权和私有信息时，你不会想把所有的 “问题” 都分享给所有人。举个例子，你去见心理医生时，你不希望你的提问被发到网上。 罗宾斯：假设性的例子，对吧？ 黄仁勋：对，假设性的。所以我认为很多对话和不确定性应该保持私密。公司也是一样。我不放心把英伟达的所有对话都放在云端，所以我们在本地构建了超级 AI 系统。因为对我来说，最有价值的核心资产不是答案，而是我的提问。你们听明白了吗？我的提问才是我最有价值的 IP。我在思考什么，我的提问反映了这一点。答案是廉价的。如果我知道该问什么，我就锁定了重点。我不希望别人知道我认为什么是重要的。所以我要在自己的小房间里，在本地，创造我自己的 AI。 最后一点想法，现在已经 11 点了。过去有个观点叫 “人在环节中”（human in the loop），这是完全错误的。应该是 “AI 在环节中”（AI in the loop）。我们的目标是让公司每一天都变得更好、更有价值、知识更丰富。我们不希望倒退或原地踏步。这意味着如果 AI 在环节中，它会捕捉我们的生命经验。未来每个员工都会有许多 AI 在环节中，这些 AI 会成为公司的知识产权。这就是未来的公司。所以，我觉得明智的做法是立即给罗宾斯打电话。 罗宾斯：我打给黄仁勋。两周的旅程，黄仁勋飞到这里和我们度过了最后一晚，这是他很久以来第一次能睡在自己的床上。我们永远感激。 黄仁勋：非常感谢。另外，我眼角余光一直瞄着那些肉串。 罗宾斯：我希望它们还在那儿。 黄仁勋：答应我的那袋薯片在哪？ 罗宾斯：走吧，去吃。谢谢大家！ 风险提示及免责条款 市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。