撰文：Techub News 整理
2026 年 3 月，英伟达CEO黄仁勋做客Lex Fridman Podcast，进行了长达145分钟的深度对话。作为驱动AI革命的核心引擎，英伟达的成功与其领导者的战略远见和工程哲学密不可分。此次访谈不仅回顾了公司历史上关键的生死决策，更展望了AI未来演进的方向与挑战，是理解当前AI基础设施与计算范式变革的重要窗口。
极致协同设计：超越摩尔定律的系统工程
黄仁勋首先阐释了英伟达当前的核心工程理念——“极致协同设计”。他指出，问题已不再局限于单个计算机或单个GPU的加速。当你要用一万台计算机实现百万倍的加速时，就必须将算法分解、重构，进行流水线、数据和模型的分片。一旦问题以这种方式分布，一切都会成为瓶颈。
这就是阿姆达尔定律的问题：加速程度取决于该部分占总工作负载的比例。如果计算只占问题的50%，即使将计算无限加速，整体工作负载也只能提升两倍。因此，不仅要分布计算，还要解决网络问题，因为所有这些计算机都连接在一起。
在我们所从事的规模下进行分布式计算，CPU、GPU、网络、交换、工作负载分布都是问题。这是一个极其复杂的计算机科学问题。我们必须动用所有技术，否则只能实现线性扩展，或者依赖摩尔定律的能力扩展，而后者因登纳德缩放放缓已基本减速。
黄仁勋强调，协同设计优化涉及整个软件栈，从架构到芯片，到系统、系统软件、算法，再到应用。这还超越了CPU、GPU和网络芯片，包括纵向扩展和横向扩展的交换机。当然，还必须包括电源和冷却，因为这些计算机功耗极高。它们工作效率很高，但总量仍消耗大量电力。
那么，如何让内存、网络、NVLink、NIC、光模块、铜缆、电源输送、冷却等各领域的世界专家在一起协作？黄仁勋的答案直接反映在公司架构上：“公司的目标就是产出，产出就是我们创造的产品。公司的架构应该反映其存在的环境。”他的直接下属有60人，几乎所有人都至少涉足工程领域。有内存专家、CPU专家、光学专家、GPU专家，以及架构、算法、设计专家。
因此，他始终关注整个堆栈，进行激烈的讨论。没有对话是单人的，这也是他不进行一对一会议的原因。他们提出一个问题，所有人共同解决。因为公司在持续进行极致协同设计。即使讨论特定组件如冷却或网络，每个人都在倾听并可以贡献意见：“这不利于配电”、“这对内存不适用”。谁想退出就退出，下属们知道何时该关注。如果有人本可贡献却没有，他会点名：“嘿，过来参与。”这种组织方式是为了应对极端协同设计的需要。
从加速器到计算平台：CUDA的生死赌注
黄仁勋回顾了英伟达从加速器公司向计算平台演进的关键转折。起步时作为加速器公司，其优势在于针对任务极致优化，但问题在于应用领域太窄。深度专业化的市场范围更窄，而市场规模决定了研发能力，研发能力最终决定了你在计算领域可能的影响力和影响范围。
他们始终知道，成为加速器只是第一步。必须找到方法成为“加速计算”公司。但成为计算公司又过于通用，会削弱专业化。这两个词存在根本性的张力：我们越是成为优秀的计算公司，作为专家就越糟糕；越是专家，从事整体计算的能力就越弱。公司必须找到那条狭窄的道路，一步一步扩大计算的范围，同时不放弃最重要的专业化。
超越加速的第一步是发明了可编程像素着色器，这是迈向可编程性的第一步。第二步是在着色器中加入FP32（符合IEEE标准的FP32），这是迈向计算的一大步。正是这一步，让那些研究流处理器和其他类型数据流处理器的人们发现了我们，并开始尝试使用GPU。这引导我们创造了Cg，最终通向CUDA。
将CUDA放在GeForce上是一个战略决策，非常艰难，因为它消耗了公司巨大的利润，当时我们负担不起。但我们还是做了，因为想成为一家计算公司。计算公司需要有计算架构，计算架构必须在我们构建的所有芯片上兼容。
黄仁勋详细解释了这一决策。他们发明了CUDA，扩大了加速器可加速的应用范围。问题是如何吸引开发者？计算平台的一切关乎开发者。开发者来到一个计算平台，是因为其安装基数大。开发者希望开发的软件能触及很多人。因此，安装基数实际上是架构最重要的部分。架构可能招致大量批评，例如x86架构作为“不够优雅的架构”，却是当今的定义性架构。许多设计精美、由世界顶尖计算机科学家设计的RISC架构却大多失败了。这说明了安装基数定义了一个架构，其他都是次要的。
当时还有其他架构，CUDA问世，OpenCL存在，还有其他几个竞争架构。他们做出的正确决策是：归根结底是关于安装基数，我们如何能将新的计算架构带入世界？那时GeForce已经成功，每年销售数百万GeForce GPU。他们认为应该在GeForce上搭载CUDA，放入每一台PC，无论客户是否使用，以此作为培育安装基数的起点。同时，他们将去吸引开发者，去大学、写书、授课，到处推广CUDA。最终人们会发现它。那时PC是主要计算工具，没有云，我们可以将超级计算机送到每个学校的研究人员、科学家、工程学院、每个学生手中，最终会有惊人的事情发生。
问题是CUDA大幅增加了那个消费级GPU的成本，完全消耗了公司所有的毛利美元。当时公司市值大约80亿美元？推出CUDA后，市值跌至约15亿美元。他们在低谷徘徊了一段时间，慢慢挣扎回来，但始终坚持在GeForce上搭载CUDA。黄仁勋常说，英伟达是GeForce建造的房子，因为是GeForce将CUDA带给所有人。研究人员、科学家们在GeForce上发现了CUDA，因为他们很多是游戏玩家，很多人自己组装PC，大学实验室里很多人用PC组件自己搭建集群。这就是他们起步的方式。
这后来成为了深度学习革命的平台和基础。黄仁勋回忆了那段 existential moment。他必须向董事会澄清他们要做什么，管理团队也知道毛利率会受到重创。可以想象一个世界，GeForce承担CUDA的负担，但游戏玩家不会欣赏，也不会为此付费。他们只付一定价格，不管成本是多少。他们将成本增加了50%，而当时他们是毛利率35%的公司，这是一个相当艰难的决定。但可以想象，有一天这会进入工作站和超级计算机，在这些细分市场或许能获取更多利润。即便如此，仍然花了十年时间。
关于如何做出如此大胆的、预测未来甚至定义未来的决策，黄仁勋分享了他的思考方式。首先，他受到大量好奇心的驱使。在某个时刻，会有一个推理系统让他确信这个结果会发生。他在心中相信它，当你心中相信时，你就会显化一个未来，那个未来如此令人信服，不可能不发生。中间会有很多痛苦，但你必须相信你所相信的。他 envision the future，并从工程角度 essentially manifest it。他推理如何到达那里，推理为什么它必须存在。管理团队也会推理，他花费大量时间推理。
领导力的另一部分可能是技能问题。通常领导保持沉默或学习某事，然后发表宣言，新年全新计划，大规模裁员，组织变革，新使命宣言，新Logo等等。他们从不那样做。当他学到某事并开始影响他的思考时，他会向身边所有人明确表示，这很有趣，这将产生影响。他一步一步推理事物。通常他已下定决心，但会利用每一个机会——外部信息、新见解、新发现、新的工程启示、新里程碑——利用这些机会塑造每个人的信念系统。他每天都在这样做，对董事会、管理团队、员工这样做。
因此，当他有一天说“让我们收购Mellanox”时，所有人都完全明白绝对应该这样做。当他宣布“让我们全力投入深度学习”时，他已经为公司内部不同组织铺垫了基础。每个组织和每个人可能都听过部分内容。当他宣布时，每个人都已经接受了许多部分。很多时候，他喜欢宣布这些事情，并想象员工们在说：“黄仁勋，你怎么这么久才说？”事实上，他已经塑造他们的信念系统一段时间了，因此领导有时看起来像是从后面领导，但在他宣布之日，100%认同。这正是你想要的，你想让每个人都跟上。否则，你宣布关于深度学习的事情，每个人都会问“你在说什么？”你宣布全力投入某事，你的管理团队、董事会、员工、客户都会觉得“这从哪来的？这太疯狂了。”
GTC的效果也是如此。回顾过去的主题演讲，他也在塑造行业合作伙伴的信念系统，并以此塑造自己员工的信念系统。因此当他宣布某事时，比如2026 年 3 月宣布的Grok，他已经谈论铺垫了两三年。回溯时会发现，“天哪，他们已经谈了两年半了。”他一步一步铺垫基础，所以时机到来时宣布，每个人都说“你怎么这么久才说？”
这不仅在公司内部，他还在塑造更广泛的全球创新格局。将那些想法传播出去，他确实在显化现实。他们不制造计算机，实际上也不建造云。他们是计算平台公司，没人能从他们那里购买任何东西。这很奇怪。他们纵向设计、纵向集成以设计和优化，然后在每一层开放整个平台，集成到其他公司的产品、服务、云、超级计算机、OEM计算机中。神奇的是，如果没有先说服他们，他就做不到他所做的事。因此GTC的大部分内容是关于显化一个未来，当产品准备好时，他们会说“你怎么这么久才说？”
预见AI演进：四个缩放定律与未来瓶颈
黄仁勋长期相信缩放定律，并现在提出了更多缩放定律。他概述了四个：预训练、后训练、测试时和代理缩放。回顾过去人们认为的瓶颈，最初是预训练缩放定律。人们合理认为，我们拥有的高质量数据量将限制我们实现的智能。这个缩放定律非常重要：模型越大，相应地更多数据会产生更聪明的AI。这就是预训练。当Ilya Sutskever说“我们没数据了”或“预训练结束了”之类的话时，行业恐慌，认为这是AI的终结。当然，这显然不对。我们将继续缩放用于训练的数据量。很多数据可能是合成的，这也让人困惑。人们没有意识到，我们用来互相教导、通知的数据大多是合成的。因为它不是自然产生的，你创造了它，我消费它，我修改、增强、再生它，别人消费它。
现在AI已经能够获取基本事实，增强它，合成生成大量数据。后训练这部分继续缩放，因此我们使用的由人类生成的数据量将越来越小。用于训练模型的数据量将继续缩放，直到我们不再受限制……训练不再受……数据现在受计算限制。原因是大多数数据是合成的。
下一阶段是测试时缩放。他仍记得人们告诉他：“推理？哦，那很容易。预训练很难。”人们谈论的是巨型系统。推理一定很容易。推理芯片会是小小的芯片，不像英伟达的芯片。哦，那些会很复杂昂贵，我们可以制造……未来推理将是最大市场，而且很容易，我们将使其商品化。每个人都可以制造自己的芯片。这对他来说一直不合逻辑，因为推理是思考，他认为思考很难。思考比阅读难得多。预训练只是记忆和泛化，寻找关系和模式。你在阅读，而思考、推理、解决问题、分解未探索的新经验为可解决的部分，然后通过第一原理推理或先前例子、经验，或探索、搜索、尝试不同事物去解决。整个测试时缩放、推理过程，真的是关于思考。是关于推理、规划、搜索……这怎么可能计算量小？他们绝对正确，测试时缩放计算强度极高。
那么，超越推理和测试时缩放的是什么？显然，我们现在创造了一个代理性个体，拥有我们开发的大型语言模型。但在测试时，那个代理系统会去做研究、访问数据库、使用工具，其中最重要的一件事是分裂衍生出大量子代理。这意味着我们现在创建大型团队。通过雇佣更多员工来缩放英伟达比缩放我自己容易得多。因此下一个缩放定律是代理缩放定律，有点像乘法AI。我们可以根据需要快速衍生代理。
他有四个缩放定律。当我们使用代理系统时，它们将创造更多数据、更多经验。其中一些我们会说“哇，这真好，我们应该记住。”那个数据集然后回到预训练，我们记忆并泛化它。然后我们在后训练中精炼和微调它。然后在测试时进一步增强，代理系统将其推向行业。这个循环、这个周期将持续进行。最终归结为一点：智能将通过一件事缩放，那就是计算。
但这里有一个棘手的问题需要预测：其中一些组件需要不同的硬件才能真正最优地完成。你必须预测AI创新将导向何方。例如，混合专家与稀疏性。硬件不能在一周内转向，你必须预测它会是什么样子。这很可怕且困难。AI模型架构大约每六个月发明一次，系统架构和硬件架构大约每三年一次。因此你需要预测两三年后可能发生什么。
有几种方法可以做到。首先，他们可以自己内部进行研究，这也是他们拥有基础研究、应用研究的原因。他们创建自己的模型，因此有亲身体验。这也是他所说的协同设计的一部分。他们也是世界上唯一与世界上几乎所有AI公司合作的AI公司。因此尽可能尝试了解人们正在经历的挑战。
他们在倾听整个行业、AI实验室的 whispers。必须倾听并向所有人学习。最后一部分是拥有一个灵活的架构，能够适应并随风而动。CUDA的一个好处是，一方面它是 incredible accelerator，另一方面它非常灵活。那种平衡—— specialization 与 generalization 之间的 incredible balance，否则无法加速CPU，而 generalization 使我们能够适应变化的算法——非常重要。这就是CUDA一方面如此 resilient，另一方面我们持续增强的原因。他们现在是CUDA 13.2，架构演进如此之快，可以跟上现代算法。
例如，当混合专家出现时，这就是他们拥有NVLink 72而不是NVLink 8的原因。他们现在可以将整个四万亿、十万亿参数模型放入一个计算域，就像在一个GPU上运行一样。Grace Blackwell机架的架构完全专注于一件事：处理LLM。一年后，你看到Vera Rubin机架。它有存储加速器，有一个 incredible new CPU called Vera，有Vera Rubin和NVLink 72来运行LLM，还有一个新的附加机架叫Rock。整个机架系统与上一个完全不同，有所有这些新组件。原因是上一个设计用于运行MoE大型语言模型推理，而这个用于运行代理，代理使用工具。
显然，系统的设计必须在Claude Code、Codex、OpenClaw之前完成。他们 essentially anticipating the future。这来自 whispers，来自理解所有 state of the art 吗？黄仁勋说，不，比那更容易。你只需推理。无论发生什么，为了让那个大型语言模型成为数字工作者……我们就用这个比喻。假设我们希望LLM成为数字工作者。它必须做什么？它必须访问基本事实，那是我们的文件系统。它必须能够做研究，它不知道一切。我不想等到这个AI变得 universally smart about everything，过去、现在和未来，才让它有用。因此不如让它去做研究。显然，如果它想帮助我，它必须使用我的工具。
很多人会说“AI将彻底摧毁软件，我们不需要软件了，甚至不需要工具了。”这很荒谬。用一个思想实验，你可以坐在那里，享受一杯威士忌，思考所有这些事情，它会变得 completely obvious。比如，如果我要创造未来10年我们能想象的最 amazing agent，假设它是一个人形机器人。如果那个人形机器人被创造出来，更可能是人形机器人进入我的房子并使用我拥有的工具来完成它需要的工作，还是这只手在一种情况下变成十磅锤，另一种情况下变成手术刀，为了烧水，它从手指发射微波？或者更可能只是使用微波炉？第一次它走到微波炉前，可能不知道怎么用。但没关系，它连接到互联网，阅读这个微波炉的手册，阅读后 instantly becomes an expert。因此它使用它。
他认为，他刚刚描述了OpenClaw几乎所有的特性。它将使用工具，访问文件，能够做研究。它有I/O子系统。当你这样推理完，推理关于它，然后你说“天哪，对未来计算的影响 deeply profound。”原因是，他认为我们刚刚 reinvented the computer。然后你说“好吧，我们什么时候推理了OpenClaw？”如果你看他GTC使用的OpenClaw示意图，你会发现两年前。 literally，两年前在GTC，他就在谈论 exactly reflect OpenClaw today 的代理系统。当然，许多事情的 confluence 必须发生。首先，我们需要Claude、GPT所有这些模型达到一定能力水平。因此他们的创新、突破和持续进步非常重要。然后，当然，有人必须创建一个开源项目，足够 robust、足够完整，我们可以投入使用。他认为OpenClaw为代理系统所做的，正是ChatGPT为生成系统所做的。他认为这是一个非常大的事件。
关于未来的瓶颈，黄仁勋认为电力是一个担忧，但不是唯一的担忧。这也是他们如此努力推动极致协同设计的原因，以便每年将每瓦每秒令牌数提高数个数量级。过去10年，摩尔定律将使计算进步约100倍，而他们过去10年将计算缩放了一百万倍。他们将通过极致协同设计继续这样做。因此能源效率、每瓦性能完全影响公司的收入，影响工厂的收入。他们将推动到极限，以便尽可能快地降低令牌成本。计算机价格上涨，但令牌生成效率提升更快，令牌成本在下降，每年下降一个数量级。
关于供应链瓶颈，如ASML的EUV光刻机、台积电的CoWoS先进封装、SK海力士的高带宽内存，他一直在关注并持续工作。历史上没有公司以他们这样的规模增长同时加速增长。这 incredible，人们甚至难以理解。在AI计算的整个世界，他们正在增加份额。因此供应链上下游对他们非常重要。他花费大量时间告知所有合作的CEO，什么动态将导致增长持续甚至加速。这也是他右侧坐着整个IT行业上游和整个基础设施行业下游几乎所有CEO的原因。有数百位CEO，他认为从未有过 keynote 数百位CEO出席。部分原因是他在告诉他们当前的业务状况，告诉他们不久的未来的增长驱动因素和正在发生的事情，并描述下一步去向，以便他们利用所有这些信息和这里的动态来 inform how they want to invest。
他这样 inform them，就像 inform his own employees。然后当然，他去拜访他们，确保“嘿，听着，我想让你知道这个季度、今年、明年，这些事情会发生。”如果你看DRAM行业的CEO，世界上第一的DRAM是数据中心CPU的DDR内存。大约三年前，他能够说服几位CEO，尽管当时HBM内存使用相当稀少， barely by supercomputers，但这将是未来数据中心的主流内存。起初听起来荒谬，但几位CEO相信了他，决定投资建造HBM内存。另一种内存是将用于手机的低功耗内存用于数据中心的超级计算机，这相当奇怪。他们问“用于超级计算机的手机内存？”他向他们解释为什么。看这两种内存，LPDDR5、HBM4。 volume 如此 incredible。所有三家都有历史 record years，这些是45年的公司。因此， inform and shape, inspire 是他工作的一部分。
他不仅在显化未来、或许 inspiring NVIDIA，还在 manifesting the supply chain of the future。他与台积电、ASML、上下游进行对话。上游、下游。GEV、卡特彼勒，那是他们的下游。整个半导体行业有 incredibly difficult engineering，供应链 intricate，组件众多，但 somehow works。
深度科学、深度工程、 incredible manufacturing，许多制造已经是机器人，但他们有数百家供应商贡献技术，进入他们130万组件的机架。每个Vera Rubin机架有200家供应商。他不将此列为让他夜不能寐的 blocker list，因为他正在做所有必要的事情去解决。他可以睡觉，因为他 check it off。他推理：什么对我们重要？因为他们改变了系统架构，从最初的DGX-I到NVLink-72 rack scale computing，这意味着什么？对软件意味着什么？对工程意味着什么？对设计和测试意味着什么？对供应链意味着什么？其中一件事是，他们将数据中心超级计算机集成移至供应链中的超级计算机制造。如果你这样做，还必须认识到你将移动……如果你想建造，假设你想有50吉瓦的超级计算机同时运行，制造那50吉瓦超级计算机需要一周，那么供应链每周需要一吉瓦电力来建造和测试超级计算机 before I ship it。
NVLink-72 literally builds supercomputers in the supply chain and ships 'em two, three tons at a time per rack。过去它们是零件，我们在数据中心内组装。但现在不可能，因为NVLink-72如此密集。这是一个例子。他必须飞往供应链，去见合作伙伴说“嘿，猜猜看？我要这样处理……这是我们过去建造DGX的方式，我们将这样建造。这将更好，因为我们需要它们进行推理。”推理市场即将到来，推理 inflection point 即将到来，将是 big market。因此他首先向他们解释发生了什么，为什么会发生，然后请他们 each make several billion dollars of capital investments。因为他们 trust him，他非常尊重他们，给他们 every opportunity to question him，他花费时间向人们解释，推理，画图， first principles 推理。当他完成时，他们知道该做什么。
这很大程度上是关于关系和 building a shared view of the future。但他是否担心某些瓶颈？供应链最大的瓶颈是什么？他担心ASML的EUV工具吗？担心台积电的CoWoS封装 scaling 速度吗？他说不仅增长 incredibly fast，还在 accelerating your growth。感觉供应链每个人都必须 scale up。他与他们对话，如何能 scale up faster？他担心吗？黄仁勋回答：不。因为他告诉他们他需要什么，他们理解他需要什么，他们告诉他他们将做什么，他相信他们将做什么。
能源、开源与AI的未来影响
关于能源问题，黄仁勋希望探讨并传播一个观点：我们的电网是为最坏情况设计的，带有一些 margin。99%的时间我们 nowhere near the worst case condition，因为最坏情况是冬天几天、夏天几天和极端天气。大多数时间我们 nowhere near the worst case condition，可能运行在约60%峰值。因此99%的时间，电网有 excess power，它们只是闲置，但必须在那里闲置以防万一，当需要时医院必须供电，基础设施必须供电，机场必须运行等等。
他的问题是，我们能否帮助他们理解并创建合同协议，设计计算机架构系统、数据中心，以便当他们需要社会基础设施 maximum power 时，数据中心获得较少电力。但这在非常罕见的情况下 anyway。在此期间，我们要么有备用发电机应对那一小部分，要么让计算机将工作负载转移到其他地方，或者让计算机运行 slower。我们可以降低性能，减少功耗，提供 slightly longer latency response。因此他认为，那种使用计算机、建造数据中心的方式，而不是 expecting 100% uptime，以及那些 rigorous contracts，给电网带来很大压力，它们必须从最大值增加。他只是想使用他们的 excess，它就在那里闲置。
阻碍因素是什么？是监管？官僚主义？他认为这是一个三方问题。始于最终客户。最终客户对数据中心提出要求，它们必须永远可用，因此最终客户 expects perfection。为了交付 perfection，你需要备用发电机和电网电力供应商的组合来交付 perfection。因此每个人都必须有六个九。他认为首先，现在应该让每个人明白，当客户要求这些时，数据中心运营团队中有人 disconnected from the CEO。他敢打赌CEO不知道。他将与所有CEO交谈。CEO probably not paying any attention to the contracts that are being signed，因此每个人都想签 best contract。他们去找云服务提供商，合同谈判双方都想要 best contract。结果CSPs then have to go down to the utilities，他们 expects the nine, the six nines。
因此第一件事是确保所有客户、CEO和客户意识到他们在要求什么。第二件事是建造 gracefully degrade 的数据中心。因此如果电力、如果 utility、如果电网告诉我们“听着，我们必须将你降至约80%”，我们会说“没问题。”我们将移动工作负载，确保数据永不丢失，但可以降低计算速率，使用更少能源。服务质量 slightly degrade。对于关键工作负载，我立即将其转移到其他地方，因此没有问题，哪个数据中心仍有100% uptime。
那么，数据中心智能动态分配电力的工程问题有多难？黄仁勋说：一旦你能 specify，就能 engineer it。只要它遵循 first principles 的物理定律，他认为没问题。
关于开源，黄仁勋提到了Perplexity，并感谢他们开源Nemotron 3 Super。这是一个1200亿参数开放权重的MoE模型。他的开源愿景是什么？他提到中国有DeepSeek、MiniMax等公司推动开源AI运动，英伟达在接近 state-of-the-art 的开源LLMs方面 leading the way。
首先，如果他们想成为一家伟大的AI计算公司，必须理解AI模型如何演进。他喜欢Nemotron 3的一点是，它不仅仅是纯Transformer模型，而是Transformer和SSMs。他们早期开发了 conditional GANs，逐步 leading to diffusion。因此他们在模型架构和不同领域进行基础研究，让他们 visibility into 未来模型需要什么样的计算系统。这是他们极致协同设计战略的一部分。
第二，他们合理认识到，一方面他们希望世界级模型作为产品，它们应该是专有的。另一方面，他们也希望AI扩散到每个行业、每个国家、每个研究人员、每个学生。如果一切都是专有的，很难进行研究，也很难在其上、周围、与其一起创新。因此开源对于许多行业加入AI革命 fundamentally necessary。英伟达有 scale，我们有动机——不仅是技能、规模，还有 motivation to build and continue to build these AI models for as long as we shall live。因此我们应该这样做。我们可以开放，激活每个行业、每个研究人员、每个国家加入AI革命。
第三个原因是，认识到AI不仅仅是语言。这些AI可能会使用工具、模型和子代理，这些是在其他信息模态上训练的。可能是生物学、化学、物理定律、流体和热力学，并非所有都是语言结构。因此有人必须确保天气预报、生物学AI、物理AI等所有东西都能被推到极限和 frontier。他们不制造汽车，但希望确保每个汽车公司都能访问 great models。他们不 discover drugs，但希望确保礼来拥有 world's best biology AI systems，以便他们用于 discover drugs。
这三个根本原因，包括认识到AI不仅仅是语言，AI非常 broad，希望让每个人参与AI世界，以及AI的协同设计。
AI与人类未来：工作、智能与希望
关于AI对人类工作的影响，黄仁勋以放射学为例。十年前，人们警告AI将取代放射科医生，导致该领域人数下降。但事实是，今天每个放射学平台和软件包都由AI驱动，放射科医生数量却增长了。现在世界放射科医生短缺。因此 alarmist warning went too far，吓跑了从事这一对社会重要职业的人，造成了伤害。为什么错了？因为放射科医生的目的是诊断疾病，帮助患者和医生诊断疾病。因为我们现在能以更快速度研究扫描，你可以研究更多扫描，更好诊断，更快住院，看更多人。医院赚更多钱，医院有更多患者，你需要更多放射科医生。神奇的是，这 obvious this was gonna happen。
英伟达软件工程师的数量将增长，而非 decline。原因是软件工程师的目的和任务——编码——相关，但不同。他希望软件工程师解决问题，不在乎他们写多少行代码。但他们的工作目的没有改变：解决问题、团队合作、诊断问题、评估结果、寻找新问题解决、创新、连接点。这些都不会消失。
关于编码，他认为世界程序员数量可能增加而非减少。原因是，编码的定义是什么？他相信，今天的编码定义 simply specification，如果你想 directive，甚至可以给它你想写的软件架构。问题是，多少人能做到？描述计算机要构建的 specification。多少人？他认为我们从3000万 probably 到10亿。因此未来的每个木匠都将成为编码员， except a carpenter with AI is also an architect。他们刚刚提升了能为客户交付的价值，他们的 artistry just elevated tremendously。他认为每个会计师也是你的财务分析师、财务顾问。所有这些职业刚刚被 elevated。
目前的程序员和软件工程师，他们处于前沿，直觉理解如何与代理用自然语言交流以设计最佳软件。随着时间的推移他们会 converge，但学习编程、了解编程语言是什么、旧式编程、编程语言的良好实践、大型软件系统的设计原则仍有价值。 specification 的目标和 artistry 将取决于你想解决什么问题。当他思考为公司提供战略、制定公司方向时，他描述的 level sufficiently specific that people generally understand the direction and it's actionable，但 under specify it on purpose，以便 enable 43,000 amazing people to make it even better than I imagined。当他与工程师和人们工作时，他思考 trying to solve what problem? Who am I working with? specification level, architecture definition level relates to that。因此每个人都必须学习在 coding spectrum 中他们想处于何处。写 specification 就是 coding。你可能决定相当 prescriptive，因为你寻求非常 specific outcome。你可能决定这是一个你想更 exploratory 的领域，因此你可能 under specify 并 enable you to go back and forth with the AI to even push your own boundaries of creativity。因此这种在 spectrum 中的 artistry，是 coding 的未来。
对于工作焦虑，他的第一个建议是分解问题。对于你能做些事情的事情，推理并去做。如果今天雇佣新毕业生，有两个选择，一个对AI一无所知，一个是使用AI的专家，他会雇佣使用AI的专家。如果是会计师、营销人员、供应链、客户服务、销售人员、业务发展、律师，他会雇佣使用AI的专家。因此他建议每个大学生、每个老师应鼓励学生使用AI。每个大学生应毕业成为AI专家。每个人，如果你是木匠、电工，去使用AI。去看看它能如何转变你当前的工作， elevate yourself。如果是农民，他绝对会用AI。如果是药剂师，他会用AI。他想看看它能做什么来 elevate my job，以便我能成为 innovator to revolutionize this industry myself。
技术将 dislocation 并消除许多任务，如果自动化了它们。如果你的工作是任务，那么你将 highly disrupted。如果你的工作目的包括你，某些任务，那么 vital that you go learn how to use AI to automate those tasks。中间有 spectrum。
关于人类意识中 fundamentally non-computational 的部分，黄仁勋认为芯片可能永远不会 nervous。当然，导致焦虑或紧张或其他情绪的条件。他相信AI将能够识别和理解这些，但他的芯片不会 feel those。因此那种焦虑、感觉、兴奋如何 manifest in human performance。例如， extremely amazing human performance, athletic performance， average or lesser than average。相同 circumstances 下不同人表现不同 outcome, performance 的 spectrum。他认为他们 building anything 中没有 suggest that two different computers being presented with all of exactly the same context would perform differently。当然，它会产生 statistically different outcomes，但不是因为它 felt different。
主观体验 truly special。 scaling 可以在 intelligence 领域创造 incredible miracles。他 open to surprise。
重要的是分解 intelligence 是什么。这个词我们常用，它不是神秘的词。 intelligence 有含义，是一个系统，包括感知、理解、推理、计划能力。那个 loop 是 intelligence 的根本。 intelligence 不是 exactly equal to humanity 的一个词。他认为非常重要将两者分开。 intelligence 是 commodity。他 surrounded by intelligent people，每个领域都比他更 intelligent。然而他在 circle 中有角色。他们比他 more educated，上 better schools，在各自领域 deeper。所有60人都是 superhuman to him。 somehow, I'm sitting in the middle orchestrating all 60 of 'em。你必须问自己，一个 dishwasher 如何能坐在 superhumans 中间？但那是他的观点。 intelligence 是 functional thing。 humanity 不是 specified functionally，是 much bigger word。我们的生活经验、 tolerance for pain、 determination 是不同的词。
他想帮助观众理解一件事： intelligence 是一个我们随时间 elevated to a very high form 的词。我们应该真正 elevate 的词是 humanity。 character, humanity。 compassion, generosity。所有这些他刚刚说的，他相信那些是 superhuman powers。现在 intelligence 将被 commoditized。即使他们说最重要的是教育，当你上学时，你获得的不仅仅是知识。但不幸的是，我们的社会将所有东西放入一个词，生活不止一个词。他告诉你，他的生活表明， intelligence curve 低于周围所有人，并不改变我是最成功的事实。他希望 inspire everybody else that don't let this democratization of intelligence, this commoditization of intelligence cause you anxiety。你应该 inspired by that。
AI将帮助我们 celebrate humans more。 humanity and human first，让这个世界 incredible 的是 humans forever will be so，AI是 incredible tool 让我们 humans more powerful。
关于 mortality，黄仁勋说：我真的不想死。我有 great life， great family， really important work。这不是 once in a lifetime experience， suggests that it has been experienced by many people, just not one person。这是 once in a humanity experience。英伟达是历史上最重要的技术公司之一，他们在做非常重要的工作，他非常认真对待。
一些 practical things，比如 succession planning。他 famous in saying that I don't believe in succession planning。原因不是因为他 immortal，而是如果你担心 succession planning，那么你应该做什么？你应该分解它。如果你关心公司在你之后的未来，今天最重要的事情是尽可能频繁、持续地传递知识、信息、洞察、技能、经验。这就是他持续在团队面前推理一切的原因。每个会议都是推理会议，他在公司内外的每一刻都是 about passing on knowledge to people as fast as I can。他学到的东西 never sits on my desk longer than a fraction of a second。他在传递信息，天哪，这很酷。在他自己完全学会之前， already pointing it to somebody else。“开始这个，这太酷了，你会想学的。”因此他 constantly passing knowledge, empowering people, elevating the capability of everybody around me，以便他寻求的结果是，他 die on the job。希望他 die on the job instantaneously，没有 long periods of suffering。
关于希望，黄仁勋 always had a great confidence in the kindness, generosity, compassion, human capacity。有时 confidence 超出应有，他被利用，但 never cause me not to。他总是 start with that people want to do good, help others。 vast majority，他 constantly proven right， often exceeds my expectations。因此他对 human capacity 有 complete confidence。
给他 incredible hope 的是，他看到 possible， extrapolate based on what we're doing, what will very likely happen。有那么多问题想解决，那么多东西想建造，那么多好事想做，现在 within our reach, within the reach of my lifetime。你不可能不 romantic about that。多么 exciting time to be alive。
reasonable thing to expect the end of disease, pollution drastically reduced, traveling at the speed of light actually in our future。很快，他将 put a humanoid on a spaceship， send it out as soon as possible，它将 keep improving and enhancing along the flight。当时候到了，他所有的 consciousness 已经 uploaded in the internet。 take all my inbox, everything I've done, everything I've said， collected and becoming my AI。当时候到了， send that at the speed of light, catch up with my robot。
understanding the biological machine is right around the corner，不是10年， probably five years。 explaining consciousness 会 awesome。所有这些 within our reach。
黄仁勋感谢Lex的所有采访，深度、尊重和研究，揭示 amazing people。作为 innovator，创造了这种长形式 unbelievable and captivating 的内容。感谢他所做的一切。
