--- id: "gwW8GKwHB3I" title: "黄仁勋：NVIDIA 的未来、Physical AI、Agent 崛起与推理爆炸" channel: "All-In Podcast" host: ["Chamath Palihapitiya","Jason Calacanis","David Friedberg","David Sacks"] guests: ["黄仁勋"] date: "2026-03-19" updated: "2026-07-29" duration: "1:06:06" duration_seconds: 3966 source_type: "youtube" youtube: "https://www.youtube.com/watch?v=gwW8GKwHB3I" canonical: "https://pod-exp.pages.dev/gwW8GKwHB3I/" transcript_jsonl: "https://pod-exp.pages.dev/gwW8GKwHB3I/transcript.jsonl" language: "zh-CN" translation: true translated_from: "en" timestamp_precision: "block" topics: ["人工智能","半导体","机器人与物理 AI"] series: ["NVIDIA","Physical AI"] --- # 黄仁勋：NVIDIA 的未来、Physical AI、Agent 崛起与推理爆炸 > 中文译文，由英文原音字幕翻译整理，不是官方逐字稿；引用原话请核对英文原视频。说话人标签由整理者依上下文标注，带「未确认 / 未标注 / 不确定」等字样的标签不可靠。时间戳一般为块级（所在时间块的起点），不是逐句时间；正文自带 [hh:mm:ss] 的段落除外。 **内容提要：** All-In 四位主持人在 GTC 期间专访黄仁勋。他先解释 Dynamo、Groq 与解耦推理，说明 NVIDIA 如何从 GPU 公司转向 AI 工厂，并以每瓦产出的 token 回应成本之争。随后谈到 CEO 选择战略的标准、Physical AI 与数字生物学、OpenClaw 代表的个人 AI 计算机，以及对 AI 末日叙事和监管的看法。他认为 Agent 会让计算量再增长百倍，并用工程师的 token 预算说明这一点。对话还涉及开放与专有模型、中东与台湾的供应链、自动驾驶与机器人、太空数据中心，以及 AI 对工作和年轻人的影响，结尾以放射科医生为例说明自动化未必缩小职业。 ## [0:02] 特别节目开场 · YouTube **Jason Calacanis：** 这周是一集特别节目，我们暂停了常规周播。能让我们停播等候的人，大概只有三个：特朗普总统、耶稣，以及 Jensen。至于他们的顺序，你自己排。你这一路走得太不可思议了，GTC 现场也太壮观了。 **黄仁勋：** 每个行业都来了，每家科技公司都来了，每家 AI 公司也都来了。真的不可思议。 **Jason Calacanis：** 过去一年最重大的消息之一，是 NVIDIA 收购 Groq。你决定买下 Groq 时，有没有预料到 Chamath 会变得这么让人受不了？ **黄仁勋：** 我隐约有一点预感。 **Jason Calacanis：** 我们是他的朋友，每周都得忍受他。 **David Friedberg：** 你只需要在交易交割那段时间忍受他。 **Jason Calacanis：** 六周。 **Chamath Palihapitiya：** 明明只有两周。 **黄仁勋：** 两周。现在全想起来了，已经开始让我不舒服了。 ## [0:26] Dynamo、Groq 与解耦推理 · YouTube **黄仁勋：** 我们很多战略都会提前几年，在 GTC 的大庭广众之下讲出来。大约两年半前，我介绍了 AI 工厂的操作系统 Dynamo。上一轮工业革命里，dynamo 是把水的能量转成电力的发电机；我觉得这个名字很适合下一轮工业革命，因为 AI 工厂要把电力和计算持续转化为智能。 **黄仁勋：** Dynamo 的基础技术是 disaggregated inference，也就是解耦推理。推理流水线极其复杂，是今天最复杂的计算问题之一：规模巨大，数学运算的形态和尺寸又很多。我们把流水线中的不同部分拆开，让一部分在某些 GPU 上运行，另一部分在不同 GPU 或其他处理器上运行。 **黄仁勋：** 这种思路进一步把我们带向异构计算。今天 NVIDIA 的计算已经分布在 GPU、CPU、scale-up 交换机、scale-out 网络、BlueField 存储处理器和各种网络处理器上。现在再把 Groq 加进来，把正确的工作负载放到正确的芯片上。我们已经从一家 GPU 公司，进化成一家 AI 工厂公司。 **Chamath Palihapitiya：** 这是我从发布会得到的最大启发。过去是一块 GPU，现在是一组会共同存在的计算选项。你在台上还特别提醒做高价值推理的人：数据中心大约 25% 的空间，可以配置成 Groq LPU 与 GPU 的组合。 **黄仁勋：** 更准确地说，我们希望在大约 25% 的 Vera Rubin 配置旁加入 Groq。 **Chamath Palihapitiya：** 行业会怎样理解这种预填充与解码的解耦？大家会怎样反应？ **黄仁勋：** 先退一步看。我们已经从运行大语言模型，转向运行 Agent。Agent 会访问工作记忆、长期记忆和工具，会高强度读写存储，还会与其他 Agent 协作。里面有大模型、小模型、扩散模型、自回归模型，各种负载同时存在。 **黄仁勋：** Vera Rubin 就是为了这种高度多样的工作负载而设计的。过去大家把我们看作一家单机架公司，现在又增加了多个机架：CPU、网络、BlueField、Groq 等都成为 AI 工厂的一部分。NVIDIA 的可服务市场自然随之扩大。 ## [5:02] 三种计算机与推理成本 · YouTube **David Friedberg：** 那嵌入式应用呢？比如我女儿家里的泰迪熊想和她说话，里面应该放定制 ASIC，还是会出现适合不同边缘场景的一整套工具？ **黄仁勋：** 从最大的尺度看，一个完整问题里有三种计算机。第一种负责训练模型，也就是创造 AI。第二种负责评估它。比如机器人和汽车必须在遵守物理定律的虚拟体育馆里接受训练和测试，我们把这套仿真计算机称为 Omniverse。 **黄仁勋：** 第三种是边缘侧的机器人计算机。它可以在自动驾驶汽车里，也可以在机器人里，甚至可以是一只泰迪熊里的小型计算机。我们还在把电信基站变成 AI 基础设施的一部分。电信是一个规模约 2 万亿美元的产业，未来无线电、工厂和仓库都会成为 AI 边缘节点。 **David Sacks：** 去年你比很多人更早说，推理不是增长一千倍的问题。那究竟会增长一百万倍，还是十亿倍？当时不少人觉得太夸张，因为行业还只盯着训练。现在推理已经爆发，供给反而受限。 **David Sacks：** 你们宣布的新一代推理工厂吞吐量可能提升十倍，但外面的说法是：NVIDIA 方案要花 400 亿到 500 亿美元，定制 ASIC、AMD 等方案只要 250 亿到 300 亿美元，所以你们会丢份额。客户为什么要付近两倍价格？ **黄仁勋：** 最重要的概念是，不要把工厂的采购价等同于 token 的成本。一个 500 亿美元的工厂，很可能反而生产出最低成本的 token，我甚至可以证明这一点，因为它以极高效率产出 token。 **黄仁勋：** 数据中心里大约 200 亿美元本来就是土地、电力、建筑、局域网、冷却、存储、CPU 和服务器。GPU 价格差异并不会把 500 亿直接变成 250 亿，可能只是变成 400 亿。可是如果 500 亿方案拥有十倍吞吐，经济性完全不同。 **黄仁勋：** 这就是为什么我说：如果技术跟不上我们的节奏，即使芯片免费，也仍然不够便宜。真正要比较的是每瓦、每机架、每小时能生产多少 token，而不是只看一块芯片的报价。 ## [8:54] CEO 如何选择战略 · YouTube **Chamath Palihapitiya：** 我想问一个更一般的战略问题。你管理着全球最有价值的公司之一，明年可能有 3500 多亿美元收入和 2000 亿美元自由现金流，而且还在高速复合增长。你到底怎样决定该做什么？信息怎样传到你这里？ **Chamath Palihapitiya：** 你怎样形成直觉，判断哪里该加倍下注、哪里该退后、哪里该进入一块全新绿地？ **黄仁勋：** 最终分析下来，这就是 CEO 的工作。我们的任务是定义战略和愿景。我们当然会听取优秀计算机科学家、技术专家以及公司各处团队的意见，但塑造未来的责任不能外包。 **黄仁勋：** 我会问：这件事是不是难得近乎疯狂？如果不难，我们就应该退后，因为容易做的事情自然会有很多竞争者。它是不是从未有人做成过？它是否刚好调用了 NVIDIA 的特殊能力？我要寻找这些条件的交汇点。 **黄仁勋：** 我们也知道，真正重要的事情会带来大量痛苦和折磨。伟大发明很少是第一次尝试就轻松成功。如果一件事极难、从没人做过，又适合我们的能力，那么你最好真的享受这个过程，否则很难坚持下去。 ## [10:48] Physical AI 与数字生物学 · YouTube **Chamath Palihapitiya：** 你能挑三四个更长期的下注谈谈吗？比如太空数据中心、ADAS 和汽车、生物学。你怎么看这些曲线未来向上拐点？ **黄仁勋：** Physical AI 是我们深信不疑的大类别。它让科技行业第一次有机会服务一个大约 50 万亿美元、此前基本缺少现代计算技术的实体产业。为了进入这个市场，我们必须把训练、仿真、评估和边缘执行所需的整套技术都发明出来。 **黄仁勋：** 我认为这是一段十年旅程，而我们十年前就开始了。现在曲线已经拐头。相关业务已经是数十亿美元规模，接近每年 100 亿美元，而且还在指数增长。 **黄仁勋：** 数字生物学也很重要。我们几乎正在接近数字生物学自己的 ChatGPT 时刻。我们正在理解如何表示基因、蛋白质和细胞，也已经知道怎样表示化学分子。下一步是理解生命基本单元的动态。 **黄仁勋：** 我相信两三年到五年内，医疗和数字生物学会出现明显拐点。农业也已经在变化。零样本基因组建模这类能力，会让科学家重新定义实验和发现的速度。 **Jason Calacanis：** 我想把话题从数据中心带回桌面。NVIDIA 最早很大程度上由爱好者、游戏玩家和显卡用户推动。你在台上反复提到 Claude、Claude Code 和 Agent 革命，也宣布了能运行本地模型、拥有约 750GB 内存的强大工作站。 **Jason Calacanis：** Mac Studio 到处卖断货。我的公司几乎在把所有流程迁到 Claude，Friedberg 也被 Claude “传染”了。开源 Agent 从街头、桌面和爱好者社区冒出来，对你意味着什么？ ## [15:00] OpenClaw 与个人 AI 计算机 · YouTube **黄仁勋：** 过去两年大致有三个拐点。第一个是生成式 AI。GPT 技术其实在 ChatGPT 之前几个月就摆在那里，但直到 ChatGPT 给它加上容易使用的界面，普通人才真正意识到生成式 AI。 **黄仁勋：** 生成式系统既产生供外部消费的 token，也产生内部思考 token，由此进入推理阶段。o1、o3 继续推动这条路线；加入真实资料和工具后，模型回答问题的方式也更有用，商业收入开始拐头。 **黄仁勋：** 第三个拐点最初主要发生在行业内部：Claude Code 是第一个真正有用、具有革命性的 Agent 系统之一。但企业外的大多数人并没有直接看到它，直到 OpenClaw 把 Agent 能做什么放进大众意识。 **黄仁勋：** OpenClaw 的文化意义很大，更重要的是它把一种新的计算模型结构化了。它有短期和长期记忆，有资源管理、调度和 cron job，可以拆解任务、生成其他 Agent，有输入输出系统，也能连接 WhatsApp 等外部应用，还能通过 API 安装和运行各种 skills。 **Chamath Palihapitiya：** 也就是说，它已经具备了计算机的核心组成部分。 **黄仁勋：** 对。记忆、资源、调度、输入输出和应用接口，这些共同定义了一台计算机。我们第一次有了一台个人人工智能计算机。它是开源的，可以运行在几乎任何地方，可能成为现代计算的新操作系统蓝图。 **黄仁勋：** 但 Agent 能访问敏感信息、执行代码，又能对外通信，所以必须治理。安全策略不能让一个 Agent 同时无限拥有这三类权力。我们需要权限隔离、审计、沙箱和政策控制。Peter Steinberger 来到现场，我们也有很多工程师与他合作，帮助这个生态保护隐私和安全。 ## [16:38] 监管、末日叙事与 Anthropic · YouTube **David Friedberg：** 这种范式变化，会不会让美国各地已经通过或正在讨论的 AI 法案很快失效？很多监管模型仍然假设 AI 是一个封闭模型，而现在它已经变成桌面上的开放 Agent。 **黄仁勋：** 这正是我们必须持续向政策制定者解释的部分。Brad 也在做很多工作。我们要告诉他们技术目前是什么、又不是什么。AI 不是生物，不是外星人，也不是天然有意识的存在；它是计算机软件。 **Chamath Palihapitiya：** 对，没错。 **黄仁勋：** 有人说“我们完全不理解它”，这不是真的。我们不是理解所有细节，但我们理解很多。我们知道训练、推理、工具使用和系统控制是怎么工作的，也知道怎样继续研究未知部分。 **黄仁勋：** 我们不能让末日主义和极端主义独占政策讨论。同时，技术确实发展很快，政策也不要过早跑到技术前面。美国在 AI 上最大的国家安全风险之一，是其他国家快速采用，而我们因为愤怒、恐惧或偏执，让本国工业和社会不敢使用。 **Chamath Palihapitiya：** 如果你坐在 Anthropic 董事会里，面对他们与国防部门争议以及由此带来的公众不信任，你会建议 Dario 和团队怎么做？ **黄仁勋：** 首先，Anthropic 的技术非常出色。NVIDIA 是它的大用户，我敬佩他们对安全、security 和技术质量的专注，也尊重他们警告社会强大技术能力的愿望。 **黄仁勋：** 但世界是一个光谱。warning 是好的，scaring 就没那么好。预测未来没有问题，可我们要更谦逊，承认无法完全预测未来。没有证据时反复讲极端、灾难性的结论，造成的伤害可能比人们想象的更大。 **黄仁勋：** 过去没有人听科技领袖说什么，现在科技已嵌入社会、产业和国家安全，我们的话有分量。因此我们必须更审慎、更温和、更平衡，也更有证据。 ## [20:48] Agent 计算量、收入与 token 预算 · YouTube **David Sacks：** 美国公众对 AI 的支持率只有大约 17%。我们已经看过核能的故事：美国几乎停掉建设，而中国在建大量反应堆。现在又有人要求暂停数据中心。行业必须更主动说明好处。 **David Sacks：** 回到公司内部的 Agent 爆发。市场一直问 ROI 是否出现。Anthropic 2 月的月度收入达到数十亿美元级别，OpenAI 也在快速增长。你们还给出了未来 Blackwell 与 Vera Rubin 大约一万亿美元的需求可见度。收入会像智能一样扩张吗？ **黄仁勋：** 看看现场就知道，Anthropic 和 OpenAI 在这里，但这里 99% 的公司也都是 AI 公司。AI 极其多样。按类别看，最受欢迎的是 OpenAI，第二大可能是开放权重和开源模型，Anthropic 是更远的第三名。这说明整个生态远大于几家模型公司。 **黄仁勋：** 从生成到推理，计算量大约增加 100 倍；从推理到 Agent，可能又增加 100 倍。仅两年里就是约一万倍。人们愿意为信息付费，但更愿意为完成工作付费。聊天机器人回答问题很好，帮我做研究更好，真正替我把工作做完，我才会付更多钱。 **黄仁勋：** Agent 正在完成工作。把一万倍计算、约一百倍消费和仍未真正开始的规模化结合起来，我们绝对正走向百万倍增长。 **Jason Calacanis：** NVIDIA 有多少员工？ **黄仁勋：** 大约 4.3 万，其中约 3.8 万是工程师。 **Jason Calacanis：** 公司里 token 使用量暴增。现在甚至有人面试时会问，公司能给我多少 token，因为那决定我能不能成为高效员工。你们是不是已经每年花十几亿、几十亿美元给工程团队买 token？ **黄仁勋：** 我们正在努力多花。做个思想实验：一个软件工程师或 AI 研究员年薪 50 万美元，这在我们公司很常见。年底我问他花了多少 token，如果他说只花了 5000 美元，我会发疯。 **Chamath Palihapitiya：** 完全同意。 **黄仁勋：** 一个年薪 50 万美元的工程师，如果没有消费至少 25 万美元价值的 token，我会非常警觉。这就像芯片设计师说自己只用纸和笔，不需要 CAD 工具一样荒唐。 ## [25:01] 一百个 Agent 与 autoresearch · YouTube **Jason Calacanis：** 这很像 NBA 的全明星球员。LeBron James 每年花约 100 万美元维护身体，所以 41 岁仍能打球。如果知识工作者很优秀，为什么不给他们超人能力？两三年后，NVIDIA 的顶尖员工会变成什么样？ **黄仁勋：** 首先，“这太难了”的想法会消失；“这要花很长时间”的想法会消失；“这需要很多人”的想法也会消失。上一轮工业革命后，没有人看到一栋楼就说它太重，看到一座山就说它太大，因为机器改变了可行性的边界。 **Chamath Palihapitiya：** 最后剩下的是创造力：你到底想出什么？ **黄仁勋：** 正是如此。未来与 Agent 协作，就是新的编程方式。过去我们写代码，未来我们写想法、架构和规格，组织团队，定义什么是好结果和坏结果，教它怎样与我们迭代、怎样头脑风暴。 **黄仁勋：** 我认为每位工程师都会拥有大约一百个 Agent。 **David Friedberg：** 我最近亲自经历了这种变化。一个周日晚上十点，我用 Claude 跑一个 Agent 系统，90 分钟就替换了一整套软件栈并完成部署。十一点半我就睡觉了。第二天我要求管理团队都做类似实验，周一看到结果时，我意识到事情已经变了。 **David Friedberg：** 科学部分更夸张。我们把一组内部基因组数据交给 autoresearch，30 分钟得到一个结果。按过去标准，它可能是一篇要做七年的博士论文，甚至可能成为这个领域最受关注的论文之一。 **David Friedberg：** 我们周五拿到数据，从 GitHub 下载 autoresearch，在桌面电脑上运行。所有人看着结果都愣住了。Karpathy 用一个周末、约 600 行代码写出的循环，已经能在多种数据上自动实验。这说明算法和硬件的优化空间还在非常早期。 ## [29:14] Agent 不会简单摧毁企业软件 · YouTube **黄仁勋：** OpenClaw 之所以出现得恰到好处，是因为 Claude、GPT、ChatGPT 等大模型刚好达到足够高的能力。它还能调用人类多年创造的工具：浏览器、Excel，以及芯片设计里的 Synopsys、Cadence、Omniverse、Blender、Autodesk。 **黄仁勋：** 有人说企业软件会被完全摧毁，我提供另一种看法。企业软件过去受限于 seats，也就是有多少人坐在电脑前使用。未来可能有一百倍数量的 Agent 去使用 SQL、向量数据库、Blender、Photoshop 和各种专业工具。 **黄仁勋：** 这些工具一方面本来就做得很好；另一方面，它们还是 Agent 与人类之间的控制界面。工作完成后，我需要结果回到 Synopsys 或 Cadence，因为工程师知道怎样在这些系统里检查、修改并建立 ground truth。 **黄仁勋：** 所以 Agent 可能扩大企业软件的使用规模，而不是简单把它们全部替换掉。 ## [30:50] 开放模型、专有模型与全球扩散 · YouTube **Chamath Palihapitiya：** 现在既有很优秀的闭源模型，也有很强的开放权重模型，很多中国模型尤其令人惊讶。前两天 Bittensor Subnet 3 还完成了一次全分布式的 40 亿参数 Llama 训练，让很多人贡献闲置算力，并保持有状态训练。 **黄仁勋：** 这像现代版 Folding@Home。 **Chamath Palihapitiya：** 你怎么看开源的最终状态？架构和计算是否也会去中心化，让 AI 对所有人可用？ **黄仁勋：** 我们根本上同时需要两种东西：作为一流商业产品的专有模型，以及作为开源技术的模型。不是 A 或 B，而是 A 和 B。对绝大多数消费者来说，模型是一种技术，不是他们自己要维护的产品。 **黄仁勋：** 在通用智能这一层，我并不想自己微调全部模型。我愿意继续使用 ChatGPT、Claude、Gemini 和 X。它们有不同性格，我会根据心情和问题选择。这个市场会继续繁荣。 **黄仁勋：** 可是各个行业的领域知识和专业能力，必须以企业能够控制的方式被捕获，这只能大量依靠开放模型。开放模型正在接近前沿；即使最终达到前沿，世界级专有模型作为服务仍会继续繁荣。 **Jason Calacanis：** 我们现在投资的创业公司，往往先用开源模型，再接专有模型。 **黄仁勋：** 有一个优秀 router 就可以从第一天把二者接起来：每天先获得世界最好的模型能力，同时给团队时间降低成本、微调和专业化。 **David Sacks：** 一年前的 AI diffusion rule 实际上限制了美国技术全球扩散。新政府执政一年后，你怎么给美国的全球 AI 扩散打分？ **黄仁勋：** 特朗普总统希望美国工业、科技行业和 AI 行业领先并获胜，也希望美国技术传播到全球。我们曾在全球第二大市场拥有约 95% 份额，现在接近零。政府希望我们重新进入，企业已经申请许可，一些许可也得到批准，我们正在重新启动供应链。 **黄仁勋：** 理想结果不是全世界只使用一个模型，而是美国从芯片、计算系统到平台的技术栈被全球广泛使用，各国在其上建设公共 AI、私有 AI 和自己的社会应用。美国技术栈若能服务全球 90% 的市场，我会非常乐见。 ## [34:53] 中东、台湾与供应链韧性 · YouTube **David Friedberg：** 世界各地的冲突让你多担心？中国与台湾、中东的氦气供应，都可能影响半导体制造。你投入多少精力监测这些风险？ **黄仁勋：** 首先，我们在中东有大约 6000 个员工家庭，NVIDIA 也有很多伊朗员工，他们的家人仍在伊朗。大家焦虑、担心甚至害怕，我们一直关注他们，他们拥有公司百分之百的支持。 **黄仁勋：** 有人问我们是否还会留在以色列。答案是百分之百会。我们百分之百支持当地家庭，也百分之百看好中东的长期发展。如果战后地区变得更稳定，那么之前考虑的 AI 投资，之后更应该继续考虑。 **黄仁勋：** 对台湾，我们要做三件事。第一，以最快速度重新工业化美国，建设芯片厂、计算机厂和 AI 基础设施。 **Jason Calacanis：** 目前做得怎么样？ **黄仁勋：** 做得很好，因为我们获得了台湾供应链的战略支持与友谊。依靠这种合作，我们在亚利桑那、德州和加州以很快速度建设产能。台湾是真正的战略伙伴，值得我们的支持、友谊和慷慨，他们也在尽全力加速制造。 **黄仁勋：** 第二，要让供应链更多元。韩国、日本、欧洲以及其他地区都应该参与，提高韧性。第三，在增加多样性、降低风险的过程中要保持克制，不要无谓地把局势推向更危险的位置。 **Jason Calacanis：** 我们需要耐心。 **David Friedberg：** 氦气会成为问题吗？ **黄仁勋：** 可能会，但供应链通常有相当缓冲，不会每个新闻都立即传导。更高层的问题是：当一个国家无法获得微型电机、稀土和磁体，不能控制通信网络，也不能提供可持续能源时，国家安全就被削弱。 **黄仁勋：** 我不希望 AI 变成太阳能、稀土、磁体、电机或通信产业那样的结果。美国不能只保留发明环节，却把制造、系统和基础设施全部交出去。 ## [39:29] 从供应链转向自动驾驶 · YouTube **Jason Calacanis：** 接下来谈自动驾驶。你们在 Mercedes、BYD、Uber 等项目上进展很快，也发布了新的合作。这个市场最终会不会出现一个类似 Android 的开放平台，与 Tesla 或 Waymo 那种更垂直的 iOS 模式并存？ ## [39:45] 训练、仿真与车载计算的完整平台 · YouTube **黄仁勋：** 先退一步。我们相信，未来所有会移动的东西都会部分或完全自主。第二，我们不想自己造自动驾驶汽车，但希望让全球每一家汽车公司都能造自动驾驶汽车。 **黄仁勋：** 因此我们构建了训练计算机、仿真计算机、评估计算机和车载计算机。我们开发了安全优先的驾驶操作系统，也创造了一个具备推理能力的自动驾驶系统 Alpamayo。它能把复杂场景拆解成更简单、自己知道怎样处理的场景，就像推理模型拆解问题。 **黄仁勋：** 我们在垂直方向做完整优化，在水平方向开放创新。客户可以只买其中一台计算机，也可以使用三层甚至整个系统。Tesla 会购买我们的训练计算机；其他公司可能使用训练和仿真，或者进一步把车载计算机装进汽车。 **黄仁勋：** 我们的态度是解决问题，而不是强迫客户只能购买某一种固定组合。客户怎样与我们合作，我们都很高兴。 ## [43:59] 与客户竞争，以及为什么 NVIDIA 仍在增份额 · YouTube **Chamath Palihapitiya：** 你提供平台，让一千朵花开放；但其中一些花也想向下进入芯片层与你竞争。Google 有 TPU，Amazon 有 Inferentia 和 Trainium。它们一边是巨大客户，一边又想“超越 NVIDIA”。你怎样处理？ **黄仁勋：** 我们是一家 AI 公司，自己构建基础模型，在很多领域处于前沿，也构建每一层技术栈。我们可能是全球唯一一家与所有 AI 公司合作的 AI 公司。它们从不提前告诉我自己在做什么，而我总是把我们的路线图公开给它们看。 **Chamath Palihapitiya：** 你的信心来自哪里？ **黄仁勋：** 来自速度和经济性。只要我们继续快速创新，客户从 NVIDIA 购买，仍然可能是最经济的选择。我们也是唯一能在每个云、企业本地、汽车、不同地区、边缘甚至太空保持同一架构的公司。 **黄仁勋：** 大约 40% 的业务，如果没有 CUDA 软件栈、没有构建整座 AI 工厂的能力，客户根本不知道怎样只拿一块芯片来解决问题。他们不是来买芯片，而是来建设 AI 基础设施，需要完整栈。 **Chamath Palihapitiya：** 这些公司自己尝试之后发现太难，又回来找你们，所以份额上升？ **黄仁勋：** 有这个因素。系统比芯片难得多。AWS 刚宣布未来几年购买大约一百万颗芯片，这还是在已有采购之上。Anthropic、Meta、开放模型、区域云、企业、行业和边缘市场也都在增长，而且大量工作运行在 NVIDIA 上。 **David Sacks：** 但分析师似乎不相信。他们预测你们下一年增长 30%，再下一年 20%，到本应爆发的 2029 年只剩 7%。这等于假设你们份额会大幅下降。订单里有什么支持这种看法吗？ **黄仁勋：** 他们没有理解 AI 的规模与广度。很多人以为 AI 只存在于五家超大云公司。过去整个数据中心 CPU 市场一年大约 250 亿美元，而 NVIDIA 现在在我们坐着聊天的时间里都能开玩笑说做到 250 亿——这当然不是财务指引。 **黄仁勋：** 一家公司能有多大，取决于它到底生产什么。NVIDIA 不只是在做芯片，因为芯片已经不足以解决复杂的 AI 基础设施问题。OpenAI 和 Anthropic 会很大，但 AI 会比它们大得多。 ## [47:32] 太空数据中心与医疗 AI · YouTube **Chamath Palihapitiya：** 普通人应该怎样理解太空数据中心？它与地面的大规模建设有什么不同？ **黄仁勋：** 首先还是应该把地面的事情做好，因为我们已经生活在这里。其次，要为太空做准备。太空有很多能源，问题是散热：没有对流和传导，只能靠辐射，而辐射需要非常大的表面积。 **黄仁勋：** 这不是不可能解决，毕竟太空里空间很多，但成本仍然很高。我们会探索很多年。NVIDIA 已经在太空，CUDA 已经运行在全球卫星里，硬件也做了抗辐射处理。卫星上的图像处理和 AI 推理，本来就应该尽可能在太空完成，而不是把全部原始数据传回地面。 **Jason Calacanis：** 再谈医疗。我们都到了关心寿命和健康寿命的年纪。Jensen，你到底在吃什么，为什么状态这么好？ **黄仁勋：** 深蹲、俯卧撑、仰卧起坐。 **Jason Calacanis：** 美国医疗花费接近其他国家两倍，结果却不一定更好。第一次全科问诊，今天的大模型有时已经能给出更一致的分析。要突破监管，让 AI 真正影响医疗，还缺什么？ **黄仁勋：** 我们参与了几个层面。第一是 AI biology，用 AI 表示、理解并预测生物行为，对药物发现非常重要。 **黄仁勋：** 第二是 AI Agent，用于辅助诊断和医疗互动。OpenEvidence、Hippocratic 都是很好的例子。Agent 技术会改变患者怎样与医生和医疗系统交流。 **黄仁勋：** 第三是 Physical AI。AI 理解物理定律后，可以进入机器人手术。未来医院里的超声、CT 和其他仪器都会有受治理的 Agent，在安全权限内与患者、护士和医生交互。 ## [52:20] 机器人、劳动力与远程物理存在 · YouTube **Jason Calacanis：** 机器人领域过去像经历了失去的十年甚至二十年。美国和 Google 很早买了许多公司，后来又出售。现在 Optimus、中国企业和大量伙伴都进展很快。人形厨师、护士、管家什么时候真正进入生活？ **黄仁勋：** 这个产业很大程度上由美国发明。也许我们进入得太早，又在关键技术成熟前大约五年感到疲惫，提前放弃了一些耐心。 **黄仁勋：** 但技术现在已经到了。从高功能的存在性证明，到合理产品，通常不会超过两三个产品周期，也就是大约三到五年。三到五年内，机器人会出现在很多地方。 **黄仁勋：** 中国非常强。机器人所需的微电子、电机、稀土和磁体，它们都处于世界领先位置。美国以及全球机器人产业都会深度依赖中国生态和供应链，所以这里会发生非常快的进展。 **Jason Calacanis：** Elon 认为最终每个人对应一个机器人，80 亿人就有 80 亿个机器人。 **黄仁勋：** 我希望更多。工厂里会有大量 24 小时工作的机器人，很多并不需要走来走去。几乎所有东西都会机器人化。 **David Friedberg：** 对我来说，机器人可能是为每个人释放经济流动性的最大技术。汽车让人能去更多地方工作；机器人则能替个人做实体工作，让他经营 Etsy 店、Shopify 店，制造自己原本做不了的东西。 **黄仁勋：** 现在很多行业本来就缺几百万工人。如果有更多劳动力，企业还可以增长。机器人也会创造远程物理存在：我出差时，可以进入家里的机器人，看看房子、和孩子交流，甚至遛狗。 **Jason Calacanis：** 顺便耙叶子。 **黄仁勋：** 也许遛狗还没那么快，但到处看看完全可能。我们可以用光速把机器人送到远方，而不是先把自己送过去，再把个人 AI 上传到机器人上。 **David Friedberg：** 这也会打开月球和火星。机器人可以先建设工厂、利用太阳能生产材料，月球低重力又让物资返回更便宜。 **黄仁勋：** 对，距离的重要性会降低。 ## [56:11] 模型收入与应用层护城河 · YouTube **David Sacks：** Dario 在 Dwarkesh 的节目里预测，模型和 Agent 公司到 2027、2028 年会有数千亿美元收入，到 2030 年达到一万亿美元，而且这还不包括基础设施。你认同吗？ **黄仁勋：** 我认为他非常保守。我相信 Dario 和 Anthropic 会做得远比这个数字好。 **Jason Calacanis：** 从 300 亿到一万亿？ **黄仁勋：** 是的。他可能没有充分计算一件事：每一家企业软件公司都会成为 Anthropic、OpenAI 以及其他模型 token 的增值经销商。它们会把通用模型装进自己的 Agent 系统，并加入行业数据、工作流和专用能力。它们的 go-to-market 会在今年显著扩大。 **Chamath Palihapitiya：** 那应用层还有什么护城河？模型可以帮你创造一个产品，下一代模型也可能马上颠覆它。创业公司怎样差异化？ **黄仁勋：** 深度专业化。通用模型会连接进软件公司的 Agent 系统，但其中许多子 Agent 会由企业用自己的专业数据训练。 **Chamath Palihapitiya：** 所以对创业者的号召是：真正懂自己的垂直行业。 **黄仁勋：** 对，而且越早把 Agent 与客户连接起来，数据和反馈飞轮就越早启动。上一代软件先做水平产品，再由咨询公司和系统集成商做定制；定制市场甚至可能比水平软件大五六倍。平台公司也有机会成为垂直领域专家。 ## [59:04] 工作变化与给年轻人的建议 · YouTube **Jason Calacanis：** 三年前你说，人不会把工作输给 AI，而会输给使用 AI 的人。现在整场讨论都围绕 Agent 怎样让人变得超人。你改变看法了吗？ **黄仁勋：** 没有。 **Jason Calacanis：** 我们可以同时容纳两个事实。Agent 会扩大机会，但也会出现岗位替代。比如未来人类驾驶可能大量减少，而美国有 1000 万到 1500 万人靠驾驶相关工作谋生。 **黄仁勋：** 工作会改变。今天有很多专职司机。未来司机可能仍坐在车里，但车自己驾驶。因为司机的目的不只是握方向盘，还会帮助乘客、搬行李和协调各种事情。他们可能变成 mobility assistant。 **David Sacks：** 飞机的自动驾驶并没有把飞行员全部移出驾驶舱，反而随着航空业扩大，需要了更多飞行员，尽管自动驾驶承担了大部分飞行时间。 **David Friedberg：** 汽车自己驾驶时，司机还可以在手机上替乘客安排其他工作。 **黄仁勋：** 对，他可以协调行程和各种事项。每份工作都会改变，一些会消失，但也会创造很多新工作。对刚毕业、担心 AI 的年轻人，我最想说：成为使用 AI 的专家。 **黄仁勋：** 这并不简单。你要学会怎样准确描述目标，又不要过度规定每一步；给 AI 足够空间创新，同时引导它走向你想要的结果。这需要艺术感。 **Chamath Palihapitiya：** 你以前在 Stanford 说过，希望年轻人经历痛苦与磨炼。现在高中毕业生在考虑要不要上大学、学什么，你会建议什么？ **黄仁勋：** 我仍然相信深度科学、深度数学和语言能力。语言是 AI 的编程语言，是最终的编程语言。结果可能是英语专业学生反而成为最成功的人之一。 **黄仁勋：** 无论你接受什么教育，都要确保自己深入、深入地掌握 AI，而不是只会偶尔问几个问题。 ## [1:03:39] 放射科医生、教师与结尾 · YouTube **黄仁勋：** 关于工作，我还想让所有人听一个例子。深度学习革命早期，世界上最优秀的计算机科学家之一预测，计算机视觉会完全消灭放射科医生，并建议年轻人不要进入放射学。 **黄仁勋：** 十年后，他关于技术的预测百分之百正确：计算机视觉已经整合进全球各种放射学技术与平台。令人意外的是，放射科医生的数量没有下降，需求反而大幅增加。 **黄仁勋：** 原因是每份工作都有 task，也有 purpose。放射科医生的一项任务是读扫描片，但工作的目的是帮助医生和患者诊断疾病。扫描更快之后，医院可以做更多扫描，让更多患者更早进入诊疗流程。 **Chamath Palihapitiya：** 而医院也希望增加收入。 **黄仁勋：** 是的。更多扫描、更快治疗、更多早期发现，医院收入也会上升。自动化了部分任务，并不一定缩小整个职业；它可能扩大需求。 **David Sacks：** 一个生产率更高、更加富裕的国家，可以在教室里放更多老师，而不是更少。AI 还能给每个学生个性化课程，让老师变成“仿生老师”。 **黄仁勋：** 每个学生都会得到 AI 帮助，但每个学生仍然需要优秀老师。 **Jason Calacanis：** 太精彩了。Jensen，祝贺你取得的所有成就。这是一场非常积极、振奋人心的讨论，谢谢你抽时间参加。 **Chamath Palihapitiya：** 他正是这个行业需要的守护者。取得这么大成功后仍能保持谦逊，并提醒大家“我们做的是软件”，这对公众很健康。人类以前也发明过新产业，不必把一切都推向恐吓叙事。 **Jason Calacanis：** 我们拥有选择权，也有自主性，可以决定怎样使用技术。各位，下次节目再见。 **黄仁勋：** 谢谢大家。 **Chamath Palihapitiya：** 做得好，兄弟。 **David Friedberg：** 非常感谢。 **黄仁勋：** 你们太棒了。看看你们身后这么多人。 **Jason Calacanis：** 我想他们是为你来的。