10 月 6 日，在紐約 Casa Cipriani 舉行的 Citadel Securities Future of Global Markets 2025 會議上，英偉達創始人兼首席執行官黃仁勳 （Jensen Huang） 與紅杉資本合夥人 Konstantine Buhler 就人工智能和下一個增長前沿進行了交談。
黃仁勳表示，在1993年創立時，英偉達預見到通用計算（CPU）的侷限性與摩爾定律的終結，從而確定了“加速計算”的戰略方向。英偉達同時發明新技術和現代 3D 遊戲這一巨大市場，解決了“雞生蛋還是蛋生雞”的困境。
進入 AI 時代，英偉達通過 "CUDA Everywhere" 策略，將 CUDA 推廣至科研界。2011-2012 年，隨着與 Geoffrey Hinton、吳恩達等研究人員的合作，並提供 cuDNN 等使能技術，英偉達加速了 ImageNet 等競賽的突破。基於深度學習是“通用函數逼近器”的洞察，英偉達做出了徹底重塑計算堆棧，將 AI 集成到所有芯片、系統和軟件中的重大戰略決策，奠定了其 AI 革命核心地位。
2016 年，英偉達推出首臺 AI 工廠 DGX-1（首個客戶爲 OpenAI），進入超大規模計算領域。其成功的核心祕訣在於**“全棧協同設計”：同時設計和集成整個基礎設施（網絡、CPU、GPU），並運行統一軟件棧。這種高度集成使其突破摩爾定律限制**，實現代際間約 10 倍的性能飛躍，爲客戶提供極高能效，並大幅增加 AI 工廠的收入产出。
黃仁勳反駁 AI 泡沫論，強調 AI 已在超大規模數據中心（如搜索、推薦系統）實現數千億美元的實際 ROI。他預測，AI 將開創兩個萬億級新市場：
數字勞動力（Agentic AI）： 創造 AI 軟件工程師、AI 律師等 “數字人”。
物理 AI（機器人技術）： 通用 AI 驅動的多 “具身”機器人（如自動駕駛、人形機器人）。他總結，未來計算的本質是 100% 生成式，一切內容都將被實時智能生成。要支持機器人（需要訓練、模擬、運行三類計算機）和生成式範式，AI 工廠是不可或缺的基礎設施，其市場需求正處於數萬億美元的爆發初期。
以下爲要點總結：
"我們相信，我們能解決的計算問題規模幾乎是無限的，因此，總有一天，一種新型的計算方法會出現。我們公司專注於用一種叫做“加速計算”的技術來增強和補充通用計算。這就是我們最初的觀察。"
"我認爲 CUDA 的發明，部分是技术上的發明，即我們觀察到如何將 GPU 通用化；但很大程度上也关乎新产品的發明，如何將其推向市場；新战略的發明，如何讓市場接受它；以及最終發明了能夠創造飛輪效應的生態系統，從而促成一個計算平臺的誕生。"
"我們得出的結論是，這是一個通用的函數逼近器（universal function approximator）。... 那麼問題就變成了：它能解決什麼問題？現在你反過來問這個問題，我們得出的結論是，我們想解決的大多數問題都可以包含一個深度學習的組件。所以我們決定去思考，深度學習在 10 年、20 年後會發展到什麼程度。"
"我們不是在設計一個芯片，我們是在一次性設計一整套基礎設施。我們是當今世界上唯一一家公司，你可以給它一棟樓、一些電力和一張白紙，我們就能創造出其中的一切。所有的網絡、交換機、CPU、GPU，那整個工廠裏的所有技術，我們都能建造。而且它們都運行着來自英偉達的同一個軟件棧。"
"這就是像 Harvey、Open Evidence、Cursor 這類 AI 原生公司出現的原因。它們將連接到 AI 模型，並將有史以來第一次，去開拓一個以前從未被技術觸及的行業——勞動力行業。"
"你未來的計算機就像你面前的一位 CEO，或者是一位藝術家、一位詩人、一位故事講述者，你與它協作，爲自己創造獨特的內容。所以，未來的計算是 100% 生成式的。其背後需要一個 AI 工廠，這就是爲什麼我 100% 肯定我們正處於這段旅程的開端。"
以下爲訪談原文：
Konstantine Buhler：
大家早上好。我的名字是 Konstantine Buhler，是紅杉資本（Sequoia Capital）專注於人工智能投資的合夥人。英偉達和 Citadel Securities 其實有很多共同點，它們都是卓越的企業。
黃仁勳：
運營得非常好，非常出色。
Konstantine Buhler：
是的，它們都運營得非常出色，都由計算革命驅動，並且都是各自行業內以技術領先的領導者。它們還有一個不太爲人所知的事實：兩家公司的第一個外部投資者都是紅杉資本。
黃仁勳：
在 1993 年，他們冒着風險向英偉達投資了 100 萬美元。
Konstantine Buhler：
你值得這筆投資。
黃仁勳：
整整 100 萬美元，先生，他們可是擔了極大的風險。
Konstantine Buhler：
所以，當我們被邀請在這次會議上談論人工智能時，誰是世界上最合適的人選，答案是顯而易見的。他爲人工智能革命構建了整個基礎設施，所有的人工智能都建立於此；他締造了世界上最有價值的公司。請和我一起歡迎黃仁勳（Jensen Huang）先生。
黃仁勳：
歡迎。
英偉達起源：1993 年洞見
Konstantine Buhler：
Jensen，這個房間裏坐滿了世界上最優秀的機構投資者。他們管理着數萬億的資產，並且不斷在尋找優勢。你就是一個總能擁有優勢的人。在我們每一次的交談中，你都對未來有令人信服的見解。在接下來的 60 分鐘裏，我們有一個宏大的議程：涵蓋從英偉達創立之初到其崛起成爲人工智能革命中心的故事，然後我們將把大部分時間花在探討英偉達和人工智能的未來上。好的，讓我們從頭開始吧。時間回到 1993 年，你 30 歲。是什麼樣的洞察力讓你擁有了創辦英偉達的優勢？
黃仁勳：
我們當時正在經歷個人電腦（PC）革命和中央處理器（CPU）的革命，那是摩爾定律的時代。當時的熱點是集成微處理器、英特爾、摩爾定律以及晶體管的微縮定律，硅谷在計算機行業的幾乎所有投資都集中於此。而我們觀察到了一些不同的東西。我們認爲，CPU 的一個好處是它的通用性，但通用技術的根本問題在於，它們在處理非常困難的問題時，往往表現得不夠出色。
因此，我們推斷了兩件事：第一，我們觀察到有些問題可以用一種更針對特定領域、目標更明確的加速器來解決，這些問題可能很有解決價值。第二，我們觀察到通用技術，即晶體管的不斷縮小，最終會達到極限。那種認爲可以利用所謂的“丹納德微縮定律”（Dennard Scaling）不斷縮小晶體管尺寸並進行擴展的想法……實際上，摩爾定律背後的基本原理是由米德（Mead）和康威（Conway）提出的。如果你回溯這些原理，你會發現晶體管的微縮程度將會有個極限，總有一天你會得到遞減的回報。
我們相信，我們能解決的計算問題規模幾乎是無限的，因此，總有一天，一種新型的計算方法會出現。我們公司專注於用一種叫做“加速計算”的技術來增強和補充通用計算。這就是我們最初的觀察。你剛纔提到英偉達如何總是領先一步，這通常是因爲如果你從第一性原理出發進行推理，思考今天運行得非常好的東西，問自己：我們的第一性原理建立在什麼基礎上？這個基礎又將如何隨時間變化？這就有希望讓你洞見未來。
從圖形加速器到 CUDA：市場與技術發明
Konstantine Buhler：
所以，當你製造出圖形加速器時，你入場很早，但隨後湧現了數百個競爭對手。最終你在那個市場中勝出。在 2000 年代初期，你意識到這項技術或許可以通用化。你剛纔談到 CPU 的通用性，或許 GPU 也可以被通用化以進行更多的處理。我們來談談 CUDA。這個想法是怎麼來的？你是從哪裏獲得這個洞察的？有傳言說是來自研究人員，你是如何通過閱讀他們的研究，得出 GPU 可以成爲通用計算機的結論的？
黃仁勳：
首先，創建英偉達的困難之處在於，我們必須發明一種新技術，同時創造一個新市場。在 1993 年，要創建一個新的計算平臺，你需要一個巨大的市場。當時正在做 3D 圖形的硅谷圖形公司（Silicon Graphics），其市場太小，不足以支撐一個新的計算平臺。因此，如果我們想創造一種新的計算架構，就需要一個巨大的市場，但這個市場因爲架構不存在而尚未存在，這就陷入了“雞生蛋還是蛋生雞”的問題。英偉達擅長的，以及我們爲現代 3D 遊戲市場做出的巨大貢獻正在於此。
當時紅杉資本對投資英偉達的主要顧慮是，我們必須同時發明技術和市場，而這兩件事同時發生的概率大約是 0%。我至今仍記得，當我向唐·瓦倫丁（Don Valentine）推介時，他問：“Jensen，你的殺手級應用在哪裏？”我說：“有一家叫藝電（Electronic Arts）的公司。”我當時並不知道唐剛剛投資了藝電。我接着說：“我們將幫助他們製作 3D 圖形遊戲，並創造這個市場。”他回答說：“Jensen，我想讓你知道，我們投資了藝電，他們的首席技術官才 14 歲，每天由人開車送去上班。你卻告訴我這是你的殺手級應用？”總而言之，我們最終創造了現代 3D 圖形遊戲生态系统，如今它已成爲世界上最大的娛樂產業之一。
3D 圖形的根本問題是模擬現實。如果你迴歸第一性原理，它所做的就是試圖重現現實。而再現逼真圖像和動態世界的數學基礎，本質上是物理模擬。因此，線性代數顯然至關重要，我們認識到了這一點。
問題是，如何將通用的東西引入到非常專業化的領域？這正是我們公司的偉大發明。我們發明了技術，創造了市場，還開闢了路徑，使我們能夠系統地從一個非常垂直的行業，成長爲越來越通用的平臺。這種情況很少發生。這條路很難走，但我不想佔用剩下的時間來解釋。我認爲 CUDA 的發明，部分是技术上的發明，即我們觀察到如何將 GPU 通用化；但很大程度上也关乎新产品的發明，如何將其推向市場；新战略的發明，如何讓市場接受它；以及最終發明了能夠創造飛輪效應的生態系統，從而促成一個計算平臺的誕生。
我們發明了所有這些東西，它們都是全新的。如果你退後一步問自己，除了 ARM 和 x86，世界上還有哪一個幾乎人人都在使用的計算平臺？答案是不存在。所以，發明一個新的計算平臺是極其罕見的。對我們而言，這花費了將近 30 年的時間。
AI 革命起點：2012 年 ImageNet 突破
Konstantine Buhler：
所以你成功地將這個非常專業化、性能極高的加速設備通用化了，使得世界各地的研究人員和學者能夠更快地運行他們的處理任務。他們之前面臨的摩爾定律限制突然之間被極大地放寬了。現在讓我們快進到 2010 年代初。當時，深度學習還是一個學術界的冷門領域，神經網絡的概念經歷了一個“寒冬期”。然後在 2012 年，AlexNet 在計算機視覺領域取得了突破，而這一切都是在英偉達的 GPU 上加速完成的。那是不是你意識到人工智能革命正在成爲現實的時刻？如果是，你是如何抓住這個機遇的？讓英偉達成爲這場革命中心的關鍵優勢是什麼？
黃仁勳：
有兩個偶然的時刻，以及一個關於深度學習的、源於第一性原理的偉大觀察。我當時正試圖解決計算機視覺問題。我們想解決計算機視覺問題有很多不同的原因。當時的計算機視覺技術非常脆弱，難以泛化，只是一系列技巧的集合。我非常討厭這個行業的發展方式，我們對進展感到相當沮喪。
與此同時，我們普及架構的一項主要策略是，讓高等教育領域的科學家使用我們的平臺——CUDA。我從地震處理、分子動力學、粒子物理學、量子化學等領域開始推廣。我把英偉達 CUDA帶到了世界各地。公司當時確實有一個叫做“CUDA Everywhere”的戰略，意思就是我（Jensen）在全世界到處奔走。我去了世界各地的大學與研究人員會面。這項將CUDA引入高等教育和科研領域的舉措，促使一些研究人員在2011、2012年左右聯繫我們。
當時，Geoffrey Hinton、吳恩達（Andrew Ng）和楊立昆（Yann LeCun）都試圖解決計算機視覺問題，因爲一個由李飛飛（Fei-Fei Li）負責的名爲ImageNet的競賽即將舉行。而我也在試圖解決計算機視覺問題。所以當你自然而然地試圖解決一個問題時，所有這些有趣的人也在解決類似的問題，他們就會吸引你的注意。這就是機緣巧合。
而那個偉大的觀察是，我們可以爲他們創造一種新型的求解器，叫做cuDNN。這就像我們爲網絡計算（in-network computing）發明的技術，可以類比於存儲計算（in-storage computing）的後續發展。這種計算方式，這個名爲cuDNN的庫，使得他們所有人都能成功地使用CUDA。
我看到了和大家一樣的結果，所有人都看到了計算機視覺效率的巨大飛躍。但我們更進一步，去思考：這項技術爲什麼在計算機視覺方面如此出色？它還能在哪些方面表現出色？深度神經網絡之所以能夠做到非常“深”，是因爲每一層都獨立於其他層進行訓練，並且可以從一個損失函數一直反向傳播到其輸入端。你可以用它來學習幾乎任何函數。
我們得出的結論是，這是一個通用的函數逼近器（universal function approximator）。如果我們能再增加一個狀態——卷積神經網絡（CNN）是一種二維、多維的模式識別器，循環神經網絡（RNN）在其中提供了一個狀態機，長短期記憶網絡（LSTM）提供了更好的狀態機，而Transformer則提供了終極的狀態機。因此，我們有了一個可以學習幾乎任何函數的通用函數逼近器。那麼問題就變成了：它能解決什麼問題？現在你反過來問這個問題，我們得出的結論是，我們想解決的大多數問題都可以包含一個深度學習的組件。所以我們決定去思考，深度學習在10年、20年後會發展到什麼程度。
我們將計算問題分解開來，得出的結論是，每一個芯片、每一個系統、每一款軟件、計算堆棧的每一層，都可以被徹底重塑。而我們決定去實現這一點的決策，可能是歷史上最好的決策之一。
AI 工廠：從 DGX1 到全棧平臺
Konstantine Buhler：
我當時正在斯坦福大學做人工智能研究，主要的限制始終是計算能力。我們只有有限的集羣來運行這些算法。而英偉達的出現，不僅放寬了計算能力的限制，還通過CUDA基礎設施使其成爲可能。這在很大程度上就是你的歷史：讓越來越多的計算成爲可能。2016年，你非常有名地創造了世界上第一座人工智能工廠——DGX-1。你還親手把它交付給了在OpenAI的埃隆·馬斯克（Elon Musk）。
黃仁勳：
我製造了這臺全新的計算機，它的外觀和工作方式都是前所未見的。我記得在GTC上宣佈它時，觀衆完全不知道我在說什麼，得到的掌聲就像在講一個笑話一樣稀稀拉拉。
就在那次GTC上，我邀請了埃隆來談論我們倆都在做的自動駕駛汽車。他上臺後說：“Jensen，那臺計算機是什麼？”我說：“是DGX-1，我爲這個目的而建造的。”他說：“我可以用一臺。”我心想，哦，終於拿到一張採購訂單（PO）了。然后他說：“我有一個非營利組織……”
當你創造出一個全新產品時，最不想聽到的就是你的第一個客戶是一個非營利組織。但不管怎樣，我還是交付了。我當時就像是送電腦的“Doordash”小哥，把這臺電腦“外賣”到了舊金山，那家公司就是OpenAI。
Konstantine Buhler：
它現在是一個盈利能力很強的非營利組織了。
黃仁勳：
我們已經合作了很長時間。從那以後，他們的每一個模型都是在英偉達的平臺上構建的。
Konstantine Buhler：
而且這個東西的實體非常巨大。當Jensen談論一臺計算機時，我們說的是一個巨大的設備。
黃仁勳：
當人們聽到我們的GPU時，他們可能會想象一個很小的GPU。但我們的一個GPU現在是機架規模的，重達兩噸，功率12萬瓦，價值約300萬美元。那纔是一個GPU。我們當然也賣小一些的GPU，就是Geoffrey Hinton用的那種，大概500到1000美元，可以插在你的PC上，用來玩電子遊戲或搞AI。但我們也有更大的GPU，一個1千兆瓦的人工智能工廠GPU大約價值500億美元。
Konstantine Buhler：
跟我們講講這些人工智能工廠吧。你可能有小型的“AI攪拌機”，但你也有這些真正巨大的“AI工廠”。你在2016年就全力投入，并断言世界将需要人工智能工廠。你是如何獲得這種洞察力和信念的？
黃仁勳：
你只需要對此進行推理。我們建造了第一臺DGX-1，它是當時世界上最昂貴的計算機，每個節點30萬美元，但它並不算成功。所以我得出結論：我們把它造得還不夠大。於是我們造了一個更大的，第二個就變得超級成功。
現在的問題就變成了，你應該把它造多大，以及你應該把計算能力推向多高的極限？事情發展如此之快的原因在於英偉達的產品週期和我們的創新、設計方式。我們不是在設計一個芯片，我們是在一次性設計一整套基礎設施。我們是當今世界上唯一一家公司，你可以給它一棟樓、一些電力和一張白紙，我們就能創造出其中的一切。所有的網絡、交換機、CPU、GPU，那整個工廠裏的所有技術，我們都能建造。而且它們都運行着來自英偉達的同一個軟件棧。因爲我們能做到這樣的集成，我們也能以極快的速度前進。
所以我可以重新設計下一年的產品，再重新設計下下一年的，並且每一年發佈的產品都保持軟件兼容。軟件兼容性的好處就是速度。PC之所以能夠發展得那麼快，就是因爲它們都與Windows兼容。因此，只要你遵循這個技術棧的標準，你就可以隨心所欲地快速製造芯片。所以我們現在正以物理上可能的極限速度，隨心所欲地建造人工智能工廠。
因爲我們正在以令人難以置信的規模進行創新和協同設計——我們同時改變算法、軟件、網絡、CPU和GPU——我們突破了正在放緩的摩爾定律的限制。因此，我們每一代產品都將性能水平提升約10倍。這是我們每年帶給市場的令人難以置信的性能水平。我們這麼做的原因是，我們相信在地平線之外，總有一個問題是如此巨大，以至於你需要一臺更大、更快的計算機。
另一方面，當我們在相同功耗下提升性能時，我們實際上是在降低你的成本。我們正在以極快的速度降低成本，這讓客戶能做更大的事，也讓他們能用同一個工廠創造更多收入。英偉達如今能被廣泛採用，是因爲我們同時擁有最高的性能和最大的規模。所以如果你想要巨型系統，你可以做到。同時我們也是成本最低的，因爲我們的性能非常高。
舉個例子，如果你的數據中心是1千兆瓦，你就無法獲得比這更多的電力了。如果我們的每瓦性能，即每單位能源消耗的性能，是別人的三倍，你的公司就能用那個工廠產生三倍的收入。這就是我稱之爲“工廠”而不是“數據中心”的原因，它們在用它賺錢。这些人工智能工廠希望不断扩大规模，不斷增加收入，不斷提高吞吐量。這就是我們創新如此之快的原因。要跟上我們是很難的。這也解釋了我們爲什麼會成功。
AI 投資與 ROI：已見實效
Konstantine Buhler：
Jensen，您已經從一個組件供應商轉變爲一個完整的平臺供應商，這就是面向投資者所說的“AI工廠”概念。您能詳細解釋一下這個平臺包含了什麼嗎？另外，這個平臺的下一步發展會是什麼樣子？
黃仁勳：
平臺包括CPU、GPU和網絡處理器。交換機有三種類型：一種是縱向擴展（scale-up）交換機，它可以將一個機架變成一臺完整的計算機，我們開創了機架級計算，這被稱爲縱向擴展。橫向擴展（scale-out）則是通過將許多這樣的機架連接在一起實現的。这些交換機和网络设备上运行着大量软件，軟件位於所有這些硬件之上。然後，您就可以創建一個像這棟建築一樣大小的巨型系統，這棟建築的功耗大概是100兆瓦。一個千兆瓦的數據中心則需要幾千英畝的土地。接下來，您通過更廣闊的網絡將所有這些數據中心連接起來，讓它們能夠共同“思考”。這就是我們今天構建的東西。
基礎設施建設如此之快有幾個原因，現在也存在一些關於泡沫並將其與2000年相比較的問題。在2000年的時候，互聯網公司如hospital.com、pets.com大多沒有盈利，整個互聯網產業的規模大約在200到300億美元之間。
今天，首先需要看到的是，AI並不僅僅關乎OpenAI、Anthropic等新興公司。AI正在改變超大規模數據中心（hyperscalers）的運作方式。例如，搜索現在由AI驅動；推薦系統決定了您看到的廣告、新聞和故事，電影也是由AI推薦的；用戶生成的內容也同樣如此。所以，谷歌、亞馬遜、Meta的業務——這些數百上千億美元的收入，都由AI驅動。即使沒有OpenAI和Anthropic，整個超大規模數據中心行業也已由AI驅動。因此，首先要認識到，整個行業需要從使用經典機器學習的傳統CPU，轉向使用AI的深度學習。僅這一項轉型就價值數千億美元。
其次，我們現在有了一個名爲“AI”的新市場，它催生了一個生產AI的新產業。因此，OpenAI、Anthropic、xAI、谷歌的Gemini，當然還有Meta，都將成爲AI的生產者。這整個AI模型製造商層級也正在建設AI工廠。這些AI將爲下一代的新機遇提供動力。
這就是像Harvey、Open Evidence、Cursor這類AI原生公司出現的原因。它們將連接到AI模型，並將有史以來第一次，去開拓一個以前從未被技術觸及的行業——勞動力行業。
數字勞動力，即所謂的“代理式AI”（Agentic AI），將補充和增強企業市場。例如，在英偉達，我們100%的軟件工程師和芯片設計師都由AI輔助。今天，我們每一位工程师都通过Cursor獲得增強，我們在公司内部大量使用Cursor。我們为所有工程师配备了AI，生產力得到了提升，我們的工作质量也变得好得多。
您還會看到另一個新興行業正在出現，叫做“物理AI”（Physical AI）。因此，我們有企業AI和物理AI來增強勞動力。例如，自動駕駛出租車本質上就是一個數字司機。我們未來將擁有能夠嵌入到任何移動物體中的AI。在自動駕駛出租車的例子中，AI嵌入的是方向盤和輪子；但未來，你還會看到拾取和放置的機械臂，可能有一隻手臂、兩隻手臂，甚至三條腿——各種不同的實體形態。這兩個行業（企業AI和物理AI）所對應的市場規模，佔到了全球100萬億美元經濟總量的很大一部分。我們第一次擁有了能夠增強這部分經濟的技術。這就是爲什麼人們對下一波AI浪潮如此興奮。
Konstantine Buhler：
讓我們來談談前一波浪潮，因爲您提到AI已經帶來了投資回報。對於投資者來說，Meta是一個很好的案例。2022年第四季度，蘋果移除了Meta的歸因數據，導致其市值蒸發了數千億美元。Meta團隊當時在想：“我們該如何解決這個問題？” 他們用英偉達GPU驅動的AI解決了這個問題，並將他們的歸因能力恢復到了原有水平。這爲他們挽回了數千億美元的市值，使其總市值比低點時高出超過一萬億美元。這完全是由您的GPU所驅動的投资回报。
黃仁勳：
推薦系統是過去最複雜的軟件系統之一，不僅Meta在使用。它有幾項基礎技術：一項是協同過濾，它基於我的行爲並觀察其他所有人的行爲，如果我們有相似的模式，它就會向我推薦同一部電影、您購物清單裏的下一個商品、一本書或一個視頻。另一項是內容過濾，它僅基於我的身份、偏好以及那本書的具體內容來向我推薦。推薦系統是世界上最大的軟件生態系統，而這個生態系統正在非常迅速地轉向AI。因此，您將需要大量的GPU。
Konstantine Buhler：
這些系統因幾十年前的“Netflix挑戰賽”而聞名。現在，Netflix的推薦完全由AI驅動。正如您所說，在亞馬遜，當您去購買商品時，有相當大比例的購買行爲是由推薦系統促成的。
黃仁勳：
從搜索到AI。
Konstantine Buhler：
從搜索轉向AI。現在所有這些——比如TikTok——都是由AI驅動的。
黃仁勳：
是的，轉向AI。Google Shorts完全是AI。現在，所有的个性化广告也将轉向AI。所以，AI的應用數量真是令人難以置信。請注意，我剛纔描述的這些都是傳統的用例。量化交易将轉向AI，過去由人工設計的特徵提取，也将轉向AI。
Konstantine Buhler：
這正是Citadel Securities在過去二十多年裏一直開拓的領域。這就是傳統的AI。
黃仁勳：
Citadel一直是一位非常好的客戶。謝謝。
Konstantine Buhler：
那是一個經典的例子。對於在場的投資者來說，談論AI的投資回報率，它已經以萬億美元市值的形式存在了。接下來我們談談未來的支出。到2025年，AI領域的投資總額預計將高達5000億美元。未來將何去何從？这个领域会成为每年数万億美元的投资类别吗？
黃仁勳：
是的。可以這麼說，AI的製造部分，也就是“代工廠”，是模型製造者。他們就像芯片製造商。有一種理解AI的方式是，大型語言模型就是現代計算機的操作系統。你可以在這些AI模型之上構建應用程序，而且不僅僅是基於一個AI模型，而是基於一個由多個AI模型組成的系統。因此，一個應用程序將連接並使用一組不同的AI。
那麼，上層的應用空間是什麼？除了我們一直在討論的、用AI改進所有現有應用之外，一個最合理的比喻就是“數字人”。例如數字軟件工程師（即AI編程），這可能是一個數萬億美元的市場機會。還有AI數字護士、AI會計師、AI律師、AI營銷人員。我們把所有這些統稱爲“智能體AI”（Agentic AI）。這項技術正在朝着非常好的方向發展。
因此，技術將首次不再僅僅是會計師使用的工具，或軟件工程師使用的工具。我們將創造出數字軟件工程師。我不會感到驚訝，未來你會授權使用一些數字人，也會僱傭一些數字人。這取決於它們的質量和專業深度。因此，企業未來的勞動力將是人類和數字人的結合。其中一些將基於OpenAI，一些可能基於Harvey、Cursor或Replit等第三方，還有一些將由你們自己內部培養。我們內部培養了很多自己的AI，因爲我們有大量需要保護的專有知識和數據，並且我們具備開發這些AI的技能。隨着時間的推移，越來越多的人將能夠培養自己的數字AI，因爲這樣做會變得越來越容易。因此，企業和智能體AI，通過增強勞動力，帶來了數萬億美元的機遇。
與以前的軟件相比，AI的獨特之處在於它需要持續地處理信息。你不能像過去那樣預先編譯它，把它放進一個二進制文件裏，下載然後使用。它必須一直處於處理狀態。之所以如此，是因爲它需要獲取你的上下文，思考你想讓它做什麼，然後生成一個輸出。所以它在不斷地思考和生成。這需要機器，需要計算機來完成。這就是“AI工廠”存在的原因。這些AI工廠将部署在云端，也可能在本地（on-prem），遍佈世界各地。這可以看作是AI基礎設施的一部分，將會有大量的“思考”來產生我們稱之爲“token”的東西，但其本質是智能。這就是所谓的认知AI，也就是數字勞動力。
第二點是機器人技術。讓我給你們做一個思想實驗，解釋爲什麼機器人技術離我們如此之近。你現在可以給AI一個提示，比如“讓黃仁勳拿起一個瓶子，打開它，然後喝一口”，它就能生成我做這個動作的視頻。那麼，如果它能生成這一切，爲什麼不能操縱一個機器人來完成同樣的動作呢？這個思想實驗表明，這在現在看來是非常有可能的。如果你能設計一個可以駕駛汽車的數字司機，爲什麼不能讓一個實體機器人來駕駛汽車呢？如果一個實體機器人可以被賦予駕駛汽車的能力，爲什麼不能賦予它操作一個拾取和放置機械臂或任何類型機器人的能力呢？
我們人類有能力“具象化”（embody）幾乎任何東西。我們可以拿起刀叉，它們就成爲我們身體的延伸；我們可以拿起棒球棒，並將其用作我們身體的延伸。我們能夠“具象化”這些物理延伸。未來的AI將能夠“具象化”並操縱一輛汽車、機械臂、人形機器人、外科手術機器人等等。因此，我認爲這兩個市場（數字人和機器人）都在AI的能力範圍之內。
最後，舉一個例子。當你觀察到一個事物實現的可能性時，剩下的就只是工程問題了。我們現在已經看到了一個絕佳的實例，那就是AI軟件編碼器，這也是我們大量使用它的原因。既然你有了AI軟件編碼器，爲什麼不能讓它也編寫一個營銷活動的軟件，或者編寫軟件來幫你解決任何會計問題，或任何你想做的事情呢？所以，這個實例的存在本身就說明了，將其推廣到其他領域只是一個工程問題。
同樣，我們現在有了自動駕駛出租車。它是一個“具象化”的機器人，控制着方向盤和車輪。既然它存在，爲什麼不能將其推廣開來呢？剩下的也只是工程問題。所以，這是從第一性原理出發，推斷這項技術在各行業和社會中普及可能性的一個好方法。接下來你需要思考的是，如何擴大規模？如何將這種智能交付給所有這些不同的應用？答案就是，你需要“AI工廠”。
未來 AI 機會：代理與物理 AI（萬億市場）
Konstantine Buhler：
我們再多談談機器人技術。您擁有一支出色的機器人團隊，您負責機器人業務的一位高管今天也在這裏。在之前的一次談話中，您分享了關於機器人技術未來發展的一些見解。它會是一個單一的人形機器人項目嗎？會是多個開源項目嗎？這些開源項目將如何整合？您認爲機器人技術將如何真正在物理世界中體現出來，以及時間規劃是怎樣的？
黃仁勳：
機器人出租車已經出現了，它們在不同城市間進行泛化的能力正快速提升。原因是這背後是相同的基礎技術，我們都經歷了同樣的發展歷程。對於在座各位從事量化交易和算法交易的人來說，你們也經歷了從人工設計特徵、機器學習，到越來越多地使用深度學習、嵌入特定模態和多模態模型，再到如今基本實現端到端的過程。並且，它是多模態的。
在這個過程中，模型的泛化能力越來越強。用於自動駕駛汽車的AI模型和用於人形機器人或普通機器人的AI模型高度相似，只是體現在兩種不同的“具身”（embodiment）中。我之所以能肯定這一點，是因爲我可以用同一種智能來駕駛汽車和操控我自己的身體。我可以用刀叉，假裝自己是外科醫生，在牛排上動手術。你會發現，這是同一種AI在不同“具身”中的體現。
這就是AI未來的發展方向。機器人技術正朝着越來越通用的AI發展，這些AI是多“具身”、多模態的。要創造這樣的未來，需要三樣東西。首先，是我之前提到的AI工廠，用於訓練模型。其次，需要一個能讓AI在進入現實世界前進行學習的地方，這樣它就可以在虛擬世界中進行數萬億次的迭代。這個虛擬世界就像一個電子遊戲，AI在其中扮演一個遊戲角色，並遵守物理定律。當它學會如何成爲一個出色的遊戲玩家後——由於我們的模擬器非常出色， simulation-to-real（虛擬到現實）的差距極小——我們稱之爲Omniverse，也就是Omniverse計算機。然後，機器人就可以走出虛擬世界，物理世界就成了它玩過的虛擬世界的又一個版本。當它進入物理世界時，同样需要一台計算機。
所以，你需要三臺計算機：用於訓練的AI計算機，用于模拟的虚拟世界計算機（即實驗室），以及作爲機器人大腦、在物理世界中实际运作的計算機。英伟达提供所有这三种計算機，我們與幾乎所有的機器人公司、自動駕駛公司以及各種不同“具身”形態的機器人公司都有合作。這很可能會成爲有史以來最大的市場之一。
Konstantine Buhler：
所以，英偉達現在幾乎觸及了科技的方方面面。正如您過去所說，你們從零開始進入一個市場，並幫助它成長爲萬億級別的市場。機器人技術是下一個前沿市場之一。您對還有哪些其他的前沿市場感到特別興奮？您剛纔提到了醫療健康，這是您充滿熱情的領域嗎？還有沒有其他領域值得在座的投資者關注？
黃仁勳：
醫療健康所需的技術非常複雜，但我們正在取得飛速進展。如果你能理解單詞和字符序列的含義，你或許也能理解像虛擬世界這樣有“結構”的東西的含義。我們之所以能生成視頻，是因爲我們理解了現實世界，從而能生成它的圖像化表示。所以，如果你能生成視頻，那一定是因爲你理解了世界。如果你能理解世界，那么是否有可能理解同样具有結構的蛋白质和化学物质呢？答案是肯定的。
我們正越來越接近理解蛋白質的意義，這得益於AlphaFold等技術。我們也能夠理解細胞的意義。我們最近與ARC合作，Evo-2是首批用於細胞表徵的大語言基礎模型之一。現在你可以對它說：“我希望你生成具有這些特性的其他細胞。”或者你可以直接問細胞：“你有什麼特性？你能與什麼結合？你的新陳代謝是怎樣的？什麼可以激活你？”你可以像與聊天機器人對話一樣與細胞對話。因此，理解蛋白質的意義……總之，這方面有很多進展，例子不勝枚舉。
另外，我爲我們將AI引入電信領域的工作感到興奮，5G和6G將因AI而發生革命性變化。我也爲我們與量子計算機的合作感到興奮，通過創建量子-GPU混合計算系統，我們可以將量子計算的進程提前大約十年。在這些系統中，我們負責糾錯、控制量子計算機以及後處理。我們推出了一種名爲CUDA-Q的新架構，它將CUDA擴展到了量子領域，並獲得了廣泛的採用。現在，我們能解決許多以前難以解決的問題。
AI 安全與生成計算
Konstantine Buhler：
Jensen，您最近在我們辦公室參加了一場AI會議，並就AI安全的未來及其重要性提出了一些非常精彩的見解。這和剛纔的話題有些關聯。有些國家行爲體可能會干預AI，也有些個人用戶可能會不當使用AI。您認爲AI安全的未來會是怎樣的？
黃仁勳：
未來的AI安全將與網絡安全有些相似。它將需要我們整個社區共同努力。您可能知道，所有的網絡安全和首席安全官們，我們都是一個龐大的社區。當有人發現入侵時，我們會與所有人共享。當我們發現漏洞時，我們也會與所有人共享。因此，未來的AI安全很可能會像網絡安全一樣。
其次，如果智能的邊際成本，即AI的邊際成本趨近於零，那麼專注於安全的AI的邊際成本爲什麼不會也趨近於零呢？這一點非常明確。很可能每個AI都會被一大羣監視着它的網絡安全AI所包圍。我們將擁有大量的AI保護者，數千、數百萬，遍佈公司內外。這就是未來的圖景。
“AI本身必須是好的”這個想法很好，但我們不應該依賴於此。就像我們希望一個軟件能正常運行，但我們必須假設它可能存在漏洞、病毒或被入侵。我們將儘可能安全地推動AI發展，同時也會在AI周圍部署大量的安全AI。
Konstantine Buhler：
您分享過，物理世界的動態與數字世界是脫鉤的。在物理世界，可能是一個安保人員對應100個普通人；而在AI世界，這個比例可能會被反轉。
黃仁勳：
是的，就像網絡安全一樣。我們擁有的網絡安全代理數量，比公司裏從事網絡安全工作的人員要多得多。
Konstantine Buhler：
您還分享了一個觀點，未來我們不僅有渲染計算，一切都將是生成式的。您能詳細解釋一下這個預測以及它對英偉達意味着什麼嗎？
黃仁勳：
最好的例子之一是Perplexity。當你在Perplexity上提問時，你看到的一切都是完全生成的，100%都是。而在Perplexity出現之前，你輸入一些內容，它會給你一個列表，你再去點擊。所有這些內容都是由某人事先編寫或創建的。所以，搜索是基於存儲的計算，是基於檢索的計算，它檢索信息供你自行消費。而Perplexity或AI則是生成式的，它去研究、閱讀所有內容，然後爲你生成答案。
所以，Perplexity是從傳統計算機方法（我們去檢索一個文件並閱讀它）到生成式方法（基於AI的Perplexity）的一個絕佳範例。另一個例子是，看看我們今天看到的視頻，比如Sora、nano banana，所有這些像素都是生成出來的。它由你來設定條件和提示詞。你可能會給它一個初始種子，然後說：“我希望你生成一個Constantine和Jensen進行爐邊談話的視頻。”然後你再提示說，這次爐邊談話他們會聊一些瘋狂的東西。
Konstantine Buhler：
（對線上觀衆說）順便一提，我們這個是真的。
黃仁勳：
然後Sora就會生成它。所以，每一個像素，每一個動作，每一個詞都是生成的。未來計算的方式很可能就是生成式的。
最後再舉一個例子。我們倆剛纔的整個交流過程100%是生成式的。你問我的每個問題，我都沒有跑回辦公室檢索某些東西拿給你，然後問“Constantine，這是你要的嗎？”，再讓你讀給大家聽。那是過去的計算機。今天的計算機就是我們這樣直接互動。我們正在根據此時此地的上下文、根據觀衆、根據世界正在發生的事情，實時地生成一切。這就是未來的計算機。
你未來的計算機就像你面前的一位CEO，或者是一位藝術家、一位詩人、一位故事講述者，你與它協作，爲自己創造獨特的內容。所以，未來的計算是100%生成式的。其背後需要一個AI工廠，這就是爲什麼我100%肯定我們正處於這段旅程的開端。我們現在爲這個每年可能需要數萬億美元基礎設施的市場，只建造了區區幾千億美元的基礎設施。這是最容易理解其前景的方式。
Konstantine Buhler：
而這種計算範式更像人類的思維。
黃仁勳：
是的，它在思考。
英偉達的投資洞見
Konstantine Buhler：
如果你準備好了，我們來回答幾個閃電戰式的問題吧？在最後幾分鐘裏。我不知道那個答案對應的是什麼問題，所以我們直接開始吧。哪一個華爾街最不看重的關鍵績效指標（KPI）？
黃仁勳：
在未來的人工智能工廠中，你每單位能源的吞吐量決定了你客戶的收入。這不僅僅是選擇一個更好的芯片，而是決定你的收入會是多少。事實上，如果你回顧一下所有的雲服務提供商（CSP），那些做出正確選擇的公司收入實現了增長，而那些行動遲緩的公司隨後也做出了正確的選擇。所以你可以看到這種情況正在發生，人們也開始理解這一點。你的吞吐量——也就是工廠每單位能源的令牌生成率——就是你的收入。
Konstantine Buhler：
英偉達平臺中最被低估的部分是什麼？
黃仁勳：
大多數人都在談論CUDA，CUDA非常重要。但在CUDA之上，還有一套庫。我今天早些時候提到了一個，叫做cuDNN。它可能是有史以來創造的最重要的庫之一。上一個具有同等重要性的是SQL，而這一個就是cuDNN。還有其他一些，比如cuDF，以及將用於半導體制造光刻技術的cuLitho。我們大約有350個這樣的庫。這些庫，就是英偉達的寶庫。
Konstantine Buhler：
您認爲哪一項技術被嚴重低估，哪一項又可能被高估了？
黃仁勳：
被低估的，我認爲是虛擬世界。我們稱之爲Omniverse，它是一個供實體AI學習如何成爲一個優秀的實體AI的虛擬世界。這很難理解，但它被嚴重低估了。這並非因爲人們用或不用它，而是因爲他們還不知道自己需要它。但現在，Omniverse正席捲機器人行業，每個人都開始明白了。一旦你開始製造機器人，你就會意識到這是多麼有遠見。我們差不多十年前就開始研發Omniverse了。所以，Omniverse非常重要。
Konstantine Buhler：
哪本書對您的商業和領導力哲學影響最大？
黃仁勳：
我最喜歡的書之一是大家的第一本微積分教材，那時你意識到數學是一種情感。那是一本好書。克萊·克里斯坦森（Clay Christensen）的所有書都很棒，他已經去世了，但曾是一位好友。阿爾·里斯（Al Ries）的《定位》（Positioning）是一本非常好的書。如果你還沒讀過，傑弗裏·摩爾（Geoffrey Moore）的《跨越鴻溝》（Crossing the Chasm）也是一本好書。但基本上，克里斯坦森的所有書都應該讀一讀。
Konstantine Buhler：
最喜歡的慰藉食物是什麼？
黃仁勳：
炸雞。
Konstantine Buhler：
好的，我們得到答案了。最後一個問題：如果您是現場的一位首席信息官（CIO），未來幾年有100億美元的預算用於人工智能，您會投資什麼？
黃仁勳：
我會立刻嘗試構建自己的人工智能。我們爲如何引導員工入職而自豪——我們採用的方法，我們將他們融入公司理念的文化，使公司之所以成爲公司的運營方法和實踐，以及我們長期積累並讓他們可以訪問的數據和知識集合。這些是過去定義一家公司的東西。
未來的公司當然也包括這些，但你需要爲人工智能做同樣的事情。你需要引導AI員工入職。我們有一套引導AI員工的方法，我們稱之爲“微調”，這基本上是在教它們文化、知識、技能和評估方法。因此，你需要去學習如何打造你的“智能體員工”的整個飛輪。
我告訴我的CIO，我們公司的IT部門未來將成爲智能體AI的人力資源部，成为未来数字员工的人力資源部。這些數字員工將與我們的生物員工一起工作。這就是我們公司未來的形態。所以，如果你有機會這樣做，我建議立刻着手。
Konstantine Buhler：
謝謝你，Jensen。我們聽到了一個不可思議的故事。英偉達的故事是一個卓越的泛化故事：從一個加速圖形處理器，發展到今天驅動全世界所有人工智能的技術；從一個組件和世界上第一塊GPU，發展到構成世界AI工廠平臺的所有組件。我們談到了服務如何成爲這場新革命的基石，以及機器人技術如何融入我們所有人的未來。我們談了外交政策，甚至還提到了炸雞。你面面俱到，Jensen。非常感謝。
黃仁勳：
謝謝你，做得很好。
本文轉載自華爾街見聞，FOREXBNB編輯：陳筱亦。
