黃仁勳最新播客全文：英偉達的未來、具身智能和Agent的發展、推理需求爆發以及人工智能的公關危機

视频標題：Jensen Huang：Nvidia 的未來，物理人工智慧，Agent 的崛起，推論爆炸，人工智慧公關危機
视频作者：All-In Podcast
編譯：Peggy，BlockBeats

編者按：在 AI 敘事持續升溫的當下，市場討論的焦點，正在從「模型有多強」轉向「系統如何落地」。過去兩年，行業先後經歷了大模型能力突破、訓練算力競賽和生成式應用擴張。但當這些階段逐漸成為共識，新的問題也隨之浮現：當 AI 不再只是回答問題，而是開始執行任務、嵌入企業流程、進入物理世界，支撐它繼續向前推進的底層條件究竟是什麼？

本文對話摘自知名科技播客 All-In Podcast。作為矽谷最具影響力的投資人播客之一，該節目由四位長期活躍在一線的投資人共同主持，以對科技、商業與宏觀趨勢的深度討論著稱。

節目四位主持人分別為：

·Jason Calacanis，早期互聯網創業者與天使投資人，因投資 Uber、Robinhood 等公司而廣為人知；

·Chamath Palihapitiya，Social Capital 創始人，前 Facebook 高管，曾投資 Slack、Box 等多家科技公司；

·David Sacks，Craft Ventures 合夥人，「PayPal 黑幫」成員之一，創辦 Yammer 並以約 12 億美元出售給 Microsoft，同時也是 Airbnb、Uber 的早期投資人；

·David Friedberg，The Production Board 創始人，專注農業、氣候與生命科學領域投資，曾創辦 The Climate Corporation（後被 Monsanto 收購）。

本期嘉賓為黃仁勳（Jensen Huang），NVIDIA 聯合創始人兼 CEO，被視為當前 AI 基礎設施浪潮中最關鍵的推動者之一。

從左往右依次是 David Friedberg、Chamath Palihapitiya、David Sacks、黃仁勳（Jensen Huang）、Jason Calacanis

整場訪談大致可以概括為三個層次。

首先，是 AI 基礎設施正在發生變化。過去，市場對 AI 的理解，很大程度上建立在更強的 GPU、更多的資料中心之上。但黃仁勳想強調的是，未來的競爭不再只是單一晶片的競爭，而是整套系統的競爭。隨著推論需求上升、模型種類增多、agent 開始處理更複雜的任務，AI 計算正在從過去相對單一的模式，轉向更複雜、更分工化的系統協作。NVIDIA 也因此試圖把自己的角色，從一家晶片公司，進一步推向「AI 工廠」的建設者。

其次，是 AI 正從「生成內容」走向「完成任務」。這是這場訪談裡最關鍵的一條線索。ChatGPT 讓大眾第一次直觀感受到 AI 的能力，但在黃仁勳看來，真正更大的變化，是 AI 開始以 agent 的形式進入工作流：它不只是回答問題，而是能夠調用工具、拆解任務、協同執行，最終把事情真正做完。也正因如此，用戶願意為 AI 付費的對象，也會從「獲得一個答案」，逐步轉向「獲得一個結果」。這背後意味著更大的推論需求、更高的系統複雜度，也意味著軟體開發、組織管理和知識工作的方式都可能隨之改寫。

最後，是 AI 正在從數位世界向現實世界延伸。訪談中，無論談到自動駕駛、機器人、醫療、數位生物學，還是黃仁勳口中的 Physical AI，本質上都指向同一個趨勢：AI 的價值不只體現在螢幕之內，也將越來越多地體現在工廠、醫院、汽車、終端設備和日常生活中。但這也意味著，AI 接下來面對的將不再只是技術挑戰，還包括供應鏈、政策、監管、製造能力與地緣政治等更複雜的現實約束。換句話說，AI 的下一輪擴張，將是一場真正意義上的產業化過程。

從這個角度看，這場對談最值得關注的，其實不是某個具體產品，或某個樂數字，而是黃仁勳反覆傳遞的一個判斷：AI 正在從「模型時代」走向「系統時代」。未來的競爭，不只是比誰的模型更大、算力更強，而是比誰更懂行業、誰能把 AI 更深地嵌入真實流程、誰能把這些能力組織成一套可運行、可擴展的系統。

這也讓本文討論的對象，超出了 NVIDIA 本身。它真正試圖回答的問題是：當 AI 逐漸成為基礎設施，下一輪產業重構會如何展開，新的價值又將在哪裡形成。

以下為原文內容（為便於閱讀理解，原內容有所整編）：

TL;DR

·AI 基礎設施正在從「單一 GPU」走向解耦式架構。不同計算任務將由 GPU、CPU、網路晶片以及 Groq 等推理晶片協同完成。

·NVIDIA 正從一家 GPU 公司，轉型為一家提供完整系統的「AI 工廠公司」。賣的是整套基礎設施，而不是單一晶片。

·衡量 AI 成本的關鍵，不是資料中心造價，而是 token 成本與吞吐效率。更貴的系統，反而可能更便宜。

·AI 正從生成式模型走向 Agent 時代。用戶真正願意為「把事情做完」付費，而不只是獲取答案。

·計算需求正在爆炸式增長。從生成到推理再到 agent，短時間內可能已擴大 1 萬倍以上，且仍在加速。

·未來軟體開發將發生變化。工程師不再只是寫程式碼，而是定義問題、設計架構、與 agent 協作。

·長期來看，最大的機會在於垂直領域的深度專業化，而不是通用模型本身。誰更懂行業，誰更有護城河。

訪談原文

Jason Calacanis（知名天使投資人｜All-In Podcast 主持人｜早期投資 Uber）：
這週是一期特別節目。我們讓每週的常規節目「讓路」，而這種待遇，我們通常只會給三種人：特朗普總統、耶穌，還有黃仁勳（NVIDIA 的創始人兼 CEO）。至於這三位該怎麼排，你們自己決定。你最近這段時間勢頭太猛了，這次 GTC 也辦得非常成功。

黃仁勛（Jensen Huang，NVIDIA CEO）：
整個行業都來了。所有科技公司、所有 AI 公司幾乎都到了。

Jason Calacanis：
太不可思議了，真的不同凡响。過去一年裡最重大的發布之一，就是 Groq。你們收購 Groq 的時候，有沒有意識到，這會讓 Chamath 變得多麼「讓人受不了」？

注：Groq 不是 Grok。前者是一家做 AI 推理晶片和推理雲的公司，後者則是 xAI 的聊天機器人。2025 年底，Groq 與 NVIDIA 達成一項非獨家的推理技術授權協議，官方未披露交易金額；但外界曾有約 170 億至 200 億美元的報導與猜測。到 GTC 2026，黃仁勛又進一步展示了基於 Groq 技術整合進 NVIDIA 平台的推理系統。

這裡提到的 Chamath，指的是 Chamath Palihapitiya（Social Capital 創始人｜前 Facebook 高管｜All-In 主持人）。他既是 All-In 的四位主持人之一，也曾是 Groq 的早期投資人和董事會成員之一。因此，當 NVIDIA 與 Groq 的重大交易浮出水面後，這也被視為 Chamath 又一次押中了關鍵項目。

黃仁勛：
我隱約有預感。

Jason Calacanis：
我們每周都得和他打交道。

黃仁勛：
我知道。你們還得陪他熬完整整六周的交割期。

Jason Calacanis：
沒錯。

從 GPU 公司到「AI 工廠」公司

黃仁勛：

其實，我們很多戰略都會提前好幾年在 GTC 上公開講出來。兩年半前，我就介紹過 AI 工廠的操作系統，它叫 Dynamo。

你也知道，dynamo 原本是一種裝置，是西門子發明的，它能把水的能量轉化為電能，推動了上一次工業革命中的工廠體系。所以我覺得，這個名字非常適合作為下一次工業革命中「工廠操作系統」的名稱。而在 Dynamo 裡面，最核心的技術之一，就是解耦式推理（disaggregated inference）。

Jason Calacanis：

Jensen，我知道你特別懂技術。來吧，你來定義一下。我可不想搶你風頭。

黃仁勳：

謝謝。所謂解耦式推理，意思是：推理的整個處理流水線極其複雜，甚至可能是今天最複雜的一類計算問題。

它的規模驚人，裡面包含大量不同形式、不同規模的數學計算。我們的想法，是把整個處理流程拆開，讓其中一部分運行在某一類 GPU 上，另一部分運行在另一類 GPU 上。進一步講，這也讓我們意識到，也許解耦式計算本身就是合理的方向：我們完全可以讓不同類型、不同性質的計算資源協同工作。

同樣的思路，後來也引導我們走向了 Mellanox。你看今天，NVIDIA 的計算早已分布在 GPU、CPU、交換機、縱向擴展交換機、橫向擴展交換機以及網路處理器之上。現在，我們還要把 Groq 加進來。

我們的目標，就是把合適的工作負載放到合適的晶片上。換句話說，我們已經從一家 GPU 公司，進化成了一家 AI 工廠公司。

David Sacks（Craft Ventures 合夥人｜前 PayPal COO｜All-In 主持人）：

對我來說，這大概是最重要的啟發。你現在看到的是一種根本性的「解耦」。過去只有 GPU 這一種選擇，而現在開始出現越來越多不同的計算形態，而且這些選擇未來都會共存。

你在台上提到一點，我覺得所有做高價值推理的人都應該認真聽：你說，數據中心裡大約 25% 的空間應該配置給 Groq 的 LPU。

註： LPU 是 Language Processing Unit 的縮寫。這是 Groq 提出的一個晶片類別，核心定位不是訓練，而是推理

黃仁勳：

是的，在數據中心裡，大概可以讓 Groq 佔 Vera Rubin 系統大約 25% 的比重。

註：Vera Rubin 是 NVIDIA 的下一代 AI 平台架構。它不是單一晶片，而是一套面向 AI 工廠的系統級基礎設施平台。

David Sacks：

那你能不能講講，行業現在是怎麼看這個方向的？本質上，你是在打造下一代的解耦架構：prefill、decode 分離，推理流程被拆分。你覺得大家會如何反應？

黃仁勳：

先退一步來看。我們當時往系統裡加入這個能力，是因為整個行業已經從大語言模型處理，轉向 Agentic Processing，也就是智能體式處理。

當你運行一個 agent 的時候，它會訪問工作記憶、長期記憶、調用工具，這對存儲的壓力非常大。你還會看到 agent 與 agent 協作。有些 agent 用的是超大模型，有些是小模型；有些是 diffusion 模型，有些是自回歸模型。也就是說，在這個數據中心內部，會同時存在各種各樣完全不同類型的模型。我們打造 Vera Rubin，就是為了應對這種極度多樣化的負載。

所以，過去我們是一家「有一個的機架」的公司，現在又新增了四種機架。換句話說，NVIDIA 的 TAM，也就是可服務市場，一下子擴大了，大約比以前高出 33% 到 50%。

而這新增的 33% 到 50% 裡面，很大一部分會是存儲處理器，也就是 BlueField；一部分，我個人非常希望是一大部分，會是 Groq 處理器；還有一部分會是 CPU；當然，也會有很多網路處理器。所有這些加在一起，最終都在運行 AI 革命中的那臺「新型計算機」，也就是 agents。它就是現代工業的操作系統。

Chamath Palihapitiya（Social Capital 創始人｜前 Facebook 高管｜All-In 主持人）：

那嵌入式應用呢？比如我女兒家裡的泰迪熊，如果它想跟她說話，裡面裝的會是什麼？是定制 ASIC 嗎？還是說，未來在邊緣和嵌入式場景裡，會出現一個更廣泛的 TAM，不同場景配不同工具？

注：ASIC 指 Application-Specific Integrated Circuit（專用集成電路），TAM 指 Total Addressable Market（總可服務市場）

黃仁勳：

我們認為，這個問題裡其實有三台計算機。

第一台，在最大尺度上，是用來訓練 AI 模型、開發 AI、創造 AI 的計算機。

第二台，是用來評估 AI 的計算機。比如你看看周圍，到處都是機器人、汽車這類東西。你必須先把它們放進一個能夠代表物理世界的虛擬環境裡進行評估。也就是說，這個軟體本身必須遵守物理定律。我們把這個系統叫做 Omniverse。

第三台，是部署在邊緣側的計算機，也就是機器人計算機。它可以是一輛自動駕駛汽車，也可以是一台機器人，甚至可以是一個小小的泰迪熊。

對於泰迪熊這種設備，其中一個非常重要的方向，是我們正在做的：把電信基站變成 AI 基礎設施的一部分。這樣一來，整個兩萬億美元規模的電信產業，未來都會逐步變成 AI 基礎設施的延伸。所以，無線電設備會變成邊緣設備，工廠會變成邊緣設備，倉庫也一樣。

總之，這三類基礎計算機，全部都必不可少。

David Friedberg（The Production Board 創始人｜All-In Podcast 主持人）：

Jensen，去年我就覺得你比全世界都看得更早。你當時說，推理需求的增長不會只是 1000 倍。

黃仁勳：

我是不是把自己給坑了？

David Friedberg：

而是會增長 100 萬倍？10 億倍？對吧？

我覺得那時候很多人都認為這太誇張了，因為當時全世界都還盯著訓練擴容。但現在你看，推理已經真正爆發了，而且開始變成「推理受限」。你現在又發布了一座「推理工廠」，吞吐量會比下一代工廠高出 10 倍。

可如果你去看外界的討論，很多人會說：你的推理工廠要花 400 億到 500 億美元，而那些替代方案，例如定制 ASIC、AMD 等等，只要 250 億到 300 億美元，所以你會丟掉市場份額。

那你不如直接告訴我們：你到底看到了什麼？你怎麼看市場份額？這些客戶花接近兩倍的溢價，到底值不值得？

為什麼更貴的系統，反而能生產更便宜的 token？

黃仁勳：

最重要的一點、最核心的一點是：不要把工廠的價格，等同於 token 的價格，也不要把它等同於 token 的成本。

很有可能，而且我可以證明，那座 500 億美元的工廠，反而能生產出成本最低的 token。原因在於，我們生成這些 token 的效率高得驚人，能高出 10 倍。

你看，500 億美元和 200 億美元之間的差額，很多其實只是土地、電力和廠房外殼而已。除此之外，你本來就要買存儲、網路、CPU、伺服器、散熱系統。所以，GPU 本身是原價還是半價，並不會讓總成本從 500 億直接降到 300 億。你隨便取一個自己喜歡的數字吧，更現實一點，可能只是從 500 億降到 400 億。

而如果一座 500 億美元的資料中心，吞吐量卻高出 10 倍，那麼這點差價其實並不算什麼。

Jason Calacanis：明白了。

黃仁勳：

這也是為什麼我一直說：即使對很多芯片來說，如果你跟不上技術前沿、跟不上我們推進的速度，那哪怕芯片白送，也還是不夠便宜。

David Sacks：

我想問一個更宏觀的戰略問題。你現在運營著全球最有價值的公司。明年收入可能超過 3500 億美元，自由現金流 2000 億美元，而且還在以瘋狂的速度複利增長。

你到底是怎麼做決策的？你怎麼獲取信息？大家現在都知道你那套著名的郵件體系，但你真正是怎麼形成直覺、塑造市場、決定哪裡該重注、哪裡該收縮、哪裡該進入新領域的？這些信息是怎麼傳遞到你這裡的？你又怎麼做最終判斷？

黃仁勳：

那就是 CEO 的工作。

David Sacks：

對。

黃仁勳：

我們的職責，就是定義願景、定義戰略。當然，我們會從公司裡那些傑出的計算機科學家、技術專家，以及無數優秀員工那裡得到啟發和信息，但最終，塑造未來是我們的責任。

其中一部分判斷標準是：這件事是不是難到離譜？如果不夠難，我們就應該離它遠一點。原因很簡單，如果一件事很容易做，那競爭者一定會一大堆。

它是不是一件從未有人做過、而且難到離譜的事情？它是不是恰好又能調動我們公司獨有的「超能力」？所以我得去尋找這樣一個交匯點：它必須同時符合這些標準。

而且最後你還得知道，做這種事情一定會伴隨著大量痛苦和折磨。沒有任何偉大的發明，是因為它太簡單、第一次就輕松成功。

如果一件事超級難、從來沒人做過，那基本就意味著你會經歷很多痛苦和磨難。所以你最好享受這個過程。

David Sacks：

你能不能挑三四個更「長尾」的業務講講？比如你說的數據中心上太空、ADAS 和汽車，還有生物方向。給我們一點感覺：這些曲線什麼時候會開始向上拐點？這些長期業務你怎麼看？

註：ADAS 指 Advanced Driver Assistance Systems（高級駕駛輔助系統）

黃仁勳：

當然。Physical AI（物理 AI） 是一個很大的類別。我剛才說過，我們有三種計算系統，以及建立在其上的所有軟件平台。Physical AI 是科技行業第一次真正有機會去服務一個 50 萬億美元規模、過去幾乎沒有被技術深度改造的產業。為了做到這一點，我們必須把全部所需技術重新發明出來。

我一直覺得這是一段 10 年旅程。我們 10 年前就開始了，現在終於看到它開始拐點向上。對我們來說，這已經是一項數十億美元級業務了，現在的規模已經接近每年 100 億美元。所以它已經是一個很大的生意，而且還在指數級增長。這是第一點。

第二個方向，我覺得在數字生物學上，我們真的已經非常接近它的 ChatGPT 時刻了。

我們正在逐步學會如何表示和理解基因、蛋白質、細胞。化學物質，我們已經知道怎麼處理了。所以，能夠表示並理解生物學的基本構件及其動態行為，這件事我認為大概會在兩三年到五年內發生。五年之內，我非常相信，數字生物學會對整個醫療健康行業造成巨大衝擊。

這些都是非常重要的方向。農業也是其中之一。

Chamath Palihapitiya：

已經開始發生了。

黃仁勋：

毫無疑問。

Jason Calacanis：

我想把話題從資料中心拉回桌面端。公司早期很大程度上就是建立在愛好者、遊戲玩家以及顯卡使用者之上的。你今天在台上、面對大約一萬名觀眾時，提到了 Claude Code、OpenClaw，還有 agent 帶來的革命。

尤其是愛好者群體，我們看到現在大量能量和創新其實都在他們那裡爆發，很多突破都發生在桌面端。你這次也發布了一台桌面設備，我記得是 Dell 60800？這是一台非常強大的工作站，可以跑本地模型，擁有 750GB 記憶體。現在 Mac Studio 到處都賣斷貨了。我們公司現在全面轉向 OpenClaw。Friedberg 在用，Chamath 也在用，大家都非常癡迷。

從愛好者開始的這種開源 agent 運動、桌面端開源生態，對你意味著什麼？它會走向哪裡？

Agent 時代來了：計算需求為什麼會再膨脹一萬倍

黃仁勋：

首先，退一步看。過去兩年，我們其實看到了三次拐點。

第一次是生成式 AI。ChatGPT 把 AI 帶入大眾視野，讓每個人都意識到它的重要性。其實這項技術在 ChatGPT 出現前幾個月，就已經清清楚楚地擺在那裡了。只是直到 ChatGPT 給它套上了一個人人都能使用的介面，生成式 AI 才真正爆發。

而生成式 AI，正如你所知，會生成 token，既供內部消費，也供外部消費。內部消費，本質上就是「思考」，而這進一步推動了推理的發展。

接著，越來越多接地氣、基於真實資訊的能力開始出現，讓 AI 不再只是回答問題，而是能給出更可靠、更有用的答案。你也開始看到 OpenAI 的收入和商業模式出現拐點式上揚。

然後，第三次拐點一開始其實只在行業內部可見，那就是 Claude Code。這是第一個真正非常有用的 agentic 系統，極具革命性。

但在 Claude Code 之前，这套能力主要只面向企業，很多圈外人根本沒見過。直到 OpenClaw 把「AI agent 到底能做什麼」帶進大眾視野。

所以，OpenClaw 在文化層面的重要性就在於：它第一次真正讓公眾意識到 agent 的能力。

它之所以重要的第二個原因，是因為 OpenClaw 是開放的。

更關鍵的是，它構造出了一種全新的計算模型，幾乎是在重新發明計算本身。它有記憶系統：scratch 是短期記憶，文件系統是長期資源；它有調度能力；可以跑 cron job；可以生成新的 agent；可以分解任務、進行因果推理、解決問題；它還有 I/O 子系統，可以輸入、輸出、連接 WhatsApp；它還有一套 API，可以運行不同類型的應用，也就是所謂的 skills。

而這四個元素，本質上就定義了一台計算機。所以，我們現在實際上第一次擁有了：個人人工智能計算機。

而且它是開源的，真正開源，幾乎可以運行在任何地方。這就是現代計算的藍圖。從某種意義上說，它已經是現代計算的操作系統，而且未來會無處不在。

當然，我們還必須幫它解決一件事：只要你擁有agentic軟件，它就可能接觸敏感信息、執行代碼、對外通信。所以我們必須確保：這一切都要受到治理，要足夠安全，要有策略約束，讓這些agent可以擁有三種能力中的兩種，但不能同時擁有全部三種。

在治理這一塊，我們也做了貢獻。Peter Steinberger 今天也在場。我們有很多很棒的工程師在和他合作，幫助把這個系統做得更安全、更穩健，讓它既能保護隱私，也能保護安全。

Chamath Palihapitiya：

Jensen，這種範式轉移，是不是已經讓美國各地過去通過的很多 AI 監管法案開始顯得過時了？

很多提案原本都是建立在舊模型上的。你能不能談談，這種範式變化有多快地讓一大批原有的監管思路失效？現在 AI 監管已經成了美國政治裡一個非常熱門的話題。

黃仁勛：

這一部分，我們必須始終走在政策制定者前面，你在這方面做得非常好。我們必須主動走到他們面前，告訴他們現在技術發展到了什麼階段，它是什麼、又不是什麼。它不是生命體，不是外星人，沒有意識。它是電腦軟體。

還有，我們經常會聽到「我們根本完全不理解這項技術」這種說法。但那並不是真的，我們其實已經理解了很多。所以第一，我們必須持續向政策制定者提供真實的信息；不要讓末日論和極端主義左右他們理解這項技術的方式。

但與此同時，我們也要承認技術發展很快，不要讓政策跑得比技術太遠。從國家層面看，我最擔心的一點是：美國在 AI 上最大的國家安全風險，不是 AI 本身，而是其他國家都在採用 AI，而我們卻因為憤怒、恐懼或者偏執，不願意讓我們的產業和社會去擁抱 AI。

所以，我真正最擔心的是：AI 在美國擴散得還不夠快。

David Sacks：

再追問一下。如果你坐在 Anthropic 董事會的會議室裡，看著他們和「戰爭部」那場風波，你會怎麼想？這其實延續了你剛才說的那一點：人們不知道該如何理解 AI，於是又多了一層怨恨、恐懼和不信任。如果是你，你會建議 Dario 和他的團隊做哪些不同的事，來改變今天的結果和公眾認知？

黃仁勛：

首先我要說，Anthropic 的技術非常了不起。我們自己就是 Anthropic 技術的重要用戶。我非常佩服他們對安全的重視，也非常佩服他們在安全文化上的堅持，以及他們推進這些工作的技術卓越性，真的非常棒。

而且，他們想提醒公眾看到這項技術的能力邊界，我認為這本身也是好事。只是我們必須意識到，這個世界是有光譜的：提醒是好事，嚇唬人就沒那麼好了。

Jason Calacanis：對。

黃仁勛：因為這項技術對我們來說太重要了。我覺得，預測未來當然可以，但我們需要更審慎一點，也需要更謙遜一點。因為事實上，我們並不能完全預測未來。

如果抛出一些非常極端、非常災難性的判斷，卻又沒有證據顯示這些事真的會發生，那麼它造成的傷害，可能比人們想象得更大。

而且現在，我們已經是科技行業的領導者了。以前沒人聽我們說話，但現在不一樣了。技術已經深深嵌入社會結構，是一個極其重要的產業，也和國家安全高度相關。我們的每一句話都很重要。

所以我覺得，我們必須更審慎、更克制、更平衡，也更有思考。

David Friedberg：

我會提名你來做這件事。AI 在美國的民意支持率只有 17%。我們已經看到核能領域發生了什麼：我們基本把整個核工業停掉了，結果現在中國在建 100 座裂變反應堆，美國一座都沒有。現在我們又開始聽到對數據中心的暫停令之類的聲音。所以我覺得，我們必須更主動。

不過我想回到你說的公司內部正在發生的 agent 爆發：效率提升、生產率提升。現在很多人都在爭論 ROI，對吧？你和我進入今年時，最大的疑問就是：收入會不會出現？收入會不會像智能本身那樣擴張？然後我們看到了一個有點像「奧本海默時刻」的事情：Anthropic 在 2 月單月收入達到 50、60 億美元。

注：「奧本海默時刻」源自曼哈頓計劃（二戰期間研制原子彈的秘密科研項目）負責人奧本海默。1945 年原子彈首次引爆，象徵技術突破與風險並存的臨界點，現多用於指代具有不可逆影響的關鍵技術時刻。

你怎麼看接下來的走勢？你今天又提到，Blackwell 和 Vera Rubin 在未來幾年已經有了萬億美元級別的需求可見性。再加上 Anthropic 和 OpenAI 現在表現出來的勢頭，你覺得我們是不是已經站上了那條曲線，接下來會看到收入像智能一樣加速擴張？

黃仁勳：

我換幾個角度回答。你看看臺下這個觀眾群體，Anthropic 和 OpenAI 確實都在這裡。但實際上，在場 99% 的東西都是 AI，而且不是 Anthropic，也不是 OpenAI。這背後的原因，就是 AI 本身極其多樣化。

我會說，作為一個類別，第二受歡迎的模型其實是開放模型。第一名當然還是 OpenAI、開源權重、開源模型這一整類廣義開放生態。第二名是開放模型，而且和第三名之間差距很大。第三名才是 Anthropic。

這就說明了，這裡所有 AI 公司加起來的規模有多大，所以首先要認識到這一點。

再說回計算量。當我們從生成式 AI 走向推理時，所需計算量大約提升了 100 倍；當我們從推理走向 agentic 時，計算量很可能又增加了 100 倍。也就是說，短短兩年裡，計算需求大概增加了 1 萬倍。與此同時，人們會為信息付費，但他們真正更願意付費的，其實是工作成果。

David Friedberg：對。

黃仁勳：

和聊天機器人對話，拿到一個答案，當然很好。幫我做研究，也很棒。但真正讓我願意掏錢的，是它幫我把事做完。而這正是我們現在所在的位置，agentic 系統正在把工作真正完成。它們正在幫助我們的軟體工程師把工作完成。

所以你想想，一邊是 1 萬倍更多的計算，另一邊可能已經是 100 倍更多的消費需求。而且，我們甚至還沒有真正開始大規模擴張。我們絕對正站在通往 100 萬倍增長的路上。

Jason Calacanis：

我覺得這正好可以引到一個問題，你公司有多少人？

黃仁勳：

我們有 4.3 萬名員工，大概有 3.8 萬是工程師。

Jason Calacanis：

我們在播客裡經常討論一個話題：天哪，我們公司裡的 token 使用量正在瘋狂增長。甚至有人會問，加入一家公司的時候，「我能分到多少 token 配額」，因為他們想成為高效員工。我記得你在那場長達兩個半小時的 keynote 裡提過，那場 keynote 真的很長，不過很棒。

黃仁勳：

謝謝。其實本來還能更短一點。

Jason Calacanis：

你提到，給每位工程師的 token 使用額度可能要到 7.5 萬美元之類。那是不是意味著，NVIDIA 的工程團隊一年要在 token 上花 10 億、20 億美元？

黃仁勳：

我們是這麼想的。我給你一個思想實驗：假設你雇了一位軟體工程師或 AI 研究員，年薪 50 萬美元，這在我們這裡很常見。

到年底我問他：「你今年在 token 上花了多少錢？」如果他說「5000 美元」，那我會直接炸掉，真的。如果一個年薪 50 萬美元的工程師，一年消耗的 token 價值連 25 萬美元都不到，我會非常警覺。這跟晶片設計師說「我決定只用紙和鉛筆，我不需要 CAD 工具」，本質上沒有區別。

Jason Calacanis：

這真的是範式轉移。你對這些頂級員工的理解，幾乎讓我想起 MBA 課堂裡講的 LeBron James：他每年花 100 萬美元維護自己的身體，所以 41 歲還能繼續打。這些頂級知識工作者，為什麼不該擁有「超人能力」呢？

黃仁勳：

沒錯。

Jason Calacanis：

如果我們把這個趨勢再往後推兩三年，NVIDIA 里這些頂級員工的效率會變成什麼樣？他們能完成什麼？

黃仁勳：

首先，以前那種「這件事太難了」的念頭，會消失。「這件事要花太久」，這個念頭也會消失。「我們需要很多很多人」，這個念頭也會消失。

這就像上一次工業革命裡，沒有人會說：「這棟樓看起來太重了。」也沒有人會說：「那座山太大了。」一切關於「太大、太重、太耗時」的想法，都會被消解掉。

David Sacks：

最後剩下的就只有創造力。你到底能想出什麼。

黃仁勳：

完全正確。也就是說，未來的問題會變成：你要怎麼和這些 agent 協作。

本質上，這只是一種全新的編程方式。過去我們寫代碼，未來我們寫的會是想法、架構和規格說明；我們會組織團隊；我們會定義評估標準，告訴系統什麼叫好、什麼叫壞、什麼樣才算優秀結果；我們會與之反覆迭代、頭腦風暴。

這才是你真正要做的事。我相信，每一位工程師未來都會擁有 100 個 agent。

Jason Calacanis：

回到公關問題。像 David Friedberg 這樣的創業者，在 Ohalo 里用你們的技術和 AI，真的在做很實在的事情：提升糧食產量、提高高質量卡路里的供給。Friedberg，你覺得這能把成本降到什麼程度？這種願景會對你們做的事情產生什麼影響？

David Friedberg：

我們剛剛做了一個零樣本基因組建模，結果成功了。那一刻你真的會驚呆。而且這還是發生在「別人一夜之間替換掉整個企業軟件棧」的背景下。

我自己就做了件事：90 分鐘裡，我把整套軟件棧和一大堆工作流全部替換掉了。週日晚上 10 點開始，11 點半前全部跑完、部署完。

我作為 CEO 做完以後，還要求我的所有管理團隊成員週末都做同樣的練習。到了週一，我們看到的結果就是：結束了。

再說更技術、更科學一點的。我們用 auto research 和一批數據，在 30 分鐘裡做出了一件事。如果按傳統路徑，這本來會是一篇 PhD 論文級別的成果，可能要花 7 年，甚至會成為這個領域最受推崇的博士工作之一，足以發表在《Science》上。

結果我們只是在台式電腦上，下載了 GitHub 上的 auto research，把剛拿到的一批數據灌進去，30 分鐘就跑出來了。當時所有人的表情都變了。它釋放出來的潛力，真的難以置信。

所以我覺得，這種加速度正在以前所未有的方式擴大每個人的可能性。

不過還是回到 auto research 這個點：你怎麼看？一個週末、600 行代碼，就能做出這樣的成果，而且還能在本地運行、處理這麼多不同類型的數據集。

這是不是說明，無論算法優化還是硬件優化，我們都還處在極其早期的階段？

黃仁勋：

OpenClaw 之所以如此驚人，第一，是因為它和大語言模型突破的時間點完美重合，它出現得太準了。

很大程度上，如果不是 Claude、GPT 和 ChatGPT 達到了今天這個水平，Peter 大概也不會做出這個東西。因為模型確實已經好到了一個很高的程度。

第二，它帶來了新的能力：讓這些模型能夠調用我們多年來已經創造出來的工具。比如瀏覽器、Excel；在晶片設計裡，是 Synopsys 和 Cadence；還有 Omniverse、Blender、Autodesk 等等。而且這些工具未來會繼續被使用。

現在有些人說，企業 IT 軟體行業要被摧毀了。但我給你另一個視角：企業軟體行業的規模，過去一直受限於「多少屁股坐在多少座位上」，也就是 seat 的數量。但未來，它會迎來 100 倍更多的 agent。這些 agent 會去敲 SQL，會去敲向量資料庫，會去敲 Blender、Photoshop。

原因很簡單：第一，這些工具本來就做得很好；第二，這些工具本質上是我們和機器之間的「中介介面」。最終，當工作完成後，結果必須以一種我能控制的方式呈現回來給我。而我知道如何操作這些工具。

所以我希望一切最終都能回到 Synopsys、回到 Cadence，因為那是我可以控制、可以做「確定標準」校驗的地方。

註：Synopsys、Cadence 是兩家重要的 EDA（電子設計自動化）軟體公司，所有晶片公司（NVIDIA、Apple、AMD）基本都依賴它們

AI 的下一個戰場：開源、垂直化與全球擴散

David Sacks：

我想問一個關於開源的問題。現在我們有閉源模型，它們很優秀；也有開放權重模型，很多中國模型都令人驚嘆，真的非常強。

兩天前，可能你那時候正忙著上臺，沒看到，在一個加密項目 BitTensor 的 Subnet 3 裡，有人完成了一次訓練任務：他們把一個 40 億參數的 Llama 模型，完全以分佈式方式訓練出來了。一群隨機的人貢獻算力，但他們居然能有狀態地管理整次訓練過程。我覺得這在技術上非常瘋狂，因為參與的人完全是隨機分散的。

黃仁勳：

這就像我們這個時代的 Folding@home。

註：Folding@home 是一個讓全球志願者貢獻電腦算力，用來做蛋白質模擬和醫學研究的分佈式計算項目

David Sacks：

沒錯。所以你怎麼看開源的終局？你會不會看到，架構也在去中心化、算力也在去中心化，以此支撐開放權重和徹底開源的路徑，從而讓 AI 真正廣泛可得？

黃仁勳：

我相信，我們根本上同時需要兩種東西：第一，模型作為一等公民的商業產品、專有產品；第二，模型作為開源形態存在。

這不是 A 或 B 的關係，而是 A 和 B 都要有。毫無疑問。原因在於，模型首先是一項技術，不是最終產品。模型是一項技術，不是一項服務。

對於絕大多數用戶來說，在那個橫向層面、在通用智能層面，我其實並不想自己去 fine-tune 一個模型。我更願意繼續用 ChatGPT、用 Claude、用 Gemini、用 X。它們各有個性，這取決於我的心情，也取決於我想解決什麼問題。所以這一部分行業會發展得很好，它會非常繁榮。

但是，所有這些行業裡的領域知識、專業能力，必須以一種他們自己可控的方式沉澱下來，而那只能來自開放模型。開放模型行業離最前沿已經非常近了。我們也在大力投入。

坦白說，即便開放模型真的追上了前沿，我仍然認為，模型即服務、世界級的商業產品模型，這一層也會繼續繁榮發展。

Jason Calacanis：

我們現在投的每一家創業公司，幾乎都是先開源，再走向專有化模型。

黃仁勳：

對。而美妙之處就在於：只要你有一個優秀的路由器，第一天、每一天，你都能接到世界上最好的模型。同時，這也給了你時間去降本、去微調、去做專門化。所以你一開始就擁有了世界級能力，然後再慢慢構建自己的護城河。

David Friedberg：

Jensen，我想問一個地緣政治問題。當然，沒有人比你更希望美國贏下全球 AI 競賽。但一年以前，拜登時期那個 diffusion rule，實際上是在阻止美國 AI 技術在全球擴散。

現在新一屆政府已經執政一年了。你給它打幾分？就 AI 全球擴散這件事來說，我們現在是 A、B 還是 C？什麼做得好，什麼做得不好？

黃仁勳：

首先，特朗普總統希望美國產業領先，希望美國科技產業領先，希望美國科技產業贏，希望美國技術向全球擴散，希望美國成為世界上最富有的國家。他全都希望實現。

但此時此刻，NVIDIA 在全球第二大市場上，已經把自己原本 95% 的市場佔有率丟掉了，現在是 0%。特朗普總統希望我們重新拿回這部分。

第一步，就是為那些我們能夠銷售的公司拿到許可證。很多公司已經提交了申請，我們也替他們申請了許可證，而且商務部長 Lutnick 已經批准了一部分。接下來，我們已經通知中國公司，其中很多已經向我們下了採購訂單。所以我們現在正在重新啟動供應鏈，把貨發出去。

從更高層面上說，我覺得我們應該承認一件事：當我們拿不到微型電機、稀土礦物時，我們的國家安全就被削弱了；當我們無法掌控自己的通信網路時，國家安全就被削弱了；當我們無法為國家提供可持續能源時，國家安全也被削弱了。這些產業中的每一個，都是我不希望 AI 行業重演的故事。

當我們展望未來，問「美國科技產業、美國 AI 產業真正領先全球的樣子是什麼」，我們必須誠實地說：AI 模型不可能由美國一家通吃全世界，那種結局本來就沒有意義。

但我們完全可以設想：美國技術棧，從晶片到計算系統到平台，被全球廣泛採用。世界各地的人可以在這套美國技術棧之上，構建他們自己的 AI、公共 AI、私有 AI，再服務他們的社會。我希望美國技術棧能覆蓋全球 90%。我真的希望如此。

否則，如果最終局面變得像太陽能、稀土、磁鐵、電機、通信設備那樣，我會認為那對美國國家安全來說會是一個非常糟糕的結果。

Chamath Palihapitiya：

你現在有多密切地關注全球衝突局勢？這讓你擔憂到什麼程度？比如中東可能影響到氦氣供應，而氦氣對半導體製造是個潛在供應鏈風險。這些問題讓你有多擔心？你在這上面投入了多少精力？

注：氦氣對半導體製造十分重要，它不僅在光刻與檢測等關鍵環節中難以替代，同時作為不可再生資源，其供應高度集中，主要依賴美國、卡塔爾（中東）和阿爾及利亞（北非）等少數產地。一旦這些上游供應出現扰动，可能直接影響晶片產線的穩定運行。

黃仁勳：

首先，說到中東，我們在那裡有 6000 個家庭。公司裡有很多伊朗員工，他們的家人還在伊朗。所以，我們在那裡有很多家庭。

第一件事就是：他們現在非常焦慮、非常憂心、非常害怕。我們一直在想著他們，一直在關注局勢變化。他們會得到我們百分之百的支持。也有人問我，鑒於中東當前的局勢，我們還會不會繼續留在以色列？我的答案是：我們百分之百會留在以色列。我們百分之百支持那裡的家庭。我們百分之百會繼續留在中東。

也有人問，既然中東局勢如此，我們是否仍認為那裡值得擴展 AI？我的看法是：之所以會有戰爭，是因為大家都想要一個更穩定的結果。而我相信，戰爭結束後，中東會比以前更穩定。所以，如果我們在戰前就願意考慮那裡，那麼戰後更應該認真考慮。所以在這個問題上，我也是百分之百投入。

我們有三件事必須做。第一，必須儘快讓美國重新工業化，無論是晶片製造廠、電腦製造廠，還是 AI 廠。

Jason Calacanis：

這方面進展如何？

黃仁勳：

進展非常好。我們之所以能以驚人的速度在亞利桑那、德州、加州推進，就是因為我們得到了中國台灣供應鏈的戰略支持、友誼和幫助。他們真的是我們的戰略夥伴。他們值得我們的支持，值得我們的友誼，值得我們的慷慨。他們也正在盡全力，幫我們加快製造進程。

第二，我們必須讓製造供應鏈更加多元化。無論是韓國、日本還是歐洲，我們都要把供應鏈分散開，讓它更有韌性。第三，在我們提升多元化與韌性的同時，也必須保持克制，不要施加不必要的壓力。

Jason Calacanis：

你是說，要有耐心。

Chamath Palihapitiya：

那氦氣呢？很多報告都提到了這個問題。

黃仁勳：

我覺得氦氣可能會是個問題。但另一方面，供應鏈裡通常也會有不少緩衝庫存，這類系統一般都會留出一定餘量。

Jason Calacanis：

你們在自動駕駛上已經取得巨大進展，也發布了重大消息。你們新增了很多合作夥伴，包括 Uber。最近還看到你坐奔馳自動駕駛的視頻。你和 Uber 也宣布，將會和很多車廠一起，把更多車部署上路。

我理解你的賭注是：未來會出現一個類似 Android 的開放平台，而你會在其中扮演關鍵角色，服務幾十家汽車廠商；另一邊，也許會有像 iOS 一樣的封閉體系，比如 Tesla 或 Waymo。

你的戰略是怎麼想的？這個棋局會怎麼展開？因為感覺你既在一些地方合作，又在另一些地方競爭，而且你的堆棧非常深。

黃仁勳：

第一，我們相信，未來一切會移動的東西，終有一天都會完全或部分實現自主化。第二，我們不想自己造自動駕駛汽車，但我們希望賦能全球每一家汽車公司去造自動駕駛汽車。

所以我們打造了三台電腦：訓練電腦、仿真電腦、評估電腦，以及車端電腦。我們還開發了全世界最安全的駕駛操作系統。

同時，我們也做出了全球首個具備推理能力的自動駕駛系統。它可以把複雜場景拆解成更簡單的場景，再逐一導航通過，就像推理模型一樣。這個推理系統叫 Alpamayo，它讓我們取得了非常驚人的成果。

我們會做縱向優化，也做橫向創新；然後讓每一家廠商自己決定。你是只想買我們的一台電腦？像 Elon 和 Tesla，那他們買我們的訓練系統；還是你想買訓練系統加仿真系統？又或者你想和我們一起把三套都打通，甚至把車端電腦也裝進你的車裡？

我們的態度一直是，我們想解決問題，但並不堅持只能由我們提供唯一答案。無論你選擇以什麼方式與我們合作，我們都很高興。

David Sacks：

順著這個問題問下去，我覺得這特別有意思。你實際上是在搭一個平台，讓一千朵花盛開。但也確實，有些花現在想往下走、往棧底走，嘗試跟你競爭。Google 有 TPU，Amazon 有 Inferentia 和 Trainium，幾乎每個人都在搞自己的「我也能超越 NVIDIA」版本。雖然他們同時也是你的大客戶。

你怎麼處理這種關係？你覺得長期來看會發生什麼？這些產品最終會在整個生態裡扮演什麼角色？

黃仁勳：

這個問題非常好。

首先，我們是唯一一家真正的 AI 公司。我們自己做基礎模型，而且在很多領域都處於最前沿。我們構建從上到下每一層、每一層堆棧。我們也是全世界唯一一家和所有 AI 公司都合作的 AI 公司。

他們從來不會向我展示他們正在做什麼，但我總是會清清楚楚地告訴他們我在做什麼。所以我們的信心來自一點：我們非常樂於在「誰的技術最好」這件事上競爭。只要我們還能繼續高速奔跑，我相信，繼續向 NVIDIA 采購，依然會是他們最經濟的選擇之一。這一點我非常有信心。

第二，我們是唯一一種可以部署在所有雲平臺上的架構。這帶來了根本性的優勢。我們也是唯一一種可以從雲上拿下來，放到本地機房、汽車裡、任何區域，甚至太空中的架構。

所以，我們市場裡其實有很大一部分，大約 40% 的業務。如果你沒有 CUDA 堆疊、沒有能力提供整座 AI 工廠，客戶根本不知道該怎麼跟你合作。他們不是想買晶片，他們是在建 AI 基礎設施。所以他們需要的是：你帶著完整堆疊進來，而我們恰好就有完整堆疊。

所以，令人驚訝的是，如果你看現在，NVIDIA 的市場份額其實還在上升。

David Sacks：

你的意思是，這些公司試了一圈，最後發現「天哪，這事太複雜了」，然後又回來了？所以你的份額才會繼續增長？

黃仁勋：

份額增長有幾個原因。

第一，我們的推進速度太快了。第二，我們讓大家認識到：問題不在於造晶片，而在於造系統，而這個系統極其難造。所以他們和我們的合作規模還在增加。

以 AWS 為例，我記得他們昨天剛宣布，未來幾年要買 100 萬顆晶片。這是非常大的採購量，而且這還不算他們已經買走的那一大堆。我們當然非常樂意。

另外，過去這幾年我們份額增長，還因為現在 Anthropic 來了，Meta 也來了，開放模型的增長更是驚人，而這些都在 NVIDIA 上發生。

所以我們份額上升，一方面是模型數量在增加；另一方面，是這些公司越來越多地從雲上走出來，在區域部署、企業場景、行業邊緣場景裡增長。

而那整塊市場，如果你只是做一顆 ASIC，其實非常難切進去。

David Friedberg：

相關地問一句，不深入數位細節，但分析師好像並不相信你。

你說算力可能增長 100 萬倍，但市場一致預期卻是：你明年增長 30%，後年 20%，到 2029 年，按理說本應是一個爆發式增長的大年卻只有 7%。如果你把你的 TAM 套進這些增長數字，其實暗含的意思就是：你的份額會大幅下滑。

那從你看到的未來訂單簿來看，有什麼跡象會支持這種判斷嗎？

黃仁勳：

首先，他們根本沒有理解 AI 的規模和廣度。

David Sacks：

對，我也覺得是這樣。

黃仁勳：

大多數人都以為 AI 只是那五家超大云廠商的事情。

Jason Calacanis：

對。

David Sacks：

還有一種「規模越大越難持續增長」的投資正統邏輯。他們得回去給投資銀行的風控委員會講模型，不可能輕易相信「五萬億還能漲到十五萬億」。他們最多願意給到七萬億，再多他們就接受不了了。

Jason Calacanis：

他們無法想象一家 10 萬億美元市值公司。

David Sacks：

本質上就是一種自保式建模，歷史上從沒發生過的事情，他們不敢寫進去。

黃仁勳：

而且，你必須重新定義你到底在做什麼。

最近有人觀察說：Jensen，NVIDIA 怎麼可能在伺服器市場規模上超過 Intel？原因很簡單：整個資料中心 CPU 市場，一年大概也就 250 億美元。而我們，你們也知道，差不多在我們現在坐在這裡聊天的這段時間裡，就能做到 250 億美元。

Jason Calacanis：

漂亮。

黃仁勳：

當然，這是玩笑。

Chamath Palihapitiya：

播客裡說的都不算正式業績指引。

黃仁勳：

沒錯，不算業績指引。但重點是：你到底能長多大，取決於你到底在造什麼。

NVIDIA 不是在造晶片，這是第一點。第二，單單造晶片已經不足以解決 AI 基礎設施的問題了，這件事太複雜。第三，大多數人對 AI 的理解都太狹隘了，只局限於他們看到、聽到和討論的那一部分。

OpenAI 非常厲害，它會非常大；Anthropic 也非常厲害，它也會非常大。但 AI 本身會比它們加起來都更大。而我們服務的，正是那一整塊更大的部分。

David Sacks：

那你給普通人講講「太空數據中心」這個業務吧。和地面上那些大型數據中心相比，該怎麼理解？

黃仁勳：

我們已經在太空了。

David Sacks：

普通人該怎麼理解這門生意？

黃仁勳：

首先，我們當然應該先把地面上的事情做好，畢竟我們現在人就在地面上。第二，我們也應該為進入太空做準備。太空裡當然有大量能源。問題在於散熱。你沒法像地面那樣依靠傳導和對流，所以只能靠輻射散熱，而輻射散熱需要非常大的表面積。這並不是無法解決的問題，畢竟太空裡地方很多，但成本現在仍然很高。不過，我們會去探索。

而且，我們已經在那裡了。我們的硬體已經做過抗輻射強化，全球很多衛星裡已經在跑 CUDA。它們在做圖像、圖像處理、AI 影像分析。這種事情本來就應該在太空完成，而不是把所有數據先傳回地面，再在地面做圖像分析。所以，確實有很多工作應該在太空做。

與此同時，我們也會繼續研究：太空裡的數據中心到底應該長什麼樣。這會花很多年。沒關係，我時間很多。

機器人、醫療與工作的未來：AI 最終會如何進入現實世界

Jason Calacanis：

我想再追問一下醫療健康。

我們都到了一定年紀，會開始思考壽命和健康壽命。我們看起來都不錯，有些人可能更好一點。Jensen，我真不知道你的秘訣是什麼。是不是在抗衰？到底什麼東西不能吃？這些你得私下告訴我。

那從醫療體系建設的角度看，這個方向會走到哪裡？我們到底取得了怎樣的進展？

我剛剛還在用 Claude 做分析，看美國這些醫療 billing code 到底是怎麼回事。美國花的錢是別人的兩倍，結果健康產出好像只有一半。

我大概看下來，有 15% 到 25% 的錢其實都花在第一次全科醫生問診上。說實話，我們都知道，今天一個大語言模型在第一次問診這件事上，已經能更穩定地做得更好。

那到底還缺什麼，才能突破監管，讓 AI 真正對整個醫療系統產生實質影響？

黃仁勳：

我們在醫療裡主要參與幾個方向。

第一是 AI physics，它服務於 AI biology，也就是用 AI 去理解和表示生物學及其行為。這在藥物發現裡非常重要。

第二是 AI agents，用於輔助診斷這類場景。OpenEvidence 是很好的例子，Hippocratic 也是很好的例子。我非常喜歡和這些公司合作。我真的覺得，agentic 技術會徹底改變我們與醫生互動、與醫療體系互動的方式。

第三部分，是 physical AI。

第一部分是 AI physics，用 AI 去預測物理；第二部分，是讓 physical AI 理解物理規律，這就可以用在機器人手術上。現在這一塊已經非常活躍。未來，在醫院裡，你接觸到的每一台儀器，無論是超聲、CT，還是別的任何設備，都會變成 agentic。

你可以把它理解為一個經過安全強化版的 OpenClaw，它會被嵌入到每一台儀器裡。所以從很多意義上說，這些設備未來都會直接和病人、護士、醫生互動。

Jason Calacanis：

在 AI 武器上我們已經投入了這麼多，真希望在 AI 急救員、AI EMT、AI paramedic 上也多投一點，去救人，而不是只會殺人。

這也正好能順到機器人話題。你們現在已經有幾十個合作夥伴。過去十年、甚至二十年，機器人領域經歷過一段很奇怪的時期——波士頓動力、Google 收購一堆公司，最後又賣掉、拆出去。大家一度都覺得機器人還遠沒到真正可用的階段。

但現在，你、Elon Musk 這些頂級創業者都在押注。Optimus 看起來已經非常驚人了，中國那邊也有很多公司進展飛快。那我們離真正把機器人帶入生活還有多遠？比如機器人廚師、機器人護士、機器人保姆、真正能在現實世界中工作的人形機器人。

尤其是在中國，他們似乎做得和美國一樣好，甚至可能更快。根據你看到的合作夥伴進展和技術成熟度，你覺得還要多久？

黃仁勳：

從很大程度上說，機器人這個行業本來就是我們發明出來的，也可以說是美國發明出來的。你也可以說，我們是進場太早了。我們比真正關鍵的「腦」這個使能技術早了大概五年，於是我們自己先累了、先失去耐心了。

但現在，它真的來了。接下來問題就只剩下：從「高功能存在性證明」到「可接受的商業產品」，還要多久？

技術從來不會超過兩到三個周期。兩個到三個周期，大概就是三到五年。就這麼多。三到五年內，到處都會是機器人。

我覺得中國非常強，而且是那種不能輕視的強。原因在於，它們的微電子、電機、稀土、磁鐵，這些恰恰是機器人產業的基礎都是世界頂級。所以在很多方面，我們的機器人產業會深度依賴他們的生態和供應鏈。世界機器人產業都會深度依賴它。

因此，我認為你會看到一些非常快的變化。

Jason Calacanis：

最終會不會是一比一？Elon 似乎覺得，未來會是一個人配一個機器人——70 億人配 70 億機器人，80 億人配 80 億機器人。

黃仁勳：

我希望比這還多。首先，工廠裡會有大量機器人 24 小時不停工作；還會有很多不太移動、但會略微活動的工廠機器人。幾乎所有東西最終都會機器人化。

Chamath Palihapitiya：

對我來說，機器人最重要的一點，是它會為每個人解鎖經濟流動性。

以前，每個人有了一輛車，就能去做很多不同的工作；未來，每個人有了一個機器人，他的機器人就能替他做很多工作。他可以開一個 Etsy 店、一個 Shopify 店，可以借助機器人創造任何他想創造的東西，做很多他一個人原本做不了的事。我覺得機器人最終會成為我們見過的、最能為地球上更多人帶來繁榮的一項技術。

黃仁勳：

毫無疑問。現在最簡單的現實就是：今天我們已經短缺了數百萬勞動力。所以我們其實非常迫切地需要機器人。如果有更多勞動力，所有這些公司都還能增長得更快。

而且你提到的一些事情真的很有趣。有了機器人，我們將擁有「虛擬在場」。比如我在出差時，可以進入家裡的機器人身體裡，遠程操控它，在家裡走來走去，遛狗、看看房子怎麼樣。

Jason Calacanis：

我們馬上就得讓場地工作人員趕人了。

黃仁勳：

沒錯。但你想想，真的可以讓它在家裡隨便轉轉，看看發生了什麼，跟狗說說話，跟孩子聊聊天。

David Friedberg：

這某種程度上也像時間旅行。

黃仁勳：

同時，我們也會以光速旅行。顯然，我們會先把機器人派過去。我當然不會先把自己送過去，我會先送一個機器人過去，先看看情況。然後再上傳我的 AI。

Chamath Palihapitiya：

這幾乎是必然的。它會解鎖月球，也會解鎖火星，使它們成為可殖民目標。而這又意味著幾乎無限的資源。從月球把材料運回地球，幾乎可以做到接近零能耗，因為你可以利用太陽能加速。所以未來你完全可以在月球上建廠，為地球製造需要的一切，而機器人正是讓這一切成為可能的關鍵。

黃仁勳：

在那個時代，距離將不再是問題。

David Friedberg：

而且，模型和 agent 賺來的收入越多，我們就越能投資基礎設施；基礎設施越完善，又會反過來解鎖更強的模型和 agent。

Dario 最近在 Dwarkesh 的播客裡說，到了 2027、2028 年，模型公司和 agent 公司會拿到數千億美元收入；到 2030 年，他預計會達到 1 萬億美元。注意，這還不包括基礎設施層的 AI 收入。

黃仁勳：

我覺得他已經非常保守了。我相信 Dario 和 Anthropic 的表現會遠遠超過這個數字，遠遠超過。

Jason Calacanis：

所以，從 300 億到 1 兆？

黃仁勳：

對。而且原因在於，他還沒考慮進去的一部分是：我相信，每一家企業軟體公司最終都會成為 Anthropic code、Anthropic token、OpenAI token 的增值轉售商。這一部分會讓他們的 GTM 規模大幅擴張。

David Sacks：

那在這樣的世界裡，真正剩下的「護城河」是什麼？

有些護城河說實話會變得幾乎難以逾越。比如你們那個沒人怎麼討論、但可能最強的護城河，其實就是 CUDA，它是一個驚人的戰略優勢。

但未來如果模型本身能夠創造出偉大的東西，那下一代模型也可能去顛覆它。那在你看來，這些構建應用層的公司，最重要的差異化到底是什麼？

黃仁勳：

深度專業化。

我相信，未來會有通用模型接入軟體公司的 agent 系統。其中很多模型會是 Claude 這樣的商業模型、專有模型；但其中也會有很多，是這些公司自己訓練出來的、面向某個子任務的專業化 sub-agent。

David Sacks：

所以你對創業者的號召就是：去真正理解你的垂直領域。

黃仁勳：

沒錯。

David Sacks：

理解得比任何人都更深、更好。然後等待這些工具追上你，一旦工具趕上來，你就能把你的知識灌進去。

黃仁勳：

對。你擁有自己的知識，你可以把客戶接到你的 agent 上。你越早讓 agent 真正連接客戶，這個飛輪就會越早開始轉，而且會轉得非常快。

David Sacks：

這幾乎和今天的軟體邏輯完全反過來了。今天我們是先做一個軟體，再想「什麼東西可以泛化」，然後盡可能賣給最多的人，最後再把定制化當附加服務賣出去。

David Friedberg：

然後把客戶鎖死。

黃仁勳：

而實際上，正如你所說，我們先做一個橫向平台。但你看，所有那些全球系統整合商（GSI）和顧問公司，本質上就是專家，他們再把你的橫向平台定製成一個垂直解決方案。

Jason Calacanis：

沒錯。而且從某種程度上說，定制化市場的規模，可能比平台本身還大五六倍。

黃仁勳：

完全正確。所以我認為，這些平台公司本身就有機會成為那個專家，成為那個垂直領域的玩家，成為某個特定領域的真正主人。

Jason Calacanis：

我想給你送上應得的讚美。

我記得三年前你說過一句話：「讓你失去工作的人，不會是 AI，而是會用 AI 的人。」現在回頭看，我們整場討論幾乎都圍繞這一點展開：agent 正在讓人類變成「超人」，商業機會在擴大，創業機會在擴大。你其實很早就看得很清楚了。

黃仁勳：

你們太客氣了。

Jason Calacanis：

當然，我們也得同時容納兩種想法：第一，確實會有好的發展；第二，也確實會有崗位被替代。然後問題就變成：那些人是否有足夠的韌性和決心，去擁抱這些新技術。

比如未來如果 100% 的駕駛工作都被自動化替代，那當然會挽救很多生命，這是件好事；但我們也要承認，美國有 1000 萬到 1500 萬人是靠這個謀生的。這個變化一定會發生。

黃仁勳：

我認為，工作會改變。比如今天有很多司機。我相信，未來很多司機仍然會坐在車裡，只不過不再是負責開車，而是坐在後面或者旁邊，變成一種「出行助理」。

因為別忘了，司機最終做的事情，不只是開車。他們會幫你拿行李，幫你處理很多事情，本質上是一種助手角色。

所以我一點也不會驚訝，未來的司機會變成你的 mobility assistant，在車子自動駕駛的同時，幫你處理很多別的事情。

Jason Calacanis：

就像在酒店裡那樣。

黃仁勳：

對。車自己在開，但他還在幫你協調各種事情。

David Friedberg：

自動駕駛飛機也帶來了更多飛行員，並沒有把飛行員趕出駕駛艙。雖然自動駕駛已經在飛行裡承擔了 90% 的工作。

Chamath Palihapitiya：

而且說實話，當車自己在開的時候，那位司機還可以在手機上做一堆別的工作，替你安排各種事情。

黃仁勳：

比如協調、溝通、預訂，處理一堆任務。

Chamath Palihapitiya：

整個蛋糕是在變大的。

黃仁勋：

對。所以有一點是明確的：每一份工作都會被改變；有些工作會消失；但與此同時，也會有很多新工作被創造出來。而我想對那些剛走出學校、對 AI 感到焦慮的年輕人說一句：去成為最會用 AI 的那個人。

今天，我們每個人都希望員工能成為真正精通 AI 的人，而且這絕不是一件容易的事。你要知道如何提出需求，但又不能把指令規定得太死；要給 AI 留足夠的空間，讓它在我們的引導下創新和創造；還要把它帶向我們真正想要的結果。這一切都需要一種「藝術」。

David Sacks：

你當年在 Stanford 的時候，給年輕人的那句建議很有名：「我祝你們經歷痛苦與磨難。」你還記得嗎？

Jason Calacanis：

太經典了。

David Sacks：

那今天呢？如果一個人馬上要高中畢業，正站在人生路口，要不要上大學、學什麼專業、甚至還要不要讀大學，你會怎麼建議他們？

黃仁勋：

我仍然相信：深科學、深數學、語言能力都很重要。而且你們也知道，語言本身其實就是 AI 的編程語言，是最終的編程語言。所以說不定，英文專業的人未來反而會最成功。

總之，我的建議是：無論你接受什麼樣的教育，都要確保自己在使用 AI 這件事上足夠專業。

說到工作，我還想補充一件事，我希望每個人都聽見。在深度學習革命早期，世界上一位最頂尖的計算機科學家之一、我非常尊敬的人，曾經非常堅定地預測：計算機視覺會徹底消滅放射科醫生。他甚至建議所有人，不要進入放射學這個領域。

十年之後，這個預測在一個層面上是 100% 正確的：計算機視覺確實已經被整合進全球所有放射學設備和平台。但令人意外的結果是：放射科醫生的人數不僅沒有下降，反而增加了，而且需求還在飆升。原因在於，每一份工作都包含兩個層面：任務和目的。

放射科醫生的任務是看影像，但他們真正的目的，是幫助醫生治療病人、診斷疾病。而由於影像檢查現在可以做得更快，所以醫院可以做更多掃描，這提升了醫療效率，也讓病人更快進入診療流程、更快接受治療。結果就是，醫院因為做了更多掃描、服務了更多患者，收入也提高了。

Jason Calacanis：

沒錯。

黃仁勳：

所以結果反而是正向的。

David Friedberg：

而一個增長更快、生產率更高、也更富有的國家，完全可以在教室裡放更多老師，而不是更少老師。

只是你會讓每位老師都擁有為教室裡每一個學生量身定制課程的能力。這樣他們就像「仿生人」一樣更強，結果也會更好。

黃仁勳：

每一個學生都會有 AI 輔助，但每一個學生依然都需要優秀的老師。

Jason Calacanis：

太精彩了。Jensen，恭喜你取得這樣的成功。這真是一場特別積極、特別振奮的討論。非常感謝你抽時間來參加。

David Sacks：

你是這個行業所需要的那位掌舵者。

Jason Calacanis：

確實如此。我覺得你應該更大聲地去表達 AI 的積極一面。現在外面太多末日論了。

David Sacks：

而且我也覺得，能在取得這麼大成功之後，還保持這種謙遜，告訴大家「各位，我們做的本質上還是軟體」，這真的很健康。人們需要聽到這一點。我們以前也發明過新類別、新產業。我們沒有必要滑向那種恐慌主義的方向，那沒有任何幫助。

Jason Calacanis：

而且，我們是可以自己選擇的，對吧？我們有自主權，也有行動能力。我們可以選擇怎麼使用它。好，各位，下次見。謝謝大家收看這期 All-In 專訪。

黃仁勳：

謝謝。

[視頻鏈接]