三本教科书，救活英伟达
哎呀， 原来老黄之前不玩（原推特）是因为害羞（doge）。
这次是因为想说的话太重要了，才终于克服了内向：
一直到2026年，我才在X上发了第一条帖子，这足以说明我有多么内向，我大概是地球上最后一个这么做的人了。 但我发的内容对我来说太重要了，对整个行业太重要了，对世界也太重要了。 所以我克服了自己的害羞，选择公开发声，并把第一条内容发了出来。
这个重要内容，核心围绕 AI的开放生态 。黄仁勋在第一条推上分享了一封由英伟达、谷歌、OpenAI等多家公司联合署名的《Open Weights and American AI Leadership》公开信，并多次呼吁构建开放生态。
现在最新动态来了，老黄在Y Combinator近1小时的 《Jensen Huang: The Mindset That Built NVIDIA》 访谈里狂爆金句，高能不断：
- Agent是一种新的软件形态。
- Agent不必达到100%准确才有价值，“可控性”或将成为其下一个发展阶段最大的突破口。
- 系统思维的本质，是对AI全栈技术的协同理解。
- AI毁掉工作？这个说法彻底搞反了。
- 传统编码会被自动化，但难题与硬科学不会消失。
- 物理AI开启新增长曲线，机器人将撑起英伟达下一个千亿美元市场。
- 每个人、每家公司都应拥有构建自有AI的能力。
- 现代AI的发展，根植于开放生态的持续繁荣。
- 你不必在一天内征服整个人生，只需要先熬过今天，再向明天迈进一步。
本文在不改变原意的基础上，由AI对访谈内容文字实录进行了精校。
愿你读完后有所收获
三本教科书，救活英伟达
主持人： 如今许多学生只熟知英伟达在AI领域的领军地位，若要让他们理解公司的成长根基，您认为最该了解早期故事的哪一段？
黄仁勋： 大多数人不会相信， 我们创业时选择的技术方向其实是完全错误的。 最初我们想重新发明3D图形，坚信用加速器增强通用CPU就能解决原本无解的问题。
1990年PC尚未普及，我们这群在游戏机时代长大的人，想把每台PC都变成游戏机，把超级计算机的算法塞进个人电脑里。我们为新算法兴奋不已，也做了深思熟虑的推演，随后便想要去创办公司实现它。
结果，支撑公司创立的算法和技术都被证明是完全错误的。1995年我们才醒悟，却几乎已为时已晚——当时约莫有三四十家公司都在做PC 3D图形，我们发现这条路根本走不通。回到公司讨论对策时我说：“不正视事实、不转向正确算法，公司就没了。”
然后有人告诉我，我们之中没有一个人知道正确的做法是什么； 我们当时不仅选错了技术，甚至连正确的方法都不会。
那对我来说是意义重大的一天。当时我兜里只剩几张60美元的钞票，总共也就百来块钱。我去Fry’s买了三本教科书，全是关于OpenGL和渲染管线设计的。
我把书带回公司交给工程师们，之后的事大家都知道了。我们重新定义了计算机图形学，成了现代计算机图形学的全球领导者，过去25年里大多数重大突破都出自我们之手。
所有人都以为英伟达天生就是3D图形领域的王者，但其实我们是从三本教科书起步的。 说来荒唐，我们是先创办公司、融了资，才去买教科书从头学起。这让我彻底明白一个道理：
技术永远在迭代，只要你能正视现实、保持学习的能力，既有的技术储备就绝非决定性因素。
从那以后，英伟达不断闯入陌生领域，发明了无数前所未有的技术。我们对每件事都抱着同样的态度： “这件事重要吗？重要就去学！能有多难呢？”
哈哈哈当然，结果往往比预想中的更难，但你必须始终带着这种迎难而上的劲头去做。
英伟达真正的赌注是加速算法，而不只是造芯片 主持人： 英伟达真正瞄定的大方向是什么？
黄仁勋： 我们公司真正锚定的大方向是： 可以通过加速器增强CPU，去解决那些原本难以企及的问题。 分子动力学、图像处理、逆物理，以及各类算法都在此列，但深度学习是其中最核心的主线。
为了打造今天的英伟达，我们很早就意识到，关键不在于造出一块伟大的芯片，而在于加速一个算法领域。
我始终相信，成就伟大公司的，是你对世界的一个独特视角——一个你深信不疑的视角。 这既不是纯粹的技术问题，也不是纯粹的市场问题，尽管二者都不可或缺。但若能在正确的时间、以正确的技术切入正确的市场，前路自会顺畅许多。
对一个重要事物的未来怀有高层次的愿景，持有独特且坚信的视角，并且追求这一愿景的过程本身就充满挑战。当这些要素汇聚，便构成了成就卓越的基石。
我们很早就判断，加速计算将在未来扮演重要角色，事实证明它的确变得至关重要。
与此同时，这么多年过去，我们当初的另一个判断也得到了验证： 加速计算的关键在于算法，而不只是芯片本身。
从500万美元极限生存到3亿美元IPO，英伟达直面生死时刻，用坦诚换来救命稻草 主持人： 你讲了很多关于创始人的艰难。有没有哪些故事是你印象特别深刻的？
黄仁勋： 让我们意识到算法选错的，正是与世嘉的合作。我们原计划为Dreamcast开发芯片，但由于技术存在根本缺陷，根本无法履约。
于是我飞到了日本，向当时的CEO入交昭一郎坦白：我们签订的那个大约1200万美元的合同，实在无法履行了。
我向他诚恳解释了我们这个项目做不成的原因，并建议他换别家来做。
但说完这些，我又硬着头皮补了一句——可我还是需要这笔钱。你可以想象到那个场面……
他当时疑惑道：“你都无法履行合同了，还想要合同里所有的钱？”
我说： “对，我想要。” 当然我态度特别诚恳，解释也都能站得住脚，他能看出来我没撒谎。
要是他不给我们这笔钱，我们就真倒了。我觉得现在很多情况也这样——你投资的不仅仅是公司，还有人。
入交先生觉得我们这群人靠得住，信得过这份合同，也希望能看到我们撑到明天。于是他最终选择相信我们，并支付了500万美元。
也正是这500万让我们活了下来，为我们争取到了寻找新出路的时间。
AlexNet不只是一个模型，它改变了看问题的方式 主持人： 之前我觉得没人能真正预见到GPU及所构建的技术对AI革命如此重要。你看到了什么？是因为加速器加上天时地利？还是有很多积累导致了这一切？
黄仁勋： 其实我跟所有人一样，都关注到了AlexNet。但我 看东西的角度不一样 ——我总在找“算法”。这个算法可能是NAMD、VAP，也可能是OpenGL、SQL，或者是某个领域的专用语言、或某种特定算法。我一直在琢磨，哪些问题我们能帮上忙；直到AlexNet出现后，我才意识到，这个算法就是深度学习。
对我们来说，突破在于意识到AlexNet不只是AlexNet，它是一种深度学习方法，能让你学会任何函数。所以15年前我就到处跟大家说：“嘿，猜猜怎么着？我们刚刚发现了universal function approximator！只要给它函数的答案作为样本，它就能自己学会那个函数。而且对很多函数来说，你不需做到绝对精确——事实上也不可能做到绝对精确。所以大多数真正有意思的问题，本质上都是这样不精确的。”
从我们意识到自己拥有了通用函数逼近器（universal function approximator）的那一天起，问题就变成了：这对计算栈意味着什么？对软件意味着什么？这会冲击哪些行业？诸如此类。
然后，我们几乎立刻就开始着手研究计算机视觉、机器人和自动驾驶。
因为有了这种基础能力，计算机视觉、机器人等领域的许多难题都有了新的解法。
因此，真正的突破不只是AlexNet，而是一种全新的软件开发方式。它将重新定义处理器、中间件、算法和应用程序，改变整个计算产业。
我们要做的，就是不断对事物进行逐点推理，直到达到最基本的原理，并从第一性原理出发追问： 如果它真的有效，接下来还会改变什么？
CEO不能照搬管理模版，要构建一个真正适合你的团队 主持人： 你对如何建立公司、如何领导团队有什么建议？
黄仁勋： 我的工作始于好奇心。遇到重要问题，我习惯亲自寻找答案；若发现某项信息对公司有价值，我就会尽可能学透，然后再分享给团队。
我认为CEO的职责，就是深入一线、吃透技术，并以自身洞察赋能公司。 尤其在技术迭代飞快的行业，如果CEO不亲自沉入细节，就很难真正判断正在发生什么。
就像冲浪一样。旁观者只看到混乱，冲浪者却能读懂海浪、驭浪而行。CEO也一样，只有亲自下场研究，才能理解变化、拆解问题，引领公司笃定前行。
管理公司亦如打造一辆由自己驾驶的F1赛车。 创始人无需拘泥于传统管理模板，而应根据自己的特点调整组织、流程和工作方式，让整家公司更高效地完成使命。
至于下一任CEO，自然会按照自己的方式重新改造它。
AI时代，系统思维会变得更重要 主持人： 你一直在关注从材料、芯片到数据中心和应用的完整技术链条，也多次谈到OpenClaw和Hermes等智能体。面对这座全栈AI工厂，未来人们最需要具备什么能力？
黄仁勋： 我认为， 未来最重要的能力之一是系统思维。
过去，我们需要亲自设计晶体管、门电路和功能模块，如今许多底层工作已经能够自动完成。软件也会经历类似的变化，大量编码工作将交给Agent。
因此，人类需要站得更高，从系统层面思考：要解决什么问题？有哪些约束？输入和输出是什么？处理器、内存和网络应该如何协同？
这些基础知识不会过时，反而会越来越重要。
现在的Agent已经具备一定的自我改进能力。它们可以在使用过程中更新记忆、整理信息，甚至构建知识图谱，让自己越用越聪明。
但真正需要解决的，是可控性。我们能否只修改计划中的一个词，就让Agent精准调整一个像素、一个零件或一条连接，而不是把所有内容重新生成一遍？
我认为Agent不必达到100%准确才有价值。即使它能完成80%，剩下的由人补足，也足以提高效率。
关键在于，人能否精确地控制它，并与它稳定协作。
因此， 我认为可控性很可能是Agent下一阶段最重大的突破口。
每个人、每家公司，都该拥有自己的AI 主持人： 你是否认为，人们应当掌控属于自己的个人AI，而非将决策权完全让渡给云端智能体？这种对本地化与自主权的需求，是否也是英伟达深度布局智能体生态的核心动因之一？
黄仁勋： 首先，我们必须理解Agent，因为 Agent就是一种新的软件形态。
理解这种新软件的处理流程对计算机体系结构至关重要。 我们对Agent的本质、它与聊天机器人的区别、乃至与早期推理模式的区别理解得越深刻，对这些处理层级的本质把握得越透彻，我们就能设计出越优秀的系统。
英伟达必须提前五到十年思考。因为一套系统从研发、量产到投入使用，可能要经历十几年。所以，你必须具备前瞻未来的能力。
其次，我们也在英伟达内部广泛使用Agent。有人用Claude Code，有人用Codex……我们鼓励百花齐放，让员工自由选择他们想用的工具，然后从实际使用中学习怎样改进系统、提高公司的运行效率。
我们还会从一些早期技术信号中推演未来。例如，斯坦福大学早期的思维链让我们意识到，AI可以利用先验知识推理，而不必完全依赖海量训练数据。基于这一判断，我们开发了Alpaca，让自动驾驶系统不需要积累海量驾驶里程就能开好车，能够分析陌生情况，而不是只靠见过的案例作出反应。
大语言模型显然还需要记忆、工具、先验知识，以及与其他Agent协作的能力。越早看清这些需求，就越有可能帮助你实现跨越式发展。
主持人： 英伟达似乎总能在新技术出现后迅速参与开源。OpenClaw刚出现时，有人担心它不够安全，但你们很快就推出了沙箱工具包，为其提供安全护栏。
黄仁勋： 看到OpenClaw时，我第一反应是：这就是现代计算机的新形态，它是承载大语言模型的操作系统。因此对我来说，OpenClaw就是一个“Linux时刻”。
现在，每个人都有机会构建自己的AI。我们联系了OpenClaw和Hermes团队，并告诉他们，英伟达愿意提供工程支持，帮助他们解决问题。
我坚信世界需要赋予每个人构建自己AI的能力。 当然，我也鼓励大家尽使用ChatGPT、Claude等云端服务。但企业拥有自己的数据、知识和业务流程，也需要构建自己领域的专用AI。如今借助Hermes等工具，这件事已经容易了许多。
我们希望每个人、每家公司都能构建自己的AI。
主持人： 正因为它是开源的，我觉得真正的超额价值（Alpha）就在于构建你自己的AI。别人用的是现成的通用产品，而你拥有可以递归自我改进的系统。人们对Markdown文件不以为然，觉得“哈，那只是文本”，但实际上，文本本身就是智能。
黄仁勋： 是的。因为语言就是思想。你很难脱离语言进行思考。
AI消灭的是任务，不一定是工作 主持人： 当智能变得唾手可得，经济和就业会发生什么变化？
黄仁勋：AI带来的影响不会平均落在每个人身上 。许多重复性任务，尤其是能够依靠现有数据完成的认知任务，都会被自动化。每一份工作都会因此改变，同时也会出现大量新的工作。
但“AI会摧毁工作”的说法彻底搞反了，不能把任务和工作混为一谈。 一份工作通常包含许多任务，AI可以自动化其中一部分，却不一定会让整份工作消失。
以 软件行业 为例，编码正在被自动化，但软件工程师的岗位数量同比增长了约10%。因为企业积压的想法和需求太多了，编程效率提高后，反而可以让更多工程师去完成更多项目。
医疗行业 也是如此。AI可以帮助读取医学影像，让医院接收和诊断更多患者；但要服务这些新增患者，仍然需要更多医生、护士和放射科医生。过去几年，放射科岗位数量反而增长了约20%。
法律行业 同样如此。过去有人认为法律AI Harvey会取代律师助理、减少律师岗位，结果律所处理案件的能力提高后，律师助理岗位反而大幅增长，因为需要更多人承接新增业务。
这就是生产率提升带来的连锁反应： AI先让人们完成更多工作，进而推动业务增长；而业务增长，又会创造更多就业机会。
今天的就业总量比我刚毕业时还要多，正是这个道理。
机器人将成为英伟达下一个千亿美元业务
主持人： 聊完软件和智能体，再来谈谈物理世界。真正能够投入使用的实用机器人，距离我们还有多远？
黄仁勋： 生成式视频的出现，对我来说是一个重要信号。
早在几年前，当AI能够生成手指移动、伸手拿起杯子的视频时，我就意识到，既然能生成这些动作的视频，为什么不能让机器人也完成同样的动作？那一刻我便知道，机器人的具身操控能力已近在咫尺。
但机器人不能只生成“看起来合理”的动作，还必须理解真实世界的因果关系，以及摩擦力、张力等物理规律。这也是我们开始研究“物理AI”和世界基础模型的原因：让AI不仅识别世界，更能理解世界如何运转。
在我看来，机器人的“ChatGPT时刻”几年前就已经出现了。就像早期ChatGPT未必能直接创造生产力，却让所有人看到了可能性；当机器人通过强化学习、在符合物理规律的模拟环境中四处行走时，也打开了类似的想象空间。
← 返回最新