黄仁勋谈 AI 工厂：为何问题比答案更有价值

从预先录制到生成式：60年一遇的重置

黄仁勋在思科人工智能峰会上以炉边谈话的形式开场，他多年来一直在完善这个框架，但这次的表达异常直接（而且，据他自己说，喝了五杯酒）：计算正在被重新发明，这是60年来的第一次。从显式编程到隐式编程的转变，即你告诉计算机你的意图，而不是编写逐步的指令，改变了软件创建、部署和维护的一切。

与思科首席执行官 Chuck Robbins 的对话轻松、有趣且出人意料地坦诚。黄仁勋刚从台湾经休斯顿飞来，看起来很饿，而且显然更想即兴发挥，而不是做演示。最终呈现的不是一个精心打磨的主题演讲，而是一次坦率的游览，了解他实际上是如何思考英伟达和希望转型的企业的 AI 战略的。

整个计算堆栈正在被重建：处理、存储、网络、安全。英伟达与思科的合作将 AI 网络技术引入思科的 Nexus 控制平面，将原始 AI 性能与企业级可管理性相结合。新的计算平台（Vera Rubin）代表了下一代，但黄仁勋不断将对话拉回到基础设施之上的东西：应用程序。

五层蛋糕以及为什么只有顶层重要

黄仁勋列出了一个五层堆栈：能源、芯片、基础设施（硬件和软件）、AI 模型和应用程序。然后他立即否定了底部的四层。

“Every single country, every single company, all that layer underneath is just infrastructural stuff. What you need to do is apply the technology. For God’s sakes, apply the technology.” 每个国家，每个公司，底层的所有东西都只是基础设施。你需要做的是应用这项技术。看在上帝的份上，应用这项技术。

他对企业观众的妙语一如既往地直率：

“You’re not going to lose your job to AI. You’re going to lose your job to someone who uses AI.” 你不会因为 AI 而失去工作。你会因为使用 AI 的人而失去工作。

“让百花齐放，然后精选”

当被问及企业应该首先做什么时，黄仁勋强烈反对在实验之前要求投资回报率的本能。

“Too many companies I hear, they want it explicit. They want it specific. They want demonstrable ROI. Showing the value of something worth doing in the beginning is hard.” 我听到太多公司，他们想要明确的，他们想要具体的，他们想要可证明的投资回报率。在一开始就展示做某件事的价值是很困难的。

他对规避风险的组织的建议是违反直觉的：先说是，后问为什么。他用了一个育儿的比喻。当你的孩子想尝试某件事时，你说好，然后问为什么。你不会要求他们在让你尝试之前证明它会带来经济上的成功。然而，这正是大多数公司对 AI 所做的事情。

在英伟达，他们使用 Anthropic、Codex、Gemini 以及其他一切。当一个团队说他们想尝试一个 AI 工具时，黄仁勋的默认答案是肯定的。他还没有开始精选；仍然是百花齐放。但他非常清楚什么最重要：芯片设计、软件工程和系统工程。这就是英伟达集中其严肃的 AI 投资的地方，与 Synopsys、Cadence、Siemens 和 Dassault 合作，将 AI 注入到构建英伟达下一代芯片的设计工具中。

顺序很重要：广泛地进行实验，但要知道你的核心是什么。不要过早地精选（你会选错方向），但当时机到来时，要把所有的木头都放在一支箭后面。

将无限应用于你最难的问题

黄仁勋介绍了一个他称之为“AI 敏感性”的思维模型：想象一下你的技术速度无限快，质量为零，以光速运行。然后问你会做什么不同的事情。

其背后的数学原理：摩尔定律是每 18 个月翻一番，每 5 年翻 10 倍，每 10 年翻 100 倍。AI 计算在过去 10 年中进步了一百万倍。

“A million times every 10 years. Moore’s law? Goodness gracious, that was slow. That’s like snails.” 每 10 年一百万倍。摩尔定律？天哪，那太慢了。那就像蜗牛。

这不仅仅是激励性的框架。当工程师们用“世界上所有的数据”来训练基础模型时，他们并不是雄心勃勃。他们是在应用富足思维。当医学研究人员说他们要解决“所有人类的痛苦”而不仅仅是癌症时，这也是同样的逻辑。

他对观众的挑战：如果你没有将这种敏感性应用于你最难的问题，那么你就做错了。如果这不能激励你，想象一下你的竞争对手正在这样思考。或者一家即将成立的初创公司。

软件现在是生成式的，而不是预先录制的

黄仁勋做出了一个区分，这对基础设施有着深刻的影响。过去所有的软件都是“预先录制的”：算法被编码，通过 CD-ROM 运输，用户交互从根本上是基于检索的。你触摸你的手机，它就会去检索一些文件、一些图像，并将它们带给你。

未来的软件是生成式的。每个上下文都不同，每个用户都不同，每个提示都不同。软件的每一个实例都不同。这意味着计算需求会爆炸式增长，因为每次交互都需要实时生成，而不是简单的检索。

为什么软件工具不会消亡

黄仁勋正面回应了 AI 将取代企业软件公司（其股价一直承压）的说法。他称之为“世界上最不合逻辑的事情”。

他的思想实验：如果你有人工通用机器人，一个可以解决任何问题的人形机器人，它会发明一个新的螺丝刀还是直接使用一个？显然是使用一个。数字版本也是一样的：AGI 会使用 ServiceNow、SAP、Cadence 和 Synopsys，而不是重新发明一个计算器。

他的理由：许多问题都有精确的、有原则的算法。F=MA 不是“有点像”MA。V=IR 不是“近似”IR，不是“统计上”IR。这些显式工具编码了不需要重新推导的知识。AI 的突破是工具的使用，而不是工具的替代。

物理 AI 和 100 倍的 TAM

IT 行业一直都在做工具生意：螺丝刀和锤子。物理 AI 首次实现了“增强劳动力”的创造。

一辆自动驾驶汽车就是一个数字司机。数字司机的终身经济效益远远超过汽车本身的价值。IT 行业大约是一万亿美元；全球经济大约是一百多万亿美元。科技行业首次接触到整个经济蛋糕。

但物理 AI 需要当前语言模型所缺乏的东西：对因果关系的理解。一个孩子理解推倒一个多米诺骨牌会使所有其他的多米诺骨牌都倒下，整合了接触、重力、质量和因果关系的概念。

“A large language model will have no idea.” 一个大型语言模型不会知道。

黄仁勋异常直接地承认了这一差距。多米诺骨牌的例子具有欺骗性的简单性，但它编码的正是统计模式匹配无法复制的那种因果推理。

每家公司都应该成为一家科技公司

黄仁勋提出了三个可以作为战略挑衅的观察：

• 迪士尼宁愿成为奈飞
• 梅赛德斯宁愿成为特斯拉
• 沃尔玛宁愿成为亚马逊

共同点：技术优先的公司处理的是电子，而不是原子。电子是丰富的；原子受到质量的限制。当公司从 CDROM 转向电子时，它们的价值爆炸式增长了一千倍。

AI 时代使这种转型民主化。由于编码现在“只是打字”，而打字是“一种商品”，因此领域专业知识成为稀缺资源。

“Coding, as it turns out, is just typing. And typing, as it turns out, is a commodity.” 事实证明，编码只是打字。而事实证明，打字是一种商品。

理解客户和问题的人，而不是能编写代码的人，掌握着最终的价值。

你的问题是你最有价值的 IP

黄仁勋最引人注目的说法之一是在接近尾声时提出的。英伟达在内部构建其 AI 系统，主要不是为了数据安全，而是因为最有价值的知识产权不在于答案。

“My questions are the most valuable IP to me. What I’m thinking about are my questions. The answers are a commodity. If I simply knew what to ask.” 我的问题对我来说是最有价值的 IP。我正在思考的是我的问题。答案是一种商品。如果我只是知道该问什么。

他将其比作治疗：你不想让你的问题在线上。你不确定的事情，你试图弄清楚的问题，揭示了你的战略重点。与云提供商分享这些问题意味着揭示你认为重要的事情。

他的建议：不要在云和本地之间做出选择。两者都用。但要自己构建一些东西。掀开引擎盖，更换机油，了解组件。你可能会发现你擅长它。你可能会发现有些东西应该留在一个小房间里。

翻转循环：AI 在每个员工的工作流程中

黄仁勋的结论颠覆了一个被广泛接受的原则。

“There was an idea that AI should always have human in the loop. It’s exactly the wrong idea. It’s backwards. Every company should have AI in the loop.” 有一种观点认为 AI 应该始终有人工参与。这完全是错误的观点。它是倒退的。每家公司都应该让人工智能参与其中。

他的理由：公司应该每天都变得更好、更有知识。他们永远不应该倒退，永远不应该停滞不前，永远不应该从头开始。人工智能参与其中可以捕捉机构经验。每个员工都会有 AI 在他们身边工作，而这些 AI 将成为公司的知识产权。

这重新定义了 AI，使其不再是一个需要监督的工具，而是一个积累价值的记忆系统。

想法

这是黄仁勋最放松、最不彩排的一次，这使它成为他更具启发性的亮相之一。以下是一些值得思考的事情：

• 问题作为 IP 的洞察力在企业 AI 讨论中是真正新颖的。 大多数对话都集中在保护数据或模型权重上。黄仁勋说，战略揭示不是你的答案，而是你正在问什么。这完全是一种不同的安全模型。
• “先说是，后问为什么”是很容易给出的建议，但执行起来却令人恐惧。 大多数企业都是围绕行动前的理由来构建的。黄仁勋的育儿框架使其在情感上产生共鸣，但在组织上却具有颠覆性。
• 反对 SaaS 颠覆的工具使用论在逻辑上是严密的，但在时间上可能是错误的。 AGI 肯定会使用现有的工具。但当前这一代 AI 可能已经足够好，可以在 AGI 到来之前取代特定的工具。黄仁勋描述的平衡可能在长期内是正确的，但对于现在正在失去收入的公司来说，这是一种苍白的安慰。
• 物理 AI 的因果关系差距被低估了。 多米诺骨牌的例子具有欺骗性的简单性。统计模式匹配和因果理解之间的差距仍然是 AI 最难解决的问题之一，黄仁勋异常直接地承认了这一点。
• “AI 参与其中”与“人工参与其中”是一场值得关注的框架之战。 它将默认设置从“AI 需要监督”更改为“人类需要增强”。机构影响是巨大的。