黄仁勋谈论85万亿美元的再工业化浪潮，以及为何每位设计师都将管理一个AI团队

人类历史上规模最大的工业基础设施建设正在进行中。这不是一个比喻，也不是一个预测性的限定词：黄仁勋给出了一个数字。未来十年将投入 85 万亿美元。而用于设计、模拟和验证所有这些的基础工具即将被彻底改造。

四分之一个世纪，三次计算革命

黄仁勋和达索系统 CEO Pascal Daloz 的合作可以追溯到 25 年前。他们的合作始于从 Unix 到 Windows 工作站的迁移，基于 OpenGL 和一种名为 CGFX 的技术，它是 CUDA 的前身。OpenGL 变成了 RTX。CGFX 变成了 CUDA。现在他们宣布了他们公司有史以来最大的合作。

这项合作将 NVIDIA 的完整计算堆栈集成到达索系统的产品套件中：CUDA X 加速库、用于物理和智能体 AI 的 NVIDIA AI，以及 Omniverse 数字孪生技术。达索系统的所有产品线，CATIA、SIMULIA、BIOVIA、DELMIA、ENOVIA，都将建立在 NVIDIA 的平台之上。

承诺是：计算规模将比工程师以前的能力提高 100 倍到 1,000 倍，最终达到 1,000,000 倍。过去是离线模拟或预渲染可视化的东西，将变成虚拟孪生中的实时操作。

三个工厂堆栈

黄仁勋将当前的 AI 建设框架定义为三个同时扩展的相互关联的行业：

芯片工厂生产半导体。封装工厂组装它们。随着每个国家竞相建设国内产能，这些设施的数量正在迅速增长。

计算机工厂采用这些芯片并组装超级计算机。产出的不是服务器机架，而是专门构建的 AI 机器。

AI 工厂容纳这些超级计算机并运行智能生产线。一个千兆瓦的 AI 工厂的成本约为 500 亿美元。目前全球正在建设数十千兆瓦的工厂。

NVIDIA 本身就是达索合作伙伴关系的首批客户，用于设计这些 AI 工厂。他们使用达索系统的基于模型的系统工程来设计、规划和模拟数据中心的各个方面，包括完整的物料清单，然后在破土动工之前完成。虚拟孪生运行网络，运行超级计算机，验证一切是否匹配，所有这些都在放置单个物理组件之前完成。

“A gigawatt AI factory is about $50 billion dollars. And now we’re building tens of gigawatts around the world. It’s the largest industrial infrastructure buildout in human history.” 一个千兆瓦的 AI 工厂大约需要 500 亿美元。现在我们正在全球建设数十千兆瓦的工厂。这是人类历史上规模最大的工业基础设施建设。

从语言模型到世界模型

对话中最具技术实质性的部分是黄仁勋对语言模型和世界模型的区分。

语言模型理解语法、词汇、结构，并且具有“品味”，知道什么构成一个好的段落。它对讨论什么和避免什么有护栏。

世界模型从根本上是不同的。它不应该有品味和价值观，而必须遵守物理定律。它必须理解因果关系：推倒一个多米诺骨牌，所有连接的多米诺骨牌都会倒下。它必须掌握惯性、摩擦力、重力、接触动力学，所有工程师依赖的直观物理学，但再多的语言训练也无法捕捉到这些。

黄仁勋用了一个生动的类比：狗在空中接球，而无需解物理方程。它们观察、预测和抢夺。AI 世界模型以相同的方式工作，学习从观察和模拟中预测物理行为，而不是仅从第一性原理出发。

“Are dogs able to catch a ball out of the air? And yet they’re not doing physics simulations of balls bouncing or elastic nature of the ball. They’re just literally watching us and predicting where it’s going to go.” 狗能在空中接住球吗？然而它们并没有在做球弹跳或弹性的物理模拟。它们只是在看着我们，预测球会飞向哪里。

NVIDIA 的方法是 Physics NeMo，这是一个具有物理意识的 AI 框架，它创建的模型既可以通过基于原理的模拟器进行训练，也可以与它们一起工作。结果：以物理定律为基础，但比传统模拟快 10,000 倍。如果传统模拟已经在实时运行，那么 AI 版本将以 10,000 倍更大的规模运行。

将一切“左移”

一个反复出现的主题：“左移”。将验证、合规性和可制造性向上游移动到设计过程本身，而不是将它们视为下游检查点。

可制造性设计从第一天起就被集成。工程师不仅仅设计形状；他们设计行为，在设计阶段实时验证碰撞性能、空气动力学和车辆动力学。Lucid Motors 已经在这样做，将碰撞行为和空气动力学模拟嵌入到他们的车辆项目中。

通过设计实现合规性是另一个“左移”目标。美国国家航空研究所 (NIAR) 处理 10,000 多项飞机认证要求，这个过程通常需要 3 到 5 年。借助可以自动摄取法规并持续验证一致性的 AI 助手，合规性从成本中心转变为竞争优势。

软件定义的工厂进一步扩展了这一原则。Omron 不仅仅将虚拟孪生用于可视化；他们从第一天起就设计自主性。自主组件与生产系统一起设计，而不是在运行后进行改造。结果：工厂更加灵活、有弹性和适应性强。

每个设计师都拥有一支团队

黄仁勋关于 AI 对设计人员的影响的预测直接与常见的说法相矛盾：

“Whereas most people think that the number of designers therefore will be less than the past… it is exactly the opposite.” 大多数人认为设计师的数量会比过去少，但事实恰恰相反。

每个设计师，每个 SolidWorks 用户，都将管理一个 AI 助手团队。这些助手接受了不同的技能培训，协调工作，彼此合作并与人类设计师合作。人类成为管理者、架构师和创造者；助手执行、探索和优化。

黄仁勋描述的工作流程：你白天与你的助手一起工作，然后在离开之前，你分配探索任务。“我希望你探索这个领域，针对这些参数进行优化，给我三个设计。给我这个其他领域的 10 个设计。”当你回来时，你从选项中选择并使用结构化的 3D 数据进行微调。

对软件行业的影响：工具用户的数量从纯粹的生物用户爆炸式增长到生物用户加上基于 AI 的用户。每个助手都使用设计工具。达索系统的用户群不会减少；它会成倍增加。

生物学前沿

对话触及了黄仁勋认为未来十年最具影响力的工程领域之一：理解和生成生物系统。

第一个挑战是学习“生命语言”，即 DNA、蛋白质、细胞及其相互作用。AI 能够实现人类语言和生物学语言之间的翻译，并且至关重要的是，能够实现生成：用于药物的新蛋白质、新化学物质、更坚固、更轻、更耐热、更持久的新材料。

贝尔集团（Babybel 奶酪背后的公司）提供了一个具体的例子。他们的使命：生产更健康的食品，消耗更少的水，并逐步用非乳制品替代乳制品蛋白质。以前，每个产品都需要数百次物理测试。现在，他们从由生物世界模型驱动的虚拟孪生中生成蛋白质候选物，从而以经过认证的决策实现更快的创新。

知识即护城河

最后的线索是关于知识保护。黄仁勋认为，AI 助手将编纂每个人的技能、偏好、习惯和领域专业知识。这些捕获的知识是私人的，不是公共的，也不是开源的。

“If you look at my inbox, in a lot of ways, it has captured 33 years of my knowledge, of my expertise. It’s not available for everybody.” 看看我的收件箱，在很多方面，它已经捕获了我 33 年的知识和专业经验。它不是每个人都能看到的。

AI 助手与你同在，积累你的工程敏感性，并成为个人知识库。这与基于云的 AI 服务不同；它是个人化的、专有的，并且随着时间的推移变得越来越有价值。

一点洞见

85 万亿美元的数字是头条新闻，但其下的结构性论点更有趣。黄仁勋描述了一个世界，其中三个不同的行业（半导体、计算机制造和 AI 基础设施）以锁定的方式扩展，每个行业都依赖于其他行业。任何一层的瓶颈都会限制整个堆栈。

一些值得思考的观察：

• “左移”理念，当被推向逻辑结论时，意味着设计工具同时成为认证工具、合规工具和制造计划工具。这会将整个组织职能压缩到设计阶段。
• 黄仁勋关于 AI 将增加而非减少工具用户数量的论点带有利益立场（NVIDIA 向工具制造商销售产品），但结构上是自洽的。如果 AI 助手使用与人类相同的工具，那么每一次生产力提升都会成倍增加席位数，而不是减少席位数。
• 语言模型和世界模型之间的区别对于理解 AI 在工程领域中实际增加价值的地方至关重要。物理基础不是可有可无的；这是生成关于工程的合理文本和生成经过验证的工程制品之间的区别。
• NVIDIA 作为与达索合作的首批客户，用联合工具来设计价值 500 亿美元的 AI 工厂，这是一个有说服力的论证。在最高赌注上吃自己的狗粮。