公开访谈 · 黄仁勋
Acquired 对话英伟达首席执行官黄仁勋
先看这几个判断
共 8 条重点- 01黄仁勋把 RIVA 128 的全力投入解释为提前消化风险：先用仿真器完成芯片、软件栈和应用验证，再一次流片直接生产；这种把未来可模拟事项提前完成的原则延续至今。 →
- 02黄仁勋判断，从示例学习的机器学习方式可能影响世界大部分行业，最终几乎所有软件都可能以这种方式编程，从而彻底改变计算机与芯片的构建方式。 →
- 03黄仁勋更愿意把竞争优势理解为让开发者与客户共同成功的网络：创建市场、帮助生态围绕产品成长，才会形成通常所说的护城河；开发者也能带来公司自身想不到的好想法。 →
其余 5 条重点
- 04黄仁勋把架构兼容性视为 NVIDIA 唯一不可协商的原则：原本为 DirectX 与 OpenGL 购买的芯片也构成 CUDA 装机基础，而当时约 2.5 亿至 3 亿活跃 CUDA GPU 在架构上兼容。 →
- 05黄仁勋主张，对具有更强自主性的 AI，只要人在回路仍然合理，就应保留人工参与，而且他预计这一安排会长期合理；应避免数字 AI 在开放环境中自行学习、改进和改变，先收集数据、训练、测试和验证，再重新发布模型。 →
- 06黄仁勋倾向于认为 AI 会净创造更多岗位、提高就业：生产率提高带来繁荣和利润，而仍有新想法的企业通常会扩张并雇用更多人；他同时承认近期的时间范围并不明确。 →
- 07黄仁勋强调净增岗位不保证个人不会失业，他认为人更可能输给会使用 AI 的其他人，因此个人与公司都应学习 AI；缺工行业也可能借 AI 恢复增长。 →
- 08如果带着现在的经历重新回到创业起点，黄仁勋说自己不会再做一次；创业的痛苦、脆弱感和挑战远超预期，而创业者往往靠尚不知其难，以及不断问“能有多难”来坚持。 →
访谈导读 · 忠实转述
这场 Acquired 访谈中，黄仁勋以 NVIDIA 从图形芯片走向 CUDA、数据中心与 AI 的经历，说明如何在不确定的市场中提前准备能力。早期路线与 DirectX 不兼容后，公司以 RIVA 128 重置方向；资金与时间只够一次流片，团队便先仿真整颗芯片、开发软件并测试应用，把可提前验证的风险移到流片前。他说 CUDA 之前已有 Cg 与非图形计算探索，深度学习的研究者反馈又支持继续投入；统一架构的跨代兼容、开发者与客户共同受益的网络，是其平台思路的关键。数据中心转型始于将计算与观看地点分开，而 AI 训练把单个任务分布到大量处理器，使网络和基础设施成为收购 Mellanox 的重要理由。组织上，他主张按产品构建所需的功能与具体任务调配人员、快速共享信息，同时承认这会提高领导者压力。谈到 AI，他分别强调机器人与自动驾驶的安全设计、内容与创作者权益，以及更自主系统的人工参与和受控验证。对创业，他提醒成功并无可复制配方，市场条件、长期支持者与承受困难的信念都重要。
访谈观点
嘉宾观点 · 忠实转述
正在阅读 8 条重点，保留原观点编号。
观点目录 · 8 条 选择一条，跳转阅读
嘉宾未来判断汇总 · 忠实转述
黄仁勋判断，从示例学习的机器学习可能影响多数行业，几乎所有软件最终或以这种方式编程，并改变计算机与芯片的构建；这是一种前景判断，并非已发生的事实。他相信某些目前尚无成熟需求的市场会出现，因此主张提前约十年布局；他也预计汽车最终将由软件定义，并希望数字生物学能用更高层语言表达，大语言模型可能是一种办法。对更具自主性的 AI，他预计人在回路在相当长时间内仍然合理。对就业，他倾向于认为 AI 更可能净创造岗位，但明确说近期的时间范围不清，且净增加不保证个人不会失业；这一判断依赖企业继续有新想法、把生产率收益用于扩张。他还认为，当技术公司提供智能和工作而非只销售芯片时，公司规模未来可能更大。
延伸分析汇总
AI 条件式分析：若更多软件采用从示例学习的方法，且扩大数据与模型确实持续改善效果，相关计算平台的需求可能上升；实际收益仍要看效果相对训练成本的变化。若单个 AI 训练任务继续跨大量处理器运行，通信开销可能提高高性能网络的价值，需以真实负载下的扩展效率验证。CUDA 的跨代兼容与开发者网络可能帮助平台维持采用，但生态参与者能否持续获益仍需观察。黄仁勋所说的巨大任务市场与按需驾驶机会，不能直接推算为任何公司的收入、利润或估值；安全、交付成本和真实付费需求也是实现条件。以上是基于访谈观点的 AI 推演，不是嘉宾对具体资产的判断或投资建议。