黄仁勋

这场访谈中，黄仁勋把 AI 算力需求的增长归因于两股力量：推理、规划和反复探索增加单项任务的计算量，能力改善又让智能体承担更多任务。他认为模型之外的记忆、知识接入和工具使用，使智能体从编程走向设计等专业工作；物理 AI 则从感知延伸到机器人、制造、医疗和汽车。他同时强调，部署自主系统必须把功能与安全一同建设，先以零信任、最小权限和严格边界控制访问，再经测试逐步开放，并配备可干预的带外监控。谈及商业化，他把英伟达的需求描述为传统计算、多个前沿实验室及广泛新企业的组合，反对只用少数实验室的收入解释全部基础设施投入。需求和订单充足是他的判断，但土地、电力、机房、专业施工、封装基板及硅光子会制约实际投运；他认为跨地区、跨客户和跨负载的覆盖可以缓冲局部延误。软件许可与部分云伙伴的收入分成是他提出的新增业务方向。访谈中的收入份额、物理 AI 规模和资本开支数字多为其口头陈述或估算，不能直接视作已核实业绩或建设承诺。

黄仁勋以英伟达早期技术路线纠错为例，强调直面现实、快速学习和坚持独特判断；在他看来，公司的核心不是单颗芯片，而是围绕算法域建设加速计算系统。对于当前 AI，他把智能体视为新软件，认为系统思维、精细可控的人机协作和开放生态将成为关键。

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。

在这场发表于 2018 年 1 月的访谈中，黄仁勋将 NVIDIA 定位为 GPU 计算公司：GPU 在 CPU 旁边并行处理信息、加速计算。他回顾，三维图形与游戏兼具极高计算需求和潜在巨大消费市场，使高性能技术能够进入消费级 PC，也为公司扩展到工作站、高性能计算、云和自动驾驶提供规模。他把游戏称为创新与研发规模的引擎，并将大额处理器研发投入的信心归因于 GeForce 用户对下一代产品的需求；这些商业能力与用户规模表述属于他的自述。 他认为，深度学习通过大量数据与计算自行提取特征，推动了视觉、音频和时间序列信息的感知能力；图形技术创造虚拟现实与 AI 理解物理现实之间的联系，也帮助解释 NVIDIA 向 AI 的延伸。机器人和自主机器则被他视为 AI 进入物理世界的方式。自动驾驶虽然是他眼中相对简单的自主机器应用，将驾驶技能写入程序却极难，还必须快速反应，并在故障后继续安全运行。因此，他强调计算系统既要冗余，也要有不同设计，以避免相同缺陷造成共同失效。 谈及落地路径，他区分了限定城市或区域的出行服务、司机仍在车内的固定高速路线卡车，以及全地点、全条件无人驾驶汽车。既有车辆能否改装也取决于车型及传感器配置。他认为出行服务提高使用率后会改变城市与停车空间，但私人拥车仍会长期存在。访谈还涉及他对区块链交易机制普及和加密货币持续使用的乐观判断，以及创业应以真实社会贡献为动机的立场。