黄仁勋以及英伟达的启发。

关于英伟达为什么能够成功，我有两点体会。第一点启发：在小赛道上打造独特优势，耐心等待爆发点。做显卡起家的英伟达，最初其实走了一条小赛道。显卡只是电脑硬件中的一个辅助组件，市场空间有限，与当时的巨头英特尔或AMD所涉及的CPU赛道不能相比。在CPU这个广阔的领域，英特尔已经建立了不可撼动的绝对优势，跟它竞争无异于自讨苦吃。因此，黄仁勋选择了显卡市场，一个相对小众且竞争压力较小的赛道。黄仁勋后来说：“直到今天，我们都不会与英特尔正面竞争。每当他们逼近我们时，我就会迅速撤退。”

尽管这条赛道相对狭窄，但英伟达却选择在这个小市场中深耕，将显卡做到极致。英伟达不断改进技术，提升显卡的主频，研发更先进的架构，增加处理器数量，让渲染管线更多、更深、更高效，一步步构建了他们在显卡领域的护城河。这还不够，更关键的是，黄仁勋一直有个理念：时刻想要为自己的产品找到更大、更广阔的应用市场。英伟达在设计上的一次次改进，甚至是不惜代价的改进，都是为了这一步做准备。例如，他们把固定功能的渲染管线改成了统一流处理器架构，这让他们的GPU具备了处理多种类型计算任务的能力。此外，英伟达不惜重金投入软件生态的开发，在没有找到明确应用对象的情况下，推出了CUDA平台，一个为潜在应用开发者提供便利的编程环境。

在英伟达支付了这一切“前置成本”后，它迎来了人工智能这个风口。当深度学习的科学家们发现，英伟达的GPU的并行计算能力完美契合深度神经网络训练需求，而CUDA的开发环境让他们很容易使用英伟达的GPU完成自己的工作。这一切让研究人员几乎别无选择，只能选择英伟达的工具。一旦行业普遍接受某种生态，便几乎无从替换。今天，要挑战英伟达的行业地位，对手不仅要有比英伟达算力更高的芯片，还需要打造出一个能够撼动CUDA生态的替代方案。这种生态优势让英伟达进一步巩固了自己的护城河。

这个策略对于个人发展也有所启发。我们经常说“卷”。所谓卷就是在某一个赛道上，按照既定标准，和无数人争夺同样的资源和机会。比如大学选专业选热门，学习中都追求高GPA保研，毕业后都盯着大厂或考公。

但传统“热门赛道”往往伴随最激烈的竞争，而且这些热门很可能在未来发生变化。如果选择这些赛道的原因只是追随潮流，而非出于个人兴趣与优势，那么竞争力往往不高。英伟达也很卷，但是它没有在当时最热，也是当时最重要的CPU这个赛道上去卷，因为这个赛道上已经有了英特尔这样的庞然大物。英伟达是在显卡这个小的赛道上去卷，这个赛道上，英伟达有着天然的基因和独特的优势。

所以，我们是否可以学一下英伟达的思路呢？在选择赛道时，不一定追逐热门，而是找到一个自己感兴趣且具备独特天赋的小领域。在这一领域不断提升自己，建立属于自己的护城河。此外，英伟达在显卡这条赛道上狂奔时，一直在实践让自己打造的产品能够延伸到更广的领域，正是这种战略眼光，帮助它抓住了深度学习的风口。

这给我们的启发是，当我们在自己喜欢和擅长的道路上埋头赶路时，不要忘了“抬头看天”，需要像英伟达那样，努力让自己的能力具备更强的“泛化性”，培养自己的底层、可迁移的能力，并且向外探索能力可以延展的新方向。一旦风口来临，就可以凭借长期积累的专注与洞察，把握住机会，实现快速突破。

第二个启发，叫做“第一性原理”。第一性原理（The first principle）这个词，最近几年因马斯克而火。我理解它的含义，就是从数学或物理学的本质出发，用更基础、更本质的方式理解并解决问题。例如，马斯克有一次针对电动车的电池价格进行的思考是这样的。市面电池都很贵，但回到本质，电池硬成本是什么？答案是金属材料——铁、镍、铝等。除了原材料价格无法削减，其余成本都来自工艺流程、供应链等。所以通过优化生产工艺，电池价格理论上可以逼近原材料价格。这种从本质出发的分析，正是“第一性原理”的典型应用。

要想真正理解第一性原理，我们还必须搞清楚与其对应的思维模式，马斯克将其称为“类比推理”，而我认为更准确地应该叫“数据驱动原理”。就是从历史数据中获取经验解决问题。比如，遇到问题时，考察类似问题历史上如何解决，找到最佳方案借鉴。这种思维方式与人工智能的基础理念非常相似，即通过训练数据总结出解决方案。但卓越创新往往不能靠数据驱动来解决。因为真正的创新要么是别人没干过的，要么是别人干过但没干成的，都缺乏历史数据。这时就需要第一性原理，从问题本质出发推理。在英伟达的很多关键节点上，黄仁勋都选择了第一性原理来做决策。

第一个重要决策，发生在英伟达早期阶段的并行计算架构选择上。我们当时说过，为了应对图形渲染越来越高的需求，英伟达团队提出了并行架构方案，即通过增加渲染管线的方法来解决问题。这种架构和当时主流不同。当时显卡行业领头羊3dfx的方案是增加芯片，通过配置多个芯片来提高显卡性能。

这种架构能走得通吗？按照“数据驱动原理”，得出的结论就会是，英伟达方案有问题——因为硅谷遍布并行计算公司失败例子，而3dfx方案已被市场证明。黄仁勋一开始就是这样思考的，但后来，他按照“第一性原理”来进行推断，就得到了不一样的结论。

他的思考方式是这样的：游戏设计师不会满足于仅有两个独立的像素管线。随着射击游戏日益复杂，他总会想要更多。想象一下，一个场景中有很多光源：灯光璀璨的竞技场、多把枪支同时开火、远处一艘宇宙飞船坠毁，还有一个双太阳照耀的世界。如果3dfx为每个光源都专门设计一块芯片，最终电路板上将满满当当。要适应未来，唯一方法是在单块芯片上增加管线。结果证明英伟达选择正确。第二次运用第一性原理，在于显卡是否会被CPU取代。我们在之前也提到过，在20世纪末，芯片性能提升主要靠提高CPU主频，英特尔是坚定支持者。按数据驱动原理思考的话，CPU性能每年大幅提升，显卡会被取代。

但英伟达的尼科尔斯从物理学角度分析：当晶体管缩小到仅100个原子宽度时，电流会泄漏，造成速度下降。CPU提升将面临极大瓶颈。这让英伟达确信并行计算是未来方向，也成为英伟达坚持GPU架构创新的最重要推动力。

第三次运用第一性原理，是黄仁勋决定梭哈深度学习的时候。当得知辛顿博士的深度神经网络解决了计算机视觉问题后，黄仁勋提出了一个关键问题：“还有哪些领域可以应用这种技术？”辛顿博士取得的突破，主要体现在利用深度神经网络解决了图片分类的难题。从数学本质上来看，一个神经网络就是一个函数，函数有输入，就是图片，有输出，就是该图片的分类，比如是猫还是狗。而黄仁勋用第一性原理意识到：许多领域本质都可归结为寻找函数。比如机器翻译是输入原文而输出译文的函数，语音识别是输入声音而输出文字的函数。基于此，黄仁勋断定：既然深度神经网络本质是找函数，这种方法就能扩展到其他领域。从计算机视觉到语音识别、自然语言处理、医疗诊断等，深度神经网络都可能成为基础工具，而他可以通过自己的GPU占据必要的硬件市场。他立刻宣告举全公司之力投入深度神经网络赛道。注意，如果黄仁勋按照“数据驱动原理”来思考深度神经网络还能做什么，就不能得到正确答案。因为深度神经网络在当时还没有在其他的领域取得完全成功，所以根本没有“历史数据”。

而后续也验证了黄仁勋的眼光。英伟达的技术专家戴维·柯克说，黄仁勋是首位发现人工智能潜力的人，真的是首位。