黄仁勋最新访谈：我的底层思维，来自3本书

内容来源：网络信息整理汇编。

责编| 二月

第 9867篇深度好文：5205字 | 12 分钟阅读

思维方式

笔记君说：

最近，黄仁勋做客《纽约时报》埃兹拉·克莱恩的播客，在圣塔克拉拉总部聊了很久。

这场谈话的背景是一场分歧：图灵奖得主杰弗里·辛顿给出AI终结人类文明的概率约10%，Anthropic的达里奥·阿莫代伊和OpenAI的奥特曼都在呼吁政府立安全门槛。

身处产业链最核心位置的英伟达，却表现出一种截然不同的工程师现实主义。

黄仁勋谈到：“我始终认为，仅仅因为摆出一副警报拉响者的姿态，并不意味着你就在履行社会责任。当年杰弗里·辛顿预言‘五年内放射科医生将被完全取代，医学院应当立刻停止招生’，事实证明错得离谱。用毫无严谨科学依据的末日论吓唬年轻人，甚至让他们对接受高等教育失去信心，这种言论没有任何建设性。”

以下是黄仁勋这次访谈内容的精华整理，希望对你有所启发。

一、AI这场工业革命，
值钱的部分在哪？

1.先看这块五层蛋糕，钱在应用层

我常把AI产业比作一块五层蛋糕。

最底层是能源，还有把能源变成算力的芯片，这就是我们说的AI工厂（把电力和芯片组合起来、持续产出智能的算力集群，我更愿意叫它工厂，而不是机房）。

往上一层是基础设施和云服务，再往上是模型层，这里不只是大语言模型，还有物理、化学、生物、机器人、自动驾驶这些专用基础模型。最上面一层也是最关键的，是最直接产生经济价值的应用层。医疗、法律、制造、金融，所有传统行业都是从这一层接入技术红利的。

这是一场要动用工厂才能完成的工业革命。用户摸到的是软件，底下压着的是电和芯片。

从最上面的应用层往下看，事情会走到哪一步？

我的判断是：200年前，电力让我们能驱动机器；三四十年前，互联网让我们能检索信息；接下来，我们会进入一个什么都知道、也什么都能干的阶段。

过去你得一页一页点开链接，自己翻、自己辨、再拼起来。以后你把一个复杂的需求说清楚，云端直接给你一个想周全了的做法；你交代一个工程项目，系统给出能落地的方案，还能自己往下推。知识工作会变成另一个样子。

现在大家对AI的印象还停留在对话框，真正吃劲的地方在工业场景。放射科是个典型例子。过去十年，计算机视觉（让机器看懂图像的技术）成熟之后，AI已经真正走进了绝大多数现代放射科的流程，今天几乎所有影像分析工具里都集成了辅助识别算法，它能以极高且稳定的精度捕捉细微异常。

2.放射科医生没有消失，消失的是读片

外界常用这个例子担忧职业消亡。但要看清楚一件事：工作的核心目标，和实现目标的日常任务，是两回事。

放射科医生的核心目标，是精准诊断病因、协助临床医生制定治疗方案、改善患者预后。而过去大量占掉他们时间的日常任务，是整天坐在暗室里，用肉眼筛查成百上千张切片。

读片这项重复耗时的任务交给算法之后，核心目标没有变。医生可以腾出精力处理更复杂的病例，跟患者和临床团队做更深入的方案推敲。

对医院来说，单位时间内的检测和诊疗吞吐量大幅上升，反而需要配置更多优秀的放射科医生来应对增长的就诊需求。病人对高水平医疗的需求是没有上限的，效率提上去，服务供给反而要变大。

软件工程师的演进逻辑也一样。有人说短期内绝大多数代码都会由自动化Agent生成，程序员群体要消亡了。

这个结论混淆了手段和目的。工程师的灵魂在于工程，不只是手写代码。

现代高级编程语言出现之前，工程学已经存在了几千年。就算写代码这个过程被完全封装自动化，工程的核心使命依然是：发现现实世界的新问题、权衡技术可行性、构思新产品形态。

我刚大学毕业时，行业里根本没有现代意义上的软件工程辅助体系，我们的工作照样扎实存在。把敲代码这种日常任务剥离给工具，只会让工程师更专注在系统架构和价值创造上。

二、就业和开源：两笔被算错的账

1.工作量不是一个固定大小的饼

历史上技术替代人力确实客观存在，今天美国的农业和传统制造业从业人口比例远低于几十年前。

批评者说AI有两个不一样的地方：一是它通用，几乎能平移到任何用脑子的领域；二是它会模仿人的意图，过去那种“资本替掉体力、人往脑力上走”的缓冲垫，这回可能没有了。

我的判断还是：未来主要趋势是工作内容的深层重组，整体会带来新岗位的净增长。

回头看这几十年，现代康养、高端文娱、个性化旅游、现代奢侈品，半个世纪前基本都不存在。一个经济体把基础效率解决之后，一定会自己长出新的服务形态和新的生意。

很多人算这笔账算得太机械。他们把全社会的工作量看成一个大小不变的饼，自动化一进去，需要的工时少了，于是推导出大批人要失业。

这种静态推导忽略了经济运行里最核心的内生变量：人类的野心。这种想过得更好、想往前多走一步、想知道外面是什么的欲望，没法用焦耳或卡路里来量，但它才是让商业和社会不断变大的那股劲。

现存工作的效率一旦释放出来，人的野心马上会去开辟更大的新需求。

对普通人来说，诉求可能就是作息稳定、养家糊口，而Agent能7×24小时连轴转。这个阵痛我承认是有的。但技术进化越快，恰恰意味着它用起来越容易。

计算机刚普及时，它强大，但也难用。想用它的算力，你得先啃下一门难懂的机器语言，C、C++、Fortran或者CUDA（英伟达的并行计算编程平台，让开发者能直接调动GPU做通用计算）。

现在门槛已经抹平了，人人都会说的自然语言就是唯一的接口。你只要能把自己的需求、逻辑和想法用大白话说清楚，背后的算力就能帮你把复杂的工程做出来。过去全球只有一两千万专业程序员拥有的数字化生产力，正在被平等地下放给数十亿普通人。

最划算的做法不是慌着防守，而是尽快把这个低门槛的工具放进自己的工作流，做那个会用杠杆的人。

教育这边的反思我也看到了。有一项跟踪两万多名学生的研究，用了AI辅导之后，作业效率明显提高，但离开工具做闭卷考试时，深度解题的能力往下掉了。

一些底层的机械计算技能退化，是躲不掉的。算盘普及之后，人的心算退化了；计算器普及之后，纸笔运算退化了。换来的是什么？是人可以站到更高的抽象层级上，去处理更宏观的系统级问题。

我年轻时设计的第一款芯片只有几百个晶体管，每一个晶体管的物理特性和连线我都熟。

现在的芯片动辄几百亿、上万亿个晶体管，今天没有一个芯片工程师还在微观层面死磕布线，大家都在调高层级的系统模块和架构逻辑。基础技能剥离出去，年轻一代就能把精力投向高维度的逻辑编排和跨领域整合。

2.开源不是做慈善，是产业的底座

模型层一直有闭源和开源两条路径在竞争。我一直大力支持开源，英伟达最近还以超过120亿美元的估值收购了开源托管社区HuggingFace。

先把话说清楚，闭源是经过历史验证的好生意。微软的Windows、苹果的生态，都是靠封闭、独有的产品体验完成商业闭环。OpenAI、Anthropic、Google在这条路上聚集了一批顶尖科研人才，持续探索前沿性能的边界。

但从产业基础设施的角度看，世界同样离不开开源。AI模型未来会成为每一个国家、每一家大型企业赖以运转的核心底座。

从今年初到现在，产业里算力的调用分布已经明显变了，开源模型占的Token（模型处理文本的最小计费单位）消耗份额正在快速上升。

收购HuggingFace的逻辑就在这里。它的CEO意识到，开源生态的体量在指数级膨胀，平台需要非常庞大的工程底座和算力，才撑得住全球开发者的协作。英伟达作为底层技术平台，需要为全行业开发者提供一个稳定、高效、可扩展的基础枢纽。

开源还是确保全行业网络安全的关键基石。要挡住新型的数字风险，最有效的办法不是指望黑盒算法永远不出错，而是让全球的安全团队都能拿到完全透明的模型底层，有针对性地训练防御和拦截手段。

很多人问，中国在开源生态上为什么表现得格外敏锐。这跟它的产业演进路径关系很大。

从PC互联网到移动互联网，开源软件始终是中国科技生态的核心土壤。人才流动频繁，创业竞争又激烈，团队很难靠捂着一套算法长期建立壁垒，于是大家更愿意快速拥抱开源，在落地和工程效率上见真章。

更关键的是人才基数。中国每年培养出海量优秀的工程师、数学家和计算机专业人才，这批人进到开源社区，自然会形成一个很有生命力的落地飞轮。

三、末日论，既不明智，也不负责任

辛顿多次公开说，AI让人类文明终结的概率大概在10%左右。这个数字没有任何严谨的同行评议文献支撑，也没有经得起推敲的数理模型推演，只是一位知名科学家的个人直觉。但披上权威的外衣之后，它对公众认知的干扰非常大。

回头看辛顿过去公开做的那些行业断言，准确率很成问题。几年前他就断言，深度学习会在极短时间内彻底替代放射科医生，还呼吁社会停止培养新的专业人员。如果当年决策者真信了他这句话，今天全球的医疗体系会面临多大的专业人才断层？

如今这种没有实证依据的末日论又回来了，甚至让很多年轻学生产生很强的虚无感，怀疑接受系统专业教育还有没有价值。靠制造恐慌来吸引眼球，绝不是值得提倡的社会责任。

ScalingLaw（规模法则，模型能力随算力、参数和数据量增长而提升的经验规律）过去确实展现过惊人的准确度，但这不能拿来简单地外推未来。早期那种靠扩大参数量、投喂海量无监督语料的预训练规模法则，边际效应早就开始放缓了。

如果单靠预训练堆算力就能解决所有问题，那过去一年全行业为什么都转向了以思维链和搜索树为代表的第二缩放定律，也就是推理期规模法则（Test-timeScaling，把算力从训练环节挪到回答环节，让模型在给出答案前多推导几步）？这本身就说明，早期那条简单的路遇到了瓶颈。

再看那些炒过头的论调。曾经有人宣称大模型会瞬间摧毁现代企业软件体系，让传统SaaS（软件即服务，按月订阅使用的云端软件）全面灭绝。现实是什么？今天大模型真正产生生产力价值的关键，恰恰在于它学会了稳定调用已有的企业软件工具。

保持敬畏和审慎是对的，但不能因此把普通的软件工程神化了。

软件哪来的自主意志？它消耗的只是电网送过来的电。电源一断，它就是一堆静止的硅片。软件看上去能一直存在，都是工程师给它写了后台驻留、断点续跑的代码，跟生命体那种自我驱动完全是两回事。

今天很多人挂在嘴边的Agent核心动作，派生（Fork，让一个进程复制出子进程）、休眠（Sleep，让进程暂停让出资源）、杀死（Kill，强制结束进程），这些术语从三四十年前多任务操作系统诞生的那一刻起，就被用来定义底层进程状态了。

一个主进程派生出子进程，工程上就叫Fork；一个进程陷入死锁，工程师敲下命令把它Kill掉。过去半个世纪我们一直在处理同一类体系架构工程。

问题在于，很多人脱离了底层运行机制，人为给这些计算机术语涂上一层生物学和玄学的色彩。在我的认知里，大模型不是什么不可触碰的神坛，它就是非常精密的超大规模矩阵运算。如果它真是一团无法被工程化理解和驾驭的黑盒混沌，英伟达根本不可能在它上面建起数十亿美元规模的物理系统。

智能在计算机科学里有非常清晰、朴素、能用代码拆解的定义，由三个环节构成：

感知，准确捕捉并数字化解析物理与虚拟世界的多维输入信息；

推理，将复杂输入情境拆解、抽象为更基础的、更具因果关联的原子级逻辑单元；

规划，针对预设的目标函数，在多重约束条件下推演出一条最优的闭环执行路径。

眼下的文本模型、多Agent协作系统、人形机器人、高级自动驾驶，无一例外都跑在这三个经典工程范式里。这是无数工程师用晶体管、算法架构和训练数据一步一步搭出来的体系，有迹可循，也完全可以用工程手段修正。

四、钱、管制和电力，三笔大账

资本市场上不少声音开始把AI的狂热与2000年前后的互联网泡沫相提并论。

任何新技术周期放到长波段里看，都逃不开供需关系的客观规律。但这一轮供求关系的逆转，接下来两三年内还不太可能出现。

将来某个时间点，算力供给规模确实可能逐步追平、甚至阶段性超出实际业务的消化速度。到那时，市场自然会进入一个资产消化期，也许半年，也许一年。

这正是英伟达现在极力把资源下沉到应用层的核心原因。只有当实体经济，从零售巨头、物流网络、商业银行、药企研发到建筑工程，都能在日常运营中从这项技术里榨出真金白银的生产力回报，底层的重资产算力投资才能形成稳固的商业闭环。

谈到中美AI竞争，业内有个流行说法：美国在大模型前沿能力上领先，中国在行业应用普及和工业场景扩散上执行力更强。

衡量一场工业革命最终成功与否的标准，不在于少数尖端实验室的纸面跑分，而在于全社会的产业扩散深度。

光让少数几家明星公司拥有最强算力是不够的。必须是整个实体产业，包括能源网络、传统制造、交通运输和现代服务业，都能低门槛、高效率地部署和运行这些技术，这个国家的整体经济竞争力才算真正升级。

这也是我对那些过激的末日恐慌叙事深感忧虑的原因。这种无端焦虑最大的坏处，就是让那些本该积极尝试用AI提质增效的实体工业企业停了下来。

当技术被舆论包装成不可预知的风险来源，真正严肃的企业管理层必然会对系统级接入产生迟疑，这实际上是在拖慢产业数字化的进程。

芯片出口管制也是同一个道理，必须站在更长期的国家利益上算大账。美国最根本的战略利益，是确保未来全球的数字商业基础设施，依然深深扎根在美国主导的技术栈上，就像全球贸易依然用美元结算、国际商务广泛使用英语一样。

当你单方面放弃一个体量巨大的海外市场，表面上是限制了对方拿到最新硬件的节奏，实质上也剥夺了本国科技企业赖以维持高强度研发循环的庞大现金流和市场生态。

失去海外市场的反哺，本土半导体产业链的技术再投资能力会被削弱，更麻烦的是，这会逼着全球庞大的开发者群体加速去适配非美的底层生态和标准。

最后回到支撑这块五层蛋糕的最底层：能源。

未来三到五年，为了维持技术迭代的供电连续性，我们确实不得不现实地依靠天然气等传统化石能源来填供给缺口，这是回避不了的物理事实。

但放到十年的周期看，AI不仅不会成为绿色转型的绊脚石，反而正在成为全球清洁能源革命有史以来最强大的商业推手。

超大规模AI工厂对24小时不间断的零碳稳定电力极度渴求。于是历史上第一次出现了这种情况：完全没有政府财政补贴，纯粹基于严肃的商业回报逻辑，数以百亿计的市场化风投资本正在快速涌入先进核能、小型模块化反应堆、地热发电和下一代大容量长时储能技术。

这就像一次复杂的外科手术，身体彻底恢复之前，总要先挨那一下切开的痛。

五、我的底层思维，来自三本书

第一本是约翰·轩尼诗与大卫·帕特森合著的《计算机体系结构：定量研究方法》。

它把原本悬在空中、极度抽象的计算机架构理念，彻底拆成了一整套可以用数学定量建模、用具体工程方法反复验证的精密体系。它教会我怎么用纯粹的工程学思维，去剖析那些看似深不见底的庞大系统难题。

第二本是克莱顿·克里斯坦森的《创新者的窘境》。

它能让你在市场狂热中保持清醒，读懂颠覆性技术的孕育周期和演进节奏，从而建立理性的商业预期。

第三本是阿尔·里斯与杰克·特劳特的《定位》。

很多人把它当成一本营销书，在我看来它是一本深刻的商业战略论著，核心价值在于探讨人的心智怎么认知和过滤外部世界的信息。只有理解了外部世界怎么感知你的企业意图和产品形态，你才学会在纷繁复杂的人性认知中精准锚定战略卡位。

这三本书放在一起，就是我面对这一轮AI狂热时的全部工具箱：把抽象问题拆成可验证的工程问题，看清技术演进的真实节奏，再想明白外界会如何理解你做的事。

*文章为作者独立观点，不代表笔记侠立场。

Agent没有让你少思考，它只是逼着你把思考前置，然后替你做执行。

看地图代替不了行军，只看教程拉不开差距，学AI这件事，最重要的是在自己的真实业务里跑通一遍，把第一份工作台搭出来，把第一个自动化设起来，把第一个十倍效率的场景落在自己公司身上。

这正是我们做笔记侠AI十倍增长营的原因。

不讲概念，不聊趋势，就带着企业家和创业者，把AI从“听说过”变成“用得上”，从“用得上”变成“用得好”。每一个模块都对着真实业务场景练，每一个产出都能带回公司直接用。

笔记侠AI十倍增长营03期即将开课，席位有限，欢迎扫码了解详情。