视频标题：Jensen Huang: Nvidia's Future, Physical AI, Rise of the Agent, Inference Explosion, AI PR Crisis
视频作者：All-In Podcast
编译：Peggy，BlockBeats
编者按：在 AI 叙事持续升温的当下，市场讨论的焦点，正在从「模型有多强」转向「系统如何落地」。过去两年，行业先后经历了大模型能力突破、训练算力竞赛和生成式应用扩张。但当这些阶段逐渐成为共识，新的问题也随之浮现：当 AI 不再只是回答问题，而是开始执行任务、嵌入企业流程、进入物理世界，支撑它继续向前推进的底层条件究竟是什么？
本文对话摘自知名科技播客 All-In Podcast。作为硅谷最具影响力的投资人播客之一，该节目由四位长期活跃在一线的投资人共同主持，以对科技、商业与宏观趋势的深度讨论著称。
节目四位主持人分别为：
- Jason Calacanis， 早期互联网创业者与天使投资人，因投资 Uber、Robinhood 等公司而广为人知；
- Chamath Palihapitiya， Social Capital 创始人，前 Facebook 高管，曾投资 Slack、Box 等多家科技公司；
- David Sacks， Craft Ventures 合伙人，「PayPal 黑帮」成员之一，创办 Yammer 并以约 12 亿美元出售给 Microsoft，同时也是 Airbnb、Uber 的早期投资人；
- David Friedberg， The Production Board 创始人，专注农业、气候与生命科学领域投资，曾创办 The Climate Corporation（后被 Monsanto 收购）。
本期嘉宾为黄仁勋（Jensen Huang），NVIDIA 联合创始人兼 CEO，被视为当前 AI 基础设施浪潮中最关键的推动者之一。
从左往右依次是 David Friedberg、Chamath Palihapitiya、David Sacks、黄仁勋（Jensen Huang）、Jason Calacanis
整场访谈大致可以概括为三个层次。
首先，是 AI 基础设施正在发生变化。 过去，市场对 AI 的理解，很大程度上建立在更强的 GPU、更多的数据中心之上。但黄仁勋想强调的是，未来的竞争不再只是单一芯片的竞争，而是整套系统的竞争。随着推理需求上升、模型种类增多、agent 开始处理更复杂的任务，AI 计算正在从过去相对单一的模式，转向更复杂、更分工化的系统协作。NVIDIA 也因此试图把自己的角色，从一家芯片公司，进一步推向「AI 工厂」的建设者。
其次，是 AI 正从「生成内容」走向「完成任务」。 这是这场访谈里最关键的一条线索。ChatGPT 让大众第一次直观感受到 AI 的能力，但在黄仁勋看来，真正更大的变化，是 AI 开始以 agent 的形式进入工作流：它不只是回答问题，而是能够调用工具、拆解任务、协同执行，最终把事情真正做完。也正因如此，用户愿意为 AI 付费的对象，也会从「获得一个答案」，逐步转向「获得一个结果」。这背后意味着更大的推理需求、更高的系统复杂度，也意味着软件开发、组织管理和知识工作的方式都可能随之改写。
最后，是 AI 正在从数字世界向现实世界延伸。 访谈中，无论谈到自动驾驶、机器人、医疗、数字生物学，还是黄仁勋口中的 Physical AI，本质上都指向同一个趋势：AI 的价值不只体现在屏幕之内，也将越来越多地体现在工厂、医院、汽车、终端设备和日常生活中。但这也意味着，AI 接下来面对的将不再只是技术挑战，还包括供应链、政策、监管、制造能力与地缘政治等更复杂的现实约束。换句话说，AI 的下一轮扩张，将是一场真正意义上的产业化过程。
从这个角度看，这场对谈最值得关注的，其实不是某个具体产品，或某个乐观数字，而是黄仁勋反复传递的一个判断：AI 正在从「模型时代」走向「系统时代」。未来的竞争，不只是比谁的模型更大、算力更强，而是比谁更懂行业、谁能把 AI 更深地嵌入真实流程、谁能把这些能力组织成一套可运行、可扩展的系统。
这也让本文讨论的对象，超出了 NVIDIA 本身。它真正试图回答的问题是：当 AI 逐渐成为基础设施，下一轮产业重构会如何展开，新的价值又将在哪里形成。
以下为原文内容（为便于阅读理解，原内容有所整编）：
TL;DR
- AI 基础设施正在从「单一 GPU」走向解耦式架构。 不同计算任务将由 GPU、CPU、网络芯片以及 Groq 等推理芯片协同完成。
- NVIDIA 正从一家 GPU 公司，转型为一家提供完整系统的「AI 工厂公司」。 卖的是整套基础设施，而不是单一芯片。
- 衡量 AI 成本的关键，不是数据中心造价，而是 token 成本与吞吐效率。 更贵的系统，反而可能更便宜。
- AI 正从生成式模型走向 Agent 时代。 用户真正愿意为「把事情做完」付费，而不只是获取答案。
- 计算需求正在爆炸式增长。 从生成到推理再到 agent，短时间内可能已扩大 1 万倍以上，且仍在加速。
- 未来软件开发将发生变化。 工程师不再只是写代码，而是定义问题、设计架构、与 agent 协作。
- 长期来看，最大的机会在于垂直领域的深度专门化，而不是通用模型本身。 谁更懂行业，谁更有护城河。
访谈原文
Jason Calacanis（知名天使投资人｜All-In Podcast 主持人｜早期投资 Uber）：
这周是一期特别节目。我们让每周的常规节目「让路」，而这种待遇，我们通常只会给三种人：特朗普总统、耶稣，还有黄仁勋（NVIDIA 的创始人兼 CEO）。至于这三位该怎么排，你们自己决定。你最近这段时间势头太猛了，这次 GTC 也办得非常成功。
黄仁勋（Jensen Huang，英伟达 CEO）：
整个行业都来了。所有科技公司、所有 AI 公司几乎都到了。
Jason Calacanis：
太不可思议了，真的不同凡响。过去一年里最重大的发布之一，就是 Groq。你们收购 Groq 的时候，有没有意识到，这会让 Chamath 变得多么「让人受不了」？
注：Groq 不是 Grok。前者是一家做 AI 推理芯片和推理云的公司，后者则是 xAI 的聊天机器人。2025 年底，Groq 与 NVIDIA 达成一项非独家的推理技术授权协议，官方未披露交易金额；但外界曾有约 170 亿至 200 亿美元的报道与猜测。到 GTC 2026，黄仁勋又进一步展示了基于 Groq 技术整合进 NVIDIA 平台的推理系统。
这里提到的 Chamath，指的是 Chamath Palihapitiya（Social Capital 创始人｜前 Facebook 高管｜All-In 主持人）。他既是 All-In 的四位主持人之一，也曾是 Groq 的早期投资人和董事会成员之一。因此，当 NVIDIA 与 Groq 的重大交易浮出水面后，这也被视为 Chamath 又一次押中了关键项目。
黄仁勋：
我隐约有预感。
Jason Calacanis：
我们每周都得和他打交道。
黄仁勋：
我知道。你们还得陪他熬完整整六周的交割期。
Jason Calacanis：
没错。
从 GPU 公司到「AI 工厂」公司
黄仁勋：
其实，我们很多战略都会提前好几年在 GTC 上公开讲出来。两年半前，我就介绍过 AI 工厂的操作系统，它叫 Dynamo。
你也知道，dynamo 原本是一种装置，是西门子发明的，它能把水的能量转化为电能，推动了上一次工业革命中的工厂体系。所以我觉得，这个名字非常适合作为下一次工业革命中「工厂操作系统」的名称。而在 Dynamo 里面，最核心的技术之一，就是解耦式推理（disaggregated inference）。
Jason Calacanis：
Jensen，我知道你特别懂技术。来吧，你来定义一下。我可不想抢你风头。
黄仁勋：
谢谢。所谓解耦式推理，意思是：推理的整个处理流水线极其复杂，甚至可能是今天最复杂的一类计算问题。
它的规模惊人，里面包含大量不同形式、不同规模的数学计算。我们的想法，是把整个处理流程拆开，让其中一部分运行在某一类 GPU 上，另一部分运行在另一类 GPU 上。进一步讲，这也让我们意识到，也许解耦式计算本身就是合理的方向：我们完全可以让不同类型、不同性质的计算资源协同工作。
同样的思路，后来也引导我们走向了 Mellanox。你看今天，NVIDIA 的计算早已分布在 GPU、CPU、交换机、纵向扩展交换机、横向扩展交换机以及网络处理器之上。现在，我们还要把 Groq 加进来。
我们的目标，就是把合适的工作负载放到合适的芯片上。换句话说，我们已经从一家 GPU 公司，进化成了一家 AI 工厂公司。
David Sacks（Craft Ventures 合伙人｜前 PayPal COO｜All-In 主持人）：
对我来说，这大概是最重要的启发。你现在看到的是一种根本性的「解耦」。过去只有 GPU 这一种选择，而现在开始出现越来越多不同的计算形态，而且这些选择未来都会共存。
你在台上提到一点，我觉得所有做高价值推理的人都应该认真听：你说，数据中心里大约 25% 的空间应该配置给 Groq 的 LPU。
注： LPU 是 Language Processing Unit 的缩写。这是 Groq 提出的一个芯片类别，核心定位不是训练，而是推理
黄仁勋：
是的，在数据中心里，大概可以让 Groq 占 Vera Rubin 系统大约 25% 的比重。
注：Vera Rubin 是 NVIDIA 的下一代 AI 平台架构。它不是单一芯片，而是一套面向 AI 工厂的系统级基础设施平台。
David Sacks：
那你能不能讲讲，行业现在是怎么看这个方向的？本质上，你是在打造下一代的解耦架构：prefill、decode 分离，推理流程被拆分。你觉得大家会如何反应？
黄仁勋：
先退一步来看。我们当时往系统里加入这个能力，是因为整个行业已经从大语言模型处理，转向 Agentic Processing，也就是智能体式处理。
当你运行一个 agent 的时候，它会访问工作记忆、长期记忆、调用工具，这对存储的压力非常大。你还会看到 agent 与 agent 协作。有些 agent 用的是超大模型，有些是小模型；有些是 diffusion 模型，有些是自回归模型。也就是说，在这个数据中心内部，会同时存在各种各样完全不同类型的模型。我们打造 Vera Rubin，就是为了应对这种极度多样化的负载。
所以，过去我们是一家「有一个的机架」的公司，现在又新增了四种机架。换句话说，NVIDIA 的 TAM，也就是可服务市场，一下子扩大了，大约比以前高出 33% 到 50%。
而这新增的 33% 到 50% 里面，很大一部分会是存储处理器，也就是 BlueField；一部分，我个人非常希望是一大部分，会是 Groq 处理器；还有一部分会是 CPU；当然，也会有很多网络处理器。所有这些加在一起，最终都在运行 AI 革命中的那台「新型计算机」，也就是 agents。它就是现代工业的操作系统。
Chamath Palihapitiya（Social Capital 创始人｜前 Facebook 高管｜All-In 主持人）：
那嵌入式应用呢？比如我女儿家里的泰迪熊，如果它想跟她说话，里面装的会是什么？是定制 ASIC 吗？还是说，未来在边缘和嵌入式场景里，会出现一个更广泛的 TAM，不同场景配不同工具？
注：ASIC 指 Application-Specific Integrated Circuit（专用集成电路），TAM 指 Total Addressable Market（总可服务市场）
黄仁勋：
我们认为，这个问题里其实有三台计算机。
第一台，在最大尺度上，是用来训练 AI 模型、开发 AI、创造 AI 的计算机。
第二台，是用来评估 AI 的计算机。比如你看看周围，到处都是机器人、汽车这类东西。你必须先把它们放进一个能够代表物理世界的虚拟环境里进行评估。也就是说，这个软件本身必须遵守物理定律。我们把这个系统叫做 Omniverse。
第三台，是部署在边缘侧的计算机，也就是机器人计算机。它可以是一辆自动驾驶汽车，也可以是一台机器人，甚至可以是一个小小的泰迪熊。
对于泰迪熊这种设备，其中一个非常重要的方向，是我们正在做的：把电信基站变成 AI 基础设施的一部分。这样一来，整个两万亿美元规模的电信产业，未来都会逐步变成 AI 基础设施的延伸。所以，无线电设备会变成边缘设备，工厂会变成边缘设备，仓库也一样。
总之，这三类基础计算机，全部都必不可少。
David Friedberg（The Production Board 创始人｜All-In Podcast 主持人）：
Jensen，去年我就觉得你比全世界都看得更早。你当时说，推理需求的增长不会只是 1000 倍。
黄仁勋：
我是不是把自己给坑了？
David Friedberg：
而是会增长 100 万倍？10 亿倍？对吧？
我觉得那时候很多人都认为这太夸张了，因为当时全世界都还盯着训练扩容。但现在你看，推理已经真正爆发了，而且开始变成「推理受限」。你现在又发布了一座「推理工厂」，吞吐量会比下一代工厂高出 10 倍。
可如果你去看外界的讨论，很多人会说：你的推理工厂要花 400 亿到 500 亿美元，而那些替代方案，例如定制 ASIC、AMD 等等，只要 250 亿到 300 亿美元，所以你会丢掉市场份额。
那你不如直接告诉我们：你到底看到了什么？你怎么看市场份额？这些客户花接近两倍的溢价，到底值不值得？
为什么更贵的系统，反而能生产更便宜的 token？
黄仁勋：
最重要的一点、最核心的一点是：不要把工厂的价格，等同于 token 的价格，也不要把它等同于 token 的成本。
很有可能，而且我可以证明，那座 500 亿美元的工厂，反而能生产出成本最低的 token。原因在于，我们生成这些 token 的效率高得惊人，能高出 10 倍。
你看，500 亿美元和 200 亿美元之间的差额，很多其实只是土地、电力和厂房外壳而已。除此之外，你本来就要买存储、网络、CPU、服务器、散热系统。所以，GPU 本身是原价还是半价，并不会让总成本从 500 亿直接降到 300 亿。你随便取一个自己喜欢的数字吧，更现实一点，可能只是从 500 亿降到 400 亿。
而如果一座 500 亿美元的数据中心，吞吐量却高出 10 倍，那么这点差价其实并不算什么。
Jason Calacanis：明白了。
黄仁勋：
这也是为什么我一直说：即使对很多芯片来说，如果你跟不上技术前沿、跟不上我们推进的速度，那哪怕芯片白送，也还是不够便宜。
David Sacks：
我想问一个更宏观的战略问题。你现在运营着全球最有价值的公司。明年收入可能超过 3500 亿美元，自由现金流 2000 亿美元，而且还在以疯狂的速度复利增长。
你到底是怎么做决策的？你怎么获取信息？大家现在都知道你那套著名的邮件体系，但你真正是怎么形成直觉、塑造市场、决定哪里该重注、哪里该收缩、哪里该进入新领域的？这些信息是怎么传递到你这里的？你又怎么做最终判断？
黄仁勋：
那就是 CEO 的工作。
David Sacks：
对。
黄仁勋：
我们的职责，就是定义愿景、定义战略。当然，我们会从公司里那些杰出的计算机科学家、技术专家，以及无数优秀员工那里得到启发和信息，但最终，塑造未来是我们的责任。
其中一部分判断标准是：这件事是不是难到离谱？如果不够难，我们就应该离它远一点。原因很简单，如果一件事很容易做，那竞争者一定会一大堆。
它是不是一件从未有人做过、而且难到离谱的事情？它是不是恰好又能调动我们公司独有的「超能力」？所以我得去寻找这样一个交汇点：它必须同时符合这些标准。
而且最后你还得知道，做这种事情一定会伴随着大量痛苦和折磨。没有任何伟大的发明，是因为它太简单、第一次就轻松成功。
如果一件事超级难、从来没人做过，那基本就意味着你会经历很多痛苦和磨难。所以你最好享受这个过程。
David Sacks：
你能不能挑三四个更「长尾」的业务讲讲？比如你说的数据中心上太空、ADAS 和汽车，还有生物方向。给我们一点感觉：这些曲线什么时候会开始向上拐点？这些长期业务你怎么看？
注：ADAS 指 Advanced Driver Assistance Systems（高级驾驶辅助系统）
黄仁勋：
当然。Physical AI（物理 AI） 是一个很大的类别。我刚才说过，我们有三种计算系统，以及建立在其上的所有软件平台。Physical AI 是科技行业第一次真正有机会去服务一个 50 万亿美元规模、过去几乎没有被技术深度改造的产业。为了做到这一点，我们必须把全部所需技术重新发明出来。
我一直觉得这是一段 10 年旅程。我们 10 年前就开始了，现在终于看到它开始拐点向上。对我们来说，这已经是一项数十亿美元级业务了，现在的规模已经接近每年 100 亿美元。所以它已经是一个很大的生意，而且还在指数级增长。这是第一点。
第二个方向，我觉得在数字生物学上，我们真的已经非常接近它的 ChatGPT 时刻了。
我们正在逐步学会如何表示和理解基因、蛋白质、细胞。化学物质，我们已经知道怎么处理了。所以，能够表示并理解生物学的基本构件及其动态行为，这件事我认为大概会在两三年到五年内发生。五年之内，我非常相信，数字生物学会对整个医疗健康行业造成巨大冲击。
这些都是非常重要的方向。农业也是其中之一。
Chamath Palihapitiya：
已经开始发生了。
黄仁勋：
毫无疑问。
Jason Calacanis：
我想把话题从数据中心拉回桌面端。公司早期很大程度上就是建立在爱好者、游戏玩家以及显卡用户之上的。你今天在台上、面对大概一万名观众时，提到了 Claude Code、OpenClaw，还有 agent 带来的革命。
尤其是爱好者群体，我们看到现在大量能量和创新其实都在他们那里爆发，很多突破都发生在桌面端。你这次也发布了一台桌面设备，我记得是 Dell 60800？这是一台非常强大的工作站，可以跑本地模型，拥有 750GB 内存。现在 Mac Studio 到处都卖断货了。我们公司现在全面转向 OpenClaw。Friedberg 在用，Chamath 也在用，大家都非常痴迷。
从爱好者开始的这种开源 agent 运动、桌面端开源生态，对你意味着什么？它会走向哪里？
Agent 时代来了：计算需求为什么会再膨胀一万倍
黄仁勋：
首先，退一步看。过去两年，我们其实看到了三次拐点。
第一次是生成式 AI。ChatGPT 把 AI 带入大众视野，让每个人都意识到它的重要性。其实这项技术在 ChatGPT 出现前几个月，就已经清清楚楚地摆在那里了。只是直到 ChatGPT 给它套上了一个人人都能使用的界面，生成式 AI 才真正爆发。
而生成式 AI，正如你所知，会生成 token，既供内部消费，也供外部消费。内部消费，本质上就是「思考」，而这进一步推动了推理的发展。
接着，越来越多接地气、基于真实信息的能力开始出现，让 AI 不再只是回答问题，而是能给出更可靠、更有用的答案。你也开始看到 OpenAI 的收入和商业模式出现拐点式上扬。
然后，第三次拐点一开始其实只在行业内部可见，那就是 Claude Code。这是第一个真正非常有用的 agentic 系统，极具革命性。
但在 Claude Code 之前，这套能力主要只面向企业，很多圈外人根本没见过。直到 OpenClaw 把「AI agent 到底能做什么」带进大众视野。
所以，OpenClaw 在文化层面的重要性就在于：它第一次真正让公众意识到 agent 的能力。
它之所以重要的第二个原因，是因为 OpenClaw 是开放的。
更关键的是，它构造出了一种全新的计算模型，几乎是在重新发明计算本身。它有记忆系统：scratch 是短期记忆，文件系统是长期资源；它有调度能力；可以跑 cron job；可以生成新的 agent；可以分解任务、进行因果推理、解决问题；它还有 I/O 子系统，可以输入、输出、连接 WhatsApp；它还有一套 API，可以运行不同类型的应用，也就是所谓的 skills。
而这四个元素，本质上就定义了一台计算机。所以，我们现在实际上第一次拥有了：个人人工智能计算机。
而且它是开源的，真正开源，几乎可以运行在任何地方。这就是现代计算的蓝图。从某种意义上说，它已经是现代计算的操作系统，而且未来会无处不在。
当然，我们还必须帮它解决一件事：只要你拥有 agentic 软件，它就可能接触敏感信息、执行代码、对外通信。所以我们必须确保：这一切都要受到治理，要足够安全，要有策略约束，让这些 agent 可以拥有三种能力中的两种，但不能同时拥有全部三种。
在治理这一块，我们也做了贡献。Peter Steinberger 今天也在场。我们有很多很棒的工程师在和他合作，帮助把这个系统做得更安全、更稳健，让它既能保护隐私，也能保护安全。
Chamath Palihapitiya：
Jensen，这种范式转移，是不是已经让美国各地过去通过的很多 AI 监管法案开始显得过时了？
很多提案原本都是建立在旧模型上的。你能不能谈谈，这种范式变化有多快地让一大批原有的监管思路失效？现在 AI 监管已经成了美国政治里一个非常热门的话题。
黄仁勋：
这一部分，我们必须始终走在政策制定者前面，你在这方面做得非常好。我们必须主动走到他们面前，告诉他们现在技术发展到了什么阶段，它是什么、又不是什么。它不是生命体，不是外星人，没有意识。它是计算机软件。
还有，我们经常会听到「我们根本完全不理解这项技术」这种说法。但那并不是真的，我们其实已经理解了很多。所以第一，我们必须持续向政策制定者提供真实的信息；不要让末日论和极端主义左右他们理解这项技术的方式。
但与此同时，我们也要承认技术发展很快，不要让政策跑得比技术太远。从国家层面看，我最担心的一点是：美国在 AI 上最大的国家安全风险，不是 AI 本身，而是其他国家都在采用 AI，而我们却因为愤怒、恐惧或者偏执，不愿意让我们的产业和社会去拥抱 AI。
所以，我真正最担心的是：AI 在美国扩散得还不够快。
David Sacks：
再追问一下。如果你坐在 Anthropic 董事会的会议室里，看着他们和「战争部」那场风波，你会怎么想？这其实延续了你刚才说的那一点：人们不知道该如何理解 AI，于是又多了一层怨恨、恐惧和不信任。如果是你，你会建议 Dario 和他的团队做哪些不同的事，来改变今天的结果和公众认知？
黄仁勋：
首先我要说，Anthropic 的技术非常了不起。我们自己就是 Anthropic 技术的重要用户。我非常佩服他们对安全的重视，也非常佩服他们在安全文化上的坚持，以及他们推进这些工作的技术卓越性，真的非常棒。
而且，他们想提醒公众看到这项技术的能力边界，我认为这本身也是好事。只是我们必须意识到，这个世界是有光谱的：提醒是好事，吓唬人就没那么好了。
Jason Calacanis：对。
黄仁勋：因为这项技术对我们来说太重要了。我觉得，预测未来当然可以，但我们需要更审慎一点，也需要更谦逊一点。因为事实上，我们并不能完全预测未来。
如果抛出一些非常极端、非常灾难性的判断，却又没有证据显示这些事真的会发生，那么它造成的伤害，可能比人们想象得更大。
而且现在，我们已经是科技行业的领导者了。以前没人听我们说话，但现在不一样了。技术已经深深嵌入社会结构，是一个极其重要的产业，也和国家安全高度相关。我们的每一句话都很重要。
所以我觉得，我们必须更审慎、更克制、更平衡，也更有思考。
David Friedberg：
我会提名你来做这件事。AI 在美国的民意支持率只有 17%。我们已经看到核能领域发生了什么：我们基本把整个核工业停掉了，结果现在中国在建 100 座裂变反应堆，美国一座都没有。现在我们又开始听到对数据中心的暂停令之类的声音。所以我觉得，我们必须更主动。
不过我想回到你说的公司内部正在发生的 agent 爆发：效率提升、生产率提升。现在很多人都在争论 ROI，对吧？你和我进入今年时，最大的疑问就是：收入会不会出现？收入会不会像智能本身那样扩张？然后我们看到了一个有点像「奥本海默时刻」的事情：Anthropic 在 2 月单月收入达到 50、60 亿美元。
注：「奥本海默时刻」源自曼哈顿计划（二战期间研制原子弹的秘密科研项目）负责人奥本海默。1945 年原子弹首次引爆，象征技术突破与风险并存的临界点，现多用于指代具有不可逆影响的关键技术时刻。
你怎么看接下来的走势？你今天又提到，Blackwell 和 Vera Rubin 在未来几年已经有了万亿美元级别的需求可见性。再加上 Anthropic 和 OpenAI 现在表现出来的势头，你觉得我们是不是已经站上了那条曲线，接下来会看到收入像智能一样加速扩张？
黄仁勋：
我换几个角度回答。你看看台下这个观众群体，Anthropic 和 OpenAI 确实都在这里。但实际上，在场 99% 的东西都是 AI，而且不是 Anthropic，也不是 OpenAI。这背后的原因，就是 AI 本身极其多样化。
我会说，作为一个类别，第二受欢迎的模型其实是开放模型。第一名当然还是 OpenAI、开源权重、开源模型这一整类广义开放生态。第二名是开放模型，而且和第三名之间差距很大。第三名才是 Anthropic。
这就说明了，这里所有 AI 公司加起来的规模有多大，所以首先要认识到这一点。
再说回计算量。当我们从生成式 AI 走向推理时，所需计算量大约提升了 100 倍；当我们从推理走向 agentic 时，计算量很可能又增加了 100 倍。也就是说，短短两年里，计算需求大概增加了 1 万倍。与此同时，人们会为信息付费，但他们真正更愿意付费的，其实是工作成果。
David Friedberg：对。
黄仁勋：
和聊天机器人对话，拿到一个答案，当然很好。帮我做研究，也很棒。但真正让我愿意掏钱的，是它帮我把事做完。而这正是我们现在所在的位置，agentic 系统正在把工作真正完成。它们正在帮助我们的软件工程师把工作完成。
所以你想想，一边是 1 万倍更多的计算，另一边可能已经是 100 倍更多的消费需求。而且，我们甚至还没有真正开始大规模扩张。我们绝对正站在通往 100 万倍增长的路上。
Jason Calacanis：
我觉得这正好可以引到一个问题，你公司有多少人？
黄仁勋：
我们有 4.3 万名员工，大概有 3.8 万是工程师。
Jason Calacanis：
我们在播客里经常讨论一个话题：天哪，我们公司里的 token 使用量正在疯狂增长。甚至有人会问，加入一家公司的时候，「我能分到多少 token 配额」，因为他们想成为高效员工。我记得你在那场长达两个半小时的 keynote 里提过，那场 keynote 真的很长，不过很棒。
黄仁勋：
谢谢。其实本来还能更短一点。
Jason Calacanis：
你提到，给每位工程师的 token 使用额度可能要到 7.5 万美元之类。那是不是意味着，NVIDIA 的工程团队一年要在 token 上花 10 亿、20 亿美元？
黄仁勋：
我们是这么想的。我给你一个思想实验：假设你雇了一位软件工程师或 AI 研究员，年薪 50 万美元，这在我们这里很常见。
到年底我问他：「你今年在 token 上花了多少钱？」如果他说「5000 美元」，那我会直接炸掉，真的。如果一个年薪 50 万美元的工程师，一年消耗的 token 价值连 25 万美元都不到，我会非常警觉。这跟芯片设计师说「我决定只用纸和铅笔，我不需要 CAD 工具」，本质上没有区别。
Jason Calacanis：
这真的是范式转移。你对这些顶级员工的理解，几乎让我想起 MBA 课堂里讲的 LeBron James：他每年花 100 万美元维护自己的身体，所以 41 岁还能继续打。这些顶级知识工作者，为什么不该拥有「超人能力」呢？
黄仁勋：
没错。
Jason Calacanis：
如果我们把这个趋势再往后推两三年，NVIDIA 里这些顶级员工的效率会变成什么样？他们能完成什么？
黄仁勋：
首先，以前那种「这件事太难了」的念头，会消失。「这件事要花太久」，这个念头也会消失。「我们需要很多很多人」，这个念头也会消失。
这就像上一次工业革命里，没有人会说：「这栋楼看起来太重了。」也没有人会说：「那座山太大了。」一切关于「太大、太重、太耗时」的想法，都会被消解掉。
David Sacks：
最后剩下的就只有创造力。你到底能想出什么。
黄仁勋：
完全正确。也就是说，未来的问题会变成：你要怎么和这些 agent 协作。
本质上，这只是一种全新的编程方式。过去我们写代码，未来我们写的会是想法、架构和规格说明；我们会组织团队；我们会定义评估标准，告诉系统什么叫好、什么叫坏、什么样才算优秀结果；我们会与之反复迭代、头脑风暴。
这才是你真正要做的事。我相信，每一位工程师未来都会拥有 100 个 agent。
Jason Calacanis：
回到公关问题。像 David Friedberg 这样的创业者，在 Ohalo 里用你们的技术和 AI，真的在做很实在的事情：提升粮食产量、提高高质量卡路里的供给。Friedberg，你觉得这能把成本降到什么程度？这种愿景会对你们做的事情产生什么影响？
David Friedberg：
我们刚刚做了一个零样本基因组建模，结果成功了。那一刻你真的会惊呆。而且这还是发生在「别人一夜之间替换掉整个企业软件栈」的背景下。
我自己就做了件事：90 分钟里，我把整套软件栈和一大堆工作流全部替换掉了。周日晚上 10 点开始，11 点半前全部跑完、部署完。
我作为 CEO 做完以后，还要求我的所有管理团队成员周末都做同样的练习。到了周一，我们看到的结果就是：结束了。
再说更技术、更科学一点的。我们用 auto research 和一批数据，在 30 分钟里做出了一件事。如果按传统路径，这本来会是一篇 PhD 论文级别的成果，可能要花 7 年，甚至会成为这个领域最受推崇的博士工作之一，足以发表在《Science》上。
结果我们只是在台式电脑上，下载了 GitHub 上的 auto research，把刚拿到的一批数据灌进去，30 分钟就跑出来了。当时所有人的表情都变了。它释放出来的潜力，真的难以置信。
所以我觉得，这种加速度正在以前所未有的方式扩大每个人的可能性。
不过还是回到 auto research 这个点：你怎么看？一个周末、600 行代码，就能做出这样的成果，而且还能在本地运行、处理这么多不同类型的数据集。
这是不是说明，无论算法优化还是硬件优化，我们都还处在极其早期的阶段？
黄仁勋：
OpenClaw 之所以如此惊人，第一，是因为它和大语言模型突破的时间点完美重合，它出现得太准了。
很大程度上，如果不是 Claude、GPT 和 ChatGPT 达到了今天这个水平，Peter 大概也不会做出这个东西。因为模型确实已经好到了一个很高的程度。
第二，它带来了新的能力：让这些模型能够调用我们多年来已经创造出来的工具。比如浏览器、Excel；在芯片设计里，是 Synopsys 和 Cadence；还有 Omniverse、Blender、Autodesk 等等。而且这些工具未来会继续被使用。
现在有些人说，企业 IT 软件行业要被摧毁了。但我给你另一个视角：企业软件行业的规模，过去一直受限于「多少屁股坐在多少座位上」，也就是 seat 的数量。但未来，它会迎来 100 倍更多的 agent。这些 agent 会去敲 SQL，会去敲向量数据库，会去敲 Blender、Photoshop。
原因很简单：第一，这些工具本来就做得很好；第二，这些工具本质上是我们和机器之间的「中介接口」。最终，当工作完成后，结果必须以一种我能控制的方式呈现回来给我。而我知道如何操作这些工具。
所以我希望一切最终都能回到 Synopsys、回到 Cadence，因为那是我可以控制、可以做「确定标准」校验的地方。
注：Synopsys、Cadence 是两家重要的 EDA（电子设计自动化）软件公司，所有芯片公司（NVIDIA、Apple、AMD）基本都依赖它们
AI 的下一个战场：开源、垂直化与全球扩散
David Sacks：
我想问一个关于开源的问题。现在我们有闭源模型，它们很优秀；也有开放权重模型，很多中国模型都令人惊叹，真的非常强。
两天前，可能你那时候正忙着上台，没看到，在一个加密项目 BitTensor 的 Subnet 3 里，有人完成了一次训练任务：他们把一个 40 亿参数的 Llama 模型，完全以分布式方式训练出来了。一群随机的人贡献算力，但他们居然能有状态地管理整次训练过程。我觉得这在技术上非常疯狂，因为参与的人完全是随机分散的。
黄仁勋：
这就像我们这个时代的 Folding@home。
注：Folding@home 是一个让全球志愿者贡献电脑算力，用来做蛋白质模拟和医学研究的分布式计算项目
David Sacks：
没错。所以你怎么看开源的终局？你会不会看到，架构也在去中心化、算力也在去中心化，以此支撑开放权重和彻底开源的路径，从而让 AI 真正广泛可得？
黄仁勋：
我相信，我们根本上同时需要两种东西：第一，模型作为一等公民的商业产品、专有产品；第二，模型作为开源形态存在。
这不是 A 或 B 的关系，而是 A 和 B 都要有。毫无疑问。原因在于，模型首先是一项技术，不是最终产品。模型是一项技术，不是一项服务。
对于绝大多数用户来说，在那个横向层面、在通用智能层面，我其实并不想自己去 fine-tune 一个模型。我更愿意继续用 ChatGPT、用 Claude、用 Gemini、用 X。它们各有个性，这取决于我的心情，也取决于我想解决什么问题。所以这一部分行业会发展得很好，它会非常繁荣。
但是，所有这些行业里的领域知识、专业能力，必须以一种他们自己可控的方式沉淀下来，而那只能来自开放模型。开放模型行业离最前沿已经非常近了。我们也在大力投入。
坦白说，即便开放模型真的追上了前沿，我仍然认为，模型即服务、世界级的商业产品模型，这一层也会继续繁荣发展。
Jason Calacanis：
我们现在投的每一家创业公司，几乎都是先开源，再走向专有化模型。
黄仁勋：
对。而美妙之处就在于：只要你有一个优秀的路由器，第一天、每一天，你都能接到世界上最好的模型。同时，这也给了你时间去降本、去微调、去做专门化。所以你一开始就拥有了世界级能力，然后再慢慢构建自己的护城河。
David Friedberg：
Jensen，我想问一个地缘政治问题。当然，没有人比你更希望美国赢下全球 AI 竞赛。但一年以前，拜登时期那个 diffusion rule，实际上是在阻止美国 AI 技术在全球扩散。
现在新一届政府已经执政一年了。你给它打几分？就 AI 全球扩散这件事来说，我们现在是 A、B 还是 C？什么做得好，什么做得不好？
黄仁勋：
首先，特朗普总统希望美国产业领先，希望美国科技产业领先，希望美国科技产业赢，希望美国技术向全球扩散，希望美国成为世界上最富有的国家。他全都希望实现。
但此时此刻，NVIDIA 在全球第二大市场上，已经把自己原本 95% 的市场份额丢掉了，现在是 0%。特朗普总统希望我们重新拿回这部分。
第一步，就是为那些我们能够销售的公司拿到许可证。很多公司已经提交了申请，我们也替他们申请了许可证，而且商务部长 Lutnick 已经批准了一部分。接下来，我们已经通知中国公司，其中很多已经向我们下了采购订单。所以我们现在正在重新启动供应链，把货发出去。
从更高层面上说，我觉得我们应该承认一件事：当我们拿不到微型电机、稀土矿物时，我们的国家安全就被削弱了；当我们无法掌控自己的通信网络时，国家安全就被削弱了；当我们无法为国家提供可持续能源时，国家安全也被削弱了。这些产业中的每一个，都是我不希望 AI 行业重演的故事。
当我们展望未来，问「美国科技产业、美国 AI 产业真正领先全球的样子是什么」，我们必须诚实地说：AI 模型不可能由美国一家通吃全世界，那种结局本来就没有意义。
但我们完全可以设想：美国技术栈，从芯片到计算系统到平台，被全球广泛采用。世界各地的人可以在这套美国技术栈之上，构建他们自己的 AI、公共 AI、私有 AI，再服务他们的社会。我希望美国技术栈能覆盖全球 90%。我真的希望如此。
否则，如果最终局面变得像太阳能、稀土、磁体、电机、通信设备那样，我会认为那对美国国家安全来说会是一个非常糟糕的结果。
Chamath Palihapitiya：
你现在有多密切地关注全球冲突局势？这让你担忧到什么程度？比如中东可能影响到氦气供应，而氦气对半导体制造是个潜在供应链风险。这些问题让你有多担心？你在这上面投入了多少精力？
注：氦气对半导体制造十分重要，它不仅在光刻与检测等关键环节中难以替代，同时作为不可再生资源，其供应高度集中，主要依赖美国、卡塔尔（中东）和阿尔及利亚（北非）等少数产地。一旦这些上游供应出现扰动，可能直接影响芯片产线的稳定运行。
黄仁勋：
首先，说到中东，我们在那里有 6000 个家庭。公司里有很多伊朗员工，他们的家人还在伊朗。所以，我们在那里有很多家庭。
第一件事就是：他们现在非常焦虑、非常担心、非常害怕。我们一直在想着他们，一直在关注局势变化。他们会得到我们百分之百的支持。也有人问我，鉴于中东当前的局势，我们还会不会继续留在以色列？我的答案是：我们百分之百会留在以色列。我们百分之百支持那里的家庭。我们百分之百会继续留在中东。
也有人问，既然中东局势如此，我们是否还认为那里值得扩展 AI？我的看法是：之所以会有战争，是因为大家都想要一个更稳定的结果。而我相信，战争结束后，中东会比以前更稳定。所以，如果我们在战前就愿意考虑那里，那么战后更应该认真考虑。所以在这个问题上，我也是百分之百投入。
我们有三件事必须做。第一，必须尽快让美国重新工业化，无论是芯片制造厂、计算机制造厂，还是 AI 工厂。
Jason Calacanis：
这方面进展如何？
黄仁勋：
进展非常好。我们之所以能以惊人的速度在亚利桑那、德州、加州推进，就是因为我们得到了中国台湾供应链的战略支持、友谊和帮助。他们真的是我们的战略伙伴。他们值得我们的支持，值得我们的友谊，值得我们的慷慨。他们也正在竭尽全力，帮我们加快制造进程。
第二，我们必须让制造供应链更加多元化。无论是韩国、日本还是欧洲，我们都要把供应链分散开，让它更有韧性。第三，在我们提升多元化与韧性的同时，也必须保持克制，不要施加不必要的压力。
Jason Calacanis：
你是说，要有耐心。
Chamath Palihapitiya：
那氦气呢？很多报告都提到了这个问题。
黄仁勋：
我觉得氦气可能会是个问题。但另一方面，供应链里通常也会有不少缓冲库存，这类系统一般都会留出一定余量。
Jason Calacanis：
你们在自动驾驶上已经取得巨大进展，也发布了重大消息。你们新增了很多合作伙伴，包括 Uber。最近还看到你坐奔驰自动驾驶的视频。你和 Uber 也宣布，将会和很多车厂一起，把更多车部署上路。
我理解你的赌注是：未来会出现一个类似 Android 的开放平台，而你会在其中扮演关键角色，服务几十家汽车厂商；另一边，也许会有像 iOS 一样的封闭体系，比如 Tesla 或 Waymo。
你的战略是怎么想的？这个棋局会怎么展开？因为感觉你既在一些地方合作，又在另一些地方竞争，而且你的堆栈非常深。
黄仁勋：
第一，我们相信，未来一切会移动的东西，终有一天都会完全或部分实现自主化。第二，我们不想自己造自动驾驶汽车，但我们希望赋能全球每一家汽车公司去造自动驾驶汽车。
所以我们打造了三台计算机：训练计算机、仿真计算机、评估计算机，以及车端计算机。我们还开发了全世界最安全的驾驶操作系统。
同时，我们也做出了全球首个具备推理能力的自动驾驶系统。它可以把复杂场景拆解成更简单的场景，再逐一导航通过，就像推理模型一样。这个推理系统叫 Alpamayo，它让我们取得了非常惊人的成果。
我们会做纵向优化，也做横向创新；然后让每一家厂商自己决定。你是只想买我们的一台计算机？像 Elon 和 Tesla，那他们买我们的训练系统；还是你想买训练系统加仿真系统？又或者你想和我们一起把三套都打通，甚至把车端计算机也装进你的车里？
我们的态度一直是，我们想解决问题，但并不坚持只能由我们提供唯一答案。无论你选择以什么方式与我们合作，我们都很高兴。
David Sacks：
顺着这个问题问下去，我觉得这特别有意思。你实际上是在搭一个平台，让一千朵花盛开。但也确实，有些花现在想往下走、往栈底走，试着跟你竞争。Google 有 TPU，Amazon 有 Inferentia 和 Trainium，几乎每个人都在搞自己的「我也能超越 NVIDIA」版本。虽然他们同时也是你的大客户。
你怎么处理这种关系？你觉得长期来看会发生什么？这些产品最终会在整个生态里扮演什么角色？
黄仁勋：
这个问题非常好。
首先，我们是唯一一家真正的 AI 公司。我们自己做基础模型，而且在很多领域都处于最前沿。我们构建从上到下每一层、每一层堆栈。我们也是全世界唯一一家和所有 AI 公司都合作的 AI 公司。
他们从来不会向我展示他们正在做什么，但我总是会清清楚楚地告诉他们我在做什么。所以我们的信心来自一点：我们非常乐于在「谁的技术最好」这件事上竞争。只要我们还能继续高速奔跑，我相信，继续向 NVIDIA 采购，依然会是他们最经济的选择之一。这一点我非常有信心。
第二，我们是唯一一种可以部署在所有云平台上的架构。这带来了根本性的优势。我们也是唯一一种可以从云上拿下来，放到本地机房、汽车里、任何区域，甚至太空中的架构。
所以，我们市场里其实有很大一部分，大约 40% 的业务。如果你没有 CUDA 栈、没有能力提供整座 AI 工厂，客户根本不知道该怎么跟你合作。他们不是想买芯片，他们是在建 AI 基础设施。所以他们需要的是：你带着完整堆栈进来，而我们恰好就有完整堆栈。
所以，令人惊讶的是，如果你看现在，NVIDIA 的市场份额其实还在上升。
David Sacks：
你的意思是，这些公司试了一圈，最后发现「天哪，这事太复杂了」，然后又回来了？所以你的份额才会继续增长？
黄仁勋：
份额增长有几个原因。
第一，我们的推进速度太快了。第二，我们让大家认识到：问题不在于造芯片，而在于造系统，而这个系统极其难造。所以他们和我们的合作规模还在增加。
以 AWS 为例，我记得他们昨天刚宣布，未来几年要买 100 万颗芯片。这是非常大的采购量，而且这还不算他们已经买走的那一大堆。我们当然非常乐意。
另外，过去这几年我们份额增长，还因为现在 Anthropic 来了，Meta 也来了，开放模型的增长更是惊人，而这些都在 NVIDIA 上发生。
所以我们份额上升，一方面是模型数量在增加；另一方面，是这些公司越来越多地从云上走出来，在区域部署、企业场景、行业边缘场景里增长。
而那整块市场，如果你只是做一颗 ASIC，其实非常难切进去。
David Friedberg：
相关地问一句，不深入数字细节，但分析师好像并不相信你。
你说算力可能增长 100 万倍，但市场一致预期却是：你明年增长 30%，后年 20%，到 2029 年，按理说本应是一个爆发式增长的大年却只有 7%。如果你把你的 TAM 套进这些增长数字，其实暗含的意思就是：你的份额会大幅下滑。
那从你看到的未来订单簿来看，有什么迹象会支持这种判断吗？
黄仁勋：
首先，他们根本没有理解 AI 的规模和广度。
David Sacks：
对，我也觉得是这样。
黄仁勋：
大多数人都以为 AI 只是那五家超大云厂商的事情。
Jason Calacanis：
对。
David Sacks：
还有一种「规模越大越难持续增长」的投资正统逻辑。他们得回去给投资银行的风控委员会讲模型，不可能轻易相信「五万亿还能涨到十五万亿」。他们最多愿意给到七万亿，再多他们就接受不了了。
Jason Calacanis：
他们无法想象一家 10 万亿美元市值公司。
David Sacks：
本质上就是一种自保式建模，历史上从没发生过的事情，他们不敢写进去。
黄仁勋：
而且，你必须重新定义你到底在做什么。
最近有人观察说：Jensen，NVIDIA 怎么可能在服务器市场规模上超过 Intel？原因很简单：整个数据中心 CPU 市场，一年大概也就 250 亿美元。而我们，你们也知道，差不多在我们现在坐在这里聊天的这段时间里，就能做到 250 亿美元。
Jason Calacanis：
漂亮。
黄仁勋：
当然，这是玩笑。
Chamath Palihapitiya：
播客里说的都不算正式业绩指引。
黄仁勋：
没错，不算业绩指引。但重点是：你到底能长多大，取决于你到底在造什么。
NVIDIA 不是在造芯片，这是第一点。第二，只造芯片已经不足以解决 AI 基础设施的问题了，这件事太复杂。第三，大多数人对 AI 的理解都太窄了，只局限于他们看到、听到和讨论的那一部分。
OpenAI 非常厉害，它会非常大；Anthropic 也非常厉害，它也会非常大。但 AI 本身会比它们加起来都更大。而我们服务的，正是那一整块更大的部分。
David Sacks：
那你给普通人讲讲「太空数据中心」这个业务吧。和地面上那些大型数据中心相比，该怎么理解？
黄仁勋：
我们已经在太空了。
David Sacks：
普通人该怎么理解这门生意？
黄仁勋：
首先，我们当然应该先把地面上的事情做好，毕竟我们现在人就在地面上。第二，我们也应该为进入太空做好准备。太空里当然有大量能源。问题在于散热。你没法像地面那样依靠传导和对流，所以只能靠辐射散热，而辐射散热需要非常大的表面积。这并不是无法解决的问题，毕竟太空里地方很多，但成本现在仍然很高。不过，我们会去探索。
而且，我们已经在那里了。我们的硬件已经做过抗辐射强化，全球很多卫星里已经在跑 CUDA。它们在做图像、图像处理、AI 影像分析。这种事情本来就应该在太空完成，而不是把所有数据先传回地面，再在地面做图像分析。所以，确实有很多工作应该在太空做。
与此同时，我们也会继续研究：太空里的数据中心到底应该长什么样。这会花很多年。没关系，我时间很多。
机器人、医疗与工作的未来：AI 最终会如何进入现实世界
Jason Calacanis：
我想再追问一下医疗健康。
我们都到了一定年纪，会开始思考寿命和健康寿命。我们看起来都不错，有些人可能更好一点。Jensen，我真不知道你的秘诀是什么。是不是在抗衰？到底什么东西不能吃？这些你得私下告诉我。
那从医疗体系建设的角度看，这个方向会走到哪里？我们到底取得了怎样的进展？
我刚刚还在用 Claude 做分析，看美国这些医疗 billing code 到底是怎么回事。美国花的钱是别人的两倍，结果健康产出好像只有一半。
我大概看下来，有 15% 到 25% 的钱其实都花在第一次全科医生问诊上。说实话，我们都知道，今天一个大语言模型在第一次问诊这件事上，已经能更稳定地做得更好。
那到底还缺什么，才能突破监管，让 AI 真正对整个医疗系统产生实质影响？
黄仁勋：
我们在医疗里主要参与几个方向。
第一是 AI physics，它服务于 AI biology，也就是用 AI 去理解和表示生物学及其行为。这在药物发现里非常重要。
第二是 AI agents，用于辅助诊断这类场景。OpenEvidence 是很好的例子，Hippocratic 也是很好的例子。我非常喜欢和这些公司合作。我真的觉得，agentic 技术会彻底改变我们与医生互动、与医疗体系互动的方式。
第三部分，是 physical AI。
第一部分是 AI physics，用 AI 去预测物理；第二部分，是让 physical AI 理解物理规律，这就可以用在机器人手术上。现在这一块已经非常活跃。未来，在医院里，你接触到的每一台仪器，无论是超声、CT，还是别的任何设备，都会变成 agentic。
你可以把它理解为一个经过安全强化版的 OpenClaw，它会被嵌入到每一台仪器里。所以从很多意义上说，这些设备未来都会直接和病人、护士、医生交互。
Jason Calacanis：
在 AI 武器上我们已经投入了这么多，真希望在 AI 急救员、AI EMT、AI paramedic 上也多投一点，去救人，而不是只会杀人。
这也正好能顺到机器人话题。你们现在已经有几十个合作伙伴。过去十年、甚至二十年，机器人领域经历过一段很奇怪的时期——波士顿动力、Google 收购一堆公司，最后又卖掉、拆出去。大家一度都觉得机器人还远没到真正可用的阶段。
但现在，你、Elon Musk 这些顶级创业者都在押注。Optimus 看起来已经非常惊人了，中国那边也有很多公司进展飞快。那我们离真正把机器人带入生活还有多远？比如机器人厨师、机器人护士、机器人保姆、真正能在现实世界中工作的人形机器人。
尤其是在中国，他们似乎做得和美国一样好，甚至可能更快。根据你看到的合作伙伴进展和技术成熟度，你觉得还要多久？
黄仁勋：
从很大程度上说，机器人这个行业本来就是我们发明出来的，也可以说是美国发明出来的。你也可以说，我们是进场太早了。我们比真正关键的「脑」这个使能技术早了大概五年，于是我们自己先累了、先失去耐心了。
但现在，它真的来了。接下来问题就只剩下：从「高功能存在性证明」到「可接受的商业产品」，还要多久？
技术从来不会超过两到三个周期。两个到三个周期，大概就是 三到五年。就这么多。三到五年内，到处都会是机器人。
我觉得中国非常强，而且是那种不能轻视的强。原因在于，它们的微电子、电机、稀土、磁体，这些恰恰是机器人产业的基础都是世界顶级。所以在很多方面，我们的机器人产业会深度依赖他们的生态和供应链。世界机器人产业都会深度依赖它。
因此，我认为你会看到一些非常快的变化。
Jason Calacanis：
最终会不会是一比一？Elon 似乎觉得，未来会是一个人配一个机器人——70 亿人配 70 亿机器人，80 亿人配 80 亿机器人。
黄仁勋：
我希望比这还多。首先，工厂里会有大量机器人 24 小时不停工作；还会有很多不太移动、但会略微活动的工厂机器人。几乎所有东西最终都会机器人化。
Chamath Palihapitiya：
对我来说，机器人最重要的一点，是它会为每个人解锁经济流动性。
以前，每个人有了一辆车，就能去做很多不同的工作；未来，每个人有了一个机器人，他的机器人就能替他做很多工作。他可以开一个 Etsy 店、一个 Shopify 店，可以借助机器人创造任何他想创造的东西，做很多他一个人原本做不了的事。我觉得机器人最终会成为我们见过的、最能为地球上更多人带来繁荣的一项技术。
黄仁勋：
毫无疑问。现在最简单的现实就是：今天我们已经短缺了数百万劳动力。所以我们其实非常迫切地需要机器人。如果有更多劳动力，所有这些公司都还能增长得更快。
而且你提到的一些事情真的很有意思。有了机器人，我们将拥有「虚拟在场」。比如我在出差时，可以进入家里的机器人身体里，远程操控它，在家里走来走去，遛狗、看看房子怎么样。
Jason Calacanis：
我们马上就得让场地工作人员赶人了。
黄仁勋：
没错。但你想想，真的可以让它在家里随便转转，看看发生了什么，跟狗说说话，跟孩子聊聊天。
David Friedberg：
这某种程度上也像时间旅行。
黄仁勋：
同时，我们也会以光速旅行。显然，我们会先把机器人派过去。我当然不会先把自己送过去，我会先送一个机器人过去，先看看情况。然后再上传我的 AI。
Chamath Palihapitiya：
这几乎是必然的。它会解锁月球，也会解锁火星，使它们成为可殖民目标。而这又意味着几乎无限的资源。从月球把材料运回地球，几乎可以做到接近零能耗，因为你可以利用太阳能加速。所以未来你完全可以在月球上建工厂，为地球制造需要的一切，而机器人正是让这一切成为可能的关键。
黄仁勋：
在那个时代，距离将不再是问题。
David Friedberg：
而且，模型和 agent 赚来的收入越多，我们就越能投资基础设施；基础设施越完善，又会反过来解锁更强的模型和 agent。
Dario 最近在 Dwarkesh 的播客里说，到了 2027、2028 年，模型公司和 agent 公司会拿到数千亿美元收入；到 2030 年，他预计会达到 1 万亿美元。注意，这还不包括基础设施层的 AI 收入。
黄仁勋：
我觉得他已经非常保守了。我相信 Dario 和 Anthropic 的表现会远远超过这个数字，远远超过。
Jason Calacanis：
所以，从 300 亿到 1 万亿？
黄仁勋：
对。而且原因在于，他还没考虑进去的一部分是：我相信，每一家企业软件公司最终都会成为 Anthropic code、Anthropic token、OpenAI token 的增值转售商。这一部分会让他们的 GTM 规模大幅扩张。
David Sacks：
那在这样的世界里，真正剩下的「护城河」是什么？
有些护城河说实话会变得几乎难以逾越。比如你们那个没人怎么讨论、但可能最强的护城河，其实就是 CUDA，它是一个惊人的战略优势。
但未来如果模型本身能够创造出伟大的东西，那下一代模型也可能去颠覆它。那在你看来，这些构建应用层的公司，最重要的差异化到底是什么？
黄仁勋：
深度专门化。
我相信，未来会有通用模型接入软件公司的 agent 系统。其中很多模型会是 Claude 这样的商业模型、专有模型；但其中也会有很多，是这些公司自己训练出来的、面向某个子任务的专业化 sub-agent。
David Sacks：
所以你对创业者的号召就是：去真正理解你的垂直领域。
黄仁勋：
没错。
David Sacks：
理解得比任何人都更深、更好。然后等待这些工具追上你，一旦工具赶上来，你就能把你的知识灌进去。
黄仁勋：
对。你拥有自己的知识，你可以把客户接到你的 agent 上。你越早让 agent 真正连接客户，这个飞轮就会越早开始转，而且会转得非常快。
David Sacks：
这几乎和今天的软件逻辑完全反过来了。今天我们是先做一个软件，再想「什么东西可以泛化」，然后尽可能卖给最多的人，最后再把定制化当附加服务卖出去。
David Friedberg：
然后把客户锁死。
黄仁勋：
而实际上，正如你说的，我们先做一个横向平台。但你看，所有那些全球系统集成商（GSI）和顾问公司，本质上就是专家，他们再把你的横向平台定制成一个垂直解决方案。
Jason Calacanis：
没错。而且从某种程度上说，定制化市场的规模，可能比平台本身还大五六倍。
黄仁勋：
完全正确。所以我认为，这些平台公司本身就有机会成为那个专家，成为那个垂直领域的玩家，成为某个特定领域的真正主人。
Jason Calacanis：
我想给你送上应得的赞美。
我记得三年前你说过一句话：「让你失去工作的人，不会是 AI，而是会用 AI 的人。」现在回头看，我们整场讨论几乎都围绕这一点展开：agent 正在让人类变成「超人」，商业机会在扩大，创业机会在扩大。你其实很早就看得很清楚了。
黄仁勋：
你们太客气了。
Jason Calacanis：
当然，我们也得同时容纳两种想法：第一，确实会有好的发展；第二，也确实会有岗位被替代。然后问题就变成：那些人是否有足够的韧性和决心，去拥抱这些新技术。
比如未来如果 100% 的驾驶工作都被自动化替代，那当然会挽救很多生命，这是件好事；但我们也要承认，美国有 1000 万到 1500 万人是靠这个谋生的。这个变化一定会发生。
黄仁勋：
我认为，工作会改变。比如今天有很多司机。我相信，未来很多司机仍然会坐在车里，只不过不再是负责开车，而是坐在后面或者旁边，变成一种「出行助理」。
因为别忘了，司机最终做的事情，不只是开车。他们会帮你拿行李，帮你处理很多事情，本质上是一种助手角色。
所以我一点也不会惊讶，未来的司机会变成你的 mobility assistant，在车子自动驾驶的同时，帮你处理很多别的事情。
Jason Calacanis：
就像在酒店里那样。
黄仁勋：
对。车自己在开，但他还在帮你协调各种事情。
David Friedberg：
自动驾驶飞机也带来了更多飞行员，并没有把飞行员赶出驾驶舱。虽然自动驾驶已经在飞行里承担了 90% 的工作。
Chamath Palihapitiya：
而且说实话，当车自己在开的时候，那位司机还可以在手机上做一堆别的工作，替你安排各种事情。
黄仁勋：
比如协调、沟通、预订，处理一堆任务。
Chamath Palihapitiya：
整个蛋糕是在变大的。
黄仁勋：
对。所以有一点是明确的：每一份工作都会被改变；有些工作会消失；但与此同时，也会有很多新工作被创造出来。而我想对那些刚走出学校、对 AI 感到焦虑的年轻人说一句：去成为最会用 AI 的那个人。
今天，我们每个人都希望员工能成为真正精通 AI 的人，而且这绝不是一件容易的事。你要知道如何提出需求，但又不能把指令规定得太死；要给 AI 留足够的空间，让它在我们的引导下创新和创造；还要把它带向我们真正想要的结果。这一切都需要一种「艺术」。
David Sacks：
你当年在 Stanford 的时候，给年轻人的那句建议很有名：「我祝你们经历痛苦与磨难。」你还记得吗？
Jason Calacanis：
太经典了。
David Sacks：
那今天呢？如果一个人马上要高中毕业，正站在人生路口，要不要上大学、学什么专业、甚至还要不要读大学，你会怎么建议他们？
黄仁勋：
我仍然相信：深科学、深数学、语言能力都很重要。而且你们也知道，语言本身其实就是 AI 的编程语言，是最终的编程语言。所以说不定，英文专业的人未来反而会最成功。
总之，我的建议是：无论你接受什么样的教育，都要确保自己在使用 AI 这件事上足够专业。
说到工作，我还想补充一件事，我希望每个人都听见。在深度学习革命早期，世界上一位最顶尖的计算机科学家之一、我非常尊敬的人，曾经非常坚定地预测：计算机视觉会彻底消灭放射科医生。他甚至建议所有人，不要进入放射学这个领域。
十年之后，这个预测在一个层面上是 100% 正确的：计算机视觉确实已经被整合进全球所有放射学设备和平台。但令人意外的结果是：放射科医生的人数不仅没有下降，反而增加了，而且需求还在飙升。原因在于，每一份工作都包含两个层面：任务和目的。
放射科医生的任务是看影像，但他们真正的目的，是帮助医生治疗病人、诊断疾病。而由于影像检查现在可以做得更快，所以医院可以做更多扫描，这提升了医疗效率，也让病人更快进入诊疗流程、更快接受治疗。结果就是，医院因为做了更多扫描、服务了更多患者，收入也提高了。
Jason Calacanis：
没错。
黄仁勋：
所以结果反而是正向的。
David Friedberg：
而一个增长更快、生产率更高、也更富有的国家，完全可以在教室里放更多老师，而不是更少老师。
只是你会让每位老师都拥有为教室里每一个学生量身定制课程的能力。这样他们就像「仿生人」一样更强，结果也会更好。
黄仁勋：
每一个学生都会有 AI 辅助，但每一个学生依然都需要优秀的老师。
Jason Calacanis：
太精彩了。Jensen，恭喜你取得这样的成功。这真是一场特别积极、特别振奋的讨论。非常感谢你抽时间来参加。
David Sacks：
你是这个行业所需要的那位掌舵者。
Jason Calacanis：
确实如此。我觉得你应该更大声地去表达 AI 的积极一面。现在外面太多末日论了。
David Sacks：
而且我也觉得，能在取得这么大成功之后，还保持这种谦逊，告诉大家「各位，我们做的本质上还是软件」，这真的很健康。人们需要听到这一点。我们以前也发明过新类别、新产业。我们没必要滑向那种恐慌主义的方向，那没有任何帮助。
Jason Calacanis：
而且，我们是可以自己选择的，对吧？我们有自主权，也有行动能力。我们可以选择怎么使用它。好，各位，下次见。谢谢大家收看这期 All-In 专访。
黄仁勋：
谢谢。
[ 视频链接 ]
