10月6日，在纽约Casa Cipriani举行的Citadel Securities“2025年全球市场未来”会议上，英伟达创始人兼首席执行官黄仁勋（Jensen Huang）与红杉资本合伙人康斯坦丁·布勒（Konstantine Buhler）就人工智能及下一个增长前沿展开了对话。
黄仁勋表示，英伟达在1993年创立时，就预见到通用计算（CPU）的局限性以及摩尔定律终将失效，从而确立了“加速计算”的战略方向。公司不仅发明了新技术，还同步打造了现代3D游戏这一巨大市场，成功破解了“先有鸡还是先有蛋”的困境。
进入AI时代后，英伟达通过“CUDA Everywhere”策略，将CUDA推广至全球科研界。2011至2012年，随着与杰弗里·辛顿（Geoffrey Hinton）、吴恩达等研究人员的合作，并提供cuDNN等关键使能技术，英伟达加速了ImageNet等竞赛的突破。基于“深度学习是一种通用函数逼近器”的洞察，英伟达做出了彻底重塑整个计算堆栈的重大战略决策——将AI深度集成到所有芯片、系统和软件中，由此奠定了其在AI革命中的核心地位。
2016年，英伟达推出全球首台AI超级计算机DGX-1（首个客户为OpenAI），正式进军超大规模计算领域。其成功的核心在于“全栈协同设计”：同时设计并集成整套基础设施（包括网络、CPU、GPU），并运行统一的软件栈。这种高度集成的架构使英伟达突破了摩尔定律的限制，实现每代产品约10倍的性能跃升，为客户带来极高的能效比，显著提升AI工厂的收入产出。
- 数字劳动力（Agentic AI）：即AI软件工程师、AI律师等“数字人”，作为能够主动执行任务的 AI 智能体参与企业运营；
- 物理AI（机器人技术）：由通用AI驱动的多种“具身”机器人，包括自动驾驶汽车、人形机器人等。
他总结道，未来计算的本质将是100%生成式——所有内容都将由智能实时生成。而要支撑机器人（需训练、仿真、运行三类计算机）和生成式范式，AI工厂已成为不可或缺的基础设施。当前，这一市场需求正处于数万亿美元规模的爆发初期。
对话摘要
- 英伟达的底层逻辑：从第一性原理出发：黄仁勋创立英伟达时，并未追随当时主流的CPU和摩尔定律路径，而是预见到通用计算终将遇到物理极限。他认为，解决复杂问题需要专用加速器，而计算的未来不是“更快的通用芯片”，而是“更聪明的协同架构”。这一判断贯穿英伟达30年发展——从图形芯片到AI基础设施，始终围绕“加速计算”这一原点展开。
- CUDA不是技术，而是一场生态革命：很多人以为英伟达靠GPU取胜，但黄仁勋强调，真正的突破是构建了完整的计算生态。CUDA不仅让GPU能做通用计算，更通过cuDNN、cuLitho等350多个垂直优化库，深入AI、光刻、数据分析等领域。这使英伟达成为继x86和ARM之后，全球第三个被广泛采用的计算平台——不是靠单点技术，而是靠“软件+硬件+开发者”的飞轮。
- AI爆发是“种出来的”，不是“撞上的”：2012年AlexNet的成功常被看作AI转折点，但黄仁勋指出，这是英伟达多年“播种”的结果。早在深度学习复兴前，他就推动“CUDA Everywhere”战略，把GPU送进全球高校实验室。当Hinton、吴恩达等人尝试用GPU训练神经网络时，英伟达已准备好cuDNN等工具，让突破成为可能。AI革命不是偶然，而是基础设施先行的必然。
- 英伟达已不再是芯片公司，而是“AI工厂”建造商：今天的英伟达卖的不是一块GPU，而是一座完整的AI工厂：从GPU、CPU、网络交换机，到电力管理、软件栈和仿真系统（Omniverse），全部由英伟达进行端到端集成与构建。客户只需提供一块地、电力和需求，英伟达就能交付一台“会赚钱的机器”——因为单位能耗下的AI吞吐量直接决定客户收入。这种全栈能力，让英伟达每年性能提升10倍，远超摩尔定律。
- AI的真正价值：从工具到“数字劳动力”：过去软件是工具，AI则是“能动的员工”。黄仁勋举例：英伟达内部100%工程师使用Cursor等AI编程助手，Meta靠AI重建广告系统挽回万亿美元市值。未来企业将由人类与AI代理（如数字律师、会计师、软件工程师）共同组成。这些AI不是被动响应，而是主动思考、生成、执行——它们需要“入职培训”（微调）、“绩效评估”，甚至由IT部门担任“数字HR”。
- 物理AI：机器人是AI的自然延伸：认知AI（如大模型）和物理AI（如机器人）本质是同一智能在不同载体上的体现。自动驾驶汽车是一个“数字司机”，机械臂则是“数字工人”。关键在于：它们都需要在虚拟世界（Omniverse）中完成万亿次安全训练，再进入现实。Omniverse因此不是游戏引擎，而是物理AI的“训练母体”，被严重低估却至关重要。
- 主权AI与全球技术格局：各国正加快建设本土AI能力，并非为了取代全球模型，而是确保数据主权和国家智能安全。黄仁勋支持这一趋势，认为“没有国家应外包自己的智能”。同时，他强调，中国拥有全球约50%的AI研究人员，若因出口限制导致他们无法基于美国技术（如CUDA）开发AI，将损害美国技术生态的全球主导地位——因为“赢得开发者，才能赢得未来平台”。
- 计算的终局：从检索到生成：传统计算是“你查，它给”——基于存储和检索；而AI计算是“你问，它创”——实时生成答案、图像、代码甚至视频。Perplexity、Sora等产品已展现这一范式：所有内容都是即时创作，而非预先存在。这意味着未来的计算机不再是工具，而是一个能协作、会创作的“数字伙伴”。
- AI安全：靠“AI守卫AI”：不能指望AI天生安全。黄仁勋认为，AI安全将像网络安全一样，依赖社区协作和大量专用“守卫AI”实时监控。未来每个生产型AI都会被成百上千个安全AI包围——在数字世界，安全人力比值可能反转：1个普通人配100个AI保安。
- 给投资者的忠告：关注“单位能耗产出”：华尔街还在看芯片销量，但真正决定客户收入的是“每瓦电力能生成多少Token”。在数据中心电力上限（如1GW）固定的前提下，能效就是利润。这也是为什么超大规模企业持续追加AI投资——不是为技术本身，而是因为AI工厂能直接带来收入增长。
对话全文
Konstantine：早上好，各位。我是康斯坦丁·布勒，红杉资本的合伙人，专注于人工智能投资。英伟达和城堡证券实际上有很多共同点。它们都是卓越的企业，运营良好，领导者非常杰出。它们的运营非常出色。它们都由计算革命驱动，并且都是各自行业中拥有技术的领导者。还有另一个鲜为人知的事实。在这两种情况下，他们的第一个外部投资者都是红杉资本。金额是100万美元。
黄仁勋：他们在1993年向英伟达投资了100万美元。
Konstantine：你值这个价。
黄仁勋：整整100万美元。完全是孤注一掷。
Konstantine：在城堡证券的投资稍微多一点。所以当被邀请在本次会议上谈论人工智能时，谁是世界上最适合发言的人选，这非常清楚。正是他为人工智能革命构建了整个基础设施，所有这些人工智能都建立在其之上，也是他打造了世界上最有价值的公司。请和我一起欢迎黄仁勋。这样醒来真好。你已经工作好几个小时了。
黄仁勋：是的，我有。
Konstantine：那么黄仁勋，我们这里有一屋子的机构投资者，他们都是世界上最顶尖的。他们管理着数万亿的资产管理规模（AUM），并且他们一直在寻找优势。你是一个总是拥有优势的人。在我们的每一次对话中，你都对未来的发展方向有着令人信服的见解。在接下来的60分钟里，我们有一个雄心勃勃的议程，涵盖从英伟达的最初阶段到它崛起为人工智能革命中心的优势故事，然后我们将把大部分时间花在英伟达和人工智能的未来发展上。好的。那么让我们从头开始。那是1993年。你30岁。
Konstantine：是什么洞察力让你拥有了创立英伟达的优势？
黄仁勋：我们当时正经历着个人电脑革命和CPU的革命。这是摩尔定律的时代。那时集成微处理器，英特尔，摩尔定律，晶体管的缩放定律，是热门话题，几乎是硅谷和计算机行业所有投资资金的流向。我们观察到了一些不同的东西。我们认为，CPU的优势之一是通用性，但通用技术的一个根本问题是，它们往往不擅长，或者说不极其擅长解决非常困难的问题。
因此，我们总结了两点。第一，我们观察到，有些问题可以通过更具领域针对性、更具目的性的加速器来解决，而解决这些问题可能很有意义。第二，我们观察到，通用技术，即这些晶体管的缩小，最终会达到极限。你可以不断缩小晶体管的尺寸，并使用这种技术进行扩展，这种想法是一组被称为登纳德缩放的启发式方法。登纳德缩放以及米德和康韦提出了摩尔定律背后真正基本原则。如果你回顾那些原则，你会发现缩小晶体管的尺寸是有限度的。并且在某一天，你会得到递减的回报。而且存在大量的计算问题。我们相信我们能够解决的计算问题在规模上几乎是无限的。因此总有一天，会出现一种新型的计算方法。因此，我们公司专注于利用这种被称为加速计算的技术来增强、补充通用计算。
Konstantine：这就是我们最初的观察。
黄仁勋：您之前说过英伟达总是走在时代前沿。通常，如果你从第一性原理出发来思考问题，当前运作良好的事物，如果你能从第一性原理出发来思考它，并问问自己，这个第一性原理是建立在什么基础之上的，以及随着时间的推移，它会如何变化，那么你就有希望看到未来的发展趋势。
Konstantine：所以，当你们制造图形加速器时，你们是最早入局者，但随后涌现了数百家其他竞争对手。你们最终赢得了那个市场。在2000年代初期，你说，嘿，这项技术或许能够实现通用化。你在说CPU的通用化。也许GPU也可以通用化，以进行更多的处理。让我们来谈谈CUDA。它是如何产生的？你从哪里得到这个洞察力的？故事是说它来自研究人员。
黄仁勋：你是如何阅读他们的工作并得出结论，认为GPU可以作为通用计算设备的？首先，英伟达之所以难以建立，是因为我们必须发明一项新技术并创造一个市场。当时，在1993年，为了创建一个新的计算平台，你需要一个大型市场。当时，Silicon Graphics正在进行3D图形处理。
Konstantine：市场太小，无法支持一个新的计算平台。
黄仁勋：因此，如果我们想创建一个新的计算架构，我们需要一个大型市场，而这个大型市场并不存在，因为该架构并不存在。
Konstantine：你遇到了先有鸡还是先有蛋的问题。
黄仁勋：因此，英伟达擅长的领域，以及现代3D图形视频游戏市场，我们做出了巨大的贡献。因此，当时红杉资本对英伟达的融资原则的主要问题是，我们必须同时发明技术和市场。
Konstantine：而这种情况发生的概率大约是0%。
黄仁勋：我还记得我当时阐述这个故事时说，唐·瓦伦丁当时常说，詹森，你的应用在哪里？你的杀手级应用在哪里？我说，有一家叫艺电的公司。但我没意识到唐刚刚投资了艺电。我说，艺电，他们将会创造，我们将帮助他们创造3D图形游戏，并且我们将创造这个市场。他说，你知道吗，詹森，我想让你知道我们投资了艺电，他们的首席技术官才14岁，而且工作非常努力，而你告诉我那是你的杀手级应用。所以无论如何，我们创造了现代3D图形游戏生态系统，而且正如你所知，它是世界上最大的娱乐产业之一。
3D图形学的根本问题基本上是模拟现实。如果你回到第一性原理，它所做的事情就是试图重现现实。而重现照片般逼真的图像和动态世界的根本，也就是其数学原理，从根本上来说是物理模拟。因此线性代数显然非常重要，我们意识到了这个概念。所以问题是，如何将通用目的的东西引入到非常专业化的东西中？这就是我们公司伟大的发明。我们发明了这项技术，我们发明了市场，我们还发明了让我们能够系统地从一个非常垂直的聚焦行业发展到最终变得越来越通用的途径。
Konstantine：这种情况很少发生，而且这条道路很难走，但我不想占用剩下的时间来解释它，但我认为CUDA的发明一部分是技术的发明，即对我们如何推广我们的GPU的观察。
黄仁勋：但很多是关于新产品的发明，如何将其推向市场，新策略的发明，如何让市场接受它，以及发明本质上能够最终创造飞轮效应的生态系统，从而使计算平台得以实现。所以我们发明了所有这些东西，它们都是全新的。
Konstantine：如果你回溯，退一步，问问自己，除了ARM和x86之外，世界上还有什么几乎每个人都在使用的计算平台？
黄仁勋：不存在。
Konstantine：因此，发明一种新的计算平台很少发生，而在我们的例子中，这花了我们近30年。所以你能够将这种非常专业、极高性能的加速设备通用化，以便世界各地的研究人员和学者能够更快地运行他们的处理程序。他们所面临的摩尔定律的限制突然得到了极大的缓解。
Konstantine： 现在让我们跳到2010年代初。当时，深度学习还算是一种学术上的退潮期。神经网络的概念经历了一个寒冬阶段。然后在2012年，AlexNet在计算机视觉方面取得了突破，而这一切都在NVIDIA GPU上加速。那是你意识到这场人工智能革命即将成为现实的时刻吗？如果是这样，你是如何利用它的？是什么优势让英伟达成为这场革命的中心？
黄仁勋：是的，有两个偶然的时刻，然后还有一个是关于深度学习的绝佳的第一性原理观察。偶然性始于我当时试图解决计算机视觉问题，我们想出于很多不同的原因解决计算机视觉问题，无论如何，我们都想解决计算机视觉问题。而计算机视觉非常脆弱，很难推广，是大量技巧的集合，我真的非常讨厌这个行业的发展方式，并且对进展感到非常沮丧。与此同时，我们普及架构的主要策略之一是让高等教育的科学家使用我们的平台，使用CUDA。所以我从地震处理、分子动力学、粒子物理学、量子化学入手。我带着英伟达和CUDA到处跑，实际上公司里有一个名为CUDA Everywhere的战略，意思是黄仁勋把CUDA带到世界各地。我因此走访了各地的大学，与研究人员会面，将CUDA引入高等教育和研究人员的这项举措，促使一些研究人员在2012年、2011年与我们联系，当时杰夫·辛顿试图解决计算机视觉问题，吴恩达试图解决计算机视觉问题，杨立昆试图解决计算机视觉问题，因为当时有一场名为ImageNet的竞赛即将开始，由李飞飞负责，我也试图解决计算机视觉问题。
Konstantine：所以当你自然而然地试图解决一个问题时，这些有趣的人都在解决类似的问题，他们会引起你的注意，这就是机缘巧合。
黄仁勋：伟大的观察之处在于，我们可以为他们创造一种新型的求解器，叫做cuDNN，有点像在存储计算的续集，我们发明了cuDNN，如果可以这么说，它就是网络内计算。这种计算方式，这个叫做cuDNN的库，使得他们所有人都能够成功地使用CUDA。但关键在于，我看到了和其他人一样的结果，每个人都看到了计算机视觉效果的巨大飞跃。
Konstantine：但我们更进一步的地方在于，我们思考了，既然它在计算机视觉方面如此出色，为什么，它还能擅长什么？
黄仁勋：并且深度神经网络具有极深的能力，这意味着因为每一层都独立于其他层进行训练，而且你可以从损失函数反向传播到它的输入，你几乎可以学习任何函数，我们得出的结论是这是一个通用的函数逼近器。如果我们能再加入状态，也就是，你知道的，CNN有点像一个二维、多维的模式识别器，然后RNNs在其中给你一个状态机，LSTM给你一个更好的状态机，然后 formers给你最终的状态机。因此，如果我们有一个能够学习几乎任何函数的通用函数逼近器，那么问题是它可以解决什么问题？现在，你反过来问这个问题，我们得出的结论是，我们想要解决的大部分问题都可以有一个深度学习组件。所以我们决定，我们该如何思考深度学习在未来10年、20年后的发展方向？我们分解了计算问题，并且得出的结论是，每一个芯片、每一个系统、每一个软件、计算堆栈的每一层都可以被重新发明。
Konstantine：决定去追求它可能是在历史上做出的更好的决定之一。当时我在斯坦福做人工智能研究，而主要的限制始终是计算能力。我们拥有的集群数量有限，无法运行这些算法，而英伟达的加入不仅缓解了计算压力，还通过CUDA基础设施使其成为可能。这很大程度上是你们的历史。你们使越来越多的计算成为可能。在2016年，你们非常著名地创建了世界上第一个人工智能工厂，DGX-1。在GTC上，你们实际上亲手将其交付给OpenAI的埃隆·马斯克。我制造了这台全新的计算机，它看起来和世界上任何东西都不一样。
黄仁勋： 它的工作方式也和世界上任何东西都不一样。我记得在GTC上宣布它时，观众的反应简直就像这样。没有人知道我在说什么。那是个玩笑。结果掌声寥寥无几。所以我宣布了这件事，大家都说，嗯哼。确实在那次GTC上，我邀请了埃隆来谈谈，我们俩都在研究自动驾驶汽车。然后他上台，他说，黄仁勋，那是什么电脑？我说，DGX-1。我为了这个原因制造了它。他说，我能用一个。
我终于拿到了一份采购订单。然后他说，是的，我有个非营利组织。我说，当你创造全新的东西时，你最不想听到的就是你的第一个客户是非营利组织。所以无论如何，我交付了，我是送电脑的家伙。我把这台电脑送到了旧金山，那家公司是OpenAI。这是一个非常盈利的非营利组织，或者说是有收入规模的非营利组织。我们已经合作很久了。从那以后，每个模型都是基于英伟达构建的，是的。
Konstantine：实际上，当黄仁勋谈论计算机时，我们说的是一个庞大的设备。英伟达的GPU，当他们说我们的GPU时，人们想象的是小型的GPU。我们的GPU，一个GPU现在是机架规模的。
黄仁勋：它重2吨，12万瓦，大约300万美元。那是一个GPU。我们也销售较小的GPU，比如杰夫·辛顿使用的那些。大约1000美元、500美元，可以插入你的PC。你可以用它来玩电子游戏，或者做AI，以及诸如此类的事情。
但我们也有更大的GPU。然后一个千兆瓦的AI工厂GPU大约是500亿美元。那么请跟我们说说这些AI工厂。因为你可能拥有小型版本，可能是AI混合器。但接下来你拥有真正大型的版本，这些AI工厂，你在2016年全力投入，并开始说，世界将会需要AI工厂。
Konstantine：你是如何获得那种优势，那种信念的？然后你又是如何调整适应的？
黄仁勋：没错，你必须推理思考它。所以我们建造了第一个，DGX-1。它是世界上有史以来最昂贵的计算机，每个节点30万美元。而且它并不成功。所以我得出的结论是，我们做得不够大。所以我们制造了一个更大的。第二个就变得非常成功。那么现在的问题就变成了，你把它做多大？以及你如何努力地推动计算？事情发展如此迅速的原因是英伟达的产品周期以及我们创新、设计的方式，我们不是在设计一个芯片。我们是在一次性设计整个基础设施。我们是当今世界上唯一一家你可以给它一座建筑、一些电力和一张白纸，我们就可以创造其中一切的公司。所有的网络，所有的交换机，所有的CPU，所有的GPU，整个工厂内的所有技术，我们都可以构建。而且这一切都运行着来自英伟达的相同的软件堆栈。而且因为我们可以这样集成，所以我们也可以非常快速地行动。所以我可以重新设计接下来的一年，重新设计接下来的一年，而且每一年，它们都是软件兼容的。
软件兼容性的好处是速度。PC之所以能够如此快速地发展，是因为它们都与Windows兼容。因此，根据定义，如果你符合这个堆栈，你就可以随心所欲地快速制造芯片。所以我们现在正在以我们喜欢的速度，在物理上可能实现的极限范围内，建造人工智能工厂。因此，并且由于我们正在以如此惊人的规模进行创新，而且我们正在进行协同设计，这意味着我们同时改变算法、改变软件、改变网络以及CPU和GPU。我们突破了摩尔定律的限制，正如你所知，摩尔定律正在放缓。因此，从代际上讲，我们将性能水平提高了大约10倍。我们每年都向市场提供令人难以置信的性能水平。我们这样做的原因是，我们相信在不久的将来会有一个如此巨大的问题，你需要一台更大、更快的计算机，这是一方面。另一方面，当我们在相同功率下提高性能时，我们正在降低你的成本。因此，我们正在以惊人的速度降低成本，这使得客户能够做更大的事情，从而使他们能够从同一家工厂产生更多的收入。
因此，英伟达今天的采用率是因为我们既具有最高的性能，又具有最高的规模，因此，如果你想要巨型系统，你可以这样做，而且我们的成本是最低的。我们的性能非常高，例如，如果你的数据中心是1吉瓦，你不会得到更多，你就是1吉瓦。因此，如果我们的每瓦能效，即每单位能源的能源性能是三倍，那么你的公司就能在该工厂中产生三倍的收入。这就是我称它为工厂的原因。它不是一个数据中心，它是一个工厂，他们从中赚钱。因此，这些人工智能工厂希望不断扩大规模，他们希望不断提高收入，他们希望不断提高吞吐量。这就是我们创新如此之快的原因。
Konstantine：很难跟上我们的步伐，这也解释了为什么我们如此成功。黄仁勋，你已经从一个组件转变为一个完整的平台，这就是人工智能工厂的概念，面向投资者。你能分解一下平台都包含哪些内容吗？然后也开始谈谈平台下一步会是什么样子？
黄仁勋：好吧，有CPU、GPU、网络处理器。有三种类型的交换机。有一种向上扩展交换机，可以将一个机架变成一台完整的计算机。我们发明了机架规模计算，它被称为向上扩展。
你可以通过获取大量这些机架并将它们连接在一起来进行横向扩展。该交换机和该网络连接具有大量的软件，这些软件位于所有这些东西之上。然后你创建一个像这座建筑物一样巨大的系统，这座建筑物可能大约有100兆瓦。
一吉瓦是几千英亩。然后你用更多的网络连接所有这些数据中心，以便所有数据中心可以协同思考。这就是我们一起构建的，这就是我们今天构建的。基础设施建设如此迅速有几个原因。
Konstantine：并且有一些关于泡沫的问题在流传，并将其与2000年进行比较，所以只是为了进行比较。
黄仁勋：在2000年的时候，互联网公司，别想着会有hospital.com，而是pets.com。大多数互联网公司都不盈利，而且如果你还记得的话，整个互联网产业的规模大约为200亿、300亿美元。而今天，你需要观察的第一件事是，人工智能不仅仅关乎全新的公司，OpenAI和Anthropic等等。
Konstantine：人工智能正在改变超大规模企业的工作方式。
黄仁勋： 例如，搜索现在由人工智能驱动。推荐系统，你如何看到广告、新闻和故事，以及电影现在都由人工智能生成。用户生成内容，所以基本上，谷歌的业务、亚马逊的业务、Meta的业务，数千亿美元的收入现在都由人工智能驱动，即使没有OpenAI和Anthropic，整个超大规模产业也正由人工智能驱动。
因此，需要观察的第一件事是，整个事情需要从使用经典机器学习的传统CPU转变为现在使用人工智能的深度学习。仅仅是这种转变就涉及数千亿美元。明白了吗？
当然。这就是其中之一。第二件事是，我们现在有了这个新市场。这个新市场叫做人工智能，它有一个新的产业，他们生产人工智能。所以OpenAI、Anthropic、XAI、谷歌的Gemini，当然还有Meta，都将成为人工智能的制造者。因此，整个AI模型制造者层也在建造AI工厂。这些人工智能将为下一代的新机遇提供动力，这就是Harvey’s、OpenEvidence、Cursor的用武之地。
Konstantine：没错，你看到了所有这些人工智能原生公司。
黄仁勋：它们将连接到人工智能模型，并且在历史上第一次，它们将追逐一个从未被触及的行业。那就是劳动力行业。而这种被称为能动人工智能的数字劳动力，将补充和增强企业市场。例如，英伟达，今天我们已经100%地使用了我们的软件工程师，100%地使用了我们的芯片设计师。如今，每一位工程师都通过Cursor得到了增强。我们公司内部大量使用Cursor。因此，我们现在为所有工程师配备了人工智能。生产力提高，我们所做的工作也变得更好。
您还会看到一个新兴的产业正在出现。它被称为物理人工智能。所以你有企业人工智能，你有物理人工智能。正在增强劳动力。因此，例如，无人驾驶出租车本质上就是一个数字司机，我们现在将拥有嵌入到任何移动物体中的人工智能。因此，在无人驾驶出租车的情况下，它就是一个方向盘和轮子。但你将选择和放置手臂，你将有一个手臂，两个手臂，三条腿，各种不同的形态。因此，这两个行业约占全球经济的100万亿美元。而有史以来第一次，我们拥有能够增强这一点的技术。
Konstantine：这就是人们对下一波人工智能如此兴奋的原因。 那么让我们花点时间谈谈前一波浪潮，因为你提到人工智能已经提供了投资回报率。对于投资者来说，我认为Meta的例子是一个很棒的案例研究。因为在2022年第四季度，苹果基本上从Meta移除了归因数据。你们都看到了数千亿美元的市值下降。Meta团队说，我们该如何解决这个问题？他们通过由NVIDIA GPU驱动的人工智能解决了这个问题。 没错，是的。他们让归因恢复到原来的水平，并收回了数千亿美元。它比其最低点高出一万多亿美元。
黄仁勋：而所有这些投资回报率实际上都是由你们的GPU驱动的。Meta，或者说不仅仅是Meta，最复杂的软件系统之一被称为推荐系统。其中包含几种基本技术。其中一种叫做协同过滤，它是基于我正在做的事情，并观察其他人都在做什么。如果我们有相似的模式，它可能会向我推荐相同的电影，你购物清单中的下一个相同的商品，一本书，一段视频，等等。另一种叫做内容过滤，它仅仅基于我是谁以及我的偏好。并且基于那本书的实际内容，你或许能够向我推荐那本书。因此，这个推荐系统是世界上最大的软件生态系统。
Konstantine：而且这个生态系统正非常显著、非常快速地向人工智能方向发展。所以你们将会需要大量的GPU。这些系统在几十年前因Netflix挑战赛而闻名。现在奈飞，他们的所有推荐都由人工智能驱动。正如你所说，亚马逊当你去购买东西时，很大一部分是通过推荐系统实现的。
黄仁勋：将搜索转移到人工智能。所有这些现在都由人工智能驱动。
Konstantine：TikTok也是人工智能，
黄仁勋：是的，所有都是。
Konstantine：谷歌短视频，人工智能。
黄仁勋：没有它不行，现在所有的个性化广告都将转向人工智能。是的，所以人工智能的数量简直令人难以置信。请注意，这与任何事情都无关，我只是描述了一大堆经典的使用案例。嗯哼。定量交易也将转向人工智能。
Konstantine：过去由人工设计的特征提取将转向人工智能。我认为这实际上是Citadel Securities在过去20多年里率先开创的领域。所以那是经典的人工智能。Citadel是一个伟大的客户，谢谢。这是一个经典的例子。对于投资者而言，谈论人工智能的投资回报率，它已经以数万亿美元的市值形式存在。让我们谈谈下一步的支出。因此，对2025年的估计可能高达5000亿美元的人工智能投资落地。我们下一步该怎么做？
黄仁勋：这会成为一个每年数万亿美元的投资类别吗？是的，所以人工智能的制造，也就是代工部分，如果你愿意这么称呼，就是模型制造者。他们有点可以把他们想象成晶圆制造商。这些的应用，以及思考人工智能的一种方式是，大型语言模型，这可以看作是现代计算机的操作系统。你可以在这些人工智能模型之上构建应用程序。不仅仅是一个人工智能模型，而是一个人工智能模型系统。好的，所以应用程序将会有一系列不同的AI连接在一起。那么问题是，顶层的应用空间是什么？
除了我们一直在谈论的，所有现有的应用程序都将通过人工智能得到改进之外，思考顶层应用空间最明智的方式，可以用一个简单的比喻来形容，那就是数字人类。所以，一个数字软件工程师，对吧，人工智能编码。这可能会是一个数万亿美元的市场机会。人工智能数字护士，人工智能会计师，人工智能律师，人工智能，所以有人工智能营销人员。所以我们把所有这些都称为代理人工智能，这项技术正在良好地发展。因此，技术第一次不再仅仅是被会计师使用的工具，被软件工程师使用的工具，我们将成为数字软件工程师。如果你授权一部分并雇佣一部分，我也不会感到惊讶。因此，这取决于质量和深厚的专业知识。
因此，未来企业中的劳动力将是人类和数字人类的结合，其中一些将基于OpenAI，另一些将基于 Harvey、OpenEvidence、Cursor、Replit 或 Lovable。有些将是第三方提供的，有些将由你们自己培养。因此，我们自主培养了许多人工智能，因为我们拥有大量的专有知识和数据，想要保护起来。而且我们具备开发这些人工智能的技能。随着时间的推移，越来越多的人将能够培养自己的数字人工智能，因为这会变得越来越容易。因此，企业级代理人工智能，显然增强了劳动力，蕴含着数万亿美元的机遇。
人工智能相对于以前的软件的独特之处还在于，人工智能需要思考，这意味着你不能预先编译它，将其放入二进制文件，下载并使用它。它必须始终进行处理。
Konstantine：它必须进行处理的原因是它必须获取你的上下文，它必须考虑你希望它做什么，然后生成输出。所以它就在思考，不停地思考和生成。
黄仁勋：它需要一台机器。它需要计算机来做这件事。这就是人工智能工厂存在的原因。所以这些人工智能工厂将会在云端。它们也可能在本地部署。它们将遍布世界各地。而且它是人工智能基础设施的一部分，如果你愿意这么说。但是会有大量的思考来产生这些，我们称之为Token，但基本上就是智能。
Konstantine：所以这就是认知人工智能，数字劳动力，如果你愿意这么说。
黄仁勋：然后第二个是机器人技术，这可是有史以来第一次。所以让我给你们一个思想实验，为什么机器人技术如此接近。如你所知，你现在可以提示一个人工智能，它可以生成“黄仁勋拿起一个瓶子，打开它，然后喝一口”的提示。好的，然后它会生成我的视频，对吧，打开一个瓶子，喝一口。那么，如果它可以生成所有这些，为什么不能操纵机器人来做到这一点呢？所以你的思想实验会表明，这很可能是非常有可能的。
现在，如果你能设计一个可以驾驶汽车的数字司机，为什么你不能拥有一个机器人，一个物理机器人，来驾驶汽车呢？所以如果一个物理机器人，如果你能让一个物理机器人甚至驾驶一辆汽车，为什么你不能让一个拾取和放置手臂或任何类型的机器人呢？所以请注意，我们有能力体现几乎任何东西。我们可以拿起刀叉，它成为我们身体的延伸，而且不知何故我们能灵活运用它。我们可以拿起棒球棍，并将其用作我们身体的延伸。
Konstantine：因此，我们将这些物理延伸物融入自身。
黄仁勋：未来的AI将能够融入并操纵汽车、机械臂、人类或机器人、手术机器人等等。因此，我认为这两个市场都在AI的触及范围之内。最后，如果我只给你一个例子，无论何时你看到对一件事的观察，其余的都只是工程问题，因此，我们现在已经看到了一个极好例子的证据，那就是数字和AI软件编码员，这就是我们如此频繁地使用它的原因。如果你能拥有一个AI软件编码员，为什么不能让那个AI软件编码员也编写软件来开展营销活动，或者编写软件来帮助你解决任何会计问题，或者做任何你想做的事情呢？因此，几乎它的存在就说明了其余的都是工程问题。然后我们现在有了自动驾驶出租车，你知道吗？这是一个控制方向盘和车轮的具身机器人。如果这已经存在，为什么你不能将其推广呢？
Konstantine：剩下的就只是工程问题了。
黄仁勋：所以我认为，这是一个从第一性原理出发，推断我们能够让这项技术在各行各业和社会中普及的可能性有多大的好方法。
Konstantine：接下来你需要思考的是，好的，那么你如何将其规模化？你如何将这种智能传递给所有这些不同的应用？你需要人工智能工厂，所以。那么，让我们多谈谈机器人技术。你们拥有一支卓越的机器人团队，你们的一位高管今天在这里负责机器人事务。在之前的谈话中，你分享了一些关于机器人技术将如何发展的见解。它会是一个单一的类人项目吗？它会是开源项目吗？那些开源项目将如何联系起来？
黄仁勋：你认为机器人技术将如何在现实世界中展现，以及时间表如何？无人驾驶出租车现在已经出现了。它们从一个城市推广到另一个城市的能力真的变得非常快。原因是相同的根本技术，我们经历了相同的旅程。对于在场的所有量化交易、算法交易人员来说，你们经历了从人工设计的特征、机器学习，到使用越来越多的深度学习，以及嵌入某些模态和多模态模型，到现在很大程度上是端到端的转变。原因在于，它是多模态的。在这个过程中，我们变得越来越具有通用性。
Konstantine：你用于自动驾驶汽车的AI模型和你用于人类或机器人的AI模型非常相似。
黄仁勋：它们只是在两种不同的体现中。我确信的原因是因为我会开车。而且我可以控制我的身体。这是同一种智能。所以，我可以拿起刀叉，然后，你知道的，假装自己是外科医生，你知道的，在一块牛排上做手术，你知道的。所以，你会注意到这是在不同载体中的同一种人工智能。
Konstantine：所以，这就是人工智能的发展方向。
黄仁勋：机器人技术正朝着通用、越来越通用的、多载体的人工智能方向发展。它是多模态的。它是多载体的。
Konstantine：为了创造这个未来，你需要三样东西。
黄仁勋：你需要我之前提到的AI工厂，在那里你必须训练模型。而且你需要一个地方，让AI可以学习如何成为一个AI，而无需立即进入现实世界。
Konstantine：因此，它可以尝试在虚拟世界中进行数万亿次不同的迭代。
黄仁勋：那么，那个虚拟世界就像一个视频游戏。因此，AI基本上就像视频游戏角色一样，在虚拟世界中玩游戏。
Konstantine：而且它遵守物理定律。当它完成学习如何成为一个游戏，如何成为一个伟大的视频游戏玩家时，因为模拟到真实的差距非常小，因为模拟器真的非常好，我们称之为Omniverse，那个Omniverse计算机，那么机器人就可以从那个虚拟世界中出来，而这个世界就变成了它所玩的虚拟世界的又一个版本。
黄仁勋：然后它进入物理世界。
Konstantine：当它进入物理世界时，它也需要一台计算机。
黄仁勋：所以，你需要三台计算机。你需要人工智能计算机，训练计算机。你需要模拟、虚拟世界计算机。然后你需要一台计算机，让机器人实际操作大脑。因此，英伟达提供了所有这三种计算机。我们与几乎每一家机器人公司、自动驾驶汽车公司以及各种不同形态的机器人公司合作。
Konstantine：这很可能成为所有市场中最大的市场之一。所以，英伟达现在几乎触及了技术领域的方方面面。正如你过去所说，你从零十亿美元的市场起步，并帮助它们变成万亿美元的市场。机器人技术是下一个前沿市场之一。你对其他哪些下一个前沿市场特别感兴趣？你刚才提到了医疗保健。
那是你热衷的领域吗？还有其他领域是房间里的投资者应该关注的吗？
黄仁勋：医疗保健所需的技术确实非常复杂。而且我们正在取得快速进展。如果你能理解单词的含义、字符序列，你可能... 而且你可以理解虚拟世界之类的结构的含义，好吗？就像你看到... 我们能够生成视频的原因是因为我们理解虚拟世界以生成图即世界的表征。所以，如果你能生成视频，那一定是因为你理解这个世界。如果你能生成…… 如果你能理解世界，那么你是否可能理解具有结构的蛋白质和化学物质？答案是肯定的。因此，我们越来越接近理解蛋白质的含义，AlphaFold及其他。我们能够理解细胞的含义。最近，我们与Arc建立了合作关系。Evo 2是大型语言模型的一个首批范例，它是一种用于细胞表征的基础模型。
因此，你现在可以与它对话，然后说，我希望你生成具有这些属性的其他细胞。
而且……或者你可以和细胞对话，你知道吗？你的属性是什么？你能和什么结合？你还能做什么……你的新陈代谢，你能用什么激活？这样，你就能像和聊天机器人说话一样和细胞说话。这样，理解蛋白质的含义，你知道的，总之，这方面有很多进展。
这样的例子还有很多。我对我们正在做的工作感到兴奋，即将人工智能引入电信领域。5G和6G将因人工智能而彻底变革。我对我们与量子计算机的合作感到兴奋。因此，通过创建量子GPU混合计算系统，我们可以将量子计算机的时间表提前大约十年。在这种系统中，我们进行纠错，控制量子计算机，进行后处理。因此，我们有一种名为CUDA-Q的新架构，它将CUDA扩展到量子领域。这正在获得惊人的采用。
Konstantine：所以，是的，我们现在可以解决一大堆以前难以解决的问题。让我们来谈谈主权AI。我们刚刚请了马里奥·德拉吉上台。他在谈论欧盟对技术领域进行新投资的重要性，显然包括大规模的人工智能。这场革命在本质上是不同的，因为各国政府高度参与其中，既可能进行监管，也可能购买AI工厂。你能告诉我们，你认为前进的方向是什么吗？
黄仁勋：无论是对于主权AI，即各国如何拥有自己的AI系统，还是对于进出口，即我们美国应该如何与世界其他国家进行AI方面的互动？没有哪个国家能够承担外包所有国家数据的后果，以便……
Konstantine：然后将你自己的智能导入回来。
黄仁勋：我只是从第一性原理出发认为，这是不明智的。然而，没有人需要完全靠自己来构建一切。你可以购买，你可以进口，但不应该放弃生产自己的国家情报。所以，我认为今天，这项技术相当困难，但它正变得越来越容易，而且速度非常快。并且有大量的开源能力。所以，我不会放弃构建你自己的主权人工智能。我不会放弃利用你拥有的数据，从中创建你自己的国家情报。现在，世界各国都在这样做。所以，我认为主权人工智能很可能... 每个国家都可能进口一些，购买一些，同时也构建一些。并且有很多能力可以做到这一点。所以，我们看到围绕主权人工智能的巨大势头。英国正在这样做。我当时在法国。我们支持一家名为 Mistral 的公司。在英国，有一家名为 Enscale 的公司。还有一家名为 Nibius 的公司。在意大利，有好几家公司。在西班牙，有好几家公司。在德国，有好几家公司。因此，世界各地都有公司。在日本，有公司。
Konstantine：在韩国，有公司。因此，主权 AI 正在世界各地涌现。
Konstantine：那么，经常被提及的一个国家是中国。在向中国出口人工智能工厂方面，对美国来说正确的事情是什么？
黄仁勋：人工智能是一项新技术。
Konstantine：在我们...之前，我们必须思考一下。
黄仁勋：我们必须认真思考，最终该如何监管它。当然，美国想要赢得人工智能竞赛。
Konstantine：我认为决策者们都想做正确的事情，他们希望美国获胜。
黄仁勋：然而，重要的是要记住，伤害中国的事情往往也会伤害美国，甚至更糟。因此，在我们采取对他人有害的政策之前，退一步，也许反思一下什么政策对美国有益。很可能你必须回到第一性原理。就人工智能而言，关于人工智能以及任何计算、任何软件行业，最重要的是开发者至关重要，正如你所知。因此，赢得开发者才能创造未来的平台。我们希望世界建立在美国技术之上。
Konstantine：英伟达是一家骄傲的美国公司，我们当然希望，我们希望我们能够创造出建立在世界之上的美国技术。
黄仁勋：很多人工智能研究人员都在中国。中国拥有世界上大约50%的人工智能研究人员，拥有令人难以置信的学校，对人工智能的惊人关注，以及对人工智能的极大热情。而且我认为，不让这些研究人员在美国技术上构建人工智能是一个错误。从第一性原理来看，我认为这是一个错误。
Konstantine：所以问题是，你如何平衡获胜、保持领先，另一方面，确保世界建立在美国技术堆栈之上？
黄仁勋：这就是平衡。为了保持平衡，你必须要有细微之处。而且这可能不是，要么全有要么全无。因此，一种随着时间推移而变化的细致入微的策略，它允许美国保持领先地位，同时我们继续赢得世界各地的研究人员，这可能才是正确的平衡。这就是我所倡导的。
Konstantine：目前，我们100%撤出了中国。因此，中国是0%，我们从95%的市场份额降至0%。
黄仁勋：因此，我无法想象任何决策者会认为这是一个好主意。无论我们实施什么政策，都导致美国在全球最大的市场之一损失殆尽，降至0%。但无论如何，在我们所有的预测中，如果有任何股东在场，我们所有的预测都假设中国为零。如果中国发生任何事情，我希望会发生，那将是一个额外的好处。但这是一个巨大的市场。中国是世界第二大计算机市场。这是一个充满活力的生态系统。我认为美国不参与是一个错误。因此，我们希望继续解释和告知，并对政策的改变抱有希望。
Konstantine：黄仁勋，你最近参加了我们在办公室举办的人工智能会议，你对人工智能安全性的未来及其重要性有一些非常精辟的见解。这有点相关。存在可能干预人工智能的国家行为体。也存在可能不正确地使用人工智能的个人用户。
黄仁勋：您认为人工智能安全的未来会是什么样？人工智能安全的未来将有点像网络安全。它将要求我们所有人作为一个社群共同努力。您可能知道这一点。你们所有的网络安全人员，你们的首席安全官，我们都是一个大型社群。当有人发现入侵时，我们会与所有人分享。无论何时我们发现漏洞，我们都会与所有人分享。因此，人工智能安全的未来很可能就像网络安全一样。
第二，如果智能的边际成本，人工智能的边际成本趋于零，如果人工智能的边际成本趋于零，那么为什么以安全为中心的人工智能的边际成本不会也趋于零呢？这非常明显。很有可能每个AI都会被一大堆网络安全AI所包围和监视。因此我们将会有很多很多的AI保护者，成千上万个，数百万个，在公司内部，公司外部。这就是未来的方向…… 人工智能本身必须是好的这种想法很好，但我不认为我们应该依赖它。因此，就像软件应该正常运行一样，我们喜欢这样，但是考虑到可能存在漏洞或者它可能是一个病毒，或者其他任何东西，它可能是一个入侵者，我们必须假设这些情况会发生。
Konstantine：因此，我们将尽可能安全地推进人工智能的发展，但我们也将用大量的安全人工智能来包围人工智能。您分享说，物理世界的动态在这个数字世界中是分离的，在物理世界中，你可能需要1个安全人员对应100个普通人。在人工智能世界中，这种情况可能会颠倒。
黄仁勋：您还分享了这个我认为令人脑洞大开的想法。例如，像网络安全一样。
Konstantine：是的。是的，我们的网络安全代理比公司里从事网络安全工作的人员还要多。你还分享了一个观点，即在未来，我们不仅会有渲染计算，而且一切都将被生成。
黄仁勋：你能解释一下这个预测是什么，以及这对英伟达意味着什么吗？最好的例子，有几个例子，比如Perplexity。当你在Perplexity上提问时，你所看到的一切都是完全生成的，100%。你所看到的一切的100%都是生成的。然而在过去，在Perplexity出现之前，你会输入一些东西，然后它会给你一个列表，你会去点击它。所有这些内容都是由某人预先编写或创建的。所以搜索是基于存储的计算。它是基于检索的计算。它正在检索信息供您自行消费。Perplexity或人工智能正在生成，它去学习，它去阅读所有内容，然后为你生成。
Konstantine：好的，所以Perplexity是经典计算机方法的一个很好的例子。
黄仁勋：我们去检索一个文件并读取它，转变成一种生成式方法，即Perplexity，它是基于人工智能的。 另一种，看看我们今天看到的视频。Soras，当然，Nano Banana，当然。所有这些像素都是生成的。它是受你调节和提示的。
您可能会给它一个初始种子，然后说，我希望您生成一段康斯坦丁和詹森进行炉边谈话的视频。然后您会提示它并说，这次炉边谈话，他们要谈论疯狂的事情。
Konstantine：对于那些在线的人来说，这是真的，实际上。
黄仁勋：然后Sora会生成它。因此，每一个像素，每一个动作，每一个词语都是生成的。
Konstantine：所以，未来计算的方式很可能是生成式的。
黄仁勋：让我再给你最后一个想法。你和我刚才经历的一切的100%都是生成的。你问我的每一个问题，我都没有跑回办公室，取出什么东西，然后拿给你。你是这个意思吗，康斯坦丁？然后你大声地读出来给大家听。那是昨天的计算机。
今天的计算机是我们只是在互动。因此，我们正在根据当下发生的语境，根据观众，根据世界各地正在发生的事情，实时生成一切。所以我们正在实时生成一切。那就是未来的计算机。你未来的计算机是一位在你面前的首席执行官，或者是一位艺术家，一位诗人，一位讲故事的人，你与它合作，为你自己创作独特的内容。
Konstantine：所以计算的未来是100%生成式的。
黄仁勋：在它背后，你需要一个人工智能工厂，这就是我100%确信我们正处于这段旅程开始的原因。我们现在有几千亿美金，只是很少的一点，我们只有几千亿美金的基础设施，而未来每年可能会有数万亿美元的基础设施被建造。
Konstantine：所以这是思考这个问题的最简单方式。这种计算范式非常像人类的思维。是的，它在思考。如果你准备好了，我们来快速回答几个问题怎么样？
黄仁勋：好的。好的吗？
Konstantine：好的。就在我们一起的最后几分钟里。我确信炸鸡是答案。我不知道这个问题是什么。那么让我们开始吧。华尔街低估的一个关键绩效指标是什么？
黄仁勋：在人工智能工厂的未来，你的单位能源吞吐量决定了客户的收入。这不仅仅是选择更好的芯片。而是决定你的收入会是多少。事实上，如果你回过头看看所有的云服务提供商（CSPs），那些选择正确的公司看到了收入增长。而那些随后放慢速度的人做出了正确的选择。
Konstantine：所以你可以看到它在发挥作用，人们开始理解它。你的吞吐量，Token，它被称为Token，你的工厂每单位能量的Token生成率就是你的收入。英伟达平台最被低估的部分。
黄仁勋：大多数人谈论CUDA，CUDA非常重要，但是在CUDA之上有一套库。我今天早些时候提到过一个，它叫做CUDNN。它可能是人类历史上创建的最重要的库之一。
Konstantine：过去，之前的那个叫做SQL，SQL。而这个，CUDNN，还有其他的几个。
黄仁勋：CUDF，CULITHO，它将被用于半导体制造光刻。
Konstantine：我们大约有350个这样的库。而这些库，就是英伟达的宝藏。你认为哪一项技术被严重低估，哪一项技术可能被低估的。
黄仁勋： 哇，我认为用于物理人工智能学习成为优秀的物理人工智能的虚拟世界，我们称之为Omniverse，很难理解，但它被严重低估了。
这不是因为人们使用或不使用它，而是因为他们还不知道自己需要它。但现在Omniverse正在席卷整个机器人行业，每个人都明白了。一旦你开始制造机器人，你就会开始意识到我们在大约十年前开始研究Omniverse是多么有远见。
Konstantine：所以Omniverse真的很重要。哪本书对你的商业和领导哲学影响最大？
黄仁勋：我最喜欢的书之一是每个人第一本微积分书，当你意识到数学是运动的时候。那是一本好书。克莱的所有书，克里斯坦森的书，他已经过世了，但是好朋友，他的所有书都很棒。艾尔·雷的定位书，真的是本好书，如果你还没机会读的话。当然，萨皮恩斯一直都很好，但那些都是不错的选择。
杰弗里关于跨越鸿沟的书，那是一本好书。但是克里斯坦森的所有书，都读一读。
Konstantine：那么最后一个问题，如果你是听众席上的一位首席信息官，有100亿美元用于未来几年的人工智能投资，你会投资什么？
黄仁勋：我会立即尝试构建你自己的AI。事实是，我们以员工入职以及你所采用的方法、你将他们带入的文化、你公司的理念、运营方法、实践为荣，这些造就了你的公司。你随着时间推移所体现的数据和知识的集合，你让他们可以访问。这就是过去定义公司的方式。未来的公司当然包括这些，但你需要为人工智能做这些。你需要让数字员工入职，你需要让人工智能员工入职。有让人工智能员工入职的方法，我们称之为微调，但基本上是教他们文化、知识、技能、评估方法，因此你的代理员工的整个飞轮是你需要去学习如何做的。
我告诉我的首席信息官，我们公司的IT部门，他们未来将成为代理人工智能的人力资源部门。他们将成为未来数字员工的人力资源部门。这些数字员工将与我们的，当然，生物员工一起工作，这将是我们未来公司的形态。所以如果你有机会做这件事，我会立刻去做。
Konstantine：谢谢你，黄仁勋。我们听到了一个不可思议的故事。真的，英伟达的故事是一个卓越的泛化故事，从加速图形处理器到驱动当今世界所有人工智能的技术，从一个组件和世界上的第一个GPU，到世界上人工智能工厂平台中的所有组件。我们讨论了服务是如何成为这场新革命的基线，以及机器人技术是如何存在于我们所有的未来之中。我们谈到了外交政策。我们甚至谈到了炸鸡。你完成了所有，黄仁勋。非常感谢你。
