近日，英伟达CEO黄仁勋做客知名科技播客Lex Fridman Podcast，二人探讨了从公司战略、技术演进到个人哲学的广泛议题。不过，黄仁勋也提出了一系列颠覆性的观点，这些观点在技术本质、算力分配、管理哲学以及人工智能对社会的影响等方面，均与当前的主流看法存在着不同的视角和看法，具体如下：
1.Token 重塑计算经济AI
计算从存储检索的 “仓库” 升级为生成 Token 的 “工厂”，Token 成为细分定价的全新商品（分层免费 / 中级 / 高级 Token），单百万 Token 可定价 1000 美元；计算设备从成本中心转为利润中心，全球计算相关 GDP 占比将较过去翻百倍。
2.推理（Inference）并非“轻量级”任务
黄仁勋的观点：他认为推理本质上就是“思考”（Thinking），而思考是非常困难且消耗算力的。他指出，推理涉及逻辑推理、规划、搜索和解决未知问题，这比单纯的阅读（预训练）要复杂得多。因此，“测试时缩放”（Test-time Scaling），即通过投入更多算力让 AI 思考更久，将成为提升智能的关键，推理绝非低功耗任务。
3.英伟达有望迈向10万亿美元市值？
英伟达增长确定性预判10 万亿美元市值仅为数字概念，英伟达增长为必然趋势，未来有望实现3 万亿美元营收体量。
4.AI 电力瓶颈双解法
能效端：以 “每瓦每秒 Token 数” 为核心指标，通过极致协同设计让 Token 成本每年降一个数量级；
电力供给：利用电网 99% 时间的闲置峰值电力，放弃 “六个九” 绝对可用性，打造可优雅降级的数据中心，按需降载减耗。
5.对供应链瓶颈的“反向思维”
黄仁勋的观点：他表示自己对此“并不担心”。其理由是他不仅在预测未来，更在通过持续的沟通“塑造”供应链的未来。他会提前数年游说内存厂商（如 HBM 厂商）进行数十亿美元的投入，并与合作伙伴建立基于“信任”而非仅仅是合同的关系。他认为只要通过“极端协同设计”不断提升每瓦特的 Token 产出，算力成本的下降速度将远超电力等物理成本的限制。
6.护城河、太空算力与对马斯克评价
最深护城河：CUDA 生态 + 43000 名员工共建、百万开发者信任，横向覆盖云厂商 / 边缘设备；
太空算力：GPU 已用于卫星图像处理，但太空无对流传导仅能辐射散热，现阶段优先挖掘地球闲置电力；
高度评价马斯克：认可其一性原理、极简思维与一线执行力，盛赞 xAI 超算快速落地能力。
7. 智能是一种“商品”，而“人性”才是核心
黄仁勋的观点：他认为智能终将成为一种廉价的“商品”（Commodity）。他甚至自谦地表示，自己团队中的60 多人每个人在专业领域都比他聪明、更像“超人”。他认为社会应该提升对“人性”（Humanity）、性格、同情心和慷慨等特质的评价，这些才是比单纯的智能更高级的力量。
以下是对话内容，Enjoy：
01
AI 革命的引擎与“极度协同设计”
Lex Fridman：黄仁勋正带领英伟达迈向一个新纪元：从单纯的芯片设计转向宏大的机架级系统设计（Rack-scale Design）。曾经你们只需打造最强 GPU，但现在战线已延伸至 CPU、网络、存储、电源、冷却乃至整个数据中心的极度协同设计（Extreme Co-design）。面对如此繁杂的变量，打造这套深度耦合系统的核心挑战是什么？
黄仁勋：挑战在于，现代AI 难题早已无法靠单台计算机解决。我们的目标是实现“非线性增长”——即增加 1 万台电脑，算力却要提升 100 万倍。
这意味着必须重构算法，进行深度分片（Sharding）。而分布式计算最怕Amdahl's Law：系统的加速比受限于那部分无法并行的环节。如果网络、电力或通讯稍有瓶颈，即便 GPU 快上一百万倍，整体效率也只能提升一两倍。这是一个极其复杂的计算机科学命题，我们必须动用一切技术手段去对抗摩尔定律的放缓。
Lex Fridman：这涉及海量的权衡。你麾下汇聚了 HBM 内存、光通信、液冷等各领域的顶级专家，你是如何让这些背景迥异的专家在同一个机架尺度上达成协作的？
黄仁勋：这正是我维持庞大直属下属规模（60 余人）的原因。
Lex Fridman：这么多专家和通用人才如何高效协作？
黄仁勋：关键在于“组织架构应反映其产出”。我看过很多公司的架构图，无论卖汉堡还是造车都大同小异，这毫无意义。英伟达的架构必须反映它所处的计算环境。
我们优化的不只是芯片，而是整个软件栈。我不搞低效的“一对一”面谈，而是把所有人聚在一起直接攻克难题。在英伟达，协同设计是实时发生的：
全员透明：当讨论冷却或配电方案时，网络和内存专家都在场。
即时纠偏：每个人都可以随时插话，比如指出“这种配电方案对内存层级行不通”。
极致专注：成员可以自由走神，但当他们必须贡献力量时，我必须确保他们的视角被点亮。
这种将公司视为一台“协同机器”的运作方式，正是我们能每年迭代复杂系统的奇迹所在。
02
关于决策：CUDA 与 GeForce 的豪赌
Lex Fridman:你提到英伟达是一家适应环境的公司。从早期的游戏GPU，到后来的深度学习革命，再到现在的“AI 工厂”，这个转变是如何发生的？
黄仁勋:从系统的视角看，我们起步时定位是一家加速器（Accelerator）公司。但加速器天然存在一个悖论：它对特定任务的优化越极致，应用领域就越狭窄。这种“极致专业化”会严重限制市场规模。没有规模，就没有足够的研发投入；没有研发投入，你就无法在计算领域产生深远的影响力。
我们的愿景是走向加速计算（Accelerated Computing）。但这中间存在一种根本性的张力：如果你变成一家完全通用的计算公司，你会丧失核心竞争力；如果你守着专业加速器不放，你又会死于小众。我们必须找到一条极窄的路径：在不放弃专业优势的前提下，一步步扩建我们的计算版图。
我们迈出的第一步，是发明了可编程像素着色器（Programmable Pixel Shader），这是迈向可编程世界的分水岭。紧接着，我们在着色器中引入了FP32（单精度浮点数）。这个符合IEEE 标准的重大跨越，引起了那些研究数据流处理器的科学家的注意。他们突然意识到：这个原本为游戏设计的、计算密集的 GPU，竟然可以运行符合行业标准的科学软件了。
这直接促使我们在FP32 之上开发了 C 语言环境（即后来的 Cg），并最终演化成了CUDA。随后的决策最为艰难：我们将CUDA 强行推向了GeForce（游戏显卡系列）。这在当时是一个极其冒险的战略，因为它消耗了公司巨额利润，几乎超出了我们的承受极限。但我们必须这么做，因为我们的目标是成为一家真正的计算平台公司，而架构的兼容性必须覆盖我们生产的每一颗芯片。
Lex Fridman：但这种“远见”在当时的财报上，看起来一定像个灾难。
黄仁勋：没错。代价是惨重的。CUDA 极大地增加了消费级 GPU 的复杂度与成本，几乎吞噬了我们所有的毛利。英伟达的市值曾从 70 亿美元一路狂跌到 15 亿美元。我们在谷底徘徊了很久，承受着巨大的质疑，但我们始终没有把 CUDA 从 GeForce 中拿掉。
我常开玩笑说，英伟达是“GeForce 建造的房子”。因为正是 GeForce 这种看似“不相关”的消费级业务，将 CUDA 的火种撒向了全世界。正是因为它随处可见，后来那些成为深度学习先锋的科研人员，才能在他们宿舍的 PC 里、在实验室的普通机器上，发现并点燃了这场 AI 革命。
03
领导力与塑造未来
Lex Fridman：你是如何做出这种跨越式的决策并预见未来的？ 我想知道，你做出这些跨越式决策的智慧是什么？
黄仁勋：首先，强烈的好奇心驱动着我不断探索。其次，我有一套自己的推理逻辑，这套逻辑能让我坚信，某个结果必然会发生。当我在脑海中认定一件事时，就会全身心地去践行，让这个未来成为现实—— 这个未来在我看来如此确定，注定会发生。
过程中必然会经历诸多艰难困苦，但你必须坚守自己的信念。
Lex Fridman：也就是说，你先构想未来，然后从工程师的角度，一步步将其变为现实？
黄仁勋：没错。你要推理出实现目标的路径，论证其存在的必然性，而这不是我一个人的思考，而是整个管理团队的共同推演，我们会花大量时间探讨这件事。
还有一点，可能是领导力的关键：很多领导者会选择沉默，等摸清情况后，在新的一年发布一份宣言，推出全新的计划—— 大规模裁员、调整组织架构、发布新的使命宣言、更换品牌 logo，诸如此类。我从不这么做。
当我接触到新的想法，且这个想法开始影响我的思考时，我会立刻让身边的所有人知道：“这个想法很有意思，会带来重大改变，也会影响诸多领域。”我会一步步地推演这个想法的落地路径。很多时候，我其实已经做出了决定，但我会抓住一切机会，结合外部信息、新的见解、技术突破、研发里程碑，不断引导身边人的认知。
我每天都在做这件事，向董事会、管理团队、全体员工传递我的想法，塑造他们的信念。以至于当我提出“收购Mellanox” 时，所有人都觉得这是理所当然的决定；当我宣布 “全力押注深度学习” 并阐述原因时，其实我早已在公司各个部门埋下了伏笔。
公司里的每个人，或许都听过部分相关的思考，而当我正式宣布决策时，所有人其实都已经在一定程度上认同了这一方向。很多时候，我宣布这些决策时，甚至能想象到员工们心里会想：“黄仁勋，怎么现在才官宣？”
事实上，我早已通过长期的引导，让大家形成了共识，所以宣布决策时，能得到100% 的支持 —— 这正是我想要的结果，让所有人都能跟上公司的步伐。否则，如果我突然宣布全力押注深度学习，所有人都会一脸茫然：“你在说什么？” 如果管理层、董事会、员工、客户都觉得这个决策莫名其妙、毫无道理，那一切都无从谈起。
英伟达的GTC 大会也是如此，回看历届大会的主题演讲，你会发现，我不仅在塑造公司内部的信念，也在向行业合作伙伴传递我们的愿景，而这又会反过来强化公司员工的信念。所以当我们宣布某项新产品时，比如最近发布的 Grok 大模型，其实我在两年半前，就已经开始讲述其落地的各个步骤了。回头看就会发现，我们为这个产品铺垫了两年半的时间。
我始终一步一个脚印地打下基础，所以当正式发布时，所有人都会觉得“终于来了，怎么这么久”。
Lex Fridman：而且这不仅是公司内部的事，你还在塑造整个全球的创新格局，通过提出这些理念，真正地将愿景变为现实。
黄仁勋：英伟达并非单纯制造计算机，也不搭建云计算平台，我们本质上是一家计算平台公司—— 这一点很特别，因为客户无法直接从我们这里买到 “成品”。我们做垂直设计和整合，实现全维度的优化，但随后会开放整个平台的每一个层级，让其融入其他公司的产品、服务、云计算平台、超级计算机和原厂计算机中。
正因如此，我必须先说服行业伙伴，才能推进自己的愿景。所以GTC 大会的核心，就是向行业传递我们构想的未来，以至于当我们的产品正式推出时，合作伙伴都会说：“怎么现在才来？我们早就等不及了。”
04
Scaling Laws的未来：
智能进化的四大引擎
Lex Fridman：你长期以来一直是扩展定律（Scaling Laws）的坚定信徒。面对数据枯竭和算力瓶颈的质疑，你现在的信念是否有所动摇？
黄仁勋：恰恰相反，我们现在拥有了更宏大的扩展定律。我将智能的进化总结为四个阶段：预训练、后训练、推理时扩展以及智能体扩展。
1. 预训练（Pre-training）：从自然数据到合成数据的飞跃
过去，行业曾陷入“高质量数据即将枯竭”的恐慌，认为预训练时代已经终结。但我认为这种担忧忽略了合成数据（Synthetic Data）的力量。
实际上，人类彼此教导的大部分知识也是“合成”的——它们源于创造而非自然采集。如今AI 已经能够基于真实世界的数据进行自我增强和模拟。未来，训练的瓶颈将不再是“数据总量”，而仅仅是算力的规模。
2. 后训练（Post-training）：算力驱动的精细化迭代
在后训练阶段，数据不再是掣肘，如何利用算力对模型进行微调和对齐（Alignment）成了核心。这不仅是权重的微调，更是对模型逻辑能力的深度挖掘。
3. 推理时扩展（Test-time Scaling）：推理即思考
这是目前最深刻的范式转移。过去人们错误地认为“推理很简单，只需低功耗的小芯片”，但这种观点完全违背了逻辑。
预训练是“记忆”，而推理是“思考”。思考是极其艰难的。它涉及逻辑推理、问题拆解、规划与搜索。对于复杂难题，我们应当允许模型在推理阶段消耗更多算力去“深思熟虑”。这种推理侧的算力投入，是智能跃升的第二条曲线。
4. 智能体扩展（Agentic Scaling）：AI 的乘数效应
这是第四大定律，也是智能的“倍增器”。
提升我个人的能力很困难，但英伟达可以通过雇佣数万名员工来扩张规模。我们将能够根据需求，瞬时生成大量的子智能体形成团队。它们能自主研究、访问数据库、使用工具。
智能体在执行任务中产生的新经验和数据，会再次反哺到预训练阶段。智能的本质是算力的函数。
这四大定律构成了一个闭环的自我进化系统：智能体产生数据→ 回到预训练记忆 → 后训练微调 → 推理增强。
Lex Fridman：所以在你看来，阻碍这一进程的唯一瓶颈是什么？
黄仁勋：归根结底，人工智能的进化速度只取决于一个核心变量——算力（Compute）。只要我们能提供源源不断的算力支持，智能的扩展就没有物理极限。
05
工作哲学：光速思维（Speed of Light Thinking）
Lex Fridman：英伟达的深度系统协同设计思路，和埃隆的系统工程方法，是否有相通之处？
黄仁勋：当然，协同设计本质上就是一个终极的系统工程问题，我们的所有工作，都是从第一性原理出发的。
还有一个理念，是我30 年前就提出的，我称之为 “光速思维”。这不仅指速度，更是指探索物理定律的极限 —— 我们做的每一件事，都要和 “光速” 对标：内存速度、计算速度、功耗、成本、时间、人力、制造周期。
当我们思考延迟与吞吐量、成本与吞吐量、成本与容量的关系时，都会先探索其物理极限，再根据实际需求做出权衡。因为一个极致低延迟的系统，和一个高吞吐量的低成本系统，其架构设计有着本质的区别。
我们需要先明确，高吞吐量系统的物理极限是什么，低延迟系统的物理极限是什么，再结合整体系统的需求，做出最优的权衡。我要求团队所有人，在开展任何工作前，都要从第一性原理出发，探索物理极限，用这个标准来检验所有方案。
我并不认同“持续改进” 的理念 —— 首先，我们应该基于第一性原理和光速思维进行设计，将物理极限作为唯一的约束；在此基础上，再进行持续的优化。
我不喜欢这样的情况。有人说“现在做这件事需要 74 天，我们能帮你缩短到 72 天”。我更愿意回到原点，问一句 “为什么一开始需要 74 天？现在的技术条件下，从零开始打造，需要多久？”
往往答案会让人惊讶，可能只需要6 天。而从 6 天到 74 天的差距，背后是诸多合理的权衡，比如成本控制等。但至少我们知道了物理极限在哪里，在此基础上，从 74 天向 6 天优化的沟通，会变得高效得多。
06
英伟达的护城河与“Token 工厂”
Lex Fridman：如今英伟达已登顶全球市值之巅。我必须代大家问一个核心问题：英伟达最深的“护城河”究竟是什么？在科技巨头环伺的丛林里，你们凭什么立于不败之地？
黄仁勋：如果只看资产，我们最核心的护城河是计算平台的安装基数（Install Base），具体来说，就是 CUDA 的生态根基。
你要知道，CUDA 的成功绝非单纯的技术胜利。即便 20 年前有人做出更好的架构，也毫无意义。因为这背后是英伟达 43,000 名员工二十年如一日的投入，以及数百万开发者交付的信任。他们相信我们会从 1.0 一直迭代到 13.0，所以才愿意把身家性命——所有的软件代码——迁移到 CUDA 上。
这种庞大的安装基数一旦与我们极高效的执行力结合，威力是统治级的。开发者心中有一个共识：只要基于CUDA 开发，六个月后性能就能自动提升 10 倍，且能瞬间触达全球所有的云平台、行业和边缘设备。这种“性能红利+广泛触达”的确定性，让开发者会毫不犹豫地优先选择我们。
Lex Fridman：这种垂直整合又横向兼容的生态确实罕见。那么，英伟达的未来是否会彻底转型为一家“人工智能工厂”企业？
黄仁勋：没错。英伟达的产品认知已经发生了质变。过去我发布新产品，会拿起一颗芯片展示；但现在，我脑海中是一个千兆瓦级的庞大基础设施。
现在的产品不再是单颗芯片，而是连接着电网、冷却系统和数万个节点的整座“工厂”。启动这样一座工厂，需要数千名网络、电力和软件工程师协同调试。
Lex Fridman：这种认知的转变是否支撑着你们更高的估值逻辑？比如，英伟达市值达到 10 万亿美元的路径在哪里？
黄仁勋：这在我看来是逻辑上的必然。因为计算的本质已经从“检索”变成了“生成”。
过去40 年，计算机本质上是一个“文件检索系统”——内容是预先录制的，我们只是通过算法把它找出来。而 AI 计算机是上下文感知且实时生成的。在这个新世界里，我们对算力的需求将远超对存储的需求。
第二点更关键：过去的计算机是“仓库”，现在的计算机是“工厂”。 仓库只产生维护成本，而工厂直接创造收入。
我们正在量产一种全新的商品——Token。这种“智能”是可以缩放、分级的。未来，有人愿意为超高智能的 Token 支付溢价，智能将像电力或原油一样成为全球通用的生产资料。
Lex Fridman：这是一个非常天才的比喻。将 AI 设施视为“Token 工厂”，追求每瓦每秒的 Token 产出。那么，谁是这个工厂里的“iPhone”级应用呢？
黄仁勋：智能体（AI Agents）就是 Token 界的 iPhone。
像OpenClaw、Claude Code 这些工具，它们是历史上增长最快的应用。未来，智能体将呈指数级增长。
Lex Fridman：确实。我甚至已经开始在公共场合对着电脑“编程”了，虽然有些尴尬，但那种像和同事交流一样的效率提升是令人震撼的。
黄仁勋：这只是开始。未来的场景不是你去找AI，而是 AI 主动找你。因为它的工作效率远超人类，它会不断向你汇报：“这件事我做完了，下一步计划是这个。”未来，和你聊天、发消息最多的，将不再是人类，而是你的智能体。 它们才是 Token 工厂最核心的消费者。
Lex Fridman：你觉得真的能有一家由这样的 AI 系统运营的公司吗？
黄仁勋：有可能，原因如下：你说市值要超过 10 亿美元，但没说要长期维持这个市值。比如，一个智能体（Claw）完全有可能开发出一款网络服务或有趣的小应用，突然吸引数十亿用户，每人支付 50 美分，然后不久后就退出市场 —— 互联网时代就有很多这样的公司，而它们的网站复杂度，其实并不比现在 OpenClaw 能生成的内容更高。
Lex Fridman：你这个说法肯定会让很多人感到兴奋，意思是“我只要启动一个智能体，就能赚大钱”？
黄仁勋：顺便说一句，这种事现在已经在发生了。如果你去中国，会看到很多人在训练他们的智能体找工作、做任务、赚钱。我毫不惊讶，未来可能会出现一些社交类应用爆火—— 比如一个超级可爱的数字网红，或者一个喂养虚拟宠物的社交应用，突然成为全民热点，火上几个月后逐渐降温。
但要让 10 万个这样的智能体联手打造出另一个英伟达，可能性为零。我想强调的是，人们真的很担心自己的工作会被 AI 取代，我想提醒大家：工作的本质和完成工作所使用的任务、工具是相关但不同的概念。
我已经做 CEO 33 年了，是全球任职时间最长的科技公司 CEO（如今已 34 年）。过去 34 年里，我工作中使用的工具一直在变化，有时甚至是剧变 —— 短短两三年就会有天翻地覆的改变。我想分享一个故事：计算机科学家和 AI 研究者曾预测，第一个被 AI 取代的职业是放射科医生，因为计算机视觉很快会达到超人水平 —— 而事实也确实如此，2019 到 2020 年间，计算机视觉的能力就已经超越了人类。
当时的预测是，放射科医生会被淘汰，因为 AI 能替代他们分析医学影像。但结果呢？如今所有的放射科平台和软件都由 AI 驱动，计算机视觉的表现确实远超人类，但放射科医生的数量反而增加了，全球甚至出现了放射科医生短缺的情况。
英伟达的软件工程师数量也会持续增长，而非减少。因为软件工程师的核心职责是解决问题，而非编写代码—— 我从来不在乎他们写了多少行代码，他们的工作本质没有改变：解决问题、团队协作、排查故障、评估结果、寻找新的问题、创新、串联各个环节。这些能力，AI 永远无法替代。
Lex Fridman：你认为即便是编程领域，全球程序员的数量也可能增加，而非减少吗？
黄仁勋：是的。原因很简单：编程的定义是什么？如今，编程本质上就是“明确需求”—— 如果你想更具体，还可以给出软件的架构设计。问题来了：有多少人能做到这一点？有多少人能向计算机描述清楚 “你要构建什么”？我认为这个数字会从现在的 3000 万，增长到未来的 10亿。
未来，每个木匠都能成为程序员—— 但有了 AI 的助力，木匠同时也能成为建筑师，他们能为客户提供的价值大幅提升，技艺也实现了质的飞跃。我相信，每个会计师都会成为财务分析师和财务顾问，所有职业都会被 AI 赋能、升级。如果我是木匠，看到 AI 的潜力，一定会无比兴奋；如果我是水管工，也会为 AI 能带来的服务升级而激动。
Lex Fridman：但跳出编程领域，我认为很多人担心自己的工作是合理的，尤其是白领群体。面对自动化和新技术带来的动荡时期，我们都不知道该如何应对？
黄仁勋：我的第一个建议是—— 这也是我应对焦虑的方式，我们之前也聊过：面对未来的巨大不确定性、压力和焦虑，首先要拆解问题，告诉自己 “有些事你能掌控，有些事你不能。对于能掌控的，就通过推理找到解决方案，然后付诸行动”。
如果现在要招聘一名应届毕业生，有两个选择：一个完全不懂 AI，一个精通 AI 的使用 —— 我会毫不犹豫地选择后者。无论是会计、营销人员、供应链专员、客服、销售人员、商务拓展人员，还是律师，只要有候选人精通 AI，我都会优先录用。
所以我建议，每个大学生都应该积极使用 AI，老师也应该鼓励学生这么做；每个大学生毕业时，都应该成为 AI 领域的专家。无论你是木匠、电工，都去尝试使用 AI，看看它能如何改变你当前的工作，提升你的能力。如果我是农民，我一定会用 AI；如果我是药剂师，我也会用 AI—— 我想看看 AI 能如何助力我的工作，让我成为颠覆行业的创新者。
技术确实会取代很多任务，因为它能自动化处理这些任务。如果你的工作本身就是单一的任务，那么被替代的概率非常高；但如果你的工作目标包含这些任务，那么学习用 AI 自动化处理它们，就至关重要。大多数职业都处于这两者之间。
07
苦难、韧性与生命的终极思考
Lex Fridman：你将自己的成功，很大程度上归功于 “比任何人都努力，比任何人都能承受苦难”。
这其中包含诸多方面：应对失败、攻克我们聊到的各类工程难题、处理人际问题、面对不确定性、承担责任、忍受疲惫和尴尬，还有你提到的那些企业濒临破产的时刻，以及如今的巨大压力。你是如何应对这些压力的？
黄仁勋：我对自己要求非常严格，但同时也会将问题拆解，避免陷入恐慌。我能安心入睡，是因为我列出了所有需要做的事，确保所有可能危及英伟达、合作伙伴、行业的问题，都已经告知了相关负责人—— 任何可能给他人带来风险的事，我都会告诉能解决问题的人，将压力分担出去，或是亲自采取行动解决。
Lex Fridman：做到这些之后，还能做什么呢？
Lex Fridman：在打造英伟达的过程中，经历了这么多难以想象的苦难，你是否有过心理低谷？
黄仁勋：当然，一直都有。
Lex Fridman：而你应对的方式，就是将问题拆解成一个个小部分？
黄仁勋：没错。而且还有一点很重要 —— 学会遗忘。人工智能学习的一个核心特性，就是系统性遗忘，知道该忘记什么，不能记住所有事，也不能背负所有压力。
我处理问题的速度很快：拆解问题、推理分析、分担压力。我所说的“告诉所有人”，本质上就是分担压力 —— 尽快将让我担忧的事，告诉其他人，当然不是让他们恐慌，而是将问题拆解后，让他们参与进来，激发他们的积极性，共同解决问题。
但另一个关键，就是遗忘。你必须对自己狠一点，告诉自己“别抱怨了，继续前进”，然后振作起来。还有一点，就是被未来的机会吸引，告诉自己 “过去的已经过去了，接下来该做什么？”
我想，优秀的运动员都是如此，他们只关注下一分，忘记上一分的得失，忘记尴尬和挫折。而且，我的工作大多是公开进行的，你也一样，公开工作意味着会面临更多的审视。
我在公开场合说过很多话，当时觉得很有道理，或是觉得很有趣—— 大多时候只是我自己觉得有趣，后来回想起来，可能觉得没那么有趣，但这都不重要。
Lex Fridman：没错，我深有体会。但本质上，你是让自己被未来的光牵引，忘记过去，持续朝着未来前进。你曾说过一句很有名的话：如果当初知道打造英伟达会这么难，比预想的难一百万倍，你可能就不会开始了。
黄仁勋：没错。
Lex Fridman：但事实上，所有值得做的事，大概都是如此吧？
黄仁勋：正是如此。我想表达的是，保持一颗童心，是一种极其强大的能力。我常常看着一件事，脑海中第一个念头就是：“这能有多难？”
带着这种心态，面对那些从未有人做过、看似庞大、需要数千亿美元投入的事，依然会问自己：“这能有多难？”
你必须保持这种心态，不要提前过度推演所有细节，不要预想所有的挫折、磨难和失望。你要带着“一切都会很完美、很有趣” 的心态，开启新的旅程。而当你真正踏上旅程，就需要拥有耐力和勇气，因为挫折、失望、尴尬、屈辱，总会不期而至。
这时，你需要做的，就是忘记这些不愉快，继续前进。只要你对未来的假设，以及支撑这些假设的依据，没有发生本质变化，那么你预想的未来，就一定会实现。如果未来注定会来，那就义无反顾地去追求。
我认为，这种韧性源于几个特质：以全新的心态开启新体验、学会遗忘挫折、坚信自己的信念，同时持续重新评估现状。这几个特质的结合，至关重要。
我很幸运，过往的人生经历，让我具备了这些特质：我始终充满好奇心，持续学习，向每一个人学习。我总是问身边的人问题，始终保持谦卑，看到别人做得好的地方，会想“他们做得太棒了，他们是怎么思考的？”
我会揣摩每个人的想法，在某种程度上，我在模仿我看到的每一个人，对他们的所作所为抱有同理心和尊重，所以我能持续学习。
Lex Fridman：如今，你是世界上最富有的人之一，也是最成功的企业家之一。拥有如此多的财富、权力和名气，是否会让你更难保持谦卑？是否会让你难以承认自己的错误，难以倾听不同的意见，难以向他人学习？
黄仁勋：令人惊讶的是，并不会，甚至恰恰相反。因为我的工作大多是公开进行的，当我犯错时，几乎所有人都能看到，这会让我保持谦卑。
我在公开场合说的话，大多是经过深思熟虑的，因为这些话会影响他人，我必须谨慎。而在内部会议中，我们会探讨很多可能性，很多想法可能会被推翻，但这并不影响我持续推理。
我的管理和领导方式，就是在所有人面前持续推理。即便和你对话，你也能看到我在现场推理的过程。我希望你能理解我的想法，不是因为我是黄仁勋，而是因为我会清晰地展示推理的步骤，让你自己判断我的结论是否正确。
我每天在会议中都是这么做的，和员工分享我的思考过程，一步步推演，让所有人都有机会提出质疑：“我不同意这一步的推理。”
这种推理式的沟通方式，好处在于，人们不必直接否定我的结论，而是可以质疑推理的步骤，引导我从不同的角度思考，然后我们一起继续推演—— 这本质上是一种集体的探索方式，非常有效。
Lex Fridman：是的。 人类的主观感受真的很特别。过去几年，我已经被 AI 的发展惊喜了无数次，算力的缩放确实能在智能领域创造奇迹，真的非常了不起。你认为人类本性、人类意识中，是否存在一些本质上非计算性的东西？有哪些永远无法复制的特质？
黄仁勋：关键是要明确“智能” 的定义。这个词我们经常使用，但它并非神秘莫测 —— 智能是一个系统具备的能力，包括感知、理解、推理和规划，这个循环过程，就是智能的本质。智能和人性并非同义词，这一点非常重要，我们需要区分这两个概念。
我并不美化智能，也不将其浪漫化。事实上，我认为智能是一种商品。我身边围绕着很多聪明人，在他们各自的领域，都比我更聪明、更博学、更专业—— 我有 60 位这样的直接下属，对我来说，他们都是 “超人”。但不知为何，我能在中间协调他们所有人。
所以你会问：一个“能力平平” 的人，为什么能在一群 “超人” 中间发挥作用？这恰恰说明，智能是一种功能性的东西，而人性并非由功能定义，它的内涵要广阔得多。我们的人生体验、对痛苦的容忍度、决心和毅力 —— 这些都和智能是不同的概念。
长期以来，我们把“智能” 这个词抬到了过高的位置，但我们真正应该推崇的，是人性、品格、同情心、慷慨这些特质 —— 我认为这些才是人类的 “超能力”。而如今，智能即将成为一种大众化的商品。
社会总说“教育是最重要的”，但你上学时学到的，绝不仅仅是知识。不幸的是，我们的社会把一切都归结为 “智能” 这一个词，但生活远不止这一个维度。我的人生经历告诉我，即便我的智能水平不如身边的所有人，也不妨碍我取得成功。我希望能激励大家：不要让智能的民主化、商品化让你感到焦虑，而应该为之感到兴奋。
Lex Fridman：英伟达的成功，以及我提到的数百万受其影响的人的生活，都在一定程度上依赖于你。但你和我们一样，只是一个普通人，一个凡人。你会思考自己的死亡吗？你害怕死亡吗？
黄仁勋：我真的不想死。我过着很棒的生活，有幸福的家庭，还有非常重要的工作要做。我现在经历的，不是“一生仅有一次” 的体验（这种体验很多人都有过），而是 “人类历史上仅有一次” 的体验。英伟达是人类历史上最具影响力的科技公司之一，我们正在做的工作至关重要，我对此无比重视。
当然，有一些实际问题需要考虑，比如继任规划。我一直公开表示，我不相信继任规划。
Lex Fridman：天啊。
黄仁勋：这并非因为我觉得自己长生不老，而是因为如果你担心继任规划，被这种焦虑困扰，那该怎么办？答案是回到问题的本质：如果你关心公司在你离开后的未来，当下最重要的事，就是持续不断地传递知识、信息、洞见、技能和经验—— 这也是我为什么总是在团队面前公开推理所有问题。
每一次会议都是一次推理会议，我在公司内外的每一刻，都在尽快将知识传递给他人。我学到的任何东西，都不会在我这里停留超过一瞬间——“天啊，这个太酷了”，还没等我完全消化，就会立刻分享给其他人：“快来关注这个，太有意思了，你一定会想学习的。”
我一直在传递知识、赋能他人、提升身边所有人的能力，我希望最终能实现的目标是：在工作岗位上突然离世，没有漫长的痛苦。
Lex Fridman：这对我意义重大。谢谢你，黄仁勋。
黄仁勋：谢谢你，Lex Fridman。
Lex Fridman：最后，我想引用艾伦・凯的一句话作为结尾：“预测未来的最佳方式，就是创造未来。” 感谢收听，我们下次再见。
热门跟贴