Jensen Huang: NVIDIA - The $4 Trillion Company & the AI Revolution | Lex Fridman Podcast #494

Jensen Huang 在 Lex Fridman 播客深度剖析 NVIDIA 极端协同设计、rack-scale 架构、Amdahl's Law 在分布式计算中的挑战、$4 万亿市值背后的技术哲学

元信息

| 项目 | 详情 |

|------|------|

| 被访者 | Jensen Huang（CEO & 创始人, NVIDIA） |

| 访谈者 | Lex Fridman |

| 来源 | Lex Fridman Podcast #494 |

| 日期 | 2026-03-23 |

| 时长 | ~145 分钟 |

Executive Summary

• NVIDIA 的核心竞争力不是芯片本身，而是 CUDA 安装基数和极端协同设计（extreme co-design）的组织能力。 Jensen 直报 60+ 人，不做一对一会议，所有问题以群体攻关形式处理，公司组织架构本身就是"极端协同设计"的映射——GPU、CPU、内存、网络、散热、软件全栈同时优化，过去 10 年将计算性能提升了 100 万倍（Moore's Law 同期仅约 100 倍）。
• 四大 scaling law 构成 AI 算力需求的飞轮：预训练、后训练、测试时推理、Agentic 扩展。 Jensen 认为"推理很简单"的论调从一开始就是错的——推理本质是思考，思考远比阅读（预训练）困难，测试时计算密度极高。Agent 系统会生成大量新数据，回灌预训练和后训练，形成持续循环，最终"智能只由一个变量决定：算力"。
• 计算范式已从"文件检索系统"变为"token 工厂"，NVIDIA 的商业叙事随之改写。 Jensen 将 AI 数据中心定义为"工厂"而非"仓库"：仓库不赚钱，工厂直接关联营收。Token 正在分层定价——免费 token、中档 token、$1000/M token 的高端 token "不是会不会来，只是什么时候来"。这意味着全球 GDP 中用于计算的比例将增长 100 倍。
• Jensen 的领导哲学是"持续塑造信念系统"：不做年终大计划、不做突然转型，而是每天从不同角度铺垫未来方向。 从对内管理团队到对外说服供应链 CEO、DRAM 厂商投资 HBM，再到 GTC 大会塑造行业信念——到正式宣布决策那天，所有人的反应应该是"你怎么才来"。Mellanox 收购、deep learning 全面投入、Grok 发布都是这一方法的实例。
• 对"AI 取代工作"的回应：编程人口将从 3000 万扩展到 10 亿，放射科医生的故事是最好的反例。 计算机视觉 2019-2020 年已达超人水平，但放射科医生数量不降反升，因为"职业目的"和"任务工具"是两回事。Jensen 预期每个木匠、水管工、会计师、农民都将成为 coder——"specification 就是 coding"。

贯穿全场的核心线索是"极端协同设计"——这不仅是 NVIDIA 的技术方法论，更是 Jensen 经营公司、说服供应链、塑造行业信念、甚至处理个人焦虑的统一操作系统。 从 60 人直报的组织架构到说服 DRAM CEO 投资 HBM，从 CUDA 安装基数到 Vera Rubin 机架的 200 家供应商协同，从 Amdahl's Law 到"先从第一性原理推导光速极限"——每一个决策都是同一个信号：把所有变量拉到同一个房间，全栈优化。

核心要点：当计算问题无法由单颗 GPU 解决时，整个系统——GPU、CPU、内存、网络、交换、散热、供电、软件——必须作为一个整体被同时优化，而公司组织必须反映这一现实。

• Jensen 解释 extreme co-design 的必要性源自 Amdahl's Law：如果计算只占总工作量的 50%，即使计算速度提升 100 万倍，总体也只能加速 2 倍。因此必须同时攻克网络、存储、散热、CPU 等每一个瓶颈，否则线性扩展或依赖已放缓的 Dennard scaling，根本无法满足需求。
• Jensen 直接汇报的人有 60+ 人（"More"），几乎全部有工程背景——HBM 专家、CPU 专家、光学专家、GPU 架构师、算法专家等。他不做一对一会议（"I don't do one-on-ones"），而是把问题摆上来，所有人一起攻。即使讨论散热，网络和内存的人也在旁边听——"whoever wants to tune out, tune out"，但如果他们本可贡献却没说话，Jensen 会点名叫他们进来。
• Lex 追问"这么多不同学科的专家怎么协作"，Jensen 回答"这就是为什么我的 staff 这么大"——组织架构是产品架构的映射。公司的目标是成为"生产产品的机器"，而不是照搬千篇一律的汉堡式组织结构图。
• 从 Grace Blackwell 机架到 Vera Rubin 机架的演进验证了 co-design 的动态性：Grace Blackwell 完全针对 MoE 大模型推理优化，一年后 Vera Rubin 机架加入了存储加速器、全新 Vera CPU、NVLink 72 和新的 Rock 机架——因为目标从"跑 LLM"变成了"跑 agent"，agent 需要工具调用、文件系统访问、研究能力。

"We present a problem and all of us attack it. Because we're doing extreme co-design. And literally, the company is doing extreme co-design all the time." —— Jensen Huang

核心要点：CUDA 安装基数是 NVIDIA 最核心的竞争优势——不是技术本身，而是 43,000 名员工 20 年的持续投入和数百万开发者的信任构建了这条护城河。

• NVIDIA 的演进路径：专用加速器 → 可编程像素着色器 → FP32 IEEE 兼容 → Cg → CUDA。每一步都在"专用化加速"和"通用化计算"之间走钢丝——太专用则市场窄、R&D 容量小，太通用则丧失加速优势。Jensen 称之为"fundamental tension"。
• 将 CUDA 放上 GeForce 是"接近生存威胁的战略决策"。CUDA 使消费级 GPU 成本增加 50%，而当时 NVIDIA 毛利率只有 35%，全部利润被吞噬。市值从约 70-80 亿美元跌到约 15 亿美元，"we were down there for a while"。但 Jensen 坚持，因为 GeForce 是安装基数的入口——当时还没有云计算，GeForce 是唯一能把超级计算机放进每个大学实验室的途径。
• Jensen 用 x86 的例子说明"安装基数定义架构"：x86 架构备受批评、远不如 RISC 优雅，但 x86 存活了，大量"beautifully architected" 的 RISC 架构失败了。"Install base defines an architecture. Everything else is secondary."
• 说服董事会的过程很艰难——管理层知道毛利率会被压垮，所有 gamer 都不会为 CUDA 付费。Jensen 的推理是：CUDA 终将进入工作站和超级计算机，那些领域可以获取更高利润。"But it still took a decade."
• 今天，CUDA 安装基数覆盖 Google Cloud、AWS、Azure、CoreWeave、Nscale、Lilly 超级计算机、汽车、机器人、卫星。"One architecture is in all these different systems." 对开发者来说，选择 CUDA 意味着：每 6 个月性能提升 10 倍、触达数亿台设备、100% 信任 NVIDIA 会永远维护和优化。

"NVIDIA is the house that GeForce built, because it was GeForce that took CUDA out to everybody." —— Jensen Huang

核心要点：预训练 → 后训练 → 测试时推理 → Agentic 扩展构成完整飞轮，数据不再是瓶颈，算力才是；认为"推理芯片可以做得又小又便宜"的想法从逻辑上就不成立。

• 预训练 scaling law：Ilya Sutskever 说"pre-training is over"引发行业恐慌，但 Jensen 认为"obviously not true"。合成数据将填补人类数据的缺口——"most of the data that we teach each other with is synthetic"，AI 可以取 ground truth 并增强/合成生成海量数据，最终训练不再受数据限制，而是受算力限制。
• 后训练 scaling law：通过人类生成数据缩小但合成数据持续扩展的方式继续 scale。
• 测试时 scaling law：Jensen 回忆当初很多人说"推理很容易，预训练才难"，推理芯片将是小型便宜芯片，可以商品化——"everybody can build their own chips"。Jensen 当时就觉得这不合逻辑："Inference is thinking, and thinking is hard. Thinking is way harder than reading." 预训练只是记忆和泛化，推理涉及推理、规划、搜索、分解问题、探索，计算密度极高。事实证明 NVIDIA 判断正确。
• Agentic scaling law：一个 LLM agent 会生成子 agent 团队，就像"hiring more employees to scale NVIDIA rather than scaling myself"。Agent 产生的大量新数据和经验回灌预训练（"memorize this"），再经后训练微调，增强测试时推理，然后再部署 agentic 系统——循环往复。

"Intelligence is gonna scale by one thing, and that's compute." —— Jensen Huang

核心要点：NVIDIA 的"产品心智模型"已从"拿起一块芯片展示"变为"一个连接电网、冷却系统和万人运维团队的 GW 级基础设施"，下一步是行星尺度。

• Jensen 描述了自己心智模型的演进：过去发布新品时拿起芯片是真正的认知——"that was my mental model of what I was building"。如今芯片展示"still adorable"，但他脑中看到的是连接电网的 GW 级数据中心，配有巨型冷却系统、万人团队上电。"Powering up one of those factories, it's not somebody going, 'It's on now.' It takes thousands of people to bring it up."
• Vera Rubin pod 的规模：7 种芯片类型、5 种专用机架类型、40 个机架、1.2 quadrillion 个晶体管、近 20,000 颗 NVIDIA 芯片、1,100+ 颗 Rubin GPU、60 exaflops、10 PB/s 的 scale 带宽——这只是一个 pod。NVL 72 单个机架就有 130 万个组件、1300 颗芯片、4000 个 pod 挤进 19 英寸宽的机架中。NVIDIA 大约需要每周生产 200 个这样的 pod。
• NVLink 72 改变了供应链模式：超级计算机的集成从数据中心内组装变为供应链中制造——"ships 'em two, three tons at a time per rack"。这要求供应链本身也具备 GW 级的测试用电能力。Jensen 亲自飞到供应商处解释这一变化，并请他们各投入数十亿美元的资本开支。
• Jensen 关于复杂性的原则："As complex as necessary, but as simple as possible." 必须测试每一层复杂性是否真的必要，超出的部分是"gratuitous"。

"When I see what NVIDIA builds, I wouldn't... Picking up the chip is kind of still adorable. But it's adorable. It's not my mental model of what I'm doing." —— Jensen Huang

核心要点：电力是 AI 扩展的现实约束，但 Jensen 提出一个被严重低估的方案——电网 99% 的时间都有 ~40% 的闲置容量，数据中心应该设计为可优雅降级而非要求六个九可用性。

• Jensen 的核心洞察：电网为极端天气（冬季/夏季各几天）设计了峰值容量加余量，99% 的时间运行在约 60% 峰值负荷。剩余容量"just sitting idle"，Jensen 想要的就是这些闲置电力。
• 三方解法：（1）终端客户（云服务客户的 CEO，而非合同谈判人员）需要理解自己在要求什么——"I bet the CEO doesn't know this"，合同谈判者双方各自追求最佳条款，层层传导到 CSP 再到电力公司，最终要求六个九——Jensen 要找 CEO 直接沟通；（2）数据中心必须设计为可"graceful degradation"——电网通知降到 80% 时，转移关键工作负载、降低计算速率、稍微增加延迟，"That's no problem at all"；（3）电力公司应提供更多层级的供电保证方案，而非一刀切——"if you're willing to take power of this level of guarantee, I can make them available for you next month."
• NVIDIA 在 token/秒/瓦特上的持续极端优化使这一策略可行。过去 10 年 Moore's Law 进步约 100 倍，NVIDIA 通过极端协同设计将计算性能提升了 100 万倍。计算机价格在上升，但 token 生成效率上升更快，token 成本每年下降一个数量级。

核心要点：Jensen 的领导方法不是年终大计划或突然转型，而是每天持续地从各种信息中提取信号，在管理层、员工、董事会、合作伙伴间逐步塑造信念系统——到正式宣布的那天，所有人的反应应该是"你怎么才来"。

• Jensen 解释他如何做出重大决策：先通过好奇心驱动的信息收集和推理，在自己脑中"manifest a future"——"so convincing, there's no way it won't happen"。然后利用每一个机会——外部信息、新发现、工程里程碑——在组织内部逐步铺垫。
• 具体案例——Mellanox 收购：到 Jensen 说"Hey, let's buy Mellanox"那天，"it's completely obvious to everybody that we absolutely should"。Deep learning 全面投入也是如此——"I've already been laying down the bricks to different organizations inside the company"。
• GTC 大会的战略功能不仅是产品发布，更是"shaping the belief system of my partners in the industry"。Grok 的发布也是——"I've been talking about the stepping stones for two and a half years." 回头看 GTC 历史，每一步都在为最终宣布铺路。
• 信念塑造不只对内，对供应链同样如此。Jensen 亲自说服 DRAM 行业 CEO 投资 HBM——三年前 HBM 还几乎只用于超算，听起来荒谬；他还说服手机低功耗内存 LPDDR5 用于数据中心超算，对方反应是"Cell phone memory for supercomputers?"。结果三家内存厂商都创下 45 年公司历史上最好的年度业绩。
• 同时他也塑造下游：GEV、Caterpillar 等基础设施公司。GTC 大会上几百位 CEO 到场——Jensen 称这可能是"没有过的几百位 CEO 同时参加一场 keynote"的情况。

"I imagine that the employees are kind of saying, 'You know, Jensen, what took you so long?'" —— Jensen Huang

核心要点：Jensen 认为 OpenClaw 对 agentic 系统的意义相当于 ChatGPT 对生成式 AI 的意义——它是"token 的 iPhone"，是历史上增长最快的应用，"went straight up"。

• Jensen 用"数字工人"的思想实验推导 agent 系统的必然属性：数字工人需要访问 ground truth（文件系统）、需要做研究（不必等 AI 全知全能才有用）、需要使用工具（就像人形机器人进你家用微波炉而不是从手指发射微波），需要 I/O 子系统。这些属性恰好就是 OpenClaw 的功能——而 Jensen 声称他两年前在 GTC 上展示的 agentic 系统架构图与今天的 OpenClaw 完全一致。
• "我们刚刚重新发明了计算机"——agent 的出现从根本上改变了计算的定义。Jensen 对"AI 将消灭软件和工具"的说法嗤之以鼻："That's ridiculous." 他用人形机器人类比：最好的人形机器人到你家，是用你现有的微波炉加热食物，而不是从手指发射微波。"The first time it goes up to the microwave, it probably doesn't know how to use it. But that's okay. It's connected to the internet. It reads the manual."
• NVIDIA 对 OpenClaw 安全的贡献：与安全专家合作推出 OpenShell（已集成进 OpenClaw）和 NemoClaw。核心安全原则："二选三"——agentic 系统可以访问敏感信息、执行代码、外部通信，任何时刻最多只给两种能力，再加上企业权限访问控制和策略引擎。
• Lex 提到 Vera Rubin 的系统设计必须在 Claude Code、Codex、OpenClaw 出现之前就完成，问 Jensen 是否靠行业"whispers"预判。Jensen 说不需要——"you just reason about it"——用第一性原理推导 LLM 作为数字工人必须具备的能力，系统架构的方向就自然明确了。

"OpenClaw is the iPhone of tokens." —— Jensen Huang

核心要点：Jensen 将中国的科技成功归结为五个结构性因素：人才密度、时机契合、内部竞争、开源文化、以及"builder nation"的领导层背景。

• 全球约 50% 的 AI 研究者是华人，大部分仍在中国。中国科技行业恰好在移动+云时代崛起，软件是他们的贡献方式。
• 中国不是一个统一的经济体，而是多个省市的市长互相竞争——这解释了为什么有那么多 EV 公司、那么多 AI 公司。"Insane competition internally. What remains is an incredible company."
• 社会文化上"家庭第一、朋友第二、公司第三"，工程师之间是同学（"schoolmate concept: one schoolmate, you're brother for life"），知识流动极快——"They're essentially open source all the time." 这使得正式的开源社区贡献变得自然。
• 美国的领导者主要是律师（维护法治），中国的领导者多是工程师（建设国家）——"Our country's leaders, incredible, but they're mostly lawyers. Their country was built out of poverty. Most of their leaders are incredible engineers."

核心要点：TSMC 最大的误解是"只有技术好"——Jensen 认为它的真正竞争力是同时做到技术前沿、制造编排能力和客户信任三者世界级。

• Jensen 指出最大的误解是"someone shows up another transistor, game over"。真正的壁垒是 TSMC 同时管理数百家客户的动态需求——wafer 加急、取消、客户间转换、产能调度——在高良率、低成本、按时交付下运行全球最复杂的半导体工厂。"Their manufacturing system is completely miraculous."
• TSMC 文化同时做到两件通常矛盾的事：技术最前沿 + 客户服务最优。"A lot of companies are at the bleeding edge of technology, but they're not the best customer service oriented company." TSMC 两者都是世界级。
• NVIDIA 与 TSMC 合作三十年，"I don't know how many tens, hundreds of billions of dollars of business we've done through them, and we don't have a contract." Jensen 将 NVIDIA 整个公司建在 TSMC 之上——"I trust them to put my company on top of them."
• Morris Chang（TSMC 创始人）2013 年邀请 Jensen 出任 TSMC CEO，Jensen 深感荣幸但婉拒——他已在脑中看到 NVIDIA 将成为什么，以及它将产生的影响。"It's my sole responsibility to make this happen."

核心要点：Jensen 30 年来的方法论核心是"speed of light"——不是速度的速度，而是物理极限。每一个工程决策都先问"物理定律允许的极限是什么"，然后从极限往回退让，而非从现状出发做渐进改进。

• "Speed of light" 覆盖所有维度：内存速度、计算速度、功耗、成本、时间、人力、制造周期。对延迟 vs 吞吐量、成本 vs 容量等约束分别测试极限，然后综合取舍——"a system that achieves extremely low latency versus a system that achieves very high throughput are architected fundamentally differently."
• Jensen 明确反对"continuous improvement"方法论：如果有人说"今天要 74 天，我们能做到 72 天"，他会把问题回到零——"First of all, explain to me why 74 days in the first place." 从头推导，答案可能是 6 天。然后从 74 天到 6 天的讨论就变得"surprisingly much more effective"。
• 这与 Elon Musk 的方法高度平行。Jensen 赞赏 Elon 在孟菲斯四个月建成 Colossus 超算（20 万颗 GPU）的能力：质疑一切（是否必要？必须这样做吗？必须这么久吗？），做到"minimal amount that's necessary, you can't take anything else out"，亲临行动现场（"show me the problem"），以个人紧迫感驱动所有供应商将 NVIDIA 项目设为最高优先级。
• Lex 提到自己看过 Elon 亲自研究如何将线缆插入机架的细节过程——从最微观任务到最宏观系统层面建立直觉，然后用"let's do it totally different"的大锤消除障碍。

"I'd rather strip it all back to zero and say, 'First of all, explain to me why 74 days in the first place.'" —— Jensen Huang

核心要点：NVIDIA 的增长逻辑不是市场份额争夺，而是市场创造——"Almost everything that I just talked about don't exist"——从文件检索系统到 token 生成工厂的范式转换意味着全球 GDP 中计算占比将扩大 100 倍。

• Jensen 阐述两个"foundational technical reasons"：（1）计算从检索型变为生成型——过去是预录内容、文件检索、推荐系统；现在 AI 必须实时处理上下文并生成 token，计算需求数量级增长；（2）计算从仓库变为工厂——仓库不赚钱，工厂直接产生营收。
• Token 的"iPhone 时刻"已经到来：token 开始像 iPhone 一样分层——免费 token、中档 token、高端 token。"The idea that somebody's willing to pay $1000 per million tokens is just around the corner. It's not if, it's only when."
• Jensen 回忆被告知"fabless semiconductor company 理论上不可能超过 $10 亿收入"，后来被告知"不可能超过 $250 亿"——这些都不是第一性原理思考。"NVIDIA is not in the market share business. Almost everything that I just talked about don't exist. That's the part that's hard."
• $3 万亿年收入 Jensen 认为"of course yes"——不受任何物理定律限制，供应链负担由 200 家合作伙伴共担，能源问题终将解决。Vera Rubin 机架有 200 家供应商、130 万组件——NVIDIA 是在生态系统的"backs"上扩展。

核心要点：AI 不会消灭职业，而是改变完成职业的工具——编程的定义正在从"写代码"变为"写 specification"，编程人口将从 3000 万扩展到约 10 亿。

• 放射科医生的故事：这是 AI 研究者宣称将最先消失的职业。计算机视觉确实在 2019-2020 年达到超人水平，但放射科医生数量不降反升。原因：AI 使扫描速度大幅提升，医院能看更多病人、赚更多钱、需要更多放射科医生。"The alarmist warning went too far and it scared people from doing this profession that is so important to society. And so it did harm."
• Jensen 的区分框架："职业目的"和"任务工具"是相关但不同的概念。软件工程师的目的是解决问题，不是写代码行数。"I didn't care how many lines of code they wrote." 只要目的不变，AI 改变的是工具。
• 编程定义的重构："Coding, as of today, is simply specification." 能写 specification 的人从专业程序员的 3000 万直接跃升到约 10 亿——"every carpenter in the future will be a coder, except a carpenter with AI is also an architect." 每个木匠、水管工、会计师、农民都应该"go berserk"地拥抱 AI，因为他们为客户提供的服务价值将被大幅拉升。
• Jensen 关于 specification 精度的思考：给 43,000 名员工下达方向时，他故意"under specify"——足够具体让人可以行动，但留出空间让团队做得比他想象的更好。在编程的光谱上，每个人都要找到自己的位置——从高度规定性到高度探索性。

"How many people could describe a specification for a computer to go build? I think we just went from 30 million to probably 1 billion." —— Jensen Huang

核心要点：Jensen 处理巨大压力和低谷的方法论是"分解问题 → 分担给能行动的人 → 系统性遗忘 → 被下一个未来吸引"——与他训练 AI 模型的思维框架高度一致。

• Jensen 意识到 NVIDIA 对美国的重要性：巨额税收、技术领先地位对国家安全的意义、再工业化创造的就业、甚至普通投资者（教师、警察）因持有 NVIDIA 股票而成为百万富翁。他对这些责任"completely aware"。
• 处理焦虑的方法论与他管理公司完全同构：分解问题、推理每一步可以做什么、把负担分享出去——"Whatever worries me, tell somebody else. Don't just keep it. Decompose the problem into smaller parts and get people to go do something about it."
• "系统性遗忘"——Jensen 将其类比为 AI 学习中的 systematic forgetting："You can't memorize everything. You can't keep everything." 然后被下一个光亮的未来吸引——"like great athletes, they just worry about the next point."
• 关于"开始比预期难一百万倍"的名言，Jensen 的解读是：这恰恰是"how hard can it be?"这种"child's mind"超能力的价值所在。不要提前模拟所有挫折——"You wanna go into a new experience thinking it's gonna be perfect"——当挫折真正来临时，依靠韧性和遗忘能力应对。
• Jensen 关于公开推理和容忍尴尬：他在会议中持续当众推理，让所有人看到推理步骤而非直接给结论——"they don't have to disagree with your outcome, they can disagree with your reasoning steps"。这需要极高的"tolerance for embarrassment"——很多次在公开场合被证明错误，但这正是保持开放性的代价。他提醒大家他的第一份工作是洗厕所。

"One of the most important attributes of AI learning is systematic forgetting. You need to know when to forget some things." —— Jensen Huang

核心要点：DLSS 5 引发玩家对"AI slop"的担忧，Jensen 表示理解但强调 DLSS 5 是 3D 条件引导的、保真于原始几何和艺术家意图的增强工具，而非后处理滤镜。GeForce 至今仍是 NVIDIA 最重要的营销渠道。

• Jensen 对玩家的担忧表示共情——"I don't love AI slop myself"。但 DLSS 5 与 AI slop 有本质区别：它是 3D conditioned、ground truth structure data guided，完全忠于艺术家设定的几何和纹理，每一帧增强但不改变任何东西。未来甚至支持用户自定义风格（toon shader 等）。
• GeForce 的战略价值超越显卡收入："GeForce is our still, to this day, our number one marketing strategy." 用户在青少年时代通过打游戏认识 NVIDIA，大学时开始用 CUDA，工作后用 Blender/Dassault/Autodesk——这是一个从 consumer 到 developer 到 enterprise 的漏斗。
• Jensen 认为游戏史上最重要的游戏是 Doom——"turning a PC from an office automation tool into a personal computer"。从游戏技术角度则是 Virtua Fighter。NVIDIA 还推出了 RTX Mod 工具，让社区将最新技术注入老游戏。

核心要点：Jensen 认为智能即将被商品化——他被 60 位在各自领域都超越他的人围绕，但他坐在中间协调所有人。这说明智能是功能性的，人性（韧性、同理心、慷慨、判断力）是更高维的能力。

• Jensen 的自我定位充满反差：直报 60 位各领域超人、"better educated, went to better schools, deeper in any of the fields"，但他——一个曾经的洗碗工——坐在中间协调所有人。"What is it about a dishwasher that allows that dishwasher to sit in the middle of superhumans?"
• 他的结论：智能和人性是两个不同的词。"Intelligence is a functional thing. Humanity is not specified functionally. It's a much, much bigger word." 智能即将被民主化和商品化，真正应该被拉升的词不是"intelligence"而是"humanity"——compassion、generosity、character。
• 对 AGI 的判断：Jensen 认为"I think we've achieved AGI"——以 OpenClaw 为例，一个 agent 完全可以创建一个 web service/app，几十亿人使用，超过十亿美元价值。"Now, the odds of 100,000 of those agents building NVIDIA is zero percent."
• 关于意识和芯片的局限：Jensen 认为芯片不会"get nervous"——AI 可以识别和理解情感，但不会感受情感。两台相同条件下的计算机会产生统计上不同的结果，但"it's not because it felt different"。
• 对未来的浪漫主义："It's a reasonable thing to expect the end of disease. It's a reasonable thing to expect that pollution will be drastically reduced." Jensen 甚至畅想将意识上传——先送人形机器人上太空，持续改进，然后将自己的一生数据（邮件、言行）以光速传送去"catch up with my robot"。
• 关于继任计划：Jensen 著名地"不信继任计划"——不是因为自认不死，而是因为如果你真的担心，最应该做的是"每天持续不断地传递知识"。他的每一次会议都是推理会议，每一条新学到的信息"nothing sits on my desk longer than a fraction of a second"。他希望的结局是"die on the job, instantaneously"。

"What is it about a dishwasher that allows that dishwasher to sit in the middle of superhumans?" —— Jensen Huang

| 项目 | 详情 |

|------|------|

| Jensen Huang | NVIDIA CEO & 创始人，在任 34 年，全球最长任期科技 CEO |

| CUDA | NVIDIA 的 GPU 通用计算平台，目前版本 13.2，覆盖数亿台设备 |

| NVLink 72 | 将 72 颗 GPU 连接为单一计算域的互联技术，支持 4-10 万亿参数模型如同运行在单颗 GPU 上 |

| Grace Blackwell 机架 | 上一代机架，专为 MoE LLM 推理设计 |

| Vera Rubin 机架/Pod | 新一代系统，加入存储加速器、Vera CPU、Rock 机架，专为 agent 工作负载设计 |

| Vera Rubin Pod 规格 | 7 种芯片、5 种机架类型、40 机架、1.2 quadrillion 晶体管、~20,000 NVIDIA 芯片、1,100+ Rubin GPU、60 exaflops、10 PB/s 带宽 |

| NVL 72 机架组件 | 130 万个组件、1,300 颗芯片、200 家供应商 |

| 每周生产目标 | ~200 个 pod/周 |

| OpenClaw | 开源 agentic 系统框架，被 Jensen 称为"token 的 iPhone"，"历史上增长最快的应用" |

| NemoClaw / OpenShell | NVIDIA 为 OpenClaw 开发的安全方案，"二选三"原则 |

| Nemotron 3 Super | 120B 参数开源 MoE 模型（transformer + SSM），开放模型/权重/数据/训练方法 |

| Morris Chang | TSMC 创始人，2013 年曾邀 Jensen 任 TSMC CEO |

| TSMC | 与 NVIDIA 合作 30 年，无正式合同，交易规模达数百亿至上千亿美元 |

| Colossus | xAI/Elon Musk 在孟菲斯 4 个月内建成的超算，20 万颗 GPU |

| Mellanox | NVIDIA 收购的高性能网络公司，Jensen 用信念塑造法为收购做了长期铺垫 |

| Amdahl's Law | 加速比受非可并行部分限制的定律，extreme co-design 的理论基础 |

| Dennard Scaling | 晶体管缩小时功耗密度不变的定律，已基本失效 |

| CUDA 对 GeForce 影响 | 成本增加 50%，当时毛利率 35%，市值从 ~$70-80 亿跌至 ~$15 亿 |

| AI 研究者分布 | 全球约 50% 为华人，大部分仍在中国 |

| Token 定价趋势 | 从免费到 $1,000/M token 高端市场，"not if, it's only when" |

| 编程人口预测 | 从 3,000 万专业程序员扩展至约 10 亿（specification = coding） |

| 计算性能增速 | 过去 10 年 Moore's Law 约 100 倍，NVIDIA 通过 co-design 实现 100 万倍 |