NVIDIA's Jensen Huang on Reasoning Models, Robotics, and Refuting the "AI Bubble" Narrative

Jensen Huang 年终回顾：摩尔定律终结后的架构创新、推理 token 经济学的爆发、AI bubble 叙事的反驳、中国出口管制的复杂性，以及 NVIDIA 如何赢在全栈整合

元信息

| 项目 | 详情 |

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

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

| 访谈者 | Sarah Guo & Elad Gil（No Priors 播客主持人） |

| 来源 | No Priors 播客（年终特辑） |

| 日期 | 2026-01-08（回顾2025年） |

| 时长 | ~76 分钟 |

Executive Summary

• 2025年AI行业在grounding、reasoning和搜索集成三个方向取得重大突破，有效回应了"幻觉"和"生成垃圾"这一最大质疑。 Huang对此表达了"整个行业的骄傲"，特别指出路由器（router）技术使模型能根据置信度自动进行深度研究，大幅提高了回答质量和准确性。与此同时，推理token的生成量以"多个指数级"速度增长，且这些token已变得有利可图——Open Evidence毛利率达90%，Cursor和Claude的企业版利润率同样出色。
• Huang用"task vs. purpose"框架系统性反驳了AI取代人类工作的叙事。 他以放射科为核心案例：Hinton五六年前预言放射科将被AI取代，如今100%的放射学应用确实已由AI驱动——但放射科医生的数量反而增加了。原因在于放射科医生的"purpose"不是看片子，而是诊断疾病、做研究。AI提升了效率后，医院能接诊更多患者、创造更多收入，从而雇佣更多放射科医生。这个逻辑同样适用于律师（purpose是保护客户而非读合同）、软件工程师（purpose是解决问题而非写代码）和服务员（purpose是创造体验而非记单）。
• 在中国出口管制问题上，Huang立场鲜明但务实：中美"脱钩"是"天真的"，两国关系是"下个世纪最重要的双边关系"。 他认为中国已有华为等自主军事级芯片能力，美国通用芯片不太可能被中国军方采用；同时，中国互联网产业的增长为Intel、AMD、美光等美国芯片公司创造了巨大市场——不能只看到中国互联网对Google们的竞争压力，而忽视整个技术栈的受益。他特别强调DeepSeek可能是"过去几年对美国AI贡献最大的单篇论文"。
• Huang对"AI泡沫"的回应是一套多层次的逻辑推演：即使所有生成式AI聊天机器人公司不存在，NVIDIA仍将是千亿美元级公司。 他将AI产业拆解为能源→芯片→基础设施→模型→应用的五层蛋糕，指出NVIDIA的自动驾驶业务正逼近100亿美元、数字生物学/金融量化/机器人各自数十亿美元，全球100万亿美元GDP中约2%（即2万亿美元）的研发支出正在从传统实验室向超级计算机转移。OpenAI如果拥有双倍算力，收入就会翻倍——瓶颈是产能而非需求。
• 贯穿全场的核心线索是"回归常识，拒绝极端叙事"。 从"AI取代所有工作"到"God AI即将到来"，从"AI泡沫论"到"能源危机"，Huang反复将每一个极端主张拉回地面，用同一个方法论拆解：先建立framework（五层蛋糕/task vs. purpose），再用具体数据和案例填充，最终得出"我们需要的是常识和平衡，而不是科幻叙事"的结论。他直言部分业界知名人士向政府渲染末日场景的行为"极其有害"，其动机可能是"监管俘获"——用恐惧驱动立法来遏制创业公司的竞争。

核心要点：整个行业在过去一年内系统性解决了"幻觉"问题，推理token以多个指数级增长且已实现盈利，这是AI从"能用"到"可信赖"的转折点。

• Huang回顾2025年时，特别区分了"不令人意外"和"令人骄傲"的进展。Scaling laws继续验证属于前者；真正让他骄傲的是grounding（事实锚定）、reasoning（推理能力）以及模型与搜索引擎的深度连接这三项进步。
• 路由器（router）技术是一个关键创新——模型现在可以根据自身对答案的置信度，自动决定是否去做额外研究来提高准确性。Huang认为这根本性地解决了AI早期最大的质疑："幻觉和生成垃圾"。
• 推理token的生成率增长速度令Huang"有些惊讶"，他用"several exponentials at the same time"来形容。更重要的是，这些token已经实现盈利：Open Evidence的毛利率高达90%，Cursor、Claude企业版、OpenAI企业版的利润率同样出色。
• 这一技术进步已渗透到各个垂直领域：Open Evidence在医学信息领域让医生将其视为"可信赖的资源"，Harvey在法律领域成为专业人士的"对手方"工具。Huang强调这已经不是"玩具"阶段，而是各行业专家真正在使用的生产力工具。

"I think the whole industry addressed one of the biggest skeptical responses of AI which is hallucination and generating gibberish... the application of reasoning and the grounding of the answers — big, big leaps." —— Jensen Huang

核心要点：每个工作都有"任务"（task）和"目的"（purpose）之分，AI自动化的是任务，但职业的核心价值在于目的——只要社会对目的的需求没有穷尽，就业就会增加而非减少。

• Huang举了Jeff Hinton的预言作为开场：五六年前Hinton建议年轻人不要进入放射学，因为AI将完全接管。如今他的预言100%成真——所有放射学应用确实都已由AI驱动。然而，放射科医生的数量反而增加了。原因是：放射科医生的task是看片子，但purpose是诊断疾病和做研究。AI让他们能看更多片子、做更深入的分析，医院变得更高效、更赚钱，因此需要雇佣更多放射科医生。
• 主持人Sarah Guo在此处有一个很好的呼应——她的嫂子Erin正在斯坦福领导核医学项目，亲身见证了这些技术进步如何让医生们更渴望工作，而非担心失业。"这些医生真的欢迎技术进步，他们每天工作20小时，试图做更多研究、服务更多患者。"
• Huang将同一框架层层推进：律师的task是读写合同，但purpose是帮你解决冲突、保护你；软件工程师的task是写代码，但purpose是发现和解决问题；服务员的task不是记单，而是让你有一次好的用餐体验。他自嘲说自己大部分工作日在打字——"that's my task, but my purpose is obviously not typing"。
• 在NVIDIA内部，所有工程师都在使用Cursor。但NVIDIA的招聘速度反而越来越快——"每周一都是'来NVIDIA工作日'"。Huang说如果他的工程师们完全不写代码只专注于解决问题，他会非常高兴。

"Nothing would give me more joy than if none of them are coding at all. They're just solving problems." —— Jensen Huang

核心要点：AI不仅没有消灭就业，还催生了三类全新的实体工厂——芯片厂、超级计算机厂和AI工厂——正在全美大规模建设，蓝领工人的薪资正在翻倍。

• Huang特别强调了一个经常被忽略的事实：AI与传统软件有本质区别。Excel是几百名工程师写好、编译、发行的"预录制软件"，用几年都不用变。而AI每次使用都在实时生成全新的token——"every single token for the first time, every time"。这意味着AI需要持续运行的"工厂"来不断生产token。
• 由此催生三类新型"工厂"：芯片制造厂（TSMC、SK海力士大规模扩建）、超级计算机工厂（Grace Blackwell整个机架就是一个GPU）和AI推理工厂。这三类工厂正在美国各地大规模建设。
• 最有"体感"的细节是：电工们的薪水正在翻倍，他们开始像白领一样出差——"They're going on business trips." Huang对此"非常兴奋"。这些建设所需的施工人员、水管工、电工、网络工程师等蓝领技术工人的需求量是巨大的。
• 同样的逻辑延伸到机器人领域：如果未来有十亿台机器人，机器人维修将成为"地球上最大的维修产业"。他以今天的自动驾驶出租车为例——看看每个运营中心需要多少维护人员。

"I'm so excited to hear that electricians are seeing their paychecks double. They're being paid to travel — like us. We go on business trips. They're going on business trips." —— Jensen Huang

核心要点：全球面临严重的劳动力短缺（工厂工人、卡车司机、会计、护士），叠加人口老龄化，机器人的首要功能是填补而非取代。

• Huang列举了多个劳动力短缺领域：工厂缺工人、卡车司机严重不足（"人们不想过那种每晚住在不同地方的生活"）、会计行业缺人、护理行业缺人。这不是美国独有的问题，全球都面临人口老龄化带来的劳动力缺口。
• Sarah Guo在此处补充了一个关键洞察：大多数人低估了"latent demand"（潜在需求）。没有人觉得美国或全球医疗保健已经达到了最好水平——"让这些人更高效，需求只会更大"。Huang完全认同：如果NVIDIA更高效，结果不是裁员，而是探索更多新方向。
• Huang对机器人产业的时间预判比自动驾驶乐观得多。他回顾了自动驾驶的四个时代：（1）智能传感器时代（Mobileye初期，用大量人工工程算法和极端精细的地图，本质是"数字轨道"）；（2）感知+世界模型+规划的模块化时代（各模块各有技术瓶颈，系统太脆弱）；（3）端到端模型时代；（4）端到端+推理模型时代。他感慨"如果自动驾驶三年前才起步，我们可能已经到了同样的位置"——大量早期工作是在技术不成熟时启动的。
• NVIDIA的自动驾驶安全评级如今全球第一，特斯拉第二。Huang特别自豪"两家美国公司排在最前面"。而机器人因为可以直接继承自动驾驶和AI领域已有的基础技术，进展会快得多。

核心要点：没有开源AI，初创公司、高等教育、百年老牌企业都将"窒息"；任何政策都不应损害这个创新飞轮。

• Huang对开源的立场非常坚定：闭源前沿模型的商业策略完全合理（"他们怎么计算投资回报是他们的事"），但如果没有开源，初创公司、制造业、交通业、医疗行业的AI应用将全部"suffocated"（窒息）。这些行业需要预训练好的基础模型来做领域微调，不可能每家都从零训练。
• 他将这个观点扩展到更大的格局：没有开源，就没有高等教育中的AI教学，没有科研突破，没有创业公司的技术基础。"whatever you decide, whatever you do, don't forget open source"——这是他花大量时间向政策制定者传达的核心信息。
• 针对"不应将AI皇冠珠宝拱手让给其他国家"的叙事，Huang直接回应：所谓的"God AI"——一个理解人类语言、基因组语言、蛋白质语言、物理语言的超级AI——"不存在，也没有任何研究者有合理的能力创造它"。它不会下周出现，不会明年出现，可能要"圣经尺度或银河尺度"的时间才会到来。但全世界不能等God AI——下周、明年、下个十年都需要推进。
• AI不是一个单一的聊天机器人产品，而是"下一代计算机产业"——"给我举一个不需要计算机的公司、行业或国家的例子"。

"Give me an example of a company, an industry, a nation who doesn't need computers." —— Jensen Huang

核心要点：Huang大胆地将中国开源的DeepSeek论文定义为"对美国AI的最大贡献"，以此论证全球知识流动的不可逆和价值。

• 在讨论AI成本下降的动力时，Huang将硬件进步、算法创新和模型架构演进三者叠加的效果量化为"每年5-10倍"。摩尔定律是每18个月2倍，10年100倍；而AI领域10年可能达到10万到100万倍——"这还只是硬件层，还没算上算法层"。
• 在这个语境下，Huang直接说出了一个在华盛顿可能引发争议的判断：DeepSeek"probably the single greatest contribution to American AI last year"。他解释说，DeepSeek是几年来唯一一个"感觉是前沿的、又是开放的"研究成果，所有硅谷的研究员都在读，美国的初创公司和AI实验室都从中受益。
• 面对"美国AI从其他国家学习"这个说法可能让一些人"shudder"（不寒而栗），Huang反问：美国各地的AI研究员有很多来自中国和其他国家——"我们从每个国家受益"，世界的所有想法不必都来自美国。

"Deep Seek was probably the single most important paper that most Silicon Valley researchers read... probably the single greatest contribution to American AI last year." —— Jensen Huang

核心要点：摩尔定律已基本结束，晶体管性能每代仅提升约10%，NVIDIA押注可编程架构而非专用芯片，因为未来的性能增益几乎全部来自算法创新。

• Huang回顾了NVIDIA面临的多次"末日预言"：先是CNN专用芯片说NVIDIA完了，然后是Transformer专用芯片说NVIDIA完了——"people are still trying that"。但Transformer本身的变种正在快速增长：注意力机制的演变、扩散模型vs.自回归模型、混合SSM-Transformer架构（如NVIDIA刚发布的Neotron）。
• 这恰恰是NVIDIA坚持可编程通用架构的原因：摩尔定律的晶体管红利已经微乎其微（每代可能只有10%），而每年5-10倍的性能提升几乎全靠算法和软件创新。一个锁定特定算法的专用芯片（ASIC）无法捕获这些创新——但NVIDIA的可编程架构可以。
• 保持架构兼容性还有第二层战略价值：庞大的装机量。软件工程师优化算法时，希望它能在尽可能多的计算机上运行——Flash Attention能跑在所有NVIDIA GPU上，SSM也是，扩散模型也是，甚至古老的CNN和LSTM依然可以运行。
• 最新的NVLink72让NVIDIA成为"全球成本最低的token生成机器，而且优势巨大"。他还透露Rubin架构即将到来。GPU架构的演进路线是Volta → Ampere → Hopper → Blackwell → Rubin，每一代都带来显著提升。

核心要点：把AI泡沫讨论简化为"OpenAI的收入能否支撑千亿基建投入"是肤浅的——AI的需求来自五层技术栈的每一层和数十个行业，全球2万亿美元R&D支出正从传统模式向AI计算转移。

• 每当有人问"AI是不是泡沫"，Huang注意到人们总是直奔OpenAI的收入去验证。他的回应是一套层层递进的逻辑：首先，如果OpenAI有两倍算力，收入就会翻倍；有十倍算力，收入就会十倍——瓶颈是产能而非需求。
• 其次，即使所有生成式AI聊天机器人公司都不存在，NVIDIA仍将是"千亿美元级公司"。因为加速计算本身就在替代通用计算（CPU）用于图形渲染、SQL数据处理、分子动力学、量子化学、经典机器学习/推荐系统等领域。这是摩尔定律终结后的必然迁移。
• 他随后展开了AI的多行业布局：NVIDIA的自动驾驶业务正逼近100亿美元（"nobody ever talks about that"）；金融量化交易正从人工"quants"转向AI超算（"数十亿美元"）；数字生物学和机器人各自也是"数十亿美元"规模。
• 最有力的宏观论证是：全球GDP约100万亿美元，其中约2%（即2万亿美元）是研发支出。五年前最大药企的研发中心全是湿实验室（wet labs），今天它们在建超级计算机。"2万亿美元的研发方式正在从旧模式转向AI模式。"
• 对于那份质疑企业AI部署效果的MIT研究，Huang的回应很直接："如果想知道创新在哪里发生，我不会去企业看——企业是新技术最慢的采用者。我会去问3-4万家做AI的创业公司，去问Open Evidence，去问Cursor。"

"Give me an example of a startup company that goes, 'No, we're good.' They are all dying for computing capacity." —— Jensen Huang

核心要点：2026年最大的突破可能发生在数字生物学领域——蛋白质生成、化学理解和细胞基础模型将迎来类似ChatGPT的"生成式时刻"。

• Huang预测三大领域将迎来各自的"ChatGPT时刻"。第一个是数字生物学：蛋白质理解已经成熟，多蛋白质理解正在上线（NVIDIA开源了La Prina模型用于多蛋白质表征学习和生成），下一步是蛋白质生成、化学理解与生成、蛋白质-化学构象理解与生成。合成数据生成技术将在这里扮演关键角色，因为生物数据远比人类语言数据稀疏。
• 第二个是自动驾驶的推理升级：得益于推理技术的突破，汽车将从"感知+规划"进化到"推理型汽车"——遇到从未见过的场景时，能将其分解为已知子场景并构建推理路径。"Out-of-distribution"问题将因此大幅改善。
• 第三个是多模态机器人：视觉-语言-动作（VLA）模型加上推理系统，将推动人形机器人和多形态机器人的重大突破。Huang认为虽然人形机器人面临机电挑战（"不能让机器人重300磅，万一摔倒了怎么跟小孩互动？"），但核心AI技术可以直接移植到各种形态——拣选机器人、挖掘机、履带式机器人。"Everything that moves will be robotic."
• 关于垂直化的时间预判：未来五年的兴奋点将是AI的垂直化。Huang反驳了"God AI出来后所有wrapper公司都会被消灭"的说法——"说这话的人从来没当过外科医生、会计师或服务员"。消费级AI做到90%准确率令人惊叹，但工业级AI做到90%等于100%不满意，必须到99.999%才行，这需要垂直领域的解决方案提供者。

"My prediction would be over the course of the next five years, the excitement is going to be verticalization." —— Jensen Huang

核心要点：Huang对2026年中美关系改善持乐观态度，认为特朗普政府的出口管制政策"基于国家安全、技术领先和国家繁荣"，比此前更加务实和有常识。

• Huang明确表态：中国既是对手也是伙伴，"脱钩"的想法"不基于任何常识"。越深入审视，两国的耦合度越高。两国应各自追求更多独立性——"当你过度依赖某人时，关系会变得太情绪化"（全场笑）——但必须承认大量的相互依存。
• 在出口管制具体策略上，Huang认为当前政策"grounded on national security"：中国已经有华为等自主芯片能力满足军事需求，"their military is too smart"不会依赖美国通用芯片，正如美国军方也不会用中国芯片。因此美国技术公司应该能在非军事市场继续竞争。
• 他用"整个技术栈"的视角重新解读了中美科技竞争的历史：中国互联网的"防火墙"确实限制了Google等公司，但中国互联网的增长让Intel、AMD、美光和三星赚到了巨额利润——中国是美国科技行业的第二大互联网市场。"不要只看一层，要看整个栈。"
• 他将这个逻辑推向一个更宏观的判断：美国最强大的军事力量由最强大的经济支撑。在全球赢得商业竞争→创造国内就业和繁荣→贡献税收→资助军事——这是一个循环系统，需要的不是脱钩而是"nuanced strategy"。

"The idea of decoupling is naive... the more deeply you look into it, the more the two countries are actually highly coupled." —— Jensen Huang

核心要点：AI产业是可持续能源发展的最大驱动力——需求驱动创新，而不是相反。短期内天然气是唯一可行的路径，风能和太阳能远远不够。

• Huang对特朗普"drill, baby, drill"政策的评价非常直接："如果不是因为这个能源政策的180度转向，我们会把这场工业革命拱手让给别人。" 他强调即便如此，美国目前仍然"power constrained"。
• 他的能源逻辑链条很清晰：没有能源→没有工厂→没有AI→没有产业增长→没有国家繁荣→无法解决社会问题。因此需要"一切形式的能源"——天然气、核能、电网扩容、表后电力（behind the meter）。但他明确判断：风能不够，太阳能也不够，未来十年天然气"可能是唯一的出路"。
• Sarah Guo在这里提出了一个精妙的观点：AI基础设施的需求反而成为了美国气候创新的最大驱动力——因为人们看到了真实的需求，新型电池公司、太阳能聚光器等清洁能源创新正在被AI需求"拉动"出来。Huang完全认同，并预测"当历史书改写时，AI很可能被记录为可持续能源有史以来最大的推动力"。

核心要点：Huang直言部分知名学者和CEO向政府渲染末日场景的行为"extremely hurtful"，其深层动机可能是"监管俘获"——通过恐惧驱动的立法来遏制创业公司竞争。

• 这是全场情绪最激烈的段落。Huang不是在泛泛批评"悲观主义"，而是有明确指向：那些推动AI发展最积极的人，恰恰是最悲观的人——"这非常奇怪，你为什么两件事同时做？"他指出很多受人尊敬的PhD和CEO去政府描绘极端反乌托邦未来，"你必须问自己，他们的目的是什么？"
• 他提出了一个尖锐的问题：这些末日叙事的实际效果是什么？"to create regulations to suffocate startups"——通过监管扼杀初创公司。虽然他说"我无法猜测他们的想法"，但紧接着又说"their intentions are clearly deeply conflicted"、"clearly not completely in the best interest of society"。
• Huang随后以技术进步本身作为反驳：两三年前有人呼吁放慢AI发展。但正因为行业没有放慢脚步、反而加速投入，才解决了grounding、reasoning和research这些关键技术问题。"The end has not come. It's become more useful, more functional."
• 他用汽车安全做类比：汽车安全的第一要务是"它按照宣传的那样工作"——99.999%的时间按预期运行。没有人想开第一批汽车时代的车。ABS是好东西，车道保持是好东西，FSD也是好东西——技术进步本身就是安全的最大来源。

"Very well-respected people who have painted a doomer narrative, end of the world narrative, science fiction narrative... you have to ask yourself, what is the purpose of that narrative and what are their intentions?" —— Jensen Huang

| 项目 | 详情 |

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

| Jensen Huang | NVIDIA CEO & 创始人 |

| Jeff Hinton | AI先驱，曾预言放射科将被AI取代 |

| Erin（Sarah的嫂子） | 斯坦福核医学负责人 |

| Andrej Karpathy | 估算了第一个chatbot的训练成本（现可在PC上用开源项目周末完成） |

| Ilya Sutskever | 近期表示"我们重新回到了研究时代"（vs.规模化时代） |

| DeepSeek | 中国开源AI论文，Huang称其为"对美国AI最大的单一贡献" |

| Grace Blackwell | NVIDIA最新GPU架构，整个机架即一个GPU |

| Rubin | NVIDIA下一代架构，"just around the corner" |

| NVLink72 | NVIDIA最新互联技术，实现全球最低成本token生成 |

| Neotron | NVIDIA发布的混合SSM-Transformer模型 |

| La Prina | NVIDIA开源的多蛋白质理解与生成模型 |

| Open Evidence | 医学AI平台，毛利率90%，医生用作可信研究工具 |

| Harvey | 法律AI平台 |

| Cursor | 编程AI工具，NVIDIA内部全员使用，利润率出色 |

| 五层蛋糕 | Huang的AI技术栈框架：能源→芯片→基础设施→模型→应用 |

| Task vs. Purpose | Huang的就业分析框架：AI替代任务但不替代职业目的 |

| NVIDIA AV业务 | 自动驾驶业务逼近100亿美元，安全评级全球第一 |

| AI成本趋势 | GPT-4级别token成本一年下降超100倍；10年内token生成成本可能下降10亿倍 |

| 全球R&D支出 | 约2万亿美元（全球GDP的2%），正从传统方式向AI计算转移 |

| GPU架构演进 | Volta → Ampere → Hopper → Blackwell → Rubin |