NVIDIA's Jensen Huang on Building the Dynamo of the Intelligence Age

• AI 之所以现在"值钱"，是因为它从"会生成"进化到"能干活"：两年前的 ChatGPT 只是会理解、翻译、生成信息（写诗、写乡村歌曲，"有点可爱"）；两年后是 agentic 系统，能推理、会用工具、自己完成有经济价值的工作。于是我们开始按小时为 AI 付费（约 $20–30/小时），黄称之为"人类史上增长最快的软件业务"。
• 计算正从 60 年的"检索"范式转向"实时生成"：自 IBM System/360（1964）以来，计算机本质是检索式的——把内容存成文件、用时取回，所以那些楼叫"数据中心"。如今每次与 AI 交互，内容都是为你实时原创生成；未来每个像素、每段声音、每条新闻都因人而异地被生成而非检索，世界因此需要海量"生成器"——正是 NVIDIA 造的东西。
• NVIDIA 造的是智能时代的"发电机"：老 dynamo 把运动（水/风/火/蒸汽）的"原子转成电子"；NVIDIA 的机器把"电子转成数字（token）"，而这些 token 重组后就是语言、数学、蛋白质、物理乃至机器人控制——"token 就是智能"。能源、通信之后，智能将成为第三张"茧住地球"的网。
• 投资就看"五层蛋糕"：能源 → 芯片/计算/网络 → 基础设施（土地/电力/厂房/资金，当下全部稀缺）→ 模型（OpenAI、Anthropic，但更大的是 80 万亿美元的物理世界）→ 应用。今年约 1 万亿美元涌入这五层，而黄"猜"终局是约 20 万亿/年的生态，现在才走了 1/20；一座 1GW、500 亿美元的工厂能产出 3000–4000 亿美元的智能。
• 他最激烈的反驳是"AI 消灭工作"的叙事：用"任务 vs 目的"拆解——放射科被计算机视觉全面渗透，放射科医生数量反而上升（因其目的是协助医生诊断、变得更高产）；NVIDIA 一边听人说"90% 编码将消失"，一边在雇比以往更多的工程师。"你或许不会被 AI 抢走工作，但你一定会被一个会用 AI 的人抢走工作。"AI 不消灭职业，而是抬升职业——水管工变设计师、木匠变室内设计师。
• 主线：黄把全场建成一套"投资者直觉"——先用第一性原理讲清 AI 是什么、怎么造、能多大，再用三组职业案例系统反击失业恐慌；贯穿其中的是他对"不负责任地编造恐慌"的强烈反感（这是他的"触发点"），以及反复的行动号召：engage AI，把每个人都带上。

核心要点：黄用第一性原理重述 AI——它本质是会"任意到任意"翻译生成的软件；真正的质变在于生成式 AI 让机器能生成内部思考与推理，并能生成"控制"去使用工具，从而从"有趣"变成"能干有价值的活"。

• 两年前的 ChatGPT 已能感知、理解信息并在形态间翻译：text→text（"把这份 PDF 总结一下"）、text→image（"把这个故事生成一张图"）、image→text（"这张图里在发生什么"）——"anything to anything"。
• 生成式 AI 里"被低估的大事"是思考："你不生成词就没法思考"——生成的基础让 AI 能产生内部思考、逐步推理、解决问题；还能生成"控制"去用工具：浏览器、表格、Photoshop、PowerPoint、AutoCAD。
• 工具的边界在外推："今天工具是数字的，但终有一天是机械的"——给机械系统生成指令叫机器人，给带方向盘的机器生成指令叫自动驾驶。
• 两年前大家嘲笑 chatGBT"好玩、会胡说一堆幻觉文本"——"这都没错，但它是引出这一切的基础技术"；两年后是 agentic 系统，ChatGPT/Codex/Claude Code 不只理解，还能推理、干活。

"我们爱博学的朋友，但我们不会为此付钱。我们为干活的人付钱。" —— Jensen Huang

核心要点：价值的拐点是 AI 能产出"有用的工作"并因此被付费——这把它从"可爱的新奇玩意"变成了一桩真实的、增长最快的生意。

• 两年前 AI 能理解你、生成信息，"有趣、新颖、有点可爱"——需要写首诗时很好用，谁不想写首乡村歌呢？
• 现在因为能干活，AI 变得有价值：能生成有用的工作、并能为此收费。"我们每天都在为 AI 按小时付钱"——也许 $30/小时、$20/小时做一件活。
• 黄的判断："这是人类史上增长最快的软件业务，因为它现在能干有用的活、我们愿意付钱让它干。"

核心要点：今天的计算机自 1964 年 IBM System/360 起，本质是"检索式"系统——存数据、再取回；AI 把它彻底重造为"生成式"，内容每次都为你实时原创。

• 回到第一性原理：现代计算机约 64 年前成形——IBM System/360 是 1964 年最大的计算公告，当时 IBM 是全球最值钱的公司，"我们对计算机的现代理解基本都是 1964 年定义的，之后几十年大体没变"。
• 那种范式叫"预先录制（pre-recording）"：手写程序存成文件、拍照存成文件、录音录像存成文件，用时再从硬盘智能取回（所以每个人的新闻推荐略有不同，叫推荐系统）。
• "注意这些楼叫数据中心，不叫计算中心——因为你没做多少计算，只是存数据、再根据你在手机上点什么取回来。"
• AI 改变了这一切：每次交互都是 context + query，AI 先理解、再推理、再据情境产出——"我现在对你们说的每句话都是实时生成的"，因为他知道台下来自 60 个国家、128 个不同家庭、背景各异，所以要把信息讲到"足够深"，最终目的是让听众"自己能推理、知道下一笔投资该投什么"。
• 推论：未来每个像素、每段声音、每个视频、每条新闻、每个广告，对每个人都不同，都是"为你生成"而非检索——所以世界需要大量"生成器"，"这就是我们以谋生的东西"。

"我们从一个 60 年里主要基于检索的计算机产业，一夜之间走到了完全实时生成——我们管它叫智能。" —— Jensen Huang

核心要点：当 AI 变得 agentic、能自己干活，agent 之间就能组队协作；黄推断未来互联网将主要承载约 1000 亿个全天候运转的 agent，形成一层"茧住地球"、持续生成智能的计算。

• 今天 AI 大约在为全球 10 亿人生成智能。
• agentic 意味着 AI 能自己干活，于是一个 agent 能对另一个说"我有活要干，咱组队吧"——NVIDIA 内部"此刻很可能有数十万个 agent 在跑"，互相对话、解决公司内部问题，"全部加了护栏（guardrailed）、全部沙箱化（sandboxed）"。
• 外推：未来互联网"很可能主要是几十亿、姑且说 1000 亿个 agent 全天候在用网络、互相对话"——公司对公司、员工 agent 对员工 agent、自动驾驶、机器人、所有制造系统、每栋楼宇都将是 agentic。
• "基本上，世界将有这样一层计算，茧住地球，一直在生成智能。"

核心要点：黄用 dynamo（发电机）类比 NVIDIA 的机器——历史上"茧住地球"的网络已出现两次（电网、互联网），智能是第三次；老发电机把原子转成电子，NVIDIA 把电子转成 token。

• 他承认这听起来荒谬，"但其实已经发生过两次"：约"300 年前"德国 Siemens 造出一台机器——点火，另一端就涌出"看不见的力"，当时没人懂，今天我们叫它电；发电"茧住地球"=电网（grid）。约 35 年前美国诞生的网络后来成了互联网，也茧住世界。（黄此处年代是口语化的随口比喻，并不精确。）
• 能源、通信之后是智能："它会茧住世界，会变成一种商品，到处都用得上。"
• NVIDIA 做的就是这台新机器：老 dynamo 是"任何运动进来——瀑布、风、火、蒸汽——把运动从原子转成电子"；NVIDIA 的机器是"电子进来这座工厂，出来的是数字"。
• 这些数字按不同方式组合，就变成语言、数学，乃至全新的"语言"：蛋白质、人类生物学、物理/气候/天气、3D 世界/机器人/自动驾驶——"各种各样的智能"。
• "两台相隔 300 年的机器：原子进、电子出；电子进、数字出。这些数字能被重新组合成各种智能。这就是我们造的东西，所以我叫它工厂——它在生产。我们叫它们 token，但它们就是数字、就是 token。而这些 token 就是智能。就这么回事，没那么难。"

"原子进、电子出；电子进、数字出……而这些 token 就是智能。这就是我们做的事。" —— Jensen Huang

核心要点：黄把抽象的"生成器"落到具体硬件——每个机架 72 颗芯片、2 吨重、400 万美元、150 万个零件，是"世界上最贵的设备"，却像造手机一样量产。

• 每个单元叫一个 rack（机架），内含 72 颗芯片；NVIDIA 今年制造约 800 万颗这样的芯片。
• 每个机架重 2 吨、约 400 万美元、约 150 万个零件，"是世界上最贵的设备"；"我们像造手机一样把它们量产出来，送进全球的数据中心"。
• 主持人打趣"这就是你健身的方式"，黄回"没有批量折扣（no volume discounts）"。

核心要点：黄给出投资 AI 的"产业视角"——一块五层蛋糕，从能源到应用层层叠加；今年约 1 万亿美元正涌入这五层，而他认为终局是约 20 万亿/年的生态。

• 第 1 层 能源：底层是 dynamo/发电。"这是几代人来能源产业最大的增长机会"，约百年来首次能大规模投资能源电网——核能、风、光、氢，"只要能发电就会拿到融资"；受益者如 Siemens、Mitsubishi、GE Vernova。
• 第 2 层 芯片/计算：芯片、计算机、网络、交换机、硅光子（silicon photonics）。
• 第 3 层 基础设施：土地、电力、厂房（shell）、资金、数据中心运营——"当下每一样都供不应求"。
• 第 4 层 模型：大家以为"这才是 AI"的一层，坐在云基础设施之上。OpenAI、Anthropic 之外，"不能忽视"的是 AI 能学"任何有结构的东西"的语言与含义——蛋白质、基因、细胞、物理、3D；"其他一切（物理世界）的产业约 80 万亿美元，才是最重要、我们却没在谈的前沿"。
• 第 5 层 应用：增进人类境况的应用，建在模型之上。去年 1000 亿美元 VC 涌入这一层，"是人类史上单年最大的 VC 投资"。
• 体量：两年前约为零，今年约投入 1 万亿美元；黄"猜"AI 产业将奔向约 20 万亿美元/年的生态——"我们才投进 1 万亿，是 20 万亿/年生态的 1/20"。一座 1GW 工厂约 500 亿美元，是世界上最贵的工厂，"但这一座 500 亿的工厂能产出 3000–4000 亿美元的智能"，ROI 极快。

"你只需问自己：智能有多重要？谁需要它？你想要多少？" —— Jensen Huang

核心要点：黄解释模型能力的边界——凡是"可预测、有结构"的东西，AI 就能学到它的含义；对计算机而言，细胞、蛋白质、词、图像、车都只是 token。

• 一段现场玩笑：他走进来时台下"如他所料"地坐着；但若有人挂在天花板上、身体部件散在 17 个地方、或半透明，那就没法学了——"量子般无规律的东西很难学"。
• 但有规律的能学：人有眼睛、3D 物理有定律。他坐下时"带着信心"，"我不是 53% 的时候安全落在椅子上、47% 的时候穿过去"——可预测=有结构=能学其含义。
• 所以 AI 在学蛋白质、基因、细胞的"含义"——不只是测序、不只是 CRISPR 编辑，而是"这个基因/这个细胞意味着什么？两个细胞相遇会发生什么？"就像学一个词的含义、两个词放一起会激活出新含义。
• "从计算机的视角，它不在乎是细胞、蛋白质、词、图像还是车——都只是 token。"计算机科学家要解决的，是如何把世界的信息用各种方式表示出来，让计算机能理解→推理→制定计划→生成行动，这个"智能循环"对蛋白质、细胞、人体解剖学一视同仁。

核心要点：黄对"AI 终结人类/大规模失业"的说法毫不掩饰地反感——他称之为"胡说"，并给出那句标志性判断：你不会输给 AI，但会输给一个会用 AI 的人。

• 他直言这是自己的"触发点"："有一堆人在编造关于工作的说法"会触发他。
• 对"Terminator、奇点（singularity）、20% 概率终结人类"这类articulation："纯属胡说"；对"我们根本不懂它怎么运作、它可能明早自己站起来走出去"——也是胡说："既然它每年都明显在变好，你不懂原理怎么让它变好？'我不知道它怎么运作，但我知道怎么让它更好'——这说不通。"
• 行动号召："你或许会、或许不会被一个 AI 抢走工作，但你一定会被一个会用 AI 的人抢走工作。"所以别纠结不确定的事，先确保自己用上 AI；对有孩子的人——"你该建议他们逃跑，还是确保他们用上这门给人超能力的技术？"
• 反驳"AI 杀工作"的硬数据：今年 1 万亿美元正在创造工作——能源、芯片、基础设施、模型、应用"每一层的就业都比以往任何时候多"。

"你或许不会被一个 AI 抢走工作，但你一定会被一个会用 AI 的人抢走工作。" —— Jensen Huang

核心要点：黄认为安全是科技业不可推卸的责任，并以 ChatGPT 两年间幻觉骤降为证据——好技术不是天然安全的，而是"要发明大量技术才能让它安全"。

• "我能证明"：拿两年前的 ChatGPT 和今天的再用一次——幻觉"几乎降到零"，产出的知识不仅准确，还情境相关；不懂的会去做研究；给答案前会"自我质疑、反思"，先生成两三个不同答案再反思后才给你最终答案。
• 类比："我更喜欢今天的车，而不是 100 年前的车——技术好得多，也安全得多；而要让它安全，得发明大量技术。"
• 责任分两半：一是科技业/科学家/工程师有责任安全地造 AI；二是"你有责任告诉你爱的人——家人、孩子、孙辈、你的公司、你的国家——去 engage AI；如果我们不拥抱它，别人会"。

核心要点：黄用"任务（task）vs 目的（purpose）"这把刀，拆穿"某某职业将被消灭"的预言——人们盯着可被自动化的任务，却忘了职业真正的目的。

• 放射科案例：10 多年前一位世界顶级计算机科学家（影射 Geoffrey Hinton）警告 AI 之威力，说第一个被消灭的职业是放射科，建议"没人该进这一行，它会被抹平"；计算机视觉确实 12 年前就已超人——识别图像、检测异常、永不疲劳、不漏细节。
• 反转：放射科确实被计算机视觉全面渗透、今天每个放射科医生都被它增强——但放射科需求上升了，全世界放射科医生的数量上升了。为什么？因为放射科医生的"目的"不是看片子，而是"与医生协作诊断疾病"；自动化让他们更高产→医院收更多病人、做更多扫描→科室更赚钱→于是雇更多放射科医生（"还有很多人在排队等住院"）。
• 黄的尖锐之处：那位科学家的演讲反而让想做放射科的人数开始下降——"我们对自己编造的东西必须负责，因为我们可能造成伤害。而我们需要更多放射科医生。"
• 软件案例："最近有人说 90% 的软件编码会消失、不需要软件工程师了"——"与此同时，我们在雇比以往任何时候都多的软件工程师"。因为软件工程师的工作是解决问题、构想问题去创新；"我从没招人说'你是软件工程师，给你键盘，看你一秒能打几个词'——打字不是工作，编码不是工作，解决问题才是"。
• 结论："有工作站之前就有放射科医生，AI 之后仍会有放射科医生；有软件编码之前就有工程师，之后我保证仍会有工程师。"人们之所以说出"50% 工作消失"，是因为从任务视角看、忘了职业的目的。

"任务，对比目的（task versus purpose）。" —— Jensen Huang

核心要点：黄的正面主张是 AI 不消灭而是"抬升（elevate）"职业，并且是他职业生涯中消弭"技术鸿沟"的最大力量——因为人人都会"人话"，于是人人都能编程。

• 抬升职业：今天的水管工拿任务单/图纸，明天的水管工"很可能同时是设计师"，能用 AI 生成漂亮的厨房设计；家具销售员会变成室内设计师，木匠会变成"你的家居设计师"——"我从一个把木头拼起来的人，变成能建议你家如何变美的人；我抬升了我的手艺"。
• 技术鸿沟：黄做了 40 余年计算机设计，眼看技术越来越复杂、能编程的人占人口比例反而下降。现场实测——"谁懂 C++？"约 2%（他还吐槽"这是个很奇怪的房间，有整排是创业公司"）；"谁懂人话（human）？"——人人都懂。
• 结论：因为 AI 听得懂人话，"现在人人都能编程，而过去只有 2% 能——我们弥合了技术鸿沟"；"AI 是我整个职业生涯里消除技术鸿沟的最大力量，我们要把每个人都带上"。
• 主持人收尾呼应：这场革命让人从"做任务"走向"梦想问题与解法"，乃至"从木匠走向建筑师（carpenters to architects）"、走向有目的的人生。

"2% 的人懂 C++……而现在人人都能编程。我们弥合了技术鸿沟。" —— Jensen Huang