Jensen Huang: The Mindset That Built NVIDIA

• NVIDIA 的早期故事不是“天才押中 GPU”，而是“及时承认核心技术完全错了”。 公司 1993 年以全新的 3D 图形算法起步，1995 年发现方向行不通，而市场上已有约 35—40 家竞争者。团队不仅选错技术，也不会正确做法；黄仁勋拿着几百美元去 Fry’s 买回三本 OpenGL 教材，让工程师重新学习，最终才建立现代图形能力。
• 真正不变的是判断框架，而不是某项技术。 NVIDIA 认定计算机会从“通用 CPU 解决一切”转向“为重要算法域配置加速计算”，因此不断寻找值得重构完整计算栈的算法：从 3D 图形、分子动力学到深度学习、Agent 和物理 AI。黄仁勋看到 AlexNet 时，关注的不是图像识别成绩，而是它作为“通用函数逼近器（universal function approximator）”可能改变处理器、中间件、算法和应用的方式。
• Agent 时代最稀缺的能力将从写底层代码转向系统思维与可控协作。 低层任务会大量由 Agent 完成，人需要理解系统的输入、输出、信息流和处理器/内存/网络约束。Agent 即使完成 80% 或 99%，都要让人能够通过计划、记忆和条件输入做局部、精确的修改；黄仁勋把“可控性（controllability）”视为下一项关键突破。
• NVIDIA 同时从三层推进 Agent：理解未来工作负载、让全公司使用、由早期信号推演下一代产品。 公司允许 Claude Code、Codex、Cursor、Cognition 等工具在沙箱中“百花齐放”；研究工作负载则要提前 5—10 年，因为一套系统约需 3 年设计、2 年爬坡，还要使用约 10 年。OpenClaw 被黄仁勋视为一次“Linux 时刻”：云端通用 AI 会继续存在，但企业也需要拥有可控制的领域 AI。
• 黄仁勋对 AI 就业和机器人采取“需求扩张”视角。 AI 自动化的是任务，不必然消灭岗位；他援引软件工程岗位同比约增 10%、近几年放射科岗位约增 20%以及法律辅助岗位增长，解释生产率提高如何释放积压需求。物理 AI 则已进入产业化：NVIDIA 相关业务接近 100 亿美元，他判断成熟需要超过 2—3 年但少于 10 年，并可能成为下一个千亿美元业务。

核心要点：公司最早选择的 3D 图形路径“恰好完全错误”；真正保住 NVIDIA 的，不是原始洞见多准确，而是团队在公司尚未耗尽时间前承认错误并重新学习。

• 1993 年 PC 仍只是市场传闻。黄仁勋和团队成长于游戏机时代，希望设计一套放进个人电脑的系统，把“每一台 PC 变成游戏机”；他们相信通过专用加速器增强通用 CPU，可以把原本只能由大型超级计算机处理的 3D 图形带入 PC。
• 这个高层判断里混合着一对“对与错”：加速计算会成为重要范式是对的，但团队自行设计的第一套 3D 图形算法是错的。黄仁勋强调，他们认真推演、真诚相信并据此融资创业，仍然可能得到错误答案。
• 1995 年，产品现实已经无法回避。当时约有 35—40 家公司进入 PC 3D 图形市场，NVIDIA 若继续维护旧方向，不仅无法竞争，也会失去最后的转向窗口。
• 更困难的是，承认方向错误之后，团队发现“没人知道正确方法”。这不是调参或修补产品，而是既要推翻创业时的技术信念，又要从零补课。
• 黄仁勋带着身上的几百美元去 Fry’s，买回三本关于 OpenGL 与 OpenGL 流水线设计的教材，交给工程师学习。他用这个细节消解了外界的英雄叙事：NVIDIA 并非以世界级图形专家的身份起步，而是在公司已经融资成立后才从教材里学会正确做法。
• 后来 NVIDIA 成为现代计算机图形领域的领先者，并参与发明过去 25 年中的多项关键突破。但黄仁勋从这段经历提炼出的并不是“我们终究很聪明”，而是：技术持续变化，能否面对现实、持续学习，比掌握某一项既有技术更耐久。

“So long as you’re able to confront reality, so long as you are able to learn, the technology itself actually doesn’t matter.” —— Jensen Huang

这也解释了他反复说的 “How hard can it be?”：它不是低估技术难度，而是防止人在尚未学习前，就被预想中的困难锁死。事实往往比预期难得多，但行动仍要从“先去学”开始。

核心要点：Sega 的 500 万美元不是对一项成功技术的奖励，而是对黄仁勋诚信、判断与未来可能性的押注；这段故事把“投资人投的是人”变成了一次具体的生死选择。

NVIDIA 与 Sega 的合作，恰好暴露了旧算法的致命问题。Sega 原本签下一份约 1,200 万美元合同，让 NVIDIA 为 Saturn 之后的下一代游戏机提供方案——后来这一代产品成为 Dreamcast，但 NVIDIA 最终没有参与建成。

黄仁勋飞到日本，向时任 Sega CEO Irimajiri 说明三件事：

1. NVIDIA 的技术从根本上行不通，因此无法完成合同；

2. Sega 应改选其他供应商，否则会被 NVIDIA 一起拖累；

3. 尽管不能交付，NVIDIA 仍然需要合同中的资金，否则公司会立即倒闭。

他在现场复述这段近乎荒诞的谈判：对方确认，“所以你不能完成我付钱让你做的东西，但你仍想拿走合同全部的钱？”黄仁勋回答，实质上就是如此，只是当时更礼貌、更谦逊。

最终约 500 万美元让 NVIDIA 活下来，并为寻找新算法争取了时间。黄仁勋认为，Irimajiri 并不是在为失败产品买单，而是在判断这个人是否诚实、这家公司是否仍值得相信。访谈中还提到，Sega 在 NVIDIA 上市时出售持股，约获得 1,500 万美元；NVIDIA 1999 年上市时估值约 3 亿美元。

“You don’t invest in companies, you invest in people.” —— Jensen Huang

这个故事保留了创业困境的真实结构：面对错误并不会自动带来好结果；坦白之后，仍然要说服关键利益相关者给团队一次继续存在的机会。诚实不是道德装饰，而是极端不确定条件下建立信任、重新配置资源的经营能力。

核心要点：芯片只是结果，算法域才是起点。伟大公司的底层资产，是对世界未来形态的一种独特、长期且难以实现的判断。

• 黄仁勋列举了分子动力学、图像处理、逆物理、粒子物理、流体力学、OpenGL、SQL 和深度学习等不同算法域。它们共同的问题是：通用 CPU 能运行，但难以在所需规模和速度下解决。
• 因此 NVIDIA 的工作不是“做一颗更快的芯片”，而是识别一个值得加速的算法域，再围绕它重构硬件、软件和工具链。芯片是完整解法中的一层，而不是公司愿景本身。
• 在他看来，技术、市场和时点都重要；若三者恰好匹配，创业会容易很多。但更耐久的组合是：对某个重要未来有独特判断、对此深信不疑，而且实现这一判断足够困难。
• “足够困难”会形成长期积累。3D 图形只是 NVIDIA 第一个算法域，后来这种方法被复制到科学计算、AI、自动驾驶和机器人，而不是在原有产品类别里做线性扩展。
• 这条逻辑也校正了“GPU 恰好赶上 AI”的解释。NVIDIA 不是因拥有 GPU 就自然获得 AI，而是长期用同一个问题寻找新机会：这里是否出现了一个重要算法，值得重新设计整套计算系统？

“Our realization is everything to do with algorithm, not the chip, turns out to be exactly right.” —— Jensen Huang

核心要点：大多数人看到 AlexNet 的任务成绩，NVIDIA 看到“通用函数逼近器”及其对整个计算栈的含义。差异来自观察后的追问，而不是更早看到同一篇论文。

• 黄仁勋说自己与其他人一样看到了 AlexNet；不同之处在于，他习惯从“算法能解决什么、规模化后会改变什么”来观察技术。
• NVIDIA 将深度学习理解为一种可以学习广泛函数的通用方法。很多现实问题本来就无法写出完全精确的程序，函数逼近器因此不只是视觉模型，而是一种新的软件实现范式。
• 约 15 年前，他就开始在公司内部追问：如果这种方法持续变好，会怎样改变软件？需要什么处理器和中间件？哪些行业会被重做？
• NVIDIA 随后迅速投入计算机视觉、机器人和自动驾驶，因为这些领域存在大量难以精确编程、却可从数据和先验中学习的函数。
• 他把需要共同重构的层次描述为完整“layer cake”：处理器、中间件、算法和应用不是分离决策，而是同一个产业系统。只优化 GPU 单层，无法把 AlexNet 的潜力变成新产业。
• 这套推演方式可概括为三个问题：If this, then what? If this can get better, then so what? 先确认一个变化是否基础性，再推演它在规模扩大、质量提高时会穿透哪些系统边界。

“The big breakthrough was simply that this is much more foundational than AlexNet. This is a way of doing software.” —— Jensen Huang

核心要点：黄仁勋不把深入论文和技术现场视为“管理风格”，而视为 CEO 服务公司的方式；组织设计应提高创始人的有效性，而不是让创始人表演某种标准 CEO。

• 他的起点是好奇：先找最短路径回答问题；若身边答案不够，便直接找到领域信息和关键研究者。若一个领域可能影响 NVIDIA，他会尽可能学深，再把洞察分享给组织。
• 他将 CEO 定义为“服务公司的人”。进入技术细节的目的不是越级管理，而是为员工提供一套可行动的解释：为什么变化重要、问题可如何拆、公司能做什么。
• 快速变化的技术若只通过汇报图表理解，会显得混乱且不可把握；只有形成“触觉（tactile sensation）”，掌握第一性原理，变化才会从噪声变成可阅读的模式。
• 黄仁勋用冲浪作比喻：岸上的人看到的是混乱，冲浪者却能读懂波浪、风向和时机。CEO 必须亲自“下水”，否则无法建立这种判断。
• 对组织，他使用 F1 赛车比喻：创始人既造车又参赛，赛车应适配驾驶者。若为了符合常规管理理论而把车改成自己不会驾驶的样子，只会在竞争中变慢。
• 有人问，这种非常规组织在黄仁勋离开后怎么办；他的回答是，下一任 CEO 应按自己的个性重新塑造公司。组织不是纪念上一任创始人的固定结构，而是实现使命的竞争系统。
• 他称自己持续调整业务流程和工作方式，以便更有效地服务公司；现场把这称作可扩展 34 年的 founder mode，并以“从零到五万亿美元，没有证据证明它不能扩展”自嘲。

“You should adapt the car to you… whatever it takes to fit the organization to you, that’s what you ought to do.” —— Jensen Huang

这不是鼓励所有创始人照抄 NVIDIA，而是要求组织设计回答一个具体问题：这套结构是否让关键决策者更快获得真实信息、形成判断并推动跨层协同？

核心要点：当底层实现越来越由 Agent 完成，人类的优势上移到系统层——定义问题、识别约束、组织信息流并校验整体行为。

• 在芯片行业，晶体管、门电路和功能块的许多底层工作已经由工具综合，设计者日益成为系统设计者；黄仁勋认为软件将沿同一路径演进。
• 他列出的系统问题非常具体：要解决什么问题？输入和输出是什么？信息从哪里来、以什么速率流动？瓶颈在处理器、内存还是网络？抽象并不意味着远离技术，而是要在足够技术化的层次理解整体约束。
• Agent 已经呈现粗粒度递归自我改进：每次使用会更新 Markdown 文件，长期记忆会被压缩或形成知识图谱，系统还可异步持续运行。
• 但“越来越聪明”并不足够。若 Agent 每次修改都整体重写，用户就无法把自己的判断稳定注入系统；真正的协作需要局部、可预期的差量变化。
• 黄仁勋举例：人在计划文件里改一个词，应只改变一个像素、一个三角形、一个 CAD 组件、一个布线层、一个通孔或一条连接，其余系统自动重新生成但不偏离意图。
• 因此 Agent 不必等到 100% 才有用。它可以完成 80%，由人补足 20%；也可以做到 99%，由人完成最后校准。决定应用价值的不是单一准确率，而是人在不同完成度下能否稳定接管。

“Controllability is probably the single biggest breakthrough that we need for agents at every single level.” —— Jensen Huang

核心要点：NVIDIA 不是把 Agent 当作一类办公工具，而是把它同时视为下一代计算工作负载、公司效率基础设施和发现新产品的实验场。

第一层是理解新软件如何运行。Agent 与聊天机器人、早期推理服务的处理模式不同，会涉及并发、异步自治、沙箱、MCP、工作记忆、长期记忆和多 Agent 网络。NVIDIA 必须知道这些工作负载在哪里受 Amdahl 定律限制、怎样扩展，才能设计未来架构。

时间约束决定它不能等市场成熟：一套系统约需 3 年开发、约 2 年量产爬坡，客户还希望使用约 10 年。因此公司要把自己放在未来 5—10 年，先理解那时的软件，再倒推今天的硬件和系统。

第二层是让 NVIDIA 自己变快。公司内部让 Claude Code 在沙箱中自主运行，也有人使用 Codex、Cursor、Cognition；黄仁勋主张“让一千朵花开放”，允许团队选择工具，再从真实使用中学习哪些交互、控制和架构有效。

第三层是从早期技术信号推演未来解法。他以 Stanford 早期 chain-of-thought 研究为例：若推理能利用先验知识，自动驾驶是否不再需要无穷大的里程数据？这个追问通向 Alpamayo——黄仁勋称其只需约 100 万至 200 万英里数据，就能借助语言模型先验，把未见场景拆成熟悉要素来推理。

“Once you see some early indicators and you’re able to reason about the future, it helps you get a leap into the future.” —— Jensen Huang

核心要点：黄仁勋支持广泛使用 ChatGPT、Claude 等云服务，同时认为公司需要可控制、可适配自身知识和流程的领域 AI；开源让这类自主构建成为可能。

• 他看到 OpenClaw 后，首先把它理解成“装载大语言模型的现代操作系统”，而不是一个孤立 Agent 产品；这让个人与企业都能在共同基础设施上构建自己的 AI。
• 他联系 Peter，表示“NVIDIA 的所有工程师都是你的工程师”，并把 NVIDIA 比作停在门外的一艘战舰：由项目方拆解问题，NVIDIA 按需要贡献。对 Hermes 团队，他表达了同样态度。
• 企业可以继续最大化使用云服务；但若需要领域专属 AI，也可使用 Hermes、OpenClaw、LangChain、DeepAgent 等构建自己的系统。由于“软件本身是智能的”，适配门槛可能比传统软件平台低。
• Garry Tan 提到，很多人把 Markdown 当成普通文本；黄仁勋用“Words are thoughts”回应。记忆、计划和文本文件不是外围配置，而是 Agent 可持续积累判断的载体。
• 黄仁勋在 2026 年第一次在 X 发帖，自嘲可能是最后一个加入的人；他之所以克服内向发声，是因为开放权重和开源模型对产业太重要。
• 他回顾 Linux、Kubernetes、TensorFlow、PyTorch、Caffe、Torch、Theano 等项目：没有这些开源层，移动云和现代 AI 很难形成今天的创新密度。

“OpenClaw to me was a very Linux moment… Now everybody can build their own AI.” —— Jensen Huang

核心要点：黄仁勋拒绝“一个自动化任务等于一个岗位消失”的静态推算；岗位承载的是目的，包含多种任务，生产率提升会扩大可服务需求并重组用工。

• 他先承认变化不均衡：若一项工作只是接到电话、读取数据库并回复标准答案，该任务很可能被自动化；每个岗位都会变化，也会出现新岗位。
• 但岗位不是单一任务。软件工程师的目的不是敲代码，而是实现更多产品和系统；放射科的目的不是逐张看片，而是帮助更多患者完成诊断；法律服务也不等于某个固定文书步骤。
• 他给出三组现场数据：编码任务已被自动化，但软件工程岗位同比约增加 10%；放射影像判读广泛使用 AI，近几年放射科岗位仍约增加 20%；Harvey 等法律 AI 并未让法律辅助岗位消失，相关用工反而快速增长。
• 背后的共同机制是积压需求。医院有大量未服务患者，律所有大量未处理案件，软件组织有大量未实现创意；当关键任务变快，机构能够接纳更多需求，于是需要更多护士、放射科人员、律师辅助人员和软件工程师完成其余工作。
• 这是一条“生产率提高—增长加速—就业扩大”的链，而不是保证每个人原岗位不变。黄仁勋的判断强调总需求扩张，但也明确说影响会不均衡、所有岗位都会重构。

“The narrative about AI destroying jobs is exactly backwards. AI eliminates tasks… but it doesn’t necessarily eliminate jobs.” —— Jensen Huang

核心要点：物理 AI 的概念验证已经发生，接下来不是等待单一模型突然成熟，而是建立 real-to-sim、仿真、sim-to-real 的训练评估系统。

• NVIDIA 早期做 progressive GAN 和 conditional GAN。黄仁勋看到实验室里由神经网络生成驾驶模拟视频后产生直接联想：如果模型能生成手指运动、手拿玻璃杯的视频，为什么不能让机器人执行同样动作？
• 问题随即从“能否生成动作”转向“动作是否服从物理”：模型怎样理解因果、摩擦、张力和其他物理规律？这推动 NVIDIA 进入世界基础模型与 physical AI。
• 他认为机器人的“ChatGPT 时刻”其实在几年前已经发生。早期 ChatGPT 本身未完成大量生产任务，却打开了社会对可能性的想象；几年前能够行走、可通过强化学习微调并落到物理环境的机器人，也产生了同类范式信号。
• 规模化仍需三类基础设施：从现实构建仿真环境（real-to-sim）；同时使用基于物理和生成式物理的模拟器；再通过强化学习和机电系统约束把策略带回现实（sim-to-real）。
• Isaac Sim、Cosmos 等工作属于这套仿真层。其作用类似 Agent 的环境、评估和后训练系统，而非单一机器人本体产品。

“I would say the ChatGPT moment of robots happened a couple of years ago already.” —— Jensen Huang

核心要点：NVIDIA 选择自动驾驶作为机器人产业的先导市场，因为它同时具备大市场、相对标准化技术和明确经济价值；完整栈再向农业、配送、仓储等较分散场景扩散。

• 自动驾驶能支撑足够大的研发和数据飞轮，也能沉淀自主导航的通用能力。黄仁勋在对话中提及 Waymo、Tesla、Mercedes 及 NVIDIA 在车端、数据中心和软件栈的参与。
• NVIDIA 将 Alpamayo 等自动驾驶栈开源，因为农业、邮件配送、仓储 AMR 等场景都需要自主导航，但任何单一细分市场都不足以独立支撑完整平台。
• 公司的机器人、自动驾驶和物理 AI 相关业务已接近 100 亿美元，不再只是远期实验。
• 黄仁勋判断，这一行业不会在 2—3 年内全部成熟，但会少于 10 年；其长期规模可能成为全球最大产业之一，并成为 NVIDIA 下一个千亿美元业务。

“It’ll take longer than two or three years. It’ll take less than 10. And so this will be our next hundred billion dollar business.” —— Jensen Huang

这里再次出现 NVIDIA 一贯的方法：先找具有规模和经济性的算法域，搭建全栈能力与数据飞轮，再把平台扩散到单个市场不足以独立建设基础设施的场景。

核心要点：不要用“未来还要不要学代码”理解教育问题；应把学习重心放在难问题、基础科学、跨域关系和对大规模 Agent 的组织能力。

• 黄仁勋把手写软件代码类比长除法：上一代人必须掌握的执行过程，后来被计算器和软件自动化；同样，坐在电脑前逐行写代码也会成为可自动化的“简单部分”。
• 不会消失的是物理、化学、生物、计算机科学、计算机工程，以及这些领域交叉处的难问题。AI 不是让这些学科失效，而是让人有能力处理更大规模的问题。
• 他以芯片设计说明野心上移：自己毕业时，一个约 1,000 个晶体管的芯片已算大型；今天若有人说下一颗芯片有一万亿个晶体管，他只会回答“好”，规模本身不再构成心理障碍。
• 当编码量和工程师数量不再是首要限制，人要把注意力放在“究竟要解决什么问题”。能否编排数百万 Agent 自主解决问题，将成为系统思维的新尺度。
• 他仍明确建议年轻人“继续上学”。自动化基础执行，不等于跳过基础知识；恰恰因为实现层变得便宜，人更需要理解系统、科学和社会之间的深层约束。

“The better you are at systems thinking so that you can orchestrate millions of agents solving problems autonomously, the better off you are.” —— Jensen Huang

核心要点：黄仁勋没有把创业建议包装成无畏，而是承认恐惧和未知始终存在；可执行的韧性，是把整段人生的压力拆成今天早上、今天一天。

创业初期，没有 YouTube，也没有 YC 教人如何创办公司。黄仁勋买过一本约 500 页的“如何创办公司”，但他估算自己读完前，公司和家庭可能已经没钱，于是没有把“先把一切学完”当成行动前提。去融资时，他非常害怕投资人问出自己不会回答的问题；即使到今天，他也说自己未必能回答所有问题。

他认为当前是过去 60 年最好的创业时点：计算机这一“人类历史上最重要的技术之一”正在整体重置，产业重新洗牌，新公司因此拥有巨大窗口。但技术变化越快，创业者不知道的东西也越多，不确定性并不会因为机会变大而消失。

他的心理机制是：看到重要的新技术、新市场和新动态，先告诉自己“我必须去学，必须尽快行动——能有多难？”真实情况通常比想象更难，但不要预先把全部痛苦转换成焦虑，进而停止行动。让困难一点点到来，再逐日解决。

“You don’t have to overcome life in one day. You just have to overcome that morning. You have to overcome today.” —— Jensen Huang

最终，他把创业超能力定义为相信自己的学习能力。如果相信某件事，就开始做；不要让恐惧、焦虑或缺乏信心替自己取消机会。坚持足够久，“NVIDIA happens”不是成功保证，而是说明长期结果来自大量看似无法一次承受、却被逐日跨过的困难。