半夜11點、5杯酒下肚，黃仁勛「吐真言」：「寫代碼只是打字，已經不值錢了」

兩周前，英偉達 CEO 黃仁勛還在中國。

上海、北京、深圳，他連續跑了多座城市，參加英偉達中國分公司的新年晚會，與員工面對面交流。緊接着，他又馬不停蹄地飛回美國，在這趟「連軸轉」的行程即將結束前，黃仁勛把自己出差的最后一晚，留給了一場並不那麼「正式」、卻異常精彩的公開對談：

2 月 3 日晚，黃仁勛端着一杯酒，和思科 CEO Chuck Robbins 一起走上舞臺，面對的是一場全網直播的深度對談——沒有 PPT，沒有發佈會口吻，更多是老朋友之間的即興對話，甚至夾雜着自嘲、玩笑和一點點酒精加持后的「真心話」。

「我這是在帶薪喝酒啊。」黃仁勛剛上臺便笑着説。

「剛把酒拿出來時，老黃還提醒我，‘你知道這是全網直播，對吧？’」Chuck Robbins 調侃道。

「管他呢，反正都這麼晚了。」

臺下掌聲響起，這場持續近 50 分鍾、酒精含量與信息密度同樣不低的 AI 對話，就此開始。在這次對談中，黃仁勛拋出了多個極具衝擊力的判斷：

「我們正在經歷 60 年來第一次真正重新發明計算。」

「寫代碼，本質上就是打字，而打字正在變成一種廉價商品。」

「真正值錢的不是答案，而是你能提出什麼問題。」

「企業不需要馬上算 ROI，先讓百花齊放。」

「未來不是 Human-in-the-loop，而是 AI-in-the-loop。」

在黃仁勛看來，AI 並不是「幫程序員寫代碼那麼簡單」，而是一整套從計算範式、軟件形態到組織結構的全面重構。

以下是這場對話的完整實錄：

什麼是「AI 工廠」？這是 60 年來第一次重寫計算

Chuck Robbins：首先感謝大家在如此漫長的一天里依然堅守在這里。我們從一大早開始，演講嘉賓一個接一個輪番上陣，中間就歇了兩個半小時，大家還是回來想見見你。

黃仁勛：我可是從凌晨一點醒到現在了。

Chuck Robbins：大家可能不知道，這家伙剛結束兩周的亞洲之行，跑了好幾個地方。

黃仁勛：一天前我還在臺灣，昨晚我在休斯頓，現在我在這兒。

Chuck Robbins：他出差了兩周，我算是他這趟差旅的最后一關，過了我，他就能回到自家舒適的牀上了。所以我們要聊點開心的，然后趕緊放他回家。雖然你不需要太多介紹，但還是謝謝你能來。

黃仁勛：客氣了。感謝我們的合作，我也為你們感到驕傲。

Chuck Robbins：好，那我們就從合作開始聊。我們一直有着深度的合作關係，是你提出了「AI 工廠」這個整體概念，我們正在共同努力實現它。不過在企業級領域，進展速度可能沒我們倆希望的那麼快。對你來説，究竟什麼是「AI 工廠」？

黃仁勛：首先大家要記住，我們正在經歷 60 年來第一次真正重新發明計算。過去是「顯式編程」，程序需要我們一行行寫出來，變量通過 API 傳遞，一切都非常明確；而現在，我們轉向了「隱式編程」，你只需要告訴計算機你的意圖，它就會自己弄清楚如何解決問題——這是從顯式到隱式的核心轉變。

其次，是從通用計算（基本上就是計算器）向人工智能的轉變，整個計算堆棧都在被重新發明。現在人們談論計算時，往往只關注處理器這一層，也就是英偉達所在的領域，但大家別忘了，計算的本質除了處理，還有存儲、網絡和安全——所有這些，都在此時此刻被重新定義。

而我們第一步要做的，是將 AI 發展到對人類真正有用的水平。直到目前為止，那種你給個提示詞、它給你個回覆的聊天機器人，雖然有趣且令人好奇，但並不算真正有用。

Chuck Robbins：偶爾能幫我搞定填字遊戲。

黃仁勛：是的。但這僅限於它已經背誦並歸納過的內容。回想三年前，當 ChatGPT 剛剛出現時，我們驚歎道：「天哪，它能生成這麼多文字，還能寫莎士比亞風格的詩。」但事實上，那都是基於它死記硬背后的歸納。

我們要知道，真正的智能在於解決問題。而解決問題的關鍵，一部分是「知道自己不知道什麼」，另一部分是推理——如何解決一個從未見過的問題：將其拆解成容易解決的細分元素，通過組合這些元素，搞定前所未見的難題；同時還要制定策略、計劃，去執行任務，比如尋求幫助、使用工具、進行研究等等。

這些都是現在的基本要素，用行話來説就是「智能體 AI」，大家應該都聽過——工具使用、研究能力、基於事實的「檢索增強生成」（RAG）、記憶能力，這些都是討論智能體 AI 時會提到的關鍵詞。

但最重要的是，我們要從顯式編程的通用計算中進化出來。當年我們用 FORTRAN、C、C++ 寫代碼……

Chuck Robbins：還有 COBOL（一種古老的商業編程語言）。

黃仁勛：沒錯，COBOL。那可是好東西，絕對是好東西。

Chuck Robbins：那是我的保底飯碗。

黃仁勛：好技能啊，這是那種即便到現在依然很有價值的技能。

Chuck Robbins：我懂，我確實收到了不少 Offer。

黃仁勛：恐龍（老古董）永遠是有價值的。

Chuck Robbins：我們可是剛纔確認了，你比我年紀大。

黃仁勛：好吧，我纔是那個史前生物。雖然看起來不像，但這確實是事實。我應該是這屋子里年紀最大的……可能是最老的人了。

Chuck Robbins：言歸正傳老黃，讓我們繼續聊聊 AI……

黃仁勛：好的。其實我之前找過 Chuck，我説「聽着，我們需要重新發明計算，思科必須在其中扮演重要角色」。我們即將推出全新的計算堆棧——Vera Rubin，思科將與我們同步上市。這是計算層，除此之外還有網絡層：思科將整合我們的 AI 網絡技術，把它植入思科的 Nexus 控制平面中。這樣一來，企業用户既能獲得 AI 的極致性能，又能保留思科的可控性、安全性和易管理性，我們在安全領域也會做同樣的事情。

我們稍后還會聊到，為什麼三年前企業 AI 還沒準備好，而現在，你們別無選擇，必須儘快入局——別掉隊。我不認為你們非得做第一個吃螃蟹的公司，但千萬別做最后一個。

不要一開始就算 ROI：先讓百花齊放

Chuck Robbins：説得很有道理。那如果現在有一家企業，想開始為擁抱 AI 做準備，你對他們的第一步、第二步、第三步，有什麼具體建議？

黃仁勛：我經常被問到諸如 ROI（投資回報率）這類的問題，但我建議大家不要從這里入手。原因很簡單——任何新技術部署的初期，你都很難在電子表格里算出它的 ROI。

我建議大家，先找到公司的「靈魂」，也就是我們公司最具有影響力的工作是什麼？別在邊緣業務上瞎折騰。以英偉達為例，我們的理念是「讓百花齊放」：公司內部的 AI 項目數量多得失控，但這很棒——因為創新本來就不總是受控的。如果你想一切盡在掌握，那我建議你先去看看心理醫生，這本身就是一種幻覺，你根本控制不了。

如果你想讓公司成功，你就不能控制它，而是要去影響它。太多公司想要確切的、可論證的 ROI，但在初期，證明某件事值得做是很難的。所以我的建議是：讓百花齊放，讓大家去實驗，安全地實驗。

我們在公司里嘗試各種東西，Anthropic、Codex、Gemini，什麼都用。當我的團隊説「我想用這個 AI」時，我的第一反應是「好」，然后才問「為什麼」，而不是先問「為什麼」，再決定「給不給」。

這就像我對孩子一樣：勇敢去探索生活！如果他們想嘗試什麼，答案得先是「好」，然后再問原因。你不能説「向我證明，做這件事將來能帶來經濟上的成功或幸福，否則我就不讓你做」——我們在家從不這樣，但在工作中卻總是這樣。你能明白我的意思嗎？

Chuck Robbins：我懂。

黃仁勛：這對我來説講不通。所以我們對待 AI，就像以前對待互聯網、雲一樣：先百花齊放，然后到了某個階段，再運用判斷力去修剪這座花園。因為百花齊放會讓花園變得雜亂，你必須開始篩選，找出最好的方法、最好的平臺，然后「集中火力」。但你不能太早孤注一擲，萬一選錯方向了呢？所以，先百花齊放，適時再修剪。

給大家一個參考，我現在還沒開始修剪，依然在讓公司內部「百花齊放」，但我非常清楚什麼對我們公司最重要——芯片設計、軟件工程、系統工程。大家可能注意到了，我們與 Synopsys、Cadence、西門子以及 Dassault 都建立了合作，爲了植入我們的技術，無論他們想要什麼、需要什麼，我都提供百分之一千的支持。這樣我就能徹底革新我們用來設計產品的工具，創造出下一代產品。

其實 AI 真正的價值，是降低了智能的成本，創造了「智能的極大豐富」，達到了數量級的提升。換句話説，過去需要一年完成的工作，現在可能只需要一天、一小時，甚至實時完成——我們身處一個富足的世界。

大家之前常説的摩爾定律，現在看來太慢了，簡直像蝸牛爬。摩爾定律是每 18 個月翻一番，五年十倍，十年一百倍，但我們現在要追求的，是十年一百萬倍！

過去十年里，我們把 AI 推進得如此深遠，工程師們都敢説「不如我們用全世界的數據來訓練一個 AI 模型吧」——他們説的不是「收集我硬盤里的數據」，而是「下載全世界的數據來訓練」，這就是「豐富」的定義。所謂的「豐富」，就是看着一個巨大的問題，你敢説「我全包了」，就像「我不只要攻克癌症，我要解決所有人類的疾病」，這纔是豐富。

現在我思考工程問題時，都會假設我的技術、工具、儀器是無限快的：去紐約要多久？一秒鍾。如果一秒鍾就能到紐約，我會做哪些不同的事？如果過去需要一年而現在是實時的，我會如何改變做法？——你必須用這種態度去處理每一件事，這就是「AI 思維」。

比如，我們在與許多公司合作處理圖分析，那種包含萬億個節點和邊的複雜關係圖，過去你會把圖切成小塊處理，現在呢？直接把整個圖給我，多大都無所謂。

這種思維正在被應用到各個地方。如果你沒有應用這種思維，那你就做錯了。想象一下，你的競爭對手正在這麼想，或者一家即將成立的創業公司正在這麼想，這就改變了一切。所以我建議，找出你公司里最具影響力的工作，給它加上「無限」的能力、「光速」的效率，然后問 Chuck 如何實現——畢竟，落地的事，思科很擅長。

軟件從「預錄製」到「生成式」

Chuck Robbins：接下來，我們來聊聊怎麼實現。你之前有個「五層蛋糕」的比喻，現在大家都在談論基礎設施、模型、應用，到底該怎麼入手？聊聊這個吧。

黃仁勛：成功人士通常會做的一件事，就是去推演事物的本質。這到底是怎麼回事？

大概 15 年前，有兩個工程師用一種算法解決了一個計算機視覺問題。計算機視覺是智能的第一步：感知。智能由感知、推理、規劃組成——感知：我看到了什麼，語境是什麼？推理：如何根據我的目標來分析現狀？規劃：制定一個計劃來實現目標。就像戰鬥機的問題一樣：感知、定位、行動。

沒有感知就沒有后續。如果不理解語境，你沒法決定做什麼。而語境是高度多模態的——有時候是 PDF，有時候是電子表格，有時候是感官氣味，還包括我們在哪、在干什麼、聽眾是誰，學會「讀空氣」等等，這都是感知。

大約十三、四年前，我們在計算機視覺（感知的第一層）上取得了巨大飛躍，以前這超級難，直到 AlexNet 出現，那是我們看到的第一個突破，就像電影《第一類接觸》一樣，那也是我們與 AI 的第一次接觸。

我們當時就想，這意味着什麼？為什麼兩個孩子用幾塊 GPU 就能打敗我們所有人研究了三十年的算法？我昨天還和 Ilya Sutskever（OpenAI 聯合創始人）、Alex Krizhevsky 聊過這件事。十年前我對此進行了推演，得出的結論是：世界上大多數能被解決的難題，都可以用這種方式解決。

因為世界上大多數棘手的、有價值的問題，並沒有所謂的「第一性原理算法」——沒有 F=ma（牛頓第二定律），沒有麥克斯韋方程組，沒有薛定諤方程，沒有歐姆定律，也沒有熱力學定律。你和我遇到的那種問題，答案往往是「視情況而定（It depends）」。如果答案是固定的 3，那很好；如果是 3.14，那太棒了，但生活中最難、最有價值的問題，都是「視情況而定」，因為它取決於語境，取決於環境。

十三年前計算機視覺被攻克了。我們推斷這可以通過深度學習進行擴展，模型可以越做越大。只需要解決一個問題：如何訓練模型？巨大的突破在於「自監督學習」（無監督學習）——AI 可以自我學習，我們不再受限於數據標註了。

這個突破打開了閘門，讓我們把模型從幾億參數擴展到幾十億、幾萬億，我們能編碼的知識、算法能學習的技能，呈爆炸式增長。

這就回到了我們對話的開頭：我們將徹底重新發明計算，從顯式編程轉變為一種全新的計算方式——軟件是被「學」出來的。這意味着什麼？這對計算堆棧、軟件開發、你公司的工程組織，對市場團隊、工程團隊、QA 團隊，都意味着根本性的改變。這些產品未來會變成什麼樣？如何部署？如果它是基於機器學習的，如何讓它永遠保持更新？怎麼打補丁？……我有成千上萬個關於計算未來的「如何」的問題。

對此，英偉達得出的結論是：這將改變一切。所以我們基於這個核心信念，讓整個公司轉型。簡單來説，我們過去的世界里，一切都是「預錄製」的——像 Chuck 以前寫的軟件，就是預錄製的。

Chuck Robbins： 那可是好東西。鄭重聲明，我那個軟件跑了很久都沒出問題。

黃仁勛：確實，而且那還是用希伯來語描述的（調侃 Chuck 用的技術十分古老）。

Chuck Robbins：這倒是真的，那是另一項技能了。

黃仁勛：這屋里，恐怕只有你能同時精通希伯來語和COBOL了……總之，那都是預錄製的。我們描述算法，描述想法，放入數據，一切都是預先錄好的。這也是為什麼過去的軟件是用 CD-ROM 發行的，對吧？

Chuck Robbins：是的。

黃仁勛：而現在的軟件是什麼？它是基於語境的。每個語境都不同，每個用户都不同，每個提示詞都不同——所有的前置條件都不同。每一個軟件實例都是獨一無二的，所以過去的計算（預錄製）被稱為「基於檢索」的，你點手機，它去檢索文件給你。而未來，一切都是「生成式」的。

就像現在的對話一樣。這段對話以前從未發生過。可能概念存在過、前置知識存在過，但這串詞句的組合順序從未出現過——原因顯而易見，咱們都喝了四杯酒了。你們知道嗎？Chuck 今天給我拿了四杯酒。

Chuck Robbins：準確來説，我只給你拿了一杯，剩下三杯是你自己從自助餐檯上拿的。你的團隊提前告訴過我們，如果你喝了三杯，那就是最佳狀態；如果喝到第四杯，情況就要失控了。

軟件行業在衰落，還會被 AI 取代？毫無邏輯

Chuck Robbins：你能和我聊聊「物理 AI」到底是什麼嗎？

黃仁勛：首先我想澄清一個誤區——有人説軟件行業在衰落，還會被 AI 取代，這其實是毫無邏輯的。

我給你做個終極思想實驗：假設我們都是終極 AI，也就是物理形態的通用機器人。既然你是類人機器人，能解決所有問題，那我問你：你會用現成的螺絲刀，還是重新發明一把？肯定是用現成的。同理，你會用現成的鏈鋸，還是再造一把？答案也一樣，當然是直接用工具。

這個邏輯放到數字世界里也完全成立。如果你是 AGI（通用人工智能），你會去用 ServiceNow、SAP 這些現成的工具，還是費時費力重新發明一個計算器？毫無疑問是用現成的計算器。

為什麼我們要讓 AI 學會使用工具？核心原因是：現有的很多工具，提供的是「確定性」的結果。世界上有很多問題是有標準答案的，比如牛頓第二定律 F=ma，你不需要 AI 給出一個大概接近 ma 的模糊答案，ma 就是唯一的標準答案。再比如歐姆定律 V=IR，這在科學上是絕對成立的，不存在「統計學上的IR」這種説法。

所以我們的目標很明確：讓 AI 像人類一樣，直接拿起這些精準的工具去解決問題，而不是在已有標準答案的事情上瞎猜——這就是我們希望 AGI 學會使用工具的核心邏輯。

而下一代物理AI，還要再多一個能力——理解物理世界和因果關係。比如我推倒這一塊多米諾骨牌，它會帶動后面所有骨牌倒下，這種因果關係、物體接觸、引力和質量的結合，每個孩子都能理解，但現在的大語言模型還做不到，這就是我們要研發物理 AI 的原因。

接下來我們聊機會在哪里。一直以來，我和你所處的行業，其實都是在製造工具，就像做螺絲刀、錘子這類生意一樣。但現在，有史以來第一次，我們有機會去創造「勞動力」，或者説「增強型勞動力」。舉個例子：自動駕駛汽車是什麼？它本質上就是一個數字司機，而這個數字司機的價值，遠比汽車本身的價值要高。這也意味着，我們第一次面對一個潛在市場總量（TAM）比之前大 100 倍的新市場——全球 IT 產業規模大概是 1 萬億美元，但全球經濟總規模是 100 萬億美元。

這也就意味着，在座的每一個人，都有機會通過應用這項技術，把自己的公司變成一家技術公司。我相信，迪士尼寧願成為下一個 Netflix，梅賽德斯寧願成為下一個特斯拉，沃爾瑪寧願成為下一個亞馬遜。你們同意嗎？我舉的這三個例子，是不是説到大家心里去了？

Chuck Robbins：完全同意。相信在座的每一位，心里都是這麼想的。

黃仁勛：沒錯。我們現在最大的機會，就是幫助每一家公司，轉型成「技術優先」的公司。技術就是大家的超級力量，而你們各自所處的行業領域，就是技術的應用場景。

為什麼一定要「技術優先」？因為一旦走技術優先的路線，你打交道的就不是「原子」，而是「電子」。原子的價值會受限於它的質量，但電子的價值，從 CD-ROM 里的內容變成電子流的那一刻起，就已經翻了上千倍。

所以，無論你身處哪個行業，都需要成為一家技術公司。哪怕是像 Chuck 你這樣，只懂希伯來語編程，這也是一種天賦，也是可以依託的技術能力。

編程正在貶值，但這是所有企業的機會

Chuck Robbins：嗯……希伯來語是從右往左寫的，其實挺聰明的。

黃仁勛：聰明人做聰明事。美妙之處在於，未來的編程語言就是人類的語言。對於在座的所有公司，你們可能覺得「天哪，軟件不是我們的強項」。但知識、直覺、領域專長是你們的強項。

現在，你們第一次可以用自己的語言向計算機解釋你到底想要什麼。還記得我們從哪里開始的嗎？從顯式編程到隱式編程。史上第一次，你可以隱式地對計算機編程。告訴它你的意圖，讓計算機來寫代碼——因為事實證明，寫代碼不過就是打字，而打字只是一種廉價品，不值錢了。

這就是你們的巨大機遇。你們所有人都可以從過去受限的原子世界中升維。你們可以擺脫「我們沒有足夠的軟件工程師」這種限制，因為寫代碼只是敲鍵盤。而你們擁有極具價值的東西——領域專長：理解客户，理解問題，這些纔是終極價值。

理解意圖是終極價值。那些剛從大學畢業的超級程序員可能完全不知道客户想要什麼，不知道該解決什麼問題，但你們知道。至於寫代碼的部分，讓 AI 去做就行了，這就是你們的超能力，所以 Chuck 和我來這就是爲了幫你們實現這一點。哦對了，這段結束語是在我喝了五杯酒之后説的，所以……

Chuck Robbins：這簡直是個奇蹟。

黃仁勛：所以 Chuck，我想告訴你，與大家合作非常榮幸。思科在計算發明的兩個重要支柱上擁有極高的造詣。沒有思科，就沒有現代計算。一個是網絡，另一個是安全。這兩個支柱都在 AI 世界中被重新發明了。而我們非常擅長的計算部分，在很多方面其實是大路貨。思科懂的那些東西纔是深具價值的。我們兩家聯手，很樂意幫助大家進入 AI 世界。

之前有人問我，是該直接租用雲服務，還是該努力建立自己的計算機？

我會給你們和我給我孩子一模一樣的建議：去組裝一臺電腦。即便 PC 隨處可見，即便技術已經成熟，但還是親手裝一臺。去了解所有組件的存在意義。如果你在汽車行業，也別光坐 Uber，打開引擎蓋、換換機油、瞭解所有部件，搞懂它是怎麼工作的，這至關重要。不需要很大，但要造點什麼。你可能會發現你其實非常擅長這個，可能會發現你需要這項技能，可能會發現世界不是「全租」或「全買」，而是租一部分，擁有一部分。

因為你公司的某些部分應該建立在本地（On-prem）。爲了主權，爲了私有信息，或者你只是不放心把問題分享給所有人。這就好比……你看心理醫生時，你不想讓那些問題出現在網上，懂嗎？

我認為你們的很多問題、對話、不確定性，應當保持私密，公司也是一樣。我不放心把英偉達所有的對話都放在雲端，所以我們要在本地建立它。

事實證明，對我來説最有價值的知識產權（IP）不是我的答案，而是我的問題。我在思考什麼，那就是我的問題，答案只是廉價商品。如果我知道該問什麼，我就鎖定了什麼是重要的。而我不想讓別人知道我認為什麼重要。我希望這發生在一個小房間里，在本地，只有我自己——所以，我要創造我自己的 AI。

既然已經晚上 11 點了，那就分享最后一點想法。過去有個觀點是 AI 應該始終遵循「人在環節中」（Human-in-the-loop，指人工干預）。這是完全錯誤的觀念，徹底反了——每家公司都應該是「AI 在環節中」（AI-in-the-loop）。

原因在於，我們希望公司每天都變得更好、更有價值、更有知識。我們不想倒退，不想停滯，不想從頭再來。這意味着如果有 AI 在環節中，它將捕捉我們的生命經驗。未來每一位員工都會有 AI——很多 AI 在環節中協助，這些 AI 將成為公司的知識產權，這纔是未來的公司。

Chuck Robbins：好的，老黃在路上跑了兩周，飛到這里，把他這趟差旅的最后一晚留給了我們，之后他終於能久違地睡在他自己的牀上了。我們非常感激你的到來。

黃仁勛：非常感謝。我……剛纔我用眼角余光看到那邊有很多烤串，希望它們還在那兒。

Chuck Robbins：哦，我們答應給他的那袋 Fritos（一種玉米片零食）在哪兒呢？

黃仁勛：哈哈哈好吧，我們要走了。謝謝大家。

本文來自微信公眾號「CSDN」，整理：鄭麗媛，36氪經授權發佈。