哎呀，原来老黄之前不玩� �（原推特）是因为害羞（doge）。
这次是因为想说的话太重要了，才终于克服了内向：
一直到 2026 年，我才在 X 上发了第一条帖子，这足以说明我有多么内向，我大概是地球上最后一个这么做的人了。
但我发的内容对我来说太重要了，对整个行业太重要了，对世界也太重要了。所以我克服了自己的害羞，选择公开发声，并把第一条内容发了出来。
这个重要内容，核心围绕AI 的开放生态。黄仁勋在第一条推上分享了一封由英伟达、谷歌、OpenAI 等多家公司联合署名的《Open Weights and American AI Leadership》公开信，并多次呼吁构建开放生态。
现在最新动态来了，老黄在 Y Combinator 近 1 小时的《Jensen Huang: The Mindset That Built NVIDIA》访谈里狂爆金句，高能不断：
Agent 是一种新的软件形态。
Agent 不必达到 100% 准确才有价值，"可控性"或将成为其下一个发展阶段最大的突破口。
系统思维的本质，是对 AI 全栈技术的协同理解。
AI 毁掉工作？这个说法彻底搞反了。
传统编码会被自动化，但难题与硬科学不会消失。
物理 AI 开启新增长曲线，机器人将撑起英伟达下一个千亿美元市场。
每个人、每家公司都应拥有构建自有 AI 的能力。
现代 AI 的发展，根植于开放生态的持续繁荣。
你不必在一天内征服整个人生，只需要先熬过今天，再向明天迈进一步。
本文在不改变原意的基础上，由 AI 对访谈内容文字实录进行了精校。
愿你读完后有所收获：
三本教科书，救活英伟达
主持人：如今许多学生只熟知英伟达在 AI 领域的领军地位，若要让他们理解公司的成长根基，您认为最该了解早期故事的哪一段？
黄仁勋：大多数人不会相信，我们创业时选择的技术方向其实是完全错误的。最初我们想重新发明 3D 图形，坚信用加速器增强通用 CPU 就能解决原本无解的问题。
1990 年 PC 尚未普及，我们这群在游戏机时代长大的人，想把每台 PC 都变成游戏机，把超级计算机的算法塞进个人电脑里。我们为新算法兴奋不已，也做了深思熟虑的推演，随后便想要去创办公司实现它。
结果，支撑公司创立的算法和技术都被证明是完全错误的。1995 年我们才醒悟，却几乎已为时已晚——当时约莫有三四十家公司都在做 PC 3D 图形，我们发现这条路根本走不通。回到公司讨论对策时我说："不正视事实、不转向正确算法，公司就没了。"
然后有人告诉我，我们之中没有一个人知道正确的做法是什么；我们当时不仅选错了技术，甚至连正确的方法都不会。
那对我来说是意义重大的一天。当时我兜里只剩几张 60 美元的钞票，总共也就百来块钱。我去 Fry ’ s 买了三本教科书，全是关于 OpenGL 和渲染管线设计的。
我把书带回公司交给工程师们，之后的事大家都知道了。我们重新定义了计算机图形学，成了现代计算机图形学的全球领导者，过去 25 年里大多数重大突破都出自我们之手。
所有人都以为英伟达天生就是 3D 图形领域的王者，但其实我们是从三本教科书起步的。说来荒唐，我们是先创办公司、融了资，才去买教科书从头学起。这让我彻底明白一个道理：
技术永远在迭代，只要你能正视现实、保持学习的能力，既有的技术储备就绝非决定性因素。
从那以后，英伟达不断闯入陌生领域，发明了无数前所未有的技术。我们对每件事都抱着同样的态度："这件事重要吗？重要就去学！能有多难呢？"
哈哈哈当然，结果往往比预想中的更难，但你必须始终带着这种迎难而上的劲头去做。
英伟达真正的赌注是加速算法，而不只是造芯片
主持人：英伟达真正瞄定的大方向是什么？
黄仁勋：我们公司真正锚定的大方向是：可以通过加速器增强 CPU，去解决那些原本难以企及的问题。分子动力学、图像处理、逆物理，以及各类算法都在此列，但深度学习是其中最核心的主线。
为了打造今天的英伟达，我们很早就意识到，关键不在于造出一块伟大的芯片，而在于加速一个算法领域。
我始终相信，成就伟大公司的，是你对世界的一个独特视角——一个你深信不疑的视角。这既不是纯粹的技术问题，也不是纯粹的市场问题，尽管二者都不可或缺。但若能在正确的时间、以正确的技术切入正确的市场，前路自会顺畅许多。
对一个重要事物的未来怀有高层次的愿景，持有独特且坚信的视角，并且追求这一愿景的过程本身就充满挑战。当这些要素汇聚，便构成了成就卓越的基石。
我们很早就判断，加速计算将在未来扮演重要角色，事实证明它的确变得至关重要。
与此同时，这么多年过去，我们当初的另一个判断也得到了验证：加速计算的关键在于算法，而不只是芯片本身。
从 500 万美元极限生存到 3 亿美元 IPO，英伟达直面生死时刻，用坦诚换来救命稻草
主持人：你讲了很多关于创始人的艰难。有没有哪些故事是你印象特别深刻的？
黄仁勋：让我们意识到算法选错的，正是与世嘉的合作。我们原计划为 Dreamcast 开发芯片，但由于技术存在根本缺陷，根本无法履约。
于是我飞到了日本，向当时的 CEO 入交昭一郎坦白：我们签订的那个大约 1200 万美元的合同，实在无法履行了。
我向他诚恳解释了我们这个项目做不成的原因，并建议他换别家来做。
但说完这些，我又硬着头皮补了一句——可我还是需要这笔钱。你可以想象到那个场面……
他当时疑惑道："你都无法履行合同了，还想要合同里所有的钱？"
我说："对，我想要。"当然我态度特别诚恳，解释也都能站得住脚，他能看出来我没撒谎。
要是他不给我们这笔钱，我们就真倒了。我觉得现在很多情况也这样——你投资的不仅仅是公司，还有人。
入交先生觉得我们这群人靠得住，信得过这份合同，也希望能看到我们撑到明天。于是他最终选择相信我们，并支付了 500 万美元。
也正是这 500 万让我们活了下来，为我们争取到了寻找新出路的时间。
AlexNet 不只是一个模型，它改变了看问题的方式
主持人：之前我觉得没人能真正预见到 GPU 及所构建的技术对 AI 革命如此重要。你看到了什么？是因为加速器加上天时地利？还是有很多积累导致了这一切？
黄仁勋：其实我跟所有人一样，都关注到了 AlexNet。但我看东西的角度不一样——我总在找"算法"。这个算法可能是 NAMD、VAP，也可能是 OpenGL、SQL，或者是某个领域的专用语言、或某种特定算法。我一直在琢磨，哪些问题我们能帮上忙；直到 AlexNet 出现后，我才意识到，这个算法就是深度学习。
对我们来说，突破在于意识到 AlexNet 不只是 AlexNet，它是一种深度学习方法，能让你学会任何函数。所以 15 年前我就到处跟大家说："嘿，猜猜怎么着？我们刚刚发现了 universal function approximator！只要给它函数的答案作为样本，它就能自己学会那个函数。而且对很多函数来说，你不需做到绝对精确——事实上也不可能做到绝对精确。所以大多数真正有意思的问题，本质上都是这样不精确的。"
从我们意识到自己拥有了通用函数逼近器（universal function approximator）的那一天起，问题就变成了：这对计算栈意味着什么？对软件意味着什么？这会冲击哪些行业？诸如此类。
然后，我们几乎立刻就开始着手研究计算机视觉、机器人和自动驾驶。
因为有了这种基础能力，计算机视觉、机器人等领域的许多难题都有了新的解法。
因此，真正的突破不只是 AlexNet，而是一种全新的软件开发方式。它将重新定义处理器、中间件、算法和应用程序，改变整个计算产业。
我们要做的，就是不断对事物进行逐点推理，直到达到最基本的原理，并从第一性原理出发追问：如果它真的有效，接下来还会改变什么？
CEO 不能照搬管理模版，要构建一个真正适合你的团队
主持人：你对如何建立公司、如何领导团队有什么建议？
黄仁勋：我的工作始于好奇心。遇到重要问题，我习惯亲自寻找答案；若发现某项信息对公司有价值，我就会尽可能学透，然后再分享给团队。
我认为 CEO 的职责，就是深入一线、吃透技术，并以自身洞察赋能公司。尤其在技术迭代飞快的行业，如果 CEO 不亲自沉入细节，就很难真正判断正在发生什么。
就像冲浪一样。旁观者只看到混乱，冲浪者却能读懂海浪、驭浪而行。CEO 也一样，只有亲自下场研究，才能理解变化、拆解问题，引领公司笃定前行。
管理公司亦如打造一辆由自己驾驶的 F1 赛车。创始人无需拘泥于传统管理模板，而应根据自己的特点调整组织、流程和工作方式，让整家公司更高效地完成使命。
至于下一任 CEO，自然会按照自己的方式重新改造它。
AI 时代，系统思维会变得更重要
主持人：你一直在关注从材料、芯片到数据中心和应用的完整技术链条，也多次谈到 OpenClaw 和 Hermes 等智能体。面对这座全栈 AI 工厂，未来人们最需要具备什么能力？
黄仁勋：我认为，未来最重要的能力之一是系统思维。
过去，我们需要亲自设计晶体管、门电路和功能模块，如今许多底层工作已经能够自动完成。软件也会经历类似的变化，大量编码工作将交给 Agent。
因此，人类需要站得更高，从系统层面思考：要解决什么问题？有哪些约束？输入和输出是什么？处理器、内存和网络应该如何协同？
这些基础知识不会过时，反而会越来越重要。
现在的 Agent 已经具备一定的自我改进能力。它们可以在使用过程中更新记忆、整理信息，甚至构建知识图谱，让自己越用越聪明。
但真正需要解决的，是可控性。我们能否只修改计划中的一个词，就让 Agent 精准调整一个像素、一个零件或一条连接，而不是把所有内容重新生成一遍？
我认为 Agent 不必达到 100% 准确才有价值。即使它能完成 80%，剩下的由人补足，也足以提高效率。
关键在于，人能否精确地控制它，并与它稳定协作。
因此，我认为可控性很可能是 Agent 下一阶段最重大的突破口。
每个人、每家公司，都该拥有自己的 AI
主持人：你是否认为，人们应当掌控属于自己的个人 AI，而非将决策权完全让渡给云端智能体？这种对本地化与自主权的需求，是否也是英伟达深度布局智能体生态的核心动因之一？
黄仁勋：首先，我们必须理解 Agent，因为Agent 就是一种新的软件形态。
理解这种新软件的处理流程对计算机体系结构至关重要。我们对 Agent 的本质、它与聊天机器人的区别、乃至与早期推理模式的区别理解得越深刻，对这些处理层级的本质把握得越透彻，我们就能设计出越优秀的系统。
英伟达必须提前五到十年思考。因为一套系统从研发、量产到投入使用，可能要经历十几年。所以，你必须具备前瞻未来的能力。
其次，我们也在英伟达内部广泛使用 Agent。有人用 Claude Code，有人用 Codex ……我们鼓励百花齐放，让员工自由选择他们想用的工具，然后从实际使用中学习怎样改进系统、提高公司的运行效率。
我们还会从一些早期技术信号中推演未来。例如，斯坦福大学早期的思维链让我们意识到，AI 可以利用先验知识推理，而不必完全依赖海量训练数据。基于这一判断，我们开发了 Alpaca，让自动驾驶系统不需要积累海量驾驶里程就能开好车，能够分析陌生情况，而不是只靠见过的案例作出反应。
大语言模型显然还需要记忆、工具、先验知识，以及与其他 Agent 协作的能力。越早看清这些需求，就越有可能帮助你实现跨越式发展。
主持人：英伟达似乎总能在新技术出现后迅速参与开源。OpenClaw 刚出现时，有人担心它不够安全，但你们很快就推出了沙箱工具包，为其提供安全护栏。
黄仁勋：看到 OpenClaw 时，我第一反应是：这就是现代计算机的新形态，它是承载大语言模型的操作系统。因此对我来说，OpenClaw 就是一个" Linux 时刻"。
现在，每个人都有机会构建自己的 AI。我们联系了 OpenClaw 和 Hermes 团队，并告诉他们，英伟达愿意提供工程支持，帮助他们解决问题。
我坚信世界需要赋予每个人构建自己 AI 的能力。当然，我也鼓励大家尽使用 ChatGPT、Claude 等云端服务。但企业拥有自己的数据、知识和业务流程，也需要构建自己领域的专用 AI。如今借助 Hermes 等工具，这件事已经容易了许多。
我们希望每个人、每家公司都能构建自己的 AI。
主持人：正因为它是开源的，我觉得真正的超额价值（Alpha）就在于构建你自己的 AI。别人用的是现成的通用产品，而你拥有可以递归自我改进的系统。人们对 Markdown 文件不以为然，觉得"哈，那只是文本"，但实际上，文本本身就是智能。
黄仁勋：是的。因为语言就是思想。你很难脱离语言进行思考。
AI 消灭的是任务，不一定是工作
主持人：当智能变得唾手可得，经济和就业会发生什么变化？
黄仁勋：AI 带来的影响不会平均落在每个人身上。许多重复性任务，尤其是能够依靠现有数据完成的认知任务，都会被自动化。每一份工作都会因此改变，同时也会出现大量新的工作。
但" AI 会摧毁工作"的说法彻底搞反了，不能把任务和工作混为一谈。一份工作通常包含许多任务，AI 可以自动化其中一部分，却不一定会让整份工作消失。
以软件行业为例，编码正在被自动化，但软件工程师的岗位数量同比增长了约 10%。因为企业积压的想法和需求太多了，编程效率提高后，反而可以让更多工程师去完成更多项目。
医疗行业也是如此。AI 可以帮助读取医学影像，让医院接收和诊断更多患者；但要服务这些新增患者，仍然需要更多医生、护士和放射科医生。过去几年，放射科岗位数量反而增长了约 20%。
法律行业同样如此。过去有人认为法律 AI Harvey 会取代律师助理、减少律师岗位，结果律所处理案件的能力提高后，律师助理岗位反而大幅增长，因为需要更多人承接新增业务。
这就是生产率提升带来的连锁反应：AI 先让人们完成更多工作，进而推动业务增长；而业务增长，又会创造更多就业机会。
今天的就业总量比我刚毕业时还要多，正是这个道理。
机器人将成为英伟达下一个千亿美元业务
主持人：聊完软件和智能体，再来谈谈物理世界。真正能够投入使用的实用机器人，距离我们还有多远？
黄仁勋：生成式视频的出现，对我来说是一个重要信号。
早在几年前，当 AI 能够生成手指移动、伸手拿起杯子的视频时，我就意识到，既然能生成这些动作的视频，为什么不能让机器人也完成同样的动作？那一刻我便知道，机器人的具身操控能力已近在咫尺。
但机器人不能只生成"看起来合理"的动作，还必须理解真实世界的因果关系，以及摩擦力、张力等物理规律。这也是我们开始研究"物理 AI "和世界基础模型的原因：让 AI 不仅识别世界，更能理解世界如何运转。
在我看来，机器人的" ChatGPT 时刻"几年前就已经出现了。就像早期 ChatGPT 未必能直接创造生产力，却让所有人看到了可能性；当机器人通过强化学习、在符合物理规律的模拟环境中四处行走时，也打开了类似的想象空间。
接下来，我们需要建立一套完整的训练与评估体系：先通过 Real-to-Sim 将现实世界转化为模拟环境，利用 Isaac Sim、Cosmos 等平台进行基于物理的训练和评估；再通过 Sim-to-Real，借助强化学习将模拟中学到的能力迁移到真实机电系统上。这三者共同构成了机器人的评估与后训练验证体系。我相信，实用机器人的爆发就在眼前。
主持人：物理 AI 最先会在哪个领域创造真正的经济价值？目前已经看到了吗？
黄仁勋：我们很早就判断，自动驾驶汽车会是物理 AI 最先规模化落地的领域。因为它市场足够大、技术相对标准化，能够通过持续收集数据和改进模型形成增长飞轮，具备真实的经济价值。
因此，英伟达搭建了从车载芯片、数据中心到软件平台的完整技术栈，并开源了我们参与的 Alpaca Myo 项目。之所以开源，是因为自主导航能力具有广泛的通用性：农业机械、末端配送、仓储 AMR（自主移动机器人）等场景都需要它。这些单一市场虽不如汽车庞大，但组合起来足够多元，值得为之构建完整生态。
如今，英伟达的机器人与自动驾驶业务，也就是物理 AI 业务，规模已接近 100 亿美元。它不会在一两年内完全成熟，但也不会再等十年。
我相信，物理 AI 可能会成为全球最大的产业之一，也将成为英伟达下一个千亿美元级的业务领域。
现代 AI 的发展，根植于开放生态的持续繁荣
主持人：我想借此机会，代表在场的所有人欢迎你加入� �（原推特）。感谢你迈出了这一步，也感谢你的领导力。开源、开放权重和开源模型对我们所有人都至关重要。
黄仁勋：一直到 2026 年，我才在� � 上发了第一条帖子，这足以说明我有多么内向。
但我发的内容对我来说太重要了，对整个行业太重要了，对世界也太重要了。所以我克服了自己的害羞，选择公开发声，并把第一条内容发了出来。
如果没有开源技术，移动互联网和云计算产业根本就不会诞生。
如果没有 Linux、Kubernetes 等基础设施的开源，没有 Caffe、Theano、TensorFlow、PyTorch 等深度学习框架的前赴后继，我们又怎么可能拥有现代 AI？
主持人：感谢您的领导，您的发声在这里至关重要，谢谢。
学习是一个人最伟大的超能力，韧性可能是创业者最重要的品质
主持人：面对 AI 带来的变化，你觉得年轻人现在应该学习什么，才能在未来保持竞争力？
黄仁勋：简单的事情会被自动化，包括许多基础编码工作。就像我这一代人曾经必须学长除法，如今它早已交给计算机完成。
但真正困难的问题不会消失。物理、化学、生物、计算机科学、计算机工程、系统思维，以及这些学科的交叉领域，仍然需要人去探索。
AI 只是让我们更有能力、也更迫切地去解决那些极其宏大且艰难的难题。
我刚毕业时，设计一块拥有 1000 个晶体管的芯片就已经很了不起；今天，我们面对的是万亿晶体管芯片。工具进步以后，问题的规模便不再是限制。
因此，不要先计算需要写多少代码、投入多少工程师，而要先问：我究竟想解决什么问题？
未来，越善于系统思考，越能够调动数 AI 协同解决问题，就越有优势。
深科技、基础科学、技术与社会的交叉地带，仍然存在大量机会。所以，像以前一样去上学，好好待在学校里。
主持人：如果能给 18 岁到 22 岁的自己发一封电报、一条信息，你会说什么？
黄仁勋：创办英伟达时，我和 Chris Malachowsky、Curtis Priem 三个人都觉得有太多东西需要学习，而我几乎什么都不懂。那时没有 YouTube，也没有 YC 教你创业。我只能去书店买了一本《如何创办公司》，结果发现它足足有 500 页。我心想，等读完这本书，公司恐怕早就倒闭了，我和妻子 Lori 也早就没钱了。
但后来我明白，那些事其实都不重要。你总会有不懂的东西，世界每天都在变化，不可能等到什么都会了再开始。今天可能是过去 60 年来最适合创业的时代。整个计算产业正在被重新定义，这是人类历史上最重要的一次技术重置。你们面对的机会让我非常羡慕。
遇到新技术、新市场或新问题时，我通常会告诉自己：这很重要，我得尽快学会，再做点什么。它能有多难？
当然，最后往往比想象中难得多。但不要提前沉浸在困难里，让对失败的想象变成焦虑和停滞。
先动手，让困难在前进的过程中一点点出现，再逐个解决。何况现在，还有很多 AI Agent 可以帮忙。
学习是一个人最伟大的超能力，韧性则可能是创业者最重要的品质。
你不必一天征服整个人生，只需要先熬过今天，解决眼前的问题，再向明天迈进一步。
如果你真的相信一件事，那就去做。不要让恐惧、焦虑或不自信拦住你。
你可以始终坚定地告诉自己：
我会一路披荆斩棘，笃行不怠，直到迎来属于自己的成功。
完整访谈：https://www.youtube.com/watch?v=qyPCVqFUyDo
参考链接：
[ 1 ] https://x.com/JensenHuang
[ 2 ] https://www.businessinsider.com/jensen-huang-ai-job-destruction-theory-backwards-2026-7
[ 3 ] https://images.nvidia.com/pdf/Open-Weights-and-American-AI-Leadership.pdf
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
� � 点亮星标 � �
科技前沿进展每日见
广盛网提示：文章来自网络，不代表本站观点。
