乔木博客
全部
AI工具
AI教程
AI生成
AI资讯
健脑房
播客解读
论文学习
黄仁勋：我们重新发明了计算机
播客解读
·
2026年5月20日
·
15 次阅读
·
约 8 分钟
英伟达市值突破 4 万亿美元。这家公司 30 年前靠卖游戏显卡起家，今天成了全球最贵的公司。
这件事本身并不奇怪。奇怪的是，黄仁勋在接受 Lex Fridman 采访时说的一句话："我们不造计算机，我们是一家计算平台公司。"
他的意思是，英伟达卖的东西，没有任何一家公司能直接拿来用。它必须被集成进别人的产品里。这种商业模式，要求他在每一个关键决策之前，先说服整个行业相信同一个未来。
这是一篇关于他怎么做到这件事的笔记。
装机量才是护城河，不是技术
很多人以为英伟达的壁垒是 GPU 性能。黄仁勋不这么看。
他说，英伟达最重要的资产，是 CUDA 的装机量。
这个判断背后有一个反直觉的历史案例：x86 架构。它被无数计算机科学家批评为"不优雅"，RISC 架构在设计上远比它精妙，却几乎全军覆没。原因只有一个：x86 的装机量太大了，开发者不会放弃它。
"装机量定义了一个架构，其他一切都是次要的。"
CUDA 的故事也是这么来的。2006 年前后，英伟达决定把 CUDA 放进每一张 GeForce 消费级显卡，不管买家用不用得上。这个决定让公司的毛利率从 35% 直接被打穿，市值从约 80 亿美元跌到 15 亿美元。
但黄仁勋坚持下来了。他的逻辑很简单：开发者需要一个大装机量的平台，才愿意在上面写代码。GeForce 当时每年卖出数百万张，是当时最好的"播种机"。研究员、学生、自己攒机的极客，他们买 GeForce 打游戏，顺手发现了 CUDA，然后开始用它跑科学计算。
这就是后来深度学习革命的地基。
四条 Scaling Law，英伟达全押
黄仁勋相信 AI 的扩展定律没有终点，而且现在已经有四条：
预训练：模型越大、数据越多，智能越强。Ilya Sutskever 说"数据要耗尽了"，行业一度恐慌。黄仁勋认为这个担忧站不住脚，因为人类互相传递的知识本来就大量是"合成"的，AI 生成的训练数据同样有效。
后训练：合成数据持续扩展，训练的瓶颈从数据变成了算力。
推理时扩展（Test-time scaling）：很多人以为推理比训练简单，芯片可以做小做便宜。黄仁勋直接反驳："推理是思考，训练只是记忆和找规律。思考比读书难多了。" 事实证明他是对的，推理对算力的需求极其密集。
智能体扩展（Agentic scaling）：一个 AI 智能体可以派生出无数子智能体，相当于无限扩张团队规模。这些智能体产生的经验数据，又会反哺预训练，形成一个自我强化的飞轮。
"归根结底，智能的扩展只取决于一件事：算力。"
系统设计的方法论：光速思维
英伟达的 Vera Rubin 超级计算机机柜，单个机柜包含 130 万个组件、1300 颗芯片，整个 Pod 系统涵盖七种芯片类型、五种机架类型、40 个机架，算力达 60 ExaFLOPS。他们每周大约要生产 200 个这样的 Pod。
面对这种复杂度，黄仁勋用的不是持续改进，而是一套他称为"光速思维"的方法。
做法是：在动手之前，先问清楚物理极限在哪里。不是"我们能比现在快 10% 吗"，而是"如果从零开始，这件事最快能做多快？"
他举了个例子：有人告诉他某个流程需要 74 天，可以优化到 72 天。他的反应是：先解释为什么是 74 天，然后从头推算，如果完全重新设计，需要多少天？答案可能是 6 天。
知道 6 天是可能的，从 74 天到 6 天的对话，就完全不一样了。
这套思路和 Elon Musk 建造 Colossus 超算的方式高度一致。黄仁勋评价 Musk：他会对每件事问三个问题，这是必要的吗？必须这样做吗？必须花这么长时间吗？然后把所有不必要的东西剥掉，直到只剩下最小必要集合。
他怎么推动一个行业接受新未来
英伟达是一家平台公司，这意味着它的产品必须被集成进别人的系统里。没有人相信这个未来，英伟达就什么都卖不出去。
所以黄仁勋做的事，不只是管理公司，而是持续塑造整个行业的认知。
他的方法是：在做出任何重大决策之前，先用几年时间，把推理过程一步一步讲给所有人听。讲给董事会，讲给管理团队，讲给员工，讲给 GTC 上几百位合作伙伴的 CEO，讲给供应链上的每一家公司。
等到他正式宣布某个决定的时候，大家的反应往往是："你怎么现在才说？"
三年前，他说服了几家存储芯片公司的 CEO，相信 HBM 高带宽内存会从超算专用变成数据中心主流内存。当时听起来很荒唐，但那几家公司提前下注，后来都创下了历史最好业绩。
他还说服供应链伙伴接受了一个更大的变化：以前超算是运到数据中心再组装，现在 NVLink 72 的密度太高，必须在供应链工厂里就完成组装，整机出货，每个机架重达两三吨。这需要供应链伙伴做出数十亿美元的资本投入。
他的方式是：飞过去，画图，讲第一性原理，把推理过程完整展示给对方，直到对方自己想清楚该怎么做。
关于 AGI 和工作的问题
Lex 问他：一个能从零开始创建并运营一家市值超过 10 亿美元公司的 AI，离我们还有多远？
黄仁勋的回答是："我认为是现在。我认为我们已经实现了 AGI。"
他的解释是：OpenClaw（即 Claude 的 MCP 协议生态，文字稿中的识别误差）这类智能体系统，已经可以创建一个网络服务，让几十亿人使用，然后再消亡。互联网时代那些昙花一现的网站，大多数并不比今天的智能体更复杂。
但他也说清楚了边界：100 万个智能体同时运行，也不可能建出一个英伟达。
关于工作被 AI 取代的焦虑，他用放射科医生举了个例子。2019 年前后，计算机视觉已经超越人类水平，当时很多人预测放射科医生会消失。结果呢？放射科医生数量增加了，现在全球还在闹短缺。
原因很简单：AI 让每个医生能看更多片子，医院接待更多患者，需要更多医生。
他的结论是：你的工作目的和你完成工作的工具，是相关的，但不是同一件事。 工具变了，目的没变。
他对所有人的建议只有一条：不管你现在做什么，去学用 AI。木匠、电工、农民、药剂师，都一样。用 AI 提升自己能为客户创造的价值，而不是等着被替代。
智能是商品，人性才是稀缺品
采访最后，黄仁勋说了一段话，值得单独记下来。
他说，他手下 60 个直属下属，每一个在各自领域都比他更聪明、受过更好的教育、更深入。但他坐在中间，把这 60 个人协调在一起。
"一个洗碗工，怎么能坐在一群超人中间？"
他的答案是：智能是功能性的，是可以被量化、被复制、被商品化的东西。但人性不是，它包含的是同理心、韧性、好奇心、对失败的容忍、对他人的信任。
AI 让智能变成了商品，这件事应该让人感到解放，而不是焦虑。因为真正稀缺的从来不是智能，而是那些无法被函数描述的东西。
如果你只能从这篇文章带走一件事，那就是黄仁勋对"装机量"的判断：技术可以被超越，但一个被数百万开发者信任并持续投入的平台，几乎不可能被替代。
这个逻辑不只适用于 CUDA，也适用于你在做的任何需要生态的事情。
© 2026
·
向阳乔木