两周前，英伟达 CEO 黄仁勋还在中国。

上海、北京、深圳，他连续跑了多座城市，参加英伟达中国分公司的新年晚会，与员工面对面交流。紧接着，他又马不停蹄地飞回美国，在这趟“连轴转”的行程即将结束前，黄仁勋把自己出差的最后一晚，留给了一场并不那么“正式”、却异常精彩的公开对谈：

2 月 3 日晚，黄仁勋端着一杯酒，和思科 CEO Chuck Robbins 一起走上舞台，面对的是一场全网直播的深度对谈——没有 PPT，没有发布会口吻，更多是老朋友之间的即兴对话，甚至夹杂着自嘲、玩笑和一点点酒精加持后的“真心话”。

“我这是在带薪喝酒啊。”黄仁勋刚上台便笑着说。

“刚把酒拿出来时，老黄还提醒我，‘你知道这是全网直播，对吧？’”Chuck Robbins 调侃道。

“管他呢，反正都这么晚了。”

台下掌声响起，这场持续近 50 分钟、酒精含量与信息密度同样不低的 AI 对话，就此开始。在这次对谈中，黄仁勋抛出了多个极具冲击力的判断：

“我们正在经历 60 年来第一次真正重新发明计算。”

“写代码，本质上就是打字，而打字正在变成一种廉价商品。”

“真正值钱的不是答案，而是你能提出什么问题。”

“企业不需要马上算 ROI，先让百花齐放。”

“未来不是 Human-in-the-loop，而是 AI-in-the-loop。”

在黄仁勋看来，AI 并不是“帮程序员写代码那么简单”，而是一整套从计算范式、软件形态到组织结构的全面重构。

以下是这场对话的完整实录：

什么是“AI 工厂”？这是 60 年来第一次重写计算

Chuck Robbins：首先感谢大家在如此漫长的一天里依然坚守在这里。我们从一大早开始，演讲嘉宾一个接一个轮番上阵，中间就歇了两个半小时，大家还是回来想见见你。

黄仁勋：我可是从凌晨一点醒到现在了。

Chuck Robbins：大家可能不知道，这家伙刚结束两周的亚洲之行，跑了好几个地方。

黄仁勋：一天前我还在台湾，昨晚我在休斯顿，现在我在这儿。

Chuck Robbins：他出差了两周，我算是他这趟差旅的最后一关，过了我，他就能回到自家舒适的床上了。所以我们要聊点开心的，然后赶紧放他回家。虽然你不需要太多介绍，但还是谢谢你能来。

黄仁勋：客气了。感谢我们的合作，我也为你们感到骄傲。

Chuck Robbins：好，那我们就从合作开始聊。我们一直有着深度的合作关系，是你提出了“AI 工厂”这个整体概念，我们正在共同努力实现它。不过在企业级领域，进展速度可能没我们俩希望的那么快。对你来说，究竟什么是“AI 工厂”？

黄仁勋：首先大家要记住，我们正在经历 60 年来第一次真正重新发明计算。过去是“显式编程”，程序需要我们一行行写出来，变量通过 API 传递，一切都非常明确；而现在，我们转向了“隐式编程”，你只需要告诉计算机你的意图，它就会自己弄清楚如何解决问题——这是从显式到隐式的核心转变。

其次，是从通用计算（基本上就是计算器）向人工智能的转变，整个计算堆栈都在被重新发明。现在人们谈论计算时，往往只关注处理器这一层，也就是英伟达所在的领域，但大家别忘了，计算的本质除了处理，还有存储、网络和安全——所有这些，都在此时此刻被重新定义。

而我们第一步要做的，是将 AI 发展到对人类真正有用的水平。直到目前为止，那种你给个提示词、它给你个回复的聊天机器人，虽然有趣且令人好奇，但并不算真正有用。

Chuck Robbins：偶尔能帮我搞定填字游戏。

黄仁勋：是的。但这仅限于它已经背诵并归纳过的内容。回想三年前，当 ChatGPT 刚刚出现时，我们惊叹道：“天哪，它能生成这么多文字，还能写莎士比亚风格的诗。”但事实上，那都是基于它死记硬背后的归纳。

我们要知道，真正的智能在于解决问题。而解决问题的关键，一部分是“知道自己不知道什么”，另一部分是推理——如何解决一个从未见过的问题：将其拆解成容易解决的细分元素，通过组合这些元素，搞定前所未见的难题；同时还要制定策略、计划，去执行任务，比如寻求帮助、使用工具、进行研究等等。

这些都是现在的基本要素，用行话来说就是“智能体 AI”，大家应该都听过——工具使用、研究能力、基于事实的“检索增强生成”（RAG）、记忆能力，这些都是讨论智能体 AI 时会提到的关键词。

但最重要的是，我们要从显式编程的通用计算中进化出来。当年我们用 FORTRAN、C、C++ 写代码……

Chuck Robbins：还有 COBOL（一种古老的商业编程语言）。

黄仁勋：没错，COBOL。那可是好东西，绝对是好东西。

Chuck Robbins：那是我的保底饭碗。

黄仁勋：好技能啊，这是那种即便到现在依然很有价值的技能。

Chuck Robbins：我懂，我确实收到了不少 Offer。

黄仁勋：恐龙（老古董）永远是有价值的。

Chuck Robbins：我们可是刚才确认了，你比我年纪大。

黄仁勋：好吧，我才是那个史前生物。虽然看起来不像，但这确实是事实。我应该是这屋子里年纪最大的……可能是最老的人了。

Chuck Robbins：言归正传老黄，让我们继续聊聊 AI……

黄仁勋：好的。其实我之前找过 Chuck，我说“听着，我们需要重新发明计算，思科必须在其中扮演重要角色”。我们即将推出全新的计算堆栈——Vera Rubin，思科将与我们同步上市。这是计算层，除此之外还有网络层：思科将整合我们的 AI 网络技术，把它植入思科的 Nexus 控制平面中。这样一来，企业用户既能获得 AI 的极致性能，又能保留思科的可控性、安全性和易管理性，我们在安全领域也会做同样的事情。

我们稍后还会聊到，为什么三年前企业 AI 还没准备好，而现在，你们别无选择，必须尽快入局——别掉队。我不认为你们非得做第一个吃螃蟹的公司，但千万别做最后一个。

不要一开始就算 ROI：先让百花齐放

Chuck Robbins：说得很有道理。那如果现在有一家企业，想开始为拥抱 AI 做准备，你对他们的第一步、第二步、第三步，有什么具体建议？

黄仁勋：我经常被问到诸如 ROI（投资回报率）这类的问题，但我建议大家不要从这里入手。原因很简单——任何新技术部署的初期，你都很难在电子表格里算出它的 ROI。

我建议大家，先找到公司的“灵魂”，也就是我们公司最具有影响力的工作是什么？别在边缘业务上瞎折腾。以英伟达为例，我们的理念是“让百花齐放”：公司内部的 AI 项目数量多得失控，但这很棒——因为创新本来就不总是受控的。如果你想一切尽在掌握，那我建议你先去看看心理医生，这本身就是一种幻觉，你根本控制不了。

如果你想让公司成功，你就不能控制它，而是要去影响它。太多公司想要确切的、可论证的 ROI，但在初期，证明某件事值得做是很难的。所以我的建议是：让百花齐放，让大家去实验，安全地实验。

我们在公司里尝试各种东西，Anthropic、Codex、Gemini，什么都用。当我的团队说“我想用这个 AI”时，我的第一反应是“好”，然后才问“为什么”，而不是先问“为什么”，再决定“给不给”。

这就像我对孩子一样：勇敢去探索生活！如果他们想尝试什么，答案得先是“好”，然后再问原因。你不能说“向我证明，做这件事将来能带来经济上的成功或幸福，否则我就不让你做”——我们在家从不这样，但在工作中却总是这样。你能明白我的意思吗？

Chuck Robbins：我懂。

黄仁勋：这对我来说讲不通。所以我们对待 AI，就像以前对待互联网、云一样：先百花齐放，然后到了某个阶段，再运用判断力去修剪这座花园。因为百花齐放会让花园变得杂乱，你必须开始筛选，找出最好的方法、最好的平台，然后“集中火力”。但你不能太早孤注一掷，万一选错方向了呢？所以，先百花齐放，适时再修剪。

给大家一个参考，我现在还没开始修剪，依然在让公司内部“百花齐放”，但我非常清楚什么对我们公司最重要——芯片设计、软件工程、系统工程。大家可能注意到了，我们与 Synopsys、Cadence、西门子以及 Dassault 都建立了合作，为了植入我们的技术，无论他们想要什么、需要什么，我都提供百分之一千的支持。这样我就能彻底革新我们用来设计产品的工具，创造出下一代产品。

其实 AI 真正的价值，是降低了智能的成本，创造了“智能的极大丰富”，达到了数量级的提升。换句话说，过去需要一年完成的工作，现在可能只需要一天、一小时，甚至实时完成——我们身处一个富足的世界。

大家之前常说的摩尔定律，现在看来太慢了，简直像蜗牛爬。摩尔定律是每 18 个月翻一番，五年十倍，十年一百倍，但我们现在要追求的，是十年一百万倍！

过去十年里，我们把 AI 推进得如此深远，工程师们都敢说“不如我们用全世界的数据来训练一个 AI 模型吧”——他们说的不是“收集我硬盘里的数据”，而是“下载全世界的数据来训练”，这就是“丰富”的定义。所谓的“丰富”，就是看着一个巨大的问题，你敢说“我全包了”，就像“我不只要攻克癌症，我要解决所有人类的疾病”，这才是丰富。

现在我思考工程问题时，都会假设我的技术、工具、仪器是无限快的：去纽约要多久？一秒钟。如果一秒钟就能到纽约，我会做哪些不同的事？如果过去需要一年而现在是实时的，我会如何改变做法？——你必须用这种态度去处理每一件事，这就是“AI 思维”。

比如，我们在与许多公司合作处理图分析，那种包含万亿个节点和边的复杂关系图，过去你会把图切成小块处理，现在呢？直接把整个图给我，多大都无所谓。

这种思维正在被应用到各个地方。如果你没有应用这种思维，那你就做错了。想象一下，你的竞争对手正在这么想，或者一家即将成立的创业公司正在这么想，这就改变了一切。所以我建议，找出你公司里最具影响力的工作，给它加上“无限”的能力、“光速”的效率，然后问 Chuck 如何实现——毕竟，落地的事，思科很擅长。

软件从“预录制”到“生成式”

Chuck Robbins：接下来，我们来聊聊怎么实现。你之前有个“五层蛋糕”的比喻，现在大家都在谈论基础设施、模型、应用，到底该怎么入手？聊聊这个吧。

黄仁勋：成功人士通常会做的一件事，就是去推演事物的本质。这到底是怎么回事？

大概 15 年前，有两个工程师用一种算法解决了一个计算机视觉问题。计算机视觉是智能的第一步：感知。智能由感知、推理、规划组成——感知：我看到了什么，语境是什么？推理：如何根据我的目标来分析现状？规划：制定一个计划来实现目标。就像战斗机的问题一样：感知、定位、行动。

没有感知就没有后续。如果不理解语境，你没法决定做什么。而语境是高度多模态的——有时候是 PDF，有时候是电子表格，有时候是感官气味，还包括我们在哪、在干什么、听众是谁，学会“读空气”等等，这都是感知。

大约十三、四年前，我们在计算机视觉（感知的第一层）上取得了巨大飞跃，以前这超级难，直到 AlexNet 出现，那是我们看到的第一个突破，就像电影《第一类接触》一样，那也是我们与 AI 的第一次接触。

我们当时就想，这意味着什么？为什么两个孩子用几块 GPU 就能打败我们所有人研究了三十年的算法？我昨天还和 Ilya Sutskever（OpenAI 联合创始人）、Alex Krizhevsky 聊过这件事。十年前我对此进行了推演，得出的结论是：世界上大多数能被解决的难题，都可以用这种方式解决。

因为世界上大多数棘手的、有价值的问题，并没有所谓的“第一性原理算法”——没有 F=ma（牛顿第二定律），没有麦克斯韦方程组，没有薛定谔方程，没有欧姆定律，也没有热力学定律。你和我遇到的那种问题，答案往往是“视情况而定（It depends）”。如果答案是固定的 3，那很好；如果是 3.14，那太棒了，但生活中最难、最有价值的问题，都是“视情况而定”，因为它取决于语境，取决于环境。

十三年前计算机视觉被攻克了。我们推断这可以通过深度学习进行扩展，模型可以越做越大。只需要解决一个问题：如何训练模型？巨大的突破在于“自监督学习”（无监督学习）——AI 可以自我学习，我们不再受限于数据标注了。

这个突破打开了闸门，让我们把模型从几亿参数扩展到几十亿、几万亿，我们能编码的知识、算法能学习的技能，呈爆炸式增长。

这就回到了我们对话的开头：我们将彻底重新发明计算，从显式编程转变为一种全新的计算方式——软件是被“学”出来的。这意味着什么？这对计算堆栈、软件开发、你公司的工程组织，对市场团队、工程团队、QA 团队，都意味着根本性的改变。这些产品未来会变成什么样？如何部署？如果它是基于机器学习的，如何让它永远保持更新？怎么打补丁？……我有成千上万个关于计算未来的“如何”的问题。

对此，英伟达得出的结论是：这将改变一切。所以我们基于这个核心信念，让整个公司转型。简单来说，我们过去的世界里，一切都是“预录制”的——像 Chuck 以前写的软件，就是预录制的。

Chuck Robbins： 那可是好东西。郑重声明，我那个软件跑了很久都没出问题。

黄仁勋：确实，而且那还是用希伯来语描述的（调侃 Chuck 用的技术十分古老）。

Chuck Robbins：这倒是真的，那是另一项技能了。

黄仁勋：这屋里，恐怕只有你能同时精通希伯来语和COBOL了……总之，那都是预录制的。我们描述算法，描述想法，放入数据，一切都是预先录好的。这也是为什么过去的软件是用 CD-ROM 发行的，对吧？

Chuck Robbins：是的。

黄仁勋：而现在的软件是什么？它是基于语境的。每个语境都不同，每个用户都不同，每个提示词都不同——所有的前置条件都不同。每一个软件实例都是独一无二的，所以过去的计算（预录制）被称为“基于检索”的，你点手机，它去检索文件给你。而未来，一切都是“生成式”的。

就像现在的对话一样。这段对话以前从未发生过。可能概念存在过、前置知识存在过，但这串词句的组合顺序从未出现过——原因显而易见，咱们都喝了四杯酒了。你们知道吗？Chuck 今天给我拿了四杯酒。

Chuck Robbins：准确来说，我只给你拿了一杯，剩下三杯是你自己从自助餐台上拿的。你的团队提前告诉过我们，如果你喝了三杯，那就是最佳状态；如果喝到第四杯，情况就要失控了。

软件行业在衰落，还会被 AI 取代？毫无逻辑

Chuck Robbins：你能和我聊聊“物理 AI”到底是什么吗？

黄仁勋：首先我想澄清一个误区——有人说软件行业在衰落，还会被 AI 取代，这其实是毫无逻辑的。

我给你做个终极思想实验：假设我们都是终极 AI，也就是物理形态的通用机器人。既然你是类人机器人，能解决所有问题，那我问你：你会用现成的螺丝刀，还是重新发明一把？肯定是用现成的。同理，你会用现成的链锯，还是再造一把？答案也一样，当然是直接用工具。

这个逻辑放到数字世界里也完全成立。如果你是 AGI（通用人工智能），你会去用 ServiceNow、SAP 这些现成的工具，还是费时费力重新发明一个计算器？毫无疑问是用现成的计算器。

为什么我们要让 AI 学会使用工具？核心原因是：现有的很多工具，提供的是“确定性”的结果。世界上有很多问题是有标准答案的，比如牛顿第二定律 F=ma，你不需要 AI 给出一个大概接近 ma 的模糊答案，ma 就是唯一的标准答案。再比如欧姆定律 V=IR，这在科学上是绝对成立的，不存在“统计学上的IR”这种说法。

所以我们的目标很明确：让 AI 像人类一样，直接拿起这些精准的工具去解决问题，而不是在已有标准答案的事情上瞎猜——这就是我们希望 AGI 学会使用工具的核心逻辑。

而下一代物理AI，还要再多一个能力——理解物理世界和因果关系。比如我推倒这一块多米诺骨牌，它会带动后面所有骨牌倒下，这种因果关系、物体接触、引力和质量的结合，每个孩子都能理解，但现在的大语言模型还做不到，这就是我们要研发物理 AI 的原因。

接下来我们聊机会在哪里。一直以来，我和你所处的行业，其实都是在制造工具，就像做螺丝刀、锤子这类生意一样。但现在，有史以来第一次，我们有机会去创造“劳动力”，或者说“增强型劳动力”。举个例子：自动驾驶汽车是什么？它本质上就是一个数字司机，而这个数字司机的价值，远比汽车本身的价值要高。这也意味着，我们第一次面对一个潜在市场总量（TAM）比之前大 100 倍的新市场——全球 IT 产业规模大概是 1 万亿美元，但全球经济总规模是 100 万亿美元。

这也就意味着，在座的每一个人，都有机会通过应用这项技术，把自己的公司变成一家技术公司。我相信，迪士尼宁愿成为下一个 Netflix，梅赛德斯宁愿成为下一个特斯拉，沃尔玛宁愿成为下一个亚马逊。你们同意吗？我举的这三个例子，是不是说到大家心里去了？

Chuck Robbins：完全同意。相信在座的每一位，心里都是这么想的。

黄仁勋：没错。我们现在最大的机会，就是帮助每一家公司，转型成“技术优先”的公司。技术就是大家的超级力量，而你们各自所处的行业领域，就是技术的应用场景。

为什么一定要“技术优先”？因为一旦走技术优先的路线，你打交道的就不是“原子”，而是“电子”。原子的价值会受限于它的质量，但电子的价值，从 CD-ROM 里的内容变成电子流的那一刻起，就已经翻了上千倍。

所以，无论你身处哪个行业，都需要成为一家技术公司。哪怕是像 Chuck 你这样，只懂希伯来语编程，这也是一种天赋，也是可以依托的技术能力。

编程正在贬值，但这是所有企业的机会

Chuck Robbins：嗯……希伯来语是从右往左写的，其实挺聪明的。

黄仁勋：聪明人做聪明事。美妙之处在于，未来的编程语言就是人类的语言。对于在座的所有公司，你们可能觉得“天哪，软件不是我们的强项”。但知识、直觉、领域专长是你们的强项。

现在，你们第一次可以用自己的语言向计算机解释你到底想要什么。还记得我们从哪里开始的吗？从显式编程到隐式编程。史上第一次，你可以隐式地对计算机编程。告诉它你的意图，让计算机来写代码——因为事实证明，写代码不过就是打字，而打字只是一种廉价品，不值钱了。

这就是你们的巨大机遇。你们所有人都可以从过去受限的原子世界中升维。你们可以摆脱“我们没有足够的软件工程师”这种限制，因为写代码只是敲键盘。而你们拥有极具价值的东西——领域专长：理解客户，理解问题，这些才是终极价值。

理解意图是终极价值。那些刚从大学毕业的超级程序员可能完全不知道客户想要什么，不知道该解决什么问题，但你们知道。至于写代码的部分，让 AI 去做就行了，这就是你们的超能力，所以 Chuck 和我来这就是为了帮你们实现这一点。哦对了，这段结束语是在我喝了五杯酒之后说的，所以……

Chuck Robbins：这简直是个奇迹。

黄仁勋：所以 Chuck，我想告诉你，与大家合作非常荣幸。思科在计算发明的两个重要支柱上拥有极高的造诣。没有思科，就没有现代计算。一个是网络，另一个是安全。这两个支柱都在 AI 世界中被重新发明了。而我们非常擅长的计算部分，在很多方面其实是大路货。思科懂的那些东西才是深具价值的。我们两家联手，很乐意帮助大家进入 AI 世界。

之前有人问我，是该直接租用云服务，还是该努力建立自己的计算机？

我会给你们和我给我孩子一模一样的建议：去组装一台电脑。即便 PC 随处可见，即便技术已经成熟，但还是亲手装一台。去了解所有组件的存在意义。如果你在汽车行业，也别光坐 Uber，打开引擎盖、换换机油、了解所有部件，搞懂它是怎么工作的，这至关重要。不需要很大，但要造点什么。你可能会发现你其实非常擅长这个，可能会发现你需要这项技能，可能会发现世界不是“全租”或“全买”，而是租一部分，拥有一部分。

因为你公司的某些部分应该建立在本地（On-prem）。为了主权，为了私有信息，或者你只是不放心把问题分享给所有人。这就好比……你看心理医生时，你不想让那些问题出现在网上，懂吗？

我认为你们的很多问题、对话、不确定性，应当保持私密，公司也是一样。我不放心把英伟达所有的对话都放在云端，所以我们要在本地建立它。

事实证明，对我来说最有价值的知识产权（IP）不是我的答案，而是我的问题。我在思考什么，那就是我的问题，答案只是廉价商品。如果我知道该问什么，我就锁定了什么是重要的。而我不想让别人知道我认为什么重要。我希望这发生在一个小房间里，在本地，只有我自己——所以，我要创造我自己的 AI。

既然已经晚上 11 点了，那就分享最后一点想法。过去有个观点是 AI 应该始终遵循“人在环节中”（Human-in-the-loop，指人工干预）。这是完全错误的观念，彻底反了——每家公司都应该是“AI 在环节中”（AI-in-the-loop）。

原因在于，我们希望公司每天都变得更好、更有价值、更有知识。我们不想倒退，不想停滞，不想从头再来。这意味着如果有 AI 在环节中，它将捕捉我们的生命经验。未来每一位员工都会有 AI——很多 AI 在环节中协助，这些 AI 将成为公司的知识产权，这才是未来的公司。

Chuck Robbins：好的，老黄在路上跑了两周，飞到这里，把他这趟差旅的最后一晚留给了我们，之后他终于能久违地睡在他自己的床上了。我们非常感激你的到来。

黄仁勋：非常感谢。我……刚才我用眼角余光看到那边有很多烤串，希望它们还在那儿。

Chuck Robbins：哦，我们答应给他的那袋 Fritos（一种玉米片零食）在哪儿呢？

黄仁勋：哈哈哈好吧，我们要走了。谢谢大家。