Host: So this guy, (audience applauding) this guy is on the tail end of a two week trip in four or five different cities in Asia. But he’s been gone two weeks, and we’re standing between him and his personal bed versus a hotel, so we’re gonna have fun, and then we’re gonna get him out of here. So let’s start with that. We have had a partnership, and you introduced this whole concept of AI factories, and we’re working on this together. It’s probably not going as fast as either one of us would like in the enterprise space, but can we start by talking about what is an AI factory to you?
主持人： 这位刚刚结束为期两周的亚洲之行，去了四五个不同的城市。但出差两周了，现在我们正阻挡他回到家里的床上，而不是酒店，所以我们要好好聊聊，然后让他早点回家。
那我们就从这个开始吧。我们一直有合作，你提出了“AI工厂”这个概念，我们正在共同推进。在企业领域可能进展没有我们任何一方期待的那么快，对你来说什么是AI工厂？
Jensen: So first of all, remember, we’re reinventing computing for the first time in 60 years. It helps me finish crossword puzzles sometimes. Yes, but only on things that it had memorized and generalized. So if you go back in the beginning of— I mean, it’s literally only three years ago when Chachabit emerged that we thought, oh my gosh, it’s able to generate all these words. It’s able to create Shakespeare. But it’s all based on things that it memorized and generalized. But we know that intelligence is about solving problems. And solving problems is partly about knowing what you don’t know, partly about reasoning how to solve a problem you’ve never seen before. Breaking it down into elements that you know how to solve. These are all fundamental things that now in the phraseology of agentic AI, you’ve heard. Isn’t that right? Tool use, research, retrieval augmented generation, which is grounded on facts, memory. These are all things that all of you in the context of talking about agentic AI, you’re starting to hear. But the important thing— the important thing is, in order to evolve from general purpose computing, which is explicit programming— we wrote it in Fortran, we wrote it in C, we wrote it in C++— COBOL.
黄仁勋： 首先我们要记住，我们正在经历 60 年来首次对计算架构的彻底重构。AI 偶尔能帮我填个字谜，但这
仅限于它已经记忆并泛化（Generalization）过的东西。
回看三年前，也就是 ChatGPT 刚出现那会儿，我们惊叹道：“我的天，它能生成这么多文本，甚至能模仿莎士比亚！” 但这一切本质上都源于它的记忆与泛化能力。而我们深知，智能的真谛在于解决问题。
解决问题的关键:
- 一部分在于“知其不知”（明确认知的边界）
- 另一部分则在于逻辑推理——面对从未遇到过的问题，如何将其拆解为若干个已知的、可解决的小环节。
这些正是现在大家谈论 “智能体 AI”（Agentic AI） 时经常听到的核心概念。对吧？比如：工具调用（Tool use）、自主调研、检索增强生成（RAG）——这能让 AI 的回答锚定在事实基础上，并具备长期记忆。在讨论智能体 AI 的语境下，你们对这些概念已经耳熟能详了。 但最关键的一点是：我们要实现从通用架构计算（General Purpose Computing）的进化。所谓的通用计算就是显性编程，也就是我们过去用 Fortran、C、C++ 甚至 COBOL 这种一行行写出来的程序。
| 术语 | 英文全称 | 深度解析 |
|---|---|---|
| 泛化 | Generalization | 指模型在处理没见过的新数据时，表现出的适应能力。如果一个模型只会死记硬背（过拟合），那它就没有泛化能力；只有学会了背后的规律，它才能在面对新问题时举一反三。 |
| 智能体 AI | Agentic AI | 传统的 AI 像个“复读机”（你问它答），而 Agentic AI 像个“执行者”。它能感知环境、使用工具、自我推理，并主动完成一个复杂的任务（比如：帮你订票并规划行程，而不只是告诉你怎么订）。 |
| 检索增强生成 | RAG (Retrieval-Augmented Generation) | 解决 AI “一本正经胡说八道”的技术。它让 AI 在回答前，先去可靠的知识库里查一下资料，再结合搜到的事实来回答。就像闭卷考试变成了“开卷考试”。 |
| 锚定/接地 | Grounding | 这是一个哲学和技术交叉的概念。指将 AI 的抽象生成逻辑与真实世界的约束（事实、数据、物理定律）联系起来，确保输出内容不是虚构的空中楼阁。 |
| 通用架构计算 | General Purpose Computing | 指以 CPU 为核心的传统计算模式。它设计的初衷是“什么都能跑”，但也意味着在处理海量 AI 并行计算时，效率远不如专门的 GPU 加速计算。 |
| 显性编程 | Explicit Programming | 传统开发方式：程序员必须给计算机下达极度精确的指令（比如：如果 A 发生，就执行 B）。而在 AI 时代，我们不写逻辑，而是喂数据让它自己学习逻辑。 |
| Fortran / COBOL | 它们是计算机界的“活化石”语言。老黄提到它们是为了强调：这套基于 CPU 的编程逻辑已经存在了半个多世纪，现在该轮到 AI 范式上场了。 |
Jensen: Rubin, and Cisco is going to be trying to market with us on that. And so that’s the computing layer, but there’s also the networking layer. And Cisco is going to integrate AI networking technology from us, but put it into the Cisco Nexus plane, control plane, so that from your perspective, you’re going to get all the performance of AI, but in the controllability and security and the manageability of Cisco. And we’re going to do the same thing with security. And so each one of these pillars has to be reinvented so that enterprise computing could take advantage of it. But ultimately, and we’ll come back to this, hopefully, that why is it that enterprise AI wasn’t ready three years ago, and why it is that you have no choice but to get engaged as quickly as you can? Don’t fall behind. I think you don’t have to be the first company to take advantage of AI, but don’t be the last.
黄仁勋： Rubin 架构即将问世，思科将与我们共同将其推向市场。以上是计算层的革新，但别忘了还有网络层。思科将整合我们的 AI 网络技术，并将其植入 Cisco Nexus 的控制平面（Control Plane）中。这样一来，从用户的视角看，你既能获得 AI 带来的极致性能，又能延续思科原有的可控性、安全性和可管理性。在安全领域，我们也将采取同样的深度融合。
因此:
IT 架构的每一个支柱都必须经历重构，企业级计算才能真正发挥 AI 的潜力。
但归根结底——我们待会儿还会细聊——为什么企业级 AI 三年前还不成熟？而为什么现在你们别无选择，必须尽快入局？千万别掉队。你可以不必做第一家吃螃蟹的公司，但绝对不能做最后一个。
| 术语 | 英文全称 / 原文 | 深度解析 |
|---|---|---|
| Rubin | Rubin Architecture | 关键修正：这不是人名，而是 NVIDIA 继 Blackwell 之后的下一代 GPU 架构代号（以天文学家 Vera Rubin 命名）。老黄在这里是指思科将支持这款最新的芯片架构。 |
| 控制平面 | Control Plane | 网络术语。指网络中负责“发号施令”的部分，比如路由协议、管理策略。思科的强项在于管理，NVIDIA 的强项在于数据传输速度，两者结合意味着“用思科的习惯管理 NVIDIA 的速度”。 |
| Cisco Nexus | Cisco Nexus Series | 思科最核心的数据中心交换机产品线。将 AI 技术植入 Nexus，意味着企业不需要推翻现有的网络骨干就能升级 AI 能力。 |
| 计算层 vs 网络层 | Computing vs Networking | AI 不只是靠芯片算得快（计算层），还需要海量数据在芯片之间跑得快（网络层）。老黄强调的是两手都要抓。 |
| 企业级 AI | Enterprise AI | 与 ChatGPT 这种大众消费级 AI 不同，企业级 AI 对数据隐私、权限控制、系统稳定性要求极高。三年前 AI 还在解决“能不能写诗”，现在才开始解决“企业能不能安全地用”。 |
Host: So if you’re an enterprise today, what’s your recommendation on the first, second, third step they should take to begin to get ready?
主持人： 如果你今天是一家企业，你对他们应该采取的第一步、第二步、第三步有什么建议，以便开始准备？
Jensen: Well, I get questions like things like ROI. But what I would do is I would go find out what is the single most, what is the essence of my company, what’s the most important… The number of different AI projects in our company, it’s out of control and it’s great. Notice I just said something. It’s out of control and it’s great. Innovation is not always in control. If you want to be in control, first of all, you gotta seek therapy, but second, it’s an illusion. You’re not in control. If you want your company to succeed, you can’t control it. If you want to influence it, you can’t control it. So I think number one, too many people want it, too many companies I hear, they want it explicit, they want it specific, they want demonstrable ROI. Showing the value of something worth doing in the beginning is hard. But what I would say is that let a thousand flowers bloom, let people experiment, let the people experiment safely. We’re experimenting with all kinds of stuff in the company. We use Anthropic, we use Codex, we use Gemini, we use everything. And when one of our groups says, I’m interested in using this AI, my first answer is yes, and I’ll ask why. Instead of why, then yes. I say yes, then why? And the reason for that is because I want the same thing for my company that I want for my kids. Go explore life. They say they want to try something, the answer is yes, and then they say, how come? You don’t go, prove it to me. Prove to me that doing this very thing is going to lead to financial success or some happiness someday. Just like the PC before, or the internet before, or cloud before, just let a thousand flowers bloom. And then at some point, you have to use your own judgment to figure out when to start curating the garden. Because a thousand flowers bloom makes for a messy garden. But at some point, you have to start curating to find what’s the best approach, or what’s the best platform, so that you could put all your wood behind one arrow. But you don’t want to put all your wood behind one arrow too soon. Of course I do. What is the essence of our company? What are the most important work of our company? And I make sure that I’ve got a lot of expertise and a lot of capability focused on using AI to revolutionize that work. In our case, chip design, software engineering, system engineering. You might have noticed that we partnered with Synopsys and Cadence and Siemens and today Dassault so that we could insert our technology and infuse as much technology as they want, whatever they want, whatever they need, I will provide. So that I can revolutionize the tools by which we use to design what we do. We use Synopsys everywhere. We use Cadence everywhere. We use Siemens everywhere. So that tells you something about how I, my attitude about what’s most important to me and what I will do to revolutionize my own work. Think about what AI does. AI reduces the cost of intelligence or create the abundance of intelligence. What we used to take a year could take an hour. It could be done in real time. And the reason for that is because we are in the world of abundance, Moore’s Law, goodness gracious, that was slow. That’s like snails. Remember, Moore’s Law was two times every 18 months, 10 times every five years, 100 times every 10, okay? But where are we now? A million times every 10 years. In the last 10 years, we advanced AI so, so far that engineers said, “Hey, guess what?” That’s the definition of abundance. The definition of abundance is you look at a problem so big and you say, “You know what…” When I think about a problem these days, I just assume my technology, my tool, my instrument, my spaceship is infinitely fast. How long is it going to take for me to go to New York? I’ll be there in a second. So what would I do different if I can get to New York in a second? What would I do different if something used to take a year and then now takes… when you approach everything with that attitude, when you approach everything with that attitude, you are applying AI sensibility. Does that make sense? For example, there are many companies that we’re working with where the graph analytics, the dependency, the relationships and dependencies that you know these graphs… being applied everywhere. If you’re not applying that sensibility, you’re doing it wrong. If speed matters, not at all. You’re at the speed of light. If mass is, you’re at zero weight, zero gravity. If you’re not applying that logic, if this something is not, it’s insanely hard to imagine a company who is about to get founded is thinking that way.
黄仁勋： 我常听到关于投资回报率（ROI）这类的问题。但我会先问：我公司的灵魂是什么？最核心的工作是什么？目前我们公司内部的 AI 项目多到已经“失控”了，但这棒极了。
注意我的用词：失控，且棒极了。 创新从来不是完全受控的。
如果你一心想掌控全局，首先你该去看心理医生，其次你要明白那只是幻觉。你无法掌控它。如果你想让公司成功、想施加影响力，你就不能死死攥住控制权。
所以我认为，第一，太多人、太多公司想要那种极其明确、具体、且能立刻论证 ROI 的东西。但在初期，要证明一件值得做的事的价值是很困难的。我的态度是：让百花齐放（Let a thousand flowers bloom），让大家去实验，而且是安全地实验。我们公司内部在尝试各种工具，Anthropic、Codex、Gemini，只要好用的我们都用。当团队想尝试某种 AI 时，我的第一反应是“好”，然后再问“为什么”。不是先审问为什么，再决定给不给过。
因为我对公司的期望，就像我对孩子的期望一样：去探索人生吧。当他们想尝试新事物，先说“行”，然后再聊聊理由。
你不能说：“先给我证明这么做将来能赚大钱或获得幸福。”就像当年的 PC、互联网或云计算刚起步时一样，先让百花齐放。然后到某个阶段，你需要凭直觉去“修剪花园”，因为花开得太多会显得杂乱。
你需要通过筛选找到最佳路径或平台，从而集中火力，毕其功于一役（Put all your wood behind one arrow）。但你不能过早地押注单一方向。
那么我会怎么做？我会审视 NVIDIA 的核心。我们最核心的工作是：芯片设计、软件工程、系统工程。我确保将最顶尖的专业人才和能力聚焦于此，用 AI 彻底重构这些工作。你可能注意到我们与 Synopsys（新思科技）、Cadence（机电）、Siemens（西门子）以及现在的 Dassault（达索系统）都达成了深度合作。我要把我们的技术注入他们的工具里，无论他们要什么，我都给。我要彻底革新这些设计工具。我们内部到处都在用这些软件。这代表了我的态度：为了革新自己的核心业务，我会不遗余力。
想想 AI 的本质：它降低了智力的成本，创造了智力的丰裕（Abundance of intelligence）。以前需要一年的工作，现在可能只需一小时，甚至实时完成。这是因为我们进入了一个“丰裕的世界”。天哪，摩尔定律曾经被奉为神谕，但现在看来它慢得像蜗牛。记得吗？
摩尔定律是每 18 个月翻一倍，10 年才 100 倍。但现在呢？我们 10 年能提升一百万倍性能。
这就是“丰裕”的定义：当你面对一个庞大的难题时，你不再畏首畏尾。如今我思考问题时，我会假设我的技术、我的宇宙飞船是无限快的。如果去纽约只需一秒钟，我的策略会发生什么变化？如果一件耗时一年的工作现在眨眼就能完成，我会怎么重新思考？
当你带着这种态度去处理每一件事，你就是在应用 “AI 敏感度”（AI sensibility）。
明白我的意思吗？比如，我们正与许多公司合作进行图分析（Graph Analytics），挖掘那些极其复杂的依赖关系。如果你在经营中不具备这种敏感度，你就错了。如果速度不再是障碍，你已经身处光速；如果质量不再是负担，你已处于零重力环境。如果你不按这种逻辑思考，很难想象一家新创公司能在这个时代立足。
| 术语 | 英文原文 | 深度解析 |
|---|---|---|
| ROI | Return on Investment | 投资回报率。在商业决策中衡量投入产出比。老黄认为在 AI 变革初期过分纠结具体的 ROI 会扼杀创新。 |
| 百花齐放 | Let a thousand flowers bloom | 源自中国成语，但在硅谷常用来形容鼓励内部进行大量、多样化、小规模的实验，不设限。 |
| 集中火力 / 毕其功于一役 | Put all your wood behind one arrow | 字面意思是“把所有的木头都削成一支箭”。这是硅谷非常著名的一个管理比喻，意指在尝试了多种可能后，看准方向，倾尽所有资源追求一个目标的成功。 |
| EDA 三巨头 | Synopsys, Cadence, Siemens | 这是全球最重要的三家芯片设计自动化（EDA）工具公司。没有这些工具，人类根本画不出复杂的现代芯片。老黄强调与他们合作，是为了从源头革新芯片设计。 |
| 智力的丰裕 | Abundance of Intelligence | 老黄的核心哲学。他认为 AI 会像工业革命让“动力”变得廉价丰裕一样，让“智力”也变得随处可见且极其廉价。 |
| 图分析 | Graph Analytics | 一种分析数据间复杂关联（点与线关系）的技术。例如社交网络关系、供应链依赖等。在 AI 中，这种思维用于理解复杂系统中牵一发而动全身的关系。 |
| AI 敏感度 | AI Sensibility | 老黄自创词。指一种全新的思维范式：在思考问题时，自动假设算力和时间成本接近于零，基于这种“无限可能”的前提去重新设计业务流程。 |
Host: You have this analogy of this five layer cake, because everybody’s talking about infrastructure, models— Yeah, what is AI? —apps. I mean, how do I go about it? Talk about that a little bit.
主持人： 你提到了“五层蛋糕”的比喻，因为大家都在谈论基础设施、模型——是的，什么是AI？——应用。我是说，我该如何着手？稍微谈谈这个。
Jensen: Well, the first— one of the things that successful people do is they reason about what is something… Intelligence is perception, reasoning, planning… About 13, 14 years ago, we made a huge, gigantic leap. Contact. It was like our first contact to AI… Ilya Sutskever, I talked to him yesterday, and Alex Krizhevsky, and how is it possible two kids with a couple of GPUs solve this problem? … The amount of knowledge we can codify, the number of skills we can learn algorithmically, you know, really largely exploded… If you take another step back and you go, okay, what does that mean to the computing stack? … The reason why you know software in the past was pre-recorded… is called retrieval-based… In the future, everything is going to be generative, just like it’s happening right now. This conversation has never happened before… every single word in this sequence has never happened before.
黄仁勋： 成功人士的一个共同特质是，他们善于推导事物的本质。比如：这里究竟发生了什么？以解决计算机视觉（Computer Vision）问题为例，它是智能的第一步——感知。智能由感知、推理、规划这三者构成。没有感知，你根本无法进行后续的推理和规划；不理解上下文（Context），你就不可能做决策。而上下文是高度多模态的：它可能是 PDF、表格、一段信息，甚至是个人的感官和嗅觉。就像在社交场合要懂得“察言观色”一样，这都属于感知。
大约 13、14 年前，我们完成了一次巨大的飞跃。那就像人类与 AI 的“第一次接触”。我们当时在想：这怎么可能？两个工程师怎么可能打败我们所有人研究了 30 年的传统算法？我昨天刚和 Ilya Sutskever 聊过，当年他和 Alex Krizhevsky 两个年轻人，凭着几块 GPU 竟然解决了这个难题。这到底意味着什么？
十年前我就在思考并得出了结论：事实上，世界上绝大多数有价值的难题，都可以用这种方式解决。现实中大多数难题的答案都是“视情况而定”（It depends），它们没有热力学定律那么死板。
我们推断，凭借深度学习，这种模式是可扩展的——你可以让模型变得越来越大。当时唯一的瓶颈是如何训练它，而随后的重大突破是自监督学习（Self-supervised Learning）。这意味着 AI 可以自我学习，不再受限于人工打标签（Labeling）。这个突破彻底打开了闸门，让模型从几亿参数飞跃到数万亿。
再退一步想，这对计算堆栈（Computing Stack）意味着什么？对软件开发、工程组织、甚至 QA 评估意味着什么？我思考了上千个关于未来计算的“如何实现”的问题。
我发现:
- 过去所有的软件本质上都是“预先录制”的，我们称之为基于检索（Retrieval-based）的模式。当你点开手机 App，它只是去后台调取预先写好的代码、文件或图片给你。
- 但未来，一切都将是生成式（Generative）的。
就像我们现在的对话，虽然概念和先验知识（Priors）早已存在，但这一串单词组成的具体序列在此刻之前从未出现过。这就是未来的软件模式：它是实时生成的，而非预先存储的。
| 术语 | 英文原文 | 深度解析 |
|---|---|---|
| 感知、推理、规划 | Perception, Reasoning, Planning | 经典 AI 的三大基石。老黄强调“感知”是第一步（即计算机视觉），没有感知的 AI 就是没有眼睛的盲人。 |
| 多模态 | Multimodal | 指 AI 能够同时处理多种类型的信息（文本、图像、音频、传感器数据等），像人一样全方位理解世界。 |
| Ilya Sutskever & Alex Krizhevsky | Ilya 是 OpenAI 的前首席科学家，Alex 是深度学习先驱。两人共同研发了 AlexNet，在 2012 年用 GPU 碾压了传统算法，开启了现代 AI 时代。 | |
| 自监督学习 | Self-supervised Learning | AI 界的重大转折点。过去需要人类手动给数据打标签（这是猫，那是狗），现在 AI 可以通过阅读海量互联网数据自己找规律，从而实现了规模化（Scaling）。 |
| 计算堆栈 | Computing Stack | 指从最底层的芯片、驱动，到中间的架构、编译器，再到最上层的应用程序的整个技术架构层级。 |
| 基于检索 vs. 生成式 | Retrieval-based vs. Generative | 核心差异：检索式软件是“翻书找答案”（内容是死代码），生成式软件是“现场写答案”（内容是基于概率实时算出来的）。 |
| 先验知识 | Priors | 贝叶斯统计和 AI 中的术语。指模型在看到新数据之前已经掌握的基础知识或概率分布。 |
| 以太 | Aether | 老黄最后用了一个哲学比喻（Ether/Aether），意指某种虚无或无限的空间。他的意思是，这种从未见过的组合不是凭空出现的，而是 AI 基于理解实时构建的。 |
Host: Energy, chips, infrastructure, both hardware and software, then the AI model, but the most important part of AI is…
主持人： 能源、芯片、基础设施（包括硬件和软件），然后是AI模型，但AI最重要的部分是……
Jensen: For God’s sakes, apply the technology. A company that uses AI will not be in peril. It’s the company who— you know, you’re not going to lose your job to AI. You’re going to lose your job to someone who uses AI. So get to it. That’s the most important thing. And call Chuck as soon as possible. You call me, I’ll call him.
黄仁勋： 看在上帝的份上，应用这项技术。使用AI的公司不会陷入危机。你不会因为AI失去工作，你会因为使用AI的人失去工作。所以赶紧行动。这是最重要的事情。并尽快打电话给Chuck。你打电话给我，我会打电话给他。
Jensen: Remember what software is. Software is a tool. There’s this notion that the tool in the software industry is in decline and will be replaced by AI. You could tell because there’s a whole bunch of software companies whose stock prices are under a lot of pressure. Because somehow, AI is going to replace them. It is the most illogical thing in the world, and time will prove itself. Let’s just give it, let’s give ourselves the ultimate thought experience. Of course solve any problem because you know you’re humanoid you could do things. If you were a human or robot would you use a screwdriver or invent a new screwdriver?
黄仁勋： 记住软件是什么。软件是一个工具。有一种观点认为，软件行业的工具正在衰落，将被AI取代。你可以看到，许多软件公司的股价承受着巨大压力，因为他们认为AI将取代他们。这是世界上最不合逻辑的事，时间会证明这一点。让我们进行一个终极的思想实验。当然可以解决任何问题，因为你知道你是人形，你可以做事。如果你是人类或机器人，你会使用螺丝刀还是发明新的螺丝刀？
Host: I would just use one.
主持人： 我只会使用一个。
Jensen: Would you use a hammer or invent a new hammer?… If you were a artificial general intelligence, would you use the tools like ServiceNow and SAP and Cadence and Synopsys? Or would you reinvent a calculator? … That’s the reason why the latest breakthroughs in AI is what? Tool use… I think that in the next generation of physical AI, we’re gonna have AIs that understand the physical world, understand causality… What’s a digital chauffeur valued at? A lot. A lot more than the car… For the very first time, we are exposed to a TAM that is 100 times larger… I believe that we have an opportunity to help transform every single company into a technology company… Technology is your superpower and the domain is your application versus the other way… because companies who are technology first, you’re dealing with electrons, not atoms… As it turns out, typing is a commodity. And all of you have something of great value, which is domain expertise… The coding part of it is easy. With five glasses of wine in me.
黄仁勋： 你会直接用锤子，还是去重新发明一把锤子？你会直接用电锯，还是重新发明电锯？请把这个类比应用到数字世界：如果你是一个通用人工智能（AGI），你是会直接调用 ServiceNow、SAP、Cadence 和 Synopsys 这种现成的专业工具，还是去重新发明一个计算器？你当然会直接用计算器。
这就是为什么 AI 最新的突破方向是工具调用（Tool Use）。因为这些工具是显性设计的，它们代表了世界的确定性规律。
比如 （牛顿第二定律），请不要再搞出另一个版本了，它不是“某种意义上的 ”，它就是 ；欧姆定律 也是如此。
我认为：
下一代物理 AI（Physical AI）将能理解物理世界和因果关系。 它们会理解什么是多米诺骨牌——不是简单的图案，而是其背后的深刻逻辑：接触、重力、质量、因果。
一个小骨牌能推倒一个大骨牌，最后推倒一吨重物，小孩都能理解这种逻辑，但大语言模型（LLM）目前还一窍不通。所以我们必须创造一种新型的物理 AI。
这背后蕴藏着什么机会？过去，我和 Chuck（思科 CEO）所在的行业只是在制造“螺丝刀”。
但现在，请问一个“数字司机”价值几何？非常值钱，远超汽车本身，因为在数字司机的生命周期里，它创造的经济价值更高。 我们有史以来第一次接触到一个扩大了 100 倍的总可寻址市场（TAM）。
IT 行业大约只有 1 万亿美元规模，而全球经济总量约 100 万亿美元。现在，这 100 万亿的市场大门正向我们敞开。
在座的每一位都有机会通过这项技术转型为一家“技术公司”。我非常爱迪士尼，但我确定他们更想拥有 Netflix 那样的技术内核；我爱梅赛德斯，但我确定他们更想拥有特斯拉那样的软件基因；我爱沃尔玛，但他们更想成为亚马逊。“技术优先”应该是你的超能力，而你的行业领域（Domain）只是这项能力的落地应用，而不是反过来——守着传统行业身份去到处求购技术。
之所以这么说，是因为技术优先的公司处理的是电子（Electrons），而不是原子（Atoms）。电子的数量级比原子高出千倍万倍。美妙的是，现在世界的编程语言变了。你们可能觉得软件不是强项，但知识、直觉和领域专业知识才是你们的终极王牌。你现在终于可以第一次用母语向计算机准确传达你的意图。
还记得我们聊过的从“显性编程”到“隐性编程”的跨越吗？你们可以从沉重的“原子限制”中解脱出来，不再受限于“程序员不够用”。事实证明，写代码（Typing）只是一种廉价的商品，而你们手中掌握的、能理解客户和解决问题的“行业经验”才是真正的核心价值。至于编码实现？那太容易了，我喝下五杯闷酒都能搞定。
| 术语 | 英文原文 | 深度解析 |
|---|---|---|
| 工具调用 | Tool Use | 指 AI 不再只靠脑子想（计算），而是学会了“像人一样用软件”。比如 AI 发现要算复杂的数学，它会自己去点开计算器或 Excel，而不是自己硬算。 |
| 物理 AI | Physical AI | AI 的下一波浪潮。指能够理解物理法则（重力、惯性、因果）的 AI，通常应用于机器人、自动驾驶和工业模拟。 |
| 总可寻址市场 | TAM (Total Addressable Market) | 商业术语，指一家公司或一项技术理论上能触达的最大市场规模。老黄认为 AI 让 IT 行业从服务“IT 人”变成了服务“全人类生产力”。 |
| 电子 vs. 原子 | Electrons vs. Atoms | 硅谷经典隐喻。原子代表实体硬件、工厂、物流等沉重且受物理限制的资产；电子代表软件、数据、AI 等可以无限复制、瞬间传输、指数级增长的资产。 |
| 领域专业知识 | Domain Expertise | 俗称“行话”或“行业深度”。老黄认为：AI 普及后，代码不再是壁垒，谁更懂业务（比如懂医疗、懂建筑、懂法律），谁才是 AI 时代的主宰。 |
| 商品化 | Commodity | 指某种东西变得像自来水或电一样稀松平常、利润极低。老黄在这里调侃“写代码”正在变成一种商品，而“商业意图”才是奢侈品。 |
Jensen: I just want to tell you that it’s a great pleasure working with all of you. Cisco, as you know, has extreme, extreme expertise in two very important pillars… Without Cisco, there is no modern computing… One of them is of course networking, and the other one is security… Somebody asked me earlier, should you just rent the cloud, or should you even make the effort to build your own computer? … Build a computer. Even though the PC is everywhere… for God’s sakes, build one. Know why all the components exist… My questions are the most valuable IP to me. What I’m thinking about are my questions. The answers are a commodity. If I simply knew what to ask, I’m identifying what’s important… Every company should have AI in the loop. And the reason for that is because we want our company to be better and more valuable and more knowledgeable every single day… Anyhow, that’s my close.
黄仁勋： 我想说，能与在座各位合作是极大的荣幸。如你们所知，思科在现代计算的两大核心支柱——网络与安全上，拥有极其深厚的造诣。没有思科，就没有现代计算。在 AI 时代，这两大支柱都在经历重构。我们最擅长的“计算”部分在某种程度上已经标准化、商品化了，而思科所掌握的领域知识则是无价之宝。我们两家公司将强强联手，助各位开启 AI 征程。
之前有人问我一个问题，我觉得有必要重复一遍。他问：“我们是应该直接租用云服务，还是该费力构建自己的计算机（私有算力）？”
我的建议和对我孩子的建议一模一样：
- 去亲手组装一台电脑。 即便 PC 已经随处可见、技术极其成熟，看在上帝的份上，你还是得亲手装一台，去弄明白每一个组件存在的意义。
- 如果你身处汽车或运输行业，别只顾着打优步（Uber），掀开引擎盖看看，亲手换个机油，去理解每一个零件是如何运作的。这项技术对未来至关重要，你必须掌握它的核心。
你确实可以租用一部分算力，但也必须拥有一部分自己的算力。因为你公司核心的秘密……你不会想把所有的疑问都公之于众。举个例子，就像你看心理医生时，你绝对不想把你的隐私咨询内容挂在网上，对吧？这只是个假设，但道理是一样的：你公司内部的许多对话、决策过程和不确定性，都应当是私密的。
我个人非常不放心把 NVIDIA 所有的内部交流都放到公有云上。事实证明，
对我而言最有价值的知识产权（IP）不是我的“答案”，而是我的“问题”。
你们听懂了吗？我想法中最值钱的部分在于我提出了什么样的问题。答案现在已经是随处可得的商品，但如果我具备提问的能力，我就能识别出什么是真正重要的。我不希望竞争对手看到我在问什么。
所谓“让人类留在环路中（Human in the loop）”的说法其实是一种倒退，正确的逻辑是：每家公司都应该让“AI 留在环路中（AI in the loop）”。我们要让公司每一天都变得更好、更有价值、更具智慧。我们不希望止步不前，更不希望每次都从零开始。这意味着，如果有 AI 深度参与公司业务循环，它就能捕捉并沉淀我们的实战经验。在未来，每一位员工都将拥有……总之，这就是我的结语。
| 术语 | 英文原文 | 深度解析 |
|---|---|---|
| 私有算力 vs. 云 | Rent the cloud vs. Build own computer | 这是一个核心商业决策。老黄建议企业不仅要租云（灵活），也要有自己的私有服务器（安全、深度理解技术细节）。 |
| 知识产权 | IP (Intellectual Property) | 这里的 IP 不仅指专利，更指企业内部的决策逻辑。老黄强调：在 AI 时代，AI 跑出来的结果（答案）不难获得，但你“问了什么问题”反映了公司的核心战略方向。 |
| 商品化 | Commodity | 再次强调：当 AI 普及后，普通的知识输出（答案）将变得极廉价且随处可见，不再是护城河。 |
| AI 在环路中 | AI in the loop | 这是一个对经典术语 Human in the loop（指 AI 决策需要人最后把关）的巧妙改写。老黄的意思是：AI 不应该只是一个偶尔使用的工具，而应该嵌入到公司的每一个流程环节中，自动记录并进化公司的知识资产。 |
| 总可寻址市场 | TAM | (补充上文) 老黄坚信 AI 将 IT 服务的边界从 1% 的技术市场扩展到了 100% 的全球经济活动。 |
最后，让我们提炼下黄仁勋的几个观点：
1. 计算范式的根本重构 (Computing Reinvented)
- 核心逻辑： 我们正处于 60 年来首次计算架构的彻底重构。
- 从显性到隐性： 计算正在从人类一行行写代码的“显性编程”进化为由 AI 自动学习规律的“隐性编程”。
2. 智能的真谛：从“记忆”到“推理” (Perception to Reasoning)
- 突破点： AI 已经走过了单纯靠“记忆与泛化”来模仿（如写诗）的阶段。
- 三位一体： 真正的智能由感知（Perception）、推理（Reasoning）和规划（Planning）**组成。
- 进化方向： 未来的重点是让 AI 具备逻辑推理能力，能够拆解从未见过的新问题。
3. 智力的“丰裕”时代 (The Abundance of Intelligence)
- 摩尔定律已慢： 传统的摩尔定律（10年100倍）已像蜗牛一样慢，AI 正在实现 10 年 100 万倍的性能飞跃。
- 成本骤降： AI 极大降低了获取“智力”的成本，将过去需要一年完成的工作缩短至一小时甚至实时生成。
4. 从“检索式”软件转向“生成式”软件 (Retrieval vs. Generative)
- 旧范式： 过去的软件是“预先录制”的（基于检索），点击按钮只是调取现成文件。
- 新范式： 未来的软件是“实时生成”的。就像人的对话一样，每一秒的输出都是基于上下文即时计算产生的，没有重复。
5. “领域专业知识”是 AI 时代的核心代码 (Domain Expertise)
- 技术平权： 写代码（Typing）正变成一种廉价商品，程序员不再是稀缺壁垒。
- 意图为王： 传统企业对行业深度、客户需求的理解（领域知识）才是最值钱的知识产权（IP）。
- 自然语言编程： 人类可以用母语（意图）直接驱动计算机，从“原子”的物理限制跨越到“电子”的爆发式增长。
6. 每一个企业都必须成为“技术公司” (Technology First)
- 市场扩容： AI 让 IT 市场的规模从 1 万亿美元（工具市场）跨越到 100 万亿美元（全球劳动力市场）。
- 管理建议： 企业应鼓励“百花齐放”的 AI 实验；与其只在云端“租用”智能，不如通过私有算力沉淀公司的问题与经验，让“AI 留在环路中”。