黄仁勋酒后暴论：编程已经不值钱了

casper

网易科技





美国时间2月3日晚间，一场本该正襟危坐的顶级科技对话，最终变成了一场“五杯酒后的坦白局”。

刚结束中国之行、甚至还没来得及倒时差的英伟达CEO黄仁勋，坐在了思科CEO查克·罗宾斯(Chuck Robbins)对面。

几杯酒下肚，黄仁勋的嗓音开始沙哑，但话语却越来越犀利。借着酒劲，黄仁勋不仅“砸”了程序员的饭碗，“怼”了管理学的教条，甚至还对几家世界级巨头来了一波贴脸“拉踩”：

关于程序员：“编程？那只是打字而已。打字已经不值钱了。”

关于控制欲：“如果你想掌控创新，那你该去看看心理医生。”

关于摩尔定律：“10年算力提升了100万倍，在这种速度面前，昔日的摩尔定律简直慢得像蜗牛在爬。”

关于传统巨头：“我很爱迪士尼，但我敢肯定他们更想成为Netflix；我很爱梅赛德斯，但我确信他们更想成为特斯拉。”

关于AI进化：“为什么要让人去适应工具？让AI学会使用工具，我们才能创造出真正的‘数字劳动力’。”

黄仁勋用这些“爆论”提醒所有掌舵者：在指数级进化的浪潮面前，你过去引以为傲的经验，注定将被时代无情淘汰。

native advertising

1

“失控”的百花齐放：你的第一课不是ROI，是“放手”

当罗宾斯问及企业迈向AI的第一步应该是什么时，黄仁勋的回答绕开了所有常规的商业话术。“我经常被问到投资回报率这类问题，但我不会先谈那个。”他直截了当地说。在他看来，在技术爆发的黎明期，用电子表格去框定价值是徒劳的，甚至是危险的，因为这只会扼杀探索的触角。

他拿出了英伟达内部的实践作为例子：让“百花齐放”。在英伟达内部，AI项目多到几乎失控。“注意我刚才说的：失控，但棒极了。”黄仁勋强调。他对此的解释充满哲学意味：“创新并不总是在掌控之中。如果你想掌控一切，首先应该去咨询心理医生；其次，那是一种错觉，你根本掌控不了。”

他的管理逻辑简单到令人惊讶，像对待孩子一样对待团队的好奇心。“当我们的某个团队说想尝试某种AI时，我的第一个回答是‘可以’，然后我会问‘为什么’。我不是先问为什么再同意，而是先同意再问为什么。”他对比道，我们在家里从不这样要求先给出证明，但在工作中却这样做，这对他来说毫无逻辑。

黄仁勋描绘的路径图清晰而反直觉：第一步不是制定严谨的试点计划，而是允许甚至鼓励“安全地试错”。让每个有想法的团队去接触、去尝试各种AI工具，无论是Anthropic、Codex还是Gemini。

其目的不是立即产出效益，而是培养组织的“AI感觉”。只有经过一段充分甚至略显混乱的百花齐放期，领导者才能凭借直觉和观察，知道何时该开始“修剪花园”，将资源集中到真正重要的方向上。“但你不能太早集中力量，否则会选错箭。”他警告道。

2

从“螺丝刀”到“创造劳动力”：AI工厂的本质是价值转移

那么，当企业开始探索之后，究竟要看向何方？黄仁勋用“AI工厂”这个概念，描绘了一幅远比提升效率更宏大的图景。他认为，我们正在经历从“制造工具”到“创造劳动力”的根本性转变。

“我和查克所在的行业一直在制造工具，始终在做螺丝刀和锤子的生意。”过去几十年，科技公司生产软件、芯片、网络设备，这些都是工具，是原子世界效率的延伸。

但AI，特别是能够理解物理世界、具备因果推理能力的物理AI，将改变游戏规则。“有史以来第一次，我们要创造人们所谓的‘劳动力’，或者是‘增强型劳动力’。”他举例说，自动驾驶汽车本质上是一个数字司机，而这个数字司机的生命周期经济价值，将远超汽车本身这个硬件。

这才是“AI工厂”的深层含义：它不是一个存放服务器的机房，而是一个源源不断产出“数字劳动力”的新型价值创造中心。这种劳动力可以是一个永不疲倦的客服，一个实时优化供应链的调度员，或是一个能协同设计的工程师助手。

黄仁勋给出了一个震撼的数字对比：全球IT产业规模大约在1万亿美元，而全球经济总量是100万亿美元。“我们第一次面对一个拓宽了百倍的潜在市场总量。”这意味着，AI带来的最大机会不是瓜分现有的IT预算，而是去渗透和重塑那剩下的99万亿实体经济。

每一个行业都有机会通过注入这种数字劳动力，将自己重塑为一家技术公司。“我相信迪士尼宁愿成为Netflix，梅赛德斯宁愿成为特斯拉，沃尔玛宁愿成为亚马逊。”他尖锐地指出，你们所有人都是这样的。

3

“无限快”与“零重力”：用AI思维重新定义难题

如何才能真正抓住这百万亿级的机遇？黄仁勋提出了一个颠覆性的思维模型：用“丰盈”(Abundance)的假设来思考一切。

他讽刺地说，在AI时代，昔日的摩尔定律慢得简直像蜗牛爬。现在，我们需要建立新的认知基准。“过去10年，我们的算力提升了多少？10年100万倍。”在这种指数级丰盈的前提下，企业领导者的思维必须升级。

“现在当我想象一个工程问题时，我假设我的技术、我的工具、我的飞船是无限快的。去纽约要多久？一秒钟就到。”他启发式地问道，如果一秒钟能到纽约，你会做些什么不同的事？如果过去需要一年的事情现在能实时完成，你会做些什么不同的事？如果过去很重的东西现在变得没有引力了，你会如何处理？

他要求管理者将这种无限快、零重力的假设应用到公司最核心、最棘手的难题上。比如面对一个拥有数万亿关联关系的复杂网络分析，过去的做法是分而治之。“现在则是：把整个图都给我，多大都行，我不在乎。”这种逻辑正在被应用到各处。如果你不应用这种逻辑，你就做错了。

这不再是渐进式的优化，而是用技术富足的可能性去重新定义问题本身的边界。他警告，如果你的竞争对手或某个初创公司以这种思维方式发起挑战，他们将从根本上改变游戏规则。

4

你的“问题”比答案更值钱：主权AI与未来公司内核

在畅想了无处不在的数字劳动力之后，黄仁勋将话题拉回一个更现实也更隐秘的关切：数据主权与核心知识产权。

针对企业应该完全依赖公有云还是自建AI能力的问题，他的建议如同教孩子学骑车。“自己造一台。尽管PC随处可见，但去动手造一台，去弄明白为什么这些组件会存在。”他认为，企业必须拥有“切身的技术掌控力”。

更重要的是，他提出了一个尖锐的观点：公司最宝贵的知识产权，可能不是储存在数据库里的答案，而是员工与AI交互过程中产生的“问题”。“我不放心把英伟达的所有对话都放在云端，因为对我来说，核心知识产权不是答案，而是我的提问。”

黄仁勋解释道：“我的提问才是我最有价值的IP。我在思考什么，我的提问反映了这一点。答案是廉价的。如果我知道该问什么，我就锁定了重点。我不希望别人知道我认为什么是重要的。”

因此，他认为涉及战略思考的对话，必须在受控的本地环境中进行。他描述道，未来每个员工都会有许多AI助手，这些AI持续学习员工的决策和疑问，最终这些进化了的AI将成为公司沉淀下来的独特智能资产。“这就是未来的公司，它会捕捉我们的生命经验。”

5

五层蛋糕与“预录制”时代的终结：从检索到生成的根本革命

当谈到具体实施路径时，黄仁勋回溯了一场持续了15年的认知革命。

他追溯至AlexNet代表的第一次接触时刻，并得出一个结论：世界大多数难题并无精确物理定律可循，答案往往是视具体情境而定。这类依赖上下文的问题，正是AI能够大显身手的领域。

真正的拐点是自监督学习的突破，这使得参数从数亿爆炸性增长至数万亿。他断言：“我们将从底层重塑计算。计算将从显式编程转向一种全新的范式，即通过模型学习软件。”

紧接着，黄仁勋用了一个精妙的比喻：我们正从“预录制”时代，迈入了“生成式”时代。

“过去的软件之所以是‘预录制’的，是因为它装在CD-ROM里。”在旧范式里，软件如同刻录好的光盘，用户交互本质上是检索。而未来的软件将是高度场景化的。“每个场景都不同，每个使用者、每个提示词、每个背景都不同。每一份软件实例都是独特的。”

未来的应用将根据实时上下文、意图和背景，动态生成独一无二的响应、界面甚至功能。这就是生成式的核心，传统的硬件、框架、模型各层的构建逻辑都已改变。

6

隐式编程革命：当“打字”成为通用技能，你的专长才是王牌

在这场深刻变革中，行业知识的价值正在飙升。“从显式编程到隐式编程，你只需要告诉计算机你想要什么，计算机就会写代码。”

他指出，这场持续了60年的以编写精确代码为核心的计算范式正在终结。“因为事实证明，写代码只是打字而已，而打字已变得平庸化。”

这意味着技术能力的门槛将被极大降低。相反，那些深谙业务但不懂技术的领域专家，将站上浪潮之巅。“刚毕业的计算机高材生代码很厉害，但他们不知道客户想要什么。你们知道。写代码的部分很简单，让AI去做就行。理解客户、理解问题的领域专长，这才是你拥有的超级力量。”

这场对话以对思科的感谢作结，但留下的核心信息无比清晰：AI革命不是IT部门的升级，而是一次商业逻辑的“重置”。

随着夜色渐深，对话在关于烤串和薯片的调侃中结束。但黄仁勋带着醉意吐露的真言，如同他预言的那些数字劳动力一样，已经开始无声渗透，准备重塑我们所熟知的一切。

native advertising

【以下是实录全文】

罗宾斯：嘿，嘿，嘿。对，大家待在那儿别动。

黄仁勋：我觉得我现在的状态就像是在边喝酒边办公。

罗宾斯：刚才我们把酒拿上来时，黄仁勋提醒了我。他说：“你意识到你正在直播这个，对吧？”嘿，管他呢，天色已经晚了。

黄仁勋：第一个原则是：不造成伤害，并且要意识到你是多么幸运。

罗宾斯：首先，感谢大家在这里度过了漫长的一天。我们今天一早就开始了，演讲者一个接一个，在大概两个半小时的休息后，大家又回来见你了。

黄仁勋：我今天凌晨一点就起床了。

罗宾斯：所以，这家伙正处于一段为期两周、跨越亚洲四五个城市的旅程末尾。

黄仁勋：一天前我还在台湾地区，昨晚在休斯顿，现在我在这里。

罗宾斯：他出门两周了，现在咱们正拦在他回自家热被窝的路上呢，他已经住够了酒店。所以，我们会玩得开心点，然后放他走。虽然你不需要太多介绍，但还是谢谢你能来，伙计。我们真的很感激。

黄仁勋：感谢我们的合作伙伴关系，也为你们感到骄傲。

罗宾斯：那我们就从合作开始谈起吧。我们一直有合作，你引入了“AI工厂”的整套概念。我们正在合作推进，虽然在企业领域可能没我们想得那么快。我们能先聊聊对你来说什么是“AI工厂”吗？

黄仁勋：首先要记住，我们正处于60年来首次重塑计算的过程中。过去是“显式编程”（explicit programming），对吧？我们编写程序和变量，通过API传递，这些都非常明确；现在转向了“隐式编程”（implicit programming）。

你现在告诉计算机你的意图，它会去想办法解决你的问题。从显式到隐式，从通用计算（本质上是计算）到人工智能，整个计算堆栈都被重塑了。现在人们讨论计算时总关注处理层（processing layer），也就是我们所处的层面。但请记住计算的构成。除了计算和处理，还有存储、网络和安全。这一切都在此时此刻被重塑。第一部分是我们需要把AI提升到一个水平——我们稍后会详谈——需要提升到对人有用的水平。直到目前，那种你给一个提示词，它想办法告诉你答案的聊天机器人（chat bots），虽然有趣且令人好奇，但还不算真正有用。

罗宾斯：有时它能帮我完成填字游戏。

黄仁勋：是的，但也仅限于它记住和泛化的东西。如果你回头看，其实也就是三年前ChatGPT刚出现的时候，我们惊叹它能生成这么多词句，能创作莎士比亚作品。但那都是基于它记忆和泛化的内容。我们知道，智能的核心在于解决问题。解决问题部分在于知道你不知道什么，部分在于推理如何解决从未见过的问题。将问题分解为已知且易于解决的元素，通过组合来解决从未见过的问题，并制定策略（我们称之为“规划”）来执行任务、寻求帮助、使用工具、进行研究等等。

这些都是现在“智能体AI”（agentic AI）术语中的基本内容，包括工具使用、研究、基于事实的检索增强生成（RAG）、记忆等。你们在讨论智能体AI时都会听到这些。但最重要的一点是，为了从这种“显式编程”的通用计算（我们用Fortran、C、C++编写的时代）进化。

罗宾斯：对。

黄仁勋：那是好东西，罗宾斯。

罗宾斯：那是我的保底工作。

黄仁勋：那是非常好的技能，那些技能依然有价值。

罗宾斯：我知道。

黄仁勋：它们依然有价值。

罗宾斯：我已经拿到很多录取通知了。

黄仁勋：“恐龙”永远是有价值的。我们刚证实了你比我大。我知道我是那个“史前时代”的人，虽然看起来不像，但确实如此。好了，这挺有意思的。我可能是这屋里最老的人了。

罗宾斯：那我们聊聊这个。黄仁勋，当你思考未来时。

黄仁勋：我们现在就在这儿。我去找罗宾斯说：“嘿，听着，我们需要重塑计算，思科必须参与其中。”我们有一整套全新的计算堆栈即将推出，叫Vera Rubin。思科将与我们同步推向市场。此外还有网络层，思科将整合我们的AI网络技术，并将其放入思科的Nexus控制平面中。这样从你的角度来看，你既能获得AI的所有性能，又保留了思科的可控性、安全性和管理性。我们在安全领域也会做同样的事情。每一个支柱都必须重塑，企业计算才能受益。我们晚点再聊这个：为什么三年前企业AI还没准备好，以及为什么现在你别无选择，必须尽快参与进来。不要落后。你不必成为第一家利用AI的公司，但千万别做最后一家。

罗宾斯：没错。那么如果你是今天的企业主，你建议他们采取的第一、第二、第三步是什么，来开始做好准备？

黄仁勋：我经常被问到投资回报率（ROI）这类问题，我不会先谈那个。原因是，在所有技术部署的初期，很难用Excel表格算出新工具、新技术的ROI。我会去做的事，找出我公司的本质是什么？我们公司做的最有影响力的工作是什么？别在那些边缘、次要的事情上浪费时间。在我们公司，我们就是让“百花齐放”（let a thousand flowers bloom）。我们公司内部不同的AI项目多得几乎失控，这非常棒。注意我刚才说的：失控且棒极了。创新并不总是在掌控之中。如果你想掌控一切，首先该去咨询心理医生。其次，那是一种错觉，你掌控不了。如果你想让公司成功，你控制不了它，你只能影响它。

我听到太多公司想要明确、具体、可论证的ROI，但在初期展示某件事的价值是很困难的。我建议让百花齐放，让人们去实验，让人们安全地实验。我们公司在实验各种东西，我们用Anthropic，用Codex，用Gemini，什么都用。当我们的某个团队说想尝试某种AI时，我的第一个回答是“可以”，然后我会问“为什么”。我不是先问为什么再同意，而是先同意再问为什么。原因是我对公司的期望和对孩子是一样的：去探索生活。他们说想尝试某件事，答案是“好”，然后才问原因。你不会说：“先证明给我看，证明做这件事能带来财务成功或未来的幸福，否则我不让你做。”我们在家里从不这样做，但我们在工作中却这样做。

罗宾斯：你明白我的意思吗？

黄仁勋：是的。这对我来说毫无逻辑。所以我们对待AI的方式，无论是之前的互联网还是云技术，就是让百花齐放。然后在某个时间点，你需要用自己的判断力来决定何时开始“整理花园”。因为百花齐放会让花园变得很乱。但在某个点，你必须开始整理，找到最好的方法或平台，以便集中力量办大事（put all your wood behind one arrow）。但你不能太早集中力量。

罗宾斯：否则会选错。

黄仁勋：没错。所以先让百花齐放，到某个点再整理。就目前的进展来看，我还没开始整理呢，我还在让各地百花齐放。但我当然知道什么对我们公司最重要。我确保有大量的专业知识和能力集中在利用AI革命化那些核心工作上，在我们的案例中，就是芯片设计、软件工程、系统工程。你可能注意到了，我们与新思科技、楷登电子、西门子以及今天的达索系统合作，这样我们就能注入我们的技术。无论他们想要什么，我都会提供，以便革命化我们设计产品的工具。

我们到处都在用新思科技、楷登电子、西门子和达索。我会确保他们得到1000%的支持，这样我就有了创造下一代产品所需的工具。这反映了我对重塑自身工作的态度。想想AI做了什么：它成数量级地降低了智能的成本，或者说创造了海量的智能。换句话说，过去需要一个单位时间的工作，现在过去需要一年的，可能只要一天；过去需要一年的，现在可能只要一小时，甚至可以实时完成。

在“丰盈”（abundance）的世界里，摩尔定律慢得简直像蜗牛爬。记住，摩尔定律是每18个月翻两倍，5年10倍，10年100倍。但我们现在在哪？10年100万倍。在过去10年里，我们将AI推进得如此之远，以至于工程师说：“嘿，猜怎么着？我们干脆用全世界所有的数据来训练一个AI模型吧。”他们指的不是收集我硬盘里的数据，而是拉取全世界的数据。这就是“丰盈”的定义。它的定义是：当你看到一个巨大的问题时，你说：“管他呢，我全部都要解决。”我要治愈每一个领域的疾病，而不仅仅是癌症。我们直接解决人类所有的痛苦。这就是“丰盈”。

现在当我想象一个工程问题时，我假设我的技术、我的工具、我的飞船是无限快的。去纽约要多久？一秒钟就到。如果一秒钟能到纽约，你会做些什么不同的事？如果过去需要一年的事情现在能实时完成，你会做些什么不同的事？如果过去很重的东西现在变得没有引力了，你会如何处理？当你带着这种态度去处理每一件事时，你就是在应用“AI逻辑”。这有意义吗？比如我们合作的很多公司，图分析中的依赖关系、节点和边多达数万亿。过去你会一小块一小块地处理图，现在则是：“把整个图都给我，多大都行，我不在乎。”这种逻辑正在被应用到各处。如果你不应用这种逻辑，你就做错了。速度重不重要？一点也不重要，因为你处于光速。质量重不重要？零重量，零重力。如果你没有应用这种逻辑去思考你公司里最难的问题，你就没做对。这就是他们所有人的思维方式。如果你不这么想，你只要想象你的竞争对手在这么想就行了。想象一家即将成立的公司在这么想，这会改变一切。所以，去找到你公司里最有影响力的工作，给它应用“无限”、“零”、“光速”的概念，然后问罗宾斯怎么实现。

罗宾斯：给我就行。

黄仁勋：我们会一起实现。

罗宾斯：你有一个“五层蛋糕”的类比，因为大家都在谈论基础设施、模型、应用。我该怎么做？谈谈这个。

黄仁勋：成功人士做的一件事就是推理正在发生什么。大约15年前，一个算法让两名工程师解决了一个计算机视觉问题。视觉是智能的第一部分：感知。智能由感知、推理、规划组成。感知是：“我是什么？发生了什么？我的上下文是什么？”推理是：“我如何根据目标进行推理？”第三是制定计划去实现目标。就像战斗机的问题，感知定位然后行动。没有感知就没有第二和第三部分。如果不理解上下文（context），你就不知道该做什么。而上下文是高度多模态的，有时是PDF，有时是电子表格。有时是感官和气味，比如我们在哪，在干什么，听众是谁，如何阅读房间里的气氛，等等。

大约13、14年前，我们在计算机视觉领域取得了巨大的跨越。AlexNet是我们看到的第一个突破，那就像是《第一次接触》（First Contact），我爱死那部电影了。那是我们与AI的“第一次接触”。于是我们思考：这意味着什么？两名工程师怎么可能战胜了我们所有人钻研了30年的算法？我昨天刚和Ilya Sutskever聊过，还有Alex Krizhevsky。两个带着几块GPU的年轻人怎么可能解决了这个问题？这意味着什么？

十年前我对此进行了分解和推理，得出的结论是：世界上大多数有价值的难题其实都没有基本的物理算法。没有F=ma，没有麦克斯韦方程组，没有薛定谔方程或欧姆定律，没有热力学定律，它没那么精确。那些我们称之为“直觉”和“智慧”的有价值的事物，就像你和我会遇到的问题，答案通常是：“视情况而定”（It depends）。如果答案总是3.14那就太棒了，但生活中有价值的难题往往取决于背景和环境。

native advertising

既然视觉问题解决了，我们推理出通过深度学习，这不仅是可扩展的，你还可以把模型做得越来越大。我们当时要解决的唯一问题是如何训练模型，而巨大的突破是“自监督学习”。AI开始自我学习。注意，今天我们已经不再受限于人工标注数据了，完全不受限。这打开了闸门，让模型从几亿参数扩展到几千亿、几万亿。我们可以编码的知识和学习的技能爆炸式增长。我们将从底座重塑计算。计算将从“显式编程”转向一种全新的范式，即通过模型学习软件。这对计算堆栈意味着什么？对软件开发意味着什么？对工程组织、产品营销、QA团队又意味着什么？这些产品未来会变成什么样？我们如何部署？如何保持更新？如何修补软件？我当时问了上千个关于未来计算的问题，得出的结论是：这将改变一切。于是我们将整个公司转向上。简单来说，我们从一个所有东西都是“预录制”的世界走来。

罗宾斯：确实是很棒的东西。

黄仁勋：运行了很长时间。郑重声明，那些确实是用希伯来语描述的（幽默暗示旧技术的古老）。

罗宾斯：确实。那是另一项技能。

黄仁勋：毕竟，这屋里恐怕只有你，能同时精通希伯来语和COBOL了。无论如何，那是预录制的。我们编写算法，描述思想，然后配上数据。一切都是预录的。过去的软件之所以是预录的，是因为它是装在CD-ROM里的，对吧？

现在的软件是什么？它是情境化的，每个情境都不同，每个使用者、每个提示词、每个前置背景都不同。每一份软件实例都是独特的。过去预录制的软件被称为“基于检索模式”（retrieval-based）。当你用手机点一下，它会去检索一些软件、文件或图像并展示给你。而未来，一切都将是“生成式”的（generative），就像现在这样。这场对话以前从未发生过。概念存在过，背景存在过，但这每一句话的顺序都是全新的。发生这种情况的原因显而易见，因为我们已经喝了四杯酒了。

罗宾斯：还有冷萃咖啡。Cobol、希伯来语，谢天谢地这不在校园里，也没在直播。

黄仁勋：嗯。

罗宾斯：大家都明白你在说什么吗？

黄仁勋：你们听懂了吗？罗宾斯今天只给我喂了四杯酒。

罗宾斯：公平点说，我只喂了你一杯，剩下三杯是你从自助餐台上拿的。