黃仁勳 63 分鐘深談英偉達下個十年：從 CUDA 到物理 AI 與機器人

整理 & 編譯：深潮 TechFlow

深潮導讀：在這期長達 63 分鐘的深度訪談中，知名科技創作者 Cleo Abram 避開了常規的財報數字與股價炒作，與英偉達（NVIDIA）聯合創始人兼首席執行官 Jensen Huang 展開了一場關於計算底層演進與人類科技未來的本質對話。從 30 年前憑藉遊戲顯卡破局，到頂住華爾街十餘年質疑打造 CUDA，再到 2012 年敏銳捕捉 AlexNet 引爆深度學習革命，Jensen Huang 深度拆解了英偉達如何一步步重構延續了 65 年的現代計算技術棧。

面對由生成式 AI 邁向物理 AI（Physical AI）的質變關口，Jensen Huang 詳細闡述了 Cosmos 與 Omniverse 構建的「世界模型＋物理仿真」技術底座，描繪了「萬物皆具機器人形態」以及每個人都將擁有終身伴隨的 R2-D2 機器人的十年願景。同時，他堅定回應了關於晶片架構專用化與通用化的哲學分歧，剖析了數位生物學與氣候預測等前沿押注，並對年輕一代提出了擁抱提問藝術的核心建議。當被問及未來希望如何被世人銘記時，他給出了最質樸而宏大的回答：「非常簡單：他們創造了非凡的影響。」

嘉賓： Jensen Huang（英偉達（NVIDIA）聯合創始人兼首席執行官）

主持人： Cleo Abram（知名科技視頻創作者，Huge If True 頻道主理人）

播客源： Huge If True（https://www.youtube.com/watch?v=7ARBJQn6QkM）

原标题： NVIDIA CEO Jensen Huang's Vision for the Future

播出日期： 2025年1月27日

要點總結

· 完美的計算機必須兼顧串行與並行計算： 在絕大多數複雜程序中，約 10% 的核心代碼佔據了 99% 的計算負載，這部分極適合由 GPU 進行大規模並行加速；而其餘 90% 的控制邏輯則由 CPU 進行高效串行處理。英偉達創辦的初心就是解決傳統計算機無法攻克的超高負載問題。

· 遊戲行業是底層研發最佳的資金引擎： 3D 虛擬世界的即時渲染天生需要並行計算，更重要的是，電子遊戲擁有極其龐大的消費級市場規模，能持續為數十億美元的底層軟硬體研發提供自我造血能力，而無需依賴政府撥款或科研資助。

· CUDA 的本質是讓並行計算大眾化： 早期科研人員必須將物理或數學問題偽裝成圖形著色程序來調用 GPU。英偉達創造 CUDA，允許開發者直接用通用的 C 語言調動 GPU 算力。儘管這一豪賭因研發成本高昂曾遭華爾街十餘年冷遇與質疑，但最終為後來的深度學習爆發鋪平了道路。

· AlexNet 促使英偉達全盤重構底層計算棧： 2012 年由 Ilya Sutskever、Alex Krizhevsky 與 Geoffrey Hinton 打造的 AlexNet 僅用兩張 GeForce GTX 580 顯卡便碾壓了傳統圖像分類算法。Jensen Huang 由此敏銳意識到軟體正在從「人工編寫規則」轉向「由數據自主學習」，隨即帶領英偉達將全部賭注壓在 AI 上，全方位重構晶片、互連、算法庫與系統架構。

· 生成式 AI 的核心是成為跨模態的通用翻譯器： 這一輪 AI 浪潮之所以前所未有，是因為 Transformer 等架構能夠將任何模態的數據（文本、圖像、語音、3D 空間、機械臂軌跡）理解並相互翻譯，從而打破了人類知識與數位世界之間的藩籬。

· 物理 AI 必須由「世界模型＋物理仿真」雙輪驅動： 大語言模型會產生幻覺，需要依靠檢索與上下文錨定真實答案；而在物理世界中，機器人必須具備重力、慣性、摩擦力和空間恆常性等物理常識。英偉達推出 Cosmos 作為物理世界的基礎模型，並藉助遵循牛頓物理定律的 Omniverse 仿真引擎生成逼真的合成數據，讓機器人在進入物理世界前完成數百萬次極限工況演練。

· 未來十年萬物皆將具備機器人形態： 無論是自動駕駛汽車、智能建築、無人割草機還是人形機器人，未來所有移動的物體都將具備機器人能力。每個人都將擁有專屬的終身數位伴侶（R2-D2），它會隨著用戶的成長而持續進化，形態貫穿眼鏡、手機、電腦、汽車與家庭實體。

· 拒絕專用 ASIC 陷阱，堅守創新計算靈活性： 針對將 Transformer 徹底硬化為專用晶片（ASIC）的觀點，Jensen Huang 認為創新絕不會止步於某一特定算法架構。若把計算機固化為單一用途，就如同把計算機變成微波爐。英偉達始終堅持構建靈活可編程的加速架構，支持學術界持續探索 FlashAttention、分層注意力等更高效的全新注意力機制。

· 從打遊戲長大的公司到人類前沿科學的風暴中心： 在 RTX 50 系列中，4K 畫面的 800 萬像素裡僅有 50 萬像素由傳統管線光線追蹤計算，其餘 750 萬像素全由 AI 精準預測補齊。這種範式讓科學家與工程師把寶貴精力集中於核心關鍵點，由 AI 放大為超人般的生產力。從數位生物學、蛋白質語言解析、微氣候預測到未來機器人，英偉達的終極歷史願景就是「創造非凡的影響」。

精彩觀點

· 關於技術信仰與前瞻佈局：「在某個時刻，你必須選擇相信某種東西。如果你去建造它，人們可能不會來；但如果你不建造它，人們就永遠沒有機會到來。我們的策略建立在希望之上，但那是經過深思熟慮的理性希望。」

· 關於串行與並行計算的分工：「也許程序中僅有 10% 的代碼佔據了 99% 的計算處理，而這 99% 的任務可以並行完成；但剩下的 90% 代碼依然必須按順序串行執行。真正的完美計算機不是非此即彼，而是同時具備卓越的串行與並行處理能力。」

· 關於 CUDA 誕生的源動力：「很多偉大的創新往往誕生於同一種複雜的大雜燴中：一部分來自遠大的志向與靈感，另一部分純粹來自走投無路的迫切自救。我們一方面看到波士頓麻省總醫院的研究人員用遊戲顯卡重建 CT 斷層圖像，另一方面我們自己在遊戲裡渲染流動的水流、爆炸和粒子碰撞時感到寸步難行，這些內外因素交織促成了 CUDA 的誕生。」

· 關於計算架構的專用化之辯：「Transformer 會是人類研究者發現的最後一種 AI 算法架構嗎？絕對不是。回顧計算機科學史，從未有任何一種算法能永遠統治一切。如果你在十年前就把當時的算法徹底固化進晶片硬體，那計算機就變成了微波爐，後續的一切創新都無從談起。」

· 關於 AI 與人類工作的本質關係：「在 4K 顯示器的大約 800 萬個像素中，我們實際上只光線追蹤計算了其中的 50 萬個像素，剩下的 750 萬個像素全靠 AI 預測並完美填補。這就是 AI 將讓人類變得如同超人般的生動隱喻：人類可以將寶貴的精力和注意力集中在最關鍵的核心部分，其餘繁重冗長的流程交給 AI，從而實現生產力的百倍躍升。」

· 關於年輕一代的生存指南：「如果我今天還是一名學生，我要做的第一件事就是去學習 AI。學習如何與 AI 互動，很像成為一個非常擅長提問的人。你不能只是隨隨便便胡亂提問，讓 AI 成為你的助手需要掌握提示詞的技巧與藝術。無論你學法律、醫學、化學還是生物，都必須持續問自己：我該如何利用 AI 把我的工作做得更好？」

· 關於人生終點與歷史傳承：「非常簡單：他們創造了非凡的影響（They made an extraordinary impact）。我希望下一代人不僅知道英偉達是陪伴他們打遊戲長大的公司，更會看到整個數位生物學、材料科學、機器人與自動駕駛變革的風暴中心，站著的正是這家堅守核心信念的公司。」

正文

異構計算的誕生：為什麼 10% 的代碼需要獨立的 GPU？

Cleo Abram： 今天的對談我想避開那些在財經新聞裡經常看到的季度財報和股價數字，專注於聊聊更本質的問題：你們究竟在建造什麼？計算機是如何從過去幾十年一步步走到今天的？以及未來的技術將會如何塑造每一個普通人的生活。

Jensen Huang： 太好了，我非常期待這樣的交流。事實上，在某個時刻，你必須選擇相信某種東西。我們現在所做的事情，本質上是在徹底重構延續了數十年的現代計算架構。

Cleo Abram： 要理解當下這個令全世界矚目的 AI 時代，我們必須先回到二十世紀九十年代。當時遊戲開發者希望製作更逼真、更有沉浸感的 3D 畫面，但當時的傳統硬體根本無法承受海量像素的即時計算。為什麼當時的計算機應付不了圖形？GPU 又是如何誕生的？

Jensen Huang： 這源於計算機程序底層的一個核心特性：在一段軟體代碼中，通常可能只有 10% 的關鍵指令佔據了整整 99% 的運算量。這 99% 的密集運算通常具有極高的重複性，非常適合被拆分成成千上萬個微小任務並行執行；而剩下的 90% 代碼主要是系統的控制、分支與調度邏輯，必須按照先後順序一步一步串行處理。

當時的傳統計算機完全由中央處理器（CPU）主導，CPU 被設計成極其擅長高速處理串行邏輯，但在面對海量像素同時渲染的龐大並行需求時顯得無能為力。我們當時敏銳地觀察到：一台真正理想的計算機，絕不能只有串行處理能力，也不能只有並行處理能力，它必須同時兼具兩者。

於是我們創辦了英偉達，立志去打造能夠解決傳統計算機無法企及問題的專用加速處理器。這就是圖形處理器（GPU）誕生的原點。

Cleo Abram： 這讓我想起了十幾年前英偉達官方發布過的一個非常經典的科普視頻：流言終結者（Mythbusters）團隊製造了一台機器人，用單個噴頭一槍一槍噴出彩彈，以此展示 CPU 處理任務的方式；隨後他們推出了一塊巨大的機械陣列，數千個噴頭在千分之一秒內同時發射彩彈，瞬間拼出一幅完整的蒙娜麗莎畫像，極其生動地展示了 GPU 的並行加速力量。

Jensen Huang： 那個演示非常直觀地展現了兩者的本質差異。遊戲正是第一個對這種大規模並行算力產生極端渴求的領域。

遊戲破局：用大眾消費級市場反哺硬核底層研發

Cleo Abram： 為什麼當時英偉達選擇首先切入電子遊戲領域，而不是直接去做科研計算？

Jensen Huang： 首先是因為我們打心底裡熱愛這項應用。3D 視頻遊戲是對現實世界或奇幻世界的數字仿真，試問誰不想進入一個逼真、瑰麗的虛擬世界呢？

但從商業戰略的角度來看，這裡面有一個更深刻的決定性考量：我們預見到電子遊戲有望成為全人類最大的消費級娛樂市場之一。開發頂尖的半導體芯片需要投入難以想像的研發資金，如果僅僅服務於小眾的高性能科研計算實驗室，你必須依靠政府科研撥款或昂貴的定制合同，這根本無法維持持續的巨額技術迭代。

而電子遊戲提供了一個無比巨大的消費市場。數以千萬計的玩家願意為了更流暢、更絢麗的畫質買單，這使得我們能夠成為全球出貨量最大的並行處理器製造商。龐大的出貨規模讓我們擁有了源源不斷且自我造血的研發資金，使我們能夠在隨後的幾十年裡，將這種並行架構不斷推進至極端物理極限。

孤注一擲打造 CUDA：從醫學成像靈感到通用並行計算平台

Cleo Abram： 到了兩千年代初期，一些敏銳的學者和開發者開始發現，GPU 不僅能用來渲染遊戲貼圖，還能用來跑物理碰撞模擬，甚至被外部科學家用來做複雜的科學計算。但我的理解是，當時要做到這一點極其痛苦，科學家必須把矩陣運算偽裝成三角形像素或紋理貼圖，欺騙顯卡去計算。隨後你們做了一個極其大膽的決定：推出了 CUDA 平台。你能聊聊當時的背景嗎？

Jensen Huang： 你做足了功課，這非常準確。很多偉大的創新往往誕生於同一種複雜的大雜燴中：一部分來自遠大的志向與靈感，另一部分純粹來自走投無路的迫切自救。

當時外部最早使用我們 GPU 進行通用加速的案例之一來自波士頓麻省總醫院（Mass General）。那裡的幾位研究人員用我們的遊戲顯卡進行 CT 斷層圖像重建，這給了我們巨大的啟發。

與此同時，英偉達內部也遇到了瓶頸：我們希望遊戲世界裡的水流能像真實水體一樣流動，爆炸產生的數萬塊碎片能符合空氣動力學規律，煙霧能自然擴散。這就要求顯卡在處理圖形之外，必須同時運行粒子物理和流體力學模擬。如果顯卡硬體管線被死板地固化在傳統計算機圖形學流程中，這一切就無法實現。

於是我們下定決心，必須徹底打破專用圖形管線的束縛，將其改造成通用的並行計算架構，並創造了統一計算架構（CUDA）。CUDA 允許全世界的工程師和科學家直接使用他們早已熟知的 C 語言編寫代碼，自由調動 GPU 內成千上萬個計算核心。

Cleo Abram： 站在今天的視角回顧，打造 CUDA 是一次極具遠見的豪賭。當時英偉達將全部身家押注在 CUDA 上，向所有出貨的遊戲顯卡中強制加入通用計算邏輯，導致芯片面積大幅增加、成本高企、毛利率承壓，並在長達十餘年的時間裡遭到華爾街的嚴厲批評與質疑。

Jensen Huang： 當你創造一種全新的顛覆性技術時，批評者總會說：「如果你造了它，人們可能不會來使用。」但站在樂觀主義者的角度來看，我們的信念是：「但如果你不建造它，人們就永遠沒有機會到來。」

我們深知這項技術蘊含的巨大物理潛力，並且我們堅信通過消費級 GeForce 顯卡的龐大市場，能夠把這套先進的並行計算架構鋪設到全球每一個極客與研究者的桌面上。正是這種基於理性的堅定希望，支撐著我們走過了那段漫長且孤獨的歲月。

2012 年 AlexNet 的頓悟時刻：重構延續 65 年的現代計算體系

Cleo Abram： 隨後時間來到了 2012 年，迎來了科技史上極具里程碑意義的一戰：ImageNet 圖像識別大賽。Alex Krizhevsky、Ilya Sutskever 以及他們的導師 Geoffrey Hinton 提交了一個名為 AlexNet 的深度神經網絡模型，直接碾壓了所有傳統的計算機視覺算法，大幅降低了錯誤率。他們正是使用了兩張消費級 GeForce GTX 580 顯卡訓練出了這個劃時代的模型。當時在英偉達內部，你看到這個結果時的第一反應是什麼？

Jensen Huang： 那是一個徹底改變世界歷史軌跡的時刻。當時英偉達內部的一個計算機視覺研發團隊正試圖用傳統的算法庫去解決圖像識別問題，遇到了極大的阻礙與挫敗。當 AlexNet 橫空出世時，我們不僅感到震撼，更產生了一種強烈的共鳴：這個全新的算法徹底拋棄了人工編寫規則的老路子，完全依靠海量數據去自我訓練權重，並在能力上取得了前所未有的階躍。

我們立即退後一步，問了自己一個最根本的問題：「如果這種深度學習架構在計算機視覺上能展現出如此恐怖的擴展潛力，那它的極限究竟在哪裡？如果它可以被無限拓展，對整個計算機行業和底層軟硬體架構究竟意味著什麼？」

我們當時做出了一個至關重要的判斷：軟體的開發範式正在發生本質層面的範式轉移。自 1964 年 IBM System/360 奠定現代通用計算機的指令集體系以來，整整 65 年裡，人類一直是通過一步步精確編寫指令來告訴計算機該做什麼；而深度學習的崛起，標誌著計算機開始轉變為通過海量數據自我學習規律。

既然軟體的本質變了，那支撐軟體的硬體底層和整個系統棧必須全部推倒重來。我們隨即做出了全面押注 AI 的決策，從單顆芯片架構、互連總線、網絡通信、算法庫到分佈式系統，全方位重新設計整個計算棧。後來的 DGX 超級計算機系統，正是源於這一頓悟。

為什麼是現在：跨越所有數據模態的通用翻譯器

Cleo Abram： 為什麼直到最近幾年，大眾才突然感受到 AI 的爆發？這背後的本質技術飛躍究竟是什麼？

Jensen Huang： 因為過去十年裡，計算機科學領域的硬核挑戰被一個接一個地攻克了。起初是計算機視覺被徹底解決，隨後是語音識別達到超人水準，再之後是自然語言理解取得了質的突破。

但真正引發全面質變的臨門一腳，是 Transformer 架構與生成式 AI 的成熟。以往的 AI 模型大多是單一任務分類器，比如判斷一張圖片裡是不是貓；而現在的生成式 AI 是一個通用的「跨模態翻譯系統」。

它可以理解文本，並把文本翻譯成另一種文本，例如總結段落或翻譯跨國語言；它還可以把文本翻譯成圖像、把圖像翻譯成 3D 資產、把傳感器數據翻譯成機械手臂的轉動角度。它能夠在數字世界與物理世界的各種表徵形式之間自如穿梭，這就是為什麼今天的 AI 讓人感覺如此無所不能。

物理 AI 與世界模型：Cosmos 賦予常識，Omniverse 錨定物理規律

Cleo Abram： 接下來我想深入探討一個正在發生的最重要轉變：從數字世界的文字與圖片，邁向物理世界的具身智能與機器人。以前我們訓練機器人，必須把機器放在真實車間裡一步一步走，或者讓人類穿著動作捕捉服採集極其有限的數據，機器很容易磨損甚至摔壞，數據採集極為昂貴緩慢。現在我們開始在虛擬世界中訓練機器人。英偉達推出了 Cosmos 和 Omniverse，你們是如何在虛擬世界中解決機器人學習難題的？

Jensen Huang： 理解物理 AI 的最好參照系就是 ChatGPT 等語言模型的發展路徑。

當 ChatGPT 剛出現時，雖然表現驚艷，但它有一個致命弱點：幻覺。如果它持續長篇大論，或者談論未經訓練的盲區，它會一本正經地胡說八道，因為它的輸出沒有錨定在事實真相（Ground Truth）上。後來業界引入了上下文檢索增強（RAG），當你給模型餵入一份權威的 PDF 或連接網絡實時搜索，這份 PDF 和搜索結果就成為了模型的基準事實，模型的推理便有了可靠的落腳點。

現在我們把同樣的邏輯投射到物理世界中。機器人要想在現實世界中行動自如，首先需要一個具備物理常識的基礎模型。什麼是物理常識？它必須懂得地球有重力、物體有慣性與摩擦力；必須具備幾何與空間感知能力；必須理解物體恆常性，即當我轉過頭去再轉回來時，桌上的杯子依然在那裡；必須理解因果邏輯，即我如果推倒杯子，水就會灑出來。

為了給 AI 注入這種常識，我們構建了 Cosmos，它是一個物理世界的基礎語言模型，專門編碼物理世界的通用法則。

但僅有 Cosmos 還不夠，我們必須給它提供「絕對的物理真實基準」，就像給 ChatGPT 餵入權威 PDF 一樣。這個基準就是 Omniverse。Omniverse 不是普通的視頻遊戲引擎，而是一個嚴格遵循第一性原理的物理仿真系統，它底層的數學模型是嚴謹的牛頓力學、流體力學和電磁學求解器。

通過將 Cosmos 世界模型與 Omniverse 物理仿真引擎結合，我們可以在數字空間裡為機器人生成無窮無盡、且絕對符合物理定律的虛擬環境與突發工況：光照驟變、路面濕滑、障礙物遮擋、機械突發故障。機器人在數小時內就能完成真實世界數十年才能經歷的極端訓練，然後再將其模型部署到真實機器人中。

未來十年願景：萬物皆具機器人形態，每個人都將擁有專屬的 R2-D2

Cleo Abram： 順著這個邏輯推演下去，十年之後的物理世界會變成什麼樣？普通人會如何與這些物理 AI 互動？

Jensen Huang： 未來的一切移動物體都將具備機器人能力，而且這一天會比大多數人想像得更快到來。

未來人們還要親自頂著烈日推著割草機在院子裡走，在今天看來已經有些荒謬了。未來的每一輛汽車都將是具備完全自主能力的機器人；未來的人形機器人也將走進工廠與千家萬戶。所有這些機器人都將在 Omniverse 和 Cosmos 構築的數位孿生世界中完成學業，隨後走向物理現實。

更令我感到興奮的是，每個人都將擁有專屬的終身數位伴侶，就像星球大戰裡的 R2-D2 一樣。它不一定是一個圓滾滾的金屬鐵桶，它可能存在於你的智能眼鏡中、你的智能手機中、你的辦公電腦中，或者坐在你的汽車裡，直到你回到家，它又以某種實體機器人的形態迎接你。

這個專屬的 R2-D2 會陪伴你的一生，隨著你的經歷共同成長，深刻理解你的喜怒哀樂、生活習慣與工作方式，成為你感知與改造世界的最強延伸。

架構哲學之辯：為什麼不能把 Transformer 直接固化進芯片？

Cleo Abram： 我在準備這次訪談時，和很多工程師朋友深入探討過，他們托我一定要問你這個問題：隨著 Transformer 架構成為當今絕大多數大模型的基礎，很多芯片公司開始嘗試製造完全針對 Transformer 定制的專用芯片（ASIC）。專一化固然能在特定任務上帶來極致效率，但會喪失通用靈活性。英偉達如何在專用優化與通用架構之間做權衡？你是如何做這種關乎百億美元生死的重磅技術押注的？

Jensen Huang： 這恰恰觸及了我們最底層的核心信念：你是否相信 Transformer 就是人類研究者所能發現的最後一種 AI 算法架構？

如果你的答案是肯定的，那你當然可以把 Transformer 的所有數學運算全部用物理電路直接焊死在矽片上；但我們的核心信念是：Transformer 絕非終點，它僅僅是通往更高級 AI 演進階梯上的一塊踏腳石。若干年後的下一代前沿架構，很可能讓人完全看不出 Transformer 的影子。

回顧人類計算機算法與創新的歷史，有哪一個絕妙的點子能夠永遠獨霸天下？答案是從未有過。計算機最本質的魅力，在於今天的它能夠運行十年前任何人連做夢都想不到的奇妙程序。如果你在十年前就把當時的芯片徹底固化成單一功能的硬體，那計算機就退化成了微波爐，整個應用生態的繁榮也將戛然而止。

就拿 Transformer 核心的注意力機制（Attention Mechanism）來說，它的初衷是計算每個詞與上下文中所有其他詞之間的關聯度。當文本只有 10 個詞時，計算毫無壓力；但當上下文窗口擴大到數萬字、上百萬個 Token 時，全對全的計算開銷將呈平方級爆炸，根本無法在物理硬體上實現。為了解決這一難題，過去幾年裡湧現了 FlashAttention、分層注意力（Hierarchical Attention）、波形注意力等層出不窮的新型數學算法。

計算機科學沒有終結，AI 研究者沒有放棄探索，英偉達更不會放棄。我們最重要的使命，是始終打造具有高度編程靈活性的加速計算體系，讓全世界最聰明的算法科學家能夠在這個算力海洋中盡情遨遊，探索下一代人類未知的偉大算法。

芯片製造極限與物理挑戰：從晶圓封裝到極端能效

Cleo Abram： 現在的頂尖芯片正在逼近物理學的底層極限。你們設計芯片，台積電等合作夥伴負責將其在幾納米的物理尺度上光刻製造出來。在應對摩爾定律放慢與功耗瓶頸時，英偉達是如何思考設計的？

Jensen Huang： 傳統的摩爾定律和登納德縮放定律（Dennard Scaling）在物理上已經基本走向終結。過去單純依賴縮小晶體管尺寸來免費獲取算力倍增和功耗降低的時代已經一去不復返了。

這也是為什麼我們必須從「芯片思維」全面轉向「數據中心思維」。單顆晶圓的光學極限尺寸（Reticle Limit）是固定的，為了突破單芯片的物理極限，我們採用了雙晶圓整合封裝（CoWoS）、超高帶寬芯片間互連鏈路（NVLink）以及極高密度的片上高帶寬記憶體（HBM）。

更重要的是，並行加速計算遵循著完全不同的物理定律。將一個複雜任務交給成千上萬個高效核並行處理，相比於讓幾個高主頻通用 CPU 核心硬抗，其能源利用效率能提升數十倍乃至數百倍。通過在算法、芯片、網路和系統級層面的協同優化，我們開闢了在後摩爾定律時代持續推動算力指數級增長的全新路徑。

下一個宏大賭注：物理 AI、數位生物學與微氣候模擬

Cleo Abram： 回顧過去，英偉達在 GPU、CUDA、深度學習、自動駕駛上的每一次重磅押注幾乎都被時間證明是正確的。除了前面談到的機器人，你們接下來的重大押注還有哪些？

Jensen Huang： 除了物理 AI 以及人形機器人的軟硬體工具鏈，我極度興奮的一個領域是數位生物學（Digital Biology）。

過去的計算機理解的是由 0 和 1 組成的人工代碼，現在的 AI 理解了人類自然語言；而生物學的本質，是分子、氨基酸、蛋白質和活體細胞的複雜交互語言。就像我們用物理模型理解現實世界一樣，如果我們能用 AI 深度解析並預測生物大分子之間的交互語言，我們就能構建出人類身體的數位孿生。這意味著新藥發現、基因療法和疾病機理研究將從過去的濕法試錯轉變為可在計算機中快速模擬迭代的高精度科學。

另一個令我深感自豪的是氣候科學。借助數位孿生技術，我們正在構建超高解析度的區域氣候與極端天氣預測系統，能夠精準模擬你頭頂上方一公里範圍內的微氣象演變。

科學工具本質上就是人類發明的「時間機器」。科學家之所以拼尽全力去預測未來，是為了能夠提前看清未來的演變軌跡，從而在當下做出最優設計與干預，創造出最美好的未來版本。

神經渲染與個人超級計算機：RTX 50 與 DGX 帶來的生產力躍遷

Cleo Abram： 在剛剛過去的消費電子展上，你們展示了最新的 GeForce RTX 50 系列顯示卡，以及放在桌上的新一代 DGX 系統。對於普通創作者和開發者來說，這些新硬體究竟意味著什麼？

Jensen Huang： 這背後蘊含著一個極為迷人的技術循環：最初是 GeForce 遊戲顯示卡孕育了現代 AI，幫助 Alex Krizhevsky 和 Geoffrey Hinton 訓練出了 AlexNet；而今天，強大成熟的 AI 又反哺回 GeForce 顯示卡，徹底顛覆了圖形渲染的底層邏輯。

在最新的 RTX 50 系列顯示卡所呈現的 4K 分辨率畫面中（總計約 800 萬個像素），我們的物理光線追蹤管線實際上只密集計算了其中的 50 萬個像素，剩下的 750 萬個像素全是由深度神經網路基於這 50 萬個高品質基準即時推測並完美填補出來的。

這是 AI 賦能人類生產力的終極隱喻：人類自身的精力、專注力和體力是極度珍貴且有限的。如果我們要事無巨細地硬抗每一個環節，產出必然極其受限；但如果借助 AI 的泛化與推斷能力，人類只需把全部精力傾注在最核心、最具價值的那「50 萬個像素」上，AI 就能幫我們補齊其餘的一切，從而讓人類整體迸發出超人般的創造力。

同時，我們在 2016 年向 OpenAI 親手交付了全球第一台 DGX 超級計算機，當時 Elon Musk 親自接收了它。那時候的超級計算機體積巨大且售價高達 25 萬美元，僅有少數頂尖實驗室才能擁有；而現在，我們將其微縮成了大約 3000 美元的個人 AI 超級工作站，可以直接放在學生或工程師的書桌旁。這意味著每一個普通學生、獨立開發者都擁有了自己的專屬超級計算中心，可以在寢室裡訓練屬於自己的 AI 模型與 R2-D2 機器人。

給年輕人的忠告與人生傳承：Prompting 的藝術與非凡的時代影響力

Cleo Abram： 對於正在觀看這場訪談的學生、年輕一代以及所有希望在這個時代有所作為的人，有哪些你認為至關重要但我還沒問到的建議？

Jensen Huang： 我認為最重要的建議之一是：如果我現在是一名學生，我要做的第一件事就是去全力學習 AI。

如何學會與 ChatGPT 互動？如何學會與 Gemini Pro 互動？以及如何學會與 Grok 互動？學習如何與 AI 互動，本質上就是成為一個極其擅長提問的人。比如你就極其擅長提問，而給 AI 寫提示詞（Prompting）與這非常相似。你不能隨隨便便胡亂提問，讓 AI 成為你的得力助手，需要掌握提示詞的技巧與藝術。

所以如果我今天是一名學生，無論是學數學、科學，還是化學、生物，無論我將來要進入哪個科學領域，從事什麼職業，我都會問自己：我該如何利用 AI 把工作做得更好？

如果我想成為一名律師，如何用 AI 成為更優秀的律師？如果我想成為一名醫生，如何用 AI 成為更優秀的醫生？如果我想成為一名化學家，如何用 AI 成為更優秀的化學家？如果我想成為一名生物學家，如何用 AI 成為更優秀的生物學家？這個問題應該貫穿在每一個人的思考中。

就像我成長的那個時代，我們是第一代不得不面對這個思考的人：如何利用計算機把工作做得更好。在我們之前的上一代人根本沒有計算機；記住，我入行的時候甚至還在 Windows 95 之前，那是 1984 年，辦公室裡一台電腦都沒有。不久之後計算機普及，於是我們必須問自己如何利用計算機做好工作。下一代人已經無需再去問這個問題了，但顯然他們必須面對下一個命題：我該如何利用 AI 把工作做得更好？這就是一切的起點與終點。

AI 徹底降低了理解的門檻、知識的門檻與獲取智能的門檻。過去把電腦擺在一個從未用過的人面前，他們絕不可能在一天之內學會使用，必須有人手把手教；而面對 ChatGPT，如果你不知道怎麼用，你只需要輸入：「我不知道怎麼用 ChatGPT，請教我」，它就會立刻回覆你並給出示例。智能最美妙的地方在於，它會一路協助你，讓你在過程中變得更強大。

Cleo Abram： 好的，如果您還有時間，我最後還有一個問題。這不是我原本計劃要問的，但在我來這裡的路上，我其實有點恐飛，這確實不太理智。飛來的路上飛機有點顛簸，非常顛簸。我坐在劇烈晃動的機艙裡，心裡不禁在想人們會在我的葬禮上說些什麼。

Jensen Huang： 「她總是能提出好問題！」你的墓碑上肯定會這麼寫。

Cleo Abram： 但願如此！是的。除了「深爱着丈夫、朋友和家人」之外，我希望人們能談論的是我的「樂觀」，我希望大家能理解我所努力追求的目標。我對您非常好奇，您在這個行業深耕了這麼多年，描繪的前方願景如此宏大。您希望大家用怎樣的主題，來評價您所努力達成的事業？

Jensen Huang： 非常簡單：「他們創造了非凡的影響（They made an extraordinary impact）。」

我認為我們很幸運，因為我們在很久以前就確立了一些核心信念，並且始終堅守這些信念，在此基礎上不斷構建，使得我們今天成為了世界上、甚至可能是有史以來最重要、最具影響力的科技公司之一。

因此，我們非常嚴肅地對待這份責任。我們全力確保我們所創造的能力不僅能為大企業所用，也同樣開放給各個科學領域的獨立研究者與開發者，無論是否盈利，無論規模大小，無論知名與否。正是因為深刻理解我們所從事工作的重大意義，以及它對無數人可能產生的深遠影響，我們才希望將這種能力盡可能普及到每一個角落。

我堅信，當我們在幾年後回望時，我非常希望下一代人能夠看到：首先，他們會因為我們打造的遊戲技術而認識我們；但我確信回望時，數字生物學與生命科學領域已經被徹底重塑，我們對材料科學的認知已被徹底顛覆，機器人正在各個領域協助人類完成危險而繁瑣的任務。想開車時我們可以自己開，不想開時就可以小憩片刻，或者把汽車當成家庭影院，在上下班途中靜心閱讀。到那時你甚至會希望自己住得遠一點，這樣就能在車裡多享受一會兒。

當你回首發現，有一家公司幾乎處於所有這些變革的風暴中心，而它恰好正是陪伴著你打遊戲長大的那家公司。我希望這就是下一代人所認知到的英偉達。

Cleo Abram： 非常感謝您寶貴的時間，這是一個非常愉快的交流。

Jensen Huang： 謝謝你，我也很高興。