撰文：Techub News 整理
在這場對話中，英偉達創始人兼CEO黃仁勳圍繞生成式計算、AI基礎設施、再工業化、能源、智能體、物理AI、開放源碼以及中美技術競爭，係統勾勒了他對下一階段人工智能浪潮的判斷。 與其把AI僅僅理解為“會聊天的機器人”，不如把它看作一種新的計算範式：過去的計算以“存儲—檢索”為主，如今的計算正在轉向“理解上下文—生成結果—執行任務”。 這並不是概念上的修辭，而是對産業結構、人才結構、基礎設施和國家競爭力的重新定義。
黃仁勳提出，傳統互聯網時代的主流計算方式，本質上是“檢索式計算”。 人們先把内容寫好、錄好、存起來，再通過搜索、推薦、廣告分發等機制，把既有内容匹配給用戶。 這種模式背後的核心資源是存儲、索引和分發能力，因此數據中心長期以來更像是“數據倉庫”。 而生成式AI改變了這一邏輯：係統不再只是把已經存在的内容拿出來，而是根據用戶的意圖、上下文和目標，實時生成此前並不存在的答案、摘要、圖像、視頻甚至行動方案。
這就是黃仁勳所說的“生成式計算”。 在這一框架下，計算機不再只是被動執行固定指令，而是能夠感知文本、圖像、視頻等多模態信息，理解人的需求，進行推理、規劃，並返回最適合當前情境的結果。 從本質上說，AI讓“計算”第一次從靜態信息處理走向動態智能生成，也因此帶來了對算力、係統軟件、網絡、能源和數據中心形態的全新需求。
對很多公眾而言，英偉達最廣為人知的標簽仍然是GPU或“賣芯片的公司”。 但黃仁勳在對話中反復強調，英偉達做的並不只是芯片，而是“現代AI的計算基礎設施”。 這套基礎設施包括芯片、係統、係統軟件、算法、中間件以及適配不同産業場景的整套技術棧，覆蓋雲端數據中心、企業本地部署、工廠、通信基站、汽車等多種環境。
這一定義很關鍵，因為它解釋了為什麼AI競爭從來不是單點競爭，而是生態競爭。 當AI進入産業化階段，決定勝負的並不只是某一代芯片快多少，也不是某一個模型在榜單上領先多少，而是誰能把硬件、軟件、工具鏈、開發框架、行業解決方案和合作夥伴網絡真正連接起來。 黃仁勳所描述的英偉達，更像是一個為AI時代搭建“計算織網”的平台型公司，而非傳統意義上的半導體企業。
也正因為如此，他將AI理解為一個完整的新産業，而不僅是一項技術發明。 在這個産業裡，芯片是底座，但遠不是全部；係統集成、基礎設施運營、模型開發、行業應用和規模化採用，共同構成了價值鏈。 如果只盯著最顯眼的模型層，往往會低估AI真正改變社會的深度與廣度。
黃仁勳在對話中給出了一個高度概括的分析框架，即AI的“五層蛋糕”。 這五層從下往上分別是：能源、芯片、基礎設施、模型、應用與採用。 這個框架之所以重要，是因為它把AI從“軟件熱點”重新放回到了工業體係和國家能力的坐標係中。
第一層是能源。 生成式AI需要巨大算力，而算力離不開電力供應。 當大模型訓練和推理成為一種持續性的工業活動後，電力不再只是成本項，而是決定産業能否擴張的戰略資源。 第二層是芯片與係統，也就是承載計算的物理設備。 第三層是基礎設施，包括土地、電力接入、機房殼體、雲服務軟件等，它讓計算資源能夠真正部署、運行並被持續調用。
第四層是模型。 這是當前輿論最關注的一層，但黃仁勳特別提醒，模型不應該只被理解為大語言模型。 AI可以表示的不只是語言和數字，也包括生物、化學、物理、動作控制等多種信息結構。 因此，真正重要的模型層，是各類能夠服務科學、工業、醫療、機器人等領域的通用或專用模型體係。
第五層則是應用與採用，也就是技術進入真實社會和真實産業後的擴散過程。 黃仁勳明確表示，這是他最關心的一層。 因為一個國家即便擁有出色的芯片和模型，如果企業、機構和勞動者不願意使用AI、不敢部署AI、不會把AI納入流程，那麼技術領先也無法自動轉化為生産率、競爭力和經濟優勢。 在他的判斷中，美國在應用層和採用層絕不能落後，否則就可能在新一輪工業革命中失去先發優勢。
如果說這場對話有一條貫穿始終的主綫，那就是“AI不僅是數字技術革命，更是再工業化機會”。 黃仁勳直言，美國需要重新工業化，需要把一個完整的制造業部門和相應的勞動崗位重新帶回本土。 他認為，過去一個階段的社會結構過度偏向高學歷、知識型職業，使許多沒有四年制大學學位、碩士或博士背景的人感到被邊緣化，這既不必要，也不健康。
在他看來，AI恰恰提供了一個前所未有的市場驅動力，足以推動再工業化。 原因在於，AI會帶來一整串新的“工廠”需求：首先是芯片工廠，其次是計算機和相關係統的制造工廠，再往上則是建設和部署“AI工廠”的需求。 所謂AI工廠，並不是生産傳統消費品的工廠，而是把算力、模型和數據轉化為“token産出”的新型生産設施。 這種設施的經濟邏輯，是持續將電力和資本投入轉化為智能輸出，再進一步轉化為企業服務、工業決策、軟件能力和自動化生産力。
黃仁勳在訪談中提到，英偉達已經承諾以極大規模的採購與供應鏈投入，把部分能力從東方轉回西方，以支持芯片、封裝、計算機等環節在美國落地。 他將這一輪投資描述為可能帶來數以萬億計美元的制造活動以及大量高技能、高收入崗位。 不論外界是否完全認同這一規模判斷，這一表述至少清楚傳遞出一個信號：在黃仁勳眼裡，AI的終局絕不是“幾個聊天應用更聰明”，而是一次基礎産業重建。
在“五層蛋糕”中，黃仁勳把能源放在最底層，並非偶然。 他的邏輯非常直接：無論是訓練模型、運行數據中心，還是進行制造，本質上都離不開能量輸入。 制造意味著改變物質形態，而改變物質形態需要大規模能量；同樣，AI超級計算機的運行也意味著持續、大規模的電力消耗。
因此，在“是否需要更多能源”這個問題上，他幾乎沒有猶豫。 真正的問題不是要不要，而是國家是否決定重新成為制造大國、是否願意圍繞這一目標改造能源係統。 一旦答案是肯定的，那麼升級電網、優化供電機制、引入更靈活的服務水平協議、發展核能、太陽能及其他可持續能源，就都會成為工業政策的一部分。
值得注意的是，黃仁勳沒有把能源問題簡化成單一路徑之爭。 他的重點不在於押注某一種能源，而在於通過AI帶來的強市場需求，倒逼美國同時完成兩件事：一是重建制造能力，二是升級全國能源係統。 從這個角度看，AI不是能源係統的負擔，而可能成為能源基礎設施現代化的催化劑。
談到AI的下一波浪潮，黃仁勳認為，過去幾年最關鍵的躍遷之一，是從大語言模型到聊天機器人，再從聊天機器人走向智能體係統。 在他看來，從模型到聊天機器人的躍遷，關鍵在於“基於人類反饋的強化學習”，也就是讓模型變得更可用、更對齊。 而從聊天機器人到智能體的躍遷，真正重要的不只是模型參數再增加，而是“harness”——也就是圍繞模型構建的一整套連接真實世界和真實任務的編排機制。
這種編排機制讓模型具備了若幹關鍵能力：接入真實信息源、調用浏覽器、開展研究、使用工具、保留記憶、與其他係統協作，以及在更長任務鏈條中持續工作。 換句話說，智能體不是一個“更會說話”的模型，而是一個“更能做事”的係統。 這也解釋了為什麼近半年智能體進展如此顯著：真正被放大的不是單輪回答質量，而是復雜任務自動化能力。
黃仁勳特別提到，軟件開發領域已經深受這一變化影響。 他認為，大多數軟件任務如今都可以被高度自動化，程序員不必再親自完成大量編碼。 但這並不意味著軟件工程師會消失，反而意味著他們會把更多時間花在理解問題、定義目標、協調資源和推動創新上。
在整場對話中，黃仁勳對“AI將大規模消滅工作”的敘事表現出非常明確的反對態度。 他認為，這類說法不僅失真，而且會對社會造成真實傷害，因為它會把年輕人嚇離那些未來依舊極其需要、甚至更加需要的職業。 他舉了軟件工程和放射科醫生兩個例子：AI確實正在改變這些職業中的具體任務，但職業存在的目的並不是完成某一個動作，而是解決問題、創造價值和承擔責任。
他的一個核心區分是：任務不等於職業，技能不等於使命。 對軟件工程師來說，寫代碼只是任務之一，真正的職業目的在於創新、解決復雜問題、與團隊合作並創造新産品。 對放射科醫生來說，閱讀影像只是實現目標的手段，職業本質是診斷疾病、支持治療決策。 當AI自動化了部分任務，人類並不會因此失去職業意義，反而有機會把精力轉向更高層次的判斷與創造。
黃仁勳進一步指出，一個常見錯誤假設是：社會對某項任務的總需求是固定的。 例如，人們可能會想象“總共只需要寫固定數量的代碼”，那麼一旦AI能自動寫代碼，人類程序員就會減少。 但他的判斷恰恰相反：真正限制創新的，並不是問題太少，而是人力和時間太有限。 當編碼成本下降後，社會反而會嘗試解決更多原本無暇處理的問題，從而帶來新的産品、新的公司和新的就業需求。
這套邏輯並不意味著一切崗位都不會變化。 但它提醒人們，觀察AI與就業關係時，不能只盯著某個被替代的動作，而要看整個産業的目標函數是否被放大了。 如果AI提升了企業成長速度、擴展了可行項目數量、降低了創新門檻，那麼它帶來的未必是崗位塌縮，更可能是工作内容重組與崗位需求遷移。
除了智能體，黃仁勳還談到“物理AI”，也就是AI從數字世界進一步進入現實世界的能力。 在他看來，自動駕駛已經是最成熟的物理AI突破之一，機器人出租車已經到來，相關問題更多轉向工程化和規模部署。 他還提到，具備推理能力的汽車能夠在遇到此前未見過的路況時，分解情境、理解組合關係並做出決策，這意味著自動駕駛正從“模式匹配”進一步走向“情境理解”。
至於人形機器人，黃仁勳給出的判斷是“就在不遠處”。 他解釋說，如果視頻生成模型已經能夠準確生成“手拿起咖啡杯並喝一口”這樣的動作，那麼從認知和表示層面看，機器人學習這些動作的能力也不會太遠。 當然，真正的難點並不只在AI模型，還在機電係統：電機、靈巧手、材料、結構、電池和傳感器，都會影響人形機器人走向實用化的時間。
這段判斷透露出一個重要信息：未來AI産業的競爭不會停留在模型排行榜，而會向“軟硬一體”的復雜工程延伸。 誰能把感知、推理、控制與機電係統整合起來，誰就有機會定義下一代機器人平台。 這對制造業、供應鏈和工業設計能力提出了比互聯網時代更高的要求。
對話後半段，黃仁勳集中談了三個彼此關聯的話題：中美競爭、開源、安全，以及美國社會對AI的態度。 在中美競爭上，他仍然沿用“五層蛋糕”的框架，強調美國必須在能源、芯片、基礎設施、模型和採用這五個層面都保持領先。 他尤其擔心的是，如果美國社會把AI過度“科幻化”“末日化”，導致企業和公眾對AI心生恐懼，那麼美國可能會在採用層面輸給更積極擁抱AI的地區。
這也是他為何反復強調“採用”層的重要性。 在他的敘述中，亞洲部分地區正在以更強烈的熱情擁抱AI，而美國公共討論中則存在較多對失業、民主崩塌、文明毀滅等極端後果的渲染。 他認為，這些說法不僅無助於建立合理的治理框架，反而會削弱技術擴散速度、影響人才選擇，並最終傷害國家競爭力。
在開源問題上，黃仁勳的立場也很鮮明：開源不只是民主化工具，也可以增強安全。 他的理由是，未來面對強大的AI攻擊，防守方不能只依賴單一封閉係統，而需要大量可訓練、可審計、可快速部署的防禦代理協同工作。 開源使這種“防禦群體”成為可能，也讓更多企業能夠看清底層機制、實施沙箱、權限、隱私和策略控制。
他舉例提到，針對開源模型帶來的企業安全顧慮，可以通過建立外層“殼”與沙箱環境來限制模型可訪問的信息、可發送的數據和可調用的資源。 這種思路非常接近今天企業部署AI時最重視的治理方式：不是一味禁止模型，而是在制度與技術邊界内讓模型安全運轉。 從中可以看出，黃仁勳支持的並不是“無約束開源”，而是“可治理的開放生態”。
雖然整場談話以美國政策和産業競爭為背景，但對其他國家和地區的讀者來說，黃仁勳的觀點同樣具有參考意義。 它至少提示了三件事：第一，AI戰略不能只盯著模型發佈會，而必須回到能源、基礎設施和産業採用；第二，AI競爭的核心不是誰先喊出最大參數，而是誰能形成完整的技術棧和制造能力；第三，社會如何討論AI，會直接影響人才流動、企業投資和技術擴散速度。
從這個角度看，“生成式計算”不是單純的軟件升級，而是一場産業組織方式的再設計。 它要求政府重新審視電力、制造、教育、科研和監管之間的關係，也要求企業重新思考組織流程、崗位分工和技術部署方式。 對普通人而言，真正值得關注的問題也許不是“AI會不會替代我”，而是“在AI重塑任務分工之後，我能夠參與什麼、創造什麼、組織什麼”。
黃仁勳之所以持續強調“不要把人嚇跑”，並不是為了淡化風險，而是因為他相信，AI最現實的價值不在恐懼敘事裡，而在生産率提升、産業升級和新工作機會的擴張中。 這一判斷最終是否完全兌現，仍需要時間驗證。 但至少從這場對話來看，他對AI未來的押注已十分明確：AI不是抽象的未來主義神話，而是正在到來的新工業係統。
内容來源：TECHUB NEWS
更多精彩內容，請登陸
財華香港網 (https://www.finet.hk/)
現代電視 (http://www.fintv.com)