#494 – Jensen Huang NVIDIA – The $4 Trillion Company & the AI Revolution - 主题精读稿

前言：一个芯片公司如何成为文明基础设施

这期播客是 Lex Fridman 与 NVIDIA CEO 黄仁勋（Jensen Huang）的深度对话，时长超过两个半小时。黄仁勋系统性地阐述了 NVIDIA 从图形加速器公司进化为 AI 工厂架构师的完整路径：极致协同设计（Extreme Co-design）如何突破阿姆达尔定律（Amdahl's Law）的限制、CUDA 装机量为何是比技术本身更重要的护城河、四条扩展定律如何驱动 AI 的未来，以及为什么他认为 AGI 已经到来。最具启发性的观点是：计算机正在从仓库变成工厂——它不再存储信息，而是生产创造收入的 token。 黄仁勋还坦诚分享了自己面对压力的方法论：拆解问题、系统性遗忘、以及永远被未来的光吸引向前。

一、极致协同设计：突破分布式计算的天花板 (00:06:12 - 00:09:17)

NVIDIA 正在从芯片级设计转向机架级设计，这不是简单的业务扩张，而是物理定律倒逼的结果。当需要解决的问题超过单台计算机的处理能力时，你添加一万台计算机，却希望获得百万倍的速度提升——这时所有东西都变成了瓶颈。

这是阿姆达尔定律的核心困境：如果计算只占总工作量的 50%，即使把计算速度提升一百万倍，整体也只能快两倍。 CPU 是问题，GPU 是问题，网络是问题，交换是问题，负载分配也是问题。这是一个极其复杂的计算机科学挑战，必须调动所有技术手段。否则，系统只能线性扩展，或者受制于已经大幅放缓的摩尔定律（Moore's Law）和登纳德缩放定律（Dennard Scaling）。

所谓极致协同设计，就是同时优化从软件架构到芯片、系统、系统软件、算法、应用的整个技术栈，再加上 CPU、GPU、网络芯片、规模扩展交换机和规模横向扩展交换机，以及电源和冷却。所有这些计算机都极其耗电——它们做了大量的工作，单位能效很高，但总量仍然惊人。

二、组织即产品：NVIDIA 的 60 人直报团队 (00:09:18 - 00:13:31)

黄仁勋的直接汇报团队有 60 个人，几乎全部有工程背景——内存专家、CPU 专家、光学专家、GPU 和架构专家、算法专家、设计专家。他不做一对一会议，因为 60 个人根本不可能逐一沟通。取而代之的是集体攻坚：提出一个问题，所有人一起解决。

这种组织架构不是偶然的，而是公司产品的镜像。 黄仁勋的逻辑是：设计公司时，首先应该想清楚希望公司产出什么。公司的目标是成为生产产出的机制和系统，而这个产出就是你想创造的产品。公司的架构应当反映它所处的环境。

You know, the goal of a company is to be the machinery, the mechanism, the system that produces the output. And that output is the product that we'd like to create.

任何人都可以选择性旁听或退出讨论。但如果某个本应贡献意见的人没有参与，黄仁勋会直接点名。即使讨论的是冷却方案，网络工程师和内存专家也在场——因为公司本身就在持续进行极致协同设计。

三、从加速器到 AI 工厂：NVIDIA 的战略进化 (00:13:32 - 00:21:32)

NVIDIA 起步时是一家加速器公司，但加速器的问题是应用领域太窄。专业化有性能优势，但市场规模限制了研发投入，研发能力又最终决定了在计算领域的影响力。这两个词——"加速"和"计算"——之间存在根本性的张力：成为更好的计算公司会削弱专业化优势，而越专业化就越没有能力做通用计算。

NVIDIA 沿着一条极窄的路径逐步拓展。第一步是发明可编程像素着色器（Programmable Pixel Shader），迈向可编程性。第二步是在着色器中加入 IEEE 兼容的 FP32 浮点运算——这让流处理器和数据流处理器的研究者发现了 GPU 的计算潜力。然后是在 FP32 之上搭建 C 语言接口（CG），最终发展为 CUDA。

把 CUDA 放到 GeForce 上是一个近乎自杀式的战略决策。消费级 GPU 的成本因此增加了 50%，而 NVIDIA 当时只是一个 35% 毛利率的公司。市值从大约 70-80 亿美元暴跌至 15 亿美元左右。但逻辑很清楚：计算平台的装机量（install base）才是架构最重要的属性，比技术的优雅与否重要得多。 x86 架构饱受批评，远不如众多 RISC 架构优美，但它是当今的统治架构。那些由最聪明的计算机科学家设计的、精美绝伦的 RISC 架构大多失败了。

NVIDIA 把 CUDA 放进每一台 PC，无论消费者是否使用，然后去大学写书、开课、培养开发者。当时 PC 是主要的计算载体，没有云计算，NVIDIA 实质上把超级计算机送到了每个研究者和学生手中。

四、塑造信念体系：黄仁勋的领导方法论 (00:21:33 - 00:27:45)

黄仁勋描述了一种独特的领导方式：他从不搞年度大变革、大裁员、新使命宣言、新 logo。当他学到某件事并开始影响自己的思考时，会立即让周围所有人知道这件事很有趣、可能产生什么影响。他每天都在用新信息、新洞察、新工程突破来塑造所有人的信念体系——董事会、管理团队、员工、客户、合作伙伴。

这样做的结果是：当他正式宣布一个重大决策时，所有人的反应不是"这太疯狂了"，而是"Jensen，你怎么这么慢才决定"。 收购 Mellanox 时如此，全力押注深度学习时如此，发布 Grok 也是如此——回看过去两年半的 GTC 演讲，铺垫的砖块一步步清晰可见。

You manifest a future and that future is so convincing. There's no way it won't happen.

这不是自上而下的命令，而是从后方引领。等到宣布的那一天，100% 的人已经认同了——因为他们的信念体系已经在过去几个月甚至几年里被逐步重塑。

五、四条扩展定律与 AI 的未来 (00:27:46 - 00:34:42)

NVIDIA 是一家计算平台公司，垂直整合设计和优化，但在每一层都开放平台，让其他公司的产品、服务和云计算集成进来。这意味着黄仁勋必须先说服整个产业链——GTC 的核心功能之一就是塑造产业的未来愿景。

关于扩展定律（Scaling Laws），黄仁勋列出了四条：

预训练扩展——曾被认为受限于高质量数据的可用量。当 Ilya Sutskever 说"我们的数据用完了"或"预训练结束了"时，行业恐慌了。但事实是，大部分数据本来就是"合成"的：人类创造、消费、修改、再生成——AI 现在能做同样的事。训练将不再受限于数据，而是受限于算力。

后训练扩展——通过合成数据和精调持续改进模型能力。

测试时扩展（Test-time Scaling）——黄仁勋始终认为推理不是"简单"的。推理就是思考，而思考远比阅读难。预训练是记忆和泛化，而推理涉及规划、搜索、分解问题、第一性原理推导。曾经有人说推理芯片会是简单的小芯片，不像 NVIDIA 的芯片那么复杂昂贵——这在黄仁勋看来从一开始就不合逻辑。

智能体扩展（Agentic Scaling）——一个智能体可以产生大量子智能体，就像通过招聘扩张 NVIDIA 比扩张黄仁勋个人容易得多。这四条定律形成循环：智能体产生的数据和经验回流到预训练、后训练，再增强测试时推理和智能体系统。归根结底，智能的扩展只取决于一件事：算力。

六、预测 AI 创新：从混合专家到计算的重新发明 (00:34:43 - 00:40:40)

AI 模型架构大约每六个月发明一次，而硬件架构大约每三年更新一次。NVIDIA 需要提前两到三年预判未来趋势。方法有三：内部基础研究和应用研究提供第一手经验；与全世界几乎所有 AI 公司合作，感知行业挑战；以及 CUDA 架构本身的灵活性——在极致加速和适应变化之间保持平衡。

一个具体案例：当混合专家模型（Mixture of Experts, MoE）出现时，NVIDIA 已经准备好了 NVLink 72 而非 NVLink 8，可以把一个价值数万亿参数的模型放进一个计算域，像在单个 GPU 上运行一样。Grace Blackwell 机架完全聚焦于运行大语言模型（LLM），而仅仅一年后的 Vera Rubin 机架则增加了存储加速器、新 CPU Vera、以及专门运行智能体的 Grok 机架——因为智能体需要使用工具。

黄仁勋说，预判未来其实没那么神秘——坐下来喝杯威士忌就能想明白。如果要创造一个数字工人，它必须访问文件系统（获取基础事实）、能做研究（它不可能什么都知道）、能使用工具。就像一个进入你家的人形机器人，它更可能使用你家现有的微波炉而不是从手指发射微波。这些推理两年前就指向了 OpenClaw（开放智能体框架）今天的形态。

七、OpenClaw、安全与能效 (00:40:41 - 00:45:04)

OpenClaw 对智能体系统的意义，如同 ChatGPT 对生成式系统的意义。黄仁勋认为它之所以引爆全球关注，核心原因是"消费者能直接触达"。

在安全方面，NVIDIA 迅速介入，创建了 OpenShell 并整合进 OpenClaw，还推出了 Nemo Claw。安全策略的核心原则是：智能体系统有三项能力——访问敏感信息、执行代码、对外通信。任何时候只给两项，不给全部三项，再叠加企业级访问控制和策略引擎。

关于 AI 扩展的未来瓶颈，能源是一个关注点，但不是唯一的。NVIDIA 通过极致协同设计持续改善每瓦 token 生成效率（tokens per second per watt）。过去十年，摩尔定律本可让计算进步约 100 倍，而 NVIDIA 将计算扩展了一百万倍。计算机的价格在上升，但 token 生成效率上升得更快——token 成本每年下降一个数量级。

八、供应链的信任网络 (00:45:05 - 00:53:24)

没有任何公司曾经以 NVIDIA 的速度增长，且同时在加速这一增长。黄仁勋花大量时间向供应链上下游的 CEO 们传达 AI 增长的动态。GTC 的观众席里坐了几百位 CEO——这在科技行业的主题演讲中可能是史无前例的。

一个具体案例：三年前，黄仁勋说服 DRAM 行业的几位 CEO 相信 HBM（高带宽内存）将成为数据中心的主流内存——当时 HBM 几乎只用于超级计算机。他还建议把手机用的低功耗内存 LPDDR5 改造用于超级计算机。结果是：三家内存公司都创下了 45 年公司历史上的营收纪录。

I told them what I needed. They understood what I need. They told me what they're going to go do. And I believe in what they're going to do.

Vera Rubin 机架有 130 万个组件、200 家供应商。NVLink 72 的出现意味着超级计算机的集成从数据中心转移到了供应链——每台机架重两到三吨，直接出厂即为超级计算机。这要求供应链本身也具备巨大的供电能力来进行生产测试。黄仁勋会飞到供应商那里，解释技术路线，请他们各自投资数十亿美元——他们之所以照做，是因为信任。

九、电力困局的三重解法 (00:53:24 - 00:58:44)

黄仁勋提出了一个被严重低估的机会：现有电网为极端天气条件设计了容量上限加余量，但 99% 的时间电网运行在峰值的约 60%。这意味着大量闲置电力一直坐在那里。

第一层解法是让终端客户（数据中心的客户）的 CEO 意识到他们要求的六个九可用性意味着什么——那些合同很可能是在 CEO 不知情的情况下由运营团队谈判的。

第二层解法是建造能优雅降级的数据中心。当电网需要 100% 容量供应社会基础设施时，数据中心可以降低功耗、转移工作负载、接受轻微延迟——这在工程上完全可行，只要能明确规格就能设计出来。

第三层解法是让电力公司认识到这是机会。不要说"我需要五年才能扩容"，而是提供更灵活的供电保障级别——"如果你接受这个保障水平，下个月就能供电，价格是这样"。

十、Elon Musk 的数据中心方法论 (00:58:45 - 01:02:12)

黄仁勋高度评价 Elon Musk 在孟菲斯四个月内建成 Colossus 超级计算机的成就。他总结了 Musk 方法论的几个核心：

跨学科系统思维——Musk 深入众多不同领域，同时保持系统级视角，能在多个学科之间穿梭思考。

极致精简——不断追问两个问题：这有必要吗？非得这样做吗？一直削减到不能再减、但必要功能全部保留的程度。

在行动现场——出了问题直接去现场。亲自查看工程师如何插线缆，建立从细节到系统的直觉。

紧迫感的传染性——当你个人以极大的紧迫感行动时，所有人都会跟着产生紧迫感。每个供应商都有很多客户和项目，而 Musk 让自己成为所有人的第一优先级。

十一、"光速"哲学与复杂性管理 (01:02:12 - 01:07:30)

黄仁勋 30 年前创立了"光速"（Speed of Light）思维方法——不是指字面上的光速，而是"物理定律允许的极限是什么"。所有东西——内存速度、计算速度、功耗、成本、时间、人力、制造周期——都要对标物理极限。当考虑延迟与吞吐量、成本与容量之间的权衡时，先分别计算各约束条件下的物理极限，再做系统级折衷。

黄仁勋明确反对"持续改进"（Continuous Improvement）的思路。 如果一个流程今天需要 74 天，有人说能优化到 72 天——他宁愿从零开始：首先解释为什么是 74 天，然后用第一性原理思考完全重建需要多久。很可能只需要 6 天。从 74 到 6 的差距中，每一天的折衷和妥协都应该被明确解释。知道了 6 天是可能的，从 74 向 6 的对话会变得有效得多。

Vera Rubin Pod 的规格令人窒息：7 种芯片、5 种定制机架、40 个机架、1.2 千万亿个晶体管、近 20000 个 NVIDIA 裸片、超过 1100 个 Rubin GPU、60 Exaflops 算力、10 PB/s 扩展带宽——而这只是一个 Pod。NVIDIA 大约每周生产 200 个这样的 Pod。面对这种复杂性，黄仁勋的原则是：

We need things to be as complex as necessary, but as simple as possible.

十二、中国的科技崛起 (01:07:30 - 01:11:19)

黄仁勋将中国的科技成功归结为几个结构性因素：全球约 50% 的 AI 研究者是中国人；中国的科技产业恰好在移动互联网和云计算时代崛起，以软件为切入点；中国不是一个统一的经济体，而是无数省份和城市的市长在激烈竞争——这解释了为什么会有那么多电动车公司和 AI 公司。

更深层的因素是文化：家庭第一、朋友第二、公司第三。同学关系意味着终身兄弟，知识在这些关系网络中快速流动。既然你的工程师的兄弟在另一家公司，朋友也在另一家公司，保密就没什么意义——不如直接开源。开源社区又放大和加速了创新过程。结果是：优秀人才、因开源而来的快速创新、以及疯狂的竞争，这三者叠加，产出惊人的成果。这是当今世界创新速度最快的国家。

他还补充了一个对比：美国的领导者大多是律师，因为美国需要法治和治理；中国的领导者大多是出身于贫困、从工程技术中崛起的精英。

十三、开源 AI 的战略逻辑：Nemotron 3 (01:11:20 - 01:15:32)

NVIDIA 发布了 Nemotron 3 Super——一个 1200 亿参数的开放权重 MoE 模型，不仅开源了模型和权重，还开源了数据和创建方法。这个模型不只是纯 Transformer，还融合了 SSM（状态空间模型）。

开源 AI 的战略逻辑有三层：

第一，协同设计。 要成为伟大的 AI 计算公司，必须理解 AI 模型的演进方向。自己做基础研究和模型开发，才能知道未来需要什么样的计算系统。

第二，扩散 AI。 一方面需要世界级的专有模型作为产品；另一方面，如果一切都是专有的，研究和创新就会受阻。开源是让每个行业、每个国家、每个研究者加入 AI 革命的基础。NVIDIA 有规模、技能和动机来持续构建和开源这些模型。

第三，AI 不仅仅是语言。 未来的 AI 系统会使用训练在不同模态信息上的工具和子智能体——生物学、化学、物理定律、流体力学、热力学。NVIDIA 不造药，但要确保礼来（Eli Lilly）能用上世界最好的生物 AI 系统。

十四、TSMC 的奇迹：技术、服务与信任 (01:15:33 - 01:19:15)

黄仁勋说，对 TSMC（台积电）最深的误解是认为他们只有技术。技术当然使公司卓越，但 TSMC 真正的奇迹在于制造系统——在全球数百家公司不断变化的需求中（增量、减量、推迟、提前、紧急投片），同时维持高产出、高良率、优秀成本和卓越客户服务。

TSMC 的文化罕见地同时达到了两个世界级：技术前沿与客户服务。 很多公司是好的服务商但技术平庸，很多公司技术领先但服务糟糕。TSMC 在两者都做到了顶尖。

而最珍贵的是信任。黄仁勋把整个 NVIDIA 建立在 TSMC 之上——三十年的合作，不知道多少百亿美元的业务，没有合同。2013 年张忠谋（Morris Chang）曾邀请黄仁勋接任 TSMC CEO，黄仁勋深感荣幸但婉拒了——因为他已经在心中看见了 NVIDIA 将要成为什么，这是他的责任。

十五、NVIDIA 的终极护城河：CUDA 生态系统 (01:19:16 - 01:25:03)

NVIDIA 最重要的资产不是某款芯片，而是 CUDA 的装机量。20 年前没有装机量的时候，别人做一个 "Gouda" 或 "Tudor" 都无所谓。但如今，CUDA 的成功不是三个人的功劳，而是 43000 名员工和数百万开发者共同建立的信任。

从开发者角度看，选择 CUDA 的逻辑是压倒性的：支持 CUDA，平均每六个月性能就提升十倍；在 CUDA 上开发，能触达数亿台计算机——每一个云、每一个计算机公司、每一个行业、每一个国家。并且开发者 100% 信任 NVIDIA 会永远维护和改进 CUDA。

第二层护城河是生态系统。NVIDIA 垂直整合了极其复杂的系统，但水平整合到了所有人的计算机里——Google Cloud、Amazon、Azure、CoreWeave、Nscale、超级计算机、企业计算机、边缘设备、基站、汽车、机器人、卫星。一个架构覆盖全世界每一个行业。

十六、Token 工厂与 GDP 加速 (01:25:04 - 01:40:38)

黄仁勋的心智模型已经从单个芯片进化到了"千兆瓦级基础设施"——电力、冷却、网络、万人团队同时安装和调试。下一步是行星级计算。关于太空计算，NVIDIA 的 GPU 已经在太空中用于卫星成像的边缘 AI 处理，但地球上还有大量闲置电力可以先利用。

关于 NVIDIA 能否达到 10 万亿美元市值，黄仁勋的论证是：

计算从检索式（预先录制、文件检索）变成了生成式（实时处理、生成上下文相关的 token）。这不仅改变了计算的方式，也改变了计算的目的——计算机不再是仓库，而是工厂，直接关联企业收入。 token 正在像 iPhone 一样分层：免费 token、高级 token、以及中间的各档次。很快就会有人愿意为每百万 token 支付 1000 美元。黄仁勋确信世界 GDP 将加速增长，用于计算的 GDP 比例将是过去的一百倍。

他把 OpenClaw 称为"token 的 iPhone"——智能体是历史上增长最快的应用，曲线直线上升。黄仁勋分享了一个细节：他的 AI 不断向他"汇报"——"我做完了，接下来做什么？"未来每个人聊天最频繁的对象可能是自己的 AI 智能体。

NVIDIA 不是在争夺市场份额——它创造的几乎所有市场都是全新的，这恰恰是外界难以想象其规模的原因。从 10 亿美元到 250 亿美元，每一步都有人说"不可能"，而每一次"不可能"都不是基于第一性原理的推理。

十七、压力、低谷与系统性遗忘 (01:40:39 - 01:49:55)

黄仁勋完全清楚 NVIDIA 对美国的重要性——税收、技术领导力、国家安全、再工业化创造的大量就业，以及无数因投资 NVIDIA 而致富的普通投资者。他处理这些压力的方法始终一致：

拆解问题——发生了什么？什么变了？什么是困难的？我能做什么？分解成可执行的小块。然后只问一个问题：你做了没有？你让别人做了没有？都没有？那就别抱怨了。

关于心理低谷，黄仁勋毫不讳言："一直都有，一直都是。" 他的应对策略包含一个反直觉的核心——系统性遗忘。就像 AI 学习中的遗忘机制一样，你不能记住所有东西、背负所有东西。分解问题、分享负担（把担忧告诉能行动的人，但不要吓到他们），然后忘掉它，被下一个未来吸引。

There's an incredible superpower of being, have the mind of a child.

面对任何从未有人做过、要花几百亿美元、需要多少年的事，黄仁勋的第一反应始终是："能有多难？" 他不建议事先模拟所有挫折和屈辱——你应该带着一切都会很棒的信念进入新体验，然后在挫折真正到来时靠韧性和意志力扛过去。只要对未来的基本假设没有实质性改变，那个未来仍然会发生。

十八、谦逊、公开推理与容忍尴尬 (01:49:56 - 01:54:25)

成为世界上最富有、最成功的人之一，是否让保持谦逊变得更难？黄仁勋说恰恰相反——因为他的大部分工作是公开的，犯错时所有人都看得到。

他的管理方式是不断在团队面前进行推理。这不是宣布结论，而是展示思考过程——"让我告诉你我怎么看这个问题"，然后一步步推演。任何人都可以在任何步骤打断他，说"我不同意这个环节"。这样他们不需要反对最终结论，只需要质疑推理链条中的某一环，然后共同探索新的方向。这是一种集体路径搜索方法。

Tolerance for embarrassment.

这句话总结了一切——被证明想法是错的、公开承认、然后从中成长，需要对尴尬有极高的耐受度。

十九、DLSS 5 与游戏：工具而非 AI slop (01:54:26 - 02:00:07)

GeForce 至今仍是 NVIDIA 的第一营销策略——人们在青少年时期通过游戏认识 NVIDIA，然后在大学开始用 CUDA，再后来用于 Blender 和 Autodesk。

关于 DLSS 5 引发的"AI slop"争议，黄仁勋表示理解玩家的担忧——他自己也不喜欢 AI 生成的千篇一律的内容。但 DLSS 5 完全不是那回事：它是 3D 条件引导的，忠实于艺术家确定的几何形态和纹理风格，每一帧都增强但不改变艺术家的意图。未来甚至可以训练自定义模型或用提示词指定风格——"我想要卡通着色器"。这是给艺术家的工具，不是替代艺术家的系统。

黄仁勋认为史上最伟大的游戏是 Doom——从文化影响和产业角度，它把 PC 从办公自动化工具变成了个人游戏设备。从游戏技术角度，则是 Virtual Fighter（VR 战士）。

二十、AGI 已经到来 (02:00:08 - 02:03:35)

黄仁勋认为 AGI 已经实现。他的定义是：一个 AI 系统能否创建一个网络服务或应用，被数十亿人使用，产生超过十亿美元的收入——即使只是短暂的？在互联网时代有大量这样的公司，它们的网站复杂程度还不如今天的 OpenClaw 能生成的。

当然，十万个这样的智能体造出一个 NVIDIA 的概率是 0%。 但创造病毒式传播并变现？完全在能力范围之内。在中国，已经有人让自己的智能体出去找工作、赚钱。也许某个数字网红、某个社交应用会突然爆红——就像互联网时代那些不可预测的成功一样。

二十一、工作的未来：目的与任务的分离 (02:03:36 - 02:15:16)

黄仁勋严肃地提醒：人们对工作的焦虑是真实的，需要有同理心。但关键区分是——工作的目的和完成工作的任务/工具是相关的，但不是同一件事。

最有说服力的案例是放射科医生。AI 的计算机视觉在 2019-2020 年就超越了人类水平，曾经的预言是放射科医生会消失。结果恰恰相反：每个放射学平台都由 AI 驱动，但放射科医生的数量增长了，现在全球还短缺。原因是：放射科医生的目的是诊断疾病、帮助患者——AI 让扫描更快，能诊断更多患者，医院赚更多钱，需要更多放射科医生。那些危言耸听的预测不仅错了，还因为吓退了年轻人而造成了实际伤害。

对于编程，黄仁勋认为程序员数量会增加，因为编程正在变成"规格描述"（specification）。能描述需求让计算机构建的人，将从三千万扩大到可能十亿。每个木匠加上 AI 都变成了建筑师，每个会计都变成了财务分析师和顾问。规格描述的精确程度取决于问题和受众：给公司定战略时，黄仁勋会刻意欠规格化，留给 43000 人发挥的空间；做具体工程时则会非常精确。这种在规格光谱上的取舍艺术，就是编程的未来。

二十二、智能是商品，人性才是超能力 (02:15:17 - 02:26:14)

芯片可能永远不会"紧张"。AI 能识别和理解情绪，但不会感受情绪。同样的情境下，不同的人因为不同的感受会产出截然不同的表现——从顶级运动员的超常发挥到普通人的平庸反应。两台面对完全相同上下文的计算机可能产出统计学上不同的结果，但不是因为它们"感受不同"。

黄仁勋想让所有人理解的一件事是：智能（intelligence）是一个功能性概念，而人性（humanity）是一个大得多的词。 他被 60 个在各自领域都比他更聪明的人包围着，但作为一个曾经的洗碗工，他坐在中间协调所有人。这说明什么？智能是商品，而性格、同理心、决心、容忍痛苦的能力——这些才是超能力。

他不希望智能的民主化和商品化让人焦虑，而是希望人们被激励。

关于继任计划，黄仁勋说自己不信继任计划——不是因为觉得自己不会死，而是因为如果你真的担心这件事，最该做的就是每天、每时每刻地把知识、洞察、技能和经验传递给身边的人。他没有一条信息会在桌上停留超过一瞬间——学到什么立即传给相关的人。

I hope to die on the job, instantaneously.

二十三、对人类未来的信心 (02:26:15 - 02:31:29)

黄仁勋对人类的善良、慷慨和同理心始终有着坚定的信心——有时甚至过于信任，偶尔被利用，但这从不改变他的默认假设：人想做好事，想帮助别人。他被反复证明是对的。

让他充满希望的是：基于当前已经可能的事，以及正在做的事，去外推未来将要发生什么——治愈疾病、大幅减少污染、甚至光速旅行（至少短距离）、理解生物机器、破解意识之谜——这些都在有生之年的触达范围内。

他计划把一个人形机器人送上飞船，在飞行途中不断改进和增强。当时机到来，把自己的意识——所有的邮件、所有说过的话、所有做过的事——以光速发送过去，与机器人汇合。

理解生物机器可能只需五年。解释意识——那才是真正令人兴奋的目标。

So how can you not be romantic about that?