NVIDIA 创始人 Jensen Huang：DeepSeek 是去年对美国 AI 最大的贡献

▍嘉宾：黄仁勋（Jensen Huang）

黄仁勋 1963 年生于台湾台南，幼年赴美，俄勒冈州立大学电机工程学士、斯坦福大学电机工程硕士，曾任职 AMD 与 LSI Logic。1993 年联合创立 NVIDIA 并任 CEO 至今：1999 年发明 GPU，2006 年推出 CUDA 平台，2012 年深度学习浪潮后把公司全面转向 AI 算力。2025 年，NVIDIA 成为全球首家市值一度突破 5 万亿美元的公司，他个人也成为这场 AI 基建周期中最忙碌的“卖铲人”——本期录制时他刚结束一年的全球飞行。

▍关于 NVIDIA

NVIDIA 是加速计算平台公司：GPU 硬件 + CUDA 软件生态 + NVLink 互连 + 机架级系统（如本期提到的 NVLink 72）构成其核心模式，数据中心业务占收入绝对主体。2026 年初时点：Blackwell 为在售主力平台，下一代 Rubin 平台发布在即；自动驾驶（AV）、数字生物学、金融服务等新业务按黄仁勋本期说法各自正在迈向数十亿至百亿美元规模。

开场：风暴中心的一年

Sarah： Jensen，非常感谢你今天来做客，很高兴见到你。

Jensen： 两位，这一年太不可思议了。

Sarah： 真是不可思议的一年。

Jensen： 光明节快乐，圣诞快乐，新年也快到了。

Sarah： 嗯，节日快乐。

2025 年最大的惊喜：推理、grounding 与能赚钱的 token

Sarah： 2025 年发生了这么多事，你又正处在风暴中心。回望这一年，你会说哪件事最让你意外，或者说最大的变化是什么？

Jensen： 让我想想。有些事并不让我意外，比如扩展定律（scaling laws）不意外，因为我们早就知道了；技术进步本身也不意外。让我欣慰的是 grounding（落地到真实依据）的进步，是推理能力的进步，是所有模型都开始连接搜索。我还欣慰于现在模型前面有了路由器，可以根据答案的置信度去主动做必要的研究，整体提升答案的质量和准确性。我为此非常自豪。我认为整个行业回应了外界对 AI 最大的质疑之一——幻觉、生成胡言乱语之类的问题。

今年，从语言到视觉到机器人到自动驾驶，每个领域都在应用推理、给答案做 grounding，都是巨大的飞跃，你们说是不是？比如医疗领域的 Open Evidence，医生们现在真的把它当作可信来源在用；法律领域的 Harvey 也是。AI 正在变成专家手中的可信工具、可信伙伴，让他们把自己的工作做得好得多。所以在很多方面这是我预期之中的，但我依然欣慰，为整个行业在这方面的进展感到骄傲。

还有一点让我欣慰甚至有点意外的是推理 token 的生成速率——尤其是推理 token——增长得如此之快，像是好几个指数曲线同时在往上走。而且让我特别高兴的是，这些 token 现在开始盈利了。我今天还听说，就说 Open Evidence，毛利率 90%，那是非常有利润的 token。他们显然在做非常有价值的工作。Cursor 的利润率很好，Claude 的利润率很好，企业级使用 OpenAI 的利润率也很好。

总之，我们现在生成的 token 已经足够好、好到人们愿意为它付真金白银——看到这一幕真的非常提气。我认为这些是今年很好的底气。当然，还有一些叙事占据了我今年大量时间，比如与中国的对话、地缘政治、技术对每个国家的重要性。今年我在世界各地出差的时间，超过了我此前人生的总和，今年的平均海拔大概有一万七千英尺，所以很高兴今天能踏踏实实地和两位坐在一起。地缘政治、AI 对所有国家的重要性，这些都值得后面细聊。

当然，我还花了很多时间在出口管制（export control）上，确保我们的策略既有分寸又脚踏实地，既促进国家安全，也承认国家安全有多个层面。这方面的对话很多。当然，还有大量关于就业、AI 的影响、能源、劳动力短缺的讨论。好家伙，我们真是无所不谈。

Sarah： 我们是不是什么都被 AI 卷进去了？一切都是 AI。

Jensen： 是的，太疯狂了。我今年确实处在每一个议题的风暴中心。

AI 与就业：三种新工厂与技工红利

Elad： 也许我们可以从就业开始聊起——就业和雇佣。因为在我看，传统的 AI 圈子里，甚至在技术还没有规模化、AI 还不太好使的时候，从业者中就有一种很强的末日情结，这很奇怪：最努力推动这个领域前进的人，往往也是最悲观的人。何必呢？而我觉得这种叙事已经占领了部分媒体和舆论，尽管我们认为 AI 带来的大量影响是正面的——它会改善医疗、教育、生产率和许多其他领域。总的来说，每次技术变迁都会改变哪些岗位重要，但岗位总量反而会增加。

Jensen： 完全正确。

Elad： 能不能谈谈你怎么看待就业这件事——外界都在说什么，你认为真实的叙事又是什么？

Jensen： 也许我可以把它落到三个时间点上讲：很近的将来、遥远的将来，再讲几个反叙事。先看近期。最重要的一点是：AI 是软件，但不是预先录制好的软件。比如 Excel，几百个工程师写好、编译完，就以成品形态分发好几年。而 AI 会结合你问它的内容、结合世界上正在发生的事情这些上下文，每一次都从头生成每一个 token——你每次使用它，它都在被重新生成，就像我们今天的对话：依靠一些基础事实和知识，但每一个词都是现场第一次被说出来的。

AI 真正独特的地方在于，它需要这些计算机每一次都去生成 token。我把它们叫做 AI 工厂，因为它们生产的 token 会被全世界使用。也有人说这也是一种基础设施——说它是基础设施，是因为它影响每一个应用，被每一家公司、每一个行业、每一个国家使用，所以它和能源、互联网一样具有基础设施属性。正因为如此，也因为我们需要的算力规模前所未有，三个新产业诞生了——准确说，是三种新型工厂必须被建出来。第一，更多的芯片厂，台积电（TSMC）在建，SK 海力士也在建。

第二，更多的计算机厂——这些计算机完全不同，是世界从未见过的超级计算机，Grace Blackwell 和以往任何机器都不一样，整个机架就是一颗 GPU。第三，新的 AI 工厂。这三类工厂正在美国各地以很大规模、相当广泛地建设，这是有史以来第一次。建筑工人、水管工、电工、技师、网络工程师——近期内支撑这个新产业所需的技工数量将是巨大的，这是明摆着的事。我特别高兴听到电工的工资翻倍了，还有人报销他们出差——就像我们出公差一样，他们也在出公差。

这三类工厂创造的就业机会实在是太可观了。

第二部分是 AI 对就业的近期影响。我最喜欢举的例子——我很喜欢杰夫·辛顿（Geoffrey Hinton）——大概五六七年前他说，五年之内 AI 将彻底革新放射科，每一个放射科应用都将由 AI 驱动，放射科医生将不再被需要，他建议大家最不该入行的职业就是放射科。他说得完全正确：如今百分之百的放射科应用都由 AI 驱动，这是真的，八年时间里 AI 彻底渗透了放射科。然而有意思的是，放射科医生的数量反而增加了。那么问题来了：为什么？这就引出了

任务 vs 目的：放射科医生为什么越 AI 越多

Jensen： 一份工作的“任务”（task）与“目的”（purpose）之间的区别——工作既有任务也有目的。对放射科医生来说，任务是看片子，但目的是诊断疾病。

他们还在做研究。正因为他们能看更多片子、看得更深，能开更多检查单、把疾病诊断得更准，医院的产出更高了，能接诊更多病人、赚更多钱，于是想雇更多放射科医生。所以关键问题是：这份工作的目的是什么，而你每天做的任务又是什么？拿我自己来说，我一天大部分时间都在打字，那是我的任务，但我的目的显然不是打字。有人可以用 AI 帮我自动化掉大量打字工作，我很感激，这帮助很大，但它并没有让我变闲——很多方面我反而更忙了，因为我能做更多事。这就是要考虑的第二点：任务与目的之别。

Elad： 这个例子我特别有共鸣，我的嫂子 Erin 就在斯坦福领导核医学科，也属于放射领域。面对这些技术进步，医生们是真的欢迎，他们一天工作二十个小时，想做更多研究、服务更多病人。完全正确。还有一点常被忽略：除了基础设施投资创造的五花八门的岗位之外，社会上对各种商品和服务——比如更好的医疗——其实存在大量潜在需求。我不认为有谁会觉得美国医疗、乃至全球医疗已经登顶了。我们越能让这些人提升效率，

Jensen： 需求就会越大。完全正确。NVIDIA 如果效率更高，结果不是裁员，而是我们能做更多事情。

Elad： 我今天还见了你们的新入职员工那一届，你们好像每周都在招人。

Jensen： 没错，就是这样。我们效率越高，能探索的想法就越多，增长就越快、利润就越多，就能去追更多想法。所以你说得完全对：如果世界上的问题都已经被规定死了、再没有新问题可解决，那效率提升确实会让经济萎缩；但现实显然相反，它会让经济变得更大。再讲第三点。人们说，天啊，我们谈论的这些机器人会抢走工作。但我们很清楚：我们的工厂工人不够用，经济实际上受制于工厂工人的数量，大多数企业都很难留住工人。

我们也知道全球的卡车司机严重短缺，因为没人愿意干那种横穿全国、每晚睡在不同地方的工作，人们想留在自己的城市、陪在家人身边。所以我认为第一点：机器人系统

机器人补劳动力缺口

Jensen： 能帮我们补上劳动力短缺的缺口，而这个缺口非常严重，还会因为人口老龄化继续恶化——不只美国，全世界都这样，你们也知道。所以我们要补上劳动力缺口。第二点是人们容易忘记的：其他领域同样缺人。大家谈到 AI 会波及的领域，比如会计，缺人；护理，也缺人。你可以挨个数很多行业，都有缺口，而 AI 正在帮忙补这些缺口。完全正确。自动化会帮我们弥合劳动力缺口。还有一点大家忘了：有了汽车，就需要修车的机修工。

看看今天已经上路的无人出租车（robo-taxi），从起步到今天花了十年，再看看背后有多少维护团队、多少驻场站点在伺候这些车。想象一下如果我们有十亿台机器人——那会是地球上最大的维修产业。所以很多人其实只要把逻辑推到底就能想明白：正是你说的那样，创造出这种自动化，就会创造出另一类工作。现在看看 AI，它正在创造海量就业。

Elad： AI 产业正在掀起就业繁荣。我觉得这里最核心的认知难点在于：人们太容易做直线外推——“有工具能帮律师提效，所以律师会被取代”。但其实只要多想一步就会发现：经济里到处都是“虹吸声”，AI 基础设施的一切都在虹吸，把我们那些有缺口领域里潜伏的需求统统吸出来。我认为很多政策制定者把心思放在“不能替代、不能减少现有的东西”上，而实际上我们真正的需求远远大于——

Jensen： 没错。就拿律师来说：律师的目的和任务分别是什么？读合同、写合同不是律师的目的，律师的目的是帮你化解冲突，这远超读合同、写合同；是保护你，这也远超读合同、写合同。所以真的、真的非常重要的一点是回到根本：这份工作的目的是什么，而我们用来履行职责的任务又是什么。任务会随着时间改变，

AI 技术的五层蛋糕

Sarah： 没错。今年还有另一个大主题，你刚才也提到了，我觉得很有必要聊：中国，尤其是中国开源的崛起。现在在基准测试上得分最高的一些模型是中国的开源模型；闭源一侧仍然主要是美国模型，但 Qwen、DeepSeek 这些表现非常出色。你长期以来都是开源的支持者。能不能谈谈你的看法——既谈中国在 AI 和开源上的崛起，也谈美国该怎么做，无论是开源策略还是对自身产业的策略？

Jensen： 面对这种复杂交织、彼此依赖的问题网络——一大团纠缠在一起的问题——最好是先退回去，给讨论对象找一个框架。就拿 AI 来说：AI 是什么？它的技术和能力本质上是自动化，是有史以来第一次把智能自动化。再把它和机电一体化（mechatronics）技术结合，就能把这种能力装进物理躯体、让它执行任务——这就是 AI 自动化。但让 AI 成为可能的技术栈是什么？

最直观的理解是把它想象成一个五层蛋糕：最底层是能源，把能源转化成我刚才说的产出；往上是芯片；再往上是基础设施，既有硬件也有软件——土地、电力和机房、建筑施工、数据中心、编排调度用的软件栈，都属于这一层；再往上才是每个人都在谈论的那一层——AI，也就是模型。这一层有一点特别有帮助：要理解 AI 是一个模型系统，是一种理解信息的技术。

而信息有人类信息，所以我们常把 AI 当成聊天机器人，但别忘了还有生物信息、化学信息、物理信息，各种各样的信息；金融信息、医疗信息，各种模态、各种类型的信息。AI 的边界非常宽。当然，人类语言是很多事物的基础，但它不是一切的本质——生物分子听不懂英语，蛋白质听不懂英语，它们理解的是别的东西。所以模型这一层极其多样。再往上是应用层，取决于行业。你们刚才提到 Open Evidence、Harvey，还有 Cursor，各种各样的应用。

完全自动驾驶（FSD）其实也是一个应用——一个被装进机械汽车里的应用；Figure 是一个被装进机械人体的 AI 应用。应用五花八门。这五层蛋糕是一种看法，另一种看法就是我说的：AI 极其多样。有了“技术能力是什么、怎么构建、有多多样”这个框架之后，

开源到底有多重要

Jensen： 就可以回来问：开源到底有多重要？今天的前沿实验室选择闭源路线，这没问题——大家怎么设计自己的商业模式，说到底是他们自己的事，他们必须算清楚怎样拿到投资回报，才能继续扩大规模、做出更好的进展。他们怎么算这笔账都很好。但另一方面，如果没有开源，创业公司会很难；制造业、运输业、医疗行业里那些公司，今天所有的 AI 工作都会被闷死。他们需要现成的预训练成果，需要关于推理的基础技术，然后才能各自去适配、微调，把 AI 模型训练成自己想要的领域和应用。

所以人们真正低估的是：开源对所有这些行业、对大公司的渗透之深、意义之大。没有开源，我合作过的一些百年工业公司、医疗公司都会被闷死，根本做不成这些事。今天，开源在驱动我们所有的数据中心；驱动着全球电话设备的很大一部分——安卓和其他设备；驱动着大量工业应用。它已经无处不在。没有开源，高等教育都玩不转，教育、研究、创业，数都数不完。所以我们整天谈论的只是冰山尖上最显眼、最有新闻价值的部分，而水面之下的开源 AI 世界同样重要。无论我们在政策上做什么决定，都不要破坏那个创新飞轮。

所以我花了很多时间给政策制定者做科普，帮他们理解：无论你决定什么、做什么，别忘了开源；无论你决定什么、做什么，别忘了生物学。

Sarah： 我觉得这里有一个值得正面回应的反方叙事：本质上有人认为应该有一个大一统的垂直玩家、一个大一统的资产——一个无所不能的模型——而且我们不能把这个“皇冠上的明珠”交给其他国家、交给非美国公司。而你的论点似乎是：我们其实需要 AI 应用的极大丰富，美国的优势——或者说任何主权国家的优势——在于整个技术栈，在于有能力交付其中任何一层。我猜总有一天我们会有“上帝 AI”（God AI），

“上帝 AI”与大一统模型之妄

Sarah： 但那一天什么时候来？

Jensen： 那个“总有一天”，恐怕是按圣经尺度、按银河尺度算的。我认为从今天直接跳到“上帝 AI”的想象没有帮助。我不认为有任何公司真觉得自己接近上帝 AI，我也没看到任何研究者有半点可能造出上帝 AI——那种同时精通人类语言、基因组语言、分子语言、蛋白质语言、氨基酸语言和物理语言的存在，根本不存在。而与此同时，我们有太多行业需要 AI。说白了，AI 就是下一个计算机产业——你能举出哪家公司、哪个行业、哪个国家不需要计算机吗？我们不必干等上帝 AI 降临才能进步。

上帝 AI 下周不会来，这点我相当确定；明年也不会来。

但全世界下周就要前进、明年就要前进、未来十年都要前进。所以，那种“某个大一统的巨型公司、国家、民族国家将拥有上帝 AI”的想象，真的没有帮助，太极端了。真按那个逻辑推演，我们干脆全都停下来算了——还要政府干什么？还制定什么政策？上帝 AI 不是聪明到可以绕开任何政策吗？那还有什么意义？所以我认为，我们应该把事情拉回地面，

末日叙事、监管与“监管俘获”

Elad： 务实一点，用常识思考。这好像也是今天对话的一个大主题：市面上流传的很多说法，真往深了想都极端得很——就业要没了，没人再有工作；上帝 AI 要解决一切问题；开源万万不能要，尽管开源已经在给我们的很多产业供能。完全正确。所以回过头看，2025 年的主题之一也许就是：围绕 AI 出现了太多极端叙事，而只要你仔细检视，它们的逻辑链条都推不出“很快会发生”。所以说，今天这场对话格外有意义。

Jensen： 这些叙事的伤害非常大。一些备受尊敬的人描绘的末日叙事、世界末日叙事、科幻叙事，造成了很大的破坏。我理解，我们很多人都是看科幻长大的，也喜欢科幻，但这种叙事没有帮助——对公众没有帮助，对行业没有帮助，对社会没有帮助，对政府也没有帮助。政府里有很多人对技术并不熟悉、并不从容，当各种博士、各种 CEO 跑去给政府描绘这些世界末日场景、极其反乌托邦的未来时，你得问问自己：这种叙事的目的是什么？他们的意图是什么？他们图什么？为什么跑到政府那里游说，去制造会闷死创业公司的监管？他们这么做到底是为什么？

Elad： 那你认为这就是监管俘获（regulatory capture）吗——他们是想阻止新创业公司出现、防止有效竞争？你觉得这些游说的真实目的是什么？

Jensen： 我猜不透他们心里想什么。我只知道，大家担忧的监管俘获作为一种政策实践是真实存在的。我认为公司不应该跑到政府那里，去游说针对其他公司、其他行业的监管。单就行为本身看，他们的意图显然存在深度冲突，显然不完全符合社会的最大利益——他们毕竟是 CEO、毕竟是公司，当然是在为自己游说。所以我想，我们不如都回到“我们今天身处何处、技术将走向何方”。你看，就在短短一年里——就像我们开场聊的——最值得骄傲的时刻之一，就是行业能够大举投资、加速推进 AI 技术，而不是被拖慢。

还记得吗，就在两年前，人们还在谈论要给行业踩刹车。但当我们快速前进时，我们解决了什么？我们解决了 grounding，解决了推理，解决了研究能力。所有这些技术都被用来做好事，用来提升 AI 的功能，而不是干别的——末日并没有来，末日并没有来。它变得更有用、更能干、更能完成我们交给它的任务。所以说，产品安全的第一要义是它名副其实、按宣传工作。安全的第一要义是性能。就像汽车安全的第一要义，不是担心有人把车当导弹开，而是这台车 99.999% 的时间都按宣传工作。

要让一台车、让一个 AI 做到名副其实，需要大量技术。我真的很高兴，过去两三年行业在“让 AI 名副其实”上投入了这么多。展望未来十年，要真正做到名副其实，我们还有海量工作要做。与此同时，你们两位在生态里投了那么多公司：那么多做合成数据生成的公司，让 AI 更有依据、更多样、更少偏见、更安全；还有一堆用 AI 做网络安全的公司。人们担心 AI 的边际成本会大幅下降——它确实在下降——所以 AI 会变得危险。

事实恰恰相反：如果 AI 的边际成本大幅下降，那么一个 AI 将被成百上千万个 AI 盯着，越来越多的 AI 会互相监督。别忘了，一个 AI 不会孤零零地当智能体，它大概率会被一群监督它的智能体包围。这就好比维护社会安全的边际成本降低了——

算力成本暴跌与 token 经济学

Sarah： 我们就在每个街角都配上警察。没错。我们之前还聊到一个话题：AI 的成本一直在下降。2024 年，GPT-4 级别的模型，按百万 token 算，成本降了一百倍不止——我们团队有人专门做过这个分析。成本下降得又快又猛，一部分来自你们在 NVIDIA 层面推动的所有进步，也有全栈各层的效率提升。但与此同时，模型公司又在说成本在涨、说建造这些东西需要巨大的资本护城河。你怎么看训练成本和推理成本随时间的变化？

这对普通终端用户、对想参与竞争的普通创业公司、对所有想在这个行业多做点事的人，意味着什么？我忘了具体数字，但安德烈·卡帕西（Andrej Karpathy）估算过造出第一个 ChatGPT 的成本——放到现在，我觉得在一台 PC 上就能做了，大概也就几万美元的事。所以说，成本几乎归零了。

Jensen： 而且他还有一个开源项目，一个周末就能做出来。哦，真的吗？那太厉害了。

Sarah： 对吧。才三年时间：当年人们说要花几十亿美元、要造超级计算机、要为此融几十亿美元的事，现在一个周末、一台 PC 就能做。这说明了什么？

Jensen： 说明我们让 AI 变便宜的速度有多快。（笑）DGX Spark，抱歉——严格说还不能算一台 PC。

我们的架构和性能每年都在提升。第一代 GPT 应该是在 Volta 上训练的，然后是 Ampere，最早的突破里没有 Hopper；Hopper 是这两三年的事，Blackwell 我们用了一年半左右。每一代，架构都在进步，晶体管数量在涨，产能也在涨。从算力角度看，每年提升五到十倍并不稀奇。Rubin 也近在眼前了。所以我们看到的是每年五到十倍，而且是复利式增长，太惊人了。摩尔定律是每一年半翻一倍，五年十倍、十年一百倍；而 AI 这边，十年大概是十万倍到一百万倍。

这还只是硬件。往上还有算法层、模型层，全部叠加起来——如果你告诉我十年内我们会把 token 生成成本降低十亿倍，我一点都不惊讶。这就是 AI 的“token 经济学”（tokenomics）。训练侧的成本下降没这么激进，但也接近：就算每年只提升两三倍，十年下来也很惊人。但关键是：当有人说训练一个东西要花一亿美元、五亿美元时——

Elad： 明年就便宜十倍。但人们会把规模继续往上堆啊，对吧？反方的说法是：我们每年把规模做大十倍、一百倍，用规模抵消成本下降，别人就跟不上了。

Jensen： 没错，但实际情况是——这就要说到混合专家模型（MoE）了——规模涨了十倍，计算负担却没有涨十倍，因为你在同时吃三方面的复利：硬件在进步，训练算法在进步，模型架构也在进步。而且我们还在互相学习。说句实在话：DeepSeek 大概是过去几年里硅谷研究者读过的最重要的一篇论文。

Elad： 它是这么多年里唯一一个让人感觉到“前沿”、又完全开放的东西——这再次说明了开源的价值。

Jensen： 没错。它公开发布出来——DeepSeek 实实在在地惠及了美国各地的创业公司和 AI 实验室，也惠及了各地的基础设施公司。它大概是去年对美国 AI 最大的贡献。

当然，这话要是公开讲，很多人会打寒颤：美国 AI 居然在向另一个国家的 AI 学习、受益。但这有什么可惊讶的？美国各地的 AI 研究者本来就有华裔、有来自各个国家的人。我们受益于每一个国家、每一位研究者，全世界的想法不必都来自美国。

回到你最初的问题：确实有一种围绕 AI 成本的叙事，目的是把所有人都吓出市场——“预训练只有我们该做，前沿模型只有我们能训”。但由于模型、算法和计算栈的创新，AI 的成本实际上每年下降远超十倍。所以哪怕你落后一年、甚至

重回研究的时代

Sarah： 只落后六个月，你也能咬得很紧。另外，2025 年让我感觉很不相同的一点是：伊利亚（Ilya Sutskever）最近说，我们重新进入了“研究的时代”，而不是“规模的时代”。不过我认为两件事同时在发生——大家也还在多个维度上继续堆规模。

Jensen： 没错，两件事同时在发生。

Sarah： 落后六个月、十万卡和二十万卡集群的差别，在对称竞争时确实重要。但现在，来自前沿实验室、站在最顶端的那批人，对“下一步怎么走”有非常不同的想法，他们研究的问题也更加多样。

这和 2024 年的感觉不一样——那时大量精力都集中在预训练规模和大语言模型上。

Jensen： 是的。另外还有几个变化：市场在变大，每个模型都可以选择自己想做出差异化的垂直领域或细分市场。有人可以决定做更强的程序员，有人可以决定做更易用、更贴近大众的消费级产品。模型变得多样，结果就是：你可以在一个利基市场里实现飞跃，不必样样都强，依然对市场极有价值。不必再把整个海洋都煮沸了。前两年大家说“预训练结束了”——首先，预训练没有结束；其次，预训练的意义本来就是“为训练而训练”，所以才叫预训练：为真正的训练做准备。

现在我们说的“后训练”（post-training）——这个名字有点怪，我觉得它就叫训练。但预训练是真正的预训练，然后才是训练。而众所周知，训练才是算力规模直接转化为智能的环节。而且到了这一步，训练模型所需的数据其实相当少，可能只需要可验证的结果；它变得非常算法化、非常吃算力。再有，你不必什么都擅长——就像我们每个人，没时间把一切都学得一样好，于是选一个专业、把全部精力投进去，在那件事上变成“超人”、变得比别人都强。

我认为 AI 实验室也会开始这样做：开始分化进不同的细分领域；创业公司也会一样——找到一个微细利基，站在开源的肩膀上，在那一点上做到极致。

编程与软件工程的未来

Sarah： 嗯，我觉得这里最乐观的一点其实是：这些微细利基非常值钱。我前段时间和卡帕西聊过——我正到处找人聊对明年的预测，待会儿也要问你的——他问我：举个例子，去年有什么预测放到今天看是有先见之明的？我的答案——事后看都容易——是：编程（coding）会成为第一个做到十亿美元 ARR 的应用层 AI 原生生意。如果你抱着旧世界的眼光，可能会相信两种叙事之一：要么是一个模型包打天下、把一切吞进某个大一统的东西里；要么是开发者工具永远做不大。

Jensen： 嗯，这要看那个开发者工具到底有多大价值。现在越来越多人明白了：软件工程不是什么小圈子，对它的需求比以往任何时候都大。

Sarah： 但我觉得我们还会看到更多这样的故事。

Jensen： 还有个有意思的事：我们内部就在用 Cursor，而且是全面在用，每个工程师都在用。另外你刚才也提到，我们现在招聘的规模大得惊人。

周一我去 NVIDIA 上班，对吧？为什么？这就回到目的和任务：软件工程师的目的是解决已知的问题、并发现新的值得解决的问题，写代码只是任务之一。所以，如果你的目的就是写代码——别人告诉你写什么你就写什么——好吧，那你可能真的会被 AI 取代。但我们绝大多数软件工程师——可以说全部——的目标是解决问题。而公司里问题多得是，还有大量没被发现的问题。他们有越多时间去探索那些没被发现的问题，公司就越好。最让我开心的事莫过于他们一行代码都不写、光在解决问题，你明白我的意思吗？

所以我觉得“目的 vs 任务”这个框架值得每个人拿去用。比如服务员：他的工作不是点菜——实际上从来不是；他的工作是让我们获得很好的体验。如果有 AI 来点菜、甚至来上菜，他的工作仍然是让我们获得很好的体验，他会相应地重塑自己的工作。好，说回算力成本的问题，这很重要。让我回到一点：我们为什么如此执着于可编程架构，而不是固定架构。记得很久以前，CNN 专用芯片出来了，人们说 NVIDIA 完了；后来 Transformer 专用芯片出来了，人们又说 NVIDIA 完了。

Elad： 现在还有人在这上面使劲。

Jensen： 是啊。这些专用 ASIC 的好处当然是能把一件事做得非常非常好，而 Transformer 是一个通用得多的 AI 网络。但你也知道，Transformer 这个“物种”演化得飞快：注意力机制、如何处理上下文，扩散（diffusion）还是自回归（autoregressive），混合 SSM（状态空间模型）与 Transformer 的杂交——比如我们刚发布的新一代混合 SSM 模型 Nemotron。

Transformer 的架构事实上正在非常快地变化，未来几年很可能剧烈演变。所以我们把自己献给一个灵活的架构，原因就在这里。一方面，摩尔定律基本终结了，晶体管红利每年可能只剩百分之十几，而我们想要的是每年几百倍的提升——所以红利其实全在算法上，而一个能承载任何算法的架构，大概率就是最好的架构，因为晶体管本身并没有进步多少。这是我们守护可编程性的第一个原因：我们对算法创新、软件创新抱有极大的乐观。第二，守护这套架构兼容性让我们的装机基数非常大。

软件工程师优化算法时，希望它不只能跑在某一小朵云、某一小套技术栈上，而是能跑在尽可能多的计算机上。正因为我们守护架构兼容性，FlashAttention 能到处跑，SSM 能到处跑，diffusion 能到处跑，自回归能到处跑；你想干什么都行——CNN 到今天还能跑，LSTM 到今天还能跑。一个架构上兼容、装机基数庞大、面向未来可编程的平台，对于推动整个领域前进至关重要，而这一切最终都会把成本打下来。

我非常自豪的是，我们最新的 NVLink 72 是全世界成本最低的 token 生成机器，而且优势巨大。原因就是：MoE 真的、真的很难。大家没想到的是，MoE 训练起来也许更容易，但推理侧生成 token 难得多。

下一批“ChatGPT 时刻”：数字生物学与蛋白质

Elad： 不过成本下降通常会打开新应用、新垂直领域，让它们变得越来越触手可及。我们刚才聊到了编程——Cursor、Cognition 这些公司今年都因此受益。你有没有什么想法或预测：下一个突破性行业会是什么？有什么新应用、新领域是你在 2026 年最兴奋的？比如一两个

Jensen： 我觉得——有这么两三个原因——好几个行业将迎来它们的“ChatGPT 时刻”。多模态加上超长上下文，当然会带来非常酷的聊天机器人；但这套基础架构再叠加上合成数据生成的突破，将催生出数字生物学（digital biology）的 ChatGPT 时刻。那个时刻要来了。

Elad： 你说的数字生物学，具体是指蛋白质折叠、蛋白质结合那类事，还是指诊断？

Jensen： 我的理解是：蛋白质“理解”我们现在已经做得不错了，多蛋白质理解正在上线——我们最近发布了一个叫 La-Proteina 的模型，是开源的，用于多蛋白质理解、表征学习和生成。所以蛋白质理解在飞速进步，接下来蛋白质“生成”也会飞速进步——蛋白质领域的 ChatGPT 时刻。

Elad： 对，有不少有意思的公司在做端到端的分子设计，比如 Chai。

Jensen： 没错。然后是化学理解与化学生成，再然后是蛋白质-化学构象（conformation）的理解与生成。所有这些组合在一起——ChatGPT 时刻、生成式 AI 时刻——正在数字生物学领域汇合。

Sarah： 顺着你“新行业”这个点说，我的思路是：也投资这台 AI 机器的“输入端”。生物、化学、材料科学这些事，都需要真实世界的数据生成和实验，对吧？这也是新基础设施。

Jensen： 新基础设施，没错。合成数据会非常重要，因为这些领域的数据太稀疏了，远比不上人类语言的规模。那里真正的突破，将是我们能训练出世界基础模型的时候——蛋白质的基础模型、细胞的基础模型。这两个我都非常期待。一旦有了基础模型，我们的理解能力、生成能力，那个数据飞轮就会真正转起来。我兴奋的第二个领域，

自动驾驶四时代与机器人的未来

Jensen： 当然也和推理有关：推理在语言上取得了巨大突破，而有了推理，汽车也能表现得更好。不再只是“感知的车”“规划的车”，而是“会推理的车”。这些车会一直在思考。当它们遇到从未见过的情形时，能把它拆解成以前遇到过的情形，并现场构建一套推理系统，找出穿行的办法。所以 AI 的域外、分布外（out-of-distribution）问题，很大程度上将由推理系统来解决，我们也因此能做到超出“被教过”的事情。

生成式 AI、多模态、视觉-语言-动作模型（vision-language-action model），再加上推理系统——我认为人形机器人，或者说多形态机器人（multi-embodiment），将迎来大突破。

Sarah： 你觉得时间框架大概是什么？因为如果拿自动驾驶来类比——当年的自动驾驶技术基于的神经网络类型和今天完全不同，过去两三年整个技术路线刚经历了一次大换血。

Jensen： 对，在很多做法上，我们当年起步起早了。自动驾驶其实经历了四个时代。第一个时代是把智能传感器连上车。

Elad： Mobileye 时代。

Jensen： Mobileye 时代，甚至包括 Waymo 最早期的那段日子。

Elad： 对，Waymo 最早期也是。

Jensen： 你依靠智能传感器、大量人工编写的算法，还有高精地图——重度地图——然后感知和规划分成不同的系统。

所以你本质上是在造一辆行驶在“数字轨道”上的车，和迪士尼乐园里的轨道车没有区别，只不过轨道是数字的。这是第一代。第二代：你有了感知、世界模型、规划这几个模块，每个模块都有自己技术的天花板。感知最先被深度学习改造，然后才沿着管线传导下去。但那套系统太脆了，只会做你教过它的事。现在我们走到的是端到端模型，下一步则是带推理的端到端模型。这就是四个时代。很多方面看，如果自动驾驶是三年前才起步的，我们大概直接就能到今天这个位置。

Elad： 我们那些还在自动驾驶里熬的朋友们，听了要心酸了。

Jensen： 哈哈，我不介意——我自己就在这件事上干了十年。顺便说一句，NVIDIA 的自动驾驶栈，安全评级今天是世界第一——我们上周刚拿到这个评级；第二是特斯拉。所以我很自豪，排在前头的是两家美国公司。

Elad： 那么从机器人的角度看，你是不是认为：既然这些技术我们在这个时代都已经造出来了，机器人就不必再走一遍同样的十年、十五年？

Jensen： 没错，没错。我们对机器人乐观得多，因为我们已经一路把技术推到了今天。当然，人们现在想的是人形机器人，而人形机器人有很多挑战——机电一体化的挑战就有一堆。比如，机器人重达三百磅可不是好事：万一它摔倒了、旁边还有孩子，怎么办？各种挑战都得处理，我相信我们都会解决。但请记住：装进人形机器人的那些基础技术，同样可以装进一个抓取-放置（pick-and-place）机械臂。它可以

Sarah： 说到这个，我一直对机器人有个好奇的点：你看自动驾驶，公认跑在前面的基本是老牌在位者——Waymo、特斯拉，还有你提到的 NVIDIA 拿到的安全评级。都是在这个领域深耕很久的玩家，投入了大量资本，进入门槛极高，还有供应链、硬件等各种额外复杂度。你觉得机器人也会一样吗？赢家基本就是特斯拉的 Optimus 和另外一些既是行业老兵、又坐拥在位者优势的公司？

Jensen： 创业公司还有没有机会？他们会成为领导者之一——肯定是主要玩家之一。但请记住：一切会动的东西都会变成机器人。一切会动的东西都会变成机器人，而“一切会动的东西”是个巨大的空间，远不止人形机器人。

而且每一个 AI 都将是多形态的——就像我们人类：我们自己的智能就是多形态的，坐进车里就能驾驭车，拿起网球拍就能驾驭球拍，拿起筷子就能驾驭筷子。所以我们能驾驭——

Elad： 人是通用型的。

Jensen： 对，完全正确。AI 也会变得通用。单臂抓取-放置、双臂、六臂，各种尺寸各种形态都会有：可以是一台 Caterpillar，可以是一台挖掘机，什么都可以。AI 会驾驭这些机器，就像一个建筑工人驾驭挖掘机、驾驭拖拉机一样。

Sarah： 那有没有可能只有少数几家公司来做“驾驭一切”的通用具身？还是说你认为会有更多——

Jensen： 我完全能看到会涌现出很多软件公司，这些软件公司可以服务很多不同的垂直行业。但每个垂直行业仍然会有自己的解决方案商，把技术落地、打磨到完美运行，明白我的意思吗？消费级 AI，成功率 90% 你就惊喜了、惊艳了，80% 你也满意。但大多数工业级、物理世界的 AI，成功率 90% 根本没人在乎——人们只盯着那失败的 10%，那基本等于百分之百的投诉。所以你必须把它做到 99.9999。

核心技术也许能把你带到 99%，然后由 Caterpillar 这样的垂直解决方案商，把核心技术打磨到 99.9999。

Elad： 有道理。你觉得最早跑通的会是这条路吗？因为在这么早期的市场里，最快的上市路径之一似乎是全垂直整合——这样迭代速度完全在自己手里。

Jensen： 不太一样。通用技术要做垂直整合，难点在于你没有支撑通用技术的研发规模。当然，开源极大地缓解了这一点——这正是未来几年你会看到 AI 垂直机会大爆发的原因。我的预测是：未来五年，最激动人心的就是垂直化。你看我们为 Open Evidence 兴奋、为 Harvey 兴奋、为 Cursor 兴奋——Cursor 是横向的，但也可以算“横向的垂直”。所以我非常看好所有这些垂直领域。

很多人说，AI 会强到——上帝 AI 会强到让所有“套壳公司”（wrapper companies）全部过时。这种说法完全没抓住重点。一个做技术的人之所以能大谈外科医生的人生，是因为他从来没当过外科医生；一个造 AI 的人之所以能大谈会计、税务专家的工作，是因为他从来没当过税务专家；一个人之所以能大谈餐厅杂工的生活而自己不用动手，是因为他从来没当过杂工。所以，对工作的复杂深度，你得多一点同理心，去真正理解那份工作的目的。很多时候，技术解决的是任务，而不是目的。

AI 的能源胃口

Elad： 那我们继续盘点各种叙事——哪些为真、哪些为假。2025 年还有一个热议的叙事是关于能源和能耗的：我们的能源到底够不够支撑 AI？你怎么想？

Jensen： 特朗普总统上任第一周就喊出了“钻吧，宝贝，钻吧”（drill, baby, drill），他当时为此挨了多少骂。但如果没有这场全国上下对能源增长的态度大转弯——我想现在大家都承认了——我们等于把这场工业革命拱手让给了别人。而且我们的电力仍然受限。是的，没有能源就没有新产业。我们已经被能源短缺困了差不多十年，如果不是特朗普扭转了那个叙事，我们就彻底完了。没有能源就没有工业增长；没有工业增长，国家就不会更繁荣；不更繁荣，我们就无力解决国内问题、无力解决社会问题，一环扣一环。

所以事实是：要增长就需要能源，需要各种形式的能源——天然气，当然还需要更多并网电力，需要更多表后（behind the meter）自备电力，需要核电。风电不够，光伏不够——这一点大家都得承认。这些我们都要，来者不拒。但事实就是：未来十年，天然气大概是唯一可行的主力。

Sarah： 有意思的是：我同意，远期方案的时间表解决不了人们在 2027、2028 年的发电焦虑——那些建集群的大玩家对此非常担忧。但美国气候创新最大的推动力，其实恰恰来自这个 AI 基础设施难题，因为人们终于看到了实打实的需求。

Jensen： 没错。人们看到了需求，而需求正在驱动他们创立大型电池公司、太阳能聚光公司，给 SMR（小型模块化核反应堆）这样的新能源注入决心。AI 产业正在驱动整个可持续能源产业。

Sarah： 是的，因为人们看到需求就在那里。所以即便——我也认为，在短期内，相比大型天然气方案，确实没有别的实际答案——它仍然拉动了气候创新。

Jensen： 是的，毫无疑问。你说得完全对。末日言论会影响政策，政策可能以某种方式波及行业，但没有什么比需求更有力量。看看正在创造的就业，看看围绕它形成的新产业——可持续能源很可能就是其中之一。等历史重新书写这一页时，Sarah，我想你会被证明完全正确：AI 很可能是有史以来可持续能源最大的推手。

Elad： 嗯。我有个朋友有句名言：末日论者是晚宴上听起来最聪明的人，而乐观主义者才是推动人类前进的人。我觉得这话放在我们今天聊的所有事情上都很贴切。

Jensen： 是的，太对了。这确实是这一年最大的启示之一：叙事之战。当然，简单说末日论者讲的全都不值一听，也太粗暴了——他们说的很多东西其实非常中肯；但反过来说，认为乐观的人就是天真，同样太粗暴。乐观必须扎根于现实，而“乐观即天真”显然不成立。我只是觉得我们要警惕其中的平衡：当九成的声音都在讲世界末日、都在散播悲观时，我们其实是在吓得人们不敢投资 AI——而那些投资恰恰是让 AI 更安全、更好用、更有生产力、对社会更有用、更安全的东西。这一切都要靠技术：安全靠技术，保障也靠技术。

我的车今天比五十年前的车更安全，是因为技术更好了，我对此心存感激。所以，更安全靠技术，更可靠也靠技术。我很欣慰地看到技术进步仍在加速、仍在继续。我们要做的，是确保世界各地的政策制定者、各国政府，能在这两种想法之间做好平衡。

2026 展望：中美关系与地缘政治

Sarah： 好，我们聊了很多 2025 和这一年的各种叙事。你怎么看 2026？什么让你兴奋？你预见到什么？有哪些大变化是我们该留意的？

Jensen： 我乐观地认为，中美关系会改善。特朗普总统和这届政府对中国抱着非常务实、非常合乎常识的态度和哲学：中国是对手，但在很多方面也是伙伴。“脱钩”的想法很天真——无论是出于哲学理由还是国家安全理由，都经不起常识检验。你往深处看得越多，就越会发现两国实际上高度耦合。当然，两国都应该投资建立自己的独立性——过度依赖一个人，关系就会变得太情绪化，这你们懂。所以保有一定的独立性是好的，各自想要多大的独立性都可以，但同时要承认两国之间存在大量的耦合与依赖。

我认为需要一种有分寸的策略、有分寸的态度，以一种对两国人民、对全世界人民都有建设性的方式，去经营这段关系。全世界都指望着这两个最重要国家之间建设性的关系，这是下个世纪最重要的一段关系，我们必须找到答案。让我非常欣慰的是，特朗普总统在寻找建设性的答案。所以我认为，明年会比过去几年好得多。这届政府提出的出口管制政策也让我满意：它立足国家安全，同时承认中国自己已经能造很多芯片，他们的军队、他们的国家安全可以依靠华为——他们有充足的技术。

所以美国的技术虽然是通用的，但不太可能被他们的军方采用——他们的军方很聪明，正如我们的军方也很聪明，不会去用他们的技术。所以这个政策立足国家安全、立足技术领导力、立足国家繁荣。有件事我们必须始终记住：世界最强大的军队，是由世界最强大的经济供养的。我们创造的财富把就业带回国内、在美国创造繁荣、带来税收，最终供养着地球上最强大的军队。这个循环系统、这个相互关联的系统，要求一种有分寸的策略。

我很欣慰看到这个方向上的进展：它让美国科技公司既能把美国放在首位、保持美国领先，又能支持美国的技术领导力，在全球赢得竞争。

Elad： 当然，中国那边也在自己理清思路——他们在理清该如何看待美国技术。历史上的争论一直是这样的：拿互联网来说，当年有所谓的“防火长城”（Great Firewall），中国基本把美国竞争者挡在门外，而反过来却并非如此；上世纪九十年代和本世纪头十年，还有大规模的美国就业和产业向中国转移。所以我认为，人们在中美政策上提出的很多问题，除了军事对抗关系、势力范围这类议题之外，还有两国之间感知到的经济失衡。

Jensen： 我的思考方式是再次回到技术的第一性原理。就拿互联网来说：有芯片产业、有系统产业、有软件产业，上面还有服务业。请记住，中国互联网的增长对英特尔和 AMD 是盛宴——卖 CPU；对美光是盛宴——卖内存；对 SK 海力士和三星也是盛宴。中国是美国科技产业第二大互联网市场。所以——

Elad： 也许它对技术栈的某一层没好处——比如谷歌们。

Jensen： 没错。但不要因此否定技术栈的每一层。每一次都请退后一步，看看整个技术栈——也许这也是今天对话的主题。

Elad： 你传递这个信息确实顺理成章。但技术实际上不只是过去几十年一直唱主角的互联网软件应用层，而是整个技术栈。

Jensen： 而且请记住，当英特尔和 AMD 跟着中国互联网产业一起繁荣时，别忘了中国也为开源做出了巨大贡献——世界上没有哪个国家对开源的贡献比中国更大。看看美国这边有多少创业公司，正是站在那些开源成果上才创办起来的。所以你不能孤立地看某一个环节，必须看技术的完整生命周期、看技术栈的每一层。用这个视角看就通了：中国的互联网产业为美国创造了巨大的繁荣，只不过繁荣没有落在互联网公司本身而已。

有没有 AI 泡沫？

Elad： Jensen，我的其他投资人朋友不会原谅我的——如果我不问你一个 2026 年生意场上的问题：我们正处在 AI 泡沫里吗？

Jensen： 好，AI 泡沫。这个问题有很多种推理路径。老规矩，被问到这个问题，我首先想的是：AI 是什么？我们走到哪一步了？先分清 AI 和计算。NVIDIA 发明了加速计算（accelerated computing）。加速计算能做计算机图形和渲染——AI 不能；能做数据处理、SQL 数据处理——AI 不能；能做分子动力学和量子化学——AI 不能。这些事，人们也许会说“总有一天 AI 也能做”，但今天它做不到。

加速计算对经典机器学习也必不可少：XGBoost、推荐系统，特征工程的整个流程、ETL（抽取-加载-转换），数据科学和机器学习的整个生命周期，都在用加速计算。所以第一点：从 NVIDIA 的视角看，我们看到的动态是通用计算向加速计算的转移。因为摩尔定律基本终结了，你不能再像过去那样什么都靠 CPU——它已经不够高效、不够降本。所以我们必须转向新的计算模式，这就是加速计算的由来。

就算生成式 AI——说得更直白些，就算聊天机器人——OpenAI、Anthropic、Gemini——全都不存在，NVIDIA 今天依然是一家数千亿美元的公司。因为如你所知，计算的根基正在向加速计算迁移。这是首先要认识到的：退后一步问自己，到底在发生什么。然后才是第二层问题：AI 是什么？现在我们问“有没有 AI 泡沫”，而所有人的目光总是立刻回到 OpenAI 的收入上，对吧？你问谁“有 AI 泡沫吗”，大家第一反应都是 OpenAI 的收入。

首先，如果 OpenAI 现在的算力翻一倍，他们的收入就会翻倍，这点你们懂；如果算力翻十倍，我真心相信他们的收入也会翻十倍。所以他们需要产能。这和 NVIDIA 需要台积电的晶圆是一个道理：NVIDIA 存在、而且干得不错，不代表我们不需要产能——我们需要产能，需要内存的产能。在我们的世界里，这是人人理解的常识。在他们的世界里，他们需要工厂；没有工厂产能，怎么生成 token？这就是我们开场聊的东西。所以他们需要工厂产能，才能支撑收入增长。

但话又说回来，我们也说了 AI 不只是聊天机器人，它包括所有这些科学领域。NVIDIA 的自动驾驶业务正在接近一百亿美元——没人谈论这个。因为要训练世界模型，要训练这些自动驾驶系统，而这件事正在发生：无人出租车正在世界各地落地。我们在数字生物学上的 AI 工作，在金融服务上的 AI 工作——整个量化交易行业都在转向——没错，他们过去是经典机器学习，靠一大帮人工找特征的人，也就是所谓的“宽客”（quants），那些专门琢磨预测特征的数学家；现在他们用 AI 来找特征。

于是你不再需要那么多宽客，而是需要大量超级计算机。金融服务是我们增长最快的板块之一：量化金融几十亿美元，自动驾驶几十亿美元，机器人马上也几十亿美元，数字生物学几十亿美元。那这一切加起来能有多大？逻辑很简单——简单的算术。先把你认为“AI 会补上劳动力缺口”这类论点放一边。全球 GDP 是一百万亿美元，假设其中百分之二是研发支出——两万亿美元。回到五年前，你找全球最大的药企，问他们的研发都在哪？湿实验室（wet labs）。今天他们在干什么？在建超级计算机。

所以研发的方式发生了根本转变。过去那两万亿美元是老花法；未来它不会消失——两万亿研发支出会由一大票基础设施来支撑。这就是我们为什么在全世界建超级计算机。所以我认为，无论从地基往上推、还是从外部往里推，你都会得出同一个结论：我们正在经历的——我们三个人都在经历的——是对算力的需求已经疯狂。你给我举一家说“我们够了”的创业公司试试？他们全都在为算力发愁。你给我举一位说“我算力富余”的高校研究者、企业科学家试试？每个人都在为算力发愁。

所以这是一场全球性、跨公司、跨行业的短缺——不仅仅是 OpenAI 的事，尽管 OpenAI 也确实需要更多产能。所以我认为，我们思考这个问题的方式——那种叙事——没有帮助。“就凭一百二十亿美元的收入、对照几千亿美元的在建基础设施，就断言有泡沫”——这种论证太肤浅了。

Sarah： 是的。人们还爱举另一个例子：MIT 那份研究。好像是说大部分企业级 AI 部署没什么用。但你会反问：他们做变革管理了吗？做组织重组了吗？和工具链整合了吗？部署到底花了多长时间——企业的规划周期本来一年，你才干了六个月。所以感觉又是那一套：一些被夸大的东西博得了大量眼球，但你把它和真实发生的事情一对比——和这些用 AI 的公司的增长一对比——完全是两个世界。

Jensen： 而且如果你想知道世界上的创新到底在哪发生，我反正不会去企业里找，你们说呢？

Sarah： 对，企业大概是新技术的最慢采用者。

Jensen： 我会去和那三四万家正在做这些事的创业公司聊；我会去问 Open Evidence 用得怎么样；我会去问 Cursor，编程到底怎么样了。你去和这些人聊聊就知道了。

Sarah： 我觉得很有意思的是你提到的这一点：确实有一批公司在企业销售上做到了一亿美元、几亿美元的 ARR——Harvey、Sierra 等等。但增长最快的一些公司是靠终端用户自发采用的，哪怕是在保守行业——比如医疗这种多疑的行业，最——

Jensen： 对，最保守的行业。但你猜怎么着？他们太在意“得到正确答案”了，所以像 Open Evidence 这样的东西——能做有依据的研究、高质量的研究，并把研究成果作为信息送到你面前——价值就特别大。没人想做“研究”，大家想要的是答案；没人想做“搜索”，大家想要的是答案。

Elad： 对。Abridge 也是个好例子：他们让写病历这件事变得特别简单，不用医生自己坐在那儿敲。这也回到你“任务 vs 目的”的论点。而且我觉得理解需求还有另一个角度：很多工作岗位的要求其实根本是“不可能完成的任务”——你让一个医生、一个放射科医生跟上全世界生物医学知识的更新速度？研发还在加速，算力也在加速。还有论文——

Jensen： 对，以前我试着一篇一篇地读——我们俩以前都这么干——现在不了，我把它们全喂给 ChatGPT，挑有意思的都喂进去，让它学，然后让它总结，再总结，再跟它来回讨论。重点是：我们以前做搜索，现在不了；以前做研究，现在——目标是得到答案，是变得更聪明，而这些 AI 在帮我们把这一切都做到。而所有这些，又回到那个框架：AI 是一个多层蛋糕，AI 不只是聊天机器人，它在所有行业、所有模态、所有信息和应用里都极其多样。

当你思考“想赢”、“美国应该赢下 AI”的时候，答案不应该是“美国要有这一家公司赢下 AI”，而是我们应该全线去赢、跨领域去赢——跨领域，没错。想到开源时，这个框架立刻就好用了；想到“赢”时，它好用；想到能源时，它也好用——因为我们需要工厂，工厂需要能源；没有能源就没有工厂，没有工厂就没有 AI。这是个好用的框架。所以我想，如果大家对“AI 是什么”有一个更好的理解、一个系统的框架，那些叙事就会变得更合乎常识、更务实、更平衡。

我们想保障人们的安全，而保障安全最好的办法之一，就是让技术快速前进。我认为行业正在这么做，我为此非常自豪。没有人愿意开汽车发明头十年的那种车。

Elad： 所以我觉得 ABS（防抱死系统）是个好东西。

Jensen： 对，ABS 是好东西，车道保持是好东西，FSD 毫无疑问是好东西。我想人们会为 AI 的第三年、第四年感到兴奋的。是的，毫无疑问。我非常自豪地说，行业这一年取得了巨大的进步——我们提到的所有这些技术。扩展定律依然坚如磐石：我们现在知道，更多算力就是更多智能。而且天呐，一个领域的创新扩散到其他领域的速度是如此之快，看到这一切我太高兴了。所以我认为，未来五年会非同凡响。

Sarah： 毫无疑问。而且我相信明年会精彩纷呈。太好了——我们期待明年年底再和你聊一次。

Jensen： 嗯，我很期待。非常感谢。也谢谢你们两位的所有工作。恭喜，多么了不起的一年。

Sarah： 哇，真是不可思议的一年。非常感谢，谢谢，谢谢 Jensen，新年快乐。

结语

Sarah： 在 Twitter 上关注我们 @NoPriorsPod；想看我们的脸，就订阅我们的 YouTube 频道；在 Apple Podcasts、Spotify 或你常用的平台收听本节目，这样每周都能收到新一期。注册邮件订阅、或查阅每期节目的文字稿，请访问 no-priors.com。