跨国深谈← 返回←Jensen Huang 谈 NVIDIA 创业史、物理 AI 与创始人模式

Jensen Huang 谈 NVIDIA 创业史、物理 AI 与创始人模式

关联

人物 Jensen Huang · Jerry

公司 NVIDIA · Sega · Waymo · Tesla · Mercedes

概念 加速计算 · 智能体 · 物理 AI · 系统思维 · 通用函数近似器 · 沙箱 · 深度学习 · 自动驾驶汽车

NVIDIA 是今天 AI 革命的中心,但这家公司当年选定的创业技术,从根上是错的——意识到这一点时,已经晚了。说这话的人是黄仁勋,这是他在 YC 创业课上讲的第一个故事。

这一集的对谈里,他讲了几个方面:创业初期怎么承认错误、靠几本教科书从头学起,把一家快要关门的公司拉回来;怎么从 AlexNet 看出深度学习的本质,确立公司的独特视角;他当 CEO 的方式为什么和传统管理学完全不一样——他不觉得 CEO 要脱离一线,反而要像个 F1 赛车手一样把车调到最贴合自己;以及 AI 对就业到底意味着什么、物理 AI 的机会在哪里、年轻人该学什么。

从选错技术到靠教科书救命,这是 NVIDIA 创业最关键的一课。故事发生在 1993 年,当时黄仁勋和几个创始人决定重新发明 3D 图形,要把每一台 PC 都变成游戏机。

他们满怀信心地去融资、开公司、设计算法。但结果证明,他们选的那套技术路线从头到尾就是错的——到了 1995 年,市面上已经有三四十家公司在做 PC 上的 3D 图形,而 NVIDIA 的方案根本行不通 。更扎心的是,他后来才发现,团队里根本没有人知道正确做法是什么。

他的应对方式很反直觉:没有硬撑,而是直接跑去电子零售店买了三本讲 OpenGL 的教科书,带回公司交给工程师。就这样,他们从教科书开始重新学,最终成了现代计算机图形学的世界领导者 。

他给这段经历总结的教训是:技术本身一直在变,只要你能直面现实、愿意学习,选错技术并不可怕。这句「能有多难呢」(how hard can it be),后来成了他面对所有新领域的口头禅,虽然结果总是比想象的难得多 。

这家公司真正的底层信念,其实不是芯片,而是加速计算这套理念。说完了创业初期的技术错误,黄仁勋接着讲了 NVIDIA 能走到今天的核心:一个他们从一开始就押对的大判断。

他们最早的洞见是:通用 CPU 虽然有用,但有些问题它解决不了,必须靠加速器(一种专门用来给 CPU 打下手、处理特定高强度计算的硬件)来增强。3D 图形只是第一个应用领域,后来分子动力学、图像处理、深度学习全都成了他们加速的对象 。

黄仁勋强调,成就伟大公司的往往不是技术本身,也不是单纯的市场,而是一种你对未来的独特视角,而且你深信不疑,别人还很难做到 。对 NVIDIA 来说,这个视角就是「加速计算很重要」,而且关键在算法,不在芯片 。

AlexNet 一出来,他立刻判断这比所有人想的都大。接着话题转到了 NVIDIA 是怎么抓住 AI 这个机会的。黄仁勋说,他像所有人一样看到了 AlexNet,但因为他一直在用「寻找算法」的视角看世界,所以他立刻意识到,这不仅仅是一个图像识别模型,而是一种叫「通用函数近似器」的东西——简单说,就是只要你给它足够的数据,它就能学会模拟几乎任何事物的规律 。

这种思维方式让他能顺着一条线索推演出整个行业的未来:一旦确认了深度学习可以学习任意函数,他马上开始追问:这会怎么改变计算架构?会催生哪些新行业?

几乎紧接着,他们就投入了计算机视觉、机器人和自动驾驶的研究 。他把这种从第一性原理出发思考的方式称为对整个计算工业栈的「五层蛋糕」式的重新想象 。

CEO 该不该深入一线细节?他的答案是把公司当成一辆给自己定制的赛车。

既然聊到了第一性原理的思考方式,主持人自然问到了一个很多人都好奇的问题:黄仁勋出了名地喜欢深入技术细节、直接跟首席科学家交流,这和传统大公司 CEO 委托下属做汇报的风格很不一样。他怎么在这种「创始人模式」和庞大的组织架构之间取得平衡?

黄仁勋的回答是,这一切的原点其实是好奇心——他想搞懂问题,就会自己去找答案。如果这个领域对公司很重要,他就会尽可能学透,然后把 insight 分享给全公司 。

他特别指出,在技术飞速变化的行业里,如果你对底层没有「触觉感知」,一切对你来说都会快得无法理解;但如果你理解了第一性原理,一切就变得合理。他把做 CEO 比作冲浪:你必须亲自下水,学会读懂海浪和风,否则没法保持平衡 。

对于「不按传统管理学来会怎样」的质疑,他打了一个很妙的比方:CEO 就像 F1 赛车手,你是在造一辆自己要开的车,当然要把车调整到完全贴合你的驾驶习惯和体型。公司就是那辆车,下任 CEO 来了,自然可以根据他自己的性格重新调校 。在他看来,所谓的「创始人模式」是可以从零扩展到万亿美元规模、沿用几十年的 。

最大的新机会不在写代码,而在系统和物理 AI。聊完了他的管理哲学,对谈的后半段进入了更硬核的技术前景探讨。

黄仁勋抛出了一个很明确的观点:在 AI 时代,最值钱的能力不再是具体的底层实现,而是「系统思维」。因为那些写代码、做芯片合成的底层工作,未来都会被智能体(能自己规划任务、调用工具的 AI)自动化掉 。

人要做的,是更抽象地思考:一个系统的输入输出是什么?信息怎么流动?瓶颈在哪?

他说了一句很妙的话:文本就是智能,言语即思想,你没法脱离语言来思考。这意味着智能体的记忆和自我改进,本质上就是在处理和沉淀这些思想 。

但他也指出,目前的智能体最缺的不是变得更聪明,而是「可控制性」——我们能不能在计划文件里精确改一个词,它就只产生增量、特定的差异,而不是推翻重来?在他看来,可控制性是智能体在各个层面最需要的突破 。

顺着 AI 的逻辑,他谈到了物理 AI。当他看到生成式 AI 能凭空生成手指移动、手拿杯子的视频时,他立刻意识到:既然能生成视频,为什么不能让机器人照着做?

这就是 NVIDIA 押注物理 AI 的起点 。他判断,机器人的「ChatGPT 时刻」其实几年前就已经发生了,接下来要做的是把模拟环境、强化学习(让 AI 通过不断试错来学习的训练方法)和真实物理世界打通 。

他透露,这块业务目前规模已经接近 100 亿美元,未来会成长为全球最大的行业之一 。而他们选择把自动驾驶技术栈开源,是因为农业、仓储、邮件投递等太多长尾场景都需要它,一家公司吃不下 。

AI 到底消灭工作还是创造工作?看积压的雄心就知道了。

话题转到了公众最焦虑的问题。黄仁勋的看法很明确:关于 AI 毁灭工作的叙事是本末倒置的。

AI 消除的是「任务」,不是「工作」。一份工作是由许多任务组成的,有些能自动化,有些不能 。

他举了几个扎实的例子:编程任务被自动化了,但软件工程师的岗位数量每年还在增长 10%;AI 能读放射学扫描了,但因为患者积压太多,医院反而能收治更多病人,于是放射科医生的岗位几年内增加了约 20%;AI 渗透了法律行业,律师助理的数量却在疯涨,因为积压的诉讼太多了 。他的结论是,人类积压的雄心和想法太多了,生产力提升反而会推动增长、带来更多就业。简单的东西会被自动化掉,但硬科学、交叉领域的难题永远在那儿,需要更有野心的人去解 。

本集带走

最后收个尾,这一集值得带走的是几句话。第一,创业之初选错技术并不可怕,可怕的是不敢面对现实;只要保持「能有多难」的心态去学,教科书也能教出世界领导者。

第二,成就伟大公司的关键,是对未来有独特且深信不疑的洞见,而不是单纯的技术或市场。第三,别被「CEO 该不该管细节」这种传统管理学教条困住,你就是 F1 赛车手,把公司这辆车调到最贴合你的性格和习惯,才是跑得快的关键。

第四,AI 消灭的是任务不是工作,因为人类积压的雄心太多了,自动化反而会打开增长和就业的空间。第五,在这个底层代码都会被 AI 写掉的时代,系统思维——也就是能编排成百上千万个智能体、抽象地看清输入输出和瓶颈在哪的能力——才是真正值得年轻人去学的超能力。归根结底,最重要的特质是韧性,别被想象出来的焦虑吓倒,只要挺过今天,一路学下去,剩下的交给时间。

大多数人不相信的是,我们创办公司时选择的技术绝对是错误的。
The thing that most people don’t believe is that the choice of our technology that we started the company with was absolutely wrong.
—— Jensen Huang · [01:19]

成就伟大公司的是你对世界的一种独特视角,并且你深信不疑。
What makes great companies is a unique perspective about the world that you deeply believe in.
—— Jensen Huang · [06:19]

我们的感悟是,一切都与算法有关,而不是芯片,结果证明是完全正确的。
Our realization is everything to do with algorithm, not the chip, turns out to be exactly right.
—— Jensen Huang · [07:00]

如果这件事很重要,我们就去学习它,能有多难呢?
If it’s important to do, we’re going to go learn it, and how hard can it be?
—— Jensen Huang · [04:53]

对我们的突破是意识到 AlexNet 并不是 AlexNet 本身,而是一种深度学习的方法,允许你学习任何函数。
The breakthrough for us was realizing that AlexNet was not AlexNet, that AlexNet was an approach with deep learning that allows you to learn any function.
—— Jensen Huang · [11:28]

当有一天我死在工作岗位上时,你知道,我告诉他们,他们只需要为下一位 CEO 重新塑造公司。
When I die on the job someday, you know, I told them they’ll just have to reshape the company for the next CEO.
—— Jensen Huang · [18:00]

大多数必须做的底层工作都将通过智能体完成。
Most of the low-level things that has to be done are going to be done agentically anyways.
—— Jensen Huang · [20:17]

可控制性可能是我们在每个层面上对智能体需要的单一最大的突破。
Controllability is probably the single biggest breakthrough that we need for agents at every single level.
—— Jensen Huang · [23:20]

关于 AI 毁灭工作的叙事恰恰是本末倒置的。
The narrative about AI destroying jobs is exactly backwards.
—— Jensen Huang · [31:55]

阅读放射学扫描的任务已经被自动化,但在过去几年里放射学工作的数量增加了大约 20%,即使 AI 已经接管了整个领域。
The task of reading radiology scans has been automated, but the number of radiology jobs has increased some 20% in the last several years, even though AI has taken over the whole field.
—— Jensen Huang · [32:37]

如果我能生成手指移动的视频,如果我能生成手拿起杯子的视频,为什么我不能让机器人做同样的事情?
If I can generate video of a finger moving, if I could generate video of a hand picking up a glass, why can’t I cause a robot to do the same?
—— Jensen Huang · [35:03]