「在某个时刻，你必须选择相信某种东西。」

整理 & 编译：深潮 TechFlow

深潮导读：在这期长达 63 分钟的深度访谈中，知名科技创作者 Cleo Abram 避开了常规的财报数字与股价炒作，与英伟达（NVIDIA）联合创始人兼首席执行官 Jensen Huang 展开了一场关于计算底层演进与人类科技未来的本质对话。从 30 年前凭借游戏显卡破局，到顶住华尔街十余年质疑打造 CUDA，再到 2012 年敏锐捕捉 AlexNet 引爆深度学习革命，Jensen Huang 深度拆解了英伟达如何一步步重构延续了 65 年的现代计算技术栈。

面对由生成式 AI 迈向物理 AI（Physical AI）的质变关口，Jensen Huang 详细阐述了 Cosmos 与 Omniverse 构建的「世界模型＋物理仿真」技术底座，描绘了「万物皆具机器人形态」以及每个人都将拥有终身伴随的 R2-D2 机器人的十年愿景。同时，他坚定回应了关于芯片架构专用化与通用化的哲学分歧，剖析了数字生物学与气候预测等前沿押注，并对年轻一代提出了拥抱提问艺术的核心建议。当被问及未来希望如何被世人铭记时，他给出了最质朴而宏大的回答：「非常简单：他们创造了非凡的影响。」

嘉宾： Jensen Huang（英伟达（NVIDIA）联合创始人兼首席执行官）

主持人： Cleo Abram（知名科技视频创作者，Huge If True 频道主理人）

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

要点总结

• 完美的计算机必须兼顾串行与并行计算： 在绝大多数复杂程序中，约 10% 的核心代码占据了 99% 的计算负载，这部分极适合由 GPU 进行大规模并行加速；而其余 90% 的控制逻辑则由 CPU 进行高效串行处理。英伟达创办的初心就是解决传统计算机无法攻克的超高负载问题。
• 游戏行业是底层研发最佳的资金引擎： 3D 虚拟世界的实时渲染天生需要并行计算，更重要的是，电子游戏拥有极其庞大的消费级市场规模，能持续为数十亿美元的底层软硬件研发提供自我造血能力，而无需依赖政府拨款或科研资助。
• CUDA 的本质是让并行计算大众化： 早期科研人员必须将物理或数学问题伪装成图形着色程序来调用 GPU。英伟达创造 CUDA，允许开发者直接用通用的 C 语言调动 GPU 算力。尽管这一豪赌因研发成本高昂曾遭华尔街十余年冷遇与质疑，但最终为后来的深度学习爆发铺平了道路。
• AlexNet 促使英伟达全盘重构底层计算栈： 2012 年由 Ilya Sutskever、Alex Krizhevsky 与 Geoffrey Hinton 打造的 AlexNet 仅用两张 GeForce GTX 580 显卡便碾压了传统图像分类算法。Jensen Huang 由此敏锐意识到软件正在从「人工编写规则」转向「由数据自主学习」，随即带领英伟达将全部赌注压在 AI 上，全方位重构芯片、互连、算法库与系统架构。
• 生成式 AI 的核心是成为跨模态的通用翻译器： 这一轮 AI 浪潮之所以前所未有，是因为 Transformer 等架构能够将任何模态的数据（文本、图像、语音、3D 空间、机械臂轨迹）理解并相互翻译，从而打破了人类知识与数字世界之间的藩篱。
• 物理 AI 必须由「世界模型＋物理仿真」双轮驱动： 大语言模型会产生幻觉，需要依靠检索与上下文锚定真实答案；而在物理世界中，机器人必须具备重力、惯性、摩擦力和空间恒常性等物理常识。英伟达推出 Cosmos 作为物理世界的基础模型，并借助遵循牛顿物理定律的 Omniverse 仿真引擎生成逼真的合成数据，让机器人在进入物理世界前完成数百万次极限工况演练。
• 未来十年万物皆将具备机器人形态： 无论是自动驾驶汽车、智能建筑、无人割草机还是人形机器人，未来所有移动的物体都将具备机器人能力。每个人都将拥有专属的终身数字伴侣（R2-D2），它会随着用户的成长而持续进化，形态贯穿眼镜、手机、电脑、汽车与家庭实体。
• 拒绝专用 ASIC 陷阱，坚守创新计算灵活性： 针对将 Transformer 彻底硬化为专用芯片（ASIC）的观点，Jensen Huang 认为创新绝不会止步于某一特定算法架构。若把计算机固化为单一用途，就如同把计算机变成微波炉。英伟达始终坚持构建灵活可编程的加速架构，支持学术界持续探索 FlashAttention、分层注意力等更高效的全新注意力机制。
• 从打游戏长大的公司到人类前沿科学的风暴中心： 在 RTX 50 系列中，4K 画面的 800 万像素里仅有 50 万像素由传统管线光线追踪计算，其余 750 万像素全由 AI 精准预测补齐。这种范式让科学家与工程师把宝贵精力集中于核心关键点，由 AI 放大为超人般的生产力。从数字生物学、蛋白质语言解析、微气候预测到未来机器人，英伟达的终极历史愿景就是「创造非凡的影响」。

精彩观点

• 关于技术信仰与前瞻布局：「在某个时刻，你必须选择相信某种东西。如果你去建造它，人们可能不会来；但如果你不建造它，人们就永远没有机会到来。我们的策略建立在希望之上，但那是经过深思熟虑的理性希望。」
• 关于串行与并行计算的分工：「也许程序中仅有 10% 的代码占据了 99% 的计算处理，而这 99% 的任务可以并行完成；但剩下的 90% 代码依然必须按顺序串行执行。真正的完美计算机不是非此即彼，而是同时具备卓越的串行与并行处理能力。」
• 关于 CUDA 诞生的源动力：「很多伟大的创新往往诞生于同一种复杂的大杂烩中：一部分来自远大的志向与灵感，另一部分纯粹来自走投无路的迫切自救。我们一方面看到波士顿麻省总医院的研究人员用游戏显卡重建 CT 断层图像，另一方面我们自己在游戏里渲染流动的水流、爆炸和粒子碰撞时感到寸步难行，这些内外因素交织促成了 CUDA 的诞生。」
• 关于计算架构的专用化之辩：「Transformer 会是人类研究者发现的最后一种 AI 算法架构吗？绝对不是。回顾计算机科学史，从未有任何一种算法能永远统治一切。如果你在十年前就把当时的算法彻底固化进芯片硬件，那计算机就变成了微波炉，后续的一切创新都无从谈起。」
• 关于 AI 与人类工作的本质关系：「在 4K 显示器的大约 800 万个像素中，我们实际上只光线追踪计算了其中的 50 万个像素，剩下的 750 万个像素全靠 AI 预测并完美填补。这就是 AI 将让人类变得如同超人般的生动隐喻：人类可以将宝贵的精力和注意力集中在最关键的核心部分，其余繁重冗长的流程交给 AI，从而实现生产力的百倍跃升。」
• 关于年轻一代的生存指南：「如果我今天还是一名学生，我要做的第一件事就是去学习 AI。学习如何与 AI 交互，很像成为一个非常擅长提问的人。你不能只是随随便便胡乱提问，让 AI 成为你的助手需要掌握提示词的技巧与艺术。无论你学法律、医学、化学还是生物，都必须持续问自己：我该如何利用 AI 把我的工作做得更好？」
• 关于人生终点与历史传承：「非常简单：他们创造了非凡的影响（They made an extraordinary impact）。我希望下一代人不仅知道英伟达是陪伴他们打游戏长大的公司，更会看到整个数字生物学、材料科学、机器人与自动驾驶变革的风暴中心，站着的正是这家坚守核心信念的公司。」

正文

异构计算的诞生：为什么 10% 的代码需要独立的 GPU？

Cleo Abram： 今天的对谈我想避开那些在财经新闻里经常看到的季度财报和股价数字，专注于聊聊更本质的问题：你们究竟在建造什么？计算机是如何从过去几十年一步步走到今天的？以及未来的技术将会如何塑造每一个普通人的生活。

Jensen Huang： 太好了，我非常期待这样的交流。事实上，在某个时刻，你必须选择相信某种东西。我们现在所做的事情，本质上是在彻底重构延续了数十年的现代计算架构。

Cleo Abram： 要理解当下这个令全世界瞩目的 AI 时代，我们必须先回到二十世纪九十年代。当时游戏开发者希望制作更逼真、更有沉浸感的 3D 画面，但当时的传统硬件根本无法承受海量像素的实时计算。为什么当时的计算机应付不了图形？GPU 又是如何诞生的？

Jensen Huang： 这源于计算机程序底层的一个核心特性：在一段软件代码中，通常可能只有 10% 的关键指令占据了整整 99% 的运算量。这 99% 的密集运算通常具有极高的重复性，非常适合被拆分成成千上万个微小任务并行执行；而剩下的 90% 代码主要是系统的控制、分支与调度逻辑，必须按照先后顺序一步一步串行处理。

当时的传统计算机完全由中央处理器（CPU）主导，CPU 被设计成极其擅长高速处理串行逻辑，但在面对海量像素同时渲染的庞大并行需求时显得无能为力。我们当时敏锐地观察到：一台真正理想的计算机，绝不能只有串行处理能力，也不能只有并行处理能力，它必须同时兼具两者。

于是我们创办了英伟达，立志去打造能够解决传统计算机无法企及问题的专用加速处理器。这就是图形处理器（GPU）诞生的原点。

Cleo Abram： 这让我想起了十几年前英伟达官方发布过的一个非常经典的科普视频：流言终结者（Mythbusters）团队制造了一台机器人，用单个喷头一枪一枪喷出彩弹，以此展示 CPU 处理任务的方式；随后他们推出了一块巨大的机械阵列，数千个喷头在千分之一秒内同时发射彩弹，瞬间拼出一幅完整的蒙娜丽莎画像，极其生动地展示了 GPU 的并行加速力量。

Jensen Huang： 那个演示非常直观地展现了两者的本质差异。游戏正是第一个对这种大规模并行算力产生极端渴求的领域。

游戏破局：用大众消费级市场反哺硬核底层研发

Cleo Abram： 为什么当时英伟达选择首先切入电子游戏领域，而不是直接去做科研计算？

Jensen Huang： 首先是因为我们打心底里热爱这项应用。3D 视频游戏是对现实世界或奇幻世界的数字仿真，试问谁不想进入一个逼真、瑰丽的虚拟世界呢？

但从商业战略的角度来看，这里面有一个更深刻的决定性考量：我们预见到电子游戏有望成为全人类最大的消费级娱乐市场之一。开发顶尖的半导体芯片需要投入难以想象的研发资金，如果仅仅服务于小众的高性能科研计算实验室，你必须依靠政府科研拨款或昂贵的定制合同，这根本无法维持持续的巨额技术迭代。

而电子游戏提供了一个无比巨大的消费市场。数以千万计的玩家愿意为了更流畅、更绚丽的画质买单，这使得我们能够成为全球出货量最大的并行处理器制造商。庞大的出货规模让我们拥有了源源不断且自我造血的研发资金，使我们能够在随后的几十年里，将这种并行架构不断推进至极端物理极限。

孤注一掷打造 CUDA：从医学成像灵感到通用并行计算平台

Cleo Abram： 到了两千年代初期，一些敏锐的学者和开发者开始发现，GPU 不仅能用来渲染游戏贴图，还能用来跑物理碰撞模拟，甚至被外部科学家用来做复杂的科学计算。但我的理解是，当时要做到这一点极其痛苦，科学家必须把矩阵运算伪装成三角形像素或纹理贴图，欺骗显卡去计算。随后你们做了一个极其大胆的决定：推出了 CUDA 平台。你能聊聊当时的背景吗？

Jensen Huang： 你做足了功课，这非常准确。很多伟大的创新往往诞生于同一种复杂的大杂烩中：一部分来自远大的志向与灵感，另一部分纯粹来自走投无路的迫切自救。

当时外部最早使用我们 GPU 进行通用加速的案例之一来自波士顿麻省总医院（Mass General）。那里的几位研究人员用我们的游戏显卡进行 CT 断层图像重建，这给了我们巨大的启发。

与此同时，英伟达内部也遇到了瓶颈：我们希望游戏世界里的水流能像真实水体一样流动，爆炸产生的数万块碎片能符合空气动力学规律，烟雾能自然扩散。这就要求显卡在处理图形之外，必须同时运行粒子物理和流体力学模拟。如果显卡硬件管线被死板地固化在传统计算机图形学流程中，这一切就无法实现。

于是我们下定决心，必须彻底打破专用图形管线的束缚，将其改造成通用的并行计算架构，并创造了统一计算架构（CUDA）。CUDA 允许全世界的工程师和科学家直接使用他们早已熟知的 C 语言编写代码，自由调动 GPU 内成千上万个计算核心。

Cleo Abram： 站在今天的视角回顾，打造 CUDA 是一次极具远见的豪赌。当时英伟达将全部身家押注在 CUDA 上，向所有出货的游戏显卡中强制加入通用计算逻辑，导致芯片面积大幅增加、成本高企、毛利率承压，并在长达十余年的时间里遭到华尔街的严厉批评与质疑。

Jensen Huang： 当你创造一种全新的颠覆性技术时，批评者总会说：「如果你造了它，人们可能不会来使用。」但站在乐观主义者的角度来看，我们的信念是：「但如果你不建造它，人们就永远没有机会到来。」

我们深知这项技术蕴含的巨大物理潜力，并且我们坚信通过消费级 GeForce 显卡的庞大市场，能够把这套先进的并行计算架构铺设到全球每一个极客与研究者的桌面上。正是这种基于理性的坚定希望，支撑着我们走过了那段漫长且孤独的岁月。

2012 年 AlexNet 的顿悟时刻：重构延续 65 年的现代计算体系

Cleo Abram： 随后时间来到了 2012 年，迎来了科技史上极具里程碑意义的一战：ImageNet 图像识别大赛。Alex Krizhevsky、Ilya Sutskever 以及他们的导师 Geoffrey Hinton 提交了一个名为 AlexNet 的深度神经网络模型，直接碾压了所有传统的计算机视觉算法，大幅降低了错误率。他们正是使用了两张消费级 GeForce GTX 580 显卡训练出了这个划时代的模型。当时在英伟达内部，你看到这个结果时的第一反应是什么？

Jensen Huang： 那是一个彻底改变世界历史轨迹的时刻。当时英伟达内部的一个计算机视觉研发团队正试图用传统的算法库去解决图像识别问题，遇到了极大的阻碍与挫败。当 AlexNet 横空出世时，我们不仅感到震撼，更产生了一种强烈的共鸣：这个全新的算法彻底抛弃了人工编写规则的老路子，完全依靠海量数据去自我训练权重，并在能力上取得了前所未有的阶跃。

我们立即退后一步，问了自己一个最根本的问题：「如果这种深度学习架构在计算机视觉上能展现出如此恐怖的扩展潜力，那它的极限究竟在哪里？如果它可以被无限拓展，对整个计算机行业和底层软硬件架构究竟意味着什么？」

我们当时做出了一个至关重要的判断：软件的开发范式正在发生本质层面的范式转移。自 1964 年 IBM System/360 奠定现代通用计算机的指令集体系以来，整整 65 年里，人类一直是通过一步步精确编写指令来告诉计算机该做什么；而深度学习的崛起，标志着计算机开始转变为通过海量数据自我学习规律。

既然软件的本质变了，那支撑软件的硬件底层和整个系统栈必须全部推倒重来。我们随即做出了全面押注 AI 的决策，从单颗芯片架构、互连总线、网络通信、算法库到分布式系统，全方位重新设计整个计算栈。后来的 DGX 超级计算机系统，正是源于这一顿悟。

为什么是现在：跨越所有数据模态的通用翻译器

Cleo Abram： 为什么直到最近几年，大众才突然感受到 AI 的爆发？这背后的本质技术飞跃究竟是什么？

Jensen Huang： 因为过去十年里，计算机科学领域的硬核挑战被一个接一个地攻克了。起初是计算机视觉被彻底解决，随后是语音识别达到超人水准，再之后是自然语言理解取得了质的突破。

但真正引发全面质变的临门一脚，是 Transformer 架构与生成式 AI 的成熟。以往的 AI 模型大多是单一任务分类器，比如判断一张图片里是不是猫；而现在的生成式 AI 是一个通用的「跨模态翻译系统」。

它可以理解文本，并把文本翻译成另一种文本，例如总结段落或翻译跨国语言；它还可以把文本翻译成图像、把图像翻译成 3D 资产、把传感器数据翻译成机械手臂的转动角度。它能够在数字世界与物理世界的各种表征形式之间自如穿梭，这就是为什么今天的 AI 让人感觉如此无所不能。

物理 AI 与世界模型：Cosmos 赋予常识，Omniverse 锚定物理规律

Cleo Abram： 接下来我想深入探讨一个正在发生的最重要转变：从数字世界的文字与图片，迈向物理世界的具身智能与机器人。以前我们训练机器人，必须把机器放在真实车间里一步一步走，或者让人类穿着动作捕捉服采集极其有限的数据，机器很容易磨损甚至摔坏，数据采集极为昂贵缓慢。现在我们开始在虚拟世界中训练机器人。英伟达推出了 Cosmos 和 Omniverse，你们是如何在虚拟世界中解决机器人学习难题的？

Jensen Huang： 理解物理 AI 的最好参照系就是 ChatGPT 等语言模型的发展路径。

当 ChatGPT 刚出现时，虽然表现惊艳，但它有一个致命弱点：幻觉。如果它持续长篇大论，或者谈论未经训练的盲区，它会一本正经地胡说八道，因为它的输出没有锚定在事实真相（Ground Truth）上。后来业界引入了上下文检索增强（RAG），当你给模型喂入一份权威的 PDF 或连接网络实时搜索，这份 PDF 和搜索结果就成为了模型的基准事实，模型的推理便有了可靠的落脚点。

现在我们把同样的逻辑投射到物理世界中。机器人要想在现实世界中行动自如，首先需要一个具备物理常识的基础模型。什么是物理常识？它必须懂得地球有重力、物体有惯性与摩擦力；必须具备几何与空间感知能力；必须理解物体恒常性，即当我转过头去再转回来时，桌上的杯子依然在那里；必须理解因果逻辑，即我如果推倒杯子，水就会洒出来。

为了给 AI 注入这种常识，我们构建了 Cosmos，它是一个物理世界的基础语言模型，专门编码物理世界的通用法则。

但仅有 Cosmos 还不够，我们必须给它提供「绝对的物理真实基准」，就像给 ChatGPT 喂入权威 PDF 一样。这个基准就是 Omniverse。Omniverse 不是普通的视频游戏引擎，而是一个严格遵循第一性原理的物理仿真系统，它底层的数学模型是严谨的牛顿力学、流体力学和电磁学求解器。

通过将 Cosmos 世界模型与 Omniverse 物理仿真引擎结合，我们可以在数字空间里为机器人生成无穷无尽、且绝对符合物理定律的虚拟环境与突发工况：光照骤变、路面湿滑、障碍物遮挡、机械突发故障。机器人在数小时内就能完成真实世界数十年才能经历的极端训练，然后再将其模型部署到真实机器人中。

未来十年愿景：万物皆具机器人形态，每个人都将拥有专属的 R2-D2

Cleo Abram： 顺着这个逻辑推演下去，十年之后的物理世界会变成什么样？普通人会如何与这些物理 AI 互动？

Jensen Huang： 未来的一切移动物体都将具备机器人能力，而且这一天会比大多数人想象得更快到来。

未来人们还要亲自顶着烈日推着割草机在院子里走，在今天看来已经有些荒谬了。未来的每一辆汽车都将是具备完全自主能力的机器人；未来的人形机器人也将走进工厂与千家万户。所有这些机器人都将在 Omniverse 和 Cosmos 构筑的数字孪生世界中完成学业，随后走向物理现实。

更令我感到兴奋的是，每个人都将拥有专属的终身数字伴侣，就像星球大战里的 R2-D2 一样。它不一定是一个圆滚滚的金属铁桶，它可能存在于你的智能眼镜中、你的智能手机中、你的办公电脑中，或者坐在你的汽车里，直到你回到家，它又以某种实体机器人的形态迎接你。

这个专属的 R2-D2 会陪伴你的一生，随着你的经历共同成长，深刻理解你的喜怒哀乐、生活习惯与工作方式，成为你感知与改造世界的最强延伸。

架构哲学之辩：为什么不能把 Transformer 直接固化进芯片？

Cleo Abram： 我在准备这次访谈时，和很多工程师朋友深入探讨过，他们托我一定要问你这个问题：随着 Transformer 架构成为当今绝大多数大模型的基础，很多芯片公司开始尝试制造完全针对 Transformer 定制的专用芯片（ASIC）。专一化固然能在特定任务上带来极致效率，但会丧失通用灵活性。英伟达如何在专用优化与通用架构之间做权衡？你是如何做这种关乎百亿美元生死的重磅技术押注的？

Jensen Huang： 这恰恰触及了我们最底层的核心信念：你是否相信 Transformer 就是人类研究者所能发现的最后一种 AI 算法架构？

如果你的答案是肯定的，那你当然可以把 Transformer 的所有数学运算全部用物理电路直接焊死在硅片上；但我们的核心信念是：Transformer 绝非终点，它仅仅是通往更高级 AI 演进阶梯上的一块踏脚石。若干年后的下一代前沿架构，很可能让人完全看不出 Transformer 的影子。

回顾人类计算机算法与创新的历史，有哪一个绝妙的点子能够永远独霸天下？答案是从未有过。计算机最本质的魅力，在于今天的它能够运行十年前任何人连做梦都想不到的奇妙程序。如果你在十年前就把当时的芯片彻底固化成单一功能的硬件，那计算机就退化成了微波炉，整个应用生态的繁荣也将戛然而止。

就拿 Transformer 核心的注意力机制（Attention Mechanism）来说，它的初衷是计算每个词与上下文中所有其他词之间的关联度。当文本只有 10 个词时，计算毫无压力；但当上下文窗口扩大到数万字、上百万个 Token 时，全对全的计算开销将呈平方级爆炸，根本无法在物理硬件上实现。为了解决这一难题，过去几年里涌现了 FlashAttention、分层注意力（Hierarchical Attention）、波形注意力等层出不穷的新型数学算法。

计算机科学没有终结，AI 研究者没有放弃探索，英伟达更不会放弃。我们最重要的使命，是始终打造具有高度编程灵活性的加速计算体系，让全世界最聪明的算法科学家能够在这个算力海洋中尽情遨游，探索下一代人类未知的伟大算法。

芯片制造极限与物理挑战：从晶圆封装到极端能效

Cleo Abram： 现在的顶尖芯片正在逼近物理学的底层极限。你们设计芯片，台积电等合作伙伴负责将其在几纳米的物理尺度上光刻制造出来。在应对摩尔定律放缓与功耗瓶颈时，英伟达是如何思考设计的？

Jensen Huang： 传统的摩尔定律和登纳德缩放定律（Dennard Scaling）在物理上已经基本走向终结。过去单纯依赖缩小晶体管尺寸来免费获取算力倍增和功耗降低的时代已经一去不复返了。

这也是为什么我们必须从「芯片思维」全面转向「数据中心思维」。单颗晶圆的光学极限尺寸（Reticle Limit）是固定的，为了突破单芯片的物理极限，我们采用了双晶圆整合封装（CoWoS）、超高带宽芯片间互连链路（NVLink）以及极高密度的片上高带宽内存（HBM）。

更重要的是，并行加速计算遵循着完全不同的物理定律。将一个复杂任务交给成千上万个高效核并行处理，相比于让几个高主频通用 CPU 核心硬抗，其能源利用效率能提升数十倍乃至数百倍。通过在算法、芯片、网络和系统级层面的协同协同优化，我们开辟了在后摩尔定律时代持续推动算力指数级增长的全新路径。

下一个宏大赌注：物理 AI、数字生物学与微气候模拟

Cleo Abram： 回顾过去，英伟达在 GPU、CUDA、深度学习、自动驾驶上的每一次重磅押注几乎都被时间证明是正确的。除了前面谈到的机器人，你们接下来的重大押注还有哪些？

Jensen Huang： 除了物理 AI 以及人形机器人的软硬件工具链，我极度兴奋的一个领域是数字生物学（Digital Biology）。

过去的计算机理解的是由 0 和 1 组成的人工代码，现在的 AI 理解了人类自然语言；而生物学的本质，是分子、氨基酸、蛋白质和活体细胞的复杂交互语言。就像我们用物理模型理解现实世界一样，如果我们能用 AI 深度解析并预测生物大分子之间的交互语言，我们就能构建出人类身体的数字孪生。这意味着新药发现、基因疗法和疾病机理研究将从过去的湿法试错转变为可在计算机中快速模拟迭代的高精度科学。

另一个令我深感自豪的是气候科学。借助数字孪生技术，我们正在构建超高分辨率的区域气候与极端天气预测系统，能够精准模拟你头顶上方一公里范围内的微气象演变。

科学工具本质上就是人类发明的「时间机器」。科学家之所以拼尽全力去预测未来，是为了能够提前看清未来的演变轨迹，从而在当下做出最优设计与干预，创造出最美好的未来版本。

神经渲染与个人超级计算机：RTX 50 与 DGX 带来的生产力跃迁

Cleo Abram： 在刚刚过去的消费电子展上，你们展示了最新的 GeForce RTX 50 系列显卡，以及放在桌上的新一代 DGX 系统。对于普通创作者和开发者来说，这些新硬件究竟意味着什么？

Jensen Huang： 这背后蕴含着一个极为迷人的技术循环：最初是 GeForce 游戏显卡孕育了现代 AI，帮助 Alex Krizhevsky 和 Geoffrey Hinton 训练出了 AlexNet；而今天，强大成熟的 AI 又反哺回 GeForce 显卡，彻底颠覆了图形渲染的底层逻辑。

在最新的 RTX 50 系列显卡所呈现的 4K 分辨率画面中（总计约 800 万个像素），我们的物理光线追踪管线实际上只密集计算了其中的 50 万个像素，剩下的 750 万个像素全是由深度神经网络基于这 50 万个高质量基准实时推测并完美填补出来的。

这是 AI 赋能人类生产力的终极隐喻：人类自身的精力、专注力和体力是极度珍贵且有限的。如果我们要事无巨细地硬抗每一个环节，产出必然极其受限；但如果借助 AI 的泛化与推断能力，人类只需把全部精力倾注在最核心、最具价值的那「50 万个像素」上，AI 就能帮我们补齐其余的一切，从而让人类整体迸发出超人般的创造力。

同时，我们在 2016 年向 OpenAI 亲手交付了全球第一台 DGX 超级计算机，当时 Elon Musk 亲自接收了它。那时候的超级计算机体积巨大且售价高达 25 万美元，仅有少数顶尖实验室才能拥有；而现在，我们将其微缩成了大约 3000 美元的个人 AI 超级工作站，可以直接放在学生或工程师的书桌旁。这意味着每一个普通学生、独立开发者都拥有了自己的专属超级计算中心，可以在寝室里训练属于自己的 AI 模型与 R2-D2 机器人。

给年轻人的忠告与人生传承：Prompting 的艺术与非凡的时代影响力

Cleo Abram： 对于正在观看这场访谈的学生、年轻一代以及所有希望在这个时代有所作为的人，有哪些你认为至关重要但我还没问到的建议？

Jensen Huang： 我认为最重要的建议之一是：如果我现在是一名学生，我要做的第一件事就是去全力学习 AI。

如何学会与 ChatGPT 交互？如何学会与 Gemini Pro 交互？以及如何学会与 Grok 交互？学习如何与 AI 交互，本质上就是成为一个极其擅长提问的人。比如你就极其擅长提问，而给 AI 写提示词（Prompting）与这非常相似。你不能随随便便胡乱提问，让 AI 成为你的得力助手，需要掌握提示词的技巧与艺术。

所以如果我今天是一名学生，无论是学数学、科学，还是化学、生物，无论我将来要进入哪个科学领域，从事什么职业，我都会问自己：我该如何利用 AI 把工作做得更好？

如果我想成为一名律师，如何用 AI 成为更优秀的律师？如果我想成为一名医生，如何用 AI 成为更优秀的医生？如果我想成为一名化学家，如何用 AI 成为更优秀的化学家？如果我想成为一名生物学家，如何用 AI 成为更优秀的生物学家？这个问题应该贯穿在每一个人的思考中。

就像我成长的那个时代，我们是第一代不得不面对这个思考的人：如何利用计算机把工作做得更好。在我们之前的上一代人根本没有计算机；记住，我入行的时候甚至还在 Windows 95 之前，那是 1984 年，办公室里一台电脑都没有。不久之后计算机普及，于是我们必须问自己如何利用计算机做好工作。下一代人已经无需再去问这个问题了，但显然他们必须面对下一个命题：我该如何利用 AI 把工作做得更好？这就是一切的起点与终点。

AI 彻底降低了理解的门槛、知识的门槛与获取智能的门槛。过去把电脑摆在一个从未用过的人面前，他们绝不可能在一天之内学会使用，必须有人手把手教；而面对 ChatGPT，如果你不知道怎么用，你只需要输入：「我不知道怎么用 ChatGPT，请教我」，它就会立刻回复你并给出示例。智能最美妙的地方在于，它会一路协助你，让你在过程中变得更加强大。

Cleo Abram： 好的，如果您还有时间，我最后还有一个问题。这不是我原本计划要问的，但在我来这里的路上，我其实有点恐飞，这确实不太理智。飞来的路上飞机有点颠簸，非常颠簸。我坐在剧烈晃动的机舱里，心里不禁在想人们会在我的葬礼上说些什么。

Jensen Huang： 「她总是能提出好问题！」你的墓碑上肯定会这么写。

Cleo Abram： 但愿如此！是的。除了「深爱着丈夫、朋友和家人」之外，我希望人们能谈论的是我的「乐观」，我希望大家能理解我所努力追求的目标。我对您非常好奇，您在这个行业深耕了这么多年，描绘的前方愿景如此宏大。您希望大家用怎样的一个主题，来评价您所努力达成的事业？

Jensen Huang： 非常简单：「他们创造了非凡的影响（They made an extraordinary impact）。」

我认为我们很幸运，因为我们在很久以前就确立了一些核心信念，并且始终坚守这些信念，在此基础上不断构建，使得我们今天成为了世界上、甚至可能是有史以来最重要、最具影响力的科技公司之一。

因此，我们非常严肃地对待这份责任。我们全力确保我们所创造的能力不仅能为大企业所用，也同样开放给各个科学领域的独立研究者与开发者，无论是否盈利，无论规模大小，无论知名与否。正是因为深刻理解我们所从事工作的重大意义，以及它对无数人可能产生的深远影响，我们才希望将这种能力尽可能普及到每一个角落。

我坚信，当我们在几年后回望时，我非常希望下一代人能够看到：首先，他们会因为我们打造的游戏技术而认识我们；但我确信回望时，数字生物学与生命科学领域已经被彻底重塑，我们对材料科学的认知已被彻底颠覆，机器人正在各个领域协助人类完成危险而繁琐的任务。想开车时我们可以自己开，不想开时就可以小憩片刻，或者把汽车当成家庭影院，在上下班途中静心阅读。到那时你甚至会希望自己住得远一点，这样就能在车里多享受一会儿。

当你回首发现，有一家公司几乎处于所有这些变革的风暴中心，而它恰好正是陪伴着你打游戏长大的那家公司。我希望这就是下一代人所认知到的英伟达。

Cleo Abram： 非常感谢您宝贵的时间，这是一次非常愉快的交流。

Jensen Huang： 谢谢你，我也很高兴。