撰文：Techub News 整理

在这场围绕“美国在人工智能领域的领导力”的公开对话中，NVIDIA创始人兼CEO黄仁勋（Jensen Huang）、美国国会议员Ro Khanna，以及主持人H.R. McMaster，讨论的并不只是芯片、模型和出口管制，而是一个更大的问题：当人工智能成为新的通用技术之后，一个国家究竟要靠什么维持领先？答案并不只是技术本身，而是人才、能源、制造业、大学体系、政策设计、社会信任和国家叙事的综合能力。

从内容上看，这场对话至少包含三条主线：第一，AI不是单点技术，而是一个多层次的产业体系；第二，美国若想继续领先，不能只强调前沿创新，还必须重建制造能力、扩大技术扩散、让更多普通劳动者受益；第三，面对全球竞争，尤其是与中国之间复杂的产业联系，美国既不能简单“去风险化”到窒息创新，也不能放任无序全球化继续侵蚀本土产业和社会凝聚力。

更值得注意的是，这场讨论没有停留在“科技乐观主义”或“AI恐慌论”的二元对立中。黄仁勋强调，AI会重塑产业，但“任务被自动化”不等于“职业会消失”；Ro Khanna则提醒，即使长期看生产率提升会创造更多岗位，技术扩散的过渡期仍可能伴随明显的失业、收入分化与地区失衡。因此，真正重要的，不是要不要发展AI，而是如何以一种更有社会包容性的方式发展AI。

AI不是一个模型，而是一整套产业基础设施

黄仁勋在对话中反复强调，社会对AI最大的误解之一，是把AI理解成单一模型或单一产品。按他的说法，AI本质上是一个“五层栈式结构”的产业系统：最底层是能源，其上是芯片，再上是云和AI工厂等基础设施，然后是模型，最上层才是应用。

这个判断非常关键，因为它把“AI竞争”从模型能力竞争，扩展为国家级基础设施竞争。也就是说，一个国家是否能在AI时代保持领先，不能只看有没有几家明星模型公司，还要看电力是否充足、芯片是否可持续供给、数据中心和云基础设施是否足够强、模型生态是否繁荣，以及最重要的——AI应用是否真正进入产业和社会，形成规模化使用。

黄仁勋特别强调，如果美国在前四层都很强，但应用层无法扩散，整个产业飞轮就转不起来，技术也难以真正放大价值。他担心的不是技术不够先进，而是社会因为恐惧而对AI过度排斥，甚至把AI“监管出产业、监管出社会”。一旦应用扩散被人为压制，那么美国即使率先发明了这一轮工业革命，也可能无法充分吃到它带来的红利。

从这个角度看，AI政策的核心并不只是“管控风险”，更是“降低有效使用的障碍”。这种障碍既可能是制度性的，也可能是心理性的、舆论性的。一个国家如果在社会层面把AI塑造成纯粹的威胁，而不是需要学习和驾驭的工具，那么它就可能在自我怀疑中失去技术扩散的窗口期。

美国的优势，不只在企业，也在开放的人才与大学体系

Ro Khanna对“美国为什么仍有机会保持AI领先”给出的答案，与黄仁勋的产业视角形成了互补。他认为，美国最大的比较优势，首先是能够吸引全球人才来到美国学习、研究、创业和合作，其次是强大的研究型大学体系，再其次是学术自由、质疑权威的公共文化，以及大学、政府和私营部门之间相对成熟的技术转化机制。

在这场讨论中，Ro Khanna特别提到，许多AI初创公司由移民创办，大量AI研究人员的本科教育并不在美国完成，但最终来到美国参与创新。这种“从全球吸收人才，再在本土形成高密度协作”的机制，是美国科技领先的根本来源之一。

他同时指出，研究型大学的重要性不能被低估。美国在基础研究、人才培养和技术外溢方面的长期积累，并不是偶然形成的，而是与持续的公共投入密切相关。换言之，今天讨论美国AI优势，不能只讲资本市场和头部企业，也必须承认国家科研投入和大学制度在其中的基础作用。

这也是为什么，这场对话虽然由一位明星企业家和一位国会议员主导，但其底层逻辑并不是“企业万能”或“政府万能”，而是三方协同：政府提供长期导向与制度环境，大学提供人才和基础研究，企业推动产业化和规模应用。

重新工业化，成为AI竞争中的新关键词

如果说前几年关于AI的讨论更多集中于算力、模型和资本，那么这场对话最鲜明的现实感，在于它把“再工业化”明确纳入了AI议程。Ro Khanna直言，美国过去几十年的一个重大错误，是幻想自己可以只做金融中心和创新中心，却不保留强大的工业基础。这不仅损害国家安全，也削弱了社会凝聚力，并在许多地区留下长期的被剥夺感。

他提到，传统制造业衰退并不是抽象的宏观趋势，而是具体地摧毁了很多社区的尊严、就业与代际认同。那些曾经依靠工厂、钢铁和产业链支撑起来的城市和家庭，被迫面对“如果进不了金融或科技行业，就只能被淘汰”的现实。这种断裂，最终也反映在美国政治的愤怒、撕裂和不信任之中。

因此，Ro Khanna主张一种“21世纪版马歇尔计划”式的新经济爱国主义：美国不能只是用关税做姿态，而是要真正重建关键产业，围绕稀土、关键矿产、原料药、机器人、先进材料等领域形成新的工业投资能力，让政府、企业、技术界和劳动者朝着同一方向重新组织起来。

黄仁勋在这里给出了与之呼应的现实补充。他认为，AI产业本身正在成为美国再工业化的引擎。随着AI工厂、芯片工厂和计算基础设施在美国落地，相关建设已经带动了大量制造业、建筑、电工、管道、精密工具等岗位需求，并推高了相关工种的工资水平。他还表示，企业正在计划大规模投资美国本土制造，这种趋势的前提，是美国必须保持一个足够有活力、足够赚钱、足够鼓励投资的产业环境。

这意味着，AI并不只是“替代劳动”的技术，也可能成为重建实体经济和地区就业的契机。但它能否成为契机，取决于政策是否引导资本进入长期建设，而不是只在短期套利中打转。

“AI会抢工作吗”并不是一个能简单回答的问题

关于AI对就业的影响，这场对话最有传播性的部分，无疑是黄仁勋对“AI毁掉工作”叙事的直接反驳。他认为，把AI描述成大规模摧毁就业的力量，不仅不准确，而且会伤害美国社会对技术的接受度。

他举了一个著名例子：多年前，一些AI领域的重要学者曾预测，随着AI全面渗透影像判读，放射科医生会在十年内变得“无关紧要”。黄仁勋承认，前半句是对的——AI确实已经深入放射学的几乎每个环节；但后半句错了——放射科医生并没有减少，反而增加了。

为什么会这样？他的解释是：职业的“目的”与职业中的“具体任务”并不是同一回事。AI可以自动化某些任务，却不一定消灭职业本身。相反，当AI提高效率之后，组织能够服务更多患者、处理更多需求、创造更高收入，进而需要更多专业人员参与更高层次的判断、协作和服务。

他把同样的逻辑延展到软件工程上。在NVIDIA内部，软件工程师已经广泛使用代理式AI工具，结果并不是工程师被替代，而是“更会使用AI的工程师”变得更受欢迎、更成功，同时整个团队可以更快推进更多项目。换句话说，AI改变的首先是工作的组织方式和生产率边界，而不是简单地按人头削减岗位。

不过，Ro Khanna提出了必要的修正。他并不否认长期看技术进步会带来新的需求和新的岗位，但历史同样告诉人们：从工业革命到后来的技术浪潮，生产率增长并不会自动、公平地分配给所有人。技术扩散过程往往会伴随明显的失业、收入差距扩大，以及某些群体在很长一段时间内无法分享到收益。

因此，真正负责任的政策，不是简单重复“技术最终会创造更多工作”的口号，而是要在技术采用阶段就考虑：劳动者是否有议价权？是否能分享到生产率提升的收益？年轻人和初级岗位从业者如何获得新的入口？那些可能首先受到冲击的职业群体，能否在过渡期获得培训、保障和再就业支持？

这也解释了Ro Khanna为何把自己定位为“AI democratist”，而不是“AI doomer”或“AI accelerationist”。他的核心主张不是反对AI，而是反对AI收益只向资本集中，而成本由普通劳动者承担。

真正危险的，不是AI本身，而是只有少数人会用AI

黄仁勋在就业问题上给出了一个非常有代表性的判断：大多数人未必会“输给AI”，但很可能会输给那些会使用AI的人。这句话的重点不在制造焦虑，而在指出技术扩散的方向——与其恐惧AI，不如尽快让更多人学会使用AI。

在他看来，AI之所以成为史上采用速度最快的技术之一，关键原因就在于它的使用门槛比过去很多基础技术都低。普通人并不需要成为芯片工程师或算法研究员，也可以在自己的职业场景里把AI变成增强能力的工具。他甚至举例说，一个原本只是木匠的人，借助AI可以更好地完成设计表达，进而提升为更接近建筑设计或室内设计的服务提供者。

这背后的逻辑是：AI最重要的社会价值，不是把专业知识封闭在少数机构中，而是把原本高门槛的认知能力和表达能力部分外溢给更多人。当越来越多普通劳动者、创业者和学生能借助AI完成更复杂的工作时，技术红利才有可能真正扩散。

而Ro Khanna进一步把这种“扩散”上升到社会契约层面。他认为，美国社会今天之所以对AI存在高度怀疑，并不只是因为人们不理解技术，而是因为很多普通人已经不再信任精英机构，不再相信新一轮技术革命会自动为自己带来机会。要修复这种不信任，不能只靠宣传，更需要看得见的就业计划、技能培训、区域投资和公共承诺。

在中国、全球化与监管之间，美国需要的是“中间道路”

这场对话另一个高度敏感的话题，是美国该如何处理与中国以及全球供应链的关系。黄仁勋的态度非常明确：世界是相互依赖的，AI及其相关产业链不是一个国家可以完全封闭完成的系统，任何“把一切都关起来、把别人全部切断”的做法，都可能带来严重的意外后果。

他多次强调，AI不是单点产品，而是一个深度嵌入全球供应体系的复杂产业。从能源、矿物、设备到制造环节，美国在很多方面都与其他国家存在深度依赖，其中也包括中国。正因为如此，政策制定不能用简单化、情绪化的方式处理技术竞争，而要认真评估长期后果、连锁反应和产业系统的整体平衡。

Ro Khanna对此既有共识，也有补充。他同意美国不能彻底“脱钩”，但同时认为过去那种无约束的全球化同样已经证明不可持续。美国需要做的不是走向封闭，而是重建某种“更有边界感的开放”：既承认中国在某些关键资源和环节上的垄断风险，需要推动再平衡和本土能力建设；也承认美国不应陷入一种逢中必反、拒绝合作甚至排外化的政治情绪。

黄仁勋在这里还提出了一个非常值得重视的提醒：反对中国国家竞争对手，不应滑向反华裔、反移民或反国际人才的社会心态。因为美国最核心的资产之一，恰恰是“全世界最优秀的人都想来这里”。一旦美国把竞争叙事处理成身份敌意，它伤害的将不是别人，而是自己最珍贵的人才吸引力和“美国梦”品牌。

在监管问题上，两人的分歧没有外界想象得那么大。Ro Khanna主张应建立适度、精细的规则，让美国AI既保持竞争力，也成为全球市场信任的“高质量AI”；黄仁勋则主张重点监管应用与使用场景，警惕对尚处于快速演化阶段的基础技术进行过早、过度、僵硬的监管。

归结起来，他们都不支持两个极端：一端是毫无边界的自由放任，另一端是以安全之名压制创新。真正可行的路线，是在风险治理、产业发展和全球竞争之间保持动态平衡。

这场对话真正讨论的，是一种新的国家叙事

如果只把这场讨论理解为“AI政策研讨会”，其实低估了它的意义。更深层地看，它讨论的是：在AI重构经济和社会秩序的时刻，美国还能否重建一种让大多数人相信自己有份参与的国家叙事。

Ro Khanna反复提到，美国今天最严重的问题之一是信心流失。人们不再确信自己能够分享到增长，不再确信国家制度会优先考虑普通劳动者，不再确信“美国梦”对下一代依然成立。因此，他主张以AI为契机，重新思考什么才是技术发展的北极星——不应只是技术突破本身，而应是建设一个更有凝聚力、更多元、让更多人拥有安全感与上升通道的社会。

黄仁勋则从企业家角度给出了另一种鼓舞人心的回应。他认为，现在反而是年轻人进入社会、使用AI、参与创业和重塑产业的最好时代之一。因为这一轮技术革命不是在旧世界边缘修补，而是在重置整个计算产业，进而重置几乎所有建立在计算基础之上的行业。对于学生和年轻从业者来说，这意味着前所未有的平等起跑机会。

从这个意义上说，这场对话最重要的共识并不是“美国一定会赢”，而是“美国如果想赢，必须让更多人一起赢”。AI时代的领导力，不只是拥有最强芯片、最多资本和最先进模型，而是能否把技术、产业、教育、制造、治理与社会信任重新编织成一个共同体工程。

这也许正是这场对话留给外界最值得咀嚼的一点：未来的AI竞争，表面上看像是企业之间、国家之间的技术竞赛，实质上却是在比拼谁能建立一个更完整、更开放、更有韧性的国家能力体系。而真正决定胜负的，往往不是最响亮的口号，而是能否同时回答三个问题：谁来创新，谁来制造，谁能受益。