Jensen Huang

Jensen Huang (黄仁勋)

开放模型与“真正聪明”

黄仁勋将开放模型定位为安全、网络安全、创新扩散与技术主权的基础设施；这一立场与 NVIDIA 用开放生态扩大计算平台需求的战略一致。另一方面，他区分了可商品化的技术解题能力与更难替代的能力：技术素养加同理心、从不完整信号中推断隐含条件、预判尚未显现的问题。后者与 uniquely-human-capabilities 和 career-development 的 AI 时代职业壁垒相连。

Source: 2026-07-25-x-x-com-jensenhuang-status-2080643682408321103-s-46-935a455212（来源未公开）, 2026-07-26-xiaohongshu-xhslink-cn-o-56SE2i5EFk6-478a14cef1（来源未公开）

自动化任务与扩大工作量

黄仁勋的判断是，AI 首先替代边界清晰、信息可得的任务，而不是自动消灭整个职业。职业包含多个目的与任务；自动化释放的能力可以用于处理积压需求、提升服务范围并创造新任务。对 Agent 和具身智能的关键问题因此转向：如何可靠地把模型、工具、数据与真实反馈闭环结合，而非只比较单次输出。

Source: 2026-07-28-xiaohongshu-xhslink-cn-o-36acXK7ZUWh-0f6bf3f207（来源未公开）

NVIDIA（英伟达）联合创始人兼 CEO。黄仁勋以其极强的意志力、前瞻性的技术研判和大胆的战略押注，带领 NVIDIA 从一家 3D 显卡加速器公司转型为全球 AI 时代算力与全栈计算平台的霸主。

关键战略决策与管理哲学

• CUDA 与 GeForce 的豪赌：
  • 在 2000 年代中期，为了推广新研发的统一计算架构 CUDA，黄仁勋做出了决定公司生死的豪赌——顶着玩家不买单和高成本的压力，将 CUDA 强行植入每一张 GeForce 消费级显卡中，以建立极其庞大的安装基数（Installed Base）。
  • 该决策增加了 50% 的 GPU 芯片成本，击垮了原本 35% 毛利率的公司盈利空间，市值一度从 80 亿跌至 15 亿美元。但这一“家底输光”级别的执着，为十年后的深度学习与 AI 工业革命奠定了无可替代的开发者生态底座。
• 扁平大汇报跨度与无 1对1 沟通：
  • 黄仁勋的直接汇报对象（direct reports）有 60 人之多。
  • 他不进行常规的“1对1（1-on-1s）”谈话，而是所有人针对具体问题公开剖析攻关。他认为，全栈极限协同设计需要信息高度透明和横向穿透，以此避免信息在中间管理层被过滤和蒸馏。
• “0 亿美元”空白市场策略：
  • 专攻空白、甚至当前不存在的市场。通过领先于行业的先发周期反复试错迭代，由不完美（incompetent）走向惊艳（amazing），以此避开同质化竞争，最终定义并垄断市场。

Source: 2026-06-24-youtube-youtu-be-vif8NQcjVf0-si-yRo5Tf1J1DGElZvo（来源未公开）

黄仁勋对马斯克的深度评述

Source: 2026-07-05-xiaohongshu-xhslink-com-o-sf6WedspmI（来源未公开）

黄仁勋曾被问及如何评价马斯克的思维方式，他的回答揭示了跨界系统思考者的本质特征：

• 跨领域深度 × 系统思考：马斯克在多个领域都保持极深的理解，同时能够跨越学科进行整体系统推演，在保留关键能力的同时将不必要性压缩至物理极限
• 极简主义提问：两个核心追问——“这有必要吗？""必须这样做/花这么长时间吗？“——能将任何流程逼向最小必要集合
• 在行动现场的在场主义：遇到问题直接去现场，而非远程管理 PPT，这与其对”Factory Floor”文化的一贯强调一致
• 个人紧迫感的级联效应：极度高密度的个人紧迫感会辐射到全部协作方，使马斯克的项目在每个供应商的内部优先级竞争中脱颖而出

与 Elon-Musk 页面中”五步工作法”和”一线现场主义”的记录相互印证，形成从内部（自述）和外部（黄仁勋评述）的双视角画像。

Harness 将成为公司的核心竞争力

Source: 2026-07-09-xiaohongshu-xhslink-com-o-6FzNySw55Zo（来源未公开）

黄仁勋明确预言：“未来，绝大多数公司将建立在 Harness 之上（In the future, most companies will be built on harnesses）。”

这与他在四大 Scaling Laws 中关于”Agentic Scaling”的判断形成完整闭环：当 AI Agent 成为数字劳动力的主体，企业的真正竞争力不在于使用哪个底层模型，而在于其 Harness 设计的质量——即如何将工作流（Workflow）升级为自主决策的智能体（Autonomous Agent）。

详细分析包括 LangChain-as-Company-OS 框架与 Nemotron 3 案例中的 ROI 对比，见 harness-in-agentic-systems。

AI 时代的发展研判 (2026)

• 极限协同设计 (Extreme Co-design)：
  • AI 难题已经大到无法在单个计算机中解决，必须跨越芯片、系统、软件、网络（如 NVLink）、电力、散热等层级进行全栈优化。
  • 必须超越芯片尺度（chipscale），转向机架尺度（rackscale）和整个数据中心尺度的协同设计，以平抑阿姆达尔定律（Amdahl’s Law）中通信网络带来的速度瓶颈。
• 四大 Scaling Laws (扩展定律)：
  1. 预训练扩展 (Pre-training scaling)：智能随着模型大小和高质量自然数据规模而增长。
  2. 后训练扩展 (Post-training scaling)：通过合成数据（Synthetic Data）强化。模型不再受限于自然数据耗尽，而是受限于算力本身。
  3. 测试时扩展 (Test-time scaling / Inference scaling)：推理（Inference）本质是思考、推理与搜索，计算量同样极大。
  4. 智能体扩展 (Agentic scaling)：基于大模型的 Agents 繁衍出多个 sub-agents 并行协作，以低边际成本扩展数字劳动力。
• 面向 Agent 时代的 Rubin 架构：
  • Grace Blackwell 架构是针对混合专家模型（MoE LLM）推理设计的。
  • 2026 年后最新的 Vera Rubin 架构则专为 Agents（数字工人） 优化。因为 Agents 常常需要频繁调用外部工具、读写本地 Ground Truth 文件，因此 Rubin 架构针对存储加速器、Vera CPU 和高 IO 交互进行了彻底重构。
• 数据中心绿电动态降级机制：
  • 黄仁勋认为，限制 AI 算力的瓶颈在电力。解决路径之一是利用电网的闲置容量。
  • 电网通常为了极端峰值设计了大量冗余，99% 的时间处于低负荷空闲状态。数据中心客户应当与公用事业公司签订允许“动态降级”的柔性合同。当社会需要电力时，数据中心可通过负载转移或降速运行来降低 20% 的能耗，完美消化电网的闲置电能。
• 中国科技生态与“自发开源”文化：
  • 成功的底层支柱：中国科技的高速崛起建立在庞大的顶尖数学教育基数（全球半数 AI 研究员是中国人）以及地方省市政府强烈的地方性招商与政策竞争（这也是电车和 AI 公司层出不穷并最终锤炼出极强剩存者的原因）。
  • “学校兄弟/终身信任”与速播网络：中国有着强烈的家庭第一、朋友第二、公司第三的社会文化。学校的同学、兄弟之间存在天然的终身信任（Schoolmate Concept）。当工程师在不同企业就职时，彼此之间的技术信息和知识交流极其频繁和开放。这种自发形成的半“开源”网络极大加速了中国整体技术迭代与创新的周期，使其成为目前全球创新迭代速度最快的生态系统之一。 [来源：2026-07-13-xiaohongshu-xhslink-com-o-UJY10q6uub（来源未公开）]
• NVIDIA 开源大模型大战略的 3 大支柱：
  • 协同设计与探索 (Co-design Strategy)：开源如 Nemotron 3 等模型，不仅能检验 Transformer，还能在前沿的基本架构（如结合 Transformer 与 SSM 状态空间模型，或者 conditional GNs 扩散演进）上开展基础研究，从而精准洞察未来计算系统在硬件层面的终极性能需求。
  • 激活产业普惠 (Diffusing AI into Industries)：如果所有前沿模型全部被巨头私有化（proprietary），将会阻碍学术界的研究和垂直行业的创新。NVIDIA 需要通过开源来激活全球每一个国家、研究人员、学生和垂直行业。
  • 非语言多模态 AI 边界探索：AI 的未来不局限于语言。英伟达不造车、不制药，但致力于为汽车（物理 AI）、医药（生物 AI）、气象预测、热力学与流体力学提供最前沿的开源物理与生物 AI 模型，激活整个工业实体生态。 [来源：2026-07-13-xiaohongshu-xhslink-com-o-UJY10q6uub（来源未公开）]

Source: 2026-06-24-youtube-youtu-be-vif8NQcjVf0-si-yRo5Tf1J1DGElZvo（来源未公开） · 2026-07-13-xiaohongshu-xhslink-com-o-UJY10q6uub（来源未公开）

---

7. AI 平衡术：从电力的魔法到工程确定性

Source: 2026-09-03-xiaohongshu-xhslink-cn-o-9OQQ8KHzPVa-7552a7e626.md（来源未公开）

黄仁勋在探讨 AI 带来的社会焦虑时指出：

• 一切伟大技术初现时皆如魔法：正如当年电力的发明让远方灯泡瞬间点亮令人敬畏，AI 的涌现也引发了强烈的神秘感与安全恐慌。
• 底层本质是严谨的工程学：AI 的基石是计算机体系结构、软件工程、数学概率与系统协同，完全处于人类可控的工程优化轨道上。
• 警惕安全焦虑扼杀繁荣机会：过度将 AI 拟人化甚至恶魔化会导致监管与心理阻抗，应当以务实拥抱的态度借助 AI 释放全社会的生产力潜能。

8. AGI 阶段性触达、能源货币化与自然语言编程

Source: 2026-09-15-xiaohongshu-xhslink-cn-o-1XbE53Dmd3D-082c334d0d.md（来源未公开）

• AGI 已经以某种形态触达：黄仁勋提出，如果 AGI 的定义是能够阅读段落、回答跨学科问题、自主排查错误、推演并创造新想法，那么大模型系统事实上已经跨过了这一门槛。
• 能源转化为智能的工业品形态：未来的经济本质是“能源向 Token 智能的转化”。过去能源变现的度量衡是千瓦时（Kilowatt-hours）；而在 AI 工厂时代，度量衡变成了每百万 Token 产出的美元价值（Dollars per million tokens）。智能变成了像电力一样随需取用、可大规模制造与管道化输送的工业生产要素。
• 自然语言编程是人类“伟大的均衡器”（The Great Equalizer）：计算机诞生以来的数十年中，全世界仅有 1000 万至 2000 万专业软件工程师能够通过复杂的 C++、Python 等语法“指挥”计算机；而现在，人类历史上第一次，全球 80 亿人都可以直接使用人类自身的自然语言对计算机进行编程，技术的准入门槛被彻底抹平。

9. 战略定位法：别人能做的，就让别人去做

Source: 2026-09-26-xiaohongshu-xhslink-cn-o-6iAqGKsQHrH-f2daf6a221.md（来源未公开）

黄仁勋在业务取舍与研发资源分配上的核心筛选标准：

• “别人能做的，就让别人去做”：如果一个领域已经有成熟的商业公司或标准解决方案可以解决，英伟达绝不投入宝贵工程师资源去打存量价格战。
• 专注攻坚“不可为之极难”：英伟达将全部精力和算力押注在“极度困难、当前行业无人能解、如果英伟达不做就根本无法完成”的基础底座问题上（如全栈 CUDA 加速、NVLink 超大规模机架网络、物理 AI 与具身仿真）。这种极度克制与攻坚战略，使公司摆脱低水平内卷，成为不可替代的生态基石。