黄仁勋：现在必须为AI站出来量子位
哎呀，原来老黄之前不玩（原推特）是因为害羞（doge）。
这次是因为想说的话太重要了，才终于克服了内向：
一直到2026年，我才在X上发了第一条帖子，这足以说明我有多么内向，我大概是地球上最后一个这么做的人了。
但我发的内容对我来说太重要了，对整个行业太重要了，对世界也太重要了。所以我克服了自己的害羞，选择公开发声，并把第一条内容发了出来。
这个重要内容，核心围绕AI的开放生态。黄仁勋在第一条推上分享了一封由英伟达、谷歌、OpenAI等多家公司联合署名的《OpenWeights and American AI Leadership》公开信，并多次呼吁构建开放生态。
现在最新动态来了，老黄在Y Combinator近1小时的《Jensen Huang: The MindsetThat Built NVIDIA》访谈里狂爆金句，高能不断：
Agent是一种新的软件形态。
Agent不必达到100%准确才有价值，“可控性”或将成为其下一个发展阶段最大的突破口。
系统思维的本质，是对AI全栈技术的协同理解。
AI毁掉工作？这个说法彻底搞反了。
传统编码会被自动化，但难题与硬科学不会消失。
物理AI开启新增长曲线，机器人将撑起英伟达下一个千亿美元市场。
每个人、每家公司都应拥有构建自有AI的能力。
现代AI的发展，根植于开放生态的持续繁荣。
你不必在一天内征服整个人生，只需要先熬过今天，再向明天迈进一步。
本文在不改变原意的基础上，由AI对访谈内容文字实录进行了精校。
愿你读完后有所收获：
三本教科书，救活英伟达
主持人：如今许多学生只熟知英伟达在AI领域的领军地位，若要让他们理解公司的成长根基，您认为最该了解早期故事的哪一段？
黄仁勋：大多数人不会相信，我们创业时选择的技术方向其实是完全错误的。最初我们想重新发明3D图形，坚信用加速器增强通用CPU就能解决原本无解的问题。
1990年PC尚未普及，我们这群在游戏机时代长大的人，想把每台PC都变成游戏机，把超级计算机的算法塞进个人电脑里。我们为新算法兴奋不已，也做了深思熟虑的推演，随后便想要去创办公司实现它。
结果，支撑公司创立的算法和技术都被证明是完全错误的。1995年我们才醒悟，却几乎已为时已晚——当时约莫有三四十家公司都在做PC3D图形，我们发现这条路根本走不通。回到公司讨论对策时我说：“不正视事实、不转向正确算法，公司就没了。”
然后有人告诉我，我们之中没有一个人知道正确的做法是什么；我们当时不仅选错了技术，甚至连正确的方法都不会。
那对我来说是意义重大的一天。当时我兜里只剩几张60美元的钞票，总共也就百来块钱。我去Fry’s买了三本教科书，全是关于OpenGL和渲染管线设计的。
我把书带回公司交给工程师们，之后的事大家都知道了。我们重新定义了计算机图形学，成了现代计算机图形学的全球领导者，过去25年里大多数重大突破都出自我们之手。
所有人都以为英伟达天生就是3D图形领域的王者，但其实我们是从三本教科书起步的。说来荒唐，我们是先创办公司、融了资，才去买教科书从头学起。这让我彻底明白一个道理：
技术永远在迭代，只要你能正视现实、保持学习的能力，既有的技术储备就绝非决定性因素。
从那以后，英伟达不断闯入陌生领域，发明了无数前所未有的技术。我们对每件事都抱着同样的态度：“这件事重要吗？重要就去学！能有多难呢？”
哈哈哈当然，结果往往比预想中的更难，但你必须始终带着这种迎难而上的劲头去做。
英伟达真正的赌注是加速算法，而不只是造芯片
主持人：英伟达真正瞄定的大方向是什么？
黄仁勋：我们公司真正锚定的大方向是：可以通过加速器增强CPU，去解决那些原本难以企及的问题。分子动力学、图像处理、逆物理，以及各类算法都在此列，但深度学习是其中最核心的主线。
为了打造今天的英伟达，我们很早就意识到，关键不在于造出一块伟大的芯片，而在于加速一个算法领域。
我始终相信，成就伟大公司的，是你对世界的一个独特视角——一个你深信不疑的视角。这既不是纯粹的技术问题，也不是纯粹的市场问题，尽管二者都不可或缺。但若能在正确的时间、以正确的技术切入正确的市场，前路自会顺畅许多。
对一个重要事物的未来怀有高层次的愿景，持有独特且坚信的视角，并且追求这一愿景的过程本身就充满挑战。当这些要素汇聚，便构成了成就卓越的基石。
我们很早就判断，加速计算将在未来扮演重要角色，事实证明它的确变得至关重要。
与此同时，这么多年过去，我们当初的另一个判断也得到了验证：加速计算的关键在于算法，而不只是芯片本身。
从500万美元极限生存到3亿美元IPO，英伟达直面生死时刻，用坦诚换来救命稻草
主持人：你讲了很多关于创始人的艰难。有没有哪些故事是你印象特别深刻的？
黄仁勋：让我们意识到算法选错的，正是与世嘉的合作。我们原计划为Dreamcast开发芯片，但由于技术存在根本缺陷，根本无法履约。
于是我飞到了日本，向当时的CEO入交昭一郎坦白：我们签订的那个大约1200万美元的合同，实在无法履行了。
我向他诚恳解释了我们这个项目做不成的原因，并建议他换别家来做。
但说完这些，我又硬着头皮补了一句——可我还是需要这笔钱。你可以想象到那个场面……
他当时疑惑道：“你都无法履行合同了，还想要合同里所有的钱？”
我说：“对，我想要。”当然我态度特别诚恳，解释也都能站得住脚，他能看出来我没撒谎。
要是他不给我们这笔钱，我们就真倒了。我觉得现在很多情况也这样——你投资的不仅仅是公司，还有人。
入交先生觉得我们这群人靠得住，信得过这份合同，也希望能看到我们撑到明天。于是他最终选择相信我们，并支付了500万美元。
也正是这500万让我们活了下来，为我们争取到了寻找新出路的时间。
AlexNet不只是一个模型，它改变了看问题的方式
主持人：之前我觉得没人能真正预见到GPU及所构建的技术对AI革命如此重要。你看到了什么？是因为加速器加上天时地利？还是有很多积累导致了这一切？
黄仁勋：其实我跟所有人一样，都关注到了AlexNet。但我看东西的角度不一样——我总在找“算法”。这个算法可能是NAMD、VAP，也可能是OpenGL、SQL，或者是某个领域的专用语言、或某种特定算法。我一直在琢磨，哪些问题我们能帮上忙；直到AlexNet出现后，我才意识到，这个算法就是深度学习。
对我们来说，突破在于意识到AlexNet不只是AlexNet，它是一种深度学习方法，能让你学会任何函数。所以15年前我就到处跟大家说：“嘿，猜猜怎么着？我们刚刚发现了universalfunctionapproximator！只要给它函数的答案作为样本，它就能自己学会那个函数。而且对很多函数来说，你不需做到绝对精确——事实上也不可能做到绝对精确。所以大多数真正有意思的问题，本质上都是这样不精确的。”
从我们意识到自己拥有了通用函数逼近器（universal functionapproximator）的那一天起，问题就变成了：这对计算栈意味着什么？对软件意味着什么？这会冲击哪些行业？诸如此类。
然后，我们几乎立刻就开始着手研究计算机视觉、机器人和自动驾驶。
因为有了这种基础能力，计算机视觉、机器人等领域的许多难题都有了新的解法。
因此，真正的突破不只是AlexNet，而是一种全新的软件开发方式。它将重新定义处理器、中间件、算法和应用程序，改变整个计算产业。
我们要做的，就是不断对事物进行逐点推理，直到达到最基本的原理，并从第一性原理出发追问：如果它真的有效，接下来还会改变什么？
CEO不能照搬管理模版，要构建一个真正适合你的团队
