原节目与说明

• 主持人：Lex Fridman
• 嘉宾：NVIDIA 创始人兼 CEO 黄仁勋
• 节目标题：Jensen Huang: NVIDIA, The $4 Trillion Company & the AI Revolution
• 发布日期：2026-03-23
• 整理方式：这篇基于节目页与 transcript 做中文导读和按顺序的详细整理，不是官方全文翻译。关键表述与细节请以原节目和原始 transcript 为准。

导读：这场访谈真正重要的，不是黄仁勋又讲了一遍英伟达

黄仁勋这几年接受过很多采访，但 Lex 这期格外值得看，不是因为它更长，也不是因为主持人更有名，而是因为这次谈话把英伟达当下最核心的世界观完整摊开了。很多公开场合里，黄仁勋会讲产品、讲路线图、讲下一代芯片和合作伙伴，信息密度很高，但节奏通常偏发布会。Lex 这期不一样，它给了黄仁勋足够长的时间，把“英伟达究竟认为什么叫下一代计算”从头讲到尾。

如果只从表面看，这仍然像一家超级公司掌门人的访谈：有工程、有管理、有市场、有地缘政治，也有对 AGI 和程序员命运的判断。但真正把这些段落串起来，会发现它们都在服务同一个结论。黄仁勋现在不再把英伟达理解成一家“做出更强 GPU 的公司”，而是把它理解成一家持续重写计算单位的公司。最开始，单位是单张加速卡；后来变成整机、集群、云；再到今天，他脑子里的单位已经变成了 pod、数据中心，甚至是整座 AI 工厂。这个变化，才是理解整期播客的钥匙。

也正因为如此，这期节目最值得中国读者留意的地方，不是某个技术细节本身，而是黄仁勋如何重新描述竞争。他把很多人仍然习惯拆开看的东西重新绑在了一起：芯片、内存、网络、交换、供电、散热、系统软件、算法、应用、组织结构、供应链、开发者生态。这些在旧时代可以分给不同部门、不同供应商、不同会议去谈的话题，在他这里已经被压缩成一个统一的系统问题。谁能把这些问题一起解，谁才真正拥有下一代 AI 基础设施的话语权。

这会直接改变我们理解行业的方式。过去谈 AI，很多讨论默认把重心放在模型能力、产品体验或融资速度上；黄仁勋在这期里强调的是，真正决定产业上限的，越来越是全栈协同能力。模型当然重要，但模型只是其中一层。预训练也重要，但预训练不再是唯一的 scaling 方向。英伟达为什么不断把叙事从 GPU 推到 rack、pod 和 AI factory，本质上是在告诉外界：如果你的脑子里还只装着单个组件，你就已经落后于现实系统了。

访谈里另一个很有意思的点，是黄仁勋并没有把自己放在“只懂硬件的人”位置上。他谈组织设计时说，英伟达的结构必须反映产品结构；谈领导力时，他讲自己为什么不做传统一对一，而是让不同领域的顶级专家围着同一个问题共同进攻；谈护城河时，他强调的不只是 CUDA 技术本身，而是开发者装机量、执行速度和长期信任。这些回答放在一起，能看到一个更完整的判断：英伟达今天最强的地方，不是某一项领先技术，而是它已经把公司本身做成了一套围绕复杂系统协同而生长出来的机器。

这也是为什么这期播客里那些看似分散的段落，其实都不散。聊中国，不只是地缘政治问题，而是在讨论一个高速创新生态如何形成；聊开源，不只是姿态问题，而是在讨论 AI 为什么必须扩散到每个行业；聊程序员是否会被替代，也不是在做一场情绪安抚，而是在重新定义“编码”究竟是什么。如果编码越来越像给系统写规格说明，那么程序员不会简单地被消灭，而是会被重新分层，更多职业也会被卷进“表达意图、约束系统、评估结果”的工作里。

所以，最适合进入这期访谈的方式，不是把它当成一份“黄仁勋金句合集”，也不是把它看成一场乐观主义演讲。更好的读法是，把它当成一份英伟达版的 AI 产业说明书：为什么计算单位变了，为什么系统边界变了，为什么组织结构也要跟着变，为什么普通知识工作者不能再只把 AI 理解成一个聊天工具。

下面这篇长文会按节目推进顺序展开。前半部分先把黄仁勋反复强调的世界观整理清楚，后半部分再顺着访谈进入中国、开源、AGI、程序员和组织管理等主题。你读完后未必会同意他的每个判断，但大概率会更清楚英伟达现在究竟在争什么。

一，开场先谈极端协同设计：为什么计算单位已经从芯片变成工厂

访谈一开头，Lex 直接把问题对准 extreme co-design。这几乎是整期节目最重要的入口，因为它解释了为什么英伟达的心智模型已经从 chip-scale 设计转向 rack-scale 乃至 data center-scale 设计。

黄仁勋的基本判断很直接：今天要解决的问题，已经不是一块 GPU 能独立加速的工作负载，而是一个必须被拆散、分布、同步、再汇合的系统问题。算法要切分，模型要切分，数据要切分，流水线要切分；一旦这么做，CPU、GPU、网络、交换、内存、供电、散热就不再是外围条件，而是同一个性能方程的一部分。

这也是他为什么反复强调，计算单位已经变了。过去他发布产品时，脑子里对应的是一颗芯片；今天他真正想象的，是一个接入电网、连接冷却系统、由上千人共同 bring-up 的巨型基础设施。把这层想清楚，很多事情就都顺了：为什么英伟达越来越重视 pod、机房和工厂，为什么它会把数据中心重新命名为 AI factory，为什么它会越来越像一家系统公司，而不是传统意义上的半导体公司。

对外部观察者来说，这一点特别重要。因为只要计算单位从芯片变成工厂，竞争的逻辑就会一起变。比拼的不再只是某一代 GPU 的峰值性能，而是整套系统能否更快部署、更高吞吐、更低延迟、更少浪费，也更稳定地扩容。

Lex 在这一段其实一直在把话题往工程深处推进。黄仁勋的回答则不断把听众从“单个产品”的思维里拽出来，逼你接受一个更反直觉的现实：真正定义下一代计算的，可能不是某张卡，而是一个必须把通信、时延、软件调度、运维与工厂建设绑到一起的基础设施单位。这个开场决定了整期访谈的基调。

二，从预训练到 agentic AI：黄仁勋把 scaling law 扩成了四条

节目中部最值得记的一段，是黄仁勋对 scaling law 的重新整理。过去行业一谈 scaling law，默认几乎都在讲预训练：更多数据、更多参数、更多算力，带来更强模型能力。黄仁勋没有否认这一点，但他给出的框架已经明显更宽。

他的说法是，至少有四条扩展曲线在同时发挥作用：

• 预训练 scaling，解决模型基础能力上升的问题。
• 后训练 scaling，通过强化、蒸馏和对齐把模型变得更有用。
• 测试时计算 scaling，让模型在推理阶段通过更长思考和更多搜索获得更强结果。
• agentic AI scaling，让模型通过工具、记忆和多步行动在真实任务中放大价值。

这个框架的意义在于，它把 AI 的竞争从“谁训练出更大的模型”推向了“谁能让整套系统在不同阶段都有效放大计算价值”。从这个角度再看英伟达最近的动作，就会发现它几乎都在围绕这四条线布局：更大的训练系统，更强的推理与网络，更完整的 agent runtime，更接近真实世界的物理 AI。

这一段很值得多停一下。因为行业里大量争论仍然把问题写成“预训练是不是结束了”。黄仁勋的说法更像是在直接改题：哪怕预训练边际收益放缓，后面的三条扩展线也足以继续把算力需求和系统复杂度往上推。也就是说，AI 需求的故事并不会随着某一类训练范式成熟就停下来，它只会换位置继续增长。

三，光靠一项突破不够：真正卡住 AI 扩张的，是整条链路

播客里还有一段很适合拿来纠偏。很多行业讨论会把 AI 的瓶颈讲成单点问题，比如“就是缺电”“就是缺内存”“就是缺供应链”“就是互联不够快”。黄仁勋在这期里的回答更像系统工程师：单点从来都存在，但真正的难题是任何一个点都会在大规模分布式系统里互相牵连。

也正因如此，他提出自己常用的一个思考方法叫 speed of light。这里讲的不是字面上的光速，而是用物理极限去逼问每个环节：内存速度的极限是什么，制造周期的极限是什么，时延和吞吐的极限是什么，成本与容量分别能压到哪里。只有先知道理论上可能到什么程度，团队才不会被“从 74 天优化到 72 天”这种局部改良困住。

这套方法对中文读者很有启发，因为它本质上是在提醒我们，AI 基础设施的主战场并不是某个新闻标题里的单一短板，而是整个系统能否被从头重算。谁能把问题定义为系统问题，谁就更可能拿走下一阶段的工程红利。

节目里黄仁勋还不断用制造和建设语言来解释这件事。不是因为他想把 AI 讲得更“硬核”，而是因为这些限制已经真实存在于项目推进中。你可以把模型迭代得很快，但如果供电、散热、网络交换和部署周期没跟上，最后会发现系统能力根本出不来。AI 越往大规模走，越像基础设施工程。

四，接着谈护城河：CUDA 重要，但更重要的是 install base、速度和信任

谈到竞争优势时，黄仁勋给出的回答比很多外界想象得更朴素。他没有先讲最炫的芯片，也没有先讲品牌，而是说英伟达最重要的属性是计算平台的安装基数，尤其是 CUDA 的 install base。

这句话背后其实有三层含义。

• 第一，技术本身不够，关键是有没有足够大的开发者装机量愿意把“软件山脉”堆在你上面。
• 第二，装机量一旦和执行速度结合，就会形成越来越难追的滚雪球效应。开发者会觉得，自己只要先支持 CUDA，六个月后平台就会更强。
• 第三，真正稀缺的是信任。开发者之所以愿意持续押注，不只是因为今天能跑，更是因为他们相信英伟达未来还会持续维护、优化和扩展。

所以英伟达的护城河，本质上不是某个局部领先，而是“装机量 + 速度 + 信任”的复合结构。这也是为什么黄仁勋会说，今天他脑子里的产品单位已经不是芯片，而是整座工厂。因为一旦工厂成为单位，生态和信任的价值会比单颗组件还大。

这一段也解释了为什么很多“谁会取代 CUDA”的讨论经常显得过于轻率。替代一项技术并不只意味着语法兼容或性能接近，还意味着你要说服整个开发者生态相信：把未来的软件山脉重新搬过去是值得的，而且平台会持续进化。这是比基准测试更难的工作。

五，访谈中段开始进入产业外延：他如何谈中国、开源与 TSMC

这期节目里，黄仁勋对中国的判断很坦率，也很值得单独记下来。他把中国科技生态的竞争力归结为几件事：大量工程与科研人才、移动互联网和软件时代踩中的时间窗口、城市与城市之间的强竞争、工程师文化，以及围绕开源快速扩散知识的习惯。

这里最值得注意的，不是某句情绪化判断，而是他把中国描述成一个“builder nation”。在他的叙述里，中国今天的创新速度，不是靠单一政策或单一公司，而是靠人才密度、竞争密度和知识扩散速度共同推动出来的。这个视角与很多只从地缘政治角度谈中国科技的分析不同，它更接近一个长期跟产业打交道的人在看创新机器本身。

他谈开源时的逻辑也很一致。英伟达做开源模型，不只是为了姿态，而是出于三个考虑：它必须理解未来模型会怎么演化，以便反向指导计算系统设计；AI 如果完全封闭，很多行业和国家就很难真正接入这场革命；而 AI 又远不止语言模型，还会延伸到生物、化学、物理和机器人等大量垂直领域。这些回答，和他前面讲的极限协同设计其实是一体的。

至于 TSMC，他给出的重点也不是单一工艺领先，而是组织能力和生态协同能力。意思很明确：越复杂的产业，越不可能靠一个孤立技术点长期取胜。

如果把这几段连起来读，会发现黄仁勋其实在讲同一套逻辑。无论是中国的工程生态、开源的扩散机制，还是 TSMC 的制造能力，他真正看重的都不是一个闪光点，而是一个复杂系统如何长期、自我强化地运转。也因此，他看问题时总是更偏向“生态机器”而不是“单点英雄”。

六，随后话题转向未来工作：他如何看 AGI、程序员与知识工作的变化

节目后半段传播最广的，可能是黄仁勋那句“按某种定义，AGI 已经到了”。但如果只截这一句，很容易误解。他真正的意思并不是说，一个 AI 系统今天已经能稳定地复制英伟达，而是说，如果把标准放在“做出一个值钱、能快速起量、哪怕短命的数字产品”，那现有模型已经足以触碰这类能力。

比这句更值得认真看的，其实是他后面关于工作的判断。他用了放射科医生的例子说明，工具能力变强，不等于岗位目的消失。计算机视觉达到超人水平之后，放射科医生并没有消失，反而继续增长，因为真正的岗位目的不是“看图”本身，而是诊断和服务病人。工具效率提升后，系统会去吞下更多需求，岗位形态也会随之重估。

他把同样的逻辑用在程序员身上。黄仁勋认为，编码越来越像一种规格说明工作，也就是更清楚地告诉系统你想建什么、约束是什么、希望它探索到什么程度。在这个定义下，会写代码的人群不一定缩小，反而可能从几千万扩大到十亿级。木匠、会计、设计师、顾问，只要他们开始借助 AI 精确表达意图，都在某种意义上进入了“编码”的范围。

这个判断不一定每个人都同意，但它至少提供了一个比“程序员会不会消失”更高分辨率的视角：未来真正被重新定价的，可能不是会不会敲语法，而是谁更擅长定义问题、写出可执行的规格、评估系统结果，并在必要时把探索空间收紧或放开。

这也是这期播客最容易被短视频切坏的部分。单独摘一句“程序员会更多”或“AGI 已经到了”，都很容易变成情绪性传播；但放回完整语境里，他其实在做一件更复杂的事：把岗位从固定工种，重新解释成一组会被工具能力重写的职责组合。你可以不同意他的乐观程度，但很难否认这个问题正在逼近。

七，最后回到公司本身：黄仁勋怎样运行一家四万多人的复杂公司

如果把这期播客只当技术访谈，会错过另一个很有价值的层面：黄仁勋如何把组织设计直接绑在产品复杂度上。

他提到自己的直属团队有 60 多人，而且基本不做传统一对一。原因不是他反感管理，而是他认为，在极端协同设计的环境里，问题本来就不属于某个人。内存、网络、供电、算法、软件和制造都彼此牵连，因此最有效的组织方式不是拆开单聊，而是把问题摆到台面上，让相关专家同时进场。

这个思路和他做产品的方式几乎一模一样。产品上，他要求用第一性原理去追问物理极限；组织上，他要求公司结构直接反映产品结构。对很多今天也在做 AI 系统、平台或复杂基础设施的团队来说，这部分内容甚至不比前面的技术判断更次要。因为它解释了一个常被忽略的事实：复杂产品的上限，往往先被组织形态卡住。

Lex 在这一段问得很像传统管理采访，但黄仁勋最后给出的仍然是工程答案。他不是在讲一套通用 CEO 话术，而是在说：如果你做的是一个极端耦合的复杂产品，公司就必须长成适合解决复杂耦合问题的形状。换句话说，英伟达今天的组织结构，本身也是产品的一部分。

八，按节目顺序再收一遍：这期访谈从头到尾在讲同一件事

如果把整期播客重新压缩成一条主线，它大概是这样展开的。

• 先从极端协同设计切入，说明计算单位为什么从单颗芯片扩张到整座工厂。
• 再把 AI 的增长路径从单一预训练扩展到后训练、测试时计算和 agentic AI。
• 然后解释为什么基础设施瓶颈从来不是单点，而是整条系统链路的互相牵制。
• 接着把护城河从技术优势扩展到开发者装机量、平台执行速度和长期信任。
• 再从中国、开源和 TSMC 这些话题，说明复杂生态如何形成长期竞争力。
• 最后落到 AGI、程序员和组织结构，解释为什么工具、工作和公司都要跟着一起重写。

按这个顺序再看一次，就会发现这期节目并不是东聊一句西聊一句的“名人访谈”。它更像一份被口语化讲出来的产业方法论。黄仁勋一直在重复同一个核心动作：把外界习惯分开看的问题重新并到一个系统里。

九，这篇长文最值得带走的五个判断

• 黄仁勋现在定义英伟达时，核心单位已经不是 GPU，而是 pod、数据中心和 AI 工厂。
• AI 的扩展不再只靠预训练，后训练、测试时计算和 agentic AI 也在同步放大算力价值。
• 真正的竞争门槛不是单点技术，而是装机量、执行速度、供应链组织和开发者信任共同形成的系统优势。
• 中国技术生态在他眼里最强的地方，是工程师文化、内部竞争和知识扩散速度，而不只是成本优势。
• 对知识工作者来说，更重要的问题不是“会不会被替代”，而是能不能学会用 AI 写规格、做判断、看结果。

说明

这页是基于 Lex Fridman Podcast #494 节目页与公开 transcript 的中文整理，不是官方授权译本，也不是逐段全文翻译。为了保证可读性，正文做了结构重组和压缩整理，关键细节请以原始音视频与 transcript 为准。

更新附注

• 版本：v1.1
• 更新日期：2026-03-26
• 更新原因：调整标题前缀、分类与标签，移除“外刊精读”归类，改为更准确的“访谈 / 长文”定位。