Jensen Huang 在 Y Combinator Startup School 2026 的这场对谈，主线不是「NVIDIA 一开始就看准了 AI」，而是另一件更难的事：公司选错技术后，能不能承认现实，重新学习，并且把每一天都撑过去。
他讲了 NVIDIA 如何从错误的 3D 图形算法起步，靠三本 OpenGL 教材重新上路；也讲了为什么 GPU 的长期机会不在某一块芯片，而在「加速算法域」；从 AlexNet、系统思维、Agent，到机器人和就业，他反复回到同一个判断：技术会变，学习能力和韧性才是创业者真正能带走的东西。1
Loading content card…
嘉宾背景
Jensen Huang 是 NVIDIA 创始人兼 CEO。NVIDIA Newsroom 介绍，他在 1993 年创办公司后一直担任总裁、CEO 和董事；创办 NVIDIA 前曾在 LSI Logic 和 AMD 工作，拥有俄勒冈州立大学电子工程学士学位与斯坦福大学电子工程硕士学位。2
NVIDIA 官方历史页把公司的几次关键技术节点列为：1993 年成立并瞄准 3D 图形，1999 年发明 GPU，2006 年发布 CUDA，2012 年以 AlexNet 推动现代 AI 时代。3
按访谈顺序整理
1. NVIDIA 的第一项技术，选错了
NVIDIA 1993 年成立时，团队想重做 3D 图形，让每一台个人电脑都像游戏主机一样。公司相信通用 CPU 很有用，但加上专用加速器之后，可以解决原本难以处理的问题。这个方向里的大想法是对的，第一套 3D 图形算法却错了。
到 1995 年，团队终于承认技术从根上不成立。当时市场上已经有约 35 至 40 家公司在做 PC 3D 图形，继续假装原方案可行，只会把公司拖得更远。Jensen 把这件事总结为：如果不正视技术不行，公司就不会有下一步。1
2. Sega 的五百万美元，让团队多活了一天
NVIDIA 原本受 Sega 委托，为下一代游戏主机开发技术，合同金额是 1200 万美元。Jensen 后来去日本告诉 Sega 当时的 CEO：NVIDIA 无法完成合同，因为自己的算法和技术根本不起作用；但他仍然需要合同里的钱，否则公司会倒闭。
在这场近乎尴尬的谈话里，Jensen 没有把失败包装成暂时波动，也没有假装还能交付。Sega 最后给了 NVIDIA 500 万美元，这笔钱让公司活了下来，也给了团队寻找正确算法的时间。NVIDIA 上市时估值约为 3 亿美元，Sega 在上市时卖出了股份。这里的启发不是「投资人总会相信你」，而是诚实会让对方有机会判断你这个人是否值得再给一天时间。1
3. 三本教材替代了「先知先觉」
Jensen 说，团队不只选错了技术，也不知道正确的做法是什么。他去 Fry's 买了三本关于 OpenGL 和 OpenGL pipeline 的教材，带回公司交给工程师。NVIDIA 后来重新做计算机图形，成为现代计算机图形领域的领导者。
这段故事把创业从「发现一个别人都没想到的答案」拉回到更朴素的动作：承认不知道，然后找到材料，把它学会。Jensen 认为技术一直在变化，只要团队能面对现实并持续学习，最初选中的具体技术不必成为公司的永久边界。1
4. GPU 的长期机会，是加速算法域
NVIDIA 真正押中的，不只是制造更好的芯片，而是发现 CPU 加速器可以服务于一整类算法问题。Jensen 举了分子动力学、图像处理、逆物理和深度学习等例子。
他的判断是，伟大公司往往有一个对世界的独特看法，而且创始人愿意深信它、长期追逐它。市场和技术当然重要，但更重要的是找到一个重要、困难、值得长期投入的方向。NVIDIA 官方历史页也将 GPU 与 CUDA 列为公司从 3D 图形走向加速计算的关键节点。3
5. AlexNet 只是一个入口
Jensen 说，他和所有人一样看到了 AlexNet，但 NVIDIA 的视角一直在寻找「算法」。他后来把 AlexNet 理解成一种能够学习函数的深度学习方法，也就是「通用函数逼近器」，而不是一项孤立的模型成果。
从这个判断出发，NVIDIA 很快把问题推向计算机视觉、机器人和自动驾驶：如果这种算法可以继续扩大，它还能解决哪些原本解决不了的问题？在他的描述里，AI 会同时改写处理器、中间件、算法、应用和整个产业栈。芯片只是这座「五层蛋糕」中的一层。1
6. CEO 也要待在问题的细节里
Jensen 的学习方式从好奇开始。他会先自己追问，尽量找到离答案最近的路径。如果身边人的回答不能满足问题，他就继续往领域深处走；当他判断一个领域对公司重要，就要尽可能学懂，再把理解分享给团队。
他用冲浪作比喻：外行看到的是混乱，冲浪者能读懂波浪、风和时机。CEO 也需要这种对技术的触感，尤其是在技术变化极快的时候。理解第一性原理，不代表要亲自做完所有工作，而是要能看懂输入、约束和变化，然后帮助公司把问题拆到可以行动的程度。
7. 把组织做成自己能开的车
Jensen 说，创始人是在造一辆自己要驾驶的赛车，因此组织应该按自己的驾驶方式来设计。管理方法、流程和团队结构不是永远固定的，公司会随着创始人的需要不断调整；下一位 CEO 到来之后，再按自己的方式重做。
这也解释了他所说的 founder mode：创始人并不需要为了看起来像标准 CEO，强迫自己放弃好奇心和一线理解。Jensen 在访谈里说，founder mode 可以持续 34 年，规模变化并不意味着创始人必须离开学习现场。1
8. Agent 时代，系统思维会升值
Jensen 认为，芯片设计和软件开发中的大量低层工作都会逐渐由 Agent 完成，因此人需要更能抽象地理解系统：输入在哪里，输出是什么，信息以什么速度流动，瓶颈在处理器、内存还是网络，约束又是什么。
他强调的下一个突破不是 Agent 永远 100% 正确，而是人能否对它进行细粒度控制。比如只修改计划中的一个词，让结果发生一个具体的 delta：一个像素、一个三角形、一个 CAD 元件或一条连接。Agent 可以先完成 80% 或 99%，人和它共同完成剩下的部分。
他还支持个人与公司拥有自己的 AI。云端服务仍然应该广泛使用，但企业也需要建立自己的领域型 AI。Jensen 把开放源代码看作现代计算生态的重要基础，并提到 Linux、Kubernetes、TensorFlow、PyTorch 等开放平台对今天 AI 的形成起到了作用。1
9. AI 消灭任务，不等于消灭工作
Jensen 的判断很明确：AI 会自动化认知任务，但一个岗位通常包含许多任务，自动化其中一部分，不等于岗位本身消失。
他在现场举例说，软件工程师岗位数量同比增加了约 10%，放射科岗位在过去几年增加了约 20%。他的解释是，编程更便宜之后，企业会处理更多积压的想法；影像读取更高效之后，医院可以接诊更多病人，于是需要更多护士和放射科医生。
这套逻辑的关键变量是需求。生产率提高，可能让更多工作变得值得做；真正需要观察的不是某项任务是否被自动化，而是被释放出来的能力会不会带来新的项目、服务和岗位。这里的数字与因果解释均来自 Jensen 在本期访谈中的现场表述，不能当作独立劳动市场统计。1
10. 机器人已经有了自己的 ChatGPT 时刻
Jensen 说，当他看到生成式 AI 能生成手指移动、手拿起玻璃杯的视频时，就开始相信机器人动作生成已经接近现实。接下来的问题，是让机器人理解摩擦、张力、因果和物理规律，于是 NVIDIA 开始推进 physical AI 和世界基础模型。
他把机器人训练拆成真实世界到仿真、仿真中的学习与评估，再回到真实世界的 sim-to-real 过程。自动驾驶是最先具备大市场、相对标准化技术和真实经济价值的领域，之后同一套自主导航能力还可以用于农业、邮件投递和仓库 AMR。
Jensen 认为，机器人产业需要两三年以上才能成熟，但不会等到十年以后才出现。他把这看成 NVIDIA 的下一个大型业务方向。1
11. 年轻人应该学什么
Jensen 认为，简单的工作会被自动化，硬科学和系统思维会更重要。物理、化学、生物、计算机科学、计算机工程，以及这些领域的交叉问题，都仍然需要人理解真正困难的部分。
他给创业者的建议不是预先计算所有困难，而是先把问题当成重要的事，去学习，去行动，然后让困难按天来到面前。他最后把这套心态浓缩成一句话：「有多难呢？」真正要练习的，是一边承认事情会远比想象中难，一边相信自己可以一路学到那个位置。
「你不需要一天解决整个人生，只需要撑过今天。」这是这场访谈最适合留给创业者的一句话。1
逐句全文翻译
以下按 YC 页面公开的完整逐字稿顺序翻译，只保留中文译文；对话保留主持人与嘉宾标签，不以语境猜测说话人身份。
Garry Tan：欢迎来到 Startup School 2026。现在，让我们开始。请大家欢迎 NVIDIA 创始人兼 CEO Jensen Huang 上台。
Jensen Huang：大家好。我的天。
Garry Tan：对我来说，这是一个超现实的时刻。谢谢你，谢谢你来到这里，Jensen。
Jensen Huang：我很高兴能来。很高兴来到这里。显然，只要你人在这里，就说明你能撑到最后。所以我很高兴自己也在这里。
Garry Tan：Jensen，对于只知道 NVIDIA 如今处于 AI 中心位置的学生来说，他们最需要理解 NVIDIA 早期故事的哪一部分？
Jensen Huang：大多数人不太相信的一件事是，我们创办公司时选择的技术完全错了。我们最初的想法是重做 3D 图形。公司的理念和判断是，通用计算机，也就是 CPU，确实很有用；但如果能给它加上加速器，就能解决原本太难解决的问题。我们最早选中的问题之一就是 3D 图形。
当时是 1993 年，个人电脑似乎马上就要到来。我们的宏大想法是，把每一台个人电脑都变成游戏主机，因为我们是在游戏主机时代长大的。我们想，能不能设计一套放进个人电脑的系统，把它变成游戏主机？于是我们想重做一种原本需要大型超级计算机才能运行的算法，把它装进个人电脑里。
我们做出了一些新算法。我们越做越兴奋，也越来越相信它，经过了认真推理，最后就创办公司去把它做出来。结果证明，这个算法完全错了，创办公司所依赖的技术也完全错了。
到了 1995 年，我们意识到了这一点，但当时已经差不多太晚了，因为市场上已经有大约 35 到 40 家公司在做 PC 3D 图形。我们意识到原方案行不通。我回到公司，问大家：我们要怎么办？它不起作用。我们一起讨论，我说，如果不正视这件事不起作用，公司就不会继续存在，我们必须开始寻找正确的算法。
然后有人告诉我，原来我们没有一个人知道正确的方法是什么。我们不仅选错了技术，也不知道正确的技术该怎么做。这对我来说是很重要的一天。当时我口袋里大概只有几十到几百美元，于是我去了 Fry's，买了三本教材。教材讲的是 OpenGL，以及如何设计 OpenGL pipeline。我把书带回公司，交给工程师。后来我们重新做了计算机图形，成为现代计算机图形领域的领导者，在过去 25 年里发明了许多重大突破。
大家可能会以为 NVIDIA 一开始就是 3D 图形领域的领导者，但我们是从一本教材里学会的。我们创办公司、筹钱，然后买教材。对我来说，最大的启发是，技术一直在变化。只要你能面对现实，只要你愿意学习，具体技术本身其实不重要。
从那以后，NVIDIA 一直在发明以前从没做过的各种技术，我们面对每件事都保持同一种态度：如果这件事很重要，那我们就去学。它能有多难呢？结果总是比我们预计的难得多，但你要带着「它能有多难」的心态进入其中。
Garry Tan：刚才在后台，我们聊到一些顶级 YC 公司。你说，每家公司都有自己擅长的领域，而你和 NVIDIA 也有自己的专长。好像是某种算法领域，我忘了你具体怎么说的。听起来，3D 图形只是第一个算法领域，而且它来自一本教材。但任何人都可以读那本教材。你们却做出了人们真正想要、愿意花很多钱购买的最终产品。
Jensen Huang：公司的大想法是完全正确的：给 CPU 增加加速器，可以解决原本太难的问题。分子动力学是其中一个，图像处理是其中一个，逆物理也是其中一个，当然深度学习也是重大问题之一。
为了做出今天这样的公司，我们很早就意识到，重点不是造一块好芯片，而是加速一个算法领域。我一直相信，伟大的公司来自一种独特的世界观，而且你深深相信这种看法。重点不只是技术，也不只是市场。如果你在正确的时间，为正确的市场选择了正确的技术，生活当然会容易很多。
一个关于某件重要事物的高层次未来愿景，一种独特而且深信不疑的看法，再加上追逐这个愿景本身很难，这些因素组合起来，通常会比较好。在我们的案例里，我们意识到加速计算会很重要。事实证明，加速计算非常重要，而我们认识到关键在算法、而不是芯片，这一点也被证明是正确的。
Garry Tan：你讲了很多创始人的困难。有没有哪些故事特别让你记得？在场很多人都想创办公司，但他们真的准备好承受极大的痛苦、公司可能关闭、事情可能出错吗？有哪些关键时刻特别突出？我记得你刚从日本回来，好像是去纪念 Sega。那是不是一个很有力量的故事？
Jensen Huang：那个让我们意识到所选算法错误的项目，来自我们和 Sega 的合作。Sega 当时找我们开发一台游戏主机，也就是 Saturn 之后的产品，后来那台主机叫 Dreamcast。有人知道 Dreamcast 吗？
好。我们没有做出 Dreamcast。我们原本应该开发 Dreamcast，但因为我们的算法和技术有根本缺陷，我去了日本，告诉当时的 CEO：你们给我们的合同金额是 1200 万美元，但我们无法履行，因为这项技术不起作用。
我告诉他原因，也建议他选择其他公司来做。然后我又告诉他，虽然如此，我仍然需要这笔钱。他问我，你可以想象那场对话：你的意思是，我委托你做的事你做不了，但你还想要合同里的全部钱？
我说，对，完全正确。当然我很礼貌，也很谦逊。他意识到，我是诚实的，整件事也说得通。如果他不给我们钱，我们就会倒闭。我认为在这个房间里也会发生类似的事：你投资公司，其实是在投资人。
Irimajiri 先生当时看到的是这样一个人和一家公司。最初他相信这家公司，所以才签了合同；现在他也愿意相信我们，希望我们能活到第二天。那 500 万美元让我们活了下来，也给了我足够的时间去发现该怎么办。
Garry Tan：我听说后来他们把股份卖了 1500 万美元？
Jensen Huang：是的。NVIDIA 上市的那一刻，他们就卖掉了。NVIDIA 上市时的估值是 3 亿美元。
3 亿美元是在 1999 年，那是真金白银。
Garry Tan：我想现在已经超过一万亿美元了。
Jensen Huang：超过很多了。对，太疯狂了。
Garry Tan：所以你是那个掌管香料的人。此前我不认为任何人能准确预测，GPU 和你们打造的技术会对这场 AI 革命有多重要。你到底看到了什么？是加速器本身，是恰好处在合适的时间和位置，还是有很多事情共同发生，才让你们抓住了今天这个位置？
Jensen Huang：我和所有人一样看到了 AlexNet。但要记住，我们看世界的方式，我看世界的方式，一直是在寻找算法。这个算法可以是 NAMD，也可以是 VASP、OpenGL、SQL，可以是某种领域专用语言，或者任何一种算法。
所以我的视角一直在寻找某个我们也许能够帮助解决的问题。AlexNet 出现时，算法就是深度学习。问题变成：这是什么算法？为什么它重要？为什么它这么有效？它还能做什么？
如果把算法规模继续扩大，它能解决哪些我们今天还解决不了的问题？对我们来说，突破在于意识到 AlexNet 不只是 AlexNet。AlexNet 是一种使用深度学习的方法，它可以让系统学习任何函数。
大约 15 年前，我告诉所有人：我们刚刚学会了通用函数逼近器。我们刚刚发现了通用函数逼近器。给它一个几乎任何函数的答案，它就能学出这个函数是什么。对于很多函数，你不需要精确描述它，事实上也不可能做到精确描述。很多有趣的问题恰恰是不精确的。
当我们意识到自己拥有通用函数逼近器时，接下来的问题就是：这会怎样改变计算栈？软件会发生什么？它可能影响哪些产业？
几乎从一开始，我们就做计算机视觉、机器人和自动驾驶，因为这种基础能力显然可以解决计算机视觉和机器人领域的重要问题。
所以我认为，真正的突破是意识到这比 AlexNet 更基础。这是一种编写软件的方式。它会影响处理器、中间件、算法、应用，也会影响我现在称作「五层蛋糕」的整个产业栈。我大约在 15 年前就想象过，整条产业栈会被一起重做。
这只是不断提问：从第一性原理推理，问「如果这样，那么会怎样」，问「如果这件事变得更好，那么接下来会怎样」，对你观察到的、真正有影响的事物提出所有基本问题。
Garry Tan：有一件事特别突出：你会深入到多细的程度。你读论文，直接和提出这些想法的核心科学家交流。你对在场的人有什么建议？这确实很像创始人模式。
同时，你有一个组织，有高管和团队，他们会说，我们想沿着这条曲线走下去。有时你的做法会让人不舒服。你怎么建立一个允许第一性原理思考的组织？如果财富 500 强都这样做，它们大概会更像 NVIDIA，但现实并不是。你建立了一家非常独特的公司。
Jensen Huang：我的状态总是从好奇开始。我自己有很多问题。
当然，和其他人一样，我会寻找通往答案的最短路径。但很多时候，身边人的回答不能让我满意，我还会有其他问题，而他们可能正在忙于自己的工作，追逐自己的目标。所以我的第一个倾向，就是去为自己的好奇心寻找答案。
第二，如果我发现某个信息领域、某个具体领域对某个人可能很重要，对公司也可能很重要，那么我的下一个倾向就是尽可能多学，努力成为公司可以使用的人，并把知识分享给所有人。
这和你分享知识没有区别。你会看播客和视频，把想法分享给大家。从很多方面说，CEO 是为公司服务、为所有在那里工作的人服务的。你想用洞察赋能他们。
所以事情是从这里来的。这不是什么管理技巧，而更像是一种性格习惯。我想赋能你。我刚刚观察到了一件很重要的事，让我告诉你它为什么重要。
CEO 必须靠近现场、进入细节，部分原因是技术经常很复杂，或者变化得非常快。尤其当变化速度很快时，如果你没有对真实发生的事情形成切身感觉，它会显得快到完全无法理解。但如果你随着时间理解了它的第一性原理，一切就会慢慢说得通。
我想这有点像冲浪。我不会冲浪，但我可以想象它的感觉。对我来说，站在海浪上看到的是混乱；但对冲浪者来说，他们能读懂海浪，知道怎样保持在浪头上。CEO 的工作也很像这样。
你必须学会冲浪。要学会冲浪，就必须理解海浪，能读懂风，还要有良好的时机感。除非你真的尝试、真的去做，否则不可能拥有这些能力。
所以，一部分原因是让我自己理解，一部分是把问题拆开，让公司能够以一种可行动的方式学会它，另一部分是激励别人。
在场所有人的基本特质就是这样。你不需要在成为 CEO 后改变自己的性格或行为，你可以继续做自己。
我很久以前学到一件事，但不知道在哪里看到的：CEO 或创始人，你是在造一辆自己要去驾驶的车。你是在造一辆 F1 赛车，但你应该按自己能够驾驶的方式来造它。你应该让车适应你。
有人问过我，Jensen，如果你不采用传统的管理和组织方法，你离开公司后会发生什么？我告诉他们，总有一天我会死在工作岗位上，然后他们只需要为下一任 CEO 重新塑造公司。
这就是其中的道理。我们是 F1 车手，是赛车手。世界竞争非常激烈，我们必须保持竞争力，必须完成自己的使命。为了让这辆车适合你，不管需要做什么都可以；为了让组织适合你，不管需要做什么都应该做。下一任 CEO 可以根据自己的性格来决定。
Garry Tan：太棒了。似乎对车做出的任何改变，都可能让它变慢，输掉本来不会输的比赛。
Jensen Huang：或者说，我们一直在根据需求调整这辆车。这正是我一直在做的事。我不断调整公司，不断重做业务流程和工作方式，让自己对公司更有效。
Garry Tan：真正的创始人模式。
Jensen Huang：创始人模式可以持续 34 年。
Garry Tan：从零到五万亿美元。
Jensen Huang：没有证据。
Garry Tan：我想换个话题。现在你最感兴趣的前沿算法是什么？我很喜欢你一直深入到材料科学，又一路走到应用层。你是最早在台上谈 OpenCL 和现在 Hermes Agent 的人之一。能不能带我们走一遍你每天如何思考不同层级？从材料、芯片、数据中心，一直到应用层和人们未来的工作方式，像是一座完整的 AI 工厂。
Jensen Huang：这可能会成为未来最有用的技能之一。听你谈技术和使用技术的方式时，我也想到，最重要的能力之一是系统理解、系统意识、系统设计、系统组织，也就是系统思维。
原因是，很多低层工作无论如何都会由 Agent 完成，或者被自动化。在我的这一代，设计芯片意味着编译芯片、合成晶体管、门电路和功能模块，但现在这些工作大多已经能被合成。因此，我们的大多数设计师都是系统设计师。
软件也是一样。大多数软件以后都会由 Agent 完成，所以你必须更有能力从抽象层面理解系统。
输入在哪里？输出在哪里？信息从哪里来？信息进出系统的速率是多少？约束是什么？是处理器、内存，还是网络？
以足够技术化的程度理解系统问题，对在场的人会很有帮助。我不认为这种基础知识会失去用处，我认为它会越来越有用。所以我努力尽可能理解系统。
说到 Agent，事实是，我们已经有了某种粗粒度的递归自我改进。每次使用它，它都会改进 Markdown 文件；每次使用它，它都会更新长期记忆；长期记忆又会被处理，可能被压缩，可能转成知识图谱，或者被以其他方式改进。这个过程一直在异步发生。
所以 Agent 每次都在变得更聪明。但我认为最需要解决的问题之一，是如何获得非常具体、非常细粒度的控制。
如果没有检索增强生成，如果没有条件输入，如果所有提示都直接粗略地映射到输出，那么控制就太粗糙了。现在我们能够对 Agent 进行条件控制。最终，当它生成一个计划时，我可以修改计划文件里的一个词，而这个词只产生一个具体的差异，不是完全不同的结果，而是一个明确的 delta。
也许是一个像素，一个三角形，一个 CAD 文件里的组件，一层电路，一条过孔，或者一条连接。随后系统重新生成其他所有部分。我认为这种控制力，以及人与 Agent 的这种协作，会带来巨大变化。
我们不需要 Agent 100% 准确、100% 高质量才能使用它。它可以做到 80%，然后我们完成剩下的部分；也可以做到 99%，然后我们补完最后的部分。我认为，控制能力可能是 Agent 在每一个层级上都需要的最大突破。
Garry Tan：你觉得人们会不会想要拥有自己的 AI？Hermes 或 OpenCL 让人感觉，这件事甚至可能带有某种生存意义。人们应该控制自己的个人 AGI，而不是把它外包到云里，让别人的 Agent 告诉自己该怎么做。它应该属于你自己。NVIDIA 如此投入，是不是也有这层原因？
Jensen Huang：首先，我需要理解 Agent，因为 Agent 就是新的软件。新的软件如何被处理，对计算机架构非常重要。我们越深入理解 Agent 的本质，理解它和聊天机器人有什么不同，理解它和最初的推理有什么不同，就越能设计出好的系统。
我们必须生活在未来五到十年，因为打造一个系统大约需要三年，之后还需要几年把它推起来，而且我们希望客户能使用这台计算机十年。所以我们必须提前生活在未来一段时间。
对我们来说，Agent 系统首先是第一性原理问题：工作负载是什么，算法是什么，它会怎样演化，瓶颈在哪里，阿姆达尔定律会带来什么限制，如何扩展，并发会怎样，怎样处理沙盒，怎样处理 MCP，怎样处理工作记忆和长期记忆，怎样让这些自主系统和异步系统一直运行。
什么样的架构才适合这些问题？我们必须去发现它。
第二，我想用 Agent 让 NVIDIA 自己跑得更快。我们在 NVIDIA 内部已经有很多代码 Agent 在沙盒里自主运行。有人用 Claude Code，有人用 Codex，有人用 Cursor，有人用 Cognition。我们让各种工具都有机会生长，让每个人选择自己想用的工具，然后从所有使用经验里学习。
第三，是发现未来的解决方案和技术。也许当我们看到 Stanford 早期出现的思维链时，已经过去十年，或者八年。我们当时会问，它在推理上会有多有效？能不能规模化？如果计算机视觉能够基于先验知识进行推理，会有什么影响？
继续思考一个很小的领域，你会突然意识到，自动驾驶训练可能不需要那么多汽车里程。后来这条思路促成了 Alpamayo，也就是世界上第一个会思考的自动驾驶系统。它只用大约一百万到两百万英里，就能做出非常好的自动驾驶能力。
原因有点像我们人类：一生不需要开过那么多英里，也能把车开得相当好。因为我们从语言模型里拥有先验知识，可以把没见过的情境拆成许多自己已经理解、已经熟悉的部分。
这就是看到某件事后，过一段时间才意识到它的影响。Agent 系统出现之后，很明显，大语言模型需要记忆，需要先验知识，需要工具，也需要和其他 Agent 联网的方式。
一旦看到早期信号，就能继续推理未来，这会帮助你跳进未来。
Garry Tan：我开始看到 NVIDIA 有一种模式：你们先看到一个问题，然后出现一种新算法或新事物，接着你们就在那里，而且常常和开放源代码一起出现。我记得 OpenCL 出来的时候，有人说它不安全，但你们做了一个沙盒工具包，把任何 harness 包起来，让它变得安全。
Jensen Huang：我看到 OpenCL 时，第一件事是先学习它。然后你不需要太多想象力就能意识到，我们刚刚设计出了现代计算机。这是承载大语言模型的操作系统。
对我来说，OpenCL 很像 Linux 出现的那一刻。现在每个人都可以构建自己的 AI。我当时非常兴奋。我们联系了 Peter，对他说：NVIDIA 的所有工程师都是你的工程师。你家门口有一艘战舰，你可以按自己的方式拆解问题，我们会按你的需要贡献力量。
Hermes 团队也是一样。我非常兴奋地看到他们在做的工作。我确实认为，世界需要让每个人都能构建自己的 AI 的能力。
当然，我鼓励大家尽可能使用云服务。大家都应该使用 ChatGPT 和 Claude。但如果你是一家公司，需要构建自己的领域 AI，现在已经有 Hermes、OpenCL、LangChain、Deep Agent 等各种方式，可以用来构建自己的 AI。
这件事其实相对容易，因为软件本身变聪明了。AI 很聪明，所以 AI 应该足够聪明，能够被你轻易调整。我希望每个人、每家公司都能建立自己的 AI。开放源代码会带来什么创新，谁也不知道。
Garry Tan：我觉得所有真正的优势都在构建自己的 AI 上。如果别人使用现成工具，而你拥有一个能够递归自我改进的系统，那就不一样了。很多人会轻视修改 Markdown 文件，说那只是文本，但文本就是智能。
Jensen Huang：文字就是思想。
Garry Tan：对。你试试不使用文字思考。
Jensen Huang：是的。
Garry Tan：换个话题。很多人一旦生活里的东西被移动，就会感到担忧。智能会像水一样随时可用，这对在场的人来说当然很棒。你认为经济会发生什么变化？更广泛的社会会发生什么变化？
Jensen Huang：我接下来要说的当然是不均匀的。我们会自动化任务，会自动化认知任务。如果某项任务只是有人打一个电话，把一堆词通过电话传给你，而你的工作是提供回应；如果所有信息都在手边，因为数据库都在这里，你应该能够完整回答问题，那么这项任务就会被自动化。
先暂时把这件事放在一边。我不是说忽略它，而是想回答更大的机会。很多任务会被自动化，所有工作都会发生变化，也会出现大量新工作。这一点我们大概已经知道。
底线是，证据显示，AI 和自动化正在各处创造工作。认为 AI 会摧毁工作，这个叙事正好反了。AI 消除的是任务，AI 把任务自动化掉，但它不一定会消除工作。
一个人的工作有一个目的，而这个目的包含很多任务。其中一些任务可以被自动化，很多任务却不能。
证据显示，编程这项任务已经被自动化，但软件工程师这个岗位似乎正在增长。软件工程师岗位数量同比增加了约 10%。读取放射影像这项任务已经被自动化，但过去几年放射科岗位数量增加了约 20%，即使 AI 已经接管了这一领域。
原因是病人的积压非常严重。现在医生和医院可以接收更多病人。为了接收更多病人，就需要更多护士和放射科医生。
软件也是一样。我们的想法、抱负和愿望积压得太多。如果编程任务可以被自动化，我们就能雇佣更多软件工程师去做更多事情，也可以把目标定得更大。
法律行业也一样。有人说 Harvey 会消灭所有律师助理，律师数量会减少。但事实是，律师助理正在快速增加。原因是诉讼积压很多，律所现在能处理更多案件。要处理更多案件，就要雇佣更多人。
这是生产率提高、增长提高、增长带来更多就业的经典例子。这就是为什么今天的就业数量比我刚毕业时更多。
Garry Tan：我们谈了很多软件和 Agent。NVIDIA 也一直在机器人这一端走得很远。你过去甚至说过，可能就在今年。现在的判断是什么？什么时候能看到真正实用的机器人？
Jensen Huang：我看到生成视频的那一刻，对我来说是一个重要时刻。我们最早做过渐进式 GAN，也做过条件 GAN。早在大众看到第一批生成视频之前几年，我们就在实验室里用完全由视频生成的方式驱动模拟器，也用神经网络生成计算机界面。
当我看到系统生成动作时，我想，如果能生成手指移动的视频，如果能生成一只手拿起玻璃杯的视频，为什么不能让机器人做同样的事？所以，当我看到生成式 AI 真的出现时，我意识到机器人动作生成已经近在眼前。
接下来的问题是，机器人如何理解物理规律，生成符合物理的动作？它如何理解因果，如何理解摩擦和张力，如何理解世界运行的规律？这让我们开始了 physical AI 的旅程。我们开始做世界基础模型，也就是能够理解物理规律和世界运行方式的 AI。
Garry Tan：很棒。physical AI 最早会在哪里以真正具有经济价值的方式出现？你们已经看到了吗？
Jensen Huang：我认为机器人的 ChatGPT 时刻其实几年前已经发生了。
回想 ChatGPT 刚出来时，它不能做任何生产性的事，也没有什么实际用途，但它打开了我们对可能性的想象。几年前，能让机器人走动、对它做强化学习微调、让它扎根在物理世界里，这件事已经发生了。
现在我们需要做的，是把 Agent 系统正在做的事情全部应用到机器人上。我们需要创造环境，让机器人学习、评估，并和评估标准对照。需要从真实世界到仿真，创造环境；需要使用基于仿真的模拟器，也需要基于生成式物理的模拟器。
Isaac Sim、Cosmos，以及我们在这些方向上的工作，都和仿真有关。最后还要完成 sim-to-real，也就是从仿真回到现实。这涉及强化学习、物理规律，以及机器人所需要的机电系统。
我认为，这三个基本系统构成了机器人后训练和评估的基础。我们很快就会看到它。
Garry Tan：physical AI 最早会在哪里以真正具有经济价值的方式出现？你们已经看到了吗？
Jensen Huang：我们猜测机器人会到来，于是判断机器人最早的应用应该同时具备几个条件：市场足够大，技术相对标准化，可以规模化并形成循环，而且要有真实经济价值。
我们认为，这个应用是自动驾驶。Waymo 内部使用 NVIDIA 芯片，Tesla 的车里使用 NVIDIA 芯片，现在我们也进入了数据中心；奔驰的数据中心和车里也有我们的技术，我们还提供软件栈。
我们做了 Alpamayo，并把它开放出来。之所以开放自动驾驶栈，是因为农业需要它，邮件投递需要它，仓库里的 AMR 也需要它。自主导航有很多应用，没有一个应用的市场规模能和自动驾驶相比，但这些市场加在一起足够多，所以我们决定把完整的栈做出来。
我们正在各种地方和自动驾驶车辆合作。我们的机器人业务、自动驾驶业务，也就是 physical AI 业务，可能已经接近 100 亿美元规模，所以它已经很大了。
它很可能会成为世界上最大的产业之一。这需要比两三年更久，但会少于十年。这会成为我们下一个千亿美元级业务。
Garry Tan：我想在这里停一下。我觉得这正是欢迎你加入 X 的最佳人群。欢迎来到 X。你已经发了第一条帖子。欢迎你来到 X，也谢谢你的领导。
Jensen Huang：这说明我有多内向。我直到 2026 年才在 X 上发第一条帖子。我可能是地球上最后一个这么做的人。
但我发布的内容对我、对这个行业、对世界都太重要了。所以我克服了害羞，把第一条内容发了出去。
Garry Tan：谢谢你的领导。开放源代码和开放权重模型对我们所有人都非常重要。我们希望在这个房间里创造各种系统。
Jensen Huang：如果没有开放源代码，移动云行业根本不会出现。如果没有 Linux，没有 Kubernetes，没有这些平台；如果没有 TensorFlow，更重要的是没有 PyTorch；如果没有更早的 Caffe、Torch、Theano，所有这些早期版本都是开放源代码，我们怎么会拥有现代 AI？
Garry Tan：谢谢你的领导，也谢谢你在这里发声。你的声音非常重要。最后，我很认同你的故事。我想在场每个人都会想知道，你经历了这一切之后，会给年轻人什么建议？在你看到这么多算法即将进入社会的情况下，现在的年轻人应该学什么，才能让这些东西继续有用？
Jensen Huang：我今天看到的一些东西，以及今天遇到的一些创业者，真的让我感到鼓舞。最大的启发当然是，简单的东西会被自动化。
我说简单的东西，指的是软件，也就是编程。过去你需要坐在电脑前，亲手写代码来解决问题，这个概念显然会被自动化。
我这一代人成长时，还要学习长除法。天啊，谁现在还需要学习长除法？它已经被代码化、被自动化了。
但困难的问题、硬科学、物理、化学、生物、计算机科学、计算机工程、系统思维，以及尤其是这些领域交叉出来的难题，都不会消失。
AI 是一个非常强的工具，它会帮助我们更有野心、更没有耐心地去解决过去极其庞大、极其困难的问题。
回头看我这一代，我刚毕业时，一名芯片设计师可能设计一块只有几千个晶体管的芯片，那已经是很大的芯片。现在，设计一块拥有一万亿个晶体管的芯片，甚至都不再是什么值得惊讶的事。如果有人当时告诉我，Jensen，我们下一块芯片有一万亿个晶体管，我可能只会说，好吧。
原因是，我们现在的野心变大了。问题的规模、任务的规模，不再是限制。所以你不用担心。
Garry Tan：留在学校里。
Garry Tan：我通常喜欢在结束时看着观众。这里有很多人，我一开始就说过，我看着人群，觉得大家并没有和我们本质不同。我们只是喜欢技术、喜欢系统。你会给这个房间里的人什么建议？你在他们身上看到了自己吗？如果你可以给 18 到 22 岁的自己发一封电报、一条消息，会说什么？
Jensen Huang：我可以准确告诉你，当 NVIDIA 刚刚成立、我们三个人开始创业时，我是什么感觉。
当时我觉得，世界上有太多东西需要我知道，有太多东西需要我学习，而我并不知道它们。
我之前也说过，那时候没有 YouTube，没有 YC，也没有人教你怎么创办公司。所以我去了书店，买了一本书，书名大概是「如何创办公司」。可惜那本书有 500 页。
我想，等我读完它，公司和我都会没钱了，所以根本没有时间读完。
但我非常清楚地记得，当时我害怕去融资。我觉得自己马上就要面对一群人，而我不知道该如何回答他们的问题。事实上，直到今天，我也很难回答所有问题。
但我后来学到，这些事情其实没有那么重要。你永远会有不知道的东西。世界每天都在变化，技术每天都在变化。
显然，这是过去 60 年里创办公司的最佳时代。整个行业从技术角度被完全重置了。人类历史上最重要的技术，也就是计算机，被彻底重置了。所以这绝对是创办公司的最佳时代。
我嫉妒你们每个人，你们前面的机会会非常惊人。
但另一方面，技术变化得太快了。问题是，你应该保持什么样的感觉？
我想到今天所有的新经历、新技术、新市场和新动态时，心里会有这样的感觉：这件事很重要，我必须去学会它，我必须做点什么，而且我最好尽快开始。它能有多难？
我总是有这种感觉：它能有多难？但说实话，事情会比你想象的难得多。你不能让自己的头脑先被困难压住。你应该先保持「它能有多难」的状态，让痛苦一点一点来到你面前。
不要提前想象事情会有多难，再让这些想象变成焦虑，最后什么都不做。你应该先想，它能有多难？我现在还有一大堆 AI Agent 帮我，所以它能有多难？然后开始做。
这可能就是创业者的心态。你会一路学习很多东西，相信自己有能力学会。学习是最大的超能力。
如果你带着「它能有多难」的态度开始，如果别人能做到，我也能做到，但同时要知道，事情确实会很难，你就需要每天克服它的韧性。
你不需要一天战胜整个人生。你只需要撑过今天早上。今天先撑过去，等明天到来，继续朝明天走。
继续追随自己的梦想。只要你坚持足够久，NVIDIA 就会发生。
所以，如果这段话里有任何智慧，我认为那就是：韧性可能是最重要的东西。如果你相信某件事，就开始做，让自己的头脑不要因为恐惧、焦虑、缺乏信心或其他原因阻止自己追逐它。
你只需要告诉自己：我会一路学到那里。
主持人：谢谢大家。
Jensen Huang：谢谢大家。
Comments
Sign in to comment.