黄仁勋

大规模问题必须靠极端协同设计解决，加机器就要追求远超线性的加速回报，否则会被Amdahl定律卡死整体效率。

“你加了一万台计算机，但你希望它能快一百万倍。”

架构的成败由装机量决定，为此Nvidia宁可承受成本增加50%、市值从80亿跌到15亿的代价，也要把CUDA放进GeForce用消费级出货量培养装机量。

“装机量就是一切。装机量定义了一个架构，其他一切都是次要的。”

做重大决策的心理机制是先被好奇心驱动，再推理说服自己，最终把一个必然发生的未来显化出来，以此支撑看似疯狂的赌注。

“你会把一个未来显化出来。那个未来太有说服力了，它不可能不发生。”

预训练、后训练、测试时间扩展、智能体扩展四个Scaling Law形成循环，但归根结底智能的扩展最终取决于算力一项。

“归根结底，智能的扩展靠的是一样东西——算力。”

计算范式已从基于检索的系统转向基于生成的系统，数据中心不再是传统计算机，而是用来创造收入的工厂。

“我们从一个基于检索的计算系统，变成了一个基于生成的计算系统。它不再是计算机，它是工厂。一座用来创造收入的工厂。”

Nvidia不是做跟随现有市场的份额生意，而是押注当前尚不存在、需要被创造出来的全新市场。

“Nvidia 不是做市场份额生意的。我刚才说的几乎所有东西，现在都不存在。”

黄仁勋认为从电子到Token的转化蕴含大量艺术、工程与科学发明，怀疑它会被彻底商品化，这正是英伟达的护城河所在。

“从电子到Token的转化是一段不可思议的旅程……让一个Token比另一个更有价值，其中蕴含的艺术、工程、科学和发明，我怀疑它会被彻底商品化。（The transformation of electrons to tokens is such an incredible journey... making one token more valuable than another——the amount of artistry, engineering, science, invention that goes into making that token valuable. I doubt th”

黄仁勋声称英伟达计算堆栈的性能TCO全球最佳，并邀请Trainium和TPU团队参加MLPerf等基准测试验证。

“没有人能向我证明任何平台有更好的性能TCO比。”

黄仁勋认为ASIC定制芯片利润率同样高达65%左右，客户转向自研并没有真正省钱，Anthropic只是独特个案而非趋势。

“你并没有真正省下什么”

黄仁勋认为CUDA凭借支持所有框架、数亿GPU安装基数和全云本地部署能力不可替代，这是TPU或Trainium无法比拟的。

“开发者最想要的是安装基数”

黄仁勋坦言后悔未在AI实验室估值极低时更早重仓OpenAI和Anthropic，但现在坚持对所有头部实验室一视同仁投资。

“如果可以重来，我会更早投资。”

黄仁勋强烈反对对华芯片出口管制，认为强制脱钩会加速中国自主生态成熟，最终让美国失去全球第二大市场。

“失败者心态”

黄仁勋认为劝退人们从事软件工程会导致软件工程师短缺，正如当年放射科医生短缺的预言落空。

“如果你劝退人们不当软件工程师，我们就会缺软件工程师。当年有人说世界不再需要放射科医生——结果呢？我们现在缺放射科医生。（If you discourage people from being software engineers, we're going to run out of software engineers. Nobody's the world's not going to need any more radiologists. Guess what? We're short of radiologists.)”

黄仁勋主张英伟达只做别人做不到的必要之事，其余尽量少做并交给生态伙伴。

“做必要之事，尽量少做。”

极限协同设计是应对AI规模化的必然选择——当问题规模超越单台计算机的加速能力时,必须打破学科壁垒对整个技术栈端到端协同优化,才能突破阿姆达尔定律的限制、实现超越线性增长的扩展

“英伟达必须打破学科壁垒，协同优化整个技术栈，以实现超越线性增长的计算扩展。”

公司架构应像计算机一样被设计以产出特定成果,为此他直接管理多达60名直属员工且不进行一对一会议,让内存、光互连、散热等跨领域专家在同一问题上实时碰撞

“公司本身应是一个产出产品的“机器”，其架构必须反映所处的环境并服务于目标。”

计算架构的生命力在于庞大装机量,在消费级GeForce显卡上搭载CUDA虽导致市值从约80亿美元跌至15亿美元,却将CUDA普及至全球研究人员手中,为深度学习革命奠定基石

“The install base defines an architecture, not everything else is secondary. —— 装机量定义了一个架构，其他一切都是次要的。”

领导力不在于突然宣布宏伟计划,而在于通过日复一日的沟通、推理和信息分享,持续塑造董事会、团队乃至供应链的信念体系,使重大决策宣布时水到渠成

“When I learn about something and it's starting to influence how I think, I'll make it very clear to everybody near me... I'm trying to shape their belief system. —— 当我了解到某件事并开始影响我的思考时，我会让身边的每个人都清楚...我是在塑造他们的信念体系。”

AI扩展并未遇到数据耗尽等根本性瓶颈,推理即思考且计算强度极高,扩展已形成预训练、后训练、测试时计算与智能体扩展的持续增强循环,最终受限因素是算力而非数据或架构

“Inference is thinking, and I think thinking is hard. Thinking is way harder than reading. —— 推理就是思考，而我认为思考是困难的。思考比阅读要难得多。”

未来的计算机将服务于智能体,AI智能体像人形机器人使用家中现有工具一样需要访问文件、使用工具、进行研究,英伟达早已在硬件和软件层面针对这一趋势布局

“这要求计算架构必须具备强大的IO子系统、安全访问控制和灵活的工具调用能力。”

数据中心能源问题并非无解,电网大部分时间存在富余电力,数据中心可设计为优雅降级模式,在高峰时主动降低算力以换取低成本富余电力的灵活合约,而非追求100%不间断供电

“数据中心可设计为“优雅降级”模式，在电网高峰时主动降低算力或转移负载，以换取使用低成本富余电力的合约。”