摘要：CES开幕演讲的第二天，英伟达创始人兼CEO黄仁勋接受了全球媒体的采访，持续1小时的采访中，黄仁勋回答了关于英伟达策略、全球投资、AI生态格局、AGI时刻、Agentic AI、自动驾驶、物理AI等26个问题。

CES开幕演讲的第二天，英伟达创始人兼CEO黄仁勋接受了全球媒体的采访，持续1小时的采访中，黄仁勋回答了关于英伟达策略、全球投资、AI生态格局、AGI时刻、Agentic AI、自动驾驶、物理AI等26个问题。

在记者会的最后，黄仁勋在回答至顶科技关于AI时代的学习教育趋势时表示，“未来，每个学生都必须学会使用AI，就像现在这一代学生都必须学会使用计算机一样。”

黄仁勋强调，AI革命极其深远。他以计算机图形学举例，“这个领域的摩尔定律曲线，原本实际在放缓，但AI的加入让它获得了超级动力，现在帧率达到200、300、400帧每秒，图像完全是光线追踪且非常漂亮”，所以，我们已经看到了计算机图形学的指数增长曲线，实际上，所有领域都看到了类似的陡峭增势。

有趣的是，这次出现在记者会上的黄仁勋，换了一件皮衣，之所以没穿前一天在CES上的“闪亮亮”皮衣，他调侃说道“too much（有点过了）”。

以下是针对黄仁勋本次记者会采访的完整听译（为便于阅读和可读性，科技行者进行了文字和段落上的小幅修改）：

【1】“英伟达只做两件事”

问：去年英伟达重新定义了数据中心，现在又完成了系统层面的所有工作，特别是这次发布了NVLink72，接下来是不是应该考虑基础设施、电力和其他系统组件的问题了？

黄仁勋：英伟达有个宗旨，只做两件事情——要么是别人没在做的事，要么是我们能做得明显更好的事。所以英伟达进入新业务的标准其实很高。比如，如果英伟达不造NVLink72，谁去造呢？如果英伟达不开发Spectrum X这样的以太网交换机，谁能做呢？

虽然我们有32000人，仍然是相对较小的公司。作为一家规模不大的公司，我们需要确保资源高度聚焦在能做出独特贡献的领域。

从早期的Hopper架构，到现在的Blackwell架构，功率密度在不断提升。这是必然的发展趋势，因为更高的功率密度，意味着更好的性能。不管光子的速度有多快，我们还是倾向于让计算机更紧凑，而且现在Blackwell在液冷方面都已经做的很好。

【2】谈AI PC：“我们正在把云端AI引入端侧AI”

问：这次英伟达发布了很多关于AI PC的消息，但现阶段AI PC的采用率还没有真正起飞，你认为是什么原因阻碍了它的发展？英伟达如何帮助改变这种局面？

黄仁勋：很好的问题。AI技术最初是在云端环境下发展起来的，如果回顾英伟达过去几年的增长轨迹，你会发现主要集中在云计算领域，这是因为训练AI模型需要超级计算机。这些模型规模都很庞大，在云端部署和通过API调用比较容易。

但我们认为，仍然有很多设计师、软件工程师、创意工作者和技术爱好者，他们更倾向于在PC上开发AI应用。其中一个挑战在于，由于AI生态系统主要集中在云端，大量的精力、发展动力和工程努力都投入在云端，导致开发端侧AI应用的人相对较少。

但其实Windows PC完全有能力支持AI开发，特别是通过WSL2（Windows Subsystem for Linux 2）。WSL2本质上是一个虚拟机，是一个运行在Windows内部的双操作系统，它最初是为云原生应用创建的，支持Docker容器，而且支持CUDA。

我们正在努力确保PC上的WSL2能够完美支持这些技术，从而把原本为云端打造的AI技术引入到PC端，就相当于把云端能力带到PC端。

我坚信这是未来的正确方向，我对此很兴奋，所有的PC制造商也都表现出极大的兴趣。我们正在与合作伙伴一起，让所有PC都支持带有WSL2的Windows系统，这样就能把云端AI的所有技术进展、工程成果、生态系统带到个人电脑上。

【3】谈投资、竞争与合作：“我们的紧迫感来自客户的真实需求”

问：去年GTC大会上，你分享了英伟达在以色列增加投资的情况，加强了你们作为该国最大雇主之一的地位。2024年你们继续扩张，你们打算如何进一步增加在以色列的投资？具体来说，我们是否很快就会听到一个正在进行中的新交易？另外，考虑到目前的局势，你是否看到从那里引进人才的机会？

黄仁勋：我们从世界各地吸引优秀人才，目前英伟达网站上收到了超过100万份简历申请，而我们公司只有32000名员工。这表明大家对加入英伟达的兴趣非常高，因为我们做的工作很有趣。

在以色列，我们有很大的发展机会。最初我们收购迈络思的时候，在那里有2000名员工，现在我们在以色列的员工已达到近5000人。我们可能是以色列发展最快的企业雇主之一，我为此感到非常自豪。

在过去一段时间里，我们的以色列团队创造了NVLink、Spectrum X、Bluefield 3等重要产品，我对团队的专业水平和敬业精神感到非常自豪。

关于新的收购计划，今天暂时没有要宣布的消息，但我们始终保持开放态度。如果你们知道一些必须要拿下的好项目，请第一时间告诉我，只告诉我（开玩笑）。

问：作为一个游戏玩家，我感到很兴奋，因为当你谈到内存时，特别提到了HBM，为什么没有选择三星的？

黄仁勋：我认为三星和SK不生产显卡，对吧？（此时黄仁勋问向现场媒体）他们生产吗？（得到肯定回复后）好吧，抱歉，是我搞错了，别告诉他们我说了这些。

关于HBM，他们正在努力，他们一定会成功的，这毫无疑问，我对此充满信心。要知道，最早的HBM内存就是三星开发的，英伟达使用的第一块HBM内存就来自三星，所以他们会重新崛起的，他们会强势回归的。

追问：为什么他们花了这么长时间？

黄仁勋：其实并不算太长。当然，韩国产业求变心切，这是好事。

但他们需要设计新方案，我相信他们一定能做到。而且他们进展很快，非常投入，我很有信心他们会成功。SK和三星都是优秀的公司，尤其在内存领域，所以我相信他们会继续取得成功。你们昨天也看到了Blackwell中使用了多少HBM内存，HBM内存对我们的计算非常重要。

问：尽管超大规模客户对英伟达产品的需求已经很明确，但我好奇的是，你们在扩大收入来源方面的紧迫感有多大？特别是在开拓企业客户和政府客户，帮助他们部署具有高性能AI计算能力的数据中心方面。尤其是在亚马逊等公司正在研发自己的AI芯片时，你们感受到多大压力？然后，能否详细说说你们在企业和政府方面的进展吗？

黄仁勋：我们的紧迫感来自于客户的真实需求。我从不会因为一些客户也在开发芯片而担忧，因为大家做的是不同的事情。

我很高兴看到客户在云端使用英伟达的技术，很高兴他们用英伟达的技术来开发AI。我们的技术进步现在非常快，每年性能可以翻一番，就代表每年成本降低一半。这比摩尔定律最好时期的进步要快得多。所以，我们会积极响应客户需求，用产品回应他们。

关于企业级市场，现在主要有两大行业服务：软件服务商（比如ServiceNow、SAP等），以及帮助他们将软件适配到业务流程中的解决方案集成商。英伟达的策略是与这两个生态系统合作，帮助他们构建Agentic AI，而NIM、NeMo、AI Blueprints都是用于构建Agentic AI的工具包。

比如在软件服务商方面，我们与ServiceNow团队的合作就很成功，他们将因此推出一系列基于ServiceNow的AI代理服务，服务于员工和客户。这就是我们的基本战略。

在解决方案集成商方面，我们与埃森哲等公司合作。埃森哲在帮助客户采用Agentic AI方面做得非常出色。

所以第一步是帮助整个生态系统开发AI，过去一年我们在构建Agentic AI工具包方面做得不错，接下来就是部署的环节了。

问：很多公司都在开发Agentic AI，你们是如何与AWS、微软、Salesforce这些同样在为客户提供开发平台的公司合作或竞争的？你们是如何与这些公司打交道的？

黄仁勋：英伟达不是一家直接服务企业的公司，而是一家技术平台公司。我们在构建工具包、库和AI模型，这些都是为ServiceNow、SAP、Oracle、Synopsys、Cadence、西门子这样的服务商提供的，但在计算层面、AI库层面不是这些公司花精力投入的领域，所以英伟达可以为他们创建。

这其实相当复杂，因为我们实际在做的事情是在把类似ChatGPT的功能打包整合到容器中。优化这些端点和微服务是非常复杂的。不过一旦完成，客户就可以在任何云平台上使用我们的产品，所以我们开发NIM、NeMo、AI Blueprints不是为了与他们竞争，而是为了服务他们。

事实上，已经有很多云服务提供商用NeMo训练他们的模型，他们的云商店里也有NeMo和NIM，我们对此感到很高兴。我们创建了这整个技术层，理解NIM和NeMo的作用就像理解CUDA和CUDA X库一样重要。CUDA X库对于英伟达平台起到了关键作用，其中有用于线性代数的cuBLAS，用于深度神经网络处理的cuDNN（这真正革新了深度学习），以及cuTLAS等所有这些我们谈论的高级模型，我们为行业创建这些库，这样他们就不必自己做了。

同理，我们开发NeMo和NIM也是为了服务整个行业，这样企业就不必自己从零开发了。

问：我来自中国台湾。CES主题演讲提到，Digits的CPU是与联发科合作的，想请您谈谈更多与其他中国台湾公司合作的情况。另外还想了解英伟达是否会在中国台湾建设总部？

黄仁勋：我们在中国台湾有很多员工，但现有的办公地太小了，我需要找到解决方案，也许我之后会宣布一些消息，我们正在物色地产。如果你知道好地方，请务必第一时间只告诉我一个人。

关于联发科，我们在多个领域都有合作。比如自动驾驶汽车领域，双方合作为行业提供完全软件定义的智能汽车解决方案。所以我们在汽车行业的合作非常非常顺利。

此外，新的Grace GB10 CPU也是与联发科合作开发的。我们共同设计架构，实现了芯片间的互联以及CPU和GPU的内存一致性。

坦白说，联发科在芯片设计和制造方面都做得很出色，第一次做出来的就很完美，性能优异。大家都知道联发科在低功耗方面的优势，确实名不虚传。我们很高兴能与这样优秀的公司合作。

问：关于贸易限制，这个话题现在依然广受关注，你对贸易限制可能影响到整个行业（包括英伟达）的盈利前景担心吗？

黄仁勋：我并不担心。我相信政府会在贸易谈判中做出正确的决定。无论最终结果如何，我们都会尽最大努力帮助客户，推动市场向前发展。就像我们一直以来做的那样。

【4】谈AGI：“人在使用工具，机器终究是工具。”

问：我来自韩国，想问个哲学问题。最近Sam Altman发推文说我们已经接近AI“奇点”了，你这次也提到“通用机器人的ChatGPT时刻即将到来”，如果这是真的，机器人很快就会出现在我们身边，也许有些机器人会比我们聪明，也许有些对我们来说很难理解。那么你认为，机器人会站在哪一边？是与人类站在一起，还是对抗人类？

黄仁勋：会与人类站在一起，因为我们就是这样设计它们的。

AGI（超级智能）这个概念并不陌生。在我的公司里，我的管理团队、领导们和公司的科学家们都表现出超级智能，我已经被AGI包围了，但我更愿意被AGI包围，而不是相反的情况，因为这就是未来。

你会有超级智能来帮助你写作、分析问题、做供应链规划、编写软件、设计芯片、做数字营销、做播客等等，而且它们随时待命，为你提供服务。

追问：所以你不认为它们会有冲突？

黄仁勋：技术可以被用于多种用途。但要记住，是人在使用工具，机器终究是工具。

【5】谈Cosmos：“一个能理解物理世界的基础模型，会让机器人成为现实”

问：这次在CES演讲的某些部分，感觉像是在听技术研讨会，内容很专业。但现在你们的受众群体更广了，能否重新解释一下这次发布的AI进展的核心意义，让那些完全不了解技术的普通观众也能理解。

黄仁勋：首先，我承认有这个问题，但这还是次要的。要知道，英伟达是一家技术公司，而不是消费品公司，我们的技术会影响和改变消费电子产品的未来。

虽然CES热情邀请英伟达来分享，但我们始终是一家专注于技术的公司。当然，这并不能成为我没有把技术讲解得更好的借口。

我重新试着讲解一下。

我们这次宣布的一个最重要的突破，是开发了一个能够理解物理世界的基础模型Cosmos。就像GPT是理解语言的基础模型，Stable Diffusion是理解图像的基础模型一样，我们创造了一个理解物理世界的基础模型。

它能理解摩擦力、惯性、重力、物体的存在和持续性，以及几何和空间关系等概念——这些都是人类孩子们与生俱来就能理解的东西。我们认为需要有这样一个“理解物理世界”的基础模型，它能以大语言模型目前无法做到的方式理解物理世界。

现在，通过Cosmos，所有你能用GPT和Stable Diffusion完成的任务，都可以用它来实现。比如，你可以跟这个世界模型对话，问它“现在看到了什么？”它通过摄像头获取的画面，可以描述“看到很多人坐在桌前，大家在一个房间里”的现实场景。

为什么我们需要Cosmos？因为如果你希望AI能够在物理世界中合理地运作和互动，就必须让AI理解物理世界。

自动驾驶汽车需要理解物理世界，机器人也需要理解物理世界，Cosmos是实现所有这些应用的起点。就像GPT催生了我们今天经历的一切，就像Llama对当前所有的AI活动都很重要，就像Stable Diffusion触发了所有这些生成式图像和视频模型一样。

我们希望Cosmos也能达到同样的效果，Cosmos会让机器人成为现实。

问：我想问这次发布的模型，尤其是Cosmos，这些模型能在智能眼镜上运行吗？或者在开发这些模型时，你们有考虑过智能眼镜吗？因为考虑到行业的发展方向，智能眼镜似乎是未来很多人体验AI代理的一个重要平台。

黄仁勋：是的，我对智能眼镜很感兴趣，它能回答“我看到了什么、如何到达目的地”，它可以帮助你阅读，还有很多其他用途，使用场景非常广阔。

对于Cosmos的使用方式，云端的Cosmos可以提供视觉理解能力，如果你想在设备本地运行，那么你可以使用Cosmos来提炼出一个小型模型。这样，Cosmos就变成了一个知识迁移的AI工具，它将知识转移到一个更小的AI模型中。

这种做法之所以可行，是因为更小的AI模型虽然通用性较差，但在特定领域非常专业，这就是为什么可以进行定向的知识迁移。这也是为什么我们总是先构建基础模型（大模型），然后通过知识蒸馏逐步构建更小的模型。

【6】谈DLSS：“从最初没人相信，现在大家终于意识到它确实是未来”

问：关于DLSS 4，你这次做了一些视频展示，我想详细了解一下，比如多帧生成技术，它是否仍然是渲染两帧，然后在中间生成并进行插值？

另外，关于演示视频里提到的RTX Neural Material，这是游戏开发者需要专门采用的技术吗？还是它是驱动程序层面的功能，可以让大部分PC游戏受益？

黄仁勋：在Blackwell中，我们增加了着色器处理器能够运行神经网络，这样就可以在着色器管线中混合使用代码和神经网络模型。这非常重要，因为纹理和材质的处理，都是在着色器中处理的。

如果着色器能运行AI，那么就能利用神经网络带来在算法上带来的进步。比如压缩技术，现在的纹理压缩效果比我们过去30年使用的压缩算法要好得多，压缩比有了巨大提升。对于很多纹理可以额外压缩5倍。现在游戏体积都很大，所以这是个重要进步。

第二点关于材质。材质决定了光线在表面的传播方式，它的各向异性特性，会让光线以特定方式反射，让我们能分辨这是金子、还是油漆、还是金箔。这种特性本质上是原子层面发生的，光线在材料的微观结构上的反射、折射和散射造就了材质的特性。用数学方法很难描述这个过程，但我们可以用AI来学习它。所以我认为，这种神经材质技术是一个重大突破，能为计算机图形带来前所未有的生动感和逼真度。

这两项技术都需要内容端的配合，所以开发者首先要开发内容，然后我们就可以轻松整合进去。

关于DLSS，帧生成不是插值关系，而是字面意义上真正的生成。我们是在预测未来，而不是在对过去进行插值，这样做是为了提高帧率。DLSS 4是一个彻底的突破，你们一定要去体验。

问：AI在PC游戏中是否扮演了更决定性的作用，你能想象传统渲染的画面帧，未来全部都变成AI生成的帧吗？

黄仁勋：不是的，我来解释一下原因。ChatGPT刚出来时，大家说“现在我们可以让AI生成一整本书了”，但实际上内部人员都知道这并不现实，原因是AI生成内容需要获得基准事实，这叫做条件控制(Conditioning)。

就像我们现在，要用上下文来条件控制聊天或提示词，在回答问题之前，它必须理解上下文，上下文可能是PDF文件、网页搜索、或者提示词。

游戏也是同样的道理，你必须提供上下文。而游戏的上下文不仅有故事情节，还要考虑空间关系。进行条件控制的方式是提供初始的几何形状或纹理片段，然后基于这些，系统才能生成新内容或提升内容。

这种条件控制与ChatGPT使用上下文或企业中的“检索增强生成（RAG）”是一样的。未来的3D图形生成将建立在以真实场景为基础的生成方式。

以DLSS 4为例。在四帧画面中有3300万像素，我们只需要渲染其中的200万像素，并让AI预测并生成其余的3100万像素。

这200万像素必须有精确的“条件控制”，通过“条件控制”，我们可以生成其他的帧。而且更重要的是，由于原本用在那3100万像素的算力现在都集中在这200万像素上，所以这200万像素可以渲染得非常精美，为其他像素的生成提供了基础和参考。

这种变革将影响游戏的方方面面，从像素渲染、到几何渲染、到动画渲染等。DLSS从第一次宣布到现在，过去了六年时间，从最初的没人相信（部分原因是我没有解释清楚），到现在大家终于意识到它确实是未来，关键是要有条件控制，要有艺术家的专业创意指导。

我们在Omniverse中就是这样做的。我们将Omniverse和Cosmos结合，就是因为Omniverse作为Cosmos的3D引擎，本质上是一个生成引擎。我们可以精确控制渲染的程度，尽可能生成更多内容。当减少控制和模拟时，我们反而能模拟更大的世界。因为在这背后，我们有一个强大的生成引擎，在创造一个精美的世界。

问：这次发布的5090是个很棒的硬件，但要让新硬件运行起来，需要面对Windows和DirectX的适配挑战。你们需要做什么来减少引擎适配的阻力？如果我想让DirectX与你们的硬件配合得更好，需要注意什么？

黄仁勋：多年来，每当DirectX的API需要扩展或革新时，微软一直都非常愿意配合。我们与DirectX团队有着很好的合作关系。当我们在推进GPU技术时，如果API需要改变，他们都会很支持。

但对于DLSS来说，大多数情况下我们不需要改变API，实际上需要改变的是引擎本身，因为这涉及到语义理解层面，它需要理解场景的整体，而不仅仅是绘制调用。

场景的更多信息存在于虚幻引擎、寒霜引擎或其他开发者的引擎中，这就是为什么DLSS现在已经集成到了很多个引擎里的原因。特别是从DLSS 2/3/4开始，一旦完成集成，即使游戏是为DLSS 3开发的，当我们更新到DLSS 4时，它也能获得DLSS 4的部分改进，以此类推。所以我们必须为基于场景语义理解的AI处理搭建管道。AI处理是基于场景的语义信息，这真的必须在引擎层面实现。

【7】谈Blackwell：“具有强大的通用性”

问：你认为Blackwell到统一架构，在AI竞争中有什么优势？

黄仁勋：Blackwell GPU具有强大的通用性，能够支持从Agentic AI到完整机器人系统的各类应用，无论是云端服务器、自动驾驶汽车、机器人、还是游戏系统，都能在Blackwell上运行。这是我们深思熟虑后做出的战略决策。

这么做的原因是，软件开发者需要一个通用的开发平台，开发者只需要开发一次，就能确保他们的程序可以在任何搭载英伟达芯片的平台上运行。就像我这次在CES上说的，我们可以在云端开发AI模型，然后轻松部署到个人PC上运行。还有谁能做到这一点？

这就表明，云端的AI容器可以直接下载到PC上运行。比如SD-XL、Flux、Llama等模型都能完美适配，直接从云端拖拽下来，在你的PC上就能立即使用，在游戏等应用中也能得到广泛应用。

问：看到这次发布的5070的性能和4090差不多，价格还降了那么多，很让人兴奋，那么我们对即将上市的其他型号可以期待什么？

黄仁勋：我们这次发布了四张RTX Blackwell显卡，其中性能最低的一款超过了当今世界上性能最强的GPU，真是令人难以置信。这充分体现了AI的惊人能力，如果没有AI、没有张量核心、以及围绕DLSS4的所有创新，我们不可能达到这样的性能水平。

至于其他型号，我现在没什么可以宣布的。会有6060吗？我不知道。不过6060确实是我最喜欢的数字之一。

问：这次英伟达发布了DIGITS，你认为非游戏PC市场目前最没有被满足的需求是什么？

黄仁勋：让我先解释一下DIGITS，它是一个深度学习GPU智能训练系统，是一个面向数据科学家和机器学习工程师的平台。现在，这群人大多使用个人电脑、Mac或工作站来做这些工作，说实话，对大多数人的PC来说，做机器学习、数据科学、运行Pandas或PyTorch这些工作，都不是最优选择。

所以我们现在有了DIGITS，它体积小巧，可以放在桌面，支持无线连接，使用起来就像在云端操作一样方便，就像是在运行你自己的私人AI云。

为什么要开发这样的设备？因为对大多数开发者来说，需要频繁使用计算资源，如果完全依赖云服务，成本会很高。DIGITS正好填补了这个市场空白，现在有了这个设备，相当于拥有了一个私人开发云，这对那些需要持续进行开发的数据科学家、学生和工程师来说非常有价值。

虽然AI起源于云端，未来可能仍然以云为主，但目前的计算设备已经跟不上AI发展的步伐。这就是为什么我们要开发新的解决方案。

问：我有一个关于游戏玩家和消费者的问题。我们注意到RTX 5090和5080之间存在巨大差距。5090的CUDA核心数量是5080的两倍多，价格也翻倍了。为什么要在旗舰和次旗舰产品之间做出如此大的差异？

黄仁勋：原因是，一旦有人想要最好的产品时，他们就一定会去选择最好的。市场不需要那么多细分，对于我们的发烧友来说，如果他们想要最好的，给他们稍差一点的产品来省100美元，他们是不会接受的。他们就是想要最好的。

当然，2000美元确实不是小数目，这确实是一个相当高的价格。但要记住，这项技术是要进入你的家用PC环境的。而你的那台PC，已经在显示器和音响上投资了约1万美元，你肯定会想要最好的GPU。

所以我们有很多客户，他们就是追求绝对最好的产品。

【8】谈三种Scaling Law：一个良性循环

问：这次CES你提到，我们正在见证三种新的Scaling Law出现，特别是测试时规模定律（Test-Time Scaling），关于测试时计算（Test-time Compute）。我认为OpenAI的GPT-o3模型已经表明，从计算角度来看，扩展推理的成本很高，在ARC-AGI基准测试中的一些运行成本达到数千美元。英伟达在提供更具成本效益的AI推理芯片方面做了什么？更广泛地说，你们如何从测试时规模定律中受益？

黄仁勋：这是个很好的问题。首先，对于测试时计算来说，无论是在性能还是成本方面，最直接的解决方案就是提升计算能力。

这就是为什么我们推出RTX Blackwell系列和NVLink72，新架构的推理性能可能比上一代Hopper高30-40倍。通过提升30-40倍的性能，你实际上也在降低30-40倍的成本，因为数据中心的其他成本基本保持不变。

这个改进方式，也是摩尔定律在计算机历史上如此重要的原因，正因为它降低了计算成本。我之前提到我们的GPU性能在过去10年提升了10000倍，这反过来说明了我们将成本降低了几千到上万倍。在过去20年里，我们将计算的边际成本降低了100万倍。

正是这种成本的大幅下降，让机器学习变得切实可行。当我们提升性能时，推理也会发生同样的事情，所以推理的成本也会下降。未来我们会继续推动计算能力的提升，也将继续带来计算成本的降低。

从另一个角度来看，现在我们通过测试时间计算（Test-Time Compute）或测试时扩展（Test-Time Scaling）来获得答案需要多次尝试，这些答案会被用作下一轮后训练（Post-Training）的数据，这些数据又会成为下一轮预训练（Pre-Training）的数据——所有我们现在收集的数据都会进入预训练和后训练的数据池。通过持续积累和利用这些数据来训练超级计算机，我们可以让模型变得更智能，从而降低推理成本，最终让每个人的AI推理成本都变得更低。

只不过，这个过程需要时间，所以这三种Scaling Law会在未来持续发挥作用。一方面，每一次迭代我们都在提升模型的智能水平。另一方面，用户对AI的要求也在不断提高，会问出越来越难的问题，会要求AI具备更强的智能，这种需求会导致Test-Time Scaling的持续发展，形成一个良性且不断扩大的循环。

【9】谈自动驾驶汽车：“更大的创新可能来自中国”

问：我的问题是关于自动驾驶汽车。我记得2017年英伟达在CES上展示了一辆概念车，并在5月的GTC上与丰田合作。那么2017年和2025年，这项技术有了哪些变化？当年存在什么问题？现在又有什么技术突破？

黄仁勋：首先，我认为未来所有可移动的设备都会具备自动化功能。不会再有需要人力推的割草机了，20年后如果还有人在推割草机，那会很有趣，但这显然毫无必要。未来的汽车，你仍然可以选择自己驾驶，但所有汽车都将具备自动驾驶功能。这个发展趋势已经非常明显了。

5年前，我们还不太确定这项技术会发展到什么程度，但现在我们非常笃定，包括传感器技术、计算机技术、软件技术都已经相当成熟。现在有充分证据表明，新一代汽车，特别是电动汽车，几乎每一款都会具备自动驾驶能力。

我认为有两个因素推动了这个变革，真正改变了传统汽车公司的想法。一个是特斯拉，影响力很大；但更大的影响可能来自中国令人惊叹的技术进步，蔚来、理想、比亚迪、小鹏、小米等新能源汽车公司，技术非常出色，自动驾驶能力也很强，现在正在走向世界。这给未来的汽车树立了标准，未来每辆车都必须具备强大的自动驾驶功能。

所以我认为，世界已经在改变，技术成熟需要时间，我们对它的认知也需要时间，但现在形势已经很清晰了。我们的重要合作伙伴Waymo在旧金山已经遍地开花，老百姓也很喜欢它。

【10】谈AI发展：“AI发展没有任何物理限制，下一代将是用AI学习的一代”

问：英伟达是如何考虑市场策略的？AI发展的下一步需要什么？是否存在物理限制？

黄仁勋：我们只在市场真正需要我们的时候才会行动，如果市场存在空白，而且只有我们注定要去填补这个空白的时候，我们就会去做。我们倾向于做那些与现有市场不同的事情，或者如果我们不做就没人会做的事情。

这就是英伟达的理念：不要重复做别人已经在做的事。我们不是市场份额的争夺者，而是市场的创造者。我们不倾向于进入已经存在的市场去争夺份额，那不是英伟达的风格。

比如说，市场上还没有Digits这个东西，如果我们不开发它，世界上就不会有人去开发它，因为软件栈太复杂，计算能力要求太高。除非我们去做，否则没人会去做。如果我们没有推进神经图形学，也不会有其他人去做，所以我们必须去做。这些都是我们必须承担的使命。

问：我来自以色列。过去几年里，AI（特别是生成式AI）在各个领域发展迅速，我认为这要归功于推动这一时刻的科技公司。你认为，当前AI的发展速度是可持续的吗？短期内能维持这种势头吗？

黄仁勋：是的，据我所知，AI的发展没有任何物理限制。

第一，正如你所知，我们能够如此快速推进AI计算的原因之一，是我们能够以集成的方式同时构建和整合CPU、GPU、NVLink、网络以及所有软件和系统。

如果这些工作分散在20个不同的公司，整合起来会非常耗时。正是因为我们掌握了所有集成技术和软件支持，才能如此快速地推进系统发展。从Hopper、H100到H200再到下一代，我们将持续提升每个单元的性能。

第二，因为我们能够优化整个系统，我们能实现的性能远超单纯的晶体管性能提升。虽然摩尔定律已经放缓，尽管每代晶体管性能的提升不明显，但我们的整体系统性能仍在逐年大幅提升。所以我认为目前没有明显的物理瓶颈。

随着计算能力的提升，Scaling Law的三种状态将继续发展：第一，研究人员可以用更大的模型，训练更多数据，这是“预训练规模定律（Pre-Training Scaling）”；第二，强化学习和合成数据生成能力，也会不断提升，这是“后训练规模定律（Post-Training Scaling）”；第三，如果我们继续提高计算能力，也就意味着成本会持续下降，那么我们可以处理大量数据，应用范围会进一步扩大，这就是“测试时间规模定律（Test-Time Scaling）”。

所以只要没有物理原因阻止，我们继续提升计算能力，我认为AI就会继续快速发展。

问：所有重大的技术转型都不是由一家公司完成的，比如互联网、PC等，它们最终都会在某个时刻汇聚，才能产生这个重大变革。在AI领域，你觉得现在还有什么缺失的部分会阻碍我们的发展，还是说一切都已经准备就绪了？我知道这个问题可能比较复杂，因为AI的应用方式很多。但我很好奇你是否认为生态系统中还缺少什么关键部分？

黄仁勋：是的，我认为有。让我从两个方面来说明。

首先，在语言和认知AI方面，我们仍在提升AI的认知能力，让它具备多模态和良好的推理能力。其次，是如何把这项技术应用到AI系统中。

AI不是一个模型，而是一个模型系统。Agentic AI是一个模型系统的整合——有检索模型、搜索模型、图像生成模型、推理模型、规划模型等等。所以这是一个完整的模型系统。

这几年，行业不仅是在基础AI方面创新，也一直在应用AI路径上创新。但我们还缺少一个加速这一进程的必备要素，那就是——物理AI。

就像GPT-3是第一个达到实用水平的语言基础模型，让我们能在上面开发各种功能，物理AI需要像认知AI那样有基础模型，这就是我们开发Cosmos的原因。

所以我们必须让物理AI也达到这样的水平。这就是我们在开发Cosmos的原因。一旦达到这个水平，把模型推向市场，就能激活终端的大量应用场景，而且产业链下游的任务就能顺利开展。这个基础模型也可以作为教师模型。

第二个AI缺失的部分，也是我们正在用Omniverse做的工作——就是将Omniverse和Cosmos这两个系统连接在一起，使其成为一个基于物理学的系统，这样就能使用这种基础模型来控制生成过程，让Cosmos输出的内容高度可信，而不仅只是看起来逼真。

所以，Cosmos+Omniverse是未来可能成为一个非常庞大的机器人产业的重要起点。这就是我们这样做的原因。

问：我是来自中国的媒体「至顶科技」。我的问题关于教育，（在AI时代），你认为学生需要什么样的学习方式？或者从另一个角度问，学校应该传授哪些知识、技能？

黄仁勋：非常好的问题。最后一个问题总会有些压力，这是一个很好的收尾问题，因为它涉及到一个永恒命题。

首先，让我谈谈我的经历，然后我们可以推演到下一代学生的学习。我们这一代人，是第一代必须学习如何使用计算机来做科研的人。上一代人，只用计算器、计算尺、纸和笔，我们这一代人必须学习如何使用计算机、编写软件、设计芯片、模拟物理。所以，我们是第一代使用计算机工作的一代人，而下一代将是学习如何使用AI工作的一代人，因为AI就是新的计算机。

当然，现在很多重要的科学领域，未来的关键是如何用AI来帮助做研究：

-如何利用AI帮助进行生物学研究？

-如何利用AI帮助进行林业工作？

-如何利用AI帮助进行农业研究？

-如何利用AI帮助进行化学研究？

-如何利用AI研究量子物理？

-如何利用AI推进运筹学研究？

-几乎每一个科学领域都会用到，包括计算机科学本身：即如何如何使用AI来推进AI的发展。

如果你想成为记者，就要思考如何用AI来帮助自己成为一名更好的记者。如果你想成为作家，就要思考如何用AI来帮助自己成为一名更好的作家。对吗？

未来，每个学生都必须学会使用AI，就像现在这一代学生都必须学会使用计算机一样。你要迅速意识到，AI革命是多么深远。这不仅仅是关于大语言模型，虽然大语言模型很重要，但AI将来会成为字面意义上所有事物的一部分。这是我们所知的最具变革性的技术，而且发展极其迅速。

因此，我衷心感谢大家对这个行业的关注，对于游戏玩家和游戏产业，我真诚地感激，现在，行业与我们一样兴奋，从最初使用GPU来推进AI，到现在使用AI来推进计算机图形学。

所有这些工作，包括与RTX Blackwell、DLSS4、神经渲染和神经着色的合作，都是由于AI技术的进步所推动的。目前，这些技术已经反哺到了计算机图形学的发展。

值得注意的是，如果你看计算机图形学的摩尔定律曲线，它本是在放缓，但AI的加入让它获得了超级动力，现在帧率达到200、300、400帧每秒，图像完全是光线追踪且非常漂亮。我们已经进入了计算机图形学的指数增长曲线。实际上，我们在几乎所有领域都进入了指数增长曲线。

所以，这就是为什么我认为我们的行业将会快速变化，而且每个行业都将快速变化。

感谢你们的到来，新年快乐!

来源：科技行者