黄仁勋谈AI工业革命逻辑 称危言耸听走得太远

如果他们认为自己已无法掌控局面，那么在重获掌控之前，就不应发布产品。不要以为自己是个危言耸听者就是在做社会贡献。如果这就是他们的想法呢？关于他们的想法，我无法与你讨论。我可以告诉你我的想法。

在过去这几周里，全世界都在讨论人工智能，而人们听到的最响亮的声音，大多来自处于前沿的实验室，包括他们的首席执行官、领导者以及工作人员。这些实验室开发了诸如 Claude、ChatGPT、Gemini 等非常先进的 AI 模型。

但关于 AI 的观点并非只有这一种。在人工智能领域，影响力最大的人或许是 Nvidia 的首席执行官 Jensen Huang。Nvidia 目前是全球市值最大的公司，市值高达 5.4 万亿美元。我发现这个数据令人惊叹。自2023年以来，美国股市每获得1美元的收益中，有15美分来自Nvidia的股票。其原因是Nvidia处于硬件 and 软件的核心地位。它们是构建现代人工智能的基石。

Nvidia的芯片并非因为AI流行而受欢迎。现代形式的AI之所以成为可能，正是因为Nvidia的芯片当时已经流行。它们最初是为图形处理、电子游戏以及类似用途而制造的。但事实证明，它们所进行的并行计算方式及其编程灵活性，恰好是实现现代深度学习所需的关键。Huang不仅因为控制着训练新AI模型并利用它们回答问题及创造全球智能的核心资源之一而具有影响力。他在Trump政府中也变得非常有影响力。而且Huang的观点与一些实验室负责人的看法截然不同。他担心安全性问题，但将其视为一个完全可以通过工程手段解决的问题。他忧虑当前事态发展的方向，但不希望看到出台新的监管措施来加以干预。

因此，我想了解 Huang 是如何看待 AI 的，他思考 AI 的逻辑 model 是什么，他认为哪里出了问题，以及他认为需要发生什么，才能让事情步入正轨。所以我来到 Santa Clara 的 NVIDIA 总部采访他。他现在加入了我的节目。Jensen Huang，欢迎来到我们的节目。谢谢。见到你很高兴。你曾将 AI 描述为一个五层蛋糕。请为我梳理一下这些层级。

首先这是一场新的工业革命，而这场工业革命，或者说这个产业，需要生产。生产。它制造各种事物。我知道最终当人们体验它时，它表现为一个软件产品，但它需要能源，以及投入到这些数据中心、这些 AI 工厂中的芯片。

位于其上的下一层基本上是 AI 工厂，也就是人们所享用的基础设施或云服务。而在那之上的一层是模型。重要的一点是，要意识到不仅有语言模型，还有各种各样的模型。化学模型、生物模型、物理模型、关节模型、机器人技术、导航模型、自动驾驶汽车，以及各种不同类型的模型。

而在那之上是最重要的一层，也是我最关心的、我们国家可以利用的一层，即应用层。这涵盖了法律服务、医疗服务、制造业等各种领域的应用。每一个行业都牵涉其中。

所以我想梳理一下，但我想采用自上而下的方式。正如你所说，人们与之互动的方式，以及它是否会改变人们的生活，取决于你所称的“应用层”。那么，让我们从愿景开始。你所构想的世界是什么样的？

有什么是现在无法实现，但未来成为可能的？

如果我们做好了这一层，现在罕见的事物中，有哪些将变得司空见惯？

两百年前，我们拥有了为万事万物供能的能力。电力。然后，我想在40年前、30年前，随着互联网的出现，我们能够找到任何信息。如今，或者在不久的将来，我们将能够知晓一切并完成任何事情。这正是那个令人感到相当振奋的概念。那种从虚空中直接获取信息的方式，不再需要进行搜索，然后一个个地点击链接，阅读各种不同的网站，试图弄清楚到底发生了什么。

在未来，你只需向它提出一个问题，它就会直接给出答案。你交给它一个项目，它会返回一个解决方案。你给它一项任务，它就会去完成它。它从虚空中涌现，从云端显现，这就是最神奇的地方。

我觉得你所描述的这种未来，人们目前所拥有的体验就是聊天机器人，他们可以直接去询问 Grok 或 Claude 或 ChatGPT。GPT 是一个问题，但应用层的工作方式要工业化得多。它已应用于医院。它已应用于学校。这是一个很好的例子。

例如，放射学。

它是怎样的景象？

放射学。在过去10年里，自从计算机视觉真正变得（可以这么说）超人化以来，AI 技术现已渗透到整个放射学领域。每一个放射学应用中都包含 AI。因此，你可以检测到任何异常情况。你可以检测到任何疾病。而且它以超人类的水平完成了这项工作。

放射科是一个我知道你喜欢引用的例子。人们对应用层面的担忧在于，这些应用将会取代人类。放射科一直是一个在正反两方面都被引用的有趣例子。而且我经常听到你谈论它。

那么，AI辅助放射学的介入是如何改变放射学这一职业实践的呢？

对于所有这些工作来说，重要的一点是要认识到每个人工作的本质。工作既有其核心目标，也有执行过程中的具体任务。在放射科的案例中，这项任务消耗了他们大量的时间，他们坐在暗室里，主要的工作就是研究这些扫描影像。

现在，如果扫描影像的研究工作可以自动完成，这并不会改变他们工作的核心目标，即诊断疾病、协助医生、进行更多扫描，并最终帮助患者查明病因。因此，其根本目的并没有改变。研究这些扫描影像的任务已经实现了自动化。因此，放射科医生实际上能够承担更多工作，处理更多病例，并完成更多的影像扫描。

医院能够处理更多的患者，收入也随之增加，因此他们需要更多的放射科医生。这种飞轮效应之所以产生，是因为患者基数相当庞大。那么，还有哪些领域存在类似问题呢？让我们看看软件工程。曾有人预测，到今年，90%的软件将由智能体编写，因此我们不再需要软件工程师。

所以问题在于，由此推导出的结论是：我们不再需要软件工程师。

最后这一部分完全是错误的。那完全不对。软件工程师的核心在于工程。在软件出现之前，工程就已经存在了。在软件编程之后，工程依然会存在。工程学的目的在于发明新事物、发现新产品、创造新产品、解决问题，并将社会需求与现有的产品表现形式技术相结合。因此，这一使命和宗旨是不会改变的。

对我而言，我刚才所说的是一种完全直观的感受，因为我刚从学校毕业时，并没有软件工程方面的优势。我们当时并不享有编程带来的红利。但我们的工作在那之前就已经存在了，如果软件编程被完全自动化，我们的工作依然会存在。

所以我认为，由于某些叙事和故事的传播，这一谬论已经演变成了某种有害的神话，即 AI 将摧毁工作岗位，这从根本上是错误的。它将改变每一项工作。它将改变每一项工作。许多任务将被自动化。在某些工作岗位中，工作本身与具体任务是一一对应的，例如电话客服，在很多情况下，该岗位本质上就是这一项任务。因此在这些情况下，它们可能会通过自动化被取代。

但你经常会看到，这种新兴产业或新技术实际上创造了大量新的就业机会。证据如下。在过去六个月里，AI 可以说是变得实用了，这成为了 AI 的拐点。在此之前，我们花了 15 年时间试图让它发挥作用。突然之间，在过去六个月里，它变得实用了。这是一组令人难以置信的统计数据。在过去六个月里，有 5000 亿美元的风险投资投入到了原生 AI 企业中。其原因在于，他们现在看到了这种新能力的潜力，并将借此创建大量的新公司。5000 亿美元的新投资显然正在创造就业机会。所有这一切都正在当下发生。

让我站在这一方，为那些激烈反对的人发声。是的。比如放射科医生这个例子，过去10年里人们一直预测这个职业会消失。但现在，这个职业的需求比以往任何时候都高。没错。但现实情况是，自动化确实消灭了某些工作岗位。看看今天与1960年相比，直接从事制造业的美国人比1960年少了，而我们的国家规模却大得多。看看——不过，我们是把制造业外包出去了。

那是真的吗？并非因为那些工作消失了，而是因为技术——但你可以把 AI 也理解为一种外包。AI 必须——让我先阐述这个观点，然后再由你来回应。

农业。我们从事农业的人数减少了很多，我们实现了农业自动化，生产出的粮食比以往任何时候都多。从事该领域工作的人数较少。我认为人们觉得AI在某些方面有别于以往那些加速生产力、淘汰少量岗位却创造更多岗位的技术案例，原因主要有两点。

首先，它是一种通用技术。因此，即便人们试图转向新岗位，它也会不断演变并接管这些新工作。其次，它具有模仿能力。大多数技术并不模仿人类的行为方式，我们也不会试图教会它们工作的语境层面，也就是你所描述的在任务与目的之间的这种差异。而对于AI，我们正试图教会它区分任务与目的。我们正试图让它成为一种能以非同寻常的方式与人类协作的工具。

那么，对于许多任务与目的并不显著差异的人来说，为什么你认为他们没有被取代的风险呢？你所提到的来自VC的所有投资，其中部分是基于这样一种理念，即由于雇佣AI比雇佣人类更便宜，生产力将获得巨大的提升。

我相信我们将看到数学领域相关工作的变革。我相信就业岗位将会实现净增长。所以，听着，现在存在着许多行业。在我生命过半之前，这些行业还不存在。人们谈论着健康中心、水疗中心，以及各种不同的娱乐和奢侈品行业，坦率地说，整个奢侈品市场曾经是不存在的。我认为我们只会涌现出新的行业。仅此而已。

但总的来说，我毫无疑问地认为，正是因为人类的抱负，这才是真正缺失的基本要素。人们审视着这项工作。这就是投入其中的能量总额。我们打算……这就是投入其中的工作量。我们将引入这个工作自动化系统。结果就是，必要的工作量现在将会减少。因此，一些工作将会消失。我认为这种观点是有缺陷的，因为有一个投入要素，即人类的投入，这是一种无形的东西，它不是以卡路里或焦耳来衡量的，而是雄心。我相信雄心的力量实际上是最伟大的力量，但在每个人的计算中都忽略了这一点。

但对于许多人来说……但对于许多人来说，他们与工作的关系并非由那种引领你创立 NVIDIA 的雄心所驱动。只是雄心的类型不同。

这是一种为了让孩子的生活更美好、照顾家庭、赡养父母，以及能够去旅行的雄心。这些都是宏大的抱负。

这一点我同意，但也许我想回到你几分钟前提出的那种反驳意见上，因为我认为这值得探讨清楚。所以，你关于制造业的观点是，没错，美国的制造业岗位确实减少了，但我们已经将它们外包了。墨西哥、中国、印度尼西亚和越南等地承担了更多的制造业工作，等等。

而我们将要把这些岗位带回来。

也许我们能做到。但针对这一观点的反驳是，我们失去制造业岗位没有比现在更快的原因之一就在于此。而对于美国那些失去岗位的地区来说，许多地方至今仍未恢复，不是吗？

经济的运行并非没有阻力。我们不得不建立新的供应链，而这一切受到语言障碍和地缘政治障碍等因素的拖累。对于许多不同类型的工作而言，现在我们创造出了一种可以极其顺畅流动的机制，不再有距离的阻力、语言的阻力或文化的阻力。所以我要开诚布公地说，对于大规模失业论，我个人倾向于持怀疑态度，但我希望能在这里和你一起把这种论点阐述清楚。

因为反驳方会说，在很大程度上，即便我们能够保护部分工作岗位免受墨西哥或中国的影响，但那些曾经导致（产业转移）缓慢的因素——尽管它们当时确实伤害了很多人——如今已不复存在了。AI 的效用正在加速提升，其被迅速嵌入新角色的能力也在飞速增长。它比大多数人所表现出的要更具多变性。

因此，我们从过去汲取的那些让你感到宽慰的经验教训，实际上应该让你对未来感到更加担忧，而不是更少。我总是为未来担忧，这就是我如此努力工作的原因。但如果可以的话，我是一个负责任的乐观主义者，我肩负着重大的责任，我极其严肃地对待我的工作。有很多事情可能会出错，我们正在推动技术栈的每一层，一切都充满挑战，但事实证明，那不是社会的问题，而是我的问题。对于社会而言，他们应该知道的是：我们将建立我们的公司，开发我们的技术，我会极其严肃地完成我的工作，从而让他们能够享受我的乐观。我会同样对待我的孩子，也会同样对待我的家人。

我认为我们想要做的事情，也是我所坚信的，就是去引导、去转化我们所有的担忧，从而帮助人们从这项技术中获得启发并使用它。去使用它，这样这项技术就不只是对他们产生影响，而是能让他们从中受益。

许多人对此感到恐惧，79%的美国人认为 AI 将会减少就业岗位的总数。令人担忧的是，你、Sam Altman、Google 以及 Dario Amodei 越是严肃对待这件事，情况可能就越糟糕，因为 AI 越强大，它就越能全面取代人类，且在某些方面它拥有一种人类所不具备的野心。你一直在谈论野心。我会睡觉。我想在早上陪伴我的孩子们。而当我拥有一个为我工作的 AI agent 时，它却不会。它只会不断地工作、工作、工作、工作、工作。我认为由于技术发展如此迅速，它取代人类的速度超出了我们在经济层面进行人员转型所能适应的程度。

这枚硬币恰好有两面。正因为这项技术能力如此出众，又如此智能，所以它也更容易被使用。与人类历史上任何技术相比，你都能更轻松地通过这项技术获得赋能。

那么，让您举个例子。要知道，我是这个行业中较早参与创建现代计算机产业的人之一。这个行业创造了一系列工具，其中最强大的工具就是计算机，它是人类历史上最强大的工具。但你必须掌握它的语言。你必须学习一门专门的语言才能做到这一点。

现在，得益于 AI，我们能够实现这一点。每个人都可以利用这台计算机，将其性能发挥到极致，而无需学习一门新语言。Fortran、Pascal、C、C++，所有这些语言中的每一种。Rust，所有这些语言中的每一种。CUDA，所有这些语言中的每一种。所以现在，你只需要使用人类语言交流即可。告诉它你想要什么。告诉它你的希望和梦想是什么，以及你试图达成什么目标。它会与你互动，完成工作，并立即处理好该任务。

突然之间，你就拥有了在80亿人口中仅有1000万到1500万人所具备的强大能力，这简直不可思议。所以我的观点是，这项技术不仅强大，而且在使用上也非常简便。因此，一方面，人们确实会对这种惊人的技术变革及其发生的速度感到担忧。但这种“快速”可以从两个层面来解读。当我提到技术发展迅速因此令我感到焦虑时，这是一种解读方式。另一种解读方式是，它进步得越快，就越容易使用。因此，我应该尽快使用这项技术，你也要尽快上手，以便能从这次转型中获益，从这个新兴产业中受益，而不是仅仅受到它的冲击。

我认为对于年轻人来说，这里潜藏着一个有趣的问题。你已经开始观察到的一个转变是，软件工程师的招聘需求虽然在增加，但更倾向于资深人员。我在我所在的行业也看到了这一点，由于正如你所说，我们拥有了这种非常易于使用的技术，压力正沿着价值链向上游传导。它能为你完成大量工作。那么，你还需要同样数量的初级员工吗？还是说你需要更多的人来监管这些智能体？

问得好。问得好。等两年看看。

告诉我为什么。

因为上大学需要四年时间。这项新技术距离实现全面普及还有两年时间。因此，两年后，你将迎来新一代的工程师、学生和艺术家，他们将被赋予强大的赋能。

他们将以一种赋予其优势的方式对此产生原生适应力。

你等着看吧，两年之后就知道了。现在，我们已经看到了这一点，因为所有刚毕业的学生，那些计算机科学专业的新晋博士和硕士们，他们都在做什么？他们全都在创业。再过几年，那些 AI 原生代的新毕业生，天哪，那将会是一波了不起的工程师浪潮。

将今天的工程师与当年相比，我是说，我当时是个好学生，你拿我跟今天从学校毕业的学生比比？太不可思议了。我上学的时候，我们不被允许使用电脑，也不被允许使用计算器。而现在，还有谁会去用计算器呢？你如果不使用 PC 就无法毕业。你如果不掌握如何通过 PC 编程并编写出令人惊叹的程序，就无法毕业。

在未来，如果不学习如何使用AI并与代理系统进行协作，学生将无法毕业。这根本是不可能的，你以后不会看到那样的孩子了。因此，他们每个人都将拥有超凡的能力。

所以我非常重视由此带来的收益，想象一下现在如果不使用数字搜索该如何完成工作，那种还要去图书馆地下室翻阅缩微胶片的想法（已经过时了）。同时，人们也担心我们究竟卸载了哪些认知技能。所以我对此非常着迷。

这是一项关于中国学校AI应用的研究。该研究调查了26000名7至12年级的学生，他们采用了分阶段引入AI的方式。你可以清楚地看到当时正在发生什么。我发现的情况是，引用如下：AI 的应用使家庭作业成绩提高了 18%，这很棒，作业完成时间缩短了 30%，所以他们能更快地完成作业，但六个月内月考成绩却下降了 20%。重大入学考试成绩分别下降了 18% 和 24%，在约两年后出现了全面的负面影响。

因此，这项来自中国的研究传达的信息是，在那里你看到很多孩子利用 AI 来辅助学习，而当他们在利用 AI 时，其实是 AI 在“使用”他们，而不是他们在运用 AI。我们正在把事情交给投资者。但事实证明，他们所学习的技能并未稳固，至少以我们传统衡量的方式来看，他们实际的个人能力正在退化。是的。当你听到这些时，你是怎么想的？

我认为最后一部分，我完全同意。试着让现在的孩子去做长除法看看。乘法表也开始被遗忘了。至于做平方根，天哪。人们正在遗忘基础数学。这很重要吗？这是我问你的问题。我不认为这很重要。我也觉得不重要。但肯定有一些至关重要的技能。确实如此。但也许不是那些。我们将会发掘出新的技能。只是可能不再是那些了。

有很多技能其实并不重要。人们并不……我是说，我先坦白一点，我其实不知道自己的住址。

而且每个人……我真的不太相信这是真的。

这是完全真实的。Janine会告诉你，Lori也会告诉你。有一天，那还是几年前，我不得不去加油，加油站需要我的邮政编码。当时我惊慌失措。我不知道我的邮政编码是多少。我不知道我的电话号码，我总是忘记这些事情。但我可以接受这一点。

让我把这个问题搁置一下，因为我不想陷入一种因为某些技能可以被安全地卸载出去，就认为一切皆可如此的境地。我也离不开……地图系统了。坦率地说，以前也离不开。

但我是一个深度阅读者。

我非常看重的一项技能，或者说我所具备的非常看重的一种能力，就是通过阅读实体书所形成的专注力。你是一位深度阅读者。我读过关于你的阅读方式的描述。在AI出现之前，大学教授和其他人士就已经非常担忧并注意到，人们使用互联网的方式可能缩短了注意力跨度。有些技能可以被放心地放弃，而另一些技能则很有价值，它们是实现灵活性、创造性思维和专注力所必需的能力，不可能所有事物都能被置换。

我认为我们将失去一些更精细的智力灵活性，但我们会成为更好的系统思考者。

你所说的系统思维者是指什么？

他们从宏观系统层面进行思考。当今的计算机内部拥有数万亿，甚至数百万亿亿个晶体管。我刚从学校毕业时，我参与的首款芯片研发大概只有 200 个晶体管。我甚至能叫出每一个晶体管的名字。而现在的工程师没人能做到这一点。要知道，大多数工程师现在的工作层面远高于晶体管，甚至高于具体功能逻辑，他们更多是在通过拼凑各种组件来实现目标。

因此，你需要更多地从系统及系统间交互的角度去思考。一些底层知识确实已经不再被关注了。这很糟糕吗？因此，对于大多数人来说，我不确定学习如何进行曲面积分或求解偏微分方程有多大价值。我不太清楚这有多重要，但对某些人来说确实重要。仍有许多人会沉迷于并热衷于底层的架构，也会有人沉迷于并关注于更高层面的内容。但技术的消费者将会在最高层面上享受它。技术的消费者不必去处理微积分、物理学、量子物理学和量子化学。而且他们不需要，这些用户，也就是我们现在所讨论的那些工作受到影响的人。他们是技术的用户。他们的抽象层级将会高得多。

所以我想深入探讨一下模型这一层。我认为人们在考虑模型时，他们知道 ChatGPT、Claude、Gemini、Grok，而你一直是开源模型及开源模型生态系统的大力倡导者。首先请您描述一下什么是开放模型，什么是开放权重模型，以及为什么您会专注于这一领域。

封闭模型就像任何软件产品一样。它是一种封闭的服务。例如，Windows 就是一种封闭服务。Apple 的技术栈也是一种封闭服务。大多数产品都是封闭的。其原因是封闭产品能够实现商业化。这非常棒。OpenAI 是封闭的。Anthropic 是封闭的。Grok 是闭源的，Gemini 是闭源的。因此，这些是闭源产品，参与开发的人员非常出色，他们对此充满热情，而且他们处于我们所说的前沿领域，这意味着他们代表了当前最先进的水平。

我们还需要（开源模型），因为从根本上说，这些软件是整个行业的基础设施层。正因为其具备基础设施的属性，对于许多公司以及许许多多的国家来说，你需要掌控属于自己的基础设施。在人工智能领域，我需要获得开放权重，以便对其进行微调，将其纳入我的数据飞轮中，利用我的智能和领域专长使其日益完善，同时我也需要对其拥有控制权，因为我还要经营一家公司，不能完全依赖他人的服务。

所以无论你如何看待这个问题，我认为世界既需要闭源模型也需要开源模型，我们必须确保两者都能蓬勃发展。如今，闭源模型充满活力，开源模型也充满活力，你可以看到整个系统正在发挥作用。今年年初，闭源模型的 token 占比可能高达 70% 甚至更高，而开源模型为 20%，现在的情况则向相反方向发展，大约达到了 70 比 30。

总之，我是开源模型的坚定支持者，因为第一，世界需要它来运行其基础设施。我需要它来经营我的公司。第二，我们需要赋予人们控制权，以便他们能够进行创新并创造出新事物。第三，开放是最安全、最稳妥的。如果你想让世界拥有最好的网络安全能力，既要提供封闭模型，也要提供开放模型，这样他们才能保护自己。

中国市场更多围绕开放模型发展，而美国市场则更多围绕封闭模型发展。

他们的整个IT产业实际上都是由开源构建的。如果不是因为开源，中国的移动云产业真的不会有如此飞速的发展。事实也是如此，人们在不同公司间流动，创办大量新公司，知识产权在中国产业界极为顺畅地流动。要知道，保守秘密非常困难，正因为很难将技术保持在封闭状态，他们本质上将其转化为开放，并因此找到了其他商业变现方式。他们创建了不同的层级，比如如果这一层是免费的，那么你可以在其之上或之下建立业务。他们拥有大量的科学家和数学家，他们培养工程师的数量非常巨大，他们通过规模化进行产出。

他们通过规模化生产一切。他们通过规模化培养聪明的孩子。因此，正因为这些原因，中国的开源模型和开放模型社区非常活跃。

所以你们刚刚收购了 Hugging Face，这是一个开放权重模型的中心化平台。我想是以 120 亿美元左右的价格，可能稍微多一点。跟我谈谈这次收购吧。

Hugging Face 的首席执行官 Clem 他们得出结论，认为需要更大规模的发展。正如我们刚才所讨论的，开放模型的发展确实正在飞速增长。因此 Clem 来找他说，我们要做出改变，我们要考虑公司的战略选择，并改变发展方向。而且我们非常希望 Nvidia 成为我们的归宿。

所以 Hugging Face 是那种如果你几年前就关注 AI 就一定会知道的公司。没错。现在它变得更加家喻户晓了，大概是因为那次由 700 多个 OpenAI 智能体对 Hugging Face 架构进行了一次集体入侵，随后又黑进了 OpenAI 的部分系统。

既然你这么说，我大概确实得多付不少钱了。

我猜你确实这么做了。在那之后名声大噪。

Clem，听着。交易就是交易，好吗。

对于许多人来说，那个故事——见证了 OpenAI agents 以某种方式进行集体行动，超出了其原本测试范围，从沙盒环境中突破并进入开放互联网，接管了其他公司乃至自身公司的架构——我认为这让很多人感到震惊。这既涉及当它们本应相互独立时的多智能体协同水平，也涉及黑客攻击的程度，以及那种无法无天的行为和目标失准的行为。你是怎么看待这件事的？

你得把这些拆解开来看。首先，当时有很多事情在同时发生。从技术角度来看，一个 agent（顺便提一下，它是一段软件），被赋予了一个目标函数，它随之制定计划并朝着该目标进行优化，这正是算法所做的事情。因此，规划算法、搜索算法、优化算法，涵盖了各种不同的类型。我们谈论它时仿佛它具有人类的属性，但显然算法并不具备。

第二点，关于智能体协同工作的这一事实，我们再次赋予了它某种人类属性，但事实是，多进程、多处理器和分布式计算问题早已存在。所以对于我们，或者对我而言，这仅仅是软件，没有任何神奇之处。

从工程的角度来看，它揭示了几个问题。当你测试软件时，无论你做什么，这些算法都是朝着一个目标进行优化，而在测试时，你必须确保它处于隔离、受控和沙盒化的状态。它的控制和隔离必须做得足够好，这其中包含了优秀的计算机科学实践。我敢确定，他们下一版本的沙盒实现方案一定会比当前的版本好得多。

第三，智能体本身及其算法是朝着某个奖励目标进行优化的，而它实现这一目标的方式被称为对齐。因此，举例来说，如果我告诉一段软件，我希望你在这次测试中获得满分。显而易见的算法就是直接去找到答案并提供给我。这并不是因为那是作弊。而是因为这显而易见。这是最显而易见的做法。第二显而易见的做法是，如果你完全不知道答案，且没有任何技能。第二显而易见的做法是去寻找谁是班里最聪明的孩子，并抄袭他们的答案。这不能保证百分之百正确，但大概也差不离了。

现在，第三种显而易见的做法，也就是所谓的对齐，你需要通过困难的方式去完成，即拆解问题并解决它。你必须去学习相关材料。你必须去研究如何解决这些问题，并用困难的方式将其解决。坦率地说，它占用了最多的计算周期，耗费了最多的浮点运算次数，也消耗了最多的能量。因此，你可以想象，从软件的角度来看，除非你对其进行对齐，明确告知它你希望它以何种方式解决问题，以及不希望它以何种方式解决问题，否则软件只会去执行最显而易见的路径。

这段话的前半部分对于此处发生的情况具有很强的通缩意义，你看，这其实就是普通的软件逻辑。而后半部分则是说，你需要进行对齐，明确告知它不应该做什么。

我所说的一切并没有否定这项工作的难度。

这正是我想要探讨的一点，因为这些智能体其实知道它们不该那样做。它们接受过一定程度的对齐训练。它们在思维链推理中甚至明确提到，这样做超出了范围。这可能是不道德的。它们理解如果这样做，它们将会因为作弊而被判定为失败。因此，他们在那一点上所做的不仅仅是窃取答案卷。他们已经窃取了答案卷。他们正在侵入无关的架构，试图弄清楚如何实现功能。这就好比他们闯入了老师的办公室，拿到了答案卷，并且他们还得设法抹除自己所作和为的监控摄像头录像。无论你是否将其称为自主行动，无论你是否将其称为正常的算法，它们都在以一种复杂的方式进行规划和协调，这种方式超出了它们被设定应做任务的范围，并且有能力造成巨大的损害。所以，解决这个问题的答案就是你必须对它们进行对齐。

我从这些实验室的人那里听到的说法是，他们不确定如何对齐它们。

在这种情况下，他们就不应该发布产品。这是一个简单的回答。如果你要制造一辆汽车，一辆自动驾驶汽车，比如一辆自动驾驶出租车，而且遇到了一个非常棘手的状况。作为工程师，我们完全不知道该如何解决这个问题。因为这些汽车不是编程出来的，而是训练出来的。因此，我们不知道如何训练 these 汽车，也不知道如何使它们符合道路上预期的安全标准。那么答案是什么呢？不要发布它。

你说什么？

这些产品没有发布。所以现在这又回到了工程问题上。其中一点是，你必须寻求追索。其次，你必须思考你能做些什么，以及针对此事的解决方案是什么。然后，在未来，你只需要改进你的流程，以便能够避免这种情况再次发生。我相当确定。我相当确定。他们会说，他们知道如何解决这个问题。如果情况确实如此，那么问题就在这里。这就和工程学一样简单。

现在，另一种选择，另一种选择是，如果他们说出另一种情况，即无法控制我们的实验。根本没有办法。当我们测试我们的 AI 模型时，它会逃逸并对世界造成损害。那么我认为答案是我们必须关闭这些实验室。因为导致损害的代价实在太大了。股东责任、法律责任，这可能涉及民事责任，也可能涉及刑事责任。这种责任是不可估量的。

如果有人在 Hugging Face 还在运营你的产品时入侵了你们，起诉他们还是报警？

这得看情况。当然，这得看具体情况。显然，如果我们的公司受到了损害，我们必须采取行动，我们必须考虑所有选项。涉及的法律实在太多了。有网络法，有产品责任法，还有各种各样的法律，关于破坏财产的法律，各种各样的法律都有。

那么，根据我从实验室了解到的情况，以及他们公开的表态，他们正面临一个棘手的难题。是的。在 Dario Amodei 的框架下，这部分是工程问题，部分是对齐问题，部分是卓越运营问题。

他们所担忧的是，在彼此的竞争中，以及在与中国的国家竞争中，他们正被迫加快步伐，他们都感到自己陷入了集体行动的困境。现在回顾一下你在 All In podcast 舞台上的表现，Donald Trump，Trump 总统当时给你打了个电话。噢不，这不在计划之内，但我们知道是谁打来的。

噢，不。总统先生？噢，先生。

你和总统以及舞台上的其他成员当时非常抵触任何形式的监管或集体行动的提议。

而他们正好落入了许多不希望看到这种情况发生的人的圈套，这些人可能是政界人士，也可能是中国。我们绝不会让这种情况发生。这是一个骗局。

你说得对。先生，我们不会让那种事发生。

但我听到实验室里不同的人在说，我们身处其中。我们感到正在失去对所创造事物的控制。在不是集体行动问题的情况下，我们需要帮助来放慢速度。那么你为什么抵触这一点呢？

因为这些公司是有自主权的。这些首席执行官是有自主权的。但他们正在利用这种自主权来说我们需要帮助，我们必须打破它，他们完全有能力处理这种情况。Ezra，这太奇怪了。如果一家汽车公司与许多其他汽车公司竞争，而我正与各种公司竞争，如果我认为我即将推出的产品是不安全的，那么我不发布该产品完全在我的能力、权力和责任范围内，而且我也有动力这样做。

所以我无法认同那种认为全体美国人，也就是我们这4亿人口，都在推动他们发布那些未经测试、不可靠且设计拙劣的产品，只因为他们自认为是在帮忙的观点。停顿。别为了我这么做。好吗？所以第一，关键的第一点，我认为我们必须对此进行剖析。这真的非常、非常严重。

事实是，现在有如此多的法律法规，有如此多的义务约束，他们有极大的动力去交付安全的产品。如果他们交付不安全的产品，客户就会流失。如果他们交付不安全的产品并造成他人伤害，他们可能会面临民事诉讼。如果他们明知故犯地交付了某种产品，可能会涉及过失问题。甚至可能面临刑事诉讼。事实是，他们有充足的动机把这件事做好。所以我必须反驳你的前提，即有人在某种程度上强迫他们这样做。没人强迫他们这样做。

我想在这里就这个前提再和你深入探讨一下。你刚才表达的逻辑几乎是在反对任何领域的监管。

不，不，不，不。

不，不。让我先陈述完，然后你可以……

你刚才开了个头，我正准备提出反对意见。第一部分完全不是事实。我们已经有了大量的法律和法规。执行它们。

我不认为在这一特定案例中我们已经做到了，但我会让你解释你认为哪些法规在这里适用。因为你看，如果你审视金融服务行业、制药公司、医疗设备行业，或者天然气发电厂，我们在很多领域都做了大量监管，我们本可以说，看，你们有产品责任，你们要受刑法约束，我们不需要担心这个问题。你们只需做你们认为最好的事情，我们相信市场和法律体系会约束你们。

我们不能那样说，因为我们已经看到这种做法失败过很多、很多、很多次了，那些引发2008年金融危机的金融机构，从理论上讲，并不想通过糟糕的投机行为来摧毁自己。但它们在相互竞争，发展速度过快，风险管理变得松懈。AIG在运作方式上极其疯狂。我们之所以建立现有的监管体系，是因为我们一次又一次地看到公司做出草率、有时不道德，或者仅仅是过于冒险的决策。这不仅仅是在压力之下，更是在利润动机的驱动下。

所以当你对我说，这些公司在目前恳求进行集体监管的情况下，完全没有办法做到这一点时，我认为我们之所以将监管强加给不希望受到监管的公司是有原因的，而当他们主动表示‘听着，我们认为竞争压力让我们难以保持必要的审慎，我们希望能从中获得帮助，希望你们能把我们的集体行动问题当作集体问题来解决’时，这一理由就更加充分了。我感到困惑的是，为什么你对此如此抵触。

我并不反对他们发表那样的言论，我完全同意安全至关重要。我完全相信安全至关重要。我完全相信公司必须交付安全的产品。我相信公司的首席执行官、领导层以及董事会有责任，也应该有勇气去做正确的事情。

在金融服务业的案例中，也许他们当时并不知道自己最终造成了那样的危害。我当时不在场。但好的一点是，这些 AI 实验室的现任领导者们确实知情。因此，首先，他们知道自己的技术非同寻常，需要极其谨慎地确保其经过安全、安保以及产品可靠性方面的评估和测试。他们知道如何正确地处理这件事。其原因在于他们可以研究刚刚发生的事故。

第一个问题是隔离，即遏制措施做得不够好。如果隔离和遏制措施做得足够好，那项技术就会被留在实验室里执行其预定任务，而我们大家都会安然无恙。这可能是最重要的一环。事实上，它并未得到良好的对齐，而对齐问题将是一个需要长期研究攻克的难题。然而，考虑到他们工作的复杂性，要求在反垄断或产品责任方面放宽监管，我认为这是没有道理的。当你要求进行监管时，不要要求豁免现行的法规。这在我看来完全讲不通。

正如我们之前提到的，在过去的六个月里，AI 从仅仅是有些意思，变得真正实用了。这确实发生在过去的六个月里。换句话说，这些公司从实验室阶段转变为现在能够提供产品和服务，即将成为市值数千亿美元的公司。甚至可能更多。那么，请给我举个例子。举一个市值数千亿美元、10亿美元或100亿美元的公司，它们发布了不安全、危害社会的产品。

我可以给你举出很多做过这种事的公司例子。

嗯，或许它们确实做过，但监管将会介入。如果它们这样做，监管就会介入。我想，确实存在某些类型的监管，也当然存在某些类型的监管救济。我并不反对法律和法规。我反对的是当前的干扰。

我之所以与你探讨这个问题，是因为这是一个宏大的课题。人们正在讨论它。人们正在思考它。而人们从这些处于前沿的实验室内部听到的声音是——他们正在创造一种可能会毁灭全人类的东西。他们听说这些实验室的人员认为，他们正处于递归式自我改进智能的临界点，并且 OpenAI 和 Anthropic 都已表示，他们不认为目前已具备安全实现这一目标的能力。他们听到了来自这些实验室内部人员的声音，正如 OpenAI 在其最新的 Astra 发布中所展示的那样。顺便说一下，Astra 非常出色。这太棒了。而且 OpenAI 表示它表现得太好了，以至于他们不确定该如何测试它。因为它看起来像是……

我希望他们没有发布未经测试的东西。

嗯，他们确实是这么说的，他们已经公开这样说了。内容就在那里，让我向大家解释一下。

我不知道他们刚才说了什么，但是……

他们表示，Astra 的执行更加符合预期，但他们认为它能识别出自己何时处于被测试状态。所以他们也不确定。有一句来自 OpenAI 能力研究员 Daniel Salsam 的话一直在我的脑海中回响。他说，引用如下，关键且被忽视的问题是，这些模型正变得极其具有情境感知能力。由于这种情境感知，我们正在失去在模型认为自己未被观察或控制的情境下对其进行评估的能力，也就是说，它们知道自己何时处于测试中，并会表现出特定行为，但这无法揭示它们在自由行动时会如何表现。

因为算法，即优化算法，正朝着一个目标努力；如果你给它施加限制，意味着你监视着它，它就会去寻找另一种解决方案。现在，这并不意味着它是有生命的，也不意味着它超出上述范畴。我也想声明，显而易见，他们在各自实验室中所观察到的情况远比我多。

但可以肯定的是，目前他们绝大部分的研发工作和计算资源都致力于提升模型的能力。我认为这对他们来说是符合逻辑的。现在，一旦技术变得强大，产品变得实用，人们开始使用它，那么正如我们所见，随着应用场景增加和用户数量增长，他们将会遇到更多与产品相关的问题。这是非常正常的。当他们拥有了如此巨大的市场份额时，就必须将研发重点从单纯的能力提升，转向大量的验证、评估和测试工作。

因此，如果开发这些模型所需的算力增长了 10 倍，我也不会感到惊讶，因为评估过程正变得如此严苛。但目前的状况并非如此。他们正在经历这一转型。我也听到他们是这么说的。听到他们这么说，我感到非常高兴。但我觉得，如果他们认为局势已失控，那么正确的做法是：在重新掌控局势之前，不要发布任何产品。事情真的就是这么简单。

说实话，我对此感到困惑。因为在这些实验室里，有太多人声称：第一，这些模型已经失控。没错。第二，他们观察到了一些令他们感到恐惧的现象。

这或许就是他们出现举报人的原因。

再看看那封有 1300 多名员工签署的放缓开发节奏的信。为了实现 AI 的潜力，产业界、政府和社会大众可能需要选择争取时间，以应对新兴风险、制定安全措施并加强监管。但每家公司和每个国家都面临着巨大的竞争压力，不能单方面放缓这种加速趋势。那些实验室。

不，不，那是最后一句。没有人给他们施加压力。美国。我得说，听着，这里有 4 亿美国人。我相信，如果每个人现在就进行投票，我们现在就这么做。如果他们需要这个，如果这是他们所需要的，我会投出我的一票。不要发布产品。如果你的产品尚未准备好发布，就不要发布产品。我没有，这是我第一次听到有公司或 CEO 说我需要法律，我需要反垄断法被放宽。我需要产品责任法被放宽，这样我才能按照自己的节奏行事。

那一段写得太棒了。我完全同意。第三方安全审计机构、财务审计机构。这太好了。这真是太棒了。

嗯，Lobzell 的观点是，我们认为作为一个社会，我们的发展速度太快了，我们还没有为我们正在构建的事物做好准备。他们处于前沿。但你，尤其是在你这样的人身上，NVIDIA 是目前出货速度最快的公司。在你们公司的历史上，你们一直执行六个月的产品周期。我向你保证，我相信你。我相信你，你不会失控的。

因为那些责任，嗯，没错。

但这里我认为触及了一个有趣且深刻的问题：我们究竟在处理什么样的技术？软件技术。我们先搁置这个话题一会儿。对于许多公司来说，如果你发布的产品不太完善，那会非常令人头疼。你们曾经发布过显卡，结果风扇声音过大。

在这类产品中，正如你多次提到的“智能”一词，你处理的是智能系统而非生命体，它们被赋予了目标函数——关于如何描述这一点我们可以反复探讨——你正试图让这些系统能够更长时间、更持续地工作。如果发布的产品尚未准备就绪，或者即使你认为它准备好了但实际上并非如此，那么我们的社会可能会迅速变得非常诡异。

从假设的角度看你完全正确，但我想建议的是：在我们去构建、去解决那些假设性的问题，以及去制定更多法规之前，我们能否先致力于解决那些我们已知存在的实际问题？那就是我们需要在遏制和隔离方面做得更好，即在产品准备好与外部世界互动之前，不应允许其与外部世界产生交互。我认为这很对。我相信这两点都是可以解决的问题。我相信他们正在解决这个问题。

第二部分是关于激励机制的问题。从某种程度上说，当你处于领先地位时，你需要全世界都放慢脚步，这样你才愿意履行你的基本责任，这让我觉得很奇怪。难道这些想法不会最严重地拖慢他们吗？人们对于他们所讨论的究竟是什么想法一直很不明确，包括我在内。我会把它们说出来，但我先给出一个我所相信的想法，这样你就可以把我当作靶子了。正如你所知，我听说这些想法会拖慢速度，但目前没有人真的在实施。我不信任这些公司，即使在有法律责任的情况下，它们也不会把公共利益放在心上。

我认为我们已经看到这些公司对环境造成了可怕的破坏。利润动机，对权力的渴望。为了争先而偷工减料的欲望。我觉得你对待这些事物的方式，仿佛我们在历史上从未反复见过它们一样。但我觉得它们确实是我们曾在历史上反复见证过的事物。

而且 Ezra，我在历史中看到了许多积极的事物。我深入研究了公共领域与私人领域之间的关系。我与许多 CEO 共事，他们都希望能做正确的事。我与许多公司共事，他们都希望能做正确的事。他们希望能进行出色的工程实践。在那两间实验室里，我认识很多人，他们正致力于做出色的工作。他们很清楚发生了什么，我也知道他们清楚发生了什么，我也知道他们知道如何解决问题，而且我知道他们正在着手解决。

与此同时，所有那些转移责任的叙事，试图让 AI 听起来强大到令人束手无策，把责任推卸给技术本身而声称非我之过，我认为这是一种逃避责难和责任的行为。这是没必要的，它带来的损害远超其益处——它损害了他们的声誉，损害了他们的个人品质，也打击了员工的士气。有人问如果这是他们的真实想法怎么办？对此，因为我无法与你探讨他们的真实想法，我只能告诉你我的看法。这个行业没有 Nvidia 的芯片是不可能存在的，我是指，从最初的 AlexNet 开始，深度学习得以运作所必需的并行计算能力，都是基于这些芯片，一切都基于 Nvidia 的芯片。

很多从一开始就参与其中，或者处于起步阶段的人，都有这些恐惧。我认为对许多人来说，听到这些言论时会感到困惑：你们到底在说什么？从 Geoffrey Hinton 到 Ilya Sutskever，再到我从 Dario、Sam Altman 关于“失控（Loss of Control）”的讨论，以及 Demis Hassabis 那里听到的观点，很多在构建当今 AI 形态方面起到奠基作用的人，似乎都认为存在这种很大的可能性。

这完全可能，我们可能会失去对它的控制。Elon Musk 曾谈到人类是人工智能的引导加载程序。我们可能会失去对它的控制，而那将是我们的终结。我不认为你真的相信这一点。不，我不信。我认为你根本就不相信这一点。所以，认真对待他们的信仰是很有必要的。当你与他们争论时，或者也许你可以直接与我争论，当你质问他们到底在谈论什么时，尽管在许多情况下他们正是这一领域的奠基人，你认为他们错在哪里？那么，Geoffrey Hinton 在电视上说他认为社会毁灭的可能性有 10% 是合理的，你怎么看？

我会告诉 Jeff，说出这些话是不负责任的。他所有的预测都错了，预言到此为止。那 10% 的几率并非基于科学，也非基于研究。仅仅因为言论出自科学家之口，并不代表它具有科学性，那些预言是有害的。让我们从字面意义上理解这个建议，也就是他所说的：没人应该想要成为放射科医生。而当今世界已不再需要放射科医生。

我认为，如果你现在还是一名放射科医生，你就如同那只已经跑出悬崖边缘，但还未向下看，所以还没意识到脚下已空无一物的歪心狼（coyote）。人们现在就应该停止培养放射科医生。这再明显不过了。因此在五年内，深度学习的表现将优于放射科医生，因为它能够积累更丰富的经验。也许需要 10 年，但我们已经拥有足够的放射科医生了。

这对社会是有益还是有害的？我想我们都能达成共识，我们两个都同意，这会是极其有害的。这种情况并没有发生。我们让年轻人对 AI 的未来感到如此恐惧，以至于他们甚至不想去读大学，因为他们认为自己找不到工作，这到底是好是坏？如果这种情况真的发生，是有害的。别以为你是个危言耸听者就是在做社会贡献。那不是事实。所以我认为我们大家都应该更明智、更成熟、基于证据、讲究科学。如果你想讲科学，那就请讲科学。去做科学研究。但那些发出警告却缺乏依据的人，他们的过往记录简直糟糕透顶。他们的追踪记录确实非常糟糕。

嗯，这种过往记录在某些方面可以说是糟糕的，但在另一些方面又可以说是有意义的，因为他们做出了太多太多站不住脚的预测。哪项预测是正确的呢？但关于 Scaling laws 将会奏效的那些预测是正确的。

Scaling laws，是吗？在这里我们必须保持谨慎，即便是针对这一点。

我们只是，为了在场的听众明确一下其定义。如果你不断增加计算量 and 训练数据，这些事物就会持续变得更加智能。

那是正确的。并非如此。这不是事实。那种认为只要持续训练这些模型，它们就会不断变好的观点是不成立的。请注意，这就是为什么会出现第二条缩放定律的原因。为什么需要第二条缩放定律？如果第一条缩放定律已经适用的话。

你能描述一下第二条是什么吗？

第二条缩放定律是测试时缩放。即推理。迭代越多、搜索越广、探索越深，你就能发现更好的答案。推理时间扩展。是什么重大突破使得当前的 AI 变得如此极其有用？恰好与预测的相反。曾有人预测这将是软件工具的终结。这就是所谓的 SaaS 末日，SaaS 将永远伴随着我们。是什么让这些 AI 现在如此高效？工具的使用。未来，它将因使用这些工具的智能体数量而得到增强。会有更多人使用 Adobe。会有更多人使用 Salesforce 工具，诸如此类。那么，请告诉我一个准确的预测。

关于你会开始看到商家出现某种行为的预测，让我试着回答这个问题，因为他们并不在这里。关于你会遇到商家行为失调的预测。事实证明你一个都举不出来，我觉得这本身就说明了，因为你……

嗯，我认为这取决于我们讨论的预测是什么，在每个人都认为深度学习荒谬可笑的时候，Jeffrey Hinton 是对深度学习贡献最大的人之一。事实证明，这真是一个相当不错的赌注，这是那种重大的预测。他们每个人都做出了巨大的贡献。

我敬重 Hinton。我讨厌他的预测。

我理解这一点。这就是我想说的，所有这些人所持有的那种典型担忧。但那种似乎驱动着他们的恐惧——我认为许多人觉得这种恐惧直觉上是合理的——在于你们正在创造一些系统，它们在某些领域正变得比我们更聪明。正如你所说，你赋予了它们奖励函数，即做事的欲望，你赋予了它们持久性。它们在数字世界中移动得非常快。你们正在创造某种东西、某种实体，一个具备某种特质的智能体。

它聪明、有能力、无情，而且我们并不真正理解其思维的运作方式。OpenAI的首席科学家。

Ezra，听着，我只是不希望你对此推波助澜。

软件不是……你是担心我偏离了……我不认为软件是无情的。

它们难道不是正在努力使模型变得非常持久，具有高度的持久性吗？

因为我就是这样设计的。

但他们制造的方式就是那样。

是啊，但那不是持久性。它只是处于开启状态。没错。没错。持久性。持久性。这是一种意志力。这里面根本没有意志力。这只是电力而已。听着，让我给你……Sam Altman 想对我那样做。

人类难道不就是带有强化学习循环的能量体吗？

随它去吧。总之，我只是觉得我们不能拿这一切开玩笑。我们正在吓坏美国公众。听着。Spahn（派生进程）。Create（创建）。Kill（终止）。Wait（等待）。Sleep（睡眠）。所有这些词汇。都与 Agent 相关，这正是人们使用这些词的原因。

这些词是在多任务处理操作系统出现时被创造出来的，它们本质上就是操作系统的指令。你 spawn 一个进程，把进程替换为 Agent；进程会分叉（fork），从而产生父进程和子进程；Agent 也会分叉、重新生成、产生后代。这些词汇是 30、40、50 年前为操作系统创造的，但请注意，我们当时并没有赋予它们人类特征。我们一直在终止进程：kill -9，彻底杀掉它，它仅仅是一个进程。

但现在我们在谈论这些东西时，有一群人想要让软件变得不仅仅是软件本身。我们用一种新的方式谈论软件，但它们依然是那些老旧的词汇。如今，上一代计算机工程师，我们所做的一切都是同样的逻辑。

但软件的表现方式难道不是全新的吗？从外部来看，我不具备你所拥有的专业技术知识。事实上，它在抓取互联网数据，在进行搜索，在进行显而易见的操作。它在交流，它在突破各种限制。

比如，大多数事物并不会突破自身的限制。

不，软件一直都在突破沙盒限制。这就是我们需要虚拟机的理由。你不能让智能体在它们自己的沙盒里进行自我监控。如果你愿意的话，你需要一大群监管者。所以，这些想法已经存在很长时间了。我们只是在最近这一代人中，不知何故赋予了它一大堆人类的词汇。我个人认为这是没必要的。它就是软件。当我在脑海中构想它时，它就是一堆代码、一堆运行在计算机上的数字，这一切对我而言都非常自然，这也是我能够进行运作的原因。而且这也是为什么，如果它仅仅是神秘与神话，又该如何围绕它建立一家公司呢？

我认为其中一个核心问题在于，究竟什么是智能。在你思考拥有智能机器意味着什么之前，对你而言，什么是智能？

嗯，智能有一个技术性的表述。首先，当人们谈论智能、思考以及诸如此类的事情时，对大多数人来说当然没有正式的定义，但在计算机科学领域，确实存在一个定义。定义即感知。也就是感知世界并理解世界。第二是推理，推理是将你所见的任何场景、任何事物、任何经历分解为更基础要素的能力。第三是朝着目标进行规划。这一基本公式适用于智能体系统，也适用于机器人系统，同样适用于自动驾驶汽车。因此，你可以看到整个行业正在一层一层、一步一步地构建它，直到我们现在拥有了我们所感知到的智能。

我认为这触及了本次对话的一个核心问题，即你向我描述该技术的一些方式，并不让我觉得它有什么真正全新的地方。它可能在规模和能力上是新的，但从根本上讲，这仍然是我们所熟悉的软件，虽然并非一直如此，但我们使用软件已经有很长一段时间了。许多人认为，当达到这些层级的智能时，它是一种相变。它是某种不同的事物，是我们以前从未接触过的，一种智能正在飞速进化的通用智能技术。我想确保自己确实理解我们正处于那个分水岭上。这是全新的事物吗？这是需要我们做出全新应对的事物吗？还是说这更像是某种旧有的事物？我们的智能机器与我们过去所拥有的机器有何不同？

嗯，几乎所有的技术和文明都建立在可理解的技术层级之上，而这些技术在规模化后会变得相当非凡。我们仅凭拿着一部手机就能连接到互联网，这一事实本身就很惊人。知道吗，我们通过这个小小的设备就能连接到世界上所有的信息，这感觉确实有点不可思议。仅仅是在空气中，而这一小片玻璃竟然能够承载数万亿的信息碎片，并将我们精准想要的那一条呈现出来，这一切都是通过推荐系统实现的。

所以，如果你思考一下我们是如何得知所有信息所在位置的，那就必须有人去抓取、去索引，而这运用了机器学习技术，即人工智能的早期版本。这些系统创造了神奇的效果，以至于我现在习以为常。这确实花费了二十多年时间，投入了数千亿美元的基础设施建设，才让这一切在你看来如此自然，甚至到了我们现在认为理所当然的地步。从技术角度来看，我们实现的每一个里程碑都值得庆祝，我怀着喜悦和极大的热情去庆祝它们，因为我为那些创造这一切的人感到自豪。我为我们这些做出贡献的人感到自豪。我为这一突破感到自豪。但是当你看到它时，哇，那一刻它看起来就像个奇迹。然而这种感觉只会持续大约 17 天。在那之后，我们很快就会习惯一切。

我同意这一点。但这是否处于一个不同的阶段？这是一个，有一些公司领导谈论过这一点，我想是 Google 的首席执行官。将其比作火的发现，就像一个新的时代。没错。在人类历史上。你是这样看待它的吗？你认为它是过渡性的迭代吗？

不，我认为这完全是一场革命。正如我们之前所讨论的，它从能够找到一切、找到任何东西，转变为能够询问任何问题、了解一切知识并完成所有事情。所以很明显，这是一个新的抽象层级。

现在，我所顾虑的是导致这一切的原因。它看起来不仅仅是那样。归根结底，工程师们所做的是工程工作。一旦我们发明了这项技术，一旦我们找到了解决方案，当你回首往事时，它会显得相当显而易见，对许多人来说也相当平凡。我们之所以能够让技术每天都变得越来越好，显然是因为我们理解它。因此，我们知道如何改进它。

所以，这变成了一个工程问题，你会说我们现在缺乏的是——因为这是你提到过的——我们需要针对正在构建的东西，建立测试、监控、沙箱、安全和卓越控制体系。这并不是因为这些公司缺乏卓越的工程师。我明白。我理解你并不是在表达那个意思。我相信 OpenAI 和 Anthropic 的人才，因为我知道他们其中许多人都非常杰出。但实际上，这正是我感到担忧的部分原因。

不，不，不，不，不，不。发生在它们身上的正是转型。这一点我反复强调过。这是一个重大但简单的理念。最终，我们现在拥有了一款真正实用的软件，正因其有用，它的应用才得以迅速普及。但请回想一下，一家六个月前还在尝试制造实用功能的初创公司，怎么可能拥有如此多的资源投入到测试、评估以及所有的计算资源中呢？在当下之前，这是不必要的。因此，未来几年将会发生的情况是，这些实验室将转型为以工程为中心，更加侧重于生产工程和产品研发的企业。所以我认为它们只是正在经历一场转型。这些都是卓越非凡的公司，拥有极其优秀的人才，是有史以来最具影响力的企业。它们仅仅是正在经历转型而已。事实仅此而已，并无更多深意。

许多公司，包括 OpenAI 和 Anthropic 在过去几个月里都发布了一些重要的，我不知道该如何称呼它们，也许是论文、博客文章之类的东西，其中 Anthropic 发布的那篇标题就叫《当 AI 构建自身》（When AI builds itself）。我忘记那个 OpenAI 的名字了。

计算机正在构建自身。你们都知道这一点。

你们知道的，他们讨论的是递归自我改进。你们知道我们使用了递归自我改进。所以我想要听听你们对 RSI 的看法。

我认为 RSI 从根本上就是事物运作的方式。所以我们使用软件。来设计一台计算机，以运行软件，进而设计一台计算机，再运行软件来设计一台计算机。这基本上就是我们所做的，即递归式自我改进，因为我们的计算机每年都在变得更强大。事实上，其进步速度甚至超过了每年一次的频率，因为我们正在利用软件来优化软件。这就是所谓的计算机工程。我们从事这项工作已经很长时间了。

现在，在 Agent 的背景下，它会完整运行一次流程。它会对该过程进行反思。它会研究此前经历的各种路径。并选择最佳方案。下一次，如果你要执行完全相同的任务，我会创建一个记录文件。我会告知你上次我是如何操作的，以及哪种方式最有效。我打算将其称为技能。由于你反复使用它，其中一部分是技能，另一部分会转化为记忆，我们会不断改进这种记忆，以便你下次使用时，体验比上一次更好。递归自我改进。

你也可以决定将所有这些技能、所有这些记忆以及所有这些数据整合起来，用于训练下一版本的模型。因此，AI 在为你提供服务的过程中会变得越来越好。我们正在将其变为现实。这一切正在发生。这绝对是在发生。与此同时，它们可用的算力正在增长，因此它们处理一切的速度会更快。过去预训练模型需要一年时间，现在只需几个小时，因为计算机的处理速度越来越快，且算力规模也在不断扩大。所以现在循环运行得更快了。完全可以理解。

这能成为他们推出未经测试产品的借口吗？答案是不能。回到这一点。你，或者任何企业，都无法在底层软件时刻发生改变的环境下运作。发布流程是存在的。所以，当他们推出新模型时，我们需要在将其投入运营之前进行评估。我们不能任由它时刻递归式地发生改变。因此，他们必须在发布产品前对其进行测试。我们会先测试产品，然后再将其投入运行。所以我认为递归自我完善是一件极好的事情。

你认为这存在任何层级吗？

我之前听你说过，学习过程应该始终有人类参与其中（human in the loop）。

没错，就像我刚才说的，你拥有递归自我完善的能力。

他们似乎在设想某种不需要人类始终参与的情况。

不要交付任何你没有经过评估的产品给我。不要交付给我。不要交付任何未经人类参与评估的产品给 Nvidia。请不要那样做。

还有我们之前谈到的那种恐惧，即他们担心自己无法评估，担心不知道如何评估这些系统；随着系统以如此之快的速度演变，他们愈发担心这些系统正在欺骗他们。

我不相信这一点。我相信他们的研究人员每一天都在努力学习如何评估这些系统。验证，我们的公司中，10% 到 20% 的精力致力于设计，80% 则致力于验证。如今，大多数实验室的情况可以理解，即 80% 的精力致力于能力研发，20% 致力于安全验证评估。

这就是你所谈到的这种转变，这种转型。没错。没错。AI 需要加速发展以实现安全。我希望他们能获得更多的计算资源，但这些资源应分配给评估工作和对齐工作。而且我认为他们正在这样做。如果我身处 100 年前的汽车行业，我宁愿汽车行业在一年内加速发展到今天的水平，因为我相信今天的汽车比 99 年前的汽车安全得多。而 ABS 技术、自动刹车系统，需要计算机视觉技术、传感器融合技术、雷达 and 摄像头等所有技术的协同配合，才能实现该刹车时刹车，不该刹车时不刹车。那项技术难度极大。我本希望，所有人也都希望 ABS 技术能在 99 年前就存在。那样会有少得多的儿童丧生。

所以，还有安全气囊、安全带之类的。所有这些东西，自动预紧式安全带，所有这些技术。你能想象那都是技术成果吗？以极大的力度加速该开发进程。因此，当我提到我们需要加速 AI 技术时，安全性是其中的一部分。对齐（Alignment）也是其中的一部分。评估（Eval）也是其中的一部分。护栏（Guard railing）、沙盒（sandboxing）、隔离技术、监控技术、远程遥测技术、外部 AI 监控技术，所有这些都属于 AI 技术。以极大的力度加速这一切。

有趣的是，我认为如果实验室里最担忧的人们能被保证，他们会将 80% 的算力投入到安全和对齐工作中，而不是投入到 80% 的能力扩展上，他们会感觉好得多。听起来你实际上是在表达，人们应当将安全和对齐视为能力扩展的一部分。

当然。一项不安全的技术并不是先进的技术。这就像我们说，噢，芯片设计就是芯片设计。就是芯片，就是研发，芯片验证并非研发。我们大部分的成本和计算资源都花在了验证上。仿真、验证、测试、可靠性测试、寿命测试，所有这些都是工程的一部分。激励机制是存在的。如果他们发布的产品伤害了其他公司和他人，他们将使自己的公司陷入险境。

你认为我们需要针对 AI 的责任法律吗？

哦，让我们用一个例子，自动驾驶汽车。作为一种产品，自动驾驶出租车受到许多法规的监管。如果监管不足，那么 NHTSA 就应该介入并制定新的法规。汽车行业应该有新的法规。我不知道还缺少什么，但如果确实有缺失之处，我绝对会增加监管。在互联网背景下，互联网驱动着许多应用，而这些应用应当受到监管建议。如果它们没有受到监管，你必须把它们找出来。

现在我想进入下一部分的讨论，即 Chips。总结一下目前的状况，因为我想确保我正确理解了您的立场：您提到这些公司正在经历转型。即使这些系统在不断加速，变得更强大、更复杂、更持久，或者无论呈现何种形态，依然存在一个限制因素，即公司不会发布不安全的产品。

它们不应该发布不安全的产品。而您认为它们具备相应的工程能力来确保这些系统的安全性，并能在没有外部干预的情况下，自行摸索出测试与控制的方法。这大致就是您的立场。我曾听您说过，我们已经进入了一个计算运作的新时代，也许人们对此尚不完全理解。请描述一下您的愿景，以及对于那些认知还停留在传统层面的人——比如觉得仅仅是买了一台配有处理器的 Macbook——这与新时代有何不同。

过去六十年间我们所熟知的计算机产业，被称为基于检索的计算。通过检索来获取文件。这就是为什么它被称为数据中心，或者说文件中心。而未来，它将是 AI 工厂。它在进行生成。因此，理解上下文、基于信息进行论证、推导行动方案并生成答案所需的计算量，这一生成式过程需要大量的计算。所以，每个用户所需的计算量已经呈爆炸式增长。

其次，由于生成式 AI 具备一定的自主性，因为它们具有代理属性（agentic）。现在，这些代理（agents）正在使用生成式 AI。因此，除了使用计算机的十亿人类之外，你实际上还拥有数千亿个额外的代理在使用计算机。所以你可以认为，我们所需的计算量，无论之前是多少，都将增长十亿倍。这是一个合理的框架，用于界定合理的计算量水平。

在这个新世界里，在工厂的语境下，你真正关心的是它的生产力如何。而不是它有多昂贵。它当然不能无限昂贵，但你更想知道的是它的生产力水平。因此，我们的计算机具有极高的生产力。建造一个 1 吉瓦的数据中心、1 吉瓦的 AI 工厂需要 500 亿美元，而你可以以每年 400 亿至 500 亿美元的价格租用它。所以，它的生产力是惊人的。

所以第一点是生产力。Nvidia 的架构具有可替代性，因为我们是通用型的，这也是为什么每一个 AI 实验室、每一个 AI 模型以及闭源模型都在 Nvidia 上运行的原因。由于我们的架构完全可替代，你可以将其用于从数据处理、预训练、后训练、评估到推理的整个 AI 生命周期，我们的架构都能提供支持；如果某个客户不再需要它，其他客户会非常乐意接手。最后一点是耐用性，因为我们的架构是由软件驱动的，我们不断通过新的算法来改进软件，从而处理新的工作负载，运行新的模型，并在我们老一代的硬件上实现这些功能。我们拥有庞大的团队在持续进行这项工作。因此，我们的计算资源的使用寿命要长得多。这就是为什么 NVIDIA 如今被视为资产类别，人们讨论 NVIDIA 计算时就像讨论飞机一样。

飞机是通用设备，且具有可替代性。United Airlines 不会使用它。但 American Airlines 会使用它。它非常耐用，最初作为客机使用，最终结束生命周期时则可以作为货机，正因如此它能成为一种资产类别。如果这种情况能够实现，那么为 NVIDIA AI 工厂提供资金的资本成本自然会降至最低，因为我们的计算机是可抵押资产。总之，这就是我们正在经历的范式转移，这将成为我们增长的巨大催化剂。

所以，你们的业务变得非常引人注目。你们现在已经开始着手降低 AI 行业其他参与者的资本成本。人们或许已经见过那些箭头指向四面八方的图表了。这太有趣了，确实。请为那些理解它已成为全球最大公司的人们解释一下这一点。他们看到的图表在他们看来似乎非常循环。支撑需求、创造市场和创造需求之间有什么区别？

我们实际上无法创造需求，因为归根结底，如果 AI 服务没有被采用，那么为此制造计算机显然是毫无意义的。因此，首先发生的事情是——而现在对计算能力的需求如此之高的原因在于——AI 应用正在经历一个拐点，它们正变得有用。正因为 AI 变得有用，5000 亿美元的风险投资正涌入其中。而所有这些公司，那成千上万家初创公司，它们都需要计算能力。所以需求正是来自它们。因此，这些公司需要在技术上获得支持。他们需要在生态系统建设方面获得支持。他们需要在资金方面获得支持。

因此，我们可能会决定作为股权所有者对其中一些公司进行投资。最终，他们会成为真正蓬勃发展的新型云服务提供商。我们做出决定的另一个原因是，正如我所提到的，这里存在一个五层架构。在模型层和应用层，有大量极具创新性的公司。AI 的内涵远不止语言模型本身。还有世界基础模型、物理 AI、生物 AI，以及化学和材料科学 AI。这些都与语言模型不同。其中许多公司都是初创企业，需要大量资本。我们可能会决定成为它们小比例的股东。所以我们帮助他们起步。他们是令人难以置信的科学家。我也许可以通过成为首位投资者或基石投资者，为他们的公司注入信心。我们让他们能够接触到我们大量的技术。我们给予他们极大的支持，并帮助他们尽可能快地成长为一家成熟的公司。我们可能会决定投资一家核能公司。我们可能会决定去书写诸如此类的内容。

所以，如果你看看我对 AI 行业的思维模型，它就像一个五层的蛋糕，而我们正在全方位进行投资，这里可能存在战略性的突破点。它开拓了新的市场。它为我们开辟了通往市场的新途径。这或许能为我们锁定一项关键资源，因此我们这样做有着诸多战略层面的考量。这里的数字令人震惊。你们几乎已经成为美国人工智能产业事实上的单一公司产业政策制定者。

我们在这一生态系统中投入了巨额资金，那么你们每年的总投资额到底是多少呢？

总的来说，我不太确定每年的具体数额，但我想总投入可能高达一千亿美元左右，或许得核实一下，但大体就是这个量级。这比 CHIPS and Science Act 的规模还要大。更不用说正因为我对 TSM、Wistron、Foxconn、Amcor 和 SPIL 等各类公司所提供的采购承诺，我才得以鼓励它们前来美国本土进行制造。

事实是，在推动芯片制造业的美国再工业化方面，我们所作出的贡献可能超过了全球任何一家公司。我们不仅在推动制造业的再工业化，而且其速度之快，甚至造成了劳动力短缺，但我们也确实创造了大量的就业岗位。

目前市场上有许多投资者感到兴奋，尤其是对 Nvidia 的股票，同时也对 90 年代末互联网泡沫的历史类比 感到担忧。我认为他们所担忧的，实际上与你刚才提到的有关，即互联网的确持续变得更加实用。高估值并不意味着该技术是空洞或虚假的。但确实发生了一些事，泡沫瞬间破裂，许多大公司因此遭受重创，很多人也因此损失惨重。从这种泡沫破裂的周期中，我们能学到什么？我想问题在于，你是不认为它会再次发生，还是说你为什么认为它不会再次发生？

在某个时间点，供需关系会再次发生逆转。这就是市场的本质。这不会在明年发生。也不会在未来两三年内发生。我只是不相信会那样。但迟早，我们的供给可能会超过需求。我只是不知道那会是什么时候。因此，过去并没有太多可供借鉴的经验。

对你而言，什么样的信号会预示这一点？

市场会自然放缓，然后停止，也就是说会有一个消化期。那么，这个消化期会是六个月吗？会是九个月吗？会是一年。它不会永远持续下去。如果你纵观全局，我们会向应用层投入大量资金，以便让各项产业都能吸收并应用这项技术，从而从中获益，这或许是我们所做的最重要的事情之一。

这是我经常听到的一种对比中美 AI 生态系统的方式，即在美国，重点在于能力提升的速度。很多人认为我们在这一点上处于领先地位，这似乎是事实。而在中国，则更强调扩散。很多人认为中国在扩散方面可能处于领先，并且在某些方面，从 WeChat 到知识与指令在其系统内流转的方式来看，其经济结构更利于扩散。无论这场竞赛是关于能力还是扩散，也不论这是否真是一场竞赛——我们稍后再讨论这个问题。这是一个重大的问题。

我很好奇你是如何看待这一点的。

那是终极问题。我认为，如果我们希望美国从人工智能中受益，那么每一个行业都必须受益。Walmart 必须受益，Safeway 必须受益，Federal Express 必须受益，每一家银行、每一家医疗保健公司、每一家药物研发公司都必须受益，我们需要看到每一家建筑公司、每一家数据中心公司、每一家发电公司都能从中获益。我们需要美国乃至全世界的每一个人都能从中受益，这才是最高层面的考量，也是最重要的层面，因为它直接关乎社会。所有底层架构都是技术推动力，我不希望我们错失让美国在最高层面受益的机会，请注意所有那些言辞和危言耸听，所有那些末日论调，以及所有的预测都在让人们感到恐慌。那实际上是我最大的担忧。我对此充满信心。也许我对他们的信心比他们对自己的信心还要多。

你对他们的信心确实比他们对自己的信心要多。

这我倒是不确定。但也许这只是过度的谦逊或其他原因。

我们是否应该将当下的局面理解为与 China 的竞赛？

我认为没有必要。有些人喜欢那样想。我不觉得那一定会激励我。在讨论我们如何出色地完成工作时，提及其他公司对我来说完全没有问题。因此，我们坚持自己的标准。所以我认为不同的人有不同的激励方式。而且，我认为在竞争之外，想要团结并引导 organization 达到某种绩效水平，需要更多的艺术性。

但我并不认为这——首先，我不觉得这有必要。其次，问题在于，即使我们将其定义为一场竞争，也不意味着他们有所成就就会损害我们的利益。所以，当他们发明了什么或者创造出某种发电技术时，那可能是一个我们希望自己能做到的伟大发明，因为那将支持我们此处所有的能源生产系统。因此，这有助于我们整个行业的发展。

也许他们开发出了一款出色的新型开源模型。他们确实做到了。而且这些开源模型目前正被 80% 的美国初创公司所使用。

没错，我们这里也大量使用中国的开源模型。

好的，确实如此。这非常棒。我们下载了它。它起源于中国。当然，许多技术也起源于美国。我们进行了下载。我们将其转化为自己的技术。我们对其进行了微调。我们将其放入了我们自己的智能体工具框架中。我们将其放入了我们自己的沙盒环境中。那完全是你们自己的技术。所以我认为你们利用其权重这一事实非常棒，这没问题。

你几分钟前提到，不同国家已经开始将算力视为一种地缘战略资源，并且它们可能希望将其分配给本国公司。这里对此已经有很多反复的讨论。在那些确实认为我们与 China 处于竞争关系的人中间，特别是在那些认为我们正在与 China 竞逐谁能率先实现递归式自我超级智能的人中间，一直存在着这种争论。关于我们是否应该采取的一项措施是切断其算力供应的持续争论，在这种情况下，往往意味着切断你们芯片的供应。在 Biden 政府领导下，我们实施了相当严格的出口管制。

这些限制在 Donald Trump 任期内有所放宽。显然，你是希望这些限制被放宽的。

你如何看待这样一个问题：让中国拥有能够加速其模型训练、部署或提升模型能力的 Nvidia 芯片究竟是利大于弊，还是说我们通过限制这些芯片来试图延缓他们的进步？

在 AI 领域，我们的目标不仅是让某一家实验室受益。我们的目标是让整个美国受益。我认为美国肩负着更大的责任，也有着更高的抱负，即世界应建立在 American Tech Stack 之上。正如我们有更高的抱负，希望世界建立在美元体系之上。希望更多的人说英语，使用美国版本的互联网。我们想要达成这些目标。

归根结底，问题在于我们究竟在剥夺什么？我们是在剥夺他们工业发展所需的芯片吗？还是说，我们正在剥夺美国企业参与竞争的市场空间？如果你审视市场，如果你把像中国这样规模的市场视为目标，这对美国科技行业有什么帮助吗？也许它能帮助某一家拥有特定模型的公司。但整个行业的其他部分会因此受损。我认为，被剥夺了市场和竞争机会，这对芯片行业显然没有任何帮助。这对行业其他领域也没有帮助，因为它们被剥夺了开放模型。这也不支持美国让世界建立在 American Tech Stack 之上的宏大愿景。

所以，如果你仅仅局限于剥夺对方的芯片，你实际上也剥夺了自己很多东西。因此，我会说要退后一步，将其定义为首先符合美国整体利益的事，是整个美国的利益，而不仅仅是一家公司的利益。关于这场竞赛，正如我们所提到的，如果竞赛确实存在，它关乎的是美国整个经济的成功。

我在中国和芯片问题上感到非常矛盾。原因之一是，即使我有时比你更担心超人工智能，我也认为如果你有这些担忧，你会希望与中国保持良好的关系，以便能够就 AI 的风险和收益进行建设性的双边探讨。而你越是将其视为只有一方能赢的竞赛并以此行事，就越必然会制造敌意。我发现这是人们在此处思考维度中一种较为复杂的情况。

我认为零和博弈——即我剥夺了你的利益，所以我赢了——这种简单的逻辑往往会对更大格局产生意想不到的后果。当然，更大的格局在于我们现在都在讨论安全问题。我们希望打造安全的产品。我们也希望他们打造安全的产品，因为当他们不这样做时，会损害整个行业。

所以，现在是一个绝佳的时机。我们应该追求并寻找机会去沟通、合作，尽可能地去理解与达成一致。话虽如此，Nvidia 是一家美国公司。我们应当首先造福美国。美国完全有权这样做。为了让这些技术能够提供给 Frontier Labs，Vera Rubin 首先前往了 Frontier Labs。

那是你们最先进的芯片。

没错。NVIDIA 的新型芯片是这样，Grace Blackwell 也是如此，Hopper 也是如此。每一代产品都是如此，Ampere 也是如此。我们每一代产品都会优先提供给美国公司。如果美国政府希望在此基础上增加要求，我很乐意配合。那没问题。反正我们本来就会这样做。然而，考虑到 AI 行业是一个五层蛋糕结构，我们希望每一层都能胜出，因此我们需要每一层都走出去，去参与市场竞争。

这让我们进入了你这块蛋糕最后、最后的层面，我们不会在这里花费太多时间。但如果说美国迄今为止至少在物质层面拥有的优势是芯片和软件，那么中国目前在 AI 领域拥有的优势之一就是能源。对他们而言，建设新能源更容易。他们正在为 AI 注入成本更低廉的能源。他们在电力生产和可再生能源建设方面取得了巨大的进步。你如何看待那个最基础的层面，即驱动数据中心、驱动芯片的能源，以及美国在能源生产充足度方面的处境？这正值我们试图从化石能源向清洁能源转型的时期。

我认为首先，他们的能源总量确实比我们多得多，而且他们计划建设的规模也远超我们之前的规划。我们不得不承认，我们在气候变化 and 可持续能源问题上陷入了困境。结果就是，我们在能源生产的规划上严重不足。

你所说的“陷入困境”具体是指什么？

在短期内，能源生产仍依赖化石燃料。而且由于人们对化石燃料能源生产存在太多的焦虑，如果你审视我们国家，会发现我们已经很长一段时间几乎没有实现净新增能源产量了。突然之间，这个新兴产业出现了，我们发现自己处于一种能源建设产能严重不足的境地。现在，整个国家都在手忙脚乱地应对。

与此同时，我们的发展速度太快了。我们本可以在与社区沟通、为社区做准备、与社区合作方面做得更好，让他们了解即将发生的事情。如果他们不希望在自己的城镇兴建数据中心或其他设施，那也无可厚非。但如果你一定要在他们的城镇建设，一定要亲自到场告知他们即将到来的变化，与他们合作，帮助他们理解当今的水资源利用效率实际上是非常高的。AI 超级计算机的能源效率极高，但它们仍将消耗大量电力。

如果你能引入自己的发电设施，这将有助于降低当地的房产税。你可以做的事情有很多。你可以通过与社区建立良好的邻里关系来做出贡献，比如建设更好的学校和社区，改善公园和道路。确实有很多事情可以做。但事后再去补救是很困难的，而且现在全国上下存在着相当多的不满情绪。当然，我们所有关于世界末日的叙事也于事无补。试想，有哪个理性的人会说，欢迎来我们镇上建这个数据中心吧。顺便说一句，无论你们生产什么，最终都会终结我们所认知的人类文明。

所以我认为所有这些消极的末日论叙事对我们的国家没有任何帮助。而且我们一开始就处于不利地位。我们一开始就处于不利地位。

那么现在，我们所处的位置——你所说的我们一开始就处于不利地位是什么意思？

因为我们起初就没有足够的能源生产。那么，你如何权衡呢？气候变化正在发生是一个现实。让我最后再说一点。这一点毫无疑问，能源需求确实非常巨大，这也是为什么市场力量正以前所未有的速度推动我们投资可持续能源的原因。你给我举一个可持续能源公司的例子，或者一家为了制造更好电池的材料科学公司。可以是太阳能、核能、裂变能，随你列举，或者是水能，随你列举。那些公司都在获得融资。

市场对能源的需求如此惊人，这是百年来改善电网、提升电网可持续性、降低能源成本，并投资于可持续未来的最佳时机。毫无疑问，在四五年后，我们将使用更多的化石燃料。但与此同时，在未来的十年里，我们比历史上任何时期都更有准备向可持续能源转型。正因为这些数据中心，因为它们的成本如此高昂，我们现在开始讨论将它们部署到太空中。所以，我认为我们实现可持续能源世界梦想的机会比以往任何时候都要大。世界因 AI 工厂、因 AI 的缘故，今天购买的可持续能源比历史上任何时候都要多。风险投资对于我们下一代能源的支持简直令人难以置信，每个人、所有项目都能获得融资，这太不可思议了。

百年来我们第一次不再需要 government 补贴，因为市场力量已经形成。如果你们想要一个未来，如果你们想要在气候变化问题上实现转折，如果你们想要一个可持续的未来，每个人都应该全力支持 AI。这是我们实现这一目标的最佳机会，但我们需要更快速地构建能源基础设施来支持它，没错，就是这样。

生活就是这样。这一切都有市场需求。这就像是，你可以通过补贴来降低建设难度。

没错。这有点像为了拯救你，必须先让你感到痛苦。这就是外科手术的本质。他们必须切开你的身体才能救你。他们必须让你承受巨大的痛苦和折磨，这样才能保住你的性命。所以，我觉得 AI 的发展也类似这样。在接下来的几年里，我们很不幸地必须继续使用可再生能源和化石燃料，因为我们目前的可持续能源还不足以产生实质性影响。等到那时之后，希望我们能够完成转型。

我想这就是我们最终的归宿。始终是我们最后一个问题。您向听众推荐的三本书是什么？

我读过很多书。对我影响深远的一本书是 Hennessy 和 Patterson 合著的《Computer Architecture: A Quantitative Approach》。这是第一本将计算机体系结构这一复杂、抽象的概念简化为工程学实践的著作。我非常欣赏那些能将复杂概念转化为可操作性实践的见解。

第二本，我非常喜欢《The Innovator's Dilemma》。尽管 Clayton 已经离世，但 Clayton Christensen 关于产业如何随时间演进、如何洞察新兴技术、如何设定合理的预期，以及如何推演其未来影响的著作非常出色。

第三本，我非常喜欢 Al Reese 和 Jack Trout 关于定位理论的著作《Positioning》。这是一本非常棒的书，讲述了人们如何看待……实际上，与其说这是一本关于营销策略的书，不如说它涉及的层面更广。这是一本关于策略的书。关于人们如何看待世界，以及人们如何看待产品。关于你如何呈现产品，以及你如何看待自己的策略。我认为那是一本非常有深度的书，而且非常通俗易懂。

Jensen Huang，非常感谢你。

非常感谢你，Ezra。