撰文：Techub News 整理
在这场对话中，英伟达创始人兼CEO黄仁勋围绕生成式计算、AI基础设施、再工业化、能源、智能体、物理AI、开放源码以及中美技术竞争，系统勾勒了他对下一阶段人工智能浪潮的判断。 与其把AI仅仅理解为“会聊天的机器人”，不如把它看作一种新的计算范式：过去的计算以“存储—检索”为主，如今的计算正在转向“理解上下文—生成结果—执行任务”。 这并不是概念上的修辞，而是对产业结构、人才结构、基础设施和国家竞争力的重新定义。
黄仁勋提出，传统互联网时代的主流计算方式，本质上是“检索式计算”。 人们先把内容写好、录好、存起来，再通过搜索、推荐、广告分发等机制，把既有内容匹配给用户。 这种模式背后的核心资源是存储、索引和分发能力，因此数据中心长期以来更像是“数据仓库”。 而生成式AI改变了这一逻辑：系统不再只是把已经存在的内容拿出来，而是根据用户的意图、上下文和目标，实时生成此前并不存在的答案、摘要、图像、视频甚至行动方案。
这就是黄仁勋所说的“生成式计算”。 在这一框架下，计算机不再只是被动执行固定指令，而是能够感知文本、图像、视频等多模态信息，理解人的需求，进行推理、规划，并返回最适合当前情境的结果。 从本质上说，AI让“计算”第一次从静态信息处理走向动态智能生成，也因此带来了对算力、系统软件、网络、能源和数据中心形态的全新需求。
从“芯片公司”到AI基础设施公司
对很多公众而言，英伟达最广为人知的标签仍然是GPU或“卖芯片的公司”。 但黄仁勋在对话中反复强调，英伟达做的并不只是芯片，而是“现代AI的计算基础设施”。 这套基础设施包括芯片、系统、系统软件、算法、中间件以及适配不同产业场景的整套技术栈，覆盖云端数据中心、企业本地部署、工厂、通信基站、汽车等多种环境。
这一定义很关键，因为它解释了为什么AI竞争从来不是单点竞争，而是生态竞争。 当AI进入产业化阶段，决定胜负的并不只是某一代芯片快多少，也不是某一个模型在榜单上领先多少，而是谁能把硬件、软件、工具链、开发框架、行业解决方案和合作伙伴网络真正连接起来。 黄仁勋所描述的英伟达，更像是一个为AI时代搭建“计算织网”的平台型公司，而非传统意义上的半导体企业。
也正因为如此，他将AI理解为一个完整的新产业，而不仅是一项技术发明。 在这个产业里，芯片是底座，但远不是全部；系统集成、基础设施运营、模型开发、行业应用和规模化采用，共同构成了价值链。 如果只盯着最显眼的模型层，往往会低估AI真正改变社会的深度与广度。
AI“五层蛋糕”：理解AI产业结构的一个好框架
黄仁勋在对话中给出了一个高度概括的分析框架，即AI的“五层蛋糕”。 这五层从下往上分别是：能源、芯片、基础设施、模型、应用与采用。 这个框架之所以重要，是因为它把AI从“软件热点”重新放回到了工业体系和国家能力的坐标系中。
第一层是能源。 生成式AI需要巨大算力，而算力离不开电力供应。 当大模型训练和推理成为一种持续性的工业活动后，电力不再只是成本项，而是决定产业能否扩张的战略资源。 第二层是芯片与系统，也就是承载计算的物理设备。 第三层是基础设施，包括土地、电力接入、机房壳体、云服务软件等，它让计算资源能够真正部署、运行并被持续调用。
第四层是模型。 这是当前舆论最关注的一层，但黄仁勋特别提醒，模型不应该只被理解为大语言模型。 AI可以表示的不只是语言和数字，也包括生物、化学、物理、动作控制等多种信息结构。 因此，真正重要的模型层，是各类能够服务科学、工业、医疗、机器人等领域的通用或专用模型体系。
第五层则是应用与采用，也就是技术进入真实社会和真实产业后的扩散过程。 黄仁勋明确表示，这是他最关心的一层。 因为一个国家即便拥有出色的芯片和模型，如果企业、机构和劳动者不愿意使用AI、不敢部署AI、不会把AI纳入流程，那么技术领先也无法自动转化为生产率、竞争力和经济优势。 在他的判断中，美国在应用层和采用层绝不能落后，否则就可能在新一轮工业革命中失去先发优势。
AI与再工业化：黄仁勋最强烈的政策主张
如果说这场对话有一条贯穿始终的主线，那就是“AI不仅是数字技术革命，更是再工业化机会”。 黄仁勋直言，美国需要重新工业化，需要把一个完整的制造业部门和相应的劳动岗位重新带回本土。 他认为，过去一个阶段的社会结构过度偏向高学历、知识型职业，使许多没有四年制大学学位、硕士或博士背景的人感到被边缘化，这既不必要，也不健康。
在他看来，AI恰恰提供了一个前所未有的市场驱动力，足以推动再工业化。 原因在于，AI会带来一整串新的“工厂”需求：首先是芯片工厂，其次是计算机和相关系统的制造工厂，再往上则是建设和部署“AI工厂”的需求。 所谓AI工厂，并不是生产传统消费品的工厂，而是把算力、模型和数据转化为“token产出”的新型生产设施。 这种设施的经济逻辑，是持续将电力和资本投入转化为智能输出，再进一步转化为企业服务、工业决策、软件能力和自动化生产力。
黄仁勋在访谈中提到，英伟达已经承诺以极大规模的采购与供应链投入，把部分能力从东方转回西方，以支持芯片、封装、计算机等环节在美国落地。 他将这一轮投资描述为可能带来数以万亿计美元的制造活动以及大量高技能、高收入岗位。 不论外界是否完全认同这一规模判断，这一表述至少清楚传递出一个信号：在黄仁勋眼里，AI的终局绝不是“几个聊天应用更聪明”，而是一次基础产业重建。
能源问题：AI时代的第一道硬约束
在“五层蛋糕”中，黄仁勋把能源放在最底层，并非偶然。 他的逻辑非常直接：无论是训练模型、运行数据中心，还是进行制造，本质上都离不开能量输入。 制造意味着改变物质形态，而改变物质形态需要大规模能量；同样，AI超级计算机的运行也意味着持续、大规模的电力消耗。
因此，在“是否需要更多能源”这个问题上，他几乎没有犹豫。 真正的问题不是要不要，而是国家是否决定重新成为制造大国、是否愿意围绕这一目标改造能源系统。 一旦答案是肯定的，那么升级电网、优化供电机制、引入更灵活的服务水平协议、发展核能、太阳能及其他可持续能源，就都会成为工业政策的一部分。
值得注意的是，黄仁勋没有把能源问题简化成单一路径之争。 他的重点不在于押注某一种能源，而在于通过AI带来的强市场需求，倒逼美国同时完成两件事：一是重建制造能力，二是升级全国能源系统。 从这个角度看，AI不是能源系统的负担，而可能成为能源基础设施现代化的催化剂。
智能体AI：真正的突破不只在模型，而在“编排系统”
谈到AI的下一波浪潮，黄仁勋认为，过去几年最关键的跃迁之一，是从大语言模型到聊天机器人，再从聊天机器人走向智能体系统。 在他看来，从模型到聊天机器人的跃迁，关键在于“基于人类反馈的强化学习”，也就是让模型变得更可用、更对齐。 而从聊天机器人到智能体的跃迁，真正重要的不只是模型参数再增加，而是“harness”——也就是围绕模型构建的一整套连接真实世界和真实任务的编排机制。
这种编排机制让模型具备了若干关键能力：接入真实信息源、调用浏览器、开展研究、使用工具、保留记忆、与其他系统协作，以及在更长任务链条中持续工作。 换句话说，智能体不是一个“更会说话”的模型，而是一个“更能做事”的系统。 这也解释了为什么近半年智能体进展如此显著：真正被放大的不是单轮回答质量，而是复杂任务自动化能力。
黄仁勋特别提到，软件开发领域已经深受这一变化影响。 他认为，大多数软件任务如今都可以被高度自动化，程序员不必再亲自完成大量编码。 但这并不意味着软件工程师会消失，反而意味着他们会把更多时间花在理解问题、定义目标、协调资源和推动创新上。
AI会消灭工作吗？他的回答是否定的
在整场对话中，黄仁勋对“AI将大规模消灭工作”的叙事表现出非常明确的反对态度。 他认为，这类说法不仅失真，而且会对社会造成真实伤害，因为它会把年轻人吓离那些未来依旧极其需要、甚至更加需要的职业。 他举了软件工程和放射科医生两个例子：AI确实正在改变这些职业中的具体任务，但职业存在的目的并不是完成某一个动作，而是解决问题、创造价值和承担责任。
他的一个核心区分是：任务不等于职业，技能不等于使命。 对软件工程师来说，写代码只是任务之一，真正的职业目的在于创新、解决复杂问题、与团队合作并创造新产品。 对放射科医生来说，阅读影像只是实现目标的手段，职业本质是诊断疾病、支持治疗决策。 当AI自动化了部分任务，人类并不会因此失去职业意义，反而有机会把精力转向更高层次的判断与创造。
黄仁勋进一步指出，一个常见错误假设是：社会对某项任务的总需求是固定的。 例如，人们可能会想象“总共只需要写固定数量的代码”，那么一旦AI能自动写代码，人类程序员就会减少。 但他的判断恰恰相反：真正限制创新的，并不是问题太少，而是人力和时间太有限。 当编码成本下降后，社会反而会尝试解决更多原本无暇处理的问题，从而带来新的产品、新的公司和新的就业需求。
这套逻辑并不意味着一切岗位都不会变化。 但它提醒人们，观察AI与就业关系时，不能只盯着某个被替代的动作，而要看整个产业的目标函数是否被放大了。 如果AI提升了企业成长速度、扩展了可行项目数量、降低了创新门槛，那么它带来的未必是岗位塌缩，更可能是工作内容重组与岗位需求迁移。
物理AI：从自动驾驶到人形机器人
除了智能体，黄仁勋还谈到“物理AI”，也就是AI从数字世界进一步进入现实世界的能力。 在他看来，自动驾驶已经是最成熟的物理AI突破之一，机器人出租车已经到来，相关问题更多转向工程化和规模部署。 他还提到，具备推理能力的汽车能够在遇到此前未见过的路况时，分解情境、理解组合关系并做出决策，这意味着自动驾驶正从“模式匹配”进一步走向“情境理解”。
至于人形机器人，黄仁勋给出的判断是“就在不远处”。 他解释说，如果视频生成模型已经能够准确生成“手拿起咖啡杯并喝一口”这样的动作，那么从认知和表示层面看，机器人学习这些动作的能力也不会太远。 当然，真正的难点并不只在AI模型，还在机电系统：电机、灵巧手、材料、结构、电池和传感器，都会影响人形机器人走向实用化的时间。
这段判断透露出一个重要信息：未来AI产业的竞争不会停留在模型排行榜，而会向“软硬一体”的复杂工程延伸。 谁能把感知、推理、控制与机电系统整合起来，谁就有机会定义下一代机器人平台。 这对制造业、供应链和工业设计能力提出了比互联网时代更高的要求。
中美竞争、开源与AI采用：黄仁勋的三重焦虑
对话后半段，黄仁勋集中谈了三个彼此关联的话题：中美竞争、开源、安全，以及美国社会对AI的态度。 在中美竞争上，他仍然沿用“五层蛋糕”的框架，强调美国必须在能源、芯片、基础设施、模型和采用这五个层面都保持领先。 他尤其担心的是，如果美国社会把AI过度“科幻化”“末日化”，导致企业和公众对AI心生恐惧，那么美国可能会在采用层面输给更积极拥抱AI的地区。
这也是他为何反复强调“采用”层的重要性。 在他的叙述中，亚洲部分地区正在以更强烈的热情拥抱AI，而美国公共讨论中则存在较多对失业、民主崩塌、文明毁灭等极端后果的渲染。 他认为，这些说法不仅无助于建立合理的治理框架，反而会削弱技术扩散速度、影响人才选择，并最终伤害国家竞争力。
在开源问题上，黄仁勋的立场也很鲜明：开源不只是民主化工具，也可以增强安全。 他的理由是，未来面对强大的AI攻击，防守方不能只依赖单一封闭系统，而需要大量可训练、可审计、可快速部署的防御代理协同工作。 开源使这种“防御群体”成为可能，也让更多企业能够看清底层机制、实施沙箱、权限、隐私和策略控制。
他举例提到，针对开源模型带来的企业安全顾虑，可以通过建立外层“壳”与沙箱环境来限制模型可访问的信息、可发送的数据和可调用的资源。 这种思路非常接近今天企业部署AI时最重视的治理方式：不是一味禁止模型，而是在制度与技术边界内让模型安全运转。 从中可以看出，黄仁勋支持的并不是“无约束开源”，而是“可治理的开放生态”。
对中国与美国之外读者的启示
虽然整场谈话以美国政策和产业竞争为背景，但对其他国家和地区的读者来说，黄仁勋的观点同样具有参考意义。 它至少提示了三件事：第一，AI战略不能只盯着模型发布会，而必须回到能源、基础设施和产业采用；第二，AI竞争的核心不是谁先喊出最大参数，而是谁能形成完整的技术栈和制造能力；第三，社会如何讨论AI，会直接影响人才流动、企业投资和技术扩散速度。
从这个角度看，“生成式计算”不是单纯的软件升级，而是一场产业组织方式的再设计。 它要求政府重新审视电力、制造、教育、科研和监管之间的关系，也要求企业重新思考组织流程、岗位分工和技术部署方式。 对普通人而言，真正值得关注的问题也许不是“AI会不会替代我”，而是“在AI重塑任务分工之后，我能够参与什么、创造什么、组织什么”。
黄仁勋之所以持续强调“不要把人吓跑”，并不是为了淡化风险，而是因为他相信，AI最现实的价值不在恐惧叙事里，而在生产率提升、产业升级和新工作机会的扩张中。 这一判断最终是否完全兑现，仍需要时间验证。 但至少从这场对话来看，他对AI未来的押注已十分明确：AI不是抽象的未来主义神话，而是正在到来的新工业系统。
