Loading...
Loading...
Scale AI 创始人 Alexandr Wang（王）：AI 数据帝国背后的隐秘真相撰文：Techub News 整理
导语
在 Pulse 频道发布的这部近一小时的纪录片中，镜头对准了科技行业一个“公开的秘密”——Scale AI 及其创始人 Alexandr Wang（王）。这位出生于 1997 年、24 岁即成为全球最年轻白手起家亿万富翁的华裔天才，其公司被喻为“AI 时代的引擎”，为 OpenAI、微软、英伟达、Meta 乃至美国国防部等巨头提供至关重要的数据标注服务。然而，光鲜的估值（近 140 亿美元）与行业地位之下，是其商业模型对全球数十万低薪“数据标注工”的依赖，以及由此引发的关于技术伦理、劳工权益与创始人野心的激烈争议。本片深入挖掘了 Alexandr Wang（王）从天才少年到争议 CEO 的蜕变之路，揭示了 AI 产业繁荣背后不为人知的“燃料”来源。
摘要
Alexandr Wang（王）创立的 Scale AI 是 AI 巨头背后的关键数据供应商，但其成功基石是外包至菲律宾等地的低成本人力标注。
Scale AI 通过子公司 Remotask 管理全球标注工，被指控为“数字血汗工厂”，存在薪酬极低、支付延迟、账户无故封禁等问题。
为追求增长与控制，Alexandr Wang（王）与联合创始人 Lucy Guo（郭）决裂并解雇了她，并强势推动公司文化转向。
Scale AI 与美国国防部签订巨额合同，Alexandr Wang（王）高调呼吁“美国必须赢得 AI 战争”，但同时曾试图与 TikTok 合作，暴露其商业策略的务实（或机会主义）本质。
随着生成式 AI 兴起，Scale AI 调整劳动力策略，在美国开设新子公司 Outlier 以获取高质量英语标注数据，但类似劳工问题再次浮现。
天才的野心：从冰箱实验到 AI 数据帝国
Alexandr Wang（王）的成长环境充满了竞争与科技的烙印。在新墨西哥州洛斯阿拉莫斯（原子弹诞生地）的国家研究实验室旁长大，父母都是为美国空军工作的物理学家。这种环境塑造了他对成功的极度渴望，一位同事曾形容：“他需要成功，就像需要氧气一样。”在数学、编程和辩论上展现出非凡天赋的他，很早就立志要征服创业世界，甚至在九年级就维护着一份记录未来科技帝国构想的 Google 文档。
17 岁便已在硅谷初创公司担任程序员，几个月后更在问答网站 Quora 管理整个工程团队。尽管被麻省理工学院（MIT）录取，但因未能进入哈佛而心怀芥蒂，他最终选择放弃大学教育，留在 Quora。然而，他很快感到与年长同事和同龄大学生都格格不入，自称“不完美地卡在两个世界之间”。
转机发生在 2016 年他决定重返校园，进入 MIT 深入学习机器学习。MIT 注重实践与黑客文化的氛围激发了他。一个看似琐碎的问题——室友偷吃冰箱食物——催生了他的“顿悟时刻”。他尝试在冰箱安装摄像头并用 AI 追踪食物存量，但很快发现根本问题在于：AI 缺乏足够高质量的数据来识别复杂物体。
他意识到，要让 AI 执行需要人类感知的复杂任务，必须为其提供海量、精准标注的数据（图像、文本等）。此时，AI 正成为科技界最热门的领域，而数据正是其第一块基石。于是，入学仅一年后，19 岁的 Alexandr Wang（王）毅然从 MIT 辍学，决心在 AI 的“狂野西部”闯出名堂。他与在 Quora 结识的产品经理 Lucy Guo（郭）联手，两人凭借 Lucy Guo（郭）获得的知名投资人 Peter Thiel（彼得·蒂尔）设立的“蒂尔奖学金”光环，成功进入了由 Sam Altman（萨姆·奥尔特曼）领导的顶级创业孵化器 Y Combinator。
Scale AI 的崛起：数据标注，AI 的“弹药”
在 Y Combinator，Alexandr Wang（王）和 Lucy Guo（郭）最初的几个创业想法（如“俱乐部版 ClassPass”、AI 助手 Ava）并未引起共鸣。Alexandr Wang（王）不断回想冰箱实验的启示，并观察到 AI 行业的一个关键缺口：所有人都专注于开发炫酷的 AI 应用，却无人专注于为这些应用提供“燃料”——高质量、可规模化的数据标注基础设施。他以披萨为例：AI 需要人类先展示大量标注为“披萨”的图片，才能学会识别披萨。这个过程就是“数据标注”。
他认识到，数据对于 AI 如同食物和水对于人类一样重要，而当时几乎没有公司致力于让数据标注变得更好、更快、更便宜。2016年，他们正式创立了 Scale AI，目标是解决“AI 生态系统中的数据支柱问题”。
讽刺的是，支撑人类史上最复杂技术的基础设施，其核心工作并不需要天才般的技能。数据标注是一项几乎任何人都能完成的基础工作，但它需要一支能够快速组建的大规模劳动力。因此，Scale AI 提供的并非一个 App 或 AI，而是一项服务：按需提供人力，帮助 AI 开发者完成图像识别、数据分类、文本转录等枯燥但必要的任务。他们将其称为 Scale API。
起初，这个想法并不被广泛理解。但年轻投资者 Dan Lavine（来自知名风投 Accel）看到了价值，甚至在 Y Combinator 演示日之前就开出了投资支票。19 岁的 Alexandr Wang（王）获得了梦寐以求的行业关注和信誉背书。
真正的突破来自对当时最热门市场——自动驾驶汽车——的精准切入。Alexandr Wang（王）发现，没有正确标注的数据，自动驾驶汽车的 AI 就无法区分飘过街道的塑料袋和跑进马路的孩子，这是灾难性的。而当时没有一家公司专注于为自动驾驶汽车雷达、摄像头产生的 3D 图像进行标注。Scale AI 抓住了这个空白。
为了以可承受的成本处理海量数据，他们将实际的标注工作外包至发展中国家，首选是拥有庞大游戏文化和网吧网络的菲律宾。雇佣一名菲律宾标注员一天的成本，低于 Alexandr Wang（王）在旧金山每日一杯卡布奇诺的价格。凭借“先发优势”和硅谷的人脉，Scale AI 很快赢得了几乎所有涉足自动驾驶领域公司的合同，包括 Waymo、Cruise 以及通用汽车、苹果等巨头。公司从公寓创业迅速成长为吸引重金投资的独角兽。
暗面浮现：数字血汗工厂与内部裂痕
随着客户激增，Scale AI 对标注劳动力的需求呈指数级增长。为此，他们创建了子公司 Remotask，专门负责招募和管理全球的“任务员”（Tasker）。Remotask 的网站承诺“做任务，拿报酬”，简单灵活，对发展中国家的数字工作者极具吸引力。初期，一些任务员报告周薪可达近 300 美元。
然而，情况迅速恶化。Scale AI 将 Remotask 业务拓展至印度、委内瑞拉和拉丁美洲等地，有意在全球范围内制造任务员之间的激烈竞争。公司深知，这些急需收入的工人会陷入“竞次”比赛，从而允许 Remotask 压低薪酬。正如所料，工资水平暴跌至每任务仅几美分。同时，任务数量并不足以满足所有注册者的全职工作需求，许多人完成培训后便被无限期搁置在等待队列中。
为了提升效率，Remotask 在菲律宾租用场地提供高速网络，但这些“办公室”设施简陋、过度拥挤，任务员肘碰肘地长时间轮班工作，与承诺的“自由灵活”相去甚远，被活动家称为“数字血汗工厂”。
更严重的问题是支付。《华盛顿邮报》等媒体揭露，Remotask 存在普遍且不公正的延迟支付或取消支付现象。任务员完成项目后，需经过漫长而混乱的“反欺诈审核”流程，且经常对审核状态一无所知。许多人的报酬因此被扣留。当任务员抱怨时，Remotask 的回应往往是直接封禁其账户，且不做解释。社区内流传着“谈论薪酬就会被封号”的恐惧，这种恐吓策略非常有效，因为大多数被剥削的任务员别无选择。
就在 Remotask 的劳工问题发酵之时，Scale AI 却在 2019 年成功融资 1 亿美元，估值达到 10 亿美元，投资者包括 Peter Thiel（彼得·蒂尔）的 Founders Fund 和 Accel。客户们对此似乎选择了视而不见。
公司内部的裂痕也因此加深。联合创始人 Lucy Guo（郭）负责 Remotask 运营，直面这些混乱和投诉。而 Alexandr Wang（王）则专注于对外销售和塑造 Scale AI 的“科技公司”形象，极力淡化人力标注员的贡献。在他眼中，标注员是“采摘水果、挤牛奶的农场工人”，而他则是“米其林星级厨师”。当 Remotask 的丑闻开始泄露时，Alexandr Wang（王）将挫败感转向 Lucy Guo（郭），批评她未能控制住问题。
Lucy Guo（郭）主张通过善待工人、履行支付承诺来解决问题。但 Alexandr Wang（王）认为这威胁到了 Scale AI 的成功模式。在投资人 Dan Lavine 的支持下，Alexandr Wang（王）于 2018 年解雇了 Lucy Guo（郭），彻底掌控了公司。Lucy Guo（郭）在离职声明中仅以“文化和雄心的一致性存在分歧”轻描淡写地带过。
铁腕统治与战略转向：从自动驾驶到国防合同
解雇 Lucy Guo（郭）并未平息内部对文化变革的呼声。在员工评价网站上，Alexandr Wang（王）的形象从外部看到的魅力天才，转变为内部员工眼中的权力饥渴、独裁式的 CEO，有人将其比作 19 世纪末的工业大亨。
与此同时，自动驾驶行业遭遇寒流，过度承诺与交付不足导致投资紧缩，Scale AI 的核心客户开始取消合同。Alexandr Wang（王）为 2020 年设定的 1.2 亿美元营收目标最终只实现了 7000 万美元。公司急需新的增长点。
Alexandr Wang（王）开始将重心转向生成式 AI 和另一个更具争议的领域：美国政府，特别是国防部。为了安抚和动员员工，他举办全员“市政厅”会议，鼓励尖锐提问。会上，员工们提出了关于数字血汗工厂、标注员心理健康以及军事合同伦理的担忧。
当被问及是否会与军方合作时，Alexandr Wang（王）最初轻描淡写地回答：“我们不会帮助制造杀人机器人。”然而，几周后，Scale AI 宣布与美国国防部签订一份为期 5 年、价值近 1 亿美元的合同，为其战场监视 AI 系统提供数据和算法。随后，Scale AI 在华盛顿特区开设办公室，并将合同金额增至近 2.5 亿美元。
面对员工的质疑，Alexandr Wang（王）辩称形势已变，并提出了后来他向政府官员反复强调的观点：“数据是 AI 战争的弹药”，并警告在 AI 军事应用上中国正在超越美国。他的军事家庭背景（父母为空军工作）让他对员工的“天真”担忧不以为然。这一转向在财务上取得了成功，2021 年 Scale AI 再获 3.25 亿美元融资，估值飙升至 73 亿美元，24 岁的 Alexandr Wang（王）正式成为全球最年轻白手起家亿万富翁。
重塑劳动力与终极矛盾：商业利益与国家立场
生成式 AI 的爆发为 Scale AI 带来了新机遇。为了服务 OpenAI、Meta 等客户的大型语言模型，需要高质量的英语母语标注员。同时，Alexandr Wang（王）也需要清理 Remotask 的烂摊子和内部矛盾。
他的解决方案是“清理门户”：Scale AI 突然将 Remotask 从肯尼亚、尼日利亚、巴基斯坦等国撤出，锁死当地工人账户，并停止在全球大部分地区的新注册。随后，在美国成立了新的子公司 Outlier，从事与 Remotask 类似但面向英语母语专业人士的标注工作，以吸引高端人才并服务政府和生成式 AI 客户。同时，通过一系列壳公司进一步将 Remotask 与 Scale AI 的公开关联隔离开来。
然而，Outlier 的美国“零工”们很快也开始经历任务竞争加剧、薪酬骤降和账户无故被封的问题。与此同时，在 AI 热潮中，Scale AI 却在 2023 年初裁掉了 20% 的美国员工，理由是毛利率下降，但外界猜测这与那些曾质疑公司伦理的员工有关。
尽管存在这些动荡，Alexandr Wang（王）在 2024 年再次发起高达 10 亿美元的融资，旨在将估值推至近 140 亿美元。但硅谷对他的看法已然改变，“年轻神童”的故事逐渐被“年轻暴君”的叙事所取代。一些前自动驾驶客户也开始抱怨 Scale AI 数据中的明显错误。
最体现 Alexandr Wang（王）矛盾性的，是他与 TikTok 的潜在合作。就在他高调呼吁“美国必须赢得 AI 战争”、并在《华盛顿邮报》刊登整版广告宣扬此观点时，他却在积极洽谈一份为 TikTok 提供数据服务的大合同。TikTok 因其与中国政府的关系而被许多美国官员视为安全威胁。尽管遭到公司内部政府业务部门高管的强烈反对，Alexandr Wang（王）仍试图推动这笔交易，直到他的华盛顿团队警告这将对与美军的关系造成重大损害，他才最终放弃。这一事件让人不禁质疑：他对美国 AI 领导地位的拥护，究竟是信念，还是一种机会主义的销售策略？
如今，Alexandr Wang（王）已成为硅谷的明星，活跃于社交媒体和 Met Gala 等顶级场合。他的故事是一个关于极致野心、技术洞察力与伦理代价的复杂案例。Scale AI 作为 AI 时代的关键基础设施构建者，其成功无疑深刻影响了行业进程，但支撑其帝国运转的全球劳动力体系，以及创始人在理想与现实之间的游走，也为快速发展的 AI 产业留下了深刻的问号。
Scale AI CEO Alexandr Wang（王曦）：AI 代理将重塑工作，中美 AI 竞赛与无限市场机遇撰文：Techub News 整理
导语
在2025 年 6 月 Meta 宣布向 Scale AI 投资超 140 亿美元、公司估值达 290 亿美元，以及 Alexandr Wang（王曦）将领导 Meta 新 AI 超级智能实验室的背景下，他做客 Y Combinator 的《Light Cone》播客，进行了一场深度对话。作为全球领先的 AI 数据与基础设施公司 Scale AI 的创始人兼 CEO，Alexandr Wang 回顾了公司从 YC 孵化到成为 AI 基础设施关键参与者的历程，并分享了其对 AI 代理、未来工作形态、中美技术竞争以及无限市场机遇的前沿思考。本次对话揭示了 Scale AI 多次成功转型背后的战略逻辑，以及这位年轻 CEO 对 AI 产业未来的深刻洞察。
摘要
AI 代理将重塑工作：未来经济将呈现“人类管理者指挥 AI 代理群”的模式，人类负责愿景、调试和解决复杂问题，而非被完全取代。
Scale AI 的演进逻辑：从专注自动驾驶数据标注，到预判并布局大模型数据需求，再到构建企业级 AI 应用与代理工作流，其成功在于始终领先 AI 浪潮半步。
中美 AI 竞赛分析：美国在芯片和算法创新上占优，但中国在数据获取、政府支持、硬件制造（如机器人）和能源产能方面具有显著优势，竞争格局复杂。
无限市场与核心竞争力：企业未来的核心竞争力将源于其专有数据与定制化模型；AI 应用市场（尤其是企业级）是“无限市场”，规模潜力巨大。
成功的关键是“极致投入”：无论是公司战略还是个人成长，最核心的特质是对工作质量抱有近乎偏执的重视和投入感。
从 MIT 辍学到定义“人类 API”：Scale 的起源
Alexandr Wang（王曦）的创业故事常被简化为“MIT 辍学生创立 Scale AI”，但真实的起点更早且充满偶然。在进入 MIT 之前，他曾在 Quora 担任软件工程师，那时机器学习工程师的薪资已超过普通软件工程师，这让他早早感知到市场的风向。更关键的是，他在青少年时期参加旧金山理性主义社区组织的夏令营时，就接触到了“AI 可能是我们一生中最重要的领域，尤其是 AI 安全”的理念，演讲者包括后来成为 AI 安全领域关键人物的 Paul Christiano，以及 OpenAI 联合创始人 Greg Brockman 等。这在他心中埋下了种子。
进入 MIT 后，Alexandr Wang（王曦）深入学习 AI，但很快感到“坐不住”并申请了 Y Combinator。最初的创业想法颇具时代特色——2016 年正值“聊天机器人小泡沫”时期，受 Magic 等应用和 Facebook 的愿景推动。他们最初的想法是“为医生打造聊天机器人”，但 Alexandr Wang（王曦）坦言这很可笑，因为他们对医疗行业一无所知。他反思道，年轻创始人的前十个想法往往缺乏独特性，且对自身真正的优势（alpha）缺乏认知。
转机出现在 YC 期间。他们与另一家 YC 公司合租，观察到聊天机器人热潮背后一个更根本的需求：大量的数据和人力投入。于是，一个“离奇”的想法诞生了：为什么不直接为这些公司提供数据和人力服务呢？ 当时他们正处于迷茫期，但这个想法迅速成型。某晚，他随意搜索并买下了“scaleapi.com”的域名，一周后就在 Product Hunt 上线了。产品的标语是“人类劳动力的 API”，核心洞察是：如果能像调用 API 一样调用人类来完成工作，会怎样？ 这是一种“未来主义”的倒置——让人类为机器工作。
产品上线后，他们吸引了大量工程师用户，并借此获得了早期融资。不久，他们发现自动驾驶是第一个需要重点攻克的主要应用领域。尽管当时亚马逊的 Mechanical Turk 是市场主流，但体验极差。Scale AI 凭借更好的 API 和体验，吸引了一批新用户。一个关键转折点是自动驾驶公司 Cruise（同样是 YC 系公司）通过网站找到了他们，并迅速成为其最大客户。这促使他们做出了一个重大决策：全力聚焦自动驾驶数据标注市场。
当时，这个决定遭到了早期领投方的质疑，认为市场太小，无法支撑一家大公司。但 Alexandr Wang（王曦）团队坚信，自动驾驶是未来，相关公司融资额巨大，汽车厂商也在大力投入，市场潜力被低估。专注于这个看似狭窄的领域，能让他们更快地建立业务和规模。回顾过去，他说：“这两点都对了。专注确实让我们迅速达到了规模，但同时，那个市场也确实不足以支撑一家巨型企业。” 这预示了 Scale AI 未来必须不断演进和寻找新增长曲线。
预见大模型浪潮与 AI 代理重塑工作未来
在自动驾驶领域，缩放定律（Scaling Laws）并非核心议题，因为车载算力受限，工程师们更关注如何优化能在车上运行的小型算法。真正的转变始于 2019 年与 OpenAI 在 GPT-2 时代的合作。Alexandr Wang（王曦）回忆，GPT-2 在当时只是一个有趣的“玩具”，但到了 GPT-3（2020年），缩放定律的真实性已清晰可见。他分享了一个趣事：他让一位朋友试用 GPT-3，结果朋友在与 AI 对话中表现出了近乎“个人化”的沮丧和愤怒，这让他意识到，GPT-3 在性质上已与此前任何技术都不同，仿佛通过了某种图灵测试的雏形。不过，真正让生成式 AI 进入大众视野的，他认为是 DALL-E。
随着 2022 年 InstructGPT（ChatGPT 的前身）、ChatGPT 和 GPT-4 的相继出现，Scale AI 迎来了“农场时刻”——数据需求将呈天文数字增长。Alexandr Wang（王曦）指出，当前模型改进的收益更多来自推理和强化学习，而非预训练，我们正在进入一条新的能力曲线。
对于企业而言，未来的核心知识产权（IP）将不再是代码库，而是其专有的、经过精细调优的模型。企业可以基于自身独特的业务数据和工作环境，在基础模型之上构建差异化的 AI 能力。这引发了关于未来经济形态的思考：AGI 会像“博格”一样吞噬整个经济，还是会出现专业化的经济？Alexandr Wang（王曦）倾向于后者，他认为未来的“阿尔法”（超额收益）将取决于企业能否将业务问题封装成独特的数据集或环境，从而构建差异化的模型。
这种趋势将深刻改变工作形态。Alexandr Wang（王曦）持技术乐观态度，认为人类将掌握未来。他以编程为例，描绘了工作演进的三个阶段：1) 助手模式：AI 辅助人类工作；2) 单一代理协作模式：人类与一个 AI 代理同步工作（如 Cursor）；3) 代理群管理：人类管理者部署并协调一群 AI 代理完成各种任务。
“最后一个角色在当前的劳动力市场中有明确的语义——就是管理者。” 他解释道。悲观者（或 AGI 末日论者）认为，连管理代理的工作最终也会被代理取代。但 Alexandr Wang（王曦）认为，管理极其复杂，涉及愿景设定、问题调试和火灾扑救，这些根本上仍将由人类驱动，因为经济是由人类需求和欲望驱动的。因此，经济的终极状态将是“大规模人类管理者指挥 AI 代理”。
他引用自动驾驶的例子：即使现在，每辆自动驾驶汽车背后仍有远程协助人员，比例可能低至每 3-5 辆车配备一名操作员，人类参与度远超公众想象。但这恰恰是乐观之处：过去一个 Uber 司机只能开一辆车，未来一个人可以管理五辆车，生产力得到提升。要实现失业率保持低位的乐观未来，必须相信人类的需求几乎是无限的，效率提升会降低价格，从而激发更多需求，这一趋势在人类历史上一直可靠。
他进一步类比：20 世纪初的“计算机”指的是从事计算工作的人，而如今程序员获得了巨大的杠杆效应，一个 10 倍工程师能创造巨大价值。AI 时代，所有行业的人类都将获得类似程序员的杠杆提升，这将极大激发生产力和创造力。
Scale AI 的演进弧线：从数据工厂到无限市场
回顾 Scale AI 的发展轨迹，Alexandr Wang（王曦）将其描述为一场持续的自我革新。最初三年，公司完全专注于为自动驾驶公司提供数据。这项业务的一个内在属性是：为了在任何垂直领域取得成功，AI 首先需要数据，因此 Scale 对产品的需求往往先于 AI 渗透到该行业。这迫使他们必须走在 AI 浪潮的前面。
例如，他们在 2019 年就开始与 OpenAI 合作语言模型，2020 年与国防部（DoD）合作政府 AI 应用，远早于后来无人机和国防 AI 的热潮；他们也早早涉足企业 AI 应用。这种“超前布局”与 NVIDIA 的 Jensen Huang（黄仁勋）的策略相似，后者在年度演讲中总是领先趋势，因为他必须在趋势发生前就为之做好准备。
2021 年底至 2022 年初，Scale AI 开始向应用层拓展，构建基于 AI 的应用，如今更侧重于面向企业和政府客户的代理工作流和应用。这是一个关键的商业演进。从高度依赖人力的数据工厂业务，扩展到软件产品业务，需要不同的能力。Alexandr Wang（王曦）研究了历史上成功拓展新业务的公司，最典型的例子是亚马逊构建 AWS。2006 年 AWS 推出时，亚马逊股价下跌，分析师认为这个与核心零售无关的想法很糟糕。但其智慧在于两点：一是他们坚信云计算市场将无限增长；二是他们拥有规模经济带来的成本优势。
Alexandr Wang（王曦）意识到，初创公司早期需要聚焦狭窄市场以获得动力，但当有野心成为百亿甚至更大公司时，必须转向寻找“无限市场”。他的结论是：每个企业和组织都将用 AI 驱动的技术（尤其是代理技术）重构其整个业务，这将吞噬整个经济。因此，为企业构建 AI 应用和部署是一个无限市场。
目前，Scale AI 的应用业务增长远快于数据业务。他们采取的策略是聚焦于少数顶级客户，如全球排名第一的药企、电信公司、银行、医疗提供商，并与美国政府（尤其是国防部）深度合作，专注于构建真正差异化的 AI 能力。Alexandr Wang（王曦）透露，他们的 AI 应用业务已是行业规模最大的之一。这项业务的差异化优势，正源于其在数据业务中积累的能力：知道如何为大型模型构建者生产高度差异化的数据，并能将这种能力和运营经验应用于企业独特的业务问题，为其打造专业化应用。
从最高层面看，Scale AI 像是一家为世界最大组织提供技术（尤其是数据技术）的供应商。这与 Palantir 有相似之处，但侧重点不同：Palantir 专注于数据本体和集成，而 Scale 更关注对企业 AI 战略最具战略意义的数据，以及如何从企业内部生成或利用这些数据。目前两家公司更多是合作而非竞争，因为企业面临的问题规模巨大、棘手，市场空间无限，远未到赢家通吃的地步。
内部实践、硬评估与中美 AI 全方位竞争
作为走在 AI 前沿的公司，Scale AI 内部已广泛采用代理工具提升效率。Alexandr Wang（王曦）分享，当他们看到模型开发者开始使用强化学习训练能够执行端到端工作流的“推理模型”时，就意识到可以将现有的人力工作流转化为强化学习的环境和数据，从而实现自动化。现在，代理工作流已渗透到公司的招聘、质量控制、数据分析、销售报告等各个主要部门。关键在于识别那些重复性高的人力工作流，并将其转化为能够训练自动化工具的数据集。例如，将候选人的完整资料包提炼成供委员会决策的摘要，这种“深度研究+”类任务是最容易实现代理自动化的。
关于提示工程与微调/强化学习的关系，他认为随着模型变强，提示工程效果会更好，能解决大部分问题，但强化学习能将能力推向更高水平。对于初创公司，他建议需要制定策略，让产品或业务能够受益于模型能力快速提升的“复杂性曲线”。
为了衡量模型在复杂推理上的前沿能力，Scale AI 与“人类安全中心”合作创建了名为“人类最后考试”的评估基准。其独特之处在于，题目来自全球顶尖科学家和研究员贡献的、从未出现在任何教科书或考试中的全新难题，需要深厚的专业知识和长时间思考才能解决。最初发布时，最好的模型得分仅 7%-8%，如今已超过 20%，进步神速。Alexandr Wang（王曦）认为，AI 行业仍然缺乏真正艰难、能体现模型前沿能力的评估。这类评估一旦流行，就会成为整个行业研究和优化的“北极星”，推动进步。他预测，未来评估将转向更模糊、更复杂的真实世界任务。
关于 AI 的科学突破，他认为未来 12-24 个月内，很可能出现由模型推理操作带来的全新科学突破，尤其是在生物学等领域，模型可能拥有人类不具备的直觉。这将是科学发现的激动人心时刻。
话题转向中美 AI 竞争。Alexandr Wang（王曦）指出，当前世界上最好的开源模型来自中国（如 DeepSeek），这是一个“尴尬的现实”。他认为中国模型进步神速的一个简单解释是“间谍活动”——前沿模型训练中的大量“秘密”（技巧、超参数设置直觉等）流向了中国实验室。展望未来，中国很可能拥有先进的模型，目前可能落后半步，但很难预测真正并驾齐驱时会怎样。
他详细对比了双方优劣势：
美国优势：芯片、算法创新（净优势）。
中国优势：
数据：可无视版权或隐私规则获取数据；政府大规模推动数据标注中心建设、提供补贴和大学培养项目。
硬件制造：在机器人等硬件制造上成本极低（美国机器人成本2-3万美元，中国可能仅2-4千美元），拥有无与伦比的供应链能力。
能源生产：中国电网产能过去十年翻倍（主要靠煤炭），而美国电网产量基本持平，这是一个巨大的政策差距。
在国防和安全领域，未来冲突将转向“微型战争”，依赖无人机、具身机器人和网络战，而非传统的战斗机航母。另一个大趋势是“代理驱动战争”——将现有高度人工、信息有限的军事决策流程，转化为由 AI 代理协作执行的系统，从而将关键决策周期从数天缩短至数分钟，形成一种“无情”的快速对抗模式。Scale AI 正与美国印太司令部合作开发名为“雷霆锻造”的系统，正是将军事规划流程代理化，这可能会彻底改变冲突形态。
极致投入：构建伟大公司与个人的唯一心法
在访谈最后，当被问及对听众有何建议以取得类似成就时，Alexandr Wang（王曦）的回答回归到一个看似简单却无比深刻的核心：“你必须真的、真的、真的非常在乎。”
他认为，年轻人的一个可贵特质是，几乎把所有事情都看得极其重要，因而会付出巨大努力，关注每一个细节。他多年前写过一篇题为《雇佣那些在乎的人》的文章，其核心理念很简单：在面试或与人互动时，你能分辨出哪些人是敷衍了事，哪些人把工作视为极其重要、关乎自身成就感的大事。后者会因为工作没做好而感到不安，因做得出色而深感满足。这种“在乎的程度”是衡量一个人能否成功、以及合作是否愉快的重要指标。
在 Scale AI，这种“极致投入”的文化自上而下贯彻。Alexandr Wang（王曦）本人至今仍亲自审核公司的每一名新员工招聘。他甚至分享，即使在公司规模已经很大时，他仍会亲自审查发送给合作伙伴的关键数据样本，充当最终的质量控制，对不合格的数据点说“不”。因为他深信，客户的情绪会直接影响到创始人，高标准和对于质量的执着追求必须深深嵌入组织的每一个层级。他引用了公司的价值观：“质量是分形的。” 如果高层管理者不在乎，这种态度会向下蔓延，瓦解整个组织追求卓越的欲望。
正是这种对质量和细节的偏执，使得 Scale AI 能够更敏锐地感知业务变化、更快地调整方向、更严肃地对待工作，从而在 AI 这个史上变化最快的行业中持续学习、适应并保持领先。在 Alexandr Wang（王曦）看来，这或许是所有成功背后最统一的特质。
Scale AI 创始人 Alexandr Wang（王亚历克斯）：AI 是未来经济的命脉，但人类必须保持主权撰文：Techub News 整理
导语
2025 年 6 月，Scale AI 创始人兼 CEO Alexandr Wang（王亚历克斯）做客知名播客《Shawn Ryan Show》，进行了一场长达 204 分钟的深度对话。作为 AI 数据基础设施领域的领军人物，以及硅谷最年轻的亿万富翁之一，王亚历克斯的观点深刻影响着业界对 AI 发展路径和安全性的思考。本次访谈中，他不仅探讨了脑机接口（如 Neuralink）的未来图景与潜在风险，更从国家战略层面剖析了中美在 AI、芯片和数据领域的激烈竞争，并强调了在 AI 能力飞速提升的背景下，维护“人类主权”的极端重要性。
摘要
脑机接口是通向“超级人类”认知能力的桥梁，但也是前所未有的攻击载体，可能被用于操纵感知、情绪甚至记忆。
数据是 AI 时代的“新石油”，而计算能力（芯片和数据中心）是决定 AI 实力的关键瓶颈，直接关系到未来军事和经济优势。
中美 AI 竞赛是一场关乎未来全球主导权的“战争”，美国必须在算法、数据和算力上全面领先，以形成有效威慑。
AI 能力的“递归式自我改进”可能导致领先者与追赶者之间的差距急剧扩大，形成赢家通吃的局面。
必须构建以“人类监督”为核心的 AI 系统，确保人类对关键决策保持最终控制权，这是防止灾难性后果的根本。
脑机接口：超级能力的诱惑与终极风险
访谈从对 Neuralink 等脑机接口技术的讨论开始。Alexandr Wang（王亚历克斯）对此持务实而前瞻的态度。他认为，随着 AI 能力以指数级速度超越人类生物学的缓慢进化，人类最终将需要与 AI 直接互联，以接入其强大的认知能力，避免被时代淘汰。他设想，未来接入脑机接口的人类将能像 AI 一样拥有百科全书式的知识、超高速的思维和处理全球信息的能力，从而在认知层面变得“超级人类”。
然而，王亚历克斯毫不讳言其中的巨大风险。将大脑直接连接到计算机和互联网，创造了一个前所未有的攻击面。他描绘了可怕的场景：公司可能将广告直接植入你的思维；更危险的是，外国行为体、恐怖分子或敌对政权可能入侵大脑，窃取记忆、控制思想或进行操纵。当技术发展到可以精确投射感官信息（视觉、听觉、触觉）甚至直接注入情绪时，塑造一个完全虚假的现实将成为可能。王亚历克斯承认，这种级别的“ propaganda ”（宣传操纵）将从现在的 1-2 分（低强度）跃升到 9-10 分（高强度），对个人和社会的控制力将达到空前的程度。
当被问及是否会给自己植入时，王亚历克斯给出了肯定的答案，但附加了严格条件：首先，必须对脑机接口的网络安全防御能力有绝对信心；其次，需要从大量先行者的数据中确信该技术不会对意识产生根本性的、不可控的改变。他进一步展望，脑机接口可能是人类意识最终“上传”到计算机的初级阶段，从而实现某种形式的“数字永生”。
数据为油，算力为引擎：AI 时代的国力方程式
作为 Scale AI 的掌舵人，王亚历克斯将公司定位为 AI 革命的“骨干”，为大型企业和政府提供部署安全、先进 AI 系统所需的数据和基础设施。他将数据比作 AI 时代的“新石油”，是驱动智能算法的核心燃料。而构建 AI 实力的另外两大支柱是算法（软件）和计算能力（硬件）。
他特别强调了计算能力，即芯片和数据中心的战略意义。未来的 AI 竞争，不仅仅是拥有最先进的模型，更是关于规模：你能同时运行多少个强大的 AI 实例？这直接取决于你能建造和供应多少数据中心、获得多少电力、拥有多少芯片。王亚历克斯指出，当前 OpenAI、xAI、Google、Meta 等巨头竞争的一个关键前线，正是提前数年争夺电力和数据中心建设用地，因为未来的优势在今天就已经开始布局。
这一逻辑将地缘政治风险推到了前台。王亚历克斯指出，全球约 95% 的高端芯片制造集中在台湾（TSMC）。如果中国大陆通过封锁或入侵控制台湾，就将掌控 AI 竞赛中最关键的战略资源。他分析了各种应对选项的困境：台湾自身可能不愿摧毁这些关乎其生存价值的晶圆厂；美国若进行轰炸，则可能直接导致世界大战升级。因此，最佳路径是通过强大的威慑（包括军事和 AI 能力优势）阻止冲突发生。但这也意味着，美国必须在国内加速建设芯片制造能力，尽管面临法规、电力、人才和 TSMC 自身战略考量等多重挑战。
中美 AI 竞赛：一场决定未来的“战争”
王亚历克斯直言不讳地将中美在 AI 领域的竞争称为一场“战争”。他认为，AI 将成为未来经济、军事和政府运作的“命脉”。能够有效利用 AI 实现经济自动化、研发自动化的国家，将获得近乎无限的 GDP 增长潜力，而落后者将被远远甩开。在军事领域，AI 也将处于未来战争形态的核心。
他警告，中国的 AI 初创公司如 DeepSeek 正在以比大多数人意识到的更快的速度追赶。中国在机器人、自动化工厂等领域的工业化速度也领先全球。王亚历克斯提出了一个关键概念：“智能递归” 或 AI 自我改进。即当 AI 发展到足够强大时，可以利用当前一代的 AI 来帮助更快地开发和训练下一代 AI，从而形成指数级加速的能力飞跃。如果一方在这个循环中领先哪怕 3 到 6 个月，追赶者可能永远无法跟上，形成“赢家通吃”的局面。
因此，美国的首要目标是确保在 AI 能力上全面领先中国，以维持威慑。最坏的情况是中国通过举国体制的“曼哈顿计划”式投入，在 AI 上反超美国，从而获得压倒性的军事优势。王亚历克斯认为，如果双方能力大致相当，则威慑可以维持；如果美国遥遥领先，则能确保其全球领导地位和安全。
人类主权：在超级智能时代保持控制
面对 AI 能力可能失控并威胁人类的科幻场景，王亚历克斯提出了“人类主权”这一核心原则。他认为，AI 获得独立意识并消灭人类并非不可避免的前景，而是一个选择问题——我们是否选择将关键系统的控制权完全交给 AI。
他主张，必须设计所有 AI 系统，确保人类监督和最终决策权至关重要。这正是 Scale AI 的长期使命之一：一是确保输入 AI 模型的数据能增强“人类主权”，使模型与人类目标对齐；二是在 AI 执行越来越多行动（经济、军事等领域）时，构建人类对每一个行动的监督机制。通过这种方式，人类可以维持控制，防止出现“终结者”式的灾难性后果。
王亚历克斯也谈到了 AI 生成内容（如超逼真视频）对社会信任（如法庭证据）的冲击。他认为，除了开发更强大的“假货检测器”，更需要通过政策和法律来调整激励，对伪造证据的行为施加重罚，以遏制其滥用。
技术巨头的责任与地缘协调
在访谈尾声，王亚历克斯被问及希望看到哪些嘉宾出现在节目中。他提到了 Elon Musk（埃隆·马斯克）、扎克伯格和 Sam Altman（萨姆·奥尔特曼）等科技领袖，认为让更多技术决策者参与这类关乎未来的讨论至关重要。此外，他也强调了国际协调的重要性，因为 AI 带来的挑战（如生物安全、网络安全）是全球性的。
他类比了核技术的发展历史：最初也是各国竞相研发，直到切尔诺贝利和三里岛等事故发生后，国际社会才建立了协调与条约机制。对于 AI，可能需要某种“AI 漏油事件”式的重大事故，才能迫使国际社会认识到协作的必要性——在促进经济和人道主义应用的同时，共同限制其在危险领域的应用。
Alexandr Wang（王亚历克斯）的思考勾勒出一幅复杂而紧迫的未来图景：AI 既是前所未有的机遇引擎，也带来了深远的生存性风险。在这场刚刚开始的革命中，技术发展、国家安全、人类价值观和国际合作紧密交织，任何单一维度的失败都可能带来不可估量的后果。他的观点为政策制定者、技术从业者和普通公众理解 AI 时代的挑战与抉择，提供了宝贵的视角。
Scale AI 创始人 Alexandr Wang（亚历山大王）：美国必须赢得对华 AI 战争，数据优势是关键撰文：Techub News 整理
导语
2025 年 5 月，数据标注与 AI 基础设施巨头 Scale AI 的创始人兼 CEO Alexandr Wang（亚历山大王）做客美国战略与国际研究中心（CSIS），与 CSIS Wadhwani AI 中心主任 Greg Allen 进行了一场深度对话。作为年仅 27 岁便登上福布斯亿万富豪榜的 AI 行业领军者，Alexandr Wang 的见解不仅源于其将 Scale AI 从 MIT 宿舍项目打造成估值超 140 亿美元独角兽的创业经历，更根植于他在洛斯阿拉莫斯（美国核武器研发基地）的成长背景，使其对技术与国家安全的交集有着深刻理解。此次对话正值中美 AI 竞争白热化、美国国内对 AI 安全与部署展开广泛辩论之际，Wang 的观点为理解美国 AI 领导力的现状与未来提供了关键视角。
摘要
AI 竞争是三位一体的战争：胜利取决于算法、算力和数据的综合优势，而数据优势（Data Dominance）是美国必须建立和维持的核心。
中国是有计划、系统性的竞争者：中国共产党自 2017/2018 年便制定了清晰的 AI 总体战略，旨在通过“蛙跳”技术超越西方，其举国体制在数据获取、算力建设（即使牺牲能效）上拥有独特优势。
美国国防部与政府需加速 AI 采纳：关键在于建立企业级 AI 基础设施、采用灵活采购路径，并敢于构想能带来“颠覆性”优势的雄心勃勃的 AI 应用场景，如“智能体战争”（Agentic Warfare）和“智能体政府”（Agentic Government）。
测试、评估与安全是规模化部署的前提：无论是国防还是民用关键领域，大规模、自动化的场景测试与生产监控能力是负责任地快速推广 AI 技术的基石，美国 AI 安全研究所网络应主导全球标准制定。
能源产能是 AI 竞赛的基础设施瓶颈：美国相对平稳的能源产能增长曲线与中国陡峭上升的曲线形成对比，满足 AI 算力爆发的能源需求是美国必须解决的战略问题。
从洛斯阿拉莫斯到 AI 数据基石：Scale AI 的崛起之路
Alexandr Wang（亚历山大王）的创业故事始于一个独特的地方：新墨西哥州的洛斯阿拉莫斯。他的父母都是在那里国家实验室工作的物理学家。这个因“曼哈顿计划”和奥本海默而闻名的小镇，让他自幼便浸润在国家安全与技术交汇的氛围中。“本周在华盛顿特区的许多会议上，人们都将 AI 比作曼哈顿计划级别的努力，”Wang 说道，“而我总是可以说，哦，我实际上是在那里长大的。”
这种背景塑造了他对技术使命感的认知。进入 MIT 学习人工智能时，正值 DeepMind 的 AlphaGo 击败世界顶级围棋选手。他敏锐地察觉到，深度学习在短短五年内从雏形发展到如此高度，意味着 AI 将成为他一生中最重要的技术浪潮。“我当时有时会告诉人们，我认为 AI 将是我们一生中最重要的东西，他们会笑，那时很难严肃地说出这句话，但现在可以更严肃一点了。”
他将 AI 的核心要素分解为三点：算法、算力和数据。观察当时的生态，他发现 OpenAI、DeepMind 等公司在攻克算法，Nvidia 等在解决算力，但在数据——这个“智能的原材料”和模型的“生命血液”——领域，却存在巨大的基础设施缺口。于是，2016年，19岁的他创立了 Scale AI，立志填补这一空白。
Scale AI 最初切入的是当时 AI 最炙手可热的领域：自动驾驶。他们为 Waymo、丰田、通用等公司提供高质量的数据标注和基础设施，解决诸如传感器融合等关键难题。“当你策划数据集时，你实际上是在编程 AI 系统。” 这段经历不仅让公司站稳脚跟，更积累了处理复杂、多模态数据的宝贵经验，为日后转向生成式 AI 奠定了基础。
转折点出现在 2017-2019 年。Transformer 论文、GPT-1、GPT-2 相继问世。Scale AI 在早期就与 OpenAI 合作，参与了 GPT-2 的工作。Wang 回忆道，从研究角度看，这条发展轨迹“非常无聊”，因为它本质上就是“对完全相同的算法投入更多数据和更多计算，然后它就变得聪明得多”。但正是这种“ scaling laws”（规模定律）揭示了 AI 发展的核心动力，也定义了现代的 AI 格局。Scale AI 随后与谷歌、Meta 等几乎所有主流 AI 实验室合作，见证了大型语言模型到智能体模型的惊人演进。“如果你在 2016 年问我，十年后 AI 能力会达到什么水平，很难预测它会走得这么远。” Wang 感慨道，他曾以为 AI 在竞争性编程或数学上超越人类需要三四十年，结果不到十年就实现了。
为何押注国防 AI：理性、使命与战略清醒
在 AI 行业普遍对与国防部（DoD）合作持谨慎甚至反对态度的年代（2018-[2020]年左右），Alexandr Wang（亚历山大王）做出了一个逆流而上的决定：让 Scale AI 为美国国家安全社区服务。当时的主流观点认为，DoD 既是糟糕的客户（导致亏损），也会引发员工（尤其是顶尖AI人才）的强烈反对而离职。
Wang 的决策基于两个核心信念。第一是“理性终将占上风”。他坚信，面对如此强大的新技术，其在国家安全上的应用是显而易见的，美国保持领先是绝对必要的。第二则源于他的个人经历和对中国竞争的清醒认识。一次由投资者组织的中国之行让他震撼：“我们当时访问的中国 AI 公司，100% 都专注于人脸识别和监控……而且他们做得非常好。” 这让他清晰地看到，AI 与国家安全交汇的时刻即将成为全球共识，美国必须拥有最优质的人才和公司来应对这一挑战。
“从我的立场来看，知道我父母的工作，了解我成长地方的历史，以及洛斯阿拉莫斯和曼哈顿计划对‘美国治下的和平’（Pax Americana）和全球秩序的影响……感觉非常清楚，伟大的 AI 技术需要应用于国家安全问题集，而且坦率地说，我认为我们有道德义务去支持它。” 尽管这个决定导致了部分投资者的怀疑和员工的离开，但 Wang 坚持了下来。
如今，Scale AI 在国防领域的工作已颇具规模。他提到了与国防创新单元（DIU）和印太司令部（Indopacom）合作的“雷霆锻造”（Thunderforge）项目，该项目旨在利用 AI 智能体加速军事规划和作战规划流程。这项工作的灵感部分来源于与 CSIS 早期的合作研究，涉及兵棋推演、模拟等领域。Wang 认为，这代表了未来战争的一个关键方向：智能体战争。核心优势在于，AI 智能体拥有“数千年的上下文知识”，并能近乎即时地行动，这对于压缩从决策到行动的“OODA循环”（观察、调整、决策、行动）至关重要。
此外，Scale AI 也与首席数字与人工智能官办公室（CDAO）合作，开发 AI 系统的测试与评估框架。Wang 强调，在国家安全领域大规模部署 AI，必须在“快速部署”和“确保稳健可靠”之间找到平衡。“我们的观点是中间路线：我们应该非常快速地在整个国防部、整个国家安全社区部署 AI 系统，但我们应该以深思熟虑的方式进行，并通过正确的测试和评估来确保这些系统的稳健性。”
中美 AI 竞赛：数据、能源与系统性挑战
Alexandr Wang（亚历山大王）对中美 AI 竞争的剖析尖锐而系统。他指出，中国共产党自 2017/2018 年便制定了清晰的 AI 总体战略，明确将 AI 视为能够“蛙跳”西方防御能力的跨越式技术。中国在数据收集、算力建设和技术军事化应用方面进行了系统性协调。
2025 年 5 月 DeepSeek、通义千问（Quen）等中国顶尖模型的涌现，迫使美国重新审视竞争方程式。Wang 指出，这些模型在计算资源相对较少的情况下达到了与美国前沿模型相当的水平，这证明胜利并非只取决于算力。“这不是一个单变量方程。这是一个三变量方程。” 算法进步和数据同样扮演重要角色，而中国在数据获取和“举国”协调经济方面具有优势。
因此，他提出了“数据优势”（Data Dominance）的概念。“如果你认为所有这些模型的智能原材料是数据，那么显而易见的结论是，你将通过比对手获得更多、更好、更相关的数据来赢得胜利。” 这最终取决于能否建立反馈循环，让技术以指数级速度改进。他建议美国考虑建立“国家 AI 数据储备”，将数据视为战略资产，类比过去的国家石油储备。
另一个基础性瓶颈是能源。Wang 展示了一幅对比鲜明的图景：中国的总发电能力曲线“直线上升”，部分原因在于他们不关闭煤电厂；而美国的曲线“大致平坦”，尽管在向绿色能源转型。“计算能力从根本上取决于生产的巨大能量……这是美国获胜的基本前提。” 他呼吁美国重新加速能源生产，以应对 AI 竞赛的需求。
关于对华半导体出口管制，Wang 认为问题很复杂。中国的应对策略是牺牲能效换取算力（如华为新芯片被分析为以 5 倍功耗换取 2 倍算力）。“如果他们能以极快的速度建设电力，那么这一切都归结为金钱或研发投入。而他们显然愿意付出任何代价。” 中国国有银行已宣布大规模计划支持计算基础设施，解放军去年也与国内大模型公司签订了超过 81 份合同，显示出“全系统冲刺”的态势。
构建可信的 AI 未来：测试、安全与全球领导力
要实现 AI 在国防和关键经济领域的大规模部署，信任与安全是绕不开的议题。Alexandr Wang（亚历山大王）强调，Scale AI 提供的测试与评估能力，不仅是国防需求，也是金融、医疗、电信等民用关键行业广泛采用 AI 的“先决条件”。
他描述了目前最先进的测试工具包。其一是大规模场景化测试：创建包含大量预设任务的基准测试环境，从简单的数学问题到复杂的法律审查任务，让模型在自动化、可扩展的“百万问题”环境中接受考验。其二是大规模生产监控：实时监测生产环境中的 AI 表现，识别和处理现实世界中出现的意外边缘案例和异常。
今年二月，美国 AI 安全研究所（US AISI）选择 Scale AI 作为其首个第三方评估机构，这正是对其技术能力的认可。Wang 认为，由美国、英国、日本等约 11 个国家组成的“全球 AI 安全研究所网络”至关重要。这些机构不应被简单视为“末日论者”的集合，而应看作是制定全球 AI 性能与安全标准的核心力量。
“美国 AI 安全研究所有能力在全球范围内引领……我们应该将此视为一个机会，不仅讨论安全，更真正地以全球方式制定标准。” 许多其他国家缺乏美国的资源和技术能力，因此美国有机会塑造全球 AI 的部署方式。这既有经济价值（推广美国技术），也有意识形态价值（确保民主价值观通过技术出口）。
给美国政府的行动建议：从基础设施到雄心壮志
基于以上分析，Alexandr Wang（亚历山大王）对美国政府（包括行政、国防和立法部门）提出了具体建议，核心目标是加速并优化 AI 的采纳与应用。
首先，建立企业级 AI 基础设施。对比硅谷初创公司可以轻松调用各种 API 快速起步，国防部内部的新 AI 项目则面临复杂的集成与采购难题。Wang 呼吁国防部应聚焦于提供全部门共享的云基础设施、数据基础设施和模型基础设施，为创新奠定共同基础。
其次，拥抱雄心壮志，构想颠覆性应用。硅谷的颠覆性源于“无拘无束的雄心水平”。国防部需要授权相关人员去思考那些能够对近邻对手产生“有意义的威慑效果”的、雄心勃勃的 AI 概念，并立即开始构建。例如，深入探索“智能体战争”在杀伤力、威慑力方面能实现何种真正的能力跨越。同样，在民用政府领域，应追求“智能体政府”，利用 AI 智能体彻底重新设计政府服务与流程，实现百倍的效率提升，而非简单地将 AI 嵌入现有流程。
最后，为 AI 未来培养人才。Wang 提到关于 AI 与教育的行政命令，强调美国必须像应对“斯普特尼克时刻”后通过《国防教育法》大幅增加工程师培养一样，积极准备和建设面向 AI 新时代的劳动力队伍，确保国家能抓住这场技术浪潮创造的巨大机遇。
在对话结尾，Wang 重申了竞争的紧迫性：“我们正处于这个关键节点……中国共产党有一个清晰的计划。他们有很多意图和协调。我们需要抓住这一刻，并将其归结为我们必须领先的领域。” 对于美国而言，赢得这场 AI 战争，意味着在数据、能源和快速、负责任的部署能力上，建立起不容置疑的领导地位。
NVIDIA 创始人 Jensen Huang（黄仁勋）谈下一代 AI 芯片撰文：Techub News 整理
导语
北京时间 2026 年 3 月，NVIDIA 年度技术盛会 GTC 在圣何塞 SAP 中心拉开帷幕。在创始人兼 CEO Jensen Huang（黄仁勋）的主题演讲之前，一场长达三小时的「开场秀」汇集了数十位全球顶尖的开发者、企业家、科学家和投资者。本次预热讨论由 Conviction 创始合伙人 Sarah Guo 和 Atreides Management 创始合伙人 Gavin Baker 主持，并穿插了现场记者 Tiffany Janzen 对多位嘉宾的采访。对话聚焦于加速计算如何从训练走向推理，并深入物理世界，成为重塑各行各业的基础设施。本文整理了这场高密度思想碰撞的核心观点，为读者呈现 AI 革命前沿的全景图。
摘要
加速计算已超越 AI，成为从图形渲染、数据处理到科学模拟的通用计算范式，其市场正首次扩展到设计与工程领域。
企业 AI 应用的核心挑战正从「算力约束」转向「能力约束」与「数据价值解锁」，可靠、可解释的推理结果成为关键。
推理工作负载的「解构」（如分离预填充和解码）将极大提升现有 GPU 的利用率和残值，延长基础设施生命周期，降低创新门槛。
物理 AI（机器人、自动驾驶）是下一个爆发点，其发展路径将从结构化的企业场景逐步走向非结构化的消费场景，安全与仿真验证至关重要。
专业化、多智能体协作的 AI 模式（如医疗领域的数字孪生专家）将成为复杂领域的主流，推动知识工作范式变革。
加速计算：从专用引擎到通用基础设施
摩根士丹利董事总经理 Mark Edelstone 作为当年 NVIDIA 上市的分析师，回顾了公司的崛起之路。他指出，NVIDIA 早期就确立了构建「平台」的愿景，即结合架构、算法和软件兼容性，并通过「三支团队应对两个产品周期」的研发节奏，在激烈的图形芯片竞争中建立了持续领先的能力。这种平台思维后来顺利过渡到加速计算领域。
IBM 软件高级副总裁 Desh Nirmal 从数据演进的视角解读了 AI 平台化。他认为，数据正从过去的「终点」（存储在数据库中等待查询），演变为今天的「工具」（通过多种接口访问），并即将成为明天的「代码」或「技能」。未来，企业将能通过自然语言指令，动态生成处理特定数据任务的程序，从而实现前所未有的灵活性和规模。企业 90% 的数据是非结构化的，如何将其与交易数据关联并提取价值，是生成式 AI 落地的核心。
Palantir 美国政府业务总裁兼 CTO Akash “Aki” Jain 分享了该公司从数据治理走向 AI 应用的经验。Palantir 的起点是帮助人类团队像软件工程团队一样协同处理数据。随着计算机视觉等 AI 技术因 NVIDIA GPU 和 CUDA 而变得实用，Palantir 开始将这些能力用于关键任务，例如利用视频、音频等非结构化数据保障军事人员安全。如今，随着生成式 AI 的成熟，焦点转向如何安全、受控地将「AI 队友」接入人类工作流，实现规模化的成果加速。Aki 提出了一个有趣的观点：组织的规模限制因素正从「神经元」（人力）转向「电子」（算力）。
Cadence 总裁兼 CEO Anirudh Devgan 则从芯片设计这一基石领域阐述了 AI 的影响。他将其比喻为一个三层蛋糕：顶层是智能体 AI，中间是物理、化学等「地面实况」真理，底层是计算与数据。成功的应用需要垂直切下整个蛋糕。在芯片设计领域，智能体 AI 已能自动生成寄存器传输语言代码和测试平台，而底层强大的算力（如 GPU）使得仿真速度和规模达到过去难以想象的水平。尽管设计工具效率已提升百倍，但芯片复杂性的指数级增长要求工具性能必须再提升十倍，AI 正是实现这一目标的关键。
AI 基础设施：构建全球智能的「五层蛋糕」
戴尔科技创始人、董事长兼 CEO Michael Dell 指出，计算将无处不在，从边缘设备到超大规模数据中心。戴尔推出的 AI 工厂和数据平台，核心在于解决数据编排问题，以极快的速度向 GPU 输送数据。他特别强调，随着多智能体系统和复杂查询的出现，KV 缓存等分层内存系统变得至关重要，内存和存储数据的增长速度甚至可能超过算力本身。解锁企业内从未被使用的「冷数据」，是当前数千家客户正在探索的方向。
云算力提供商 CoreWeave 联合创始人、董事长兼 CEO Michael Intrator 对推理工作负载的「解构」感到兴奋。他认为，将推理分解为不同阶段（如预填充和解码），使得像 CoreWeave 这样的公司能够针对每个环节进行深度优化。这种专业化在以往的计算浪潮中并不经济，但现在由于规模巨大而变得可行。更重要的是，解构允许将部分工作负载路由到旧一代 GPU 上执行，从而从现有基础设施中榨取更多价值，延长资产使用寿命，这将对融资和信贷模式产生积极影响。
Fireworks AI 联合创始人兼 CEO Lynn 将 2026 年视为「效率之年」和「AI 创新爆发之年」。她指出，当前拥有产品市场匹配度并不等于拥有可持续的业务，许多公司可能因推理成本过高而「扩张至破产」。Fireworks 通过「三维优化」方法，帮助客户利用其私有数据提升模型智能、速度和成本效益，目标是将总拥有成本降低 5 到 10 倍。她展望的未来是训练与推理的融合，模型在服务过程中持续学习，实现更极致的效率。
卡特彼勒 CEO Joe Creed 代表了 AI 基础设施金字塔的底层——能源与物理建设。他坦言，正在见证职业生涯中最大规模的基础设施建设浪潮。Jensen Huang（黄仁勋）提出的「五层蛋糕」（芯片、系统、软件、AI 工厂、物理世界）中，前三层（能源、芯片、基础设施）正是卡特彼勒所赋能的领域。AI 的爆发将消耗远超预期的电力，而卡特彼勒正在全球范围内提升发电和工程机械的产能，以支撑这场智能革命。
物理 AI 与智能体：当智能融入现实世界
Open Evidence 联合创始人兼 CEO Daniel Nadler 从医疗领域阐述了专业化智能体的必要性。人体本身是高度分化的，医学知识也早已高度专业化。因此，未来的医疗 AI 不会是单一的通用智能，而是由众多数字孪生专家（如心脏病学、神经学专家）组成的协作网络。医生可以动态调用这些「数字专家」来辅助诊断。他指出，生物医学知识的爆炸式增长（每 5 年翻一番）已远超人类医生的学习能力，AI 数字孪生将成为医生应对知识海洋的必备工具。他透露，Open Evidence 这家不足百人的公司，今年将间接支持美国 3 亿人次的患者诊疗，展现了 AI 时代「小团队、大影响」的新范式。
西门子研发副总裁 Danping 分享了 AI 在工业物理世界的应用。通过智能体 AI 和模型上下文协议，可以将行业专家的领域知识嵌入工作流，赋能非技术背景的员工。西门子与 NVIDIA 的合作涵盖仿真、供应链、制造和电子设计自动化四大领域。例如，利用 GPU 加速物理仿真，用 AI 构建高精度流程模型，甚至用生成式 AI 控制工作流，让软件具备「思考并行动」的能力。数字孪生工具允许全球团队在虚拟环境中进行照片级真实的协作设计与决策。
Waabi 创始人兼 CEO Raquel Urtasun 从自动驾驶的历程为物理 AI 提供了经验教训。她指出，早期自动驾驶采用「机器人专家」方法，试图手工编码一切，这无法实现规模化。Waabi 秉持「AI 优先」、「仿真优先」的理念，通过构建世界模型和混合现实测试，能够在虚拟环境中穷尽测试 corner case，这是确保安全关键系统安全的唯一途径。她认为，这种基于仿真、可进行端到端验证与推理的新方法，将被其他物理 AI 领域广泛采纳。
机器人公司创始人 Deepak 探讨了通用机器人的落地路径。他认为，机器人将遵循从企业到消费场景的渐进式发展。首先在结构化、付费意愿强、容错度较高的企业环境（如工厂）大规模部署；然后利用积累的数据，逐步拓展至医院、杂货店等半结构化场景；最后才进入家庭等完全非结构化环境。这个过程依赖于「数据飞轮」——用前一阶段的数据驱动下一阶段通用能力的提升。他预告将有重要企业合作公告，实现机器人在企业场景的「一次性大规模部署」。
自动驾驶公司 Wayve 联合创始人兼 CEO Alex Kendall 展示了「端到端 AI」驱动自动驾驶的进展。Wayve 通过构建世界模型，实现了在超过 500 个城市进行「零样本」驾驶测试（即在从未采集过训练数据的城市驾驶），证明了其系统具备真正的泛化能力。他强调，未来的每辆车都将是自动驾驶的，而汽车产业将是 embodied AI（具身智能）首个大规模展示的舞台。Wayve 已与 Uber、Stellantis 等合作，计划在全球超 10 个城市推出机器人出租车试运营。
Nvidia 刚刚彻底击碎了空头逻辑，而股价依然被低估三个月前，我写道 Nvidia Corporation（NVDA）刚刚交出了我所关注的所有公司中最好的一份季度业绩。如今，它又超越了自己。NVDA 公布了 2027 财年第二季度业绩，交出的数字在如此巨大的体量下几乎令人难以置信。NVDA 实现收入 962.2 亿美元，同比增长 105.85%，比管理层今年 5 月给出的 910 亿美元指引高出 52.2 亿美元。NVDA 实现非 GAAP EPS 2.22 美元，比市场一致预期的 2.09 美元高出 0.13 美元，同比增长 119.80%。季度收入环比增加 146.1 亿美元，超过了 NVDA 仅仅一个季度前刚创下的纪录，这也是公司连续第 4 个季度实现同比增速加快。通常来说，一家公司在年化收入运行率达到 3,850 亿美元时，不应该还能继续加速增长，但这正是 NVDA 现在正在发生的事情。如果这还不够，管理层还给出了第三季度 1,080 亿美元的收入指引，并做了一件 NVDA 过去从未做过的事情。Colette Kress 首次对 2028 财年给出了初步数字，并告诉市场预计收入增长约 70%。她明确表示，这还是一个受供给限制的展望，因为客户预测显示需求实际上可能翻倍，而 Jensen Huang 在问答环节也证实了这一点，他表示实际需求远高于 70%，真正限制增长的是供给。我原本带着一个问题进入这次财报：我今年 5 月提出的资本回报逻辑是否依然成立。结果出来后，我反而认为空头逻辑是在这场电话会议中被现场拆解掉了。本季度，几乎所有针对 NVDA 的主要空头论点都被正面回应，而股价当前的估值倍数依然没有反映管理层刚刚告诉我们的这些信息。
【原文图片位置：NVDA 股价及相关数据（Seeking Alpha）】
继续跟进我此前关于 Nvidia 的文章
今年 5 月底，我曾写过一篇关于 NVDA 的文章，在其中讨论了为什么公司将股息提高 2,400%，并承诺将大约 50% 的自由现金流（FCF）返还给股东，这标志着一个极其强大的股息增长故事正式开始。在那篇文章中，我建立了一个 5 年模型，假设 NVDA 每年将股息增长 50%，同时回购并注销超过 8% 的流通股，并累计向股东返还超过 9,000 亿美元资本。我的核心观点是，市场把这项资本回报计划当成了一个脚注，但实际上它可能是一个多年复利循环的起点。
第二季度比我预期更快地验证了这一逻辑。NVDA 在本季度向股东返还了 260 亿美元，其中 200 亿美元来自股票回购，60 亿美元来自每季度 0.25 美元的股息。Colette Kress 披露，按年初至今计算，NVDA 已经返还了 60% 的自由现金流，超过此前承诺的 50%，并表示管理层未来计划在扣除战略用途后，进一步提高并返还多余自由现金流。目前股票回购授权额度仍剩下大约 990 亿美元，而下一次每股 0.25 美元的股息将在 10 月 1 日支付给截至 9 月 10 日登记在册的股东。不过，我这次继续写 NVDA 并不仅仅是因为资本回报计划依然按计划推进，而是因为第二季度彻底扩大了整个投资逻辑的边界，而我认为市场还没有真正消化这次电话会议里透露的信息。
【原文图片位置：NVDA 相关资本回报及财务数据（Seeking Alpha）】
第二季度业绩大幅超预期，而运营进展比预期更好
表面数字已经非常惊人，但真正让我印象深刻的是这一季度内部结构。NVDA 实现收入 962.2 亿美元，环比增长 17.90%，GAAP 和非 GAAP 毛利率都达到 75%，同比提升 2.6 个百分点。公司实现 GAAP 营业利润 637.3 亿美元，同比增长 124.10%，GAAP 净利润 596.9 亿美元，同比增长 125.90%。NVDA 的 GAAP EPS 达到 2.46 美元，同比增长 127.78%。在一家达到如此规模的公司里，利润增长速度居然依然快于收入增长，这在历史上几乎没有出现过。根据第二季度股东演示材料，NVDA 数据中心收入达到 890 亿美元，环比增长 18%，同比增长 117%。其中，Hyperscale（超大规模云客户）在持续强劲的 Blackwell 需求推动下贡献 490 亿美元收入，而 ACIE——即 AI 云、工业和企业客户业务——贡献 400 亿美元，同比增长 138%。在我看来，这是本季度最重要的变化。过去两年空头逻辑一直围绕一个问题展开：当超大规模云厂商资本开支放缓时会发生什么？现在答案是，Hyperscale 已经只占数据中心业务的 55%，另外 45% 来自主权国家、NeoCloud、AI 原生企业以及传统企业，而这一侧业务的复合增长速度甚至高于 Hyperscale。与此同时，Hyperscale 本身也没有减速，因为云行业积压订单目前已经超过 2 万亿美元，预计前五大超大规模云厂商 2026 年资本开支将接近 8,000 亿美元，2027 年将达到 1.3 万亿美元。
【原文图片位置：2027 财年第二季度数据中心业务（NVIDIA Q2 Deck）】
网络业务又创下了一个季度纪录，收入环比增长 18%，其中 Spectrum-X Ethernet 同比增长 2.6 倍。接下来还有 Vera Rubin，而这才是支撑 NVDA 未来 18 个月增长的核心故事。NVDA 本月早些时候已经开始出货 Vera Rubin，机架目前已经在 CoreWeave, Inc.（CRWV）、Alphabet Inc.（GOOG、GOOGL）旗下 Google Cloud、Microsoft Corporation（MSFT）的 Azure、Oracle Corporation（ORCL）的 Cloud Infrastructure，以及 Nebius Group N.V.（NBIS）运行。管理层已经拿到了所有主要超大规模云厂商、AI 云平台以及系统 OEM 的采购订单，并预计 Vera Rubin 将成为 NVDA 历史上放量最快的产品，第三季度该平台将占数据中心收入约 20%。其性能跃升非常巨大，相比 Grace Blackwell Ultra，Vera Rubin 每兆瓦吞吐量提高 30 倍，同时 token 成本下降 35 倍。
新的产品线同样重要。NVDA 发布了 Vera，这是首款专为 AI Agent 构建的 CPU，目前已经全面量产。Grace CPU 也在悄然之间形成了一项过去 12 个月收入超过 50 亿美元的业务，管理层认为服务器 CPU 的总需求大约达到 200 亿美元，并预计 CPU 收入将在 2028 财年翻倍以上。Groq 3 LPX 是 NVDA 首款机架级 LPU 系统，目前也已经全面量产，其每秒 token 输出能力几乎达到次优替代方案的 4 倍，预计本季度稍晚开始批量出货。NVDA 还宣布扩大与 Amazon.com, Inc.（AMZN）的合作，AWS 将从本季度开始一直到 2029 财年第二季度额外部署 200 万颗 GPU，同时还将部署 Vera CPU 和 NVDA 面向仓储机器人的完整 Physical AI 技术栈。Edge Computing（边缘计算）收入达到 72 亿美元，同比增长 27%，与此同时 NVDA 正与 Microsoft 合作，围绕 RTX Spark 和 DGX Station 重新定义 Windows PC。
【原文图片位置：Vera、Groq 3 LPX 与边缘计算产品进展（NVIDIA Q2 Deck）】
资产负债表本身也说明了很多问题。NVDA 可交易权益证券规模增长至 427.8 亿美元，非上市证券达到 511.6 亿美元，因此公司的投资组合规模在六个月内从本财年初的 350 亿美元增长至大约 940 亿美元。库存增加至 315.8 亿美元，为 Vera Rubin 放量提前备货；同时，应收账款周转天数（DSO）延长至 60 天，主要由于公司给予大型投资级客户更长的付款期限，Colette Kress 在 CFO 评论中对此进行了说明。NVDA 本季度还筹集了约 250 亿美元债务资金，我认为这更像是在为融资平台提前配置低成本资本，而不是警示信号。管理层给出的第三季度收入指引为 1,080 亿美元，对应环比增长 12.24%，同时他们在毛利率问题上也非常直接。由于内存价格上涨幅度超过此前预期，公司预计第三季度毛利率为 74%，第四季度触底于 71%-72%，随后随着已经执行的涨价措施生效，2028 财年恢复至 72%-73%。Kress 表示，她宁愿现在就重新设定市场预期，而不是让这个问题一直悬着不解决，我很欣赏这种透明度。
Nvidia 的关键成功因素解释了为什么它正在赢得 AI 竞赛
如果把所有因素简化，我认为 NVDA 正在凭借三个结构性优势赢得 AI 竞赛，而每一个优势都直接击破了一个具体的空头论点。第一个优势是，NVDA 的架构可以运行所有模型。闭源模型和开源模型的采用率都在爆发式增长，而 NVDA 既运行 OpenAI 和 Anthropic 等领先闭源模型，也几乎运行所有领先的开源模型，这意味着 NVDA 根本不需要押注谁会赢得模型竞争。一套可互换的平台就可以完成数据准备、预训练、后训练以及 Agentic Inference，并且能够在 AI 的完整生命周期内持续创造价值。这直接击破了“开源模型崛起会削弱推动 NVDA 需求的前沿实验室”的论点，因为两类模型实际上都在爆发式增长，而几乎所有主要开源模型同样运行在 NVDA 硬件上。NVDA 的护城河甚至延伸到了大多数投资者根本不会关注的领域，例如支持 confidential computing（机密计算）的 NVDA GPU 现在已经运行在 Apple Inc.（AAPL）的 Private Cloud Compute 中执行机密推理，而 Blackwell 则横扫 MLPerf Training 6.0 基准测试中的所有类别，同时也在 AgentPerf——行业首个 Agentic AI 基础设施基准测试——中取得领先。
第二个优势是完整的 AI 工厂全栈平台，这正在不断提高 NVDA 对每一美元数据中心投资的价值获取比例。NVDA 每吉瓦收入机会已经从 Hopper 时代的大约 180 亿美元，提高至 Blackwell 时代的 250 亿美元，再到 Vera Rubin 时代的 400 亿美元，而 Vera Rubin 平台现在已经覆盖 Vera CPU、Rubin GPU、NVLink、InfiniBand、Ethernet 网络以及 Groq LPU。这正是针对定制硅空头逻辑的答案。当 Jensen 被直接问到 OpenAI 的 Alpamayo 芯片时，他回应称，XPU 本质上是为某一家云或者某一项服务打造的特定推理芯片，而 NVDA 销售的是一整个 AI 工厂，可以在世界任何地方、任何云上运行任何模型。NVDA 已经进入第三代 NVLink 72 机架级系统，而竞争对手甚至还在努力部署第一代系统；随着已安装的网络和软件栈越来越庞大，每年将其整体替换掉的转换成本都在继续上升。
【原文图片位置：Nvidia AI 工厂平台与每吉瓦收入机会（NVIDIA Q2 Deck）】
第三个优势是 CUDA 生态系统，它把 AI 扩展到了单纯一颗芯片永远无法触达的市场。主权国家、NeoCloud 和传统企业都没有兴趣自己设计定制芯片，而 NVDA 是唯一一家能够直接交付一整套经过验证的 AI 工厂设计，并通过自己的开发者生态连接到最终计算需求的公司。主权 AI 收入环比增长 35%，同比增长超过三倍。NeoCloud 合作伙伴预计今年年底将拥有 8 吉瓦已安装容量，高于 2025 年底大约 3 吉瓦。Jensen 表示，非 Hyperscale 这一半业务目前每年增长 100%，而且全球这一部分计算市场最终很可能会比今天整个云计算市场还要大。企业市场也在快速扩张，其中汽车垂直领域过去 12 个月本地部署收入达到 80 亿美元，而金融服务、制造和医疗合计又贡献了另外 70 亿美元。
接下来是融资结构，它反过来击破了“循环融资”的批评。NVDA 已经向前沿 AI 实验室投资接近 500 亿美元，而管理层指出，这只占公司同期预期自由现金流的一小部分。真正承担大部分资本开支的是第三方资金，因为 NVDA 已经与 Apollo Global Management, Inc.（APO）、BlackRock, Inc.（BLK）、Blackstone Inc.（BX）、Brookfield Asset Management Ltd.（BAM）、The Goldman Sachs Group, Inc.（GS）以及 KKR & Co. Inc.（KKR）建立融资平台，计划为 AI 基础设施建设筹集超过 5,000 亿美元机构资本。NVDA 会对部分设施容量提供 take-or-pay（照付不议）承诺，为贷款机构提供一个可以用于承保的最低收入底线，而作为交换，NVDA 可以分享超过该底线部分所产生的收入。换句话说，NVDA 可以赚两次钱：第一次是在硬件销售时获得收入，第二次则通过与使用量挂钩的持续性收入再次获利。Kress 明确表示，NVDA 并没有直接发放贷款，每笔交易都由独立资本方基于自身条件独立承保。NVDA 出货的计算资源最终都由投资级客户使用，或者由投资级机构提供支持；而那些利用 NVDA 资产负债表支持的 AI 实验室，大约只占公司明年业务的四分之一。对于一个计算资源高度可互换且在单个客户出现问题时可以重新部署的平台而言，这种风险敞口仍然可控。仅 OpenAI 现有和计划中的项目，到 2030 年就对应约 12 吉瓦 NVDA 计算资源，其中位于 Ohio 的 PORTS-Pike 园区首期 4.25 吉瓦部署将全部采用 NVDA 计算平台，而这个园区本身也是按照未来 20 年多轮升级周期进行设计的。
需求背景则进一步提升了这一趋势的持久性。2026 年上半年，全球 AI 风险投资融资额已经超过 4,000 亿美元，超过 2025 全年 2,650 亿美元的融资额，而其中大约 70% 最终都会用于购买计算资源。目前已经有接近 20 家 AI 原生企业的年化收入运行率超过 10 亿美元，而两个季度前这一数字只有 13 家。Jensen 表示，Agentic AI 工作负载所消耗的计算资源，是人类单纯向模型输入 prompt 的 15 到 100 倍，而且就在上个月，AI 工作负载中 Agentic AI 已经首次占据多数。他还指出，如今一个 500 亿美元数据中心的投资资本回报周期已经缩短到一年以内。Jensen 在财报新闻稿中用一句话总结了整个逻辑：“Compute is revenue（计算就是收入）。”Token 可以盈利，而真正的约束是计算资源本身，这也正是为什么管理层可以给出 70% 增长指引，同时告诉你真实需求其实接近 100%。
Nvidia 的估值并没有反映管理层刚刚给出的指引
当我查看最新市场一致盈利预测时，其中的错位非常明显。分析师目前预计 NVDA 在 2027 财年实现 EPS 9.05 美元，同比增长 89.76%，对应当前股价约 23.54 倍当年市盈率。到 2028 财年，一致预期 EPS 为 13.13 美元，同比增长 45.03%，对应股价仅为 16.23 倍市盈率。到 2029 财年，市场预期 EPS 为 16.61 美元，对应估值进一步下降至 12.83 倍，而两位给出 2030 财年预测的分析师预计 EPS 为 19.10 美元，对应仅 11.16 倍市盈率。NVDA 股价当前约为 213 美元，对应市值约 5.2 万亿美元。当我今年 5 月写 NVDA 时，股价对应的前瞻市盈率还超过 25 倍。因此，在连续两个极其强劲的季度之后，NVDA 相对于一个规模更大、增速更快的盈利基础，前瞻估值反而变得更便宜了。
【原文图片位置：NVDA 前瞻盈利估值（Seeking Alpha）】
我还认为，市场一致预期本身也太低了。NVDA 在 2027 财年前两个季度已经实现 1,778.4 亿美元收入，同时第三季度收入指引为 1,080 亿美元。如果第四季度继续按照最近几个季度类似的环比增速增长，那么 2027 财年全年收入将达到大约 4,050 亿至 4,100 亿美元。管理层刚刚给出了 2028 财年约 70% 的收入增长指引，这意味着全年收入大约会达到 6,900 亿美元。当前市场一致预期却认为明年 EPS 只增长 45.03%，而收入增长达到 70%，我很难理解这两个数字如何能够同时成立。随着已经执行的涨价措施生效，毛利率预计恢复至 72%-73%，同时运营费用增速低于收入，因此盈利至少应该与收入保持类似增速。我的判断是，未来几个季度 13.13 美元这一 EPS 预测将会被显著上调，而每一次上调都会让当前 16.23 倍的估值显得更加脱节。以大约 16 倍前瞻市盈率买入一家刚刚给出 70% 收入增长指引、同时将 60% 自由现金流返还给股东的公司，我很难在市场其他地方找到类似配置。即使估值倍数完全不扩张，目前一致预期本身也已经认为 NVDA 从 2027 财年到 2029 财年 EPS 将增长超过 80%，而股价理论上也应该随着盈利上升。
投资 NVDA 所面临的风险
虽然我持有 NVDA 多头仓位，并认为股价未来会获得更高估值，但确实存在可能影响我投资逻辑的真实风险。最直接的风险就是毛利率。内存价格涨幅超过管理层此前预期，而且预计明年还会进一步上涨，这也是为什么公司预计第四季度毛利率会触底至 71%-72%。2028 财年恢复至 72%-73%，依赖于已经执行的涨价措施能够真正覆盖成本上涨。如果内存价格上涨速度超过这些涨价幅度，那么毛利率恢复将无法兑现，EPS 预测反而会下调而不是上调。第二个风险是资产负债表结构正在变得越来越复杂。由于大型投资级客户获得延长付款期限，DSO 已经增加至 60 天，应收账款也从本财年初的 384.7 亿美元增长至 630.6 亿美元。由于营运资本大幅增加，第二季度自由现金流只有 213.4 亿美元，显著低于净利润，而 NVDA 本季度还新增了约 250 亿美元债务。大约四分之一的明年业务与 AI 实验室有关，这些实验室通过股权投资、take-or-pay 承诺以及选择性信用增级利用 NVDA 的资产负债表。如果 AI 融资环境趋紧，那么“循环融资”的批评就会变得更加尖锐，而这些结构也将首次真正面临压力测试。管理层的回应是，这些计算资源具有可替代性，也可以重新部署，而且客户本身要么是投资级，要么拥有投资级合作方支持。但无论如何，这是我未来最密切关注的领域。无论多头逻辑看起来多么强劲，任何人在投入资金购买 NVDA 之前都应该进行自己的尽职调查。
结论
NVDA 刚刚交出了迄今最有力的证据，证明 AI 基础设施建设正在扩散，而不是接近顶部。公司连续第 4 个季度实现增长加速，目前数据中心业务的一半已经来自 Hyperscale 以外客户；毛利率下调也伴随着清晰的恢复路径；前沿 AI 实验室基础设施建设依靠的是超过 5,000 亿美元第三方资本，而不是仅仅依赖 NVDA 自己的资产负债表；同时资本回报计划目前已经达到自由现金流的 60%，高于此前承诺的 50%。更重要的是，管理层首次在公司历史上直接给出了 2028 财年 70% 的增长数字，并明确告诉市场，实际需求更接近 100%。我不认为当前股价按照明年盈利仅 16.23 倍估值能够反映这些变化，而且我认为盈利预测未来还会继续上调。我今年 5 月写过的股息复利逻辑依然完全成立，而包裹在这一逻辑外面的增长故事如今反而变得更大。我继续持有 NVDA 多头仓位，而且在看完这份财报之后，我比财报前更加看多，因为空头已经失去了他们最有力的几个论据。
NVIDIA 创始人 Jensen Huang（黄仁勋）谈 19 条公司经营哲学撰文：Techub News 整理
导语
在最新一期的 Founders Podcast 中，主持人 David Senra 以新书《The NVIDIA Way: Jensen Huang and the Making of a Tech Giant》为蓝本，对 NVIDIA 创始人兼 CEO 黄仁勋（Jensen Huang）的经营哲学进行了长达 100 分钟的深度剖析。这场对话之所以重要，在于它不仅追溯了 NVIDIA 从濒临倒闭到成为 AI 时代核心引擎的跌宕历程，更首次系统性地提炼出黄仁勋在三十余年商海沉浮中形成的、一套高度个人化且极具成效的公司构建与运营法则。此时，正值 NVIDIA 市值突破三万亿美元、其 GPU 成为全球 AI 基础设施的关键时刻，理解这位传奇领袖的思考方式，对于洞察科技行业的未来走向与组织管理精髓具有非凡价值。
摘要
卓越源于承受痛苦的能力：黄仁勋认为，伟大并非来自智力，而是源于性格，而性格只能在克服问题、挫折和逆境并拒绝放弃的过程中锻造。
构建“自我延伸”的组织：NVIDIA 是“拥有 29,000 条生命的黄仁勋”，公司的组织架构、文化和工作节奏都是其个人特质与哲学的延伸，旨在打造一台 CEO 能够完美驾驭的“赛车”。
公开批评与极度坦诚：黄仁勋信奉公开、直接的批评，认为这能让整个组织从单一个体的错误中学习，对抗官僚主义与自满情绪，将工作质量置于个人感受之上。
用“光速”作为唯一基准：NVIDIA 内部评判工作速度的唯一标准是物理定律允许的极限——“光速”，而非过去的成绩或竞争对手的表现，以此驱动极致的效率与创新。
集中力量，猛攻最大机遇：从早年押注 CUDA 生态到全力转向深度学习，黄仁勋展现了识别并调动全公司资源“蜂拥而至”最大历史性机遇的非凡魄力与远见。
早年淬炼：卓越是对痛苦的承受力
理解黄仁勋（Jensen Huang）的经营哲学，必须从其早年经历开始。四岁时，父母为了给他和兄弟争取更好的机会，毅然决定从台湾移民美国。这段经历让黄仁勋深刻体会到“牺牲”与“机会”的重量。随后，他被父母送入肯塔基州一所实为问题少年改造学校的寄宿机构。在那里，他不仅需要严格遵守日程并每日劳作，还因年幼体弱而时常遭受欺凌。这段经历塑造了他异于常人的韧性。他后来回忆道：“因为这段经历，我很少感到害怕。我不担心去从未去过的地方。我可以忍受大量的不适。”
这种“忍受不适”的能力贯穿了他的职业生涯。在 AMD 全职工作期间，他利用夜晚和周末时间，花了八年才完成斯坦福大学的硕士学位，同时还要养育年幼的家庭。他从中领悟到：“我有很长的视野。我对某些事情可能没有耐心，但对其他事情却可以无限耐心。我会持续努力。”在他看来，成功的关键并非单纯智力，而是性格（Character），而性格只能通过克服问题、挫折和逆境并拒绝放弃来获得。因此，当被问及成功建议时，他的回答始终如一：“我祝愿你们有充足剂量的痛苦和磨难。”
创业前夜：机会与关系的复利
在创立 NVIDIA 之前，黄仁勋在 LSI Logic 的工作经历至关重要，他在这里收获了三条影响深远的经验。第一，他形成了“磨砺刀剑（Honing The Sword）”的理念。他意识到，对于真正在乎的事情，不应回避冲突，而应主动寻求。正如杰夫·贝索斯（Jeff Bezos）所说：“如果我必须在一致和冲突之间选择，我每次都选冲突。因为它总能产生更好的结果。”激烈的辩论虽然暂时令人不适，但最终能打磨出更锐利、更优秀的想法。这让人联想到史蒂夫·乔布斯（Steve Jobs）的“岩石抛光机”比喻：一群才华横溢的人相互碰撞、摩擦，最终将彼此和彼此的想法打磨得光彩夺目。
第二，也是最重要的，他在这里遇到了未来的联合创始人克里斯·马拉科夫斯基（Chris Malachowsky）和柯蒂斯·普里姆（Curtis Priem）。当时，后两人对 Sun Microsystems 不满，计划离职创业，因欣赏黄仁勋的才华而邀请他协助。这次合作最终催生了共同创立 NVIDIA 的想法。这完美印证了一条法则：“机会处理得当，会带来更多意想不到的机会。”黄仁勋在每一份工作中都竭尽全力，这种卓越的表现为他打开了原本无法预测的大门。
第三，当他向 LSI Logic 的 CEO 威尔弗雷德·科里根（Wilfred Corrigan）提出离职创业时，科里根的第一反应是：“我能投资吗？”并随后将他引荐给了红杉资本创始人唐·瓦伦丁（Don Valentine）。尽管黄仁勋回忆自己的初次 pitch “糟糕透顶”，但瓦伦丁依然决定投资，并说：“违背我的更好判断，基于你刚才告诉我的（显然是个糟糕的 pitch），我会给你我的钱。但如果你把我的钱亏了，我会杀了你。”这次经历让黄仁勋刻骨铭心地认识到：“你的声誉会走在你的前面。” 你的长期声誉是商业世界中最宝贵的资产，它能为你开启或关闭未来的机会之门。
NVIDIA 的诞生与早期磨难：在失败中学习
NVIDIA 的起步并非一帆风顺。其首款产品 NV1 遭遇市场冷遇，几乎将公司拖垮。黄仁勋事后复盘，认识到几个关键错误：产品过度设计，塞入了太多无人关心的功能；市场定位模糊复杂。他总结道：“我们学到，做好少数几件事，比做太多事情更好。没人会去商店买一把瑞士军刀（那只是圣诞礼物）。”这与詹姆斯·戴森（James Dyson）的感悟不谋而合：“人们不想要万能的东西，他们想要高科技的专精。”
这次失败也让黄仁勋深感自己对营销定位的无知。他后来强调，产品定位的核心在于回答两个简单问题：“产品做什么？”以及“为谁而做？”。NV1 的教训是：“诱惑需要一个简单的信息。” 复杂的消息无法打动市场。
早期接连的失败（前两款产品均告失利）导致公司大规模裁员，从超过 100 人缩减至 40 人，现金也即将耗尽。黄仁勋不得不背水一战，将开发周期压缩到极限。为了加速第三款产品 RIVA 128 的测试，他毅然决定花费宝贵的 100 万美元购买一台 EOS 仿真器，尽管这会将公司的跑道从 9 个月缩短至 6 个月。最终，RIVA 128 获得成功，拿到了关键订单，拯救了公司于水火。这些早期的痛苦经历，锻造了黄仁勋和 NVIDIA 的“耐力”与“痛苦承受力”，为日后应对更大的挑战奠定了基础。
19 条经营哲学：黄仁勋的“NVIDIA 之道”
基于数十年的经验、学习、实践、失败与痛苦，黄仁勋形成了一套独特而系统的经营哲学。主持人 David Senra 从《The NVIDIA Way》一书中提炼出 19 条相互关联、彼此强化的核心理念。
1. 黄仁勋是教师
书中的第一句话便是：“在另一种人生里，黄仁勋可能会是一名教师。”历史上许多伟大的创始人，如沃伦·巴菲特（Warren Buffett）、史蒂夫·乔布斯（Steve Jobs），都将大量时间用于教导组织。好市多（Costco）联合创始人吉姆·辛内格（Jim Sinegal）更是直言：“作为公司领导者，如果你没有把 90% 的时间花在教导上，你就没有做好你的工作。”黄仁勋通过不断重复公司的原则和格言，持续灌输其哲学与价值观。NVIDIA 员工甚至称他为“黄教授”。他偏爱的教学工具是白板，擅长将复杂概念以几乎任何人都能理解的方式拆解。
2. NVIDIA 是“拥有 29,000 条生命的黄仁勋”
书的结尾指出：“NVIDIA 之道最简洁的定义就是黄仁勋之道，或者干脆就是黄仁勋本人。”这与“苹果就是拥有 10,000 条生命的史蒂夫·乔布斯”异曲同工。黄仁勋将公司打造成自身特质的延伸：每个人都分享他对使命的专注、他的工作 ethic、以及尽可能快的工作节奏以保持领先。公司的组织像一辆赛车，必须是 CEO 知道如何驾驶的机器。
3. 白板文化
白板是 NVIDIA 会议中的主要沟通工具。它代表着可能性与“无常”的信念——无论一个想法多么出色，最终都必须被擦除，让位于新想法。白板要求人们在观众面前实时展示思维过程，无处可藏，迫使思考必须彻底和清晰。黄仁勋对此极为执着，甚至只使用一种台湾生产的特定品牌白板笔，出差时也随身携带。
4. 扁平化组织架构
黄仁勋以拥有约 60 名直接下属且拒绝进行一对一会议而闻名。他认为，扁平结构能对抗决策缓慢的危险，赋予员工更多独立性，并淘汰那些不习惯独立思考、等待指令的低绩效者。他坚持这一管理哲学，即便有新董事会成员建议他聘请首席运营官（COO）来减轻行政负担，他也断然拒绝。扁平化使得信息传递迅速，员工被充分赋能。
5. 公开批评
与“公开表扬、私下批评”的传统智慧相反，黄仁勋相信公开批评，以便整个组织能从单一个人的错误中学习。这是他对抗官僚主义、地盘保护和政治内斗的解药。他直言：“我毫不介意把人们叫出来。”例如，在一次产品设计失误后，他在全体员工会议上大声质问：“这就是你们打算打造的东西吗？架构师把产品组装得一塌糊涂！”他认为，反馈就是学习，“凭什么只有你一个人应该从中学到东西？我们都应该从那个机会中学习。”他将工作质量置于个人感受之上，正如乔布斯曾对乔尼·艾维（Jony Ive）说的：“你把别人对你的看法，看得比工作本身更重要。”
6. “折磨”出伟大（自我批评）
黄仁勋不仅公开批评他人，更对自己进行无情的自我批评。他拥有极度的自信与魅力，同时也有一个内在声音不断告诉他“你做得还不够好”。在公司取得巨大成功的季度后，他会在会议上站起来说：“我每天早晨看着镜子里的自己说，‘你真差劲’。”他相信这种严苛能防止自满，并说：“我不喜欢放弃别人，我宁愿‘折磨’他们，直到他们变得伟大。”他也这样“折磨”自己。
7. “光速”基准
NVIDIA 评判自身速度的唯一标准是物理定律允许的极限——“光速”。他们将每个项目分解为组成部分，为每个任务设定一个假设“无延迟、无排队、无停机”的理论最短完成时间。他们不与自己过去的成就或竞争对手比较，只与这个理论最大值比较。例如，在开发 RIVA 128 时，为了节省近一年时间，他们决定在芯片原型完成前就开始开发驱动程序软件，并投资百万美元购买仿真器，以接近“光速”。
8. 毫不妥协的极致
黄仁勋在所有事情上都追求极致。“可能有人比我聪明，但绝不会有人比我更努力。”当有高管提到员工抱怨长时间工作时，他回应道：“为奥运会训练的人也会抱怨早起训练。”他将工作视为必需。他的专注和强度无处不在，甚至会在洗手间“堵住”员工询问工作进展。他重组工程部门，形成“三个团队，两个季节”的模式，使 NVIDIA 能够每六个月发布一款新芯片，而竞争对手则需要十八个月，从而建立了巨大的产品迭代优势。
9. “前五件事”（Top 5 Things）邮件
黄仁勋要求所有层级的员工定期发送“前五件事”邮件，列出他们正在做的、观察到的五件要事（如客户痛点、竞争对手动向、技术进展、项目延迟等）。他每天阅读上百封此类邮件，以获得公司状况的即时快照。他说：“策略不是我说的，而是他们做的。重要的是我要理解每个人在做什么。”他想要的是“来自边缘的信息”，即未经管理层过滤的一手信息，以便在信号还很微弱时就能捕捉到下一个巨大市场机遇。正是通过这些邮件，他早期察觉到了 GPU 在机器学习中的潜力。
10. 自满是杀手
黄仁勋对自满保持高度警惕，视其为公司的头号杀手。他通过设定极高的标准、公开批评、以及“光速”基准来持续制造“健康的不适感”，防止组织陷入安逸。他认为，只有持续感到“痛苦”和“不适”，公司才能保持敏锐和前进的动力。
11. 战略耐心与战术急躁
他能够对长期目标保持无限耐心（如用十年以上培育 CUDA 生态），同时对短期执行中的拖延和低效极度没有耐心。这种结合使他既能进行长远布局，又能确保日常运营的卓越效率。
12. 从每个人身上学习
黄仁勋具有强烈的求知欲，善于“向所有人学习”。无论是客户、合作伙伴、竞争对手还是行业活动中的其他智者，他都能从中汲取 insights 并应用到 NVIDIA 的经营中。他记忆力惊人，能记住员工的背景细节，这体现了他对人和知识的深度关注。
13. 创造市场，而非争夺市场份额
NVIDIA 不相信打造大宗商品化产品，因为那会面临激烈的价格竞争。黄仁勋的理念是：“我们应该做别人做不到的事情。”这与埃德温·兰德（Edwin Land）的格言“不要做任何别人也能做的事”一脉相承。他说：“我们没有争夺市场份额的文化。我们宁愿创造市场。”
14. 蜂拥而至最大的机会
当黄仁勋认定人工智能和深度学习将是历史性机遇时，他调动全公司资源全力投入。即便在 2008 年前后，大力投资 CUDA 导致毛利率下滑、股价暴跌，面对投资者要求战略调整的压力，他依然坚持：“我相信 CUDA……我们不得不做出那种牺牲。我深信它的潜力。”他不仅投资技术，还投入巨大资源教育市场（如向大学捐赠设备、编写教材、举办峰会），为生态爆发奠定基础。
15. 构建自我强化的网络（护城河）
通过通用 GPU（硬件）和易于使用的 CUDA（软件层）的组合，NVIDIA 创造并主导了一个全新的计算市场。随着越来越多人学习 CUDA，对 GPU 的需求增长，进一步巩固了其地位。黄仁勋不喜欢“护城河”这个词，他更倾向于称之为“强大的、自我强化的网络”。竞争对手难以突破，因为 NVIDIA 不仅提供了领先的产品，还建立了完整的生态系统和开发者社区。
16. 简化信息，强化传播
从早期失败中，黄仁勋学会了产品定位和信息传递必须简单、有力。复杂的消息无法打动人心。在推广 CUDA 和 AI 愿景时，他确保了信息的清晰和一致性，并通过各种渠道（演讲、会议、教育项目）不断强化。
17. 关系创造世界
黄仁勋深刻理解人际关系和声誉在商业中的复利效应。他在 LSI Logic 建立的声誉为他赢得了红杉资本的投资。他持续维护和拓展与业界关键人物的关系，这些关系在 NVIDIA 发展的各个阶段都提供了重要支持。
18. 像创始人一样思考（即便对于非创始人）
他期望员工，特别是高管，能够像公司所有者一样思考，承担风险，做出长远有利于公司的决策，而非仅仅扮演“职业经理人”角色。这有助于建立一种责任感和主人翁文化。
19. 持久战：留在牌桌上的艺术
NVIDIA 的历史证明了“留在游戏中足够久，以便获得幸运”的重要性。公司经历了多次濒死体验，但都因黄仁勋和团队的韧性而存活下来，并最终抓住了 GPU 计算和 AI 的历史性浪潮。长期的坚持是捕捉不期而至的巨大机会的前提。
结语：NVIDIA 之道即黄仁勋之道
纵观这 19 条理念，它们并非孤立存在，而是相互交织、彼此强化，共同构成了黄仁勋独特的经营哲学体系。从承受痛苦的韧性、极致执行的文化，到识别并全力拥抱历史机遇的远见，这套哲学深深烙印在 NVIDIA 的每一个角落。正如书中所总结的：“NVIDIA 之道最简洁的定义就是黄仁勋之道，或者干脆就是黄仁勋本人。”在 AI 重塑世界的2025 年 1 月，理解这位带领 NVIDIA 从图形芯片制造商跃升为人工智能计算巨擘的领袖其思考与行动方式，无疑对每一位创业者、管理者乃至技术从业者都具有深刻的启示意义。黄仁勋用三十年的时间证明，一套高度个人化、真诚且坚韧不拔的经营哲学，能够驱动一家公司穿越周期，最终抵达无人预见的顶峰。
NVIDIA 创始人 Jensen Huang（黄仁勋）：光速思维如何缔造万亿美元帝国撰文：Techub News 整理
导语
在科技行业的历史上，鲜有公司能像NVIDIA一样，在如此短的时间内实现如此惊人的价值飞跃。从一家为游戏玩家提供图形芯片的初创公司，到如今驱动人工智能革命的全球市值最高企业，其背后的掌舵人Jensen Huang（黄仁勋）的思维方式与管理哲学，无疑是解码这一奇迹的关键。2025 年 12 月，Inner World Podcast深入探讨了黄仁勋的核心思维框架——“光速思维”，通过对其创业历程、关键决策和内部管理规则的剖析，为我们揭示了NVIDIA如何打破常规、挑战物理极限，最终在激烈的竞争中脱颖而出。
摘要
摒弃“相对性思维”陷阱：黄仁勋禁止员工与竞争对手或过去的自己比较，要求只关注在理想条件下，基于物理定律所能达到的绝对最快速度。
以“光速”定义成功：将工作目标设定为消除所有流程延迟，达到理论上的物理极限时间，以此作为衡量进展的唯一标准。
通过关键决策践行理念：在生死存亡之际，用软件模拟取代芯片物理原型测试，将两年的开发周期压缩至六个月；挑战行业标准，将芯片封装时间从三周的理论极限压缩至36小时。
构建无延迟组织：建立极度扁平的架构，包括60人直接汇报制、禁止一对一“邀功”会议、推行“五件要事”邮件规则，确保信息从一线直达决策层。
光速思维：超越竞争，挑战物理极限
黄仁勋（Jensen Huang）的“光速思维”并非一个简单的效率口号，而是一套从根本上重塑工作方式的哲学体系。其核心在于彻底摒弃商业世界中常见的“相对性思维”陷阱。通常，公司会通过对比竞争对手或对比自身过往业绩来衡量成功，例如“我们比对手快15%”或“我们比去年增长了10%”。黄仁勋认为，这是一种致命的误区。如果竞争对手本身行动迟缓，那么比他们快一点并无实质优势；而与过去的自己比较，则容易陷入渐进式改进的舒适区，无法催生颠覆性创新。
因此，他要求NVIDIA全体员工转向“绝对性思维”。唯一的衡量标准是物理定律所允许的极限速度。具体规则是：当接手一个项目时，必须将其分解为最基础的任务单元，然后计算在绝对理想条件下——没有等待、没有官僚流程、一切完美运行——完成每个任务所需的最短时间。这个理论上的最短时间，就是“光速”。工作的目标，不是比昨天快一点，而是找到并消除所有导致实际耗时远超这个“光速”的延迟，将延迟降至零。当一家公司以物理极限的速度运作时，竞争对手最多只能打平，而无法超越。
生死赌注：Riva 128与六个月的奇迹
“光速思维”并非纸上谈兵，它首次力挽狂澜的应用，就发生在NVIDIA命悬一线之际。1996年，公司的首款产品NV1芯片遭遇市场惨败，客户大量退货，超过一半员工离职，公司现金仅够维持九个月运营。按照当时半导体行业的铁律，设计并推出一款新芯片需要24个月。但NVIDIA没有24个月，只有9个月。
黄仁勋拒绝接受行业惯例。他质疑为何必须等待耗时的物理原型来进行测试。在他的推动下，NVIDIA做出了一个被资深工程师称为“自杀任务”的决定：动用所剩无几的资金，购买一台名为ICOST Emulator的模拟器，完全在软件中模拟和调试即将设计的Riva 128芯片，跳过所有物理原型制作阶段。这意味着，芯片必须在计算机模拟中达到完美，才能直接投入量产，如同设计好飞机图纸后，不经试飞就直接载客首航。
在接下来的六个月里，剩下的35名工程师24小时轮班工作，目标是一次成功。当首批芯片从工厂运抵并成功点亮屏幕时，NVIDIA得救了。Riva 128大获成功，前四个月就售出100万颗。这一战证明，半导体行业24个月的流程本身存在巨大的“延迟”，通过消除恐惧、相信模拟技术，NVIDIA用六个月完成了两年的工作，实现了第一次“光速”超越。
挑战“不可能”：36小时封装与流程重构
“光速思维”也体现在挑战供应链的“行业标准”上。2007年，Debora Shoquist（时任NVIDIA运营执行副总裁）刚加入公司，就被黄仁勋要求缩短芯片封装时间。她认为这不可能，因为全球标准流程就是三周。但黄仁勋不接受这个答案，他追问：“实际物理操作到底需要多久？”
为了证明老板是错的，Shoquist亲自飞往台湾的合作工厂实地考察。结果她发现，机器和人工实际处理一颗芯片的纯物理劳动时间，仅为36小时。三周（21天）与1.5天（36小时）之间巨大的时间差，就是黄仁勋所说的“延迟”——主要由等待时间和库存队列造成。工厂表示，如果优先处理NVIDIA的订单，理论上可以在36小时内完成，但每颗芯片的成本将从8美元飙升至1000美元。
Shoquist带着这个看似荒谬的报价回来，以为黄仁勋会放弃。然而，黄仁勋看到36小时这个数字后却说：“就按这个做，这才是物理极限的速度。”他认为，不能因为官僚流程而浪费19.5天。支付高价并非长期之计，而是一种“教育投资”。通过支付超高费用，NVIDIA迫使工厂重组了整个流程，消除了所有不必要的步骤和等待。几年内，NVIDIA成功将交货期缩短至3到5天，而成本仅比旧流程增加20-30%。这个故事的核心在于，首先要看清物理极限在哪里，然后不惜代价去消除实现极限过程中的所有障碍。
扁平化组织：消除信息传递的“延迟”
黄仁勋深知，随着公司规模扩大，官僚主义会成为“光速”的最大敌人。信息在层级间传递，如同失真的传话游戏，每一层都是过滤器和延迟源。为了消除这种“致命延迟”，他将NVIDIA构建成一个极度扁平的组织，并立下三条铁律。
第一，60人直接汇报规则。 违背管理学教科书（建议CEO直接管理6-10人），黄仁勋有多达60名直接下属。他的目的是不想通过任何人的过滤来听取信息，希望直接从掌控问题的一线人员那里获取未经修饰的真相，让“战场”信息无障碍直达“指挥部”。
第二，禁止一对一“邀功”会议。 黄仁勋几乎完全禁止了员工与上司之间为汇报功劳而进行的一对一会议。他认为这类会议是内部政治和信息不平等的温床。所有重要信息和策略都应在团队中公开讨论，错误也应向整个团队坦诚。
第三，“五件要事”邮件规则。 公司所有层级的员工，每周都必须发送一封邮件，列出他们当前正在处理的五件最重要的事，每件事必须以动词开头，邮件必须简洁扼要。黄仁勋每天早晨会随机阅读约100封这样的邮件。正是通过阅读基层工程师和销售人员的“五件要事”邮件，他在2012年左右察觉到了问题：尽管副总裁们的报告一片乐观，但基层反馈却显示，为了在智能手机芯片价格战中取胜，NVIDIA正在牺牲性能、背离其解决最复杂问题的核心DNA。这些分散的线索促使他在2014年做出了退出智能手机市场、全力转向AI和自动驾驶的关键决策，从而塑造了今日的AI芯片霸主。
将光速思维应用于个人生活
黄仁勋能用“光速思维”改造一家数万人的公司，个人同样可以借鉴这一思维来提升效率、解放时间。关键在于回答两个问题：
问题一：在绝对理想条件下，完成此事最快需要多久？ 这一步是确定个人任务的“物理极限”。例如，撰写一份报告，常规可能拖满5天。但如果置身于一个无手机、无干扰、资料齐全、全心投入的环境，最快可能只需3-4小时。这3-4小时就是你的“个人光速”。
问题二：那我们为什么不用3小时完成？ 这一步旨在识别并消除“延迟”。答案会暴露所有吞噬时间的敌人：手机通知、拖延症、完美主义、等待灵感、工作娱乐混杂的习惯等。
通过这种方式思考，目标不是把自己累垮，而是将原本需要五天痛苦拉伸完成的工作，压缩在几个高效小时内完成，从而腾出大量时间用于休息、学习或追求其他目标。起初，“光速思维”听起来可能令人倍感压力，但实际上它是一种解放，将人从繁琐流程和无意义的时间浪费中解脱出来。
NVIDIA 创始人 Jensen Huang（黄仁勋）：从买错教科书到万亿市值，NVIDIA 的算法世界观与 AI 未来撰文：Techub News 整理
导语
在 Y Combinator 举办的 Startup School 2026 大会上，NVIDIA 创始人兼 CEO Jensen Huang（黄仁勋）进行了一场近一小时的深度对话。作为当今全球 AI 浪潮中最具影响力的领导者之一，黄仁勋的每次公开分享都备受关注。此次对话不仅回顾了 NVIDIA 从一家濒临破产的图形芯片初创公司成长为市值超万亿美元的科技巨头的关键转折，更深入剖析了驱动这家公司前进的“算法世界观”，并展望了 AI 代理、物理智能（Physical AI）等前沿领域的未来图景。对于每一位身处技术变革洪流中的创业者、开发者而言，这无异于一堂关于创新、韧性与未来洞察的“大师课”。
摘要
NVIDIA 创立之初选择的技术路线是完全错误的，公司是靠创始人买回教科书重新学习才得以存活。
NVIDIA 成功的核心理念不是制造最好的芯片，而是“加速算法领域”，即用专用处理器解决通用 CPU 难以处理的复杂计算问题。
AI 的突破在于认识到深度学习是一个“通用函数逼近器”，这彻底改变了从芯片到应用的整个计算栈。
未来最重要的技能之一是“系统思维”，因为底层的具体任务将由 AI 代理自动化完成。
AI 自动化的是“任务”，而非“工作”，证据表明自动化正在创造更多就业机会。
物理 AI（机器人技术）的“ChatGPT 时刻”已经发生，自动驾驶将是其首个大规模经济应用。
开源是推动整个计算产业（从移动云到现代 AI）发展的根本动力。
创业者的核心心态应是“这能有多难？”，保持学习、直面现实并具备韧性。
一、 教科书拯救的公司：直面错误与学习的力量
如今被视为 AI 基石和图形王者的 NVIDIA，其起点却是一个巨大的错误。Jensen Huang（黄仁勋）在分享中坦言，1993 年公司创立时选择的核心技术“绝对是错的”。当时的愿景是将每台个人电脑变成游戏主机，为此他们试图重新发明 3D 图形算法。然而，到了 1995 年，他们痛苦地意识到，不仅算法行不通，整个团队甚至不知道正确的方法是什么。
彼时，已有 35 到 40 家公司投身 PC 3D 图形领域，NVIDIA 濒临绝境。黄仁勋回忆道，他口袋里只剩下几百美元，于是跑到 Fry‘s 电子产品商店，买回了三本关于 OpenGL 和图形管线设计的教科书。“我把书带回公司，交给工程师……我们后来 reinvent 了计算机图形学，成为现代计算机图形的全球领导者，过去 25 年大多数重大突破都是我们发明的。人人都以为 NVIDIA 一开始就是 3D 图形领域的王者，但我们是从教科书学来的。”他总结道，“我们实际上是开了公司，融了资，然后去买教科书。”
这段经历奠定了 NVIDIA 最根本的哲学：技术本身并不重要，重要的是直面现实的能力和持续学习的态度。“从那以后，NVIDIA 一直在发明各种我们以前从未真正做过的技术……我们以同样的态度对待一切：如果这件事重要，我们就去学，这能有多难？”当然，实际过程总是比想象中艰难得多，但带着“这能有多难”的心态出发，是克服恐惧和开启征程的关键。
二、 算法而非芯片：NVIDIA 的“加速计算”世界观
早期与世嘉（Sega）的合作，是另一个关于诚信与救赎的关键故事。NVIDIA 原本受合约要为世嘉的下一代游戏机（后来的 Dreamcast）提供芯片，但因技术根本性缺陷，黄仁勋亲自飞往日本，向时任 CEO Irimajiri 坦诚无法履约，并建议对方另寻合作伙伴。然而，他也直言公司仍需要合约款项以维持生存。
“你可以想象这场对话。我对他说，‘你合同要求我做的事，我做不到，但我希望拿到合同所有的钱。’”黄仁勋回忆道。最终，世嘉出于对“人”而非“公司”的信任，支付了 500 万美元，这笔钱让 NVIDIA 得以续命，并争取到时间找到正确的方向。后来世嘉在 NVIDIA 上市时出售了股份，获得了可观的回报。这个故事印证了黄仁勋的观点：投资者投资的是人。
从这些生死考验中，NVIDIA 提炼出其成功的核心“大理念”：公司的独特视角在于相信可以通过增强 CPU（即加速计算）来解决原本过于困难的问题。3D 图形只是第一个“算法领域”，后来的分子动力学、图像处理、物理模拟，以及最重要的深度学习，都是同一理念的延伸。
“我们很早就意识到，关键不是制造一个伟大的芯片，而是加速一个算法领域。”黄仁勋强调，“伟大公司的特质在于你对世界有一个独特的、你深信不疑的视角。这不完全是技术，甚至不完全是市场……一个关于未来重要事物的高层愿景，一个独特的视角，并且追求这个愿景是困难的，这些是好的组合。”对于 NVIDIA 而言，这个视角就是“加速计算将变得重要”，而其核心“一切与算法有关，而非芯片”，被证明是完全正确的。
三、 从 AlexNet 到“通用函数逼近器”：预见 AI 革命
当 AlexNet 在 2012 年横空出世时，黄仁勋和许多人一样看到了它。但不同的是，他始终透过“寻找算法”的透镜观察世界。他将 AlexNet 不仅仅视为一个图像识别模型，而是认识到其背后的深度学习是一种“通用函数逼近器”。
“大约 15 年前，我告诉所有人，‘嘿，猜猜怎么着？我们2026 年 7 月学会了通用函数逼近器。’……我们可以给它几乎所有函数的答案，它就能学会这个函数是什么。”这一认知是革命性的。这意味着 AI 可以学习任何函数，而世界上大多数有趣的问题都具有这种“不精确”的特性。
基于此，黄仁勋开始推演这对整个计算栈、软件和各行各业意味着什么。NVIDIA 几乎立即开始了在计算机视觉、机器人、自动驾驶汽车等领域的布局。“我认为重大突破很简单，就是这比 AlexNet 更基础。这是一种做软件的方式。”他描述了一个需要从头开始重新发明的“五层蛋糕”产业栈，包括处理器、中间件、算法和应用。这种从第一性原理出发进行推理、追问“如果这样，那会怎样”的能力，是 NVIDIA 能够提前布局并抓住 AI 浪潮的关键。
四、 CEO 如冲浪者：保持好奇与系统思维
黄仁勋以深入技术细节、直接阅读论文、与一线科学家交流而闻名。当被问及如何在一个庞大组织中保持这种“创始人模式”并推动第一性原理思考时，他表示这始于好奇心。
“我的心态总是从好奇心开始……我首先倾向于自己去发现答案。”如果发现某个信息领域对公司可能非常重要，他的下一个倾向就是尽可能多地学习，以便服务于公司并与他人分享。“我认为 CEO 是为公司服务、为所有员工服务的。你想用一些洞察力赋能他们。”
他比喻道，担任 CEO 就像冲浪。对于外行，海浪是混乱的，但冲浪者能读懂波浪并保持在浪尖。“你必须学会冲浪，而要学会冲浪，你必须理解波浪……你无法拥有任何这些（能力），除非你去尝试，除非你真的去做。”因此，深入细节部分是为了自我了解，部分是为了分解问题以便公司能够学习并采取行动，部分是为了激励他人。
黄仁勋强调，不必为了成为 CEO 而改变个性。“你正在建造一辆你要去比赛的赛车。你应该让车适应你……当我在工作中去世的那天，他们只需要为下一任 CEO 重塑公司。”这种“让组织适应你”的理念，是他能够以“创始人模式”领导公司 34 年，并将其从零带到超 5 万亿美元市值的原因。
五、 智能体、开源与物理 AI 的未来
谈及当前最前沿的算法，黄仁勋着重提到了智能体（Agent）和物理 AI。他认为，系统思维将是未来最重要的技能，因为底层的具体任务（无论是芯片设计还是软件编码）都将被智能体自动化。人们需要更抽象地思考系统：要解决什么问题？约束条件是什么？信息如何流动？
对于智能体，他认为当前最大的突破需求是可控性。“我们不需要智能体 100% 准确、100% 高质量才能使用它……我认为可控性可能是我们在每个层级上对智能体所需的唯一最大突破。”他设想未来人们可以与智能体精细协作，修改计划中的一个词、CAD 文件中的一个组件，然后让智能体重构其余部分。
黄仁勋是开源模式的坚定支持者。他将 OpenClaw 的出现比作“Linux 时刻”，并宣布 NVIDIA 的工程师将全力协助其发展。他认为，就像 Linux、Kubernetes、PyTorch 推动了移动云和现代 AI 一样，开源对于让每个人、每家公司都能构建自己的 AI 至关重要。“如果不开源，移动云产业就永远不会发生……如果没有所有这些，我们怎么会有现代 AI？”
在物理 AI（机器人）方面，黄仁勋表示，其“ChatGPT 时刻”（即打开想象力的时刻）在几年前已经发生，当时他们看到了由神经网络生成的视频和模拟。他意识到，如果能生成手指移动或拿起杯子的视频，就能让机器人执行相同动作。NVIDIA 正在构建“世界基础模型”，让 AI 理解物理定律。他预测，自动驾驶将是物理 AI 首个具有大规模经济价值的应用，目前相关业务规模已近百亿美元，并有望在未来成为下一个千亿美元级业务。
六、 AI 创造就业，与给年轻一代的建议
针对 AI 对就业影响的普遍担忧，黄仁勋提出了一个鲜明的观点：AI 消灭的是“任务”，而不是“工作”。他以软件工程、放射学和律师助理为例：编码、读片等任务被自动化了，但这些职业的就业人数却在显著增长。原因在于，自动化提高了生产率，解决了巨大的需求积压，从而创造了更多的岗位来处理更宏大的抱负和更多的案例。“这是生产力增长推动增长，增长驱动更多就业的经典例子。”
最后，对于年轻一代和在场创业者，黄仁勋给出了真诚的建议。他认为，简单的技能（如手动编码）会被自动化，但硬科学（物理、化学、生物）、计算机工程，尤其是系统思维和跨学科领域的能力将永远至关重要。AI 是一个强大的工具，让我们能够更有野心、更“不耐烦”地去解决那些极其庞大和困难的问题。
回顾自己的创业历程，黄仁勋送给年轻时的自己，也是送给所有创业者一句话：“这能有多难？” 他承认实际过程总是无比艰难，但不要让对困难的想象变成焦虑并阻碍行动。要相信学习的能力，这是最强大的超能力。“你不需要在一天内克服一生。你只需要克服那个早晨，克服今天……如果你坚持足够长的时间，NVIDIA 就会发生。”韧性，或许是所有品质中最重要的一个。
NVIDIA 创始人 Jensen Huang（黄仁勋）：AI 工厂是新时代基础设施，机器人将无处不在撰文：Techub News 整理
导语
当地时间，NVIDIA 创始人兼 CEO Jensen Huang（黄仁勋）在巴黎 VivaTech 2025 大会上，进行了其公司在欧洲首次 GTC（GPU 技术大会）的主题演讲。这场长达 96 分钟的演讲，不仅是对 NVIDIA 最新技术进展的集中展示，更是对 AI 产业未来格局的一次系统性阐述。在 AI 竞争全球化的背景下，黄仁勋亲赴欧洲，宣布与当地企业、研究机构和政府的深度合作，凸显了欧洲市场在构建下一代「AI 基础设施」中的战略地位。
摘要
AI 进入新阶段：从生成式 AI 迈向「智能体 AI」和「具身智能」，AI 将具备规划、推理、执行复杂任务的能力。
「AI 工厂」成为国家基础设施：数据中心正转变为生产智能「代币」的工厂，是驱动经济增长的新基础设施，各国正争相建设。
Blackwell 是「思维机器」：专为推理和复杂思考设计，其 NVLink 互联技术实现了性能的跨越式提升，以支撑爆炸式增长的推理需求。
欧洲全面拥抱 AI：NVIDIA 宣布与 Mistral 共建 AI 云、建立工业 AI 云，并预计未来两年欧洲 AI 算力将增长十倍，缓解 GPU 短缺。
机器人时代来临：通过 Omniverse 数字孪生训练，人形机器人将可快速学习并适应物理世界，预示着一个全新的庞大产业。
从加速计算到量子计算：CUDA 生态的持续进化
Jensen Huang（黄仁勋）开篇回顾了 NVIDIA 的初心：创建加速计算平台。他指出，加速计算不仅仅是新处理器，更是算法和软件范式的重构。为此，NVIDIA 构建了覆盖各领域的 CUDA-X 库生态系统，如用于计算光刻的 cuLitho、用于优化决策的 cuOpt、用于深度神经网络原语的 cuDNN 等。这些库将复杂的并行计算封装起来，为开发者打开了新的应用大门。
他重点宣布了量子计算领域的拐点到来。随着谷歌在 2023 年演示首个逻辑量子比特，量子计算正遵循类似摩尔定律的轨迹发展。NVIDIA 的 CUDA-Q 平台，旨在为量子-经典混合计算提供统一架构。黄仁勋宣布，CUDA-Q 现已针对 Grace Blackwell 200 平台加速，性能提升显著。他预测，未来几年内，新一代超级计算机都将配备量子处理单元，与 GPU 协同工作，开启下一代计算。
AI 新浪潮：从生成内容到生成行动与思考
黄仁勋将 AI 发展划分为几个阶段：最初的感知 AI（识别信息）、过去五年的生成式 AI（创造内容），以及正在开启的第三波浪潮。这波新浪潮的核心是智能体 AI和具身智能。
智能体 AI 意味着 AI 能够像人一样理解、推理、规划并执行任务。它不再是一次性的问答，而是能够分解问题、进行研究、使用工具、评估自身答案的复杂过程。例如，一个智能体可以接收「在巴黎开一家餐车」的指令，然后自动调用市场研究、菜单设计、财务规划、营销策划等多个子智能体协作完成全套方案，生成数千倍于传统问答的「代币」。
具身智能则是智能体在物理世界的体现，即机器人。AI 的能力从生成文本、图像，扩展到生成运动——行走、抓取、使用工具。黄仁勋强调，让机器人学会在复杂物理环境中行动，是当前 AI 最具挑战性的前沿之一。
Blackwell：为「思考」而生的工程奇迹
支撑 AI 新浪潮需要前所未有的算力，尤其是推理算力。黄仁勋指出，传统的单次生成模型正被需要大量内部「思考」（链式思考、树状思考、自我反思）的推理模型取代，这催生了对「思维机器」的需求。NVIDIA 的 Grace Blackwell 架构正是为此设计。
他将 GB200 系统比作一个巨大的虚拟 GPU，其核心突破在于 NVLink 互联技术。通过创新的「脊柱」式纯铜背板，NVLink 将 144 个 Blackwell 芯片连接成一个整体，提供高达 130 TB/秒的全对全带宽——超过全球互联网的峰值流量。这种设计使得性能在摩尔定律放缓的背景下，实现了代际间的巨大飞跃，满足智能体 AI 对高吞吐量和低延迟思考的需求。
黄仁勋通过一段视频展示了 Blackwell 从晶圆到成品的复杂制造过程，涉及全球供应链、120 万个组件、2 英里长的铜缆。他透露，目前该系统的产量已达每周 1000 台，正在以前所未有的规模量产超级计算机。
「AI 工厂」：新时代的国家基础设施
黄仁勋提出了一个核心观点：未来的 AI 数据中心不应再被视为成本中心，而应被重新定义为「AI 工厂」——一种生产智能「代币」并直接产生收入的基础设施。
「没有人会把数据中心看作创收设施，但人们会这样看待汽车工厂。AI 工厂就是创收设施，它们被设计用来生产代币。」他解释道。这些代币可以转化为各行各业的生产力，因此 AI 工厂正成为国家关键基础设施的一部分。这也是他频繁与各国元首会晤的原因——每个国家都希望拥有自己的 AI 制造能力。
他展示了欧洲在此领域的积极行动：电信公司、云服务提供商、超级计算中心都在与 NVIDIA 合作建设 AI 基础设施。他宣布，未来两年，欧洲的 AI 计算能力将增加十倍，这将极大缓解研究者和初创公司的 GPU 短缺问题。同时，NVIDIA 正在七个欧洲国家建立 AI 技术中心，以促进协作研究、扶持初创企业和构建生态系统。
合作、开源与智能体平台：赋能欧洲生态
黄仁勋宣布了多项针对欧洲的具体合作。其中最重要的是与法国 AI 公司 Mistral 合作，共同建设一个大规模的 AI 云，用于交付 Mistral 的模型并为其他 AI 初创公司提供服务。
在模型层面，他介绍了 NVIDIA 的 Nemotron 计划。该计划旨在对 Llama、Mistral、DeepSeek、Qwen 等开源模型进行后期训练、架构搜索和强化学习，大幅提升其推理、长上下文理解等能力，并将优化后的模型以 NIM 的形式封装，供开发者免费下载部署。他强调，数据属于用户自己，鼓励企业利用自身数据在开源模型基础上进行定制化。
为了帮助企业构建自己的专用智能体，NVIDIA 推出了完整的平台，包括世界级的 Nemotron 推理模型、NeMo Retriever 多模态搜索引擎，以及一套涵盖智能体入职、微调、评估、防护、部署全生命周期的工具包。同时，新发布的 DGX Cloud Lepton 服务提供了一个「云上之云」的统一界面，让开发者可以轻松地将训练好的模型或智能体部署到全球任何支持 NVIDIA 架构的云、本地服务器甚至桌面设备上。
工业 AI 与数字孪生：欧洲的复兴机遇
黄仁勋认为，AI 与欧洲深厚的工业根基结合，将催生第四次工业革命。他回顾了欧洲在工业历史上的贡献，并特别提及西门子在 1992 年就推出了神经网络计算机 Synapse 1，以此向欧洲的工业与创新传统致敬。
数字孪生是工业 AI 的核心。通过 NVIDIA Omniverse 平台，企业可以创建逼真且遵守物理定律的工厂、仓库、甚至核聚变反应堆的数字孪生。在其中，可以进行实时设计、仿真、优化，以及训练机器人。宝马、梅赛德斯-奔驰、舍弗勒、丰田等公司均已利用 Omniverse 构建其生产设施的数字化双胞胎。
他预告，NVIDIA 将在欧洲建设世界上第一个工业 AI 云，专门用于满足工业设计、仿真和机器人训练对高性能、高安全性的特殊需求。
自动驾驶与人形机器人：具身智能的未来
黄仁勋将自动驾驶汽车视为最大的机器人应用场景。他介绍了 NVIDIA DRIVE 平台及其核心的 Halos 安全系统，该系统从芯片架构、软件栈到 AI 模型训练和验证，全程贯穿安全理念。基于 Transformer 的感知-推理-规划模型，使得汽车能够像智能体一样处理复杂驾驶场景。
演讲的高潮部分转向了更具象的具身智能——人形机器人。黄仁勋指出，当前机器人普及的障碍在于编程困难，而 AI 将改变这一切。未来的机器人可以通过学习而非编程来掌握技能。
NVIDIA 为此提供全栈解决方案：底层的 Thor 机器人计算芯片、机器人专属操作系统，以及上层的感知与运动生成 AI 模型。最关键的是训练方式：机器人先在 Omniverse 创建的、遵守物理定律的数字孪生世界中，经历数十万种场景的训练，然后再迁移到现实世界。
现场，黄仁勋与一个名为「Grek」的、在 Omniverse 中学会行走的小型机器人进行了生动互动，直观展示了这项技术的成熟度。他预言，人形机器人将成为有史以来最大的产业之一，而拥有强大制造业的欧洲将在此领域拥有巨大机遇。
结语：一切皆已开始
在演讲结尾，黄仁勋总结道，一场新的工业革命已经开启，AI 的新浪潮已经到来。智能体 AI 和机器人将驱动推理工作负载呈指数级增长，这需要 Blackwell 这样的「思维机器」，也需要 AI 工厂这样的新型基础设施。他欣喜地看到欧洲正在全力投入 AI，并相信这将成为欧洲复兴的重要契机。在雷鸣般的掌声中，他与机器人 Grek 告别，为这场信息量巨大的技术盛宴画上了充满未来感的句号。撰文：Techub News 整理 导语 在 Pulse 频道发布的这部近一小时的纪录片中，镜头对准了科技行业一个“公开的秘密”——Scale AI 及其创始人 Alexandr Wang（王）。这位出生于 1997 年、24 岁即成为全球最年轻白手起家亿万富翁的华裔天才，其公司被喻为“AI 时代的引擎”，为 OpenAI、微软、英伟达、Meta 乃至美国国防部等巨头提供至关重要的数据标注服务。然而，光鲜的估值（近 140 亿美元）与行业地位之下，是其商业模型对全球数十万低薪“数据标注工”的依赖，以及由此引发的关于技术伦理、劳工权益与创始人野心的激烈争议。本片深入挖掘了 Alexandr Wang（王）从天才少年到争议 CEO 的蜕变之路，揭示了 AI 产业繁荣背后不为人知的“燃料”来源。 摘要 Alexandr Wang（王）创立的 Scale AI 是 AI 巨头背后的关键数据供应商，但其成功基石是外包至菲律宾等地的低成本人力标注。 Scale AI 通过子公司 Remotask 管理全球标注工，被指控为“数字血汗工厂”，存在薪酬极低、支付延迟、账户无故封禁等问题。 为追求增长与控制，Alexandr Wang（王）与联合创始人 Lucy Guo（郭）决裂并解雇了她，并强势推动公司文化转向。 Scale AI 与美国国防部签订巨额合同，Alexandr Wang（王）高调呼吁“美国必须赢得 AI 战争”，但同时曾试图与 TikTok 合作，暴露其商业策略的务实（或机会主义）本质。 随着生成式 AI 兴起，Scale AI 调整劳动力策略，在美国开设新子公司 Outlier 以获取高质量英语标注数据，但类似劳工问题再次浮现。 天才的野心：从冰箱实验到 AI 数据帝国 Alexandr Wang（王）的成长环境充满了竞争与科技的烙印。在新墨西哥州洛斯阿拉莫斯（原子弹诞生地）的国家研究实验室旁长大，父母都是为美国空军工作的物理学家。这种环境塑造了他对成功的极度渴望，一位同事曾形容：“他需要成功，就像需要氧气一样。”在数学、编程和辩论上展现出非凡天赋的他，很早就立志要征服创业世界，甚至在九年级就维护着一份记录未来科技帝国构想的 Google 文档。 17 岁便已在硅谷初创公司担任程序员，几个月后更在问答网站 Quora 管理整个工程团队。尽管被麻省理工学院（MIT）录取，但因未能进入哈佛而心怀芥蒂，他最终选择放弃大学教育，留在 Quora。然而，他很快感到与年长同事和同龄大学生都格格不入，自称“不完美地卡在两个世界之间”。 转机发生在 2016 年他决定重返校园，进入 MIT 深入学习机器学习。MIT 注重实践与黑客文化的氛围激发了他。一个看似琐碎的问题——室友偷吃冰箱食物——催生了他的“顿悟时刻”。他尝试在冰箱安装摄像头并用 AI 追踪食物存量，但很快发现根本问题在于：AI 缺乏足够高质量的数据来识别复杂物体。 他意识到，要让 AI 执行需要人类感知的复杂任务，必须为其提供海量、精准标注的数据（图像、文本等）。此时，AI 正成为科技界最热门的领域，而数据正是其第一块基石。于是，入学仅一年后，19 岁的 Alexandr Wang（王）毅然从 MIT 辍学，决心在 AI 的“狂野西部”闯出名堂。他与在 Quora 结识的产品经理 Lucy Guo（郭）联手，两人凭借 Lucy Guo（郭）获得的知名投资人 Peter Thiel（彼得·蒂尔）设立的“蒂尔奖学金”光环，成功进入了由 Sam Altman（萨姆·奥尔特曼）领导的顶级创业孵化器 Y Combinator。 Scale AI 的崛起：数据标注，AI 的“弹药” 在 Y Combinator，Alexandr Wang（王）和 Lucy Guo（郭）最初的几个创业想法（如“俱乐部版 ClassPass”、AI 助手 Ava）并未引起共鸣。Alexandr Wang（王）不断回想冰箱实验的启示，并观察到 AI 行业的一个关键缺口：所有人都专注于开发炫酷的 AI 应用，却无人专注于为这些应用提供“燃料”——高质量、可规模化的数据标注基础设施。他以披萨为例：AI 需要人类先展示大量标注为“披萨”的图片，才能学会识别披萨。这个过程就是“数据标注”。 他认识到，数据对于 AI 如同食物和水对于人类一样重要，而当时几乎没有公司致力于让数据标注变得更好、更快、更便宜。2016年，他们正式创立了 Scale AI，目标是解决“AI 生态系统中的数据支柱问题”。 讽刺的是，支撑人类史上最复杂技术的基础设施，其核心工作并不需要天才般的技能。数据标注是一项几乎任何人都能完成的基础工作，但它需要一支能够快速组建的大规模劳动力。因此，Scale AI 提供的并非一个 App 或 AI，而是一项服务：按需提供人力，帮助 AI 开发者完成图像识别、数据分类、文本转录等枯燥但必要的任务。他们将其称为 Scale API。 起初，这个想法并不被广泛理解。但年轻投资者 Dan Lavine（来自知名风投 Accel）看到了价值，甚至在 Y Combinator 演示日之前就开出了投资支票。19 岁的 Alexandr Wang（王）获得了梦寐以求的行业关注和信誉背书。 真正的突破来自对当时最热门市场——自动驾驶汽车——的精准切入。Alexandr Wang（王）发现，没有正确标注的数据，自动驾驶汽车的 AI 就无法区分飘过街道的塑料袋和跑进马路的孩子，这是灾难性的。而当时没有一家公司专注于为自动驾驶汽车雷达、摄像头产生的 3D 图像进行标注。Scale AI 抓住了这个空白。 为了以可承受的成本处理海量数据，他们将实际的标注工作外包至发展中国家，首选是拥有庞大游戏文化和网吧网络的菲律宾。雇佣一名菲律宾标注员一天的成本，低于 Alexandr Wang（王）在旧金山每日一杯卡布奇诺的价格。凭借“先发优势”和硅谷的人脉，Scale AI 很快赢得了几乎所有涉足自动驾驶领域公司的合同，包括 Waymo、Cruise 以及通用汽车、苹果等巨头。公司从公寓创业迅速成长为吸引重金投资的独角兽。 暗面浮现：数字血汗工厂与内部裂痕 随着客户激增，Scale AI 对标注劳动力的需求呈指数级增长。为此，他们创建了子公司 Remotask，专门负责招募和管理全球的“任务员”（Tasker）。Remotask 的网站承诺“做任务，拿报酬”，简单灵活，对发展中国家的数字工作者极具吸引力。初期，一些任务员报告周薪可达近 300 美元。 然而，情况迅速恶化。Scale AI 将 Remotask 业务拓展至印度、委内瑞拉和拉丁美洲等地，有意在全球范围内制造任务员之间的激烈竞争。公司深知，这些急需收入的工人会陷入“竞次”比赛，从而允许 Remotask 压低薪酬。正如所料，工资水平暴跌至每任务仅几美分。同时，任务数量并不足以满足所有注册者的全职工作需求，许多人完成培训后便被无限期搁置在等待队列中。 为了提升效率，Remotask 在菲律宾租用场地提供高速网络，但这些“办公室”设施简陋、过度拥挤，任务员肘碰肘地长时间轮班工作，与承诺的“自由灵活”相去甚远，被活动家称为“数字血汗工厂”。 更严重的问题是支付。《华盛顿邮报》等媒体揭露，Remotask 存在普遍且不公正的延迟支付或取消支付现象。任务员完成项目后，需经过漫长而混乱的“反欺诈审核”流程，且经常对审核状态一无所知。许多人的报酬因此被扣留。当任务员抱怨时，Remotask 的回应往往是直接封禁其账户，且不做解释。社区内流传着“谈论薪酬就会被封号”的恐惧，这种恐吓策略非常有效，因为大多数被剥削的任务员别无选择。 就在 Remotask 的劳工问题发酵之时，Scale AI 却在 2019 年成功融资 1 亿美元，估值达到 10 亿美元，投资者包括 Peter Thiel（彼得·蒂尔）的 Founders Fund 和 Accel。客户们对此似乎选择了视而不见。 公司内部的裂痕也因此加深。联合创始人 Lucy Guo（郭）负责 Remotask 运营，直面这些混乱和投诉。而 Alexandr Wang（王）则专注于对外销售和塑造 Scale AI 的“科技公司”形象，极力淡化人力标注员的贡献。在他眼中，标注员是“采摘水果、挤牛奶的农场工人”，而他则是“米其林星级厨师”。当 Remotask 的丑闻开始泄露时，Alexandr Wang（王）将挫败感转向 Lucy Guo（郭），批评她未能控制住问题。 Lucy Guo（郭）主张通过善待工人、履行支付承诺来解决问题。但 Alexandr Wang（王）认为这威胁到了 Scale AI 的成功模式。在投资人 Dan Lavine 的支持下，Alexandr Wang（王）于 2018 年解雇了 Lucy Guo（郭），彻底掌控了公司。Lucy Guo（郭）在离职声明中仅以“文化和雄心的一致性存在分歧”轻描淡写地带过。 铁腕统治与战略转向：从自动驾驶到国防合同 解雇 Lucy Guo（郭）并未平息内部对文化变革的呼声。在员工评价网站上，Alexandr Wang（王）的形象从外部看到的魅力天才，转变为内部员工眼中的权力饥渴、独裁式的 CEO，有人将其比作 19 世纪末的工业大亨。 与此同时，自动驾驶行业遭遇寒流，过度承诺与交付不足导致投资紧缩，Scale AI 的核心客户开始取消合同。Alexandr Wang（王）为 2020 年设定的 1.2 亿美元营收目标最终只实现了 7000 万美元。公司急需新的增长点。 Alexandr Wang（王）开始将重心转向生成式 AI 和另一个更具争议的领域：美国政府，特别是国防部。为了安抚和动员员工，他举办全员“市政厅”会议，鼓励尖锐提问。会上，员工们提出了关于数字血汗工厂、标注员心理健康以及军事合同伦理的担忧。 当被问及是否会与军方合作时，Alexandr Wang（王）最初轻描淡写地回答：“我们不会帮助制造杀人机器人。”然而，几周后，Scale AI 宣布与美国国防部签订一份为期 5 年、价值近 1 亿美元的合同，为其战场监视 AI 系统提供数据和算法。随后，Scale AI 在华盛顿特区开设办公室，并将合同金额增至近 2.5 亿美元。 面对员工的质疑，Alexandr Wang（王）辩称形势已变，并提出了后来他向政府官员反复强调的观点：“数据是 AI 战争的弹药”，并警告在 AI 军事应用上中国正在超越美国。他的军事家庭背景（父母为空军工作）让他对员工的“天真”担忧不以为然。这一转向在财务上取得了成功，2021 年 Scale AI 再获 3.25 亿美元融资，估值飙升至 73 亿美元，24 岁的 Alexandr Wang（王）正式成为全球最年轻白手起家亿万富翁。 重塑劳动力与终极矛盾：商业利益与国家立场 生成式 AI 的爆发为 Scale AI 带来了新机遇。为了服务 OpenAI、Meta 等客户的大型语言模型，需要高质量的英语母语标注员。同时，Alexandr Wang（王）也需要清理 Remotask 的烂摊子和内部矛盾。 他的解决方案是“清理门户”：Scale AI 突然将 Remotask 从肯尼亚、尼日利亚、巴基斯坦等国撤出，锁死当地工人账户，并停止在全球大部分地区的新注册。随后，在美国成立了新的子公司 Outlier，从事与 Remotask 类似但面向英语母语专业人士的标注工作，以吸引高端人才并服务政府和生成式 AI 客户。同时，通过一系列壳公司进一步将 Remotask 与 Scale AI 的公开关联隔离开来。 然而，Outlier 的美国“零工”们很快也开始经历任务竞争加剧、薪酬骤降和账户无故被封的问题。与此同时，在 AI 热潮中，Scale AI 却在 2023 年初裁掉了 20% 的美国员工，理由是毛利率下降，但外界猜测这与那些曾质疑公司伦理的员工有关。 尽管存在这些动荡，Alexandr Wang（王）在 2024 年再次发起高达 10 亿美元的融资，旨在将估值推至近 140 亿美元。但硅谷对他的看法已然改变，“年轻神童”的故事逐渐被“年轻暴君”的叙事所取代。一些前自动驾驶客户也开始抱怨 Scale AI 数据中的明显错误。 最体现 Alexandr Wang（王）矛盾性的，是他与 TikTok 的潜在合作。就在他高调呼吁“美国必须赢得 AI 战争”、并在《华盛顿邮报》刊登整版广告宣扬此观点时，他却在积极洽谈一份为 TikTok 提供数据服务的大合同。TikTok 因其与中国政府的关系而被许多美国官员视为安全威胁。尽管遭到公司内部政府业务部门高管的强烈反对，Alexandr Wang（王）仍试图推动这笔交易，直到他的华盛顿团队警告这将对与美军的关系造成重大损害，他才最终放弃。这一事件让人不禁质疑：他对美国 AI 领导地位的拥护，究竟是信念，还是一种机会主义的销售策略？ 如今，Alexandr Wang（王）已成为硅谷的明星，活跃于社交媒体和 Met Gala 等顶级场合。他的故事是一个关于极致野心、技术洞察力与伦理代价的复杂案例。Scale AI 作为 AI 时代的关键基础设施构建者，其成功无疑深刻影响了行业进程，但支撑其帝国运转的全球劳动力体系，以及创始人在理想与现实之间的游走，也为快速发展的 AI 产业留下了深刻的问号。