Jensen Huang: 对谈英伟达 CEO 黄仁勋

本：戴维，我得说，我真希望 NVIDIA 的整支制作团队每期都能来。录制时我不用自己操心开关摄像机、确保不出问题，感觉轻松多了。

戴维：没错，光是设备就很棒。摄像机里取出来的那些存储卡呢。

本：好，下期开始家庭工作室就换成 RED 摄像机。

戴维：好啊，太棒了。

本：好，开始吧。欢迎收听 Acquired，本节目讲述优秀科技公司的故事和经营方法。我是本·吉尔伯特。

戴维：我是戴维·罗森塔尔。

本：我们就是本期主持人。听众们，先告诉大家结论，这期对我和戴维来说太酷了。过去两年里，我们研究 NVIDIA 大约花了 500 个小时，之后飞到 NVIDIA 总部，和黄仁勋本人坐下来聊天。

黄仁勋是 NVIDIA 的创始人兼 CEO；这家公司正在推动整个 AI 热潮。录制时，NVIDIA 的市值为 1.1 万亿美元，是全球第六大最有价值的公司。公司正处在关键时刻，外界期待极高；在我们研究过的公司里，它的战略位置和领先优势几乎最令人印象深刻。

但所有人都在想：NVIDIA 的惊人繁荣能持续多年吗？AI 会不会成为下一个万亿美元级技术浪潮？我们对此有多大把握？如果真的如此，随着市场逐渐形成，NVIDIA 能否继续保持如此惊人的主导地位？

黄仁勋带我们回顾了公司如何从图形转向数据中心、再走向 AI，也讲了他们如何在多次濒临死亡的危机中幸存下来。他还给创始人提出许多建议，并在节目接近尾声时分享了创始人旅程中感性的一面。

戴维：做完这次访谈后，我对公司以及他作为创始人和领导者有了新的认识。我们原本觉得自己准备得很充分，什么都懂了；结果事实并非如此。

本：原来主角本人知道得更多。

好，听众们，欢迎加入 Slack。现在大家正在热烈讨论这家公司、AI、整个生态，以及我们最近做过的其他节目。网址是 acquired.fm/slack，期待在那里见到你。

闲话少说，本节目不构成投资建议。戴维和我可能投资了节目中讨论的公司。本节目仅供信息和娱乐之用。下面进入黄仁勋访谈。

黄仁勋，欢迎来到 Acquired。我们想先请你讲个故事，把时钟拨回 1997 年左右。那时你们正准备推出 RIVA 128，它是计算机历史上规模最大的图形芯片之一，也是第一款为电脑提供完整 3D 加速图形流水线的芯片。当时你们的现金大概只够再撑六个月。

你们决定完全通过仿真测试，不等实体原型出来，就用公司剩余的钱盲目下单生产。你们把全部赌注押在 RIVA 128 上。芯片回来后，DirectX 的 32 种混合模式中只支持 8 种。你们必须说服市场买它，还得说服开发者不要使用那 24 种它不支持的模式。这一切当时是什么感觉？

黄仁勋：另外 24 种没那么重要。

戴维：先问第一个问题：这从一开始就是计划的一部分吗？你什么时候意识到……

黄仁勋：我当时没有意识到，等我发现时已经太晚了。我们本应该实现全部 32 种模式，但我们已经做出手里的东西，只能尽量想办法补救。那真是一段非同寻常的时期。

要记住，RIVA 128 是 NV3。NV1 和 NV2 基于正向纹理映射，不使用三角形，而是用曲线，再把曲线细分成网格。因为我们渲染的是更高层的物体，基本上绕开了 Z 缓冲。我们以为这种渲染方式不错，结果完全错了。RIVA 128 是一次公司重启。

还记得吗？1993 年我们创办公司时，是全球第一家消费级 3D 图形公司。我们的目标是让 PC 变成加速 PC，因为当时 Windows 完全靠软件渲染。

总之，RIVA 128 让公司重新起步，是因为我们意识到自己走错方向时，微软已经推出 DirectX，而它和 NVIDIA 的架构根本不兼容。已有 30 家竞争者出现，尽管我们创立时自己是第一家，所以整个世界已经完全变了。

从公司战略角度看，当时我们做了一大堆错误决定。但在最关键的那一天，我们连续做出了几个非常正确的决定。

1997 年大概是 NVIDIA 最重要的时刻，因为我们被逼到了绝境：时间快用完了，钱快花光了，许多员工也快失去希望了。接下来怎么办？

首先我们决定：DirectX 已经出现了，我们不和它对着干，而是想办法为它打造世界上最好的产品。

RIVA 128 是全球第一条完全加速的 3D 硬件渲染流水线。变换、投影，直到帧缓冲区为止，每个环节都由硬件加速。

我们实现了纹理缓存，把总线和帧缓冲区扩展到当时物理条件所允许的最大规模，还造出了此前没人想象过的最大芯片，使用了最快的存储器。基本上，只要芯片造出来，就没人能比它更快。

我们还把成本定位在远高于竞争者可能愿意接受的最高价格。如果芯片设计得好，把所有环节都加速、实现我们所知的全部 DirectX 功能，并把它尽可能做大，那显然就没人能造出更快的芯片。

戴维：今天的 NVIDIA 也有点像这样。当时你们还是消费产品公司，对吧？买那张卡的成本最终要由消费者承担。

黄仁勋：对。但我们观察到，市场里有一个细分群体。当时 PC 行业还在发展，性能并不够好，所有人都想要下一款速度更快的产品。如果今年的性能比现有产品快 10 倍，我们认为会有一个庞大的发烧友群体愿意购买。我们判断正确了，PC 行业确实有一大群发烧友，愿意买最好的所有东西。

直到今天仍然如此。对于某些技术永远不够好的市场，比如 3D 图形，选择对的技术非常重要。我们当时认为 3D 图形会持续提供技术发展的机会，因为它永远不够好，技术还能不断进步。我们选对了方向。

我们还决定使用一种叫“仿真”的技术。有家公司叫 ICOS。我打电话给他们那天，他们正准备关门，因为没有客户。我就说：“听着，我把你们现有的库存买下来，不用保证什么。”

我们需要仿真器的原因是，如果算一算公司的钱：先流片，再从晶圆厂拿回芯片，然后开始开发软件；等软件开发过程中找出所有缺陷，再次流片时，我们大概已经破产了。

戴维：而且竞争对手已经追上来了。

黄仁勋：没错，更不用说我们会破产了。

戴维：那有什么关系？

黄仁勋：正是如此。反正都会破产，所以那种计划显然行不通。常规流程是先做芯片、写软件、修缺陷，再重新流片，如此循环；对我们来说，这套方法不可能成功。如果只剩六个月，而且只能流片一次，那显然就必须一次造出完美芯片。

我记得和领导团队谈这件事时，他们问：“可是黄仁勋，你怎么知道它会完美？”我说：“我知道它会完美，因为如果不完美，我们就破产。那就把它做到完美。我们只有一次机会。”

我们买了仿真器，先在虚拟环境里模拟整颗芯片。Dwight 和软件团队写出整套软件栈，在仿真器上运行，然后坐在实验室里等着看 Windows 画面慢慢显示出来。

戴维：一帧大概要 60 秒，对吧？

黄仁勋：至少。我记得可能每帧要一个小时。我们就坐在那里看着它慢慢绘制。决定流片那天，我认定芯片已经完美。所有能提前测试的东西都测试过了，然后我告诉大家：“就是现在，我们要流片了。芯片一定会完美。”

如果你决定流片，并且知道芯片完美，接下来还会做什么？这是个好问题。假设你按下回车、启动流片，就知道芯片会完美，那还要做什么？答案显然是直接投入量产。

本：再来一轮营销攻势和开发者关系工作。

黄仁勋：没错，全面启动，因为芯片已经完美了。我们真心相信自己有一颗完美芯片。

戴维：这件事有多少是你决定的，又有多少来自联合创始人、其他员工和董事会？是不是所有人都觉得你疯了？

黄仁勋：不是。大家都明白我们没有别的出路，不做才是疯狂。

戴维：否则还不如回家。

黄仁勋：对，反正都会破产，所以做任何别的事才不合理。我觉得这其实挺合乎逻辑。说到这里，你大概也会觉得：“这挺合理的。”

戴维：结果它成功了。

黄仁勋：是啊。我们完成流片后，直接投入了量产。

本：那给创始人的教训是，只要你对 RIVA 128 或 CUDA 这样的项目有信心，就应该把公司押上去？你似乎总是敢于把所有筹码都押上，而且每次都成功。你怎么看？

黄仁勋：不，不是这样。只有当我知道它会成功时，我才会押上所有筹码。注意，我们假设流片出来的芯片会完美。因为在流片之前，我们已经仿真了整颗芯片，开发了整个软件栈，对所有驱动和软件都做过质量测试，也运行了我们所有的游戏和 VGA 应用。

当你押上所有筹码时，真正的做法是把未来所有有风险的环节提前完成。如果能预先准备、仿真或验证，就现在完成。直到今天我们仍然如此。

戴维：我们经常谈这个。Costco 那期节目里也讲过：只有知道会成功，才该把所有筹码押上。

本：每次我们看到你做出这种公司级决定时，你都已经提前仿真过了。CUDA 也是这样吗？

黄仁勋：是的。在 CUDA 之前还有 CG。我们已经在探索怎样在芯片上建立抽象层，让它能用更高级的语言和表达方式编程；也在研究如何把 GPU 用于 CT 重建、图像处理等任务。我们早已沿着这条路走了一段。

我们得到了一些积极反馈，也凭直觉认为通用计算可能可行。如果你观察可编程着色器流水线，它本质上是一颗处理器，具备高度并行、海量线程等特点，是当时世界上独一无二的处理器。可编程着色器的许多特征都说明 CUDA 有很大机会成功。

本：前提是未来会出现大量机器学习从业者，想做科学计算和加速计算。

不过你们当时开始投入约一万人年开发这个平台时，会不会觉得：“天哪，我们可能比机器学习需求提前了十年？”

黄仁勋：我想既是，也不是。我们看到深度学习，看到 AlexNet 在计算机视觉上有惊人效果后，有一点做得比较好：回到第一性原理，问自己它为什么这么成功。

如果一种新软件技术或新算法突然超越了 30 年的计算机视觉研究，就必须停下来问：“为什么？从根本上说，它能扩展吗？如果能扩展，还能解决哪些其他问题？”

我们当时有几个观察。第一个是：如果你有大量样本数据，就能教会这个函数做出预测。

基本上，我们发现了一种通用函数逼近器，而且它的维度可以任意增加。由于每一层都是逐层训练的，因此没有理由不能建立非常非常深的神经网络。

好，现在你可以顺着这个思路继续推演。把时钟拨回 12 年前，想象一下我当时脑子里在想什么：我们发现了一个通用函数逼近器。事实上，再加上几项技术，我们可能还发现了一台通用计算机，可以……

戴维：在这之前的每一年，你都有关注 ImageNet 竞赛吗？

黄仁勋：有。那时我们已经在做计算机视觉，希望 CUDA 能成为一个好的计算机视觉系统。但当时为计算机视觉开发的算法，大多并不适合 CUDA。

我们一直在思考怎么解决。突然，AlexNet 出现了。它的效果非常好，让人不得不退一步问：为什么会这样？

当你推演出答案后，就会问：如果通用函数逼近器能解决问题，那么哪些问题可以解决？大多数传统算法都从基础科学出发，我们要理解因果关系，然后根据因果关系创建可扩展的仿真算法。

但很多问题其实不需要知道因果，只要知道结果能否预测就行。比如，我真的在乎你为什么喜欢这种牙膏、不喜欢另一种牙膏吗？我不在乎原因，只想知道它是否能预测你会选哪种。比如有人买热狗时为什么会买番茄酱和芥末？根本原因并不重要，重要的是我能预测结果。

这适用于预测电影、预测音乐，坦率说也适用于天气预报。我们了解热力学、太阳辐射、云层、海洋等影响因素，但最终只想知道要不要穿毛衣，对吧？对世界上许多问题而言，因果关系并不重要，我们只想仿真系统、预测结果。

本：而且这是一个利润极高的市场。如果你能预测社交媒体信息流里下一条表现最好的内容，那就是一个极具价值的市场。

戴维：你举的例子真不错：牙膏、番茄酱、音乐、电影。

黄仁勋：意识到这一点之后，你会想：“等等，一个通用函数逼近器、一个从样本中学习的机器学习系统，可能会有巨大的应用空间。”因为可能的应用实在太多了。

从商业到科学，无所不包。你会发现，它可能影响世界上的很大一部分行业。未来几乎所有软件都可能以这种方式编程。如果这样，那么构建计算机、构建芯片的方式都会彻底改变。意识到这一点之后，接下来就要问：你有没有勇气把筹码押在它上面？

戴维：这就是我们今天看到的 NVIDIA。那是 AlexNet 出现几年后，也是本和我刚进入科技和风险投资行业的时候。

本：我 2012 年加入 Microsoft，正好在 AlexNet 之后。但那时甚至主流工程师都还没怎么谈机器学习。

戴维：有几年时间，对世界上很多人来说，这些东西还像是科学项目。可硅谷的科技公司，尤其是社交媒体公司，已经开始从中创造巨大的经济价值，比如 Google、Facebook 和 Netflix。

几年后这也催生了很多事，包括 OpenAI。在那段时间里，当你看到这些技术在硅谷创造出巨额经济价值时，你是什么感受？

黄仁勋：我的第一个想法是，思考我们该怎样改变计算技术栈。第二个想法是，哪些地方最早可能用上这项技术？如果我们要建造这样的计算机，人们会拿它做什么？

我们很幸运，公司天然就与全球大学和研究人员保持合作。我们已经在开发 CUDA，CUDA 早期用户就是研究人员，因为我们让超级计算能力更加普及。

CUDA 不只是用于 AI。你知道，几乎所有科学领域都在使用 CUDA：从分子动力学、医学影像、CT 重建，到地震处理、天气模拟和量子化学。相关应用数不胜数。

后来我们意识到深度学习可能很有意思，于是自然而然地回到研究人员中间，找到全世界每一位 AI 研究人员，问他们：“我们怎样才能帮助你推进研究？”

其中包括 Yann LeCun、Andrew Ng 和 Geoff Hinton。我就是这样认识他们的。我以前会参加各种 AI 会议，也是在那儿第一次见到 Ilya Sutskever。

那时我们真正关心的是，可以构建什么系统和软件栈来帮助研究人员，让他们的研究取得更大进展？当时 AI 看起来还像玩具。我第一次见到 Goodfellow 时，GAN 生成的图像只有 32×32 像素，只是一张模糊的猫图。但它能发展到什么程度？我们相信它可以。

我们相信深度学习可以扩展，因为它是逐层训练的。数据集可以做得更大，模型也可以做得更大。我们相信，规模不断增大后，效果就会越来越好。这听起来很合理。

我认为，和研究人员的讨论与合作形成了我们需要的正向反馈机制。我会回到研究圈，真正的进展就是在那里发生的。

戴维：OpenAI 在 2015 年成立，这是一个非常重要的时刻。今天回头看显而易见，但当时包括很多科技从业者在内，大多数人都在问：“这是什么？”你参与过它吗？

你和研究人员、Ilya 都有很深的联系。坦率地说，他把人才从 Google 和 Facebook 带出来，重新聚集并开放研究社群，这件事很重要。你参与了吗？

黄仁勋：我没有参与创立，但认识里面很多人，当然也认识 Elon，还有 Peter Thiel 和 Ilya。我们现在也有一些优秀员工，他们从创立早期就在 OpenAI。

我知道他们需要我们正在建造的强大计算机。我们当时正在开发第一代 DGX，我把第一台送到了 OpenAI。这是很有意思的一天。

早期我们大多数成功都来自帮助研究人员取得更大进展。我知道当时的系统还没什么实际用途，但也相信只要再发展几代，它就会非常了不起。这种信念来自和优秀研究者的交流，也来自亲眼看到每一步进步。

一开始每三个月才发表一篇论文，如今每天都有论文发表。你可以持续关注论文档案。我也开始关注深度学习的进展，并尽可能阅读论文，能实时看到这些进步呈指数级加速。

本：我们问过一些研究人员，甚至连业内人士都没预料到，只要持续扩大模型规模，语言模型就会变得这么有用。他们以为必须有某种算法突破。但模型越过 100 亿参数，尤其超过 1,000 亿参数后，准确度、实用性和自然程度就突然大幅提升。你第一次看到真正的大语言模型时，感到震惊了吗？还记得当时的感受吗？

黄仁勋：我第一次想到的是，遮住一些词、让模型预测下一个词，这个方法真聪明。这是最好的自监督学习：我们手上有大量文本，答案已知，只要让你猜出来就行。我第一次看到 BERT 时，最惊讶的就是它的巧思。接下来要问的是：怎样扩大规模？

每个新事物都会先让你觉得有意思，然后你要凭直觉理解它为什么有效，再从第一性原理出发思考怎样外推。显然，我们知道 BERT 会变得大得多。

语言模型的一项特点是，它会编码和压缩信息。世界各地的语言与文本中，包含大量推理过程。如果有人说，模型光靠阅读就能学会多步推理，我不会感到意外。

我们很多人的常识和推理能力，都是通过阅读获得的。机器学习模型为什么不能从阅读中学到一些推理能力？具备推理能力后，就可能出现涌现能力。

有些涌现能力符合直觉，有些则可以预测，但仍然令人惊叹。符合预期并不会让事情变得不神奇。我可以把自动驾驶汽车里的整台计算机和所有模块都想象出来，但看着它真的能保持在车道里，还是会让我非常高兴。

本：我还记得自己在大学上操作系统课时，终于理解了从编程语言到电气工程、再由操作系统连接起来的整条链路。我当时想：“哦，我大概从头到尾理解了冯·诺伊曼计算机。”但它仍然像个奇迹。

黄仁勋：没错。把所有东西组合起来，依然是个奇迹。

本：接下来有几个问题想问你。有些关于 NVIDIA 的文化，也有些关于如何普遍地建设公司。第一个问题：我们听说你有 40 多名直属下属，而且公司的组织结构和传统企业很不一样。

你觉得 NVIDIA 有什么特别之处，让你能管理这么多直属下属、不必费力照顾高管或规划他们的职业成长，而是直接要求他们拿出最好的表现、做最重要的工作？（a）这是真的吗？（b）NVIDIA 有什么特别之处让这种方式可行？

黄仁勋：我不觉得 NVIDIA 有什么特别之处，只是我们有勇气建立这样的系统。NVIDIA 不像军队那样由将军和上校层层管理，也不是自上而下的命令控制和信息分发体系。

我们的结构更像计算技术栈。最底层是架构，然后是芯片，再上面是软件，顶层还有各种不同模块。每一层的模块都由人来负责。

对我来说，公司的架构就像一台计算机，拥有计算技术栈；人们分别管理系统的不同部分。谁向谁汇报、职位头衔是什么，并不决定你在技术栈的哪个位置。哪个人最擅长运行某一层里的某个模块，哪个人就负责它。那个人就是执行负责人。这是这个体系的一个特点。

戴维：从最初开始，你就一直这样看待公司吗？

黄仁勋：基本上是。因为组织应该按照制造产品的机器来设计，这才是一家公司。可每家公司生产的东西都不同，组织架构却几乎一模一样，这怎么说得通？你懂我的意思吗？

做炸鸡、做汉堡和做中式炒饭，流程都不一样。为什么生产机器、为什么流程要完全一样？

我觉得大多数公司的组织图看起来都差不多：一个业务有一个团队，另一个业务再有一个团队，第三个业务再配一个团队，而且据说这些团队都能自主运作。

这些安排在我看来都说不通。关键是我们要打造什么产品？什么样的公司架构最适合把它做出来？这是第一点。

至于信息系统和如何协作，我们的组织像神经网络一样连接起来。公司有句话叫“使命就是老板”。我们先弄清楚使命是什么，再把最优秀的技能、团队和资源连接起来，完成这个使命。它会以一种看起来不太合常规的方式横跨整个组织，有点像神经网络。

戴维：你说的使命，是指 NVIDIA 的整体使命……

黄仁勋：打造 Hopper。

戴维：所以不只是“推进加速计算”，而是“我们要交付 DGX Cloud”。

黄仁勋：不是。可能是打造 Hopper，或者为 Hopper 打造一个系统；有人要为 Hopper 开发 CUDA，也有人要为 Hopper 的 CUDA 开发 cuDNN。每个人的使命就是完成某件具体的事。

本：这种方式相较于传统结构，有哪些取舍？

黄仁勋：这种结构的缺点是领导者承受的压力相当大。在命令控制体系中，向你汇报的人权力更大，因为他们比你更接近信息来源。

在我们公司，信息会比较快地传给许多不同的人，通常是在团队层面。比如刚才我参加机器人团队的会议，我们讨论了一些事，并作出决定。

会议室里有刚毕业的大学生、三位副总裁，还有两位高管团队成员。我们一起讨论、一起分析、一起做出决定，所有人同时听到结果。没有谁比别人知道得更多，也就没有人比别人更有权力。你懂我的意思吗？新毕业的员工和高管团队是在同一时刻听到决定的。

为我工作的高管团队成员，以及我自己，之所以能担任现在的职务，是因为我们有能力分析问题、帮助他人成功，而不是因为我们掌握别人不知道的特权信息，比如只有我知道答案是 3.7。每个人都能知道。

戴维：我们最近刚发布了 NVIDIA Part III 那期节目。过去几年里，我们做过一个思想实验：考虑到 NVIDIA 的技术水平和开发难度，你们的产品发布周期非常快。我们想：能不能想象 Apple 一年发布两部 iPhone？

本：我们只是用这个例子来说明问题。

戴维：是举例说明，不是故意批评 Apple 之类的公司。

本：比如一家大型科技公司一年推出两款旗舰产品，或者把旗舰产品发布两次。

戴维：或者一年办两次 WWDC。

本：NVIDIA 的做法似乎确实有特别之处。

戴维：其他公司很难想象这样做，但在 NVIDIA 这很常见。你有没有敬佩、借鉴过的其他公司，无论是现在的还是历史上的？

黄仁勋：过去 30 年我读过不少商业书籍。读任何书时，首先要享受内容、获得启发，但不要照搬。这不是读这些书的目的。书的目的是分享作者的经验。

你应该问自己：这对我意味着什么？在我现在的处境中意味着什么？对我所在的环境和想要实现的目标意味着什么？对 NVIDIA、公司的发展阶段和能力又意味着什么？

你要问自己这对你意味着什么。带着从各种信息中学到的东西，再制定自己的策略。

我做所有事情都遵循这个方式。你应该受到启发，也应该向别人学习。学习这些知识是免费的。有人介绍新产品时，你应该去听，不要忽视，而要去了解。

无论是竞争对手、相邻行业，还是和我们毫无关系的领域，都可以学习。我们越了解外界正在发生什么越好。但学完之后，还要回来问自己：这对我们意味着什么？

戴维：你不是只想模仿别人。

黄仁勋：没错。

戴维：我很喜欢这种思路：既要学习，又不照搬，而且要从各种不同来源学习。NVIDIA 还有第三个不可思议的因素，促成了今天的公司，那就是数据中心。

这并非显而易见。我无法仅从 AlexNet 和你与研究社群的合作中推演出，你们会决定全力投入数据中心，走一条长达五年的路。这个决定是怎么来的？

黄仁勋：我们进入数据中心领域，大约是在 17 年前。我总会被问到，公司未来可能遇到哪些挑战。

我一直觉得，NVIDIA 的技术插在一台电脑里，而电脑必须放在你身边，因为它要连接显示器；这迟早会限制我们的机会。桌上能接 GPU 的台式机数量有限，能驱动的 CRT 或当时的 LCD 显示器也有限。

我就想，如果计算机不必和显示设备连在一起，那不是很棒吗？把两者分开后，我们就能在别处进行计算。

有一天，一位工程师来给我演示：把帧缓冲区捕获下来，编码成视频，再串流到接收设备上，从而让计算和显示分离。

本：从很多角度看，这就是云游戏。

黄仁勋：没错，那时我们开始做 GFN。我们知道 GeForce NOW 会是一段漫长的旅程，因为有各种问题要解决，包括光速带来的限制，以及……

本：到处都有延迟。

黄仁勋：没错。

戴维：听众们，GFN 就是 GeForce NOW。

黄仁勋：对，GeForce NOW。

戴维：这就说得通了。它是你们的第一个云产品。

黄仁勋：没错。GeForce NOW 是 NVIDIA 第一个数据中心产品。

第二个数据中心产品是远程图形，也就是把 GPU 部署到全球企业的数据中心。之后第三个产品把 CUDA 和 GPU 结合起来，成为超级计算机。然后一步步继续扩展。

这件事非常重要，因为只要把 NVIDIA 的计算与用户享受计算结果的地点分开，市场机会就会大幅扩大。

事实证明确实如此。我们不再受限于桌边的台式机，不再受限于每人一块 GPU。GPU 在哪里都无所谓。这是一个非常重要的洞察。

本：这是很好的提醒。如今大家容易把 NVIDIA 的数据中心业务等同于 AI 的发展，这其实不完全对。NVIDIA 之所以能在 AI 爆发时做好准备，是因为此前已有三个以上的数据中心产品，逐步学会了如何建造数据中心计算机。即使早先的市场不像 AI 那样成为改变世界的技术浪潮，你们还是通过实践积累了经验。

黄仁勋：没错。你要为未来的机会铺路，不能等到机会摆在面前才开始行动，而是必须提前准备。

作为 CEO，我们的工作是预判未来可能出现的机会。即使我不确定机会具体是什么、何时出现，也要让公司靠近它，就像站在树下，苹果掉下来时我们能一个鱼跃接住。你懂我的意思吗？但你必须站得足够近。

戴维：回到 2015 年的 OpenAI。如果你没有提前建设数据中心，今天就不可能为 OpenAI 提供算力。

黄仁勋：没错。计算应该远离显示设备进行，大部分计算不应在用户自己的电脑上完成——这个洞察非常有价值。

事实上，今天的云计算都围绕这种分离展开。把计算放到数据中心，就能解决延迟问题。你无法突破光速，但星球两端传输的光速延迟大约只有 120 毫秒左右，没那么长。

本：从数据中心到……

黄仁勋：地球上任何地方。

本：明白了。是跨越整个地球。

黄仁勋：对。只要能够解决其他障碍，70 毫秒、100 毫秒左右的延迟其实并不算长。具体数字我记不清了。

我的意思是，只要其他障碍都能消除，光速应该完全够用。你可以把数据中心建得很大，做出许多惊人的事。我们手上的这台小设备、电视，或者任何其他电脑，都可以立刻变得非常强大。15 年前就有这样的洞察，很不错。

本：说到光速——戴维一直催我问这个——你很早就看出 InfiniBand 会迅速变得非常有用，早于其他人。你收购 Mellanox 时，我认为你独特地意识到，训练大语言模型需要这种技术，所以非常积极地收购了这家公司。为什么你先于别人看到了这一点？

黄仁勋：有几个原因。第一，如果你想成为一家数据中心公司，光造处理器是不够的。数据中心和台式机、手机的区别不在于处理器。

数据中心里的台式计算机和手机，用的 CPU、GPU 其实也差不多。真正的差别在网络和基础设施：计算如何分布、安全如何保障、网络如何连接等等。这些才是 Mellanox 的专长，而不是 NVIDIA 原来的领域。

当我得出结论：NVIDIA 想建造未来的计算机，而未来的计算机将以数据中心的形式存在时，我意识到，如果要成为面向数据中心的公司，就必须进入网络领域。这是第一个原因。

第二个原因是观察到：云计算一开始从超大规模数据中心发展起来，把标准化组件组合起来，服务大量用户，并在一台计算机上虚拟化许多用户。AI 则更像分布式计算，一个训练任务需要协调数百万个处理器。

它几乎是超大规模计算的反向模式。超大规模计算可以使用标准以太网组件，跑 Hadoop、处理搜索请求都没问题……

本：但如果要把同一个模型拆分到多台机器上运行，就不行了。

黄仁勋：没错。你需要的网络技术不再是普通以太网。超级计算机领域使用的网络方式其实非常合适。

这两个想法让我确信，Mellanox 是完全合适的收购对象，因为它是全球领先的高性能网络公司。我们此前在许多高性能计算项目中和他们合作过，而且我非常欣赏他们的团队。以色列团队是一流的，如今大约有 3,200 人。这是我做过的最佳战略决策之一。

戴维：我们研究 NVIDIA Part III 时采访了很多人。许多人告诉我们，收购 Mellanox 是科技公司史上最成功的收购之一，甚至可能就是最成功的一次。

黄仁勋：我也这么认为。这次收购看上去和我们平时做的事毫无关联，所以让所有人都很惊讶。

本：但按照你刚才的说法，你们一直站在机会附近，因此一旦机会出现，你们就能判断：“大语言模型马上要爆发，我需要这家公司，所有人都会需要它。我比其他人更早看到了。”

黄仁勋：你要把公司放在机会附近，不必每次都精准预测。靠近那棵树就好；即使苹果掉下来时没能直接接住，只要你是第一个捡起来的人也行。要把公司放在靠近机会的位置。

这就是我工作的重要部分：让公司靠近机会，并让公司具备把每一步机会变成收入的能力，这样才能持续发展。

本：你刚才说的让我想到巴菲特和芒格的一句格言：大致正确，胜过精确地错误。

黄仁勋：对，就是这句话，很好。

本：这句话值得记住。

如果你不介意的话，我想从 NVIDIA 转到更普遍的公司建设问题上。节目里有很多创业者听众，我想请你给他们一些建议。

创业最早期，最大的竞争对手其实是：你做不出人们想要的东西。公司很可能只是因为用户没那么在乎而倒闭。

到了后期，你确实得认真考虑竞争战略。我想问问，对于已经找到产品市场契合点、开始增长、身处有趣且快速发展的市场中的公司，你有什么建议？它们应该关注哪些竞争者，又该如何应对？

黄仁勋：思考竞争的方式有很多。我们更喜欢把自己放在一个位置上，满足一种通常还没有出现的需求。

戴维：我好像听你或 NVIDIA 的其他人说过“零十亿美元……”

黄仁勋：没错，这就是说市场还不存在，但我们相信它以后会出现。你处在那个位置时，大家往往会问：“你们为什么要做这个？”我们最初进入汽车行业时，就相信未来的汽车将主要由软件定义。如果汽车主要由软件定义，就需要一台非常强大的计算机。

我们当时站在那个位置上。我仍记得有位 CTO 对我说：“你知道，汽车不能容忍蓝屏死机。”我回答：“我觉得没人能容忍蓝屏死机，但这不改变一个事实：未来所有汽车都会成为软件定义的汽车。”我想，15 年后来看，我们基本是对的。

很多时候，市场需求还不存在，我们就喜欢把公司布局在那里。这样等市场真正出现时，通常就不会有太多已经按相同方向打造的竞争者。

我们很早就进入 PC 游戏领域，如今 NVIDIA 在 PC 游戏市场规模很大。我们重新构想了设计工作站应该是什么样子；现在几乎世界上每一台工作站都用 NVIDIA 技术。我们重新构想了超级计算机该如何运行、谁应该能使用超级计算能力，并希望让它更普及。看看今天，NVIDIA 在加速计算领域已经很有规模。

我们重新构想了软件的开发方式，这后来叫机器学习；也重新构想了计算方式，这就是 AI。我们大约提前十年开始构想并尝试这些方向。我们花了差不多十年，在尚不存在的“零十亿美元市场”里投入；如今我也花了很多时间做 Omniverse，它就是典型的零十亿美元业务。

本：现在是不是有大约 40 家客户？差不多这个数？

戴维：Amazon、BMW。

黄仁勋：对，我知道。挺酷的。

本：假设你确实领先十年，但后来别人也弄明白了，竞争者开始紧追你。企业有什么结构性的做法可以保持领先？当然，你可以一直踩到底线，说我们要比对手更努力、更聪明，这在一定程度上有用，但那是战术。战略上怎么做才能守住领先？

黄仁勋：通常，如果你创造了一个市场，只要产品设计得好，并围绕它建立一个能共同服务目标市场的完整生态，就会形成所谓的护城河，本质上你就创建了一个平台。

平台可以基于产品、服务，也可以基于技术。如果你进入得早，并且有意识地帮助整个生态共同成功，周围就会形成一个网络的网络，以及围绕你建立起来的开发者和客户群。这个网络本身就是你的护城河。

我不太喜欢用护城河这个说法，因为这样容易让人只想着围着自家城堡修东西。我更喜欢从建立网络的角度思考。网络的目的是让其他人也能享受到终端市场成功带来的好处，不只是你一家公司受益，而是你和许多参与者共同受益。

戴维：我很高兴你提到这一点，因为我正想问。在我看来，而且听起来你也这么想，NVIDIA 绝对是一家平台公司；世界上真正有影响力的平台公司并不多。

而且可以说，公司创立后的最初几年，NVIDIA 是一家技术公司，还不是平台公司。我能想到的那些一开始就想做平台的公司，似乎都失败了。你得先从技术做起。

你是什么时候考虑转型为平台的？早期的显卡只是技术产品，没有 CUDA，也谈不上平台。

黄仁勋：你的观察没错。不过在公司内部，我们从一开始就认为自己是平台公司，因为创立之初我们就有一套架构，叫 UDA，也就是 CUDA 的前身。

戴维：CUDA 是 Compute Unified Device Architecture（统一计算设备架构）的缩写吗？

黄仁勋：没错。我们从一开始做的事是：即使 RIVA 128 只有计算机图形功能，我们的架构也支持各种类型的加速器。开发者可以在这套架构上编程。

事实上，NVIDIA 最初的商业战略是让电脑内部装一台游戏机。游戏机需要开发者，所以 NVIDIA 很早就把开发者关系人员列为最初的员工之一。我们因此结识了所有游戏开发者和 3D 开发者。

戴维：哇，等等。你们最初的商业计划是……

本：有点像要自己做 DirectX。

戴维：对，用 PC 和 Nintendo、Sega 竞争？

黄仁勋：最初 NVIDIA 的架构叫 Direct NV，也就是 Direct Nvidia。DirectX 是一种 API，让操作系统可以直接连接硬件。

戴维：但你们创立 NVIDIA 时 DirectX 还不存在，这也让你们头几年战略上走错了方向。

黄仁勋：1993 年我们有 Direct Nvidia，1995 年它变成了 DirectX。

本：这是很重要的一课。你们……

黄仁勋：我们一直都是以开发者为中心的公司。

本：没错。最初的设想是让开发者基于 Direct NV 开发，再为我们的芯片做应用，最终形成平台。但后来我们发现，Microsoft 已经和开发者建立了关系，于是我们痛苦地学到了……

戴维：……当年做过的事情。【原文此处有缺句】他们就说：“哦，这可以成为开发者平台。我们接手了，谢谢。”

黄仁勋：他们用了完全不同的方法，很多事情做对了；我们则做错了很多事。

戴维：你们在 90 年代确实是在和 Microsoft 竞争。

本：这有点像今天的…… NVIDIA。【原文此处有缺句】

黄仁勋：情况完全不同，不过我领你的情。那时我们远谈不上能和他们竞争。后来 CUDA 出现时，虽然已有 OpenGL 和 DirectX，但 CUDA 又提供了一个额外扩展。已经为运行 DirectX 和 OpenGL 付费购买的芯片，也可以借此建立 CUDA 的安装基础。

戴维：这就是为什么你当时态度那么坚决。根据我们的研究，你坚持要求所有 NVIDIA 芯片都必须支持 CUDA。

黄仁勋：没错。如果你要打造计算平台，一切都必须兼容。我们是世界上唯一一家让所有加速器在架构上彼此兼容的公司，这样的先例从未有过。

如今全球有几亿块活跃 CUDA GPU，大约 2.5 亿到 3 亿块，而且它们在架构上全部兼容。如果 NV30、NV35、NV39、NV40 各不相同，怎么能叫计算平台？过去 30 年里，它们一直保持完全兼容。这是公司唯一不可妥协的规则，其他事情都可以商量。

戴维：我想，CUDA 是 UDA 的重新发展。现在回头看，UDA 其实一直贯穿你们所有芯片。

黄仁勋：对，事实上 UDA 一直延续到我们今天的所有芯片。我也要对正在听的创始人说一句：你刚才问我有什么经验可以分享，我其实也说不清。

成功公司和成功 CEO 需要具备的特质，书上已经讲了很多。我只是觉得，创建一家成功的公司难得不可思议。看到优秀公司被建起来，我只有敬佩和尊重，因为我知道这件事有多难。

我觉得大家做过很多相似的事。有些做法聪明而正确，有些做法很愚蠢。但就算聪明的事都做对了，公司仍可能失败；即使做了许多蠢事——我就做过不少——公司也仍可能成功。

当然，这不完全准确。我认为技能是可以逐渐学会的，但关键时刻还需要一些条件恰好凑到一起。我确实认为市场也必须成为帮助你成功的力量之一。但这还不够，因为很多公司还是会失败。

本：你还记得 NVIDIA 历史上有哪些时刻，当时你们做了很多错误决定，最后却 somehow 得救了吗？毕竟成功需要运气和能力共同作用。

黄仁勋：我觉得你从 RIVA 128 开始讲非常恰当。正如我说的，当时我们做出的许多明智决定，直到今天仍是芯片设计的基本方法；那时候没人做过这些。因为别无选择，我们把能想到的招数都用上了。

后来发现，这正是应该采用的做法。如今大家都这么做了。既然一次能完成，为什么要做两次？如果可以一次流片，为什么要流七次？

最高效、最省钱、最具竞争力的因素就是技术速度。速度就是性能，上市时间也是性能。这些都适用。所以如果能一次做完，为什么要做两次？

RIVA 128 带来了许多好决策，包括如何定义产品规格、如何思考市场需求与缺失、如何评估市场等等。我们确实做出许多特别聪明的决定。没错，当时已经被逼到绝境，只剩最后一次机会，但……

本：你已经把所有手段都用上，也看见自己能做到什么，为什么还要重新踩刹车……

黄仁勋：正是如此。

本：那就一直不要踩刹车。

黄仁勋：没错。

戴维：不过从运气的角度看，回到 1997 年，那是不是消费者开始真正重视游戏 3D 图形性能的转折点？

黄仁勋：是的。比如说运气。如果 Carmack 当时决定使用硬件加速呢？记住，《毁灭战士》完全靠软件渲染。

NVIDIA 的理念是：通用计算固然很棒，会推动软件、IT 等各种发展，但有些应用如果不加速就无法实现，或者成本会很高，因此应该加速。3D 图形是其中之一，但不是唯一一个。它只是第一个出现、而且非常适合加速的应用。

我还记得第一次和 John 见面时，他很坚持用 CPU，而且他的软件渲染效果确实很好。坦白说，《毁灭战士》的性能即使用当时的加速器也很难达到。如果不需要双线性过滤，软件渲染其实表现不错。

戴维：不过《毁灭战士》的问题是，你得让 Carmack 亲自写程序。

黄仁勋：没错。那是天才级的代码，但软件渲染确实做得很好。要是 Carmack 没决定在《雷神之锤》中转向 OpenGL 和硬件加速，什么产品能成为推动 NVIDIA 起飞的杀手级应用？Carmack 和 Sweeney 通过《虚幻》和《雷神之锤》，分别创造了消费级 3D 图形领域最早的两款杀手级应用，我非常感谢他们。

戴维：我想回到刚才的话题。你说创始人可能从这些故事里学不到什么，但我觉得看看今天的大型科技公司——Google 也许例外——它们都是从服务开发者起步的；从一开始就计划打造平台和开发者工具。

它们都……Apple，也包括 Amazon？【原文此处有缺句】AWS 就是这样开始的。我觉得这也说明：正如你说的，这不保证成功，但能让你靠近那棵树，苹果掉下来时你就能接住。

黄仁勋：我们有很多好点子，但不可能拥有全世界所有好点子。与开发者合作的好处，是你能看到许多好点子。

本：好，节目快结束了。我们花了很多时间谈过去，现在我想稍微展望一下未来。我相信你站在 AI 前沿，一定花了很多时间思考未来。

我们正进入一个新时代：软件能大幅放大人们的生产力、影响力和创造的价值。从长远看，这对人类肯定是好事；但短期内，我们不可避免地要经历一些波折，逐步弄清楚这意味着什么。

随着 AI 越来越强大、越来越能加速生产力，你觉得如何应对因此可能被取代的工作岗位？

黄仁勋：首先，我们必须确保 AI 安全。AI 安全有几个重要领域。机器人和自动驾驶汽车显然有一整套安全研究。我们致力于功能安全、主动安全和各种安全问题：什么时候需要人参与决策？什么时候可以不需要？如何逐步减少人工介入，同时让人类总体上仍在决策环节之中？

信息安全也值得高度关注，包括偏见、错误信息，以及尊重艺术家和创作者的权利。

你们也看到我们的做法：我们没有直接抓取整个互联网，而是和 Getty、Shutterstock 合作，寻找一种商业上公平的方式来应用生成式 AI。

随着大语言模型和自主性更强的 AI 持续发展，只要仍然可行——我认为未来很长一段时间都会可行——答案显然是让人在回路中。我们应该避免 AI 在实际环境中自行学习、改进并改变自身。应当先收集数据，接着携带数据、训练模型、测试并验证模型，然后才重新部署到实际环境。也就是说，人始终参与其中。

许多行业已经证明，人们可以怎样建立安全、对人类有益的系统。飞机自动驾驶的运作方式、双驾驶员制度、空中交通管制、冗余和多样化设计，以及各种安全系统的基本理念，都适用于自动驾驶汽车等领域。我觉得有很多安全 AI 的模式可以借鉴，应该把它们用起来。

关于自动化，我的看法是——未来还要继续观察——短期内 AI 更可能创造就业岗位。“短期”究竟指多长？原因是生产力提升后，首先带来的是繁荣。公司变得更成功，往往就会招更多人，拓展更多业务。

如果你认为提高生产力就意味着公司需要更少员工，那是因为公司已经没有新点子了。但大多数公司并非如此。生产力提高、利润增长后，通常会招更多人，进入新的领域。

只要还有更多领域可以拓展，就会有更多药物研发、交通、零售、娱乐和科技方面的想法。只要我们相信创意还会不断出现，行业就能因生产力改善而繁荣，进而雇用更多人、产生更多想法。

回顾历史可以看到，今天的产业规模远远大于一千年前，因为人类有大量想法。我相信未来仍有许多创意能够推动繁荣，也有很多想法能从生产力提升中产生。因此，我的直觉是，AI 更可能带来就业增长。

当然，整体新增岗位，并不意味着每个人都不会被解雇。更可能的情形是：一个人被另一个使用 AI 的人取代，而不是直接被 AI 取代。

我觉得大家首先都应该学会使用 AI，提高自己的生产力。每家公司也应该利用 AI 提高生产力，创造更多繁荣，并雇用更多人。

我猜工作会改变，整体就业率甚至可能更高、岗位更多。许多现在劳动力短缺的行业，可能会借助 AI 摆脱困境，重新实现增长和繁荣。我对未来的看法稍有不同，但我确实认为工作会受到影响，所以我鼓励大家去学习 AI。

戴维：这和 Acquired 经常讨论的一个观点很契合，我们称之为 Mike Moritz 定律的推论，以 Sequoia 的迈克·莫里茨命名。

黄仁勋：Sequoia 是我们公司的第一位投资人。

戴维：当然。这个故事很精彩：Mike 接替 Don Valentine，开始和 Doug 一起负责基金时，曾研究 Sequoia 的投资回报。他看着第三或第四期基金——我想可能是第四期——里面投了 Cisco。他在想：“我们怎么可能超过这个成绩？Don 会赢过我们，我们永远赶不上。”

后来他想到，计算成本不断下降，就能进入更多经济领域，得到更广泛应用；这样一来，我们能服务的市场就会扩大。你的观点是 AI 会以同样方式推动循环继续。

黄仁勋：没错。我刚才给的例子也是这个意思：生产力提高不代表我们做得更少，通常意味着我们会做得更多。所有事情都更容易了，但我们最终会追求更多，因为人类有无穷的抱负，世界也有无穷的抱负。公司盈利能力提高后，通常就会雇更多人做更多事。

本：确实。技术是一种杠杆，但如果我们心满意足，这个逻辑就不成立了。

戴维：人类的抱负永无止境。

本：没错。人类会不断扩张、消耗更多能源、追求更多想法。整个物种一直以来都是这样。

戴维：我们还准备了几个快问快答，之后还有个很有意思的环节……

黄仁勋：哎呀。我没法那么快思考。

本：先来个简单的吧。我们看到这里的会议室都用一些名字命名：你最喜欢的科幻小说是什么？

黄仁勋：我从来没读过科幻小说。

本：不会吧。

戴维：拜托。

黄仁勋：真的。

戴维：你不是很喜欢《星际迷航》吗？

本：你不是很迷《星际迷航》之类的吗？

黄仁勋：其实很简单，我看电视剧就够了。

本：好吧。你最喜欢的科幻电视剧是什么？

黄仁勋：我最喜欢的当然是《星际迷航》。对，就是它。

本：刚进来时我看到那边有个叫 VGER 的会议室，名字取得不错。

黄仁勋：VGER 确实是个好名字。

戴维：你现在每天开的车是什么？还有，你还留着 Supra 吗？

黄仁勋：Supra 是我最喜欢的车之一，也是我最珍贵的回忆之一。你们可能不知道，有一年圣诞节，我和 Lori 订婚了。我们开着刚买的新 Supra 回家，结果把车撞报废了。当时我们离成功只差一点。

本：幸好你们没出事。

黄仁勋：是啊。不过事故不是我的错，也不是 Supra 的错，但我确实很喜欢那辆车。

戴维：只有那次事故不是 Supra 的错。

黄仁勋：对。我现在出于安全和其他考虑，由司机开 Mercedes EQS。这车很好。

戴维：车里用的是 NVIDIA 技术吗？

黄仁勋：有。我们是它的中央计算机。

本：我们已经聊过商业书籍了，你读过哪些最喜欢、并从中学到东西的书？挑一两本就好。

黄仁勋：我觉得克莱顿·克里斯坦森的那套书最好，毋庸置疑。它们很容易理解、很有直觉，也很贴近现实。我读过很多书，几乎都读了。我也非常喜欢安迪·格鲁夫的书，都很棒。

本：唐·瓦伦丁最让你喜欢的一个特点是什么？

黄仁勋：他脾气很差，但很可爱。Sequoia 决定投资我们时，他对我说的最后一句话是：“如果你把我的钱亏掉，我就杀了你。”

戴维：他肯定会这么说。

黄仁勋：这些年来，如果《水星报》写了我们一篇好报道，他就会说，感觉像是用蜡笔写的一样。然后在报纸上写“唐干得不错”，寄给我。我希望自己还留着这些报纸。你看得出来，他其实是个很可爱的人，只是真的关心公司。

戴维：我能想象他一定是个很特别的人。

黄仁勋：没错，他很了不起。

戴维：现在的你相信什么，而 40 岁的你当时会反对、说“我不同意”？

黄仁勋：我现在觉得时间很多。只要把生活安排好，别让 Outlook 决定你怎么花时间，时间就够用。

戴维：你是说一天里时间很多，还是有足够时间去完成某件事？

黄仁勋：做任何事都有时间，但不能什么都做。把生活排好优先级，作出取舍。别让 Outlook 决定你每天做什么。

你们注意到我刚才迟到了吧？因为我一抬头就发现：“天啊，本和戴维已经在等了。”

戴维：我们有时间。

黄仁勋：正是如此。

戴维：但这没能阻止这件事成为你的全职工作。

黄仁勋：没错，但你必须非常认真地安排时间，别让 Outlook 替你做决定。

戴维：很有道理。如果你有什么害怕的事情，会是什么？

黄仁勋：我现在和公司刚成立时害怕的事情一样：让员工失望。很多员工加入公司，是因为他们相信你的希望与梦想，并把它们当成自己的希望与梦想。

你希望自己没有辜负他们，希望公司成功。他们既能帮你打造一家伟大的公司，也能过上美好生活、建立成功的职业生涯，还能享受到这一切。

如今，我也希望他们能享受到我曾经享受的东西，以及我所经历的一切成功。我希望他们都能拥有这一切。所以，我最大的恐惧就是让员工失望。

戴维：你是什么时候意识到自己不会再换工作，也就是认定这就是你最后一份工作的？

黄仁勋：我不换工作。如果不是 Chris 和 Curtis 说服我创办 NVIDIA，我今天应该还在 LSI Logic 工作，我对此很确定。

本：真的吗？

黄仁勋：是的，我很确定。当年在那儿工作时，我全心投入，专注于帮助 LSI Logic 成为最好的公司。我是它最好的宣传者之一。我至今仍和当年在 LSI Logic 认识的很多朋友保持联系。我当时热爱这家公司，今天也依然很珍惜它。

我完全明白它对芯片、系统和计算机设计造成的革命性影响。在我看来，它是硅谷历史上最重要的公司之一，改变了计算机制造的方式。它让我置身于计算机产业一些最重要事件的中心。

在那里，我认识了 Chris、Curtis、Andy Bechtolsheim 和 Jon Rubinstein 等一些世界上最重要的人。前几天我还见了 Frank，诸如此类的人还有很多。LSI Logic 对我非常重要，我本来会一直留在那里。要是我还在那里，LSI Logic 可能会变成什么样？我就是这么想的。

戴维：也许现在由你带领它为全世界的 AI 提供算力。

黄仁勋：没错。说不定我今天做的还是类似的事。

戴维：我记得在 NVIDIA 系列第一期里，我们聊过这个。

黄仁勋：除非我被解雇，否则 NVIDIA 就是我的最后一份工作。就是它了。

戴维：我觉得 LSI Logic 也改变了你对计算方式的看法和理念。根据我们的研究，你刚毕业先去了 AMD 时，相信 Jerry Sanders 那句“真正的男人要有晶圆厂”，也就是所有环节都要自己做；后来 LSI Logic 改变了你的想法。

黄仁勋：LSI Logic 让我认识到，可以用高级语言表达晶体管、逻辑门和芯片功能。这种方式如今叫高层次设计。这个词是 NVIDIA 董事会成员 Harvey Jones 提出来的，我很早以前在 Synopsys 时就认识他。当时大家相信可以用高级语言描述芯片设计，利用优化编译器、逻辑优化和各种工具，提高生产力。

这个逻辑对我来说非常合理。那时我 21 岁，想追求这个愿景。坦白说，机器学习也发生了类似的事，软件编程也是如此。我还希望数字生物学也能实现这种变化，让我们用更高层次的语言来理解生物学；也许大语言模型会成为这种表达方式。

这种转型非常具有革命性，我觉得那是行业中最好的变化。我很高兴自己参与其中，而且当时就在最前线。我亲眼看到一个行业的变革如何推动另一个行业。如果没有 LSI Logic 的工作，以及随后 Synopsys 的发展，今天的计算机产业会是什么样？真的太棒了。我当时正好处于合适的位置，见证了这一切。

戴维：真棒。听起来 LSI Logic 的 CEO 还在 Don Valentine 面前替你说了好话。

黄仁勋：我当时根本不会写商业计划书。

本：后来发现这其实并不重要。

黄仁勋：确实。写财务预测，本来就没人知道最后对不对，结果发现这并没那么重要。但商业计划书能帮助你厘清一些重要问题，所以我觉得它应该写得更短、更精炼。

它会迫使你归纳：你真正想解决的问题是什么？你相信未来会出现什么尚未满足的需求？你要做的事情有多难，难到后来所有人发现这是好主意时，也无法一拥而上、让你过时？这件事必须足够难。

产品定位、定价、市场推广等还有许多技能，但这些都能学习。真正困难的是我刚才描述的核心问题。

我当时把这些问题想得还可以，但完全不知道怎么写商业计划书。幸好我在 LSI Logic 工作时表现不错，Wilf Corrigan 很欣赏我，打电话给 Don Valentine 说：“投资这个年轻人，他很快会来找你。”从那一刻起，我就得到了很好的支持，公司也因此起步了。

戴维：只要你别把他的钱亏掉。

黄仁勋：我想 Sequoia 投得不错。NVIDIA 可能是他们有史以来最好的投资之一。

本：他们一直持有到现在吗？

黄仁勋：Sequoia 的合伙人 Mark Stevens 还在董事会。两位最初的风投投资人现在都还在董事会里。

本：Sutter Hill 和 Sequoia？

黄仁勋：对，Tench Coxe 和 Mark Stevens。我想这种情况很少见。NVIDIA 在这方面独一无二。他们一直带来价值、启发和很好的建议，也一直给予支持。不过他们也……

戴维：还没把你杀掉？

黄仁勋：还没有。不过他们一直认可、受到公司启发，也从公司获得了回报，所以一直留下来。我对此非常感激。

戴维：好，这就是我们最后一个问题。现在是 2023 年，NVIDIA 创立 30 周年。如果你能神奇地回到 2023 年、重新变成 30 岁，和两位最好的朋友——你认识的人中最聪明的两位——一起去 Denny’s，准备创业，你们会想创办什么公司？

黄仁勋：我不会创业。我知道。理由很简单。先不说具体要创办什么，因为我也不确定。之所以不想创业，是因为我后来发现，创建一家公司、创建 NVIDIA，比我或我们任何人预想的都难一百万倍。

如果当时我们知道要承受多少痛苦、会有多脆弱、要面对多少挑战、尴尬和羞耻，还要经历一长串出错的事，我想没人会创业。正常人都不会这么做。

我觉得这正是创业者的超能力：他们不知道事情有多难，只会问“能有多难？”直到今天，我还会这样欺骗自己，因为你必须这么做。

本：每天早上醒来时也这么想吗？

黄仁勋：没错。“能有多难？”我们做的每件事都问一句：“能有多难？”Omniverse 又能有多难？

戴维：不过我感觉你暂时还没打算退休。你本可以说：“天哪，这太难了。”

本：这个诀窍还管用。

戴维：对，这个诀窍还管用。

黄仁勋：我仍然非常享受这件事，也还能贡献一点价值。但创业者的诀窍就是让自己相信事情没那么难，因为它实际上比你想象的难得多。如果现在我把所有经验都带回过去，让自己再走一遍那段旅程，我觉得实在太难了，真的承受不了。

本：有什么支持系统或方法，可以帮助创业者度过创建这样一家公司的情绪创伤吗？

黄仁勋：家人、朋友，以及公司里的同事。我身边有很多一起工作了 30 年的人：Chris 在这里 30 年了，Jeff Fisher 在这里 30 年了，Dwight 也在这里 30 年了；Jonah 和 Brian 在这里 25 年以上，可能更久；Joe Greco 也在这里 30 年。

这些人从未放弃过，而且从未放弃过我。这就是全部。你回家后，家人全心支持你做的事；无论顺境还是逆境，他们都为你和公司感到骄傲。你需要这些，也需要周围人坚定不移的支持。

Jim Gaither、Tench Coxe、Mark Stevens、Harvey Jones，以及公司的早期成员 Bill Miller 等人，从未放弃公司和我们。我相信，几乎每一家成功公司、每一位经历过艰难时期的创业者，身边都有这样的支持系统。

戴维：我知道这种支持对任何公司都很重要，但 NVIDIA 的经历在这方面尤其极端。你们在公开市场上经历过两次，甚至三次跌幅超过 80% 的暴跌；从第一天起就支持你们的投资人，肯定给了你很大支持。

黄仁勋：那种支持确实了不起。你不会希望这些事情发生。大部分并不由你控制，但股价跌 80% 无论怎么看都很不寻常。

我记不太清了，但因为我们决定投入 CUDA、开展那一系列工作，NVIDIA 的市值一度跌到 20 亿或 30 亿美元左右。你必须有非常坚定的信念，真的相信它，也真的非常想实现它。

不然，这一切实在太难熬，因为所有人都在质疑你。员工不一定质疑你，但他们会有疑问。外面的人也在质疑你，这会让人觉得尴尬。

股价下跌时，无论你怎么想都会觉得丢脸。这种感受很难解释。很多事情都没有好的答案。CEO 也是人，公司也是由人组成的；这些挑战确实很难承受。

戴维：本在我们最近一期讲 NVIDIA 当前处境的节目里，有句很贴切的话。你说，对其他公司来说，这种情况可能很危险；但对 NVIDIA 来说……

本：这对你们来说算是家常便饭。你们已经习惯了这么大的起伏。

黄仁勋：关键是始终看清自己面对的市场机会有多大，公司的规模也由此决定。很久以前有人告诉我，NVIDIA 不可能成为一家市值超过 10 亿美元的公司。这显然是低估了机会的规模，也缺乏想象力。的确，芯片公司不可能做到这么大；但如果你不再只是芯片公司，那为什么还要受这条限制？

这就是当今科技最特别的地方。技术只是一种工具，市场规模本来也有限。今天独特的是，我们进入了“智能制造”和“工作制造”领域，也就是 AI。生产性、生成式 AI 所能完成的各种任务，构成了一个极其庞大的市场，规模以万亿美元计。

可以这样想：如果你为汽车造一颗芯片，市场取决于汽车数量和每辆车需要多少芯片。但如果你打造一个系统，随时能辅助驾驶员开车，那么偶尔获得一个自动驾驶司机的价值有多大？

显然，问题和机会的规模都会变大。假设每个有车的人都能随时召唤一位司机，这会形成多大的市场？那显然大得多。

科技行业已经发现——NVIDIA 和其他公司也发现了——只要不把自己局限为芯片公司，而是在芯片上构建 AI 公司，市场机会就会扩大大约一千倍。

如果你提供的产品变得完全不同，别惊讶未来科技公司会变得大得多。公司能有多大，取决于市场机会有多大。

本：没错。黄仁勋，非常感谢你。

戴维：谢谢。

本：戴维，太棒了。

戴维：太有意思了。

本：听众们，我们提醒大家注册邮件列表。除了新节目发布通知，我们还增加了一项内容：节目上线后，我们学到的新信息，包括听众的更正，都会发在邮件里。

我们还会预告下一期节目。如果你想和 Acquired 社群的其他人一起猜题，可以到 acquired.fm/email 注册。

也可以在任何播客播放器里收听 ACQ2。现在 Acquired 主节目变得更长，而且从每隔几周更新一次改成每月更新一次，发布频率少了一些。

戴维：我们一直在提升制作流程，这需要时间。

本：没错。ACQ2 已经成为我们在主节目之外分享更多内容的地方，接下来还有几期非常棒的节目，我们都很期待。

如果你想更深入了解 Acquired 的幕后，可以成为 LP 会员，网址是 acquired.fm/lp。我们大约每隔几个月会和所有 LP 会员开一次 Zoom 会议，分享 Acquired 的内部进展，也让大家更了解我和戴维。每个季度，你还可以帮我们挑选未来的一期节目。网址是 acquired.fm/lp。

欢迎任何人加入 Slack，网址 acquired.fm/slack。天啊，戴维，我们现在的东西真多。

戴维：我知道。我们网站上的汉堡菜单越来越长了。

本：这说明我们开始变成企业了。等着吧，等我们有了超级菜单，也就是菜单套菜单。

戴维：Acquired 能卖什么解决方案？

本：没错。

戴维：我们得想出来。

本：好，听众们，欢迎到 acquired.fm/slack 加入社群、讨论这期节目，也可以去 acquired.fm/store 买大家都在说的周边。下次再见。

戴维：下次再见。