Jensen Huang: The Mindset That Built NVIDIA
Y Combinator · 2026-07-27
黄仁勋坦白：NVIDIA 创业初选错技术，靠买教材自学才转型成功，如今公司每年 100 亿美元营收来自机器人和自动驾驶。
AI越自动化，人的野心越值钱
黄仁勋是 NVIDIA 创始人兼 CEO。1999 年 NVIDIA 上市时，公司的估值只有 3 亿美元；如今，它的市值已超过一万亿美元。但这场访谈里更有意思的，不是回顾一家巨头怎样赢，而是黄仁勋反复讲了一件更不舒服的事：NVIDIA 早期赖以创业的技术曾被证明“完全错误”，他自己也曾因为答不上投资人的问题而害怕融资。面对 AI 重写软件、组织和职业，他给出的答案不是守住旧技能，而是学会定义系统、重建系统，并把自动化释放出来的能力投向更大的问题。
这期回答了 8 个问题：
- 为什么 AI 自动化了编程和阅片，软件工程师、放射科岗位反而还在增长？
- 一家公司的创始技术被证明“完全错误”后，究竟如何避免直接死亡？
- NVIDIA 的核心判断为什么不是“造更好的芯片”，而是“加速一个算法域”？
- 黄仁勋为什么把生成视频视为机器人即将爆发的信号？
- 当人人都能调用云端模型时，为什么公司还要构建自己的 AI？
- 创始人应该适应组织，还是把组织改造成适合自己驾驶的赛车？
- Agent 真正缺少的关键能力，为什么不是更高的准确率？
- 技术变化快到令人恐惧时，创业者该如何避免被焦虑困住？
被问到智能变得随手可得后，经济和就业会发生什么变化时，黄仁勋先泼了盆冷水：认知任务会被自动化，几乎每一份工作都会改变。但他认为，把这直接翻译成“工作会消失”，把账算得太粗了。软件工程中的“写代码”正在被自动化，可软件工程师岗位数量同比仍增长了 10%。放射科的阅片工作已经大量交给 AI，过去几年放射科岗位却增长约 20%。
原因不在于 AI 阅片不够好，而在于医院原先有大量积压患者。阅片速度提高后，医院能接收更多人；多接收病人，不只需要更多放射科医生，也需要更多护士和配套人员。法律行业也是同一笔账。有人曾预言 Harvey 会消灭法律助理，但法律助理反而增长很快：律所能更快处理积压诉讼，于是可以接更多案子。
"The narrative about AI destroying jobs is exactly backwards."（“AI 摧毁工作岗位”的叙事完全说反了。）
这意味着，AI 先消掉的通常是工作里的一个动作，不是工作所承载的目的。程序员不只是敲代码，医生不只是读片，法律助理不只是整理文书；他们还要判断优先级、处理例外、协调人和资源。自动化让单位产出变高后，真正决定岗位总量的，是组织有没有更大的客户需求、项目储备和目标。边界也很清楚：变化不会均匀，部分任务确实会消失。被替换风险最高的，不是某个职业名称，而是把自己锁死在单一任务上的人和组织。
被问到年轻人最该理解 NVIDIA 早期哪段历史时，黄仁勋没有从 GPU 的胜利讲起，而是讲了一次差点把公司送走的技术失败。NVIDIA 最初的设想，是把原本需要大型超级计算机处理的 3D 图形能力塞进 PC，让每台个人电脑都像游戏机。团队为此设计了新算法，也认真推演过它的可行性。
但到 1995 年，他们发现算法根本行不通。当时已有约 35 到 40 家公司在做 PC 3D 图形，留给 NVIDIA 改错的时间很少。黄仁勋回到公司，直接告诉团队：如果不面对“这不行”的事实，公司就不会存在。更糟的是，大家不仅选错了技术，甚至不知道正确路径是什么。他口袋里只有几百美元，跑去 Fry's 买了三本关于 OpenGL 和 OpenGL pipeline 设计的教材，交给工程师从头学。
"Well, it turns out the algorithm was exactly wrong and the technology that founded the company turned out to be exactly wrong."（“结果证明，算法完全错了，奠定公司基础的技术也完全错了。”）
这意味着，早期公司真正危险的时刻，不是第一次判断错，而是把已有方案当成公司身份，因而不肯承认它错。黄仁勋当时做的不是“优化原方案”，而是先承认团队不知道答案，再重新建立学习入口。教材不是答案本身，却让团队从“坚持错误”切换到“寻找正确问题”。当然，“去学”不等于很快成功。他后来也说，新领域总比想象中难得多。承认无知只能换来重启资格，不能免掉重建的成本。
被追问 NVIDIA 如何从 3D 图形公司走到 AI 核心位置时，黄仁勋把公司的原始判断拆得很清楚：CPU 很有用，但可以用加速器增强它，去处理那些原本难到做不了的问题。3D 图形只是第一个落点，后面还有分子动力学、图像处理、逆物理，以及最终的深度学习。NVIDIA 盯住的不是“显卡”这个货架品类，而是一类可以被更高效计算的方法。
这一区别在 AI 时代尤其关键。AlexNet 出现后，黄仁勋没有只把它看作一个图像识别模型，而是追问：深度学习这个算法到底能学会什么？如果持续扩展，它会改写哪些软件、处理器、中间件和应用？因此 NVIDIA 很早就投入计算机视觉、机器人和自动驾驶。产品会换，芯片架构会换，市场热点也会换；但“识别可被加速的算法问题”是公司一直握住的方向盘。
"it's not about building a great chip, it's about accelerating an algorithm domain."（“关键不在于造一颗伟大的芯片，而在于加速一个算法域。”）
这意味着，硬件、软件和应用不该被当成三条互不相干的业务线。若公司先定义要解锁哪种算法能力，就可以随着技术变化迁移底层实现；若只把自己定义成某种产品制造商，产品范式一换，方向也容易丢。黄仁勋同样承认，正确技术、正确市场和正确时机凑在一起，创业会轻松很多。独特视角不是免死金牌，它只是让公司知道该往哪里持续下注。
被问到实用机器人何时出现、最先在哪产生经济价值时，黄仁勋回忆了一个判断信号：生成式 AI 开始能生成手指运动、手拿起杯子的视频。对他来说，这不只是视频更逼真，而是系统已经开始表示关节如何运动。既然模型能生成这样的运动，机器人执行类似运动的能力就离得不远了。
他认为机器人的“ChatGPT 时刻”其实几年前已发生：机器人已经可以行走，可以用强化学习微调，也能把动作建立在物理规律上。问题从“能不能动”转为“怎样学得可靠”。为此需要真实世界到仿真的数据和环境、基于物理规律与生成式方法的模拟器，再从仿真回到真实部署。NVIDIA 选择自动驾驶作为第一块大规模商业场景，因为它市场够大、技术相对标准化，而且具备直接经济价值。其自动驾驶栈开源后，还能迁移到农业、邮件配送和仓库 AMR，也就是自主移动机器人。
"The chat GPT moment of robots happened a couple years ago already."（“机器人的 ChatGPT 时刻，其实几年前已经发生了。”）
这意味着，物理 AI 不太可能先以“万能人形机器人”落地。更现实的路线是：先在自动驾驶这种环境相对可规范、需求足够大的场景，积累数据、仿真、评估和部署的飞轮，再把导航能力扩散到更多行业。黄仁勋称 NVIDIA 的机器人、自动驾驶和物理 AI 业务规模已接近 100 亿美元，并判断它会在 10 年以内成为下一个千亿美元业务。但他也明确说，这不是两三年就能完成的事；物理世界比网页和代码多出摩擦、重力、损耗与安全责任。
被问到 OpenClaw、Hermes 等开源 Agent 项目，以及个人和公司是否应该掌控自己的 AI 时，黄仁勋把 OpenClaw 看成一种“Linux 时刻”。Linux 的意义不在于人人都要亲自写操作系统，而在于底层能力变成可检查、可修改、可组合的公共底座。看到 OpenClaw 后，NVIDIA 主动联系项目的 Peter，表示“所有 NVIDIA 工程师都是你们的工程师”，愿意按项目需要贡献。
他同时提到 Hermes、LangChain、Deep Agent 等路径，判断如今软件已经足够智能，公司构建领域专属 AI 的门槛正在降低。这里的“自己的 AI”不必等于从零训练一个大模型。更常见的含义是：把模型接入自己的知识、流程、工具和权限系统，让它知道企业的业务语境，也能在可控范围内做事。
"we want to encourage everybody and every company to build their own AIs"（“我们希望鼓励每一个人、每一家公司都构建自己的 AI。”）
这意味着，企业之间的差别不会只在于谁订到了同一款云端模型，而会落在谁把模型嵌进了自己的工作系统。一个通用模型能回答行业常识；一个接入企业产品、客户、流程和内部工具的系统，才可能参与实际运营。开源降低的是进入门槛，不会自动生成差异化，后者仍取决于数据治理、工具连接和流程设计。边界也要说清：黄仁勋并不主张企业抛弃云服务。他同样鼓励使用 ChatGPT、Claude 等产品。云端模型提供通用能力，自有 AI 则负责贴近本地问题，两者可以并存。
被问到怎样建立一种允许 CEO 深入技术细节、按第一性原理思考的组织时，黄仁勋的起点不是管理术语，而是好奇心。身边人的答案不能满足他时，他会自己去找答案；如果发现某个技术领域对公司重要，他就继续学，直到能把判断讲给团队听。他认为 CEO 是服务于公司和员工的人，深入一线不是为了显示自己懂得多，而是为了把重要信息转化成团队能采取行动的理解。
他给组织打了一个很具体的比方：公司像一辆由创始人亲自驾驶去比赛的 F1 赛车。赛车不是为了符合某套标准，而是为了让驾驶者能在高速竞争中控制它。黄仁勋说，自己一直在调整公司、重塑业务流程和工作方式，以便更有效地服务公司。有人问他，等他离开后怎么办？他的回答是，下一任 CEO 再把公司重塑成适合自己的样子。
"You should adapt the car to you."（“你应该让这辆车适配你。”）
这意味着，组织设计的目标不该只是复刻一套看起来专业的层级、会议和汇报机制，而是减少关键决策者理解变化、传递判断、推动行动时的摩擦。技术迭代快时，组织若让信息层层过滤，CEO 很容易只看见滞后的仪表盘。不过，这种模式依赖领导者真的能理解技术和业务，也愿意承担深入现场的成本。它不是一张任何人照抄都有效的管理模板；把赛车调得只适合一个不会驾驶的人，只会开得更危险。
被问到当前 Agent 的下一项关键突破时，黄仁勋没有把答案放在“准确率再高一点”。他观察到，现有 Agent 已经有粗粒度的递归自我改进：每次使用会更新 markdown 文件，更新长期记忆；长期记忆还会被压缩，或转化为知识图谱。也就是说，Agent 已经能积累经验、改变后续行为。
真正的问题在于，人对它的控制仍然太粗。现在常见的方式是输入提示词，然后等待一个大结果；这像只给施工队一句“把房子改好”，却无法指定改哪一扇窗、哪一根管线。黄仁勋期待的是更细颗粒度的协作：如果人只改计划文件中的一个词，系统应只出现特定的增量变化，而不是重新生成整套结果。这个变化可以小到一个像素、一个三角形，也可以是 CAD 文件里的一个组件、一层线路、一个通孔或一条连接。
"I think controllability is probably the single biggest breakthrough that we need for agents at every single level."（“我认为，可控性可能是我们在 Agent 的每一个层面最需要的单一重大突破。”）
这意味着，Agent 是否进入复杂生产流程，不能只看排行榜分数，还要看人能否规定边界、定位改动，并验证局部结果。黄仁勋说，Agent 做到 80%，人可以补完；做到 99%，人仍可以补最后一段。决定协作效率的不是它是否完美，而是剩余 20% 或 1% 是否能被人准确接手。当前 Agent 的短板也正在这里：它会生成、会记忆，但还缺少可靠的细粒度协作接口。
被问到如果能给 18 到 22 岁的自己发一条信息，会说什么时，黄仁勋讲了创业初期的恐惧。NVIDIA 刚成立，他不敢去融资，因为觉得自己答不上投资人的问题。那时没有 YouTube，没有 YC，也没有大量教人创业的内容。他到书店买了一本《如何创办公司》，发现书有 500 页，立刻担心：等读完，公司和钱可能都没了。
他后来意识到，答不上所有问题不是异常，而是常态。世界和技术每天都在变化，任何人都会遇到不知道的事。关键不是预先把所有困难在脑中演练一遍，然后被焦虑按在原地；而是先开始，边做边学。他用“只克服今天”来拆解创业压力：不必一天解决整个人生，甚至不必先解决一整天，先处理这个早晨就够了。
"resilience is probably the single most important thing."（“韧性可能是最重要的一件事。”）
这意味着，技术重置期的优势不主要来自一开始就掌握完整知识，而来自持续接触现实、吸收反馈、再推进一步的能力。把“我要理解整个 AI 时代”拆成“今天我该验证哪个客户问题”，行动就能发生在信心之前。黄仁勋没有把困难说轻：他反复承认，现实总比想象中难得多。“How hard can it be?”不是对代价的否认，而是一种不让代价在行动前就吞掉自己的启动方式。
“AI消灭的是任务，反而会放大岗位与野心”和“Agent缺的不是更高分，而是可被精确干预”，其实指向同一件事：自动化不会自动替人决定要做什么。它只是降低执行的摩擦。任务做得更快以后，组织要不要接更多病人、处理更多案件、开发更多产品，仍然是人的选择；Agent 能不能进入真实流程，也取决于人能否给它边界、接口和责任分工。
同样，“芯片不是终局，定义算法域才是公司的方向盘”与“组织不必标准化，应该被调成创始人能驾驭的赛车”，讲的都是系统能力。前者要求公司从产品表面看到更底层的问题；后者要求组织把这种判断快速传到行动里。技术会持续换代，固定技能会被拆分、自动化甚至贬值，但理解系统、直面错误、重新学习和把资源投向更大问题的能力不会自动出现。
对读者来说，眼下不必急着证明自己能比 AI 做得更快。更实际的问题是：你所在的工作里，哪些任务正在被拿走？这些任务腾出的时间，能否被你用来接近客户、定义更难的问题，或搭出一个更可控的系统？AI 让执行变便宜后，稀缺的会是敢于把目标抬高，并愿意为那个目标重新学习的人。
