过去一周，两句话在 AI 圈里正面对撞。一句来自前沿实验室联名的博客文章：AI 有 10% 的概率导致文明级灭绝。另一句来自 All-In Podcast 的访谈现场：「这完全是一场骗局」——说这话的是打进电话来的美国总统 Trump，台上应答的黄仁勋说的是「你说得对，我们绝不会让它发生」。
这场 46 分钟的对谈值得改写成一篇长文，因为它交付的不是站队，而是三样可以拿走的东西：一份已被证伪的 AI 预测清单（五条，每条都能自行核对）、一套把「安全问题」翻译成「工程问题」的判断框架，和 Nvidia 从芯片公司变成「AI 银行」的路线图。观点全部出自黄仁勋与 Trump 在节目里的原话，数字也是他们自述的——本文只负责摆清楚谁说的、依据什么。
01 那篇「10% 灭绝概率」的文章，他只认一半
争吵的起点是周末那篇刷屏的博客文章——几家前沿实验室罕见地形成联名立场，主持人开场就把它递到黄仁勋面前。他的回应被切成了两半：一半认，一半不认。
认的那一半是安全与吹哨人。安全至关重要，但安全与领导力、快速创新、快速执行之间「并不是一道非此即彼的选择题」——这是一个虚假对立；对 Anthropic 那位吹哨人，他评价「非常有勇气」，举报行为本身值得肯定，哪怕其中可能混着相互纠缠的问题。
不认的那一半，是文章里对未来的「科学预测」。「这番话出自一位科学家之口，但显然并不基于严谨的科学论证。」他给的台阶是：这些实验室正在从研究阶段转向工程阶段，科研人才和工程人才挤在同一条转型通道里，阵痛可以理解——但转型阵痛和「文明灭绝」，是两个量级的词。
主持人补了一个普通人的困惑：当聪明人把风险量化成「10% 的灭绝概率」，连怎么跟自己妈妈解释都成了难题。黄仁勋的回答很干脆：不该被这类说法困扰，因为它本身就是编造出来的，而捏造它的人受过良好教育、就在实验室里工作——这正是让人不安的地方。
为什么受过最好教育的人会散布末日叙事？他归因于两点：对从未抵达过的前沿的恐惧，和个人生活经验的投射。他自己举的例子是「打字」。他属于软件普及之前的那一代工程师——得先造出计算机，软件才有存在的可能；而这一代工程师从入职第一天起就在「打字」（他说的打字就是写代码）。打字之前，工程领域有大量工作要做；打字之后，同样有大量工作值得做。恐惧，往往只是还没见过「之后」。
02 五个被证伪的预测：总得有人为此负责
这节是全文最可查证的交付物。黄仁勋当场把几年来流传的 AI 预测逐条点名，五类，条条被事实清算：
- 「五年内放射科将被 AI 全面取代。」实际结果相反——全世界对放射科医生的需求比以往任何时候都大。变化确实发生了：AI 已经把扫描阅片做成常态自动化，但那是「医生更多、阅片自动化」，不是「医生消失」。
- 「六到十二个月内，90% 的代码将由 AI 生成。」去年说的，期限已到，没有发生。
- 「六到九个月内，50% 的入门级岗位将被消灭。」同样是去年说的，同样被证伪。
- 「GPT-2 太危险不能发布；Llama 3 太危险不能发布。」两个模型都发布了，世界照常运转。
- 「明年一半的白领工作将消失。」同样是早前放话，所谓「就业大灭绝」，至今没有出现。
他的结论不是嘲讽，是追责：必须为所有这些愚蠢的预测承担责任，总得有人负责。他主张把这一切记录在案——人们确实在记录，并且该提醒所有人：这些预测与美国要赢下 AI 竞赛的目标，本身就是矛盾的。
这份清单的价值不在情绪，在可检验。每一条都有明确的时间边界和可观察的结果，读者现在就能逐条核对，一年后还能再核一遍。比起「10% 灭绝」这种无法证伪的说法，它们至少给了事实纠正的机会——而追踪谁在被纠正，正是判断该信谁的最便宜办法。
03 监管该对准谁：算力在哪，风险就在哪
主持人把 Satya 的观点端了出来：谈监管之前，为什么不先把测量、标准化、工程化做好？在准备好公开之前，先留在内部。黄仁勋接住话头，给出整套框架里最锋利的一条：监管应当解决实际存在的问题，而目前实际出现的问题全部来自前沿实验室。
理由是算力分布。用他的原话说，这是「为他们说句公道话」——前沿实验室拥有最多的算力，又在攻克最难的前沿问题，所以风险集中在他们那里；一个高中生引发问题的可能性极低，因为他根本没有足够的算力，创业公司同理。放眼全球，除了前沿实验室，没有人拥有那种规模的算力。
对已经发生的安全事件（一家实验室的四起、另一家实验室的一起重大事故），他的处方是标准工程动作：先做根因分析——发生了什么、本来可以怎样避免、要把哪些技术方法和流程制度化才能确保不再发生。他敢打赌这些事件都在实验室可控范围内，问题已经被根因修复，更好的沙箱、运行时和持续监控也已经部署。如果哪家实验室真的声称「完全搞不懂发生了什么」，那才应该组织一批有工程师背景的公司派人进去帮忙——但他对此表示怀疑：那里有极为出色的人才，自己就能处理好。
对第三方评估，他举了审计师的例子：审计师不需要在业务上像从业者一样专业，只需要提出正确的问题；而且评估机构要多家并存，就像多家审计机构那样，防止任何一家因为某种原因被蒙蔽或施加不当影响。
04 RSI 拆开看：都是你已经在用的技术
对话里信息密度最高的一段，是把吓人的名词拆回零件。背景由主持人铺开：GLM 模型的开发方宣布投入 30 亿美元做「递归自我改进」（RSI），创始人刚融了 50 亿美元，把「用 AI 训练下一代 AI」、尽可能把整个过程自动化列为优先事项。
黄仁勋的第一反应是：这是个「新近流行起来的时髦说法」。RSI 是一整套成熟思路的组合——上下文学习、技能习得、自我反思、强化学习、合成数据生成；再加上 LoRA 这类低秩自适应技术，可以在不重新训练基座模型的前提下，用合成数据和强化学习直接改进权重，过一段时间再把积累的经验用于新一轮基座训练。「我确信每家企业或多或少都在采用这些方法。」
那它为什么听起来像黑魔法？他的判断是：这个说法被人拿来当作武器，用来渲染一种「技术将失控般发展」的印象。而事实是，你完全可以在公司内部无休止地做 RSI，但发布产品前照样要评估、要重新测试、要确认没有性能回退——这就是最基本的流程控制。实验室从研究走向工程，带来的不是失控而是更强的控制：方法、知识、实践、工具和技术叠加起来，构成更完善的控制、验证与评估机制。
05 开源与闭源：瓶装水逻辑，和四千亿美元
话题转到 Nvidia 收购 Hugging Face——主持人称其意义大到「不愿称之为交易」。黄仁勋借此把开源与闭源讲成了一道供水题。
闭源模型，他比作瓶装水：水本身是免费的——「今天早上我就用了很多免费的市政自来水洗澡」——但人还是在合适的场景选合适的水，这和电力等大宗商品的逻辑并无区别。他自己重度使用闭源模型，那个周末就同时用了四款，「代表了前沿水平」，体验极佳且持续进步。
开源模型的必要性来自另一组需求：主权、隐私、专有技术保护。他给出的关键数字是：过去六个月，4000 亿美元风险投资流入了 AI 原生公司，其中 80% 使用开源模型。如果没有开源模型，这些公司的产品构想根本无法落地，因为它们的方向注定与前沿实验室不同。
由此他回答「美国怎么赢 AI」：靠的不是几家科技公司，而是全体参与者——每一家企业、每一个行业、每一位研究人员、教师、学生和创业者，每个人都是赢家。其中一部分人选闭源，更多人选开源。多元创新路径，才是美国的核心优势。
06 中美竞赛：下载即拥有
那开源模型主要来自中国，要紧吗？黄仁勋的回答是这场访谈里被引用最多的一段。
他先承认现状：当今全球绝大多数开源模型的贡献来自中国，原因很朴素——工程师数量庞大，清华等顶尖高校批量培养理科和数学人才，「这也是我们的短板之一」。他顺带提醒：大家日常下载的 Linux、Kubernetes，很多代码同样出自中国开发者之手。
然后是那句要害：「一旦你下载下来，它就属于你了。」你可以 fork 它、改进它、让它为你所用。模型出自出色的中国研究人员之手，但下载之后，它就是使用者的技术。
这场竞争到底比什么？他拉出历史作答：上一次工业革命的发明者——麦克斯韦、伏特、安培——没有一个美国人，全是欧洲人；但美国把技术利用得最好，比任何国家都善于把它转化为社会效益，「看看结果对我们多么有利」。他希望这一次的工业革命也能如此。
对比之下，他毫不掩饰对美式末日叙事的失望：中国对 AI 的态度务实得多，把它当成推动经济和社会进步的工具，「没有任何一个中国人说 AI 会带来末日式的灾难」。哪怕担忧是真的，也应该把时间花在切实解决问题上，而不是吓唬那些无力改变现状的普通人。「我们的工作是把它做好，不是把它描绘成灾难。」
07 Trump 来电：「这完全是一场骗局」
访谈进行到一半，节目组临时插进一通电话——Trump 打来的。这段插曲后来成了整期节目传播最广的片段，起点却是个生活笑话：几位主持人围着麦克风折腾半天，想让总统的声音外放给全场几千名观众，迟迟没弄成。Trump 在电话里调侃：黄仁勋能造出全世界最复杂、十年来没人能复制的芯片，却搞不定怎么把我切到外放。
玩笑之后火力全开，Trump 的判断与黄仁勋同频：AI 恐慌论「完全是一场骗局」，就像一场阴谋论——最大赢家是中国，以及那些原本拿不到数据中心项目的州。他点名表达不满：Google 因为许可受阻想去芬兰建大型数据中心。他给出的反面论据是：数据中心让人致富、让州致富，是「未来二十到二十五年的石油」，体量比互联网大得多；过去一些濒死的社区因为数据中心成了真正富裕的社区。要确保 AI 竞赛里每一个产业、每一家公司、每一个州、每一个人都赢。
他还讲了段家世：叔叔在 MIT 教了四十一年书，大概是有史以来最顶尖的教授之一、公认最聪明的人之一，「所以我身上多少带点基因优势——如果你相信遗传决定论的话」。结论照样笃定：机器人不会接管世界，AI 也不会；发展要谨慎，但不能一边发展未来十年的产业，一边想着怎么把它毁掉。收尾那句被反复引用：「谁赢得 AI，谁就赢得一切。事情就是这么大，比互联网还大。」他顺手给了组数字：一年来 20 万亿美元投资流入美国，对比上届政府四年不足 1 万亿。
按主持人们的回忆，这通电话并非孤例：总统会不分昼夜地打来；有一次为了白宫的一场晚宴，黄仁勋推迟了休了五年的假期，总统来电时他已睡下，总统还让人把他叫醒，并在电话里逐一询问晚宴的宾客名单。
08 为什么 Nvidia 成了「AI 的银行」
主持人抛出一个观察：把 Nvidia 各业务板块拆开看，为了推动整个生态运转，它实际上不得不成为「AI 的银行」——与 Cloverleaf 合作的土地电力项目，与贝莱德、高盛联手搭建的融资能力，都是在各个层级同时出手。黄仁勋没有回避这个定位，而是把它放进一个更大的叙事：这是一场全新的工业革命，而智能本身需要被「生产」出来。
他的描述既具体又带点科幻感：AI 是和电力、互联网同级的通用技术，让我们接入一种无形的「以太」，向它提出任何问题都能得到解释——但要实现这一切，必须先建成生产智能的完整生产流程，这正是基础设施必须建成的根本原因。而产业远不只是模型和芯片：上面是应用层，下面是数据中心及全部配套——工程建设、电力供应、发电环节，缺一不可。
资本配置策略随之说清了：扫描整个生态系统，逐一排查瓶颈：凡是涌现出卓越企业的地方、凡是出现供给约束的地方，就把相应的供应链能力建设起来，确保部署算力时整条链路已经就绪。上游同理：康宁、Lumentum、台积电和各家内存厂商，都要在增长真正到来之前就协同扩产。「我在长期供应链上花的心思可能比大多数人都多，」他说，「因为我们的成功离不开一整批供应商的支撑。」
09 不与客户竞争：往上做，但停在最低的层级
一个尖锐的问题递了过去：你拥有业内最厚的资产负债表和最顶尖的工程师，抬头看上层那些生意、心里说「这个我大概也能做」的时候，是怎么想的？
黄仁勋先用现状垫了一层：因为这种平台合作关系，Nvidia 如今跑着全球几乎所有的大模型。一年半之前，平台上跑的唯一前沿模型还是 OpenAI 的；现在 Meta 的 Llama 系列开放了、Mistral 可以调用、xAI 的 Grok「表现惊人」、Gemini 在跑、Anthropic 的部署快速扩张，还有一批他「此刻不便具名」的公司在构建自家前沿模型——Inflection、Reflection AI、Physical Intelligence，名单可以一直列下去，而所有这些实验室都建在 Nvidia 平台之上。
策略浓缩成一句话：沿栈尽量向上延伸，但始终保持在尽可能低的层级。理由给得理直气壮：如果当初没有 Nvidia 推出 cuDNN，今天所有的深度学习框架都不复存在；没有 Megatron 和 Megatron Core，大规模训练也不可能成为现实。「作为一家公司，我更愿意助力所有玩家取得成功，而不是从中切走一块蛋糕。」正是这种姿态，用他的话说，让 Nvidia 成为「事实上唯一的选择」。
10 云这一层：乐见五家，扶起成百上千家
主持人追问云这一层的竞争不足：需要的不只是五家十家超大规模云，而是成百上千家。他的回答出人意料：「我这个人竞争意识相当淡薄」，对五家 hyperscaler 并存完全乐见其成。他还点破一个行业细节：新云厂商的早期客户几乎都是超大规模云厂商自己——后者每年只做一次容量规划，跟不上剧烈波动的市场；区域性新云反而敏捷，深谙本州本国的土地、电力和机房资源。于是 Nvidia 有了一张大规模分布式的合作网络，替它落实土地、电力和厂房：澳大利亚的 Firmus 新增两个吉瓦级项目，东南亚的 IOH 带来几个吉瓦的规模，「我们正以吉瓦为单位持续扩张」。越来越多国家把算力视为战略资源、倾向优先供给本国企业，Nvidia 顺势帮各国新云成长。
11 五个方向的前沿模型：只做金牌
主持人观察到 Nvidia 正明显沿栈上探并聚焦开源：Neotron 表现出色（「我自己就经常使用」），Hugging Face、Poolside、Laguna 等团队已通过收购揽入麾下，自动驾驶还有一套开源技术栈。黄仁勋确认：Nvidia 目前是五个领域的前沿模型供应商，并且表示从不做只拿银牌的事，凡事奔着金牌去。
为什么做模型？他的判据只有两条：有能力做，且客户确实需要。两个案例把这条判据讲透了。
自动驾驶的 Alpamaro，他称之为全球首款具备「思考」能力的自动驾驶汽车——所谓思考，是用推理来解决问题：遇到新情况，把它拆解成「这次不完全相同，但大体类似之前的场景，照此处理」，而不必依赖数十亿小时的驾驶里程数据训练。为什么全套技术栈要由 Nvidia 来建？因为未来不只是汽车，农业机械、卡车、厢式货车都会走向自动化，而绝大多数厂商规模太小，建不起完整技术栈——Nvidia 把顶尖的栈做出来，厂商只做各自场景的最后一公里适配，如此一来「一切可移动的物体」都有机会自动驾驶。
生物学同理：ESM2 蛋白质语言模型、ESMFold、OpenFold、AlphaFold 2，再到他特别喜欢的 ProteinComplex——能合成下一代蛋白质，在结合能力研究上堪称突破。「如果不是我们打造了这些模型，这些进展根本不会问世。」驱动来自礼来、默克这些客户的真实需要，而不是为了颠覆谁：「我们每天醒来想的不是去颠覆任何人，是如何帮助所有人。」
12 Elon 的 Terafab，和中国光刻的 2030
被问到 Elon 宣布的 Terafab 超级工厂计划，黄仁勋先给了个私房细节：两人曾在一次私人航班上长谈过这件事，「Elon 喜欢聊这些」。他的公开判断分两层。第一，如果有人能做到，那就是他；而且不要试图劝阻，Elon 一旦决定做某件事就很难被拦住，「这是他的超能力」。第二，Nvidia 的芯片能不能在那座工厂里制造，取决于很多因素；Nvidia 虽然不自建晶圆厂，但推动着几乎所有领域的工艺极限，公司内部还有世界顶尖的内存技术积累——懂行，是肯定的。
更值得记下的是他对中国先进光刻的判断：到 2030 年就能实现自主制造。他提醒听众，2030 近在眼前——相比 Nvidia 需要思考的十年乃至数十年发展周期，两三年不过弹指之间；而大规模量产恰恰是中国的强项，这一天迟早会到来。他甚至补了一句视角切换：从中国自身的视角而言，「他们其实已经处于那个位置了」。
13 超级智能已经到来？先看他怎么定义
访谈收尾，话题回到那个最大的词。黄仁勋的判断分两级：对行业中的大多数人来说，现在「显然就是 AGI 时刻」——AI 在各项能力上至少和任何普通人一样聪明，「甚至可以说我们已经身处其中」；超级智能则是下一个里程碑，从客户群的发展状况和 Nvidia 的历史经验看，「这一点毋庸置疑」。
被直接问到「我们是否已经进入超级智能阶段」时，他给了认同的答案——但用的是窄定义：自动驾驶汽车不需要会煎蛋，只需要把车开好，而在开车这件事上它已经做到人类水平，事故率只有人类的十分之一；蛋白质合成与蛋白质的虚拟筛选，同样已经到了那个水平。
这个定义方式比结论本身更有用。不问「AI 是不是全面超人」，改问「在某件具体的事上，它是不是已经比人好得多」——按这个问法，每个人都能自己列清单核验：哪些任务已经在窄定义下「超级智能」了，哪些还没有。这比争论那个大词的归属权，离决策近得多。
至于身处人类前沿的感受，他的回答带着一贯的轻快：这一切让他乐在其中，未来非常美好，他希望所有人都能和他一起抵达那里，全人类将共同获得巨大的成功。他呼吁为美国加油——「美国必须跑起来，放慢脚步绝对是一种错误的策略」——也希望行业少一些戏剧化的渲染，让整个美国都参与进来。
14 编者按：能拿走什么，边界在哪
如果只带走一个动作：把第二节的五条预测抄进你的笔记，标上核验日期。它们是这场争论里唯一一批可检验的断言——末日概率无法证伪，但这五条可以，而且正在被事实逐条清算。一年后回看这张清单，你会比大多数围观者清楚：下一次该把权重给谁。
三条边界也要说清楚。第一，说话人有位置：黄仁勋是全球最大算力供应商的 CEO，他对 AI 需求的判断、对「放慢脚步是错误策略」的坚持，与其公司利益同向——这不意味着判断是错的，但采信时要把这一层计进去。第二，文中所有数字——营收同比增长 97%、六个月 4000 亿美元风投、80% 使用开源模型、20 万亿美元投资流入、十分之一事故率——都是访谈者的自述，本文未做第三方核实。第三，「骗局」与「证伪」同样是一家之言：他承认安全至关重要、吹哨人值得肯定，分歧在于概率表述与叙事方式；把这套框架当作末日论的「另一极」来对冲着读，比当作定论全盘接收，更接近这场访谈本身的用法。
原作者：黄仁勋（Nvidia 创始人兼 CEO）；本文观点出自其做客 All-In Podcast 的访谈视频（46 分钟），Trump 相关言论出自其访谈中的现场来电。