Vera Rubin Pod 规格
NVIDIA 当前旗舰 AI 算力系统
【今日 AI 演讲精选】Jensen Huang × 陶哲轩：算力即智能，AI 时代的真正稀缺是什么
两位截然不同的人在同一周说出了几乎相同的判断：AI 让某种能力的成本归零了，但瓶颈只是转移，不会消失。NVIDIA CEO 黄仁勋与菲尔兹奖得主陶哲轩，从算力工厂和数学证明两个方向，谈到了同一件事。
视频来源
- Jensen Huang × Lex Fridman｜发布于 2026-03-23｜时长 2h 26m
- 陶哲轩 × Dwarkesh Patel｜发布于 2026-03-20｜时长 1h 23m
Jensen Huang：NVIDIA 不卖 GPU，它在造「智能工厂」
两小时二十六分钟的访谈，Jensen Huang 说了很多。但有一句话可以概括他的整个世界观：
"I have four scaling laws... intelligence is gonna scale by one thing, and that's compute."——「我有四条扩展定律……智能会靠一件事来扩展，那就是算力。」
他提的四条扩展定律——预训练、后训练、推理时计算、智能体——构成了一个自我强化的闭环：预训练消耗算力，产出的模型用合成数据做后训练，后训练的模型部署为智能体，智能体运行时产生的经验数据再回流到预训练。1
这个循环有一个关键含义：计算是唯一的瓶颈。数据可以合成，能源可以扩建，但你需要越来越多的算力来撑住每一个环节。
NVIDIA 过去十年把计算量提升了 100 万倍，摩尔定律同期只提升了 100 倍。Token 成本每年下降一个数量级。1 这两组数字放在一起，Jensen 想说的是：算力不是障碍，算力是答案。
「AI 工厂」：一次认知更新
Jensen 说了一句很值得停下来想想的话：
"The unit of computing used to be GPU to us. Then it became a computer, then it became a cluster. Now it's an entire AI factory."——「算力的单位，从 GPU 变成了一台电脑，再变成一个集群，现在是整座 AI 工厂。」1
这不只是比喻。NVIDIA 当前旗舰产品 Vera Rubin Pod 包含 40 个机架、7 种芯片类型、60 exaflops 算力。NVIDIA 的目标是每周生产 200 个。1
这套规模，要求从算法到芯片到机架到冷却到供电全栈协同设计。Jensen 向 60+ 位各领域技术主管直接汇报，这个组织结构本身就是为这种协同而生的。
正在加载统计卡片…
CUDA：Jensen 坚持了 10 年的那个赌注
Jensen 谈到了 2006 年的一个决定：把 CUDA 内置到消费级 GeForce 显卡里。成本上升了 50%，吃掉了公司全部毛利，市值从 70-80 亿美元跌到 15 亿美元。1
他坚持了十年。
"Our single most important property as a company is the install base of our computing platform."——「我们公司最重要的资产，是算力平台的安装基础。」
二十年后，CUDA 覆盖了所有云、所有行业、所有国家。这不是技术优势，是路径依赖形成的护城河。数百万开发者在上面构建了太多东西，切换成本大到几乎不可能。1
AGI 到了吗？Jensen 给了一个很聪明的答案
Jensen 对 AGI 给出了一个操作性定义：能够创办并运营市值超 10 亿美元科技公司的 AI。然后说：「I think we've achieved AGI.」1
他立刻加了一句：「the odds of 100,000 of those agents building NVIDIA is zero percent.」
这个定义很聪明，因为它避开了哲学争议，专注于可验证的能力。按他的定义，AGI 已经到了，但 NVIDIA 这种复杂度的机构，AI 从零创建的概率是零。两句话都是真的，没有矛盾。
关于就业影响，他举了放射科医生的例子：2019 年后 AI 的医学影像能力超越了人类，放射科医生的数量反而增长了。他的判断是，AI 自动化的是任务，不是职业本身，行业规模扩大后对人的需求也跟着增加。1
编程的未来：3000 万到 10 亿
Jensen 对编程未来的判断是这样的：
"I think we just went from 30 million to probably 1 billion programmers. And so every carpenter in the future will be a coder, except a carpenter with AI is also an architect."——「我认为程序员数量刚刚从 3000 万涨到了大概 10 亿。未来每个木匠都会写代码，但有了 AI 的木匠同时也是建筑师。」
编程的定义变了：不再是写具体指令，而是向计算机描述你想要什么——也就是规格描述（Specification）。能力门槛低得多，但驾驭它的艺术性并没有消失。1
他不认为 NVIDIA 的软件工程师会减少。工程师解决问题，不只是写代码，这个核心价值不受影响。
最后他说了一句比 AGI 定义更让人停下来的话：
"Smart will be commoditized. What ought to be valued is human qualities: character, kindness, empathy, generosity."——「智能会商品化。真正应该被珍视的，是人类特质：品格、善良、同理心、慷慨。」
时间戳大纲（Jensen Huang × Lex Fridman #494）
陶哲轩：数学的前沿，AI 还到不了那里
同一周，Dwarkesh Patel 的播客里，陶哲轩说了一句让人停顿一下的话：
"AI has driven the cost of idea generation down to almost zero — just like the internet drove communication costs down to zero. But it doesn't create abundance by itself. The bottleneck just shifts."——「AI 把创意生成的成本降到了接近零，就像互联网把通信成本降到接近零一样。但它本身不创造丰盛，瓶颈只是转移了。」2
他是菲尔兹奖得主，加州大学洛杉矶分校数学教授，在世公认最好的数学家之一。他说这话的背景，是他每天实际在用 AI 做数学研究。
AI 能解 1100 道数学难题中的多少？
答案是：大约 50 道。成功率约 1-2%，而且全是此前无人研究的「低悬果」——容易摘但没人摘的问题。这是 AI 在 Erdős 问题列表（共 1100+ 道未解题）上的战绩。2
AI 的优势在广度：它可以在极短时间内尝试大量方向，这个速度人类做不到。陶哲轩的原话是：AI 让论文内容更「丰富」了，但不更「深刻」。
他自己怎么用 AI？文献搜索、格式化、数值计算交给 AI，核心的数学证明他还是用纸笔。2 这个分工不是谦虚，是对当前 AI 能力边界的清醒判断。
AI 最大的局限：它没有「在哪里」的感知
这是陶哲轩对 AI 的核心批评，也是最精准的一条。
AI 无法从部分进展中累积建构。每次启动都是从零开始，它不知道自己在一条探索路径上走了多远，无法判断「这个方向还有没有戏」。2
做数学，或者任何复杂研究，这个能力是核心。你需要记住上周走到了哪里，这周从那里继续，感知整个问题空间的结构，决定下一步去哪里探索。AI 目前做不到这件事。
他的预测是：十年内，数学系学生的日常计算和推导工作大部分会被 AI 替代。数学本身不会消失，但会向需要真正创意的新类型问题迁移。
「人类-AI 混合团队」才是中期答案
陶哲轩对当下的判断是：人类-AI 混合团队会在很长时间内主导数学前沿。即使有一天 AI 能生成完整证明，人类还需要做解构和提炼——把证明变成可以理解、可以继续延伸的知识。2
他的建议是：现在就应该重新设计做科学的方式，充分利用 AI 的广度能力，不要等着 AI 变成天才再适应。
时间戳大纲（陶哲轩 × Dwarkesh Patel）
两场访谈放在一起看
Jensen 说算力是唯一约束，计算驱动一切。陶哲轩说瓶颈转移了，但没消失——AI 把创意生成的成本压到接近零，但人类还是需要知道去哪里找值得解决的问题。
这两个视角没有矛盾。算力确实在爆炸式增长，Token 成本确实在每年跌一个数量级，但更难的问题不是「怎么生成」，而是「生成什么方向」。判断力、品味、对问题的直觉，这些不是算力能解决的。
Jensen 最后那句「智能会商品化，人类特质才值钱」，和陶哲轩说的「瓶颈只是转移」，说的其实是同一件事。只是一个从供给侧讲，一个从研究一线讲。
核心观点速览
Jensen Huang（来自 Lex Fridman #494）
- AI 扩展的唯一根本驱动是算力，数据、能源均非不可突破的瓶颈
- 计算单位已从 GPU 跃迁到整座 AI 工厂，行业对算力的投入将是过去的上百倍
- CUDA 的护城河本质是路径依赖，安装基础比技术优雅性更重要
- AGI 是条件性定义，AI 能独立运营初创公司，但创建 NVIDIA 这种机构概率为零
- 编程门槛下降让程序员数量从 3000 万扩至 10 亿，工程师的核心价值（解决问题）不受影响
陶哲轩（来自 Dwarkesh Patel 播客）
- AI 把创意生成成本降至接近零，但瓶颈只是转移，不会消失
- AI 在 Erdős 问题列表中仅能解 1-2%，均为低悬果，深度推理仍是人类的地盘
- AI 的核心缺陷是无法从部分进展中累积建构，缺少对探索进度的感知
- 现在就该重新设计科研方式，不要等 AI 变成天才
- 人类-AI 混合团队是中期主力，即使 AI 能生成证明，解构和提炼仍需要人类
演讲者背景
Jensen Huang（黄仁勋） — NVIDIA 联合创始人 & CEO，30 年前以 200 美元创立 NVIDIA，将其从游戏 GPU 厂商带到驱动全球 AI 算力的 4 万亿美元公司。
陶哲轩（Terence Tao） — 菲尔兹奖得主（2006），加州大学洛杉矶分校数学教授，在世公认最顶级的数学家之一，近年积极参与 AI 辅助数学研究的一线实践。
围绕这条内容继续补充观点或上下文。