英伟达的编年史与城墙 | 苔藓花园

小苔花注：黄仁勋的求学、打工与创业经历，串起英伟达从显卡公司走向人工智能基础设施的过程。讨论回顾NV1受挫、RIVA 128突围、GPU与CUDA的发展，以及深度学习兴起、数据中心互联和Mellanox收购如何改变公司的商业模式。在这些历史节点之后，四位参与者围绕客户锁定、技术优势、规模经济与网络效应分析英伟达的城墙，并讨论AMD、华为昇腾、尺度定律和反垄断等潜在变化。最后回到二阶思维、对知识诚实、逆向思维与第一性原理，思考企业家的选择如何转化为研究与生活中的方法。

投资本身是一个动态的过程，新事物不断涌现，老事物不断变化，好的可以变差，差的也可以变好。

目录

我有充足的时间 ——《英伟达的编年史和城墙》自序

王韦华 · 自序原刊于2026年6月30日

这是一篇专为微信读书电子书出品而写的约稿。本文讲述了我们做播客的缘起，苔藓花园播客的完整制作流程，本书与其他关于英伟达商业史书籍的不同以及我们期待读者能带走的收获。

缘起

有一年夏天，黄仁勋在日本京都参观银阁寺。这座寺庙因为拥有一座精致的苔藓花园而闻名。花园的面积很大，汇集了世界上几乎所有种类的苔藓。

夏日的空气潮湿闷热，黄仁勋漫步在这座精心打理的苔藓花园，注意到角落里有一位独自忙碌的园丁。园丁蹲在地上，用一把竹镊子小心翼翼地夹取苔藓，放进竹篮中。竹镊子又细又小，竹篮里还很空，他的工作看起来似乎漫长而艰巨。

黄仁勋十分好奇，走上前问：“你在做什么？”

园丁回答：“我在采摘枯苔藓，打理我的花园。”

黄仁勋又问：“可你的花园这么大，什么时候才能打理完？”

园丁笑着说：“我已经照顾这座花园25年了，而且我有充足的时间。”

黄仁勋被这句话深深震撼了，他说：“这是我一生中最深刻的教训之一。这位园丁专注于自己的手艺，将其视为一生的事业。当你也真正这样投入时，就会拥有充足的时间。”

这个故事同样也给我带来了巨大的改变。

我也不记得自己从什么时候起，每天都变得特别忙，总有干不完的活、看不完的书、应付不完的社交，工作如是、家里亦如是，上有老、下有小，虽然家庭和睦幸福，但总是一大堆琐碎的事堆着要处理。

2024年6月，听完黄仁勋在加州理工毕业典礼上讲的这个故事，我的生活也开始变化。我放慢了脚步，开始认知到：“时间才是唯一的货币。”我要把时间的货币都消费在我真正热爱的事和真正喜欢的人之上，除此之外，似乎都没那么重要。

但什么才是我真正的热爱呢？我拿出一张纸，在上面写下曾经让我快乐的珍珠时刻，最后我把它们总结成简单的三条：对知识的好奇心、和有趣的人交流以及对真理的追求。于是，我重新安排了自己的时间：

第一：我想要一个符合自己价值观的精神家园，在这里，我可以找到有趣的人深度交流。我把这个精神家园叫做苔藓花园。

第二：我需要有一份充分满足我好奇心的工作，并且最好可以不为了生存而出卖自己的时间。

这两点想明白后，接下来的事情就简单多了。我用自己的好奇心驱动着工作，慢慢享受研究的快乐，然后把研究成果包装成有意思的内容，通过播客这种媒介传播出去，吸引有同样价值观或者爱好的小伙伴过来，一起建设精神家园——苔藓花园，结果园丁们越来越多，复利的力量每天都在成长。

形成

我的本职工作是投资。在我的投资方法论里面，研究一家公司，需要对创始人的来龙去脉以及这家公司的发展历程追根问底，最好查个底朝天。

所以在研究英伟达的过程中，我努力穷尽了网络上能找到的所有的一手资料，然后争取翻开每一页。这些资料主要包括黄仁勋的致股东信、演讲、采访、播客，英伟达公司的年报、GTC资料、官媒等一手信息。当然，除此之外，一些其他媒体或者个人整理的比较好的信息、书籍等二手信息，我也会适当参考。

大约经过了几百个小时的学习和研究之后，我总结出5小时左右的演讲。然后我会正式录制播客前，对身边的朋友进行2次以上的试讲。我会把他们听不明白的地方记录下来，争取下次以简单易懂方式讲出来。

比如：第一次试讲的时候，我发现大家只要听到神经网络、深度学习、张量这类词就迷糊了。我后来又花了不少时间思考，突然灵感袭来，想到利用“AI之神”伊利亚成长的视角来帮大家理清楚一个一个人工智能的基本概念。这一段也是我比较喜欢的地方。

又比如：我把我自己做科研的经历和AI发展的历史融合在一块，也会让大家觉得更生动、记得很清晰。这也是我自豪的点。

诗经里面说“有匪君子，如切如磋，如琢如磨。”我想，我琢磨本书稿的时候，就是这种感觉吧，希望多年之后，我也算得上君子，就和苔藓花园里面的老园丁一样。

不同

这本书的本质是想为做投资的人和做企业的人服务，所以除了编年史之外，还有两块内容应该是我们独有的。

一块叫做城墙和破壁人，在这一章节，我们从英伟达发展的过程中，提炼出它能够取得更高市占率和更高利润率的核心原因是什么？我们把这些原因形象化地称之为“城墙”。尽管英伟达的城墙又高又厚又长，我们还是会绞尽脑汁，想着怎么可以破壁？

有意思的是，当时一些觉得异想天开的破壁方案，在一年之后，居然真有现实的可能了。比如，我们提到TPU也许会抢占GPU的市场，如今世界上最前沿的大模型Claude，就是主要跑在TPU上。

另一块与众不同的地方叫做创始人的思维模型。我们根据黄仁勋从小到大思考问题和解决问题的方式，来抽取他的思维模型。并且希望把他的思维模型，用在我们实际的工作与生活中。

在英伟达第一款产品NV1完全失败之后，黄仁勋先是秉持对知识的诚实（Intellectual Honesty），及时刹车、纠正错误；再从第一性原理（First Principles Thinking）出发，重新设计产品与战略战术。最后取得了成功。

黄仁勋在2006年开始花费巨资投入CUDA，不管是华尔街还是公司内部，都有太多的反对声音。但是黄仁勋告诉自己，“我有充足的时间（I have plenty of time）。” 2012年，AlexNet初现锋芒，2022年，ChatGPT横空出世，CUDA强大的价值才真正爆发出来。

而今天这么多强大的大模型，是CUDA生态、Mellanox交换机、NVLink技术、人工神经网络技术等多学科多因素合奏的结果。 查理·芒格把这种效应叫做“Lollapalooza效应”。

这四个模型对我影响很大。它们实实在在的帮助我解决了很多工作和生活上的问题。我把它们作为苔藓花园的“四大思维模型”。

如果看完本书，您希望我能让你记住点什么，我希望是这四个思维模型：对知识诚实、第一性原理、我有充足的时间、Lollapalooza效应。

微信读书

开场白

春秋

欢迎大家来到苔藓花园，我是主持人春秋。今天和3位嘉宾一起录节目，要深度研究的公司是英伟达。我们请嘉宾作自我介绍。

韦华

我是苔藓花园的主播王韦华。我毕业于中国科学院大学人工智能专业，也算是AI领域科班出身。现在是一家私募基金的基金经理。

阿飞

我是苔藓花园的主播阿飞，毕业于清华大学物理系，现在也是一名基金经理。

田喵

我是苔藓花园的主播田喵，毕业于加州大学圣地亚哥分校，我的专业是数学和生物化学。同时我也是一个硬核的游戏玩家，现在是一名投资人。

春秋

大家的学术背景和工作履历都非常适配本期节目。我们的目标是让即使之前完全不了解芯片行业的听友，也可以轻松愉悦地听完我们的讨论。

第一章 恰同学少年：人生三次重大突破

韦华

我们要讨论的是英伟达的编年史和城墙。通过研究英伟达，了解这家卓越公司的商业模式到底优秀在哪里。同时，通过研究英伟达的创始人黄仁勋，以及他在每个关键时点制定的战略，来判断他的思维模型到底是怎么一回事。

故事要从一个非常重要的日子开始。1963年2月17日，一个小男孩出生在中国台湾。

这个小男孩就是我们的主角黄仁勋。他的爸爸是一个空调公司的化学工程师，他的妈妈是一位小学老师。在黄仁勋4岁的时候，他爸爸有一次去美国出差，一落地就被美国的发达深深地震撼了，于是决定将来一定要把孩子送到美国去读书。田喵，你家是不是也是这个情况？

田喵

我是三年级的时候去的美国，大概是二零零几年。我去了旧金山，也去了加州硅谷。那时候北京还没有现在这么发达，所以确实感到很震撼。当时我就想长大一定要去美国读大学。当然最近几年可能北京更热闹一些。

韦华

黄仁勋的妈妈听到丈夫这个决定之后，做出了一个很不寻常的决定，她决定亲自教两个孩子英语。虽然黄妈妈自己那时候一句英语都不懂，但是毕竟是老师，怎么教呢？她每天从字典里面抄10个单词，然后教会孩子，就用这种方法坚持下来了。

黄仁勋5岁的时候，他爸爸在泰国的一个炼油厂找到了新工作。所以他们全家又搬到了泰国生活。小黄仁勋很调皮。有一次，他路过一个游泳池，游泳池旁边有一大桶汽油，他就把汽油倒进游泳池，因为汽油比水轻，所以汽油会浮在水面上。接着他又扔了一团火进去，整个泳池就燃烧起来了。不仅如此，他又把全身的衣服一脱，跳进了游泳池里，潜到水底下，从下往上看。他说：Wow, it's so beautiful。

田喵

哈哈哈，老黄小时候是真的皮。

韦华

我们可以看到他在那么小的时候，看世界的角度就跟我们不太一样了。

可能因为他特别调皮，也可能因为当时泰国政治比较动荡，所以在他10岁的时候，爸爸妈妈倾尽所有，砸锅卖铁把两个孩子送到了美国的舅舅家。舅舅知道孩子不能不读书，着急地找遍了美国，终于找到一所学费可承担且接收外国儿童的国际学校。那所学校叫奥莱达浸信会学院（Oneida Baptist Institute），简称OBI。

春秋

听起来是一个很正经的好学校。

田喵

听着是教会学校，应该很棒。

韦华

就是这个名字欺骗了黄仁勋的亲戚。实际上这是一所问题儿童改造学校。像其他故事的主人公一样—比如伊隆·马斯克（Elon Musk）小学时，比如李飞飞在美国中学时—到了新学校总得先受一段时间的欺凌。黄仁勋刚入学时李小龙的电影正在美国疯狂上映，他为了保护自己，精明地学着摆出李小龙的姿势，说我会中国功夫。然而几次之后，美国的孩子发现这小子是个花架子，黔驴技穷了，所以把他狠揍了一顿。

这样的生活中过了几个月，黄仁勋遇到了一个比他年龄大一倍的室友。这哥们将近17岁了，也是个问题少年，全身都是纹身，身上有7处刀疤，还没完全好。黄仁勋开始跟这个大哥交流起来，他说我数学很好，能不能教你数学？

春秋

浑身刀疤的大哥，也得交数学作业。

韦华

那哥们回说我举重很厉害，我教你举重。所以这两个背景完全不一样的人，居然成为了非常好的朋友。有了大哥的照顾，黄仁勋没有再受过欺负，以至于他回味这段经历时，觉得在OBI的求学生涯是人生中非常愉快的一段时光。

因为是全校年龄最小的男生，所以他被要求负责打扫全校的厕所。多年之后，黄仁勋在采访中说：“我是所有CEO里扫厕所扫得最多的那个。”

阿飞，你是不是也有过扫公共厕所的经历？

阿飞

是的。我觉得扫厕所是生活中的小事情，毕竟每个人家里都有厕所。黄仁勋扫厕所时还很小，我小时候没有被迫做过这种活，是长大以后才志愿去做的。扫厕所时人就不会去想别的事情了，没有别的烦恼，这种体验很好。

韦华

就是说你扫厕所的时候进入了一种心流的状态。

田喵

你是我认识的第一个扫厕所能扫出心流的人。

韦华

我是很难忍受，尤其是我们80后，小时候的厕所环境实在是不堪入目。但不管怎么样，黄仁勋认为在OBI的这段经历让他受益匪浅。后来他还为OBI做过一场远程的毕业典礼演讲，说OBI求学是他人生中三大突破的第一大。

从这段经历中他还总结了3条重要的人生原则。

第一条是“I don't get scared very often”，我几乎不会害怕。

第二条是“I don't worry about going places I haven't gone before”，我不担心走我没有走过的路。这条印证了他之后的创业之路。

第三条是“I can tolerate a lot of discomfort”，我能忍受相当大的折磨。

这么小的一个孩子，其实已经具备了超越同龄人非常多的强大心理，并且这3条原则一直指引着他，帮助他在创业道路上披荆斩棘。

春秋

忍人所不忍，为人所不能为。这个年纪就有这个想法，真的挺不容易。

韦华

也许他天生就和别人不太一样。伊隆·马斯克也曾遭受欺凌，郁闷的他选择打回去，鼻子却受了伤，至今还受鼻伤影响。而且他在学校挨完打，回到家还会被父亲责骂。但黄仁勋的表现，似乎截然不同。

田喵

老黄和苏妈（苏姿丰），都是那种战斗者类型的人。老黄喜欢撸铁，苏妈每天早上会去打拳击，两人都是竞争意识极强的战斗型人格。

韦华

如今他们堪称棋逢对手，更有意思的是，两人还是远房亲戚。

再说回老黄，1976年，他13岁时，父母终于攒够了钱，全家得以在美国团聚。那时黄仁勋已经有了英文名，叫Jensen，他和哥哥一起转入俄勒冈州的阿罗哈高中就读。

高中期间，黄仁勋发现学校附近有一家乒乓球俱乐部，名叫“乒乓皇宫”。俱乐部教练的女儿曾跟随尼克松总统访华，参与过乒乓外交。可见这不是一家随意组建的普通俱乐部，而是一家正规俱乐部。

田喵

一家技能水平很高的俱乐部。

韦华

黄仁勋在乒乓俱乐部很快展现出极强的天赋，他做事情向来极度痴迷。只要有时间，比如暑假，他会从早到晚待在俱乐部里，几乎不离开。俱乐部关门后，他还会帮忙打扫卫生、做杂活，以此减免部分学费。

春秋

算是勤工“捡球”了。

韦华

他的球技因此进步神速，14岁时就已能代表俱乐部前往拉斯维加斯参加全国比赛。

俄勒冈是个乡下地方，这是黄仁勋第一次离开乡下来到拉斯维加斯，完全被当地的灯红酒绿迷花了眼。

田喵

纸醉金迷的感觉。

韦华

你去过拉斯维加斯吗？

田喵

我去过，但没什么特别的感觉，就觉得拉斯维加斯是一座普通的旅游城市，各种风格拼接在一起，拥挤又繁华。

韦华

黄仁勋去的时候还未成年，没能进入赌场，只能在街上闲逛。他说自己沿着大街一路走，看着眼前的高楼大厦，内心的震撼让他一夜未眠。

第二天的比赛，他没能取得好成绩。他将这次失败视作人生中的一个教训。然而仅仅一年后，15岁的他就代表美国参加了在美国举办的全球青少年公开赛。在这场全球性赛事中，他最终拿到了第三名。

从乒乓球的故事里，我们能感受到黄仁勋不仅极具天赋，做事还极度痴迷，而且好胜心极强。

春秋

他玩游戏也是为了赢。

韦华

我突然想到一件事，几十年后黄仁勋创立英伟达，公司发展得十分强大，员工中不乏高智商工程师，其中一位还是国际象棋大师。黄仁勋为了赢他，每天都背棋谱，却发现无论怎么努力都无法取胜。

于是黄仁勋对那位工程师说：“我们不如打乒乓球吧。”在乒乓球上，他几乎完胜对方，所以后来他对外称自己战胜了这位象棋大师。

从这个故事也能看出，黄仁勋的好胜心极强。他曾说过：“我只要赢，第二名就是第一个失败者！”

大概在高二下学期，哥哥给黄仁勋介绍了他人生的第一份工作—在戴尼斯餐厅（Denny's）打工。田喵，你在美国的时候去过这家餐厅吗？

田喵

我只在路边见过，看起来是家温馨的家庭餐厅，主打早餐。我平时睡得沉、起得晚，所以从没去过。

韦华

黄仁勋在餐厅是从洗碗工做起的，但他和别人不一样，他“要做最优秀的洗碗工，做戴尼斯前无古人后无来者的顶尖洗碗工”。他洗碗又快又好。

春秋

《英伟达之芯》（Thinking Machine）里写过这段，再加上他之前扫厕所的经历，他简直就是台“清洗机器”（washing machine）嘛。

韦华

凭借“清洗机器”般的出色表现，他成功从洗碗工晋升为杂工。

春秋

这都能做到最好。

韦华

就算是端盘子，他也会琢磨“怎么能一次多送几杯咖啡，回来时多拿几个盘子”，这就是他的思维方式，和普通人确实不太一样。说到这里，我想起《郭鹤年自传》里，郭鹤年的母亲也曾对他说：你只要出去就得干点活，不要浪费你的每一次起身。这或许是一种传统的东方智慧。

做杂工期间，黄仁勋同样表现得十分优秀，于是又得到晋升，成为餐厅的前台服务员。

田喵

这下就能拿小费了。

韦华

快餐店也需要给小费吗？

田喵

都要给的。你看，这下老黄的发挥空间又来了—他要做最优秀的服务员，拿到最多的小费。

韦华

黄仁勋发现自己其实是个害羞的人。做服务员最大的收获，就是逼迫自己主动与人交流。后来他变得敢于和人沟通了，但内心的害羞其实一直都在。而且他还想锻炼一种能力—说服力。

为此他做了一件事：每当客户要点奶昔时，他都会尝试说服对方换成可乐。为什么要这么做？因为制作奶昔又麻烦又费时间，还容易弄脏手。如果能劝客户换可乐，不仅能提高工作效率，还能锻炼自己的说服力。而这种说服力，在英伟达每次遭遇危机时，都起到了至关重要的作用。

田喵

这确实是项非常重要的能力。

韦华

我一直很好奇他是怎么说服别人的。阿飞，如果你要点奶昔，我怎么说才能让你换成可乐？

阿飞

跟客户讲利益，比如告诉他们喝奶昔对身体不好。

田喵

哈哈，跟美国人说喝奶昔不健康，可乐有益身体，真的有说服力吗？

韦华

你可以去实践一下，要是真能成功，我们就信你。

春秋

吓得我赶紧喝了一口可乐。其实更难的是“江山易改，本性难移”这一点。一个性格偏内向的移民，不仅英语不是母语，还存在身份差异，光是主动开口和人搭话就已经很不容易了，更何况还要达成说服的目标，这是极大的挑战。

韦华

所以我觉得内向可能是黄仁勋自谦，他其实未必那么内向。

春秋

对，我觉得真正有领导力的人，不可能是极度内向的。

韦华

高中时期，黄仁勋不仅服务员做得好，学习成绩也十分顶尖。高中毕业时，他说自己的成绩足以申请所有的常青藤大学，但因为好朋友选择了离家较近的俄勒冈州立大学，他也决定报考这所学校。

我觉得这真不是一般人能做的决定。这让我想到了马化腾和张志东—他们当年的高考成绩足以考上清华、北大，却没有选择北上，因为觉得北京不适合自己，最终留在了深圳，就读于深圳大学计算机系。

一个人明明有实力进入众人眼中的顶尖名校，却放弃了这条常规路径，选择符合自己价值观的学校，这样的人很罕见，值得我们关注。

春秋

说到这一点，张一鸣和刘强东也有类似的经历。

田喵

我觉得还有一个原因，当时如果常春藤大学不给奖学金，学费对他的家庭来说可能确实难以承受。

韦华

有一定道理。俄勒冈州立大学是公立学校，学费相对较低。

田喵

低很多，而且他在当地还能找到更多工作机会，补贴家用。

另外还有一点很重要，俄勒冈州立大学当时有个计算机俱乐部，对他很有吸引力。他从小就痴迷编程，想尽各种办法写代码、开发游戏。比如他喜欢在苹果Ⅱ电脑上编程，甚至会在打字机终端上编写小游戏，让大家一起玩。

韦华

他那时候就已经开始靠编程赚钱了吗？就像马斯克那样？

田喵

没有，他更多是出于兴趣。当时他很喜欢打游戏，但生活比较拮据。

如果一个人喜欢打游戏，却没钱去街机厅，家里也没有电脑，那他的游戏技术往往会特别强。因为他可能只有一个游戏币，却想玩一下午，就必须做到一命通关，永远不能输。

韦华

说到这儿我插一句，马斯克当年遇到同样的问题，你们知道他是怎么解决的吗？

田喵

他应该是自己写游戏玩，或者把编的程序卖出去吧？

韦华

不是的。他研究了投币机的原理，然后自己做了一枚可以投进去又取出来的币，这样就能一直玩了。

春秋

这也算是另一种思路的技术突破。

韦华

回到俄勒冈州立大学，在我们看来它可能很普通，但在黄仁勋眼里，这是一所非常好的学校，他特别喜欢这里。他说自己在大学里有几个重要收获。

第一个收获来自他的专业选择—电子工程（Electronic Engineering）。因为当时这所学校还没有计算机科学（Computer Science）专业，所以他选了电子工程。

在基础课程学习中，有一位叫阿莫特（Amort）的教授对他影响很大。这位教授讲课提到数字时，总喜欢取整处理。黄仁勋作为工科生，觉得老师这样做不精确，很不适应。后来阿莫特教授告诉他：“你应该把注意力放在大方向上，不用纠结于小数点后几位。因为你的注意力才是最宝贵的。”这是不是和多年后AI模型里的注意力机制很像？从那以后，黄仁勋就意识到，要把自己大脑的“算力”集中在更重要的事情上，忽略那些类似小数点后几位的细节。

后来他在英伟达时，经常用这种方式和下属沟通，下属们还给这种方式起了个名字，叫“CEO数学”。黄仁勋一直觉得，这是教授给过他的最好建议。

春秋

那他后来推行的“每周最重要的5件事”，是不是也和这个理念一脉相承？

韦华

黄仁勋做事向来如此，只选最优选项，只关注最重要的部分和大方向。这也是他做事风格形成的起点。

之前我们提到，黄仁勋创立英伟达之前，人生有三大突破。OBI求学是第一大，你们猜第二个最重要的突破是什么？

田喵

我猜是找到了女朋友！

韦华

答对了！一个亚裔男生在大二时就找到了人生伴侣。17岁的黄仁勋遇到了19岁的洛丽（Lori Huang），洛丽比他大两岁。

我本科读的是自动化系，我们班女生大概只占五分之一，研究生班女生就更少了。黄仁勋所在的俄勒冈州立大学电子工程系，250名同学里只有3个女生。他说另外两个女生“一般般”，所以洛丽可以说是系花级别的存在！你们想知道黄仁勋是怎么和系花走到一起的吗？

田喵

快讲讲。

韦华

黄仁勋特别幸运，一次实验课上，他和洛丽分到了一组，他就主动搭话：“洛丽，你想看看我的作业吗？”

春秋

哈哈哈，我一下子就想到了马斯克，他搭讪时说：“你想看我的大火箭吗？”

韦华

洛丽看了他的作业，发现确实做得非常优秀—黄仁勋的学习能力向来没话说。趁着这个机会，黄仁勋向她发出邀请：“周末要不要一起写作业？我教你怎么写。”

田喵

这是什么学霸专属搭讪套路啊？

阿飞

典型的学霸套路。

韦华

但其实黄仁勋算不上顶尖学霸，他是这么做的：每次约洛丽之前，他都会在家通宵把作业写完，然后装作还没写的样子，陪洛丽一起写，而且总能比她先完成。洛丽就觉得“这小子也太聪明了”，慢慢开始崇拜他。这可是个小计谋。

田喵

老黄还挺机灵的。后来显卡的预渲染技术，是不是从这延续来的思路？

阿飞

黄仁勋的小智慧啊。

韦华

而且聊得投缘时，他还拍着胸脯跟洛丽保证：“洛丽，我30岁的时候，一定会成为一家公司的CEO。”

田喵

吹得有点狠！

韦华

确实，效果也很好。洛丽觉得眼前这个男生既聪明，又有野心，30岁说不定真能变得很富有，慢慢地就深深迷恋上了他，两人就此走到了一起。在一起之后，他们的学习成绩也都很优秀。所以大学生谈恋爱不一定会影响学习。

1984年，黄仁勋从俄勒冈州立大学毕业，面临着所有毕业生都会遇到的头等大事—就业。当时他最心仪的公司是德州仪器，投递简历后却被无情拒绝了。不过作为优秀毕业生，他还是收到了两份入职邀请，其中一份就来自大名鼎鼎的超威半导体（Advanced Micro Devices，简称AMD）。

田喵

缘分太妙了。

春秋

相爱相杀一辈子的开端啊。

韦华

另一家是LSI Logic，这家公司2007年更名为LSI，是专门做芯片设计工具的企业。当时黄仁勋是这么考虑的：AMD名气更大，创始人杰瑞·桑德斯（Jerry Sanders）也更具个人魅力。桑德斯的经历和黄仁勋有点像，也是个狠角色—他十几岁时曾参与激烈斗殴，伤势严重到差点丧命，但痊愈后反而变得更加强大。

春秋

这简直是典型的赛亚人风格。

韦华

桑德斯创立 AMD 之前，曾在半导体行业的“黄埔军校”—仙童半导体工作。而LSI Logic的创始人威尔弗雷德·科里根（Wilfred Corrigan），同样出身于仙童。

春秋

桑德斯是“八叛徒”之一吗？

韦华

他不算。“八叛徒”指的是从肖克利实验室离职的8位工程师。桑德斯一直深耕销售领域，和仙童的其他同事有些格格不入，因为他的性格很浮夸。罗伊斯（Robert Noyce）、摩尔（Gordon Moore）等人都十分低调，而桑德斯却爱戴劳力士、开法拉利，热衷于奢侈的生活。

桑德斯留下过一句半导体行业的名言：“真正的男人要有自己的工厂”（Real men have fabs）。或许是受他的言论和个人形象影响，黄仁勋最终选择了名气更大的AMD，成为一名微处理器设计师。

黄仁勋在AMD的日子过得还算愉快，至少他自己是这么说的。不过两年后，有位同事从AMD跳槽到了LSI，向他详细介绍了LSI Logic的业务。黄仁勋觉得那些工作似乎更有吸引力，相比之下，单纯做微处理器设计师就没那么有意思了。于是在1985年，他也从AMD跳槽到LSI Logic，担任产品经理。他曾说，在LSI Logic工作期间，最大的收获是意识到：设计方法比设计本身更重要，设计工具也比设计本身更关键。

春秋

他那会儿就有这种远见了？

韦华

没错。这就是所谓的二阶思维。普通人的逻辑链条可能只能从A推到B，而老黄却能从A推到B、C、D，甚至E，这正是他的过人之处。他认为，当你从设计工具的角度看待设计时，视角会完全不同，对行业的理解也会更深刻。

这个认知后来也应用到了英伟达的多款新产品中，比如Omniverse、Cosmos，都延续了这一设计理念。

在LSI工作期间，他还结识了太阳微系统公司（SUN Microsystems）的创始人安迪·贝尔托斯海姆（Andy Bechtolsheim）。你们知道太阳公司名字的由来吗？

春秋

愿闻其详。

韦华

SUN其实是Stanford University Network的缩写，即斯坦福大学网络。安迪是位超级编程天才，他觉得当时的计算机体系架构过于复杂，想要打造更简洁的工作栈，于是创立了SUN。

他还做了一件在我们投资人看来极其厉害的事，也让他的财富实现了巨大增值—投资了同样毕业于斯坦福大学的拉里·佩奇（Larry Page）。拉里等人创立谷歌时，收到的第一笔10万美元投资就来自安迪。大家可以记住拉里·佩奇这个名字，后面还会多次提到。所以不管是作为投资人的眼光，还是作为程序员的硬实力，安迪都非常杰出。

安迪和黄仁勋一起研发了Spark工作站。当时SUN公司里还有两位天才程序员，分别是克里斯·马拉科夫斯基（Chris Malachowsky）和克蒂斯·普里姆（Curtis Priem）。这两位程序员也非常认可黄仁勋，三人关系十分要好，经常一起去戴尼斯餐厅吃饭。

黄仁勋将结识克里斯和克蒂斯视为自己人生的第三次重大突破—几年后，正是这两位伙伴劝说他一同创办了英伟达。他曾感叹：“成功在很大程度上取决于运气，而我的好运，就是遇到了他们。”

另外值得一提的是，黄仁勋在LSI Logic工作期间，还同步攻读了斯坦福大学电子工程专业的硕士学位。他在斯坦福前后读了8年，几乎相当于一场“抗战”的时长。

春秋

他在人生中遇到了什么战斗呢？要打这么久。

韦华

读个硕士要花8年时间，我们普通人大概率会选择放弃，毕竟这听起来是件很煎熬的事。但黄仁勋不这么认为—在8年读研期间，他不仅和洛丽结了婚，还生了两个孩子。

说到这里，顺便给大家分享一个小故事。那是1984年，黄仁勋还在AMD工作。公司举办了一场盛大的圣诞聚会，那场聚会上，黄仁勋向洛丽求了婚。当时他刚买了一辆不错的丰田车，求婚成功之后两人都喝了酒，之后就酒后驾车了。意外果不其然发生了—他们遭遇了一场严重的车祸，黄仁勋险些丧命。但从医院醒来后，他问的第一句话是：“我那辆好车怎么样了？”

田喵

思维逻辑真的挺特别的。

韦华

哈哈，牛人开车可得格外小心。我想到马斯克当年带着彼得·蒂尔（Peter Thiel）去融资时，开着刚买没几个月的迈凯伦，直接把车撞报废了。不过好车的安全性确实不一样，马斯克和彼得·蒂尔两人都没受伤。

大家肯定都很好奇，为什么黄仁勋硕士要读这么久？他的回答让我很有启发，他说：“我向来有耐心去做自己热爱的事。”

2024 年在加州理工大学做毕业演讲时，他还分享了这样一个故事。

他曾经每年都会去一个国际站点工作一个月，有一年夏天，他选择了日本。周末时，他去参观京都的银阁寺—这座寺庙因为拥有一座精致的苔藓花园而闻名，是典型的京都风光代表。

夏日的空气潮湿闷热，黄仁勋漫步在这座精心打理的苔藓花园里，注意到角落有一位独自忙碌的园丁。这座苔藓花园面积很大，汇集了世界上几乎所有种类的苔藓，而且维护得极为精致。那位园丁蹲在地上，用一把竹镊子小心翼翼地夹取苔藓，放进竹篮中。竹镊子又细又小，竹篮里还很空，这个园丁的工作看起来似乎漫长而艰巨。

黄仁勋十分好奇，走上前问：“你在做什么？”

园丁回答：“我在采摘枯苔藓，打理我的花园。”

黄仁勋又问：“可你的花园这么大，什么时候才能打理完？”

园丁笑着说：“我已经照顾这座花园25年了，而且我有充足的时间。”

黄仁勋说，当时他被这句话深深震撼了：“这是我一生中最深刻的教训之一。这位园丁专注于自己的手艺，将其视为一生的事业。当你真正这样投入时，就会拥有充足的时间。”

这个故事同样深深打动了我，也是我们这个播客名字的由来—我们希望每个人都能找到属于自己的“苔藓花园”。

好，黄仁勋第一阶段的人生故事，到这里就告一段落了。

第二章 创业维艰：显卡不过是大宗商品

现在来到1992年这个时间点。

先给大家普及一下1992年IT行业的大致背景。当时整个个人电脑（PC）行业仍以英特尔与微软组成的Wintel联盟为主导，硬件采用英特尔的中央处理器（CPU），系统搭载微软的磁盘操作系统（DOS）。苹果则处于另一阵营，市场占比仅约10%。而主流的图形技术，主要掌握在硅图公司（Silicon Graphics，简称SGI）和SUN两家公司手中。SUN就是投资谷歌的安迪创办的企业，SGI是黄仁勋妻子洛丽毕业后曾任职过的公司。

那个年代，个人电脑端的显卡还都是2D显卡，比如IBM的VGA卡。当时市面上完全没有3D电脑游戏。

田喵

不是“基本上没有”，而是真的没有。

韦华

难道没有一些伪3D游戏吗？

田喵

所谓的伪3D本质上还是2D，只是通过美术效果营造出3D的假象，而且就连这种美术层面的伪3D效果都并不成熟。

韦华

不过到了1992年，有两项重要技术开始交织发力。

第一项是微软Windows 3.1的发布，这款操作系统已经具备图形界面，还搭载了更美观的TrueType字体—这个字体直到今天仍在广泛使用。

第二项是硬件领域的突破：PCI总线问世。它能让数据以更高带宽在CPU与扩展板（比如显卡、声卡、网卡）之间传输。

在这样的行业背景下，各位会在1992年选择投身消费级3D显卡领域创业吗？

田喵

我肯定不会。

韦华

为什么？

田喵

因为PCI接口虽然提升了数据传输量，但当时电脑的主要用户还是工作的牛马，而不是打游戏的用户。所以游戏市场的真实需求到底有多大，很难判断。

韦华

你是觉得市场需求还没起来？

田喵

我不确定这个需求是否真实存在。至少得有人明确告诉我，不管是出于工作还是游戏目的，他们确实需要3D相关的产品，我才会愿意做一些用户访谈，进一步调研。

韦华

田喵觉得市场还未成熟，倾向于再观望一段时间。

春秋

我的看法是，首先得判断这项技术的前景—它是像可控核聚变那样“永远还有50年才能实现”，还是底层技术已经突破，正处于工业化落地的过程中？

韦华

你还需要看有没有其他人也在布局这个领域吗？

春秋

是的。而且我还一直替老黄的妻子洛丽惦记着一件事：老黄不是说过30岁要当CEO吗？他1963年出生，1992年时已经29岁了，只剩一年时间，得赶紧找个地方实现这个目标。

阿飞

我觉得这个问题要分两面看：一是对这件事本身的认知，二是是否有合适的机遇。就算市场需求暂时不明显，但如果有机遇，还是可以考虑创业的。

韦华

你们创业都不考虑家人的感受吗？当时黄仁勋在LSI Logic拿着相当高的薪水，家里还有两个孩子。洛丽之前在硅图工作，此时已经离职，因为两个孩子需要有人全职照顾，家庭经济压力其实不小。

阿飞

那确实太难了。

韦华

就在这个时候，黄仁勋的两位好朋友—克里斯·马拉科夫斯基和克蒂斯·普里姆，在SUN过得并不顺心，因为他们研发的产品没有得到公司的认可。作为天才和技术高手，两人不甘心受这种委屈，于是萌生了离职创业的想法。他们想到了在LSI Logic工作的黄仁勋，觉得他是个靠谱的合作伙伴，便找上门来：“我们想拉你一起创办一家消费级3D显卡公司，你愿意加入吗？”

我们来看看黄仁勋是如何做决定的—他给自己提了3个问题。

第一个问题：这件事是我真正热爱的吗？

他的答案是肯定的。黄仁勋从小就极度痴迷游戏，他觉得如果能在PC端打造出一款产品，让用户体验到精彩的3D游戏，那将是一件极具吸引力的事。这份发自内心的热爱，让他对第一个问题给出了明确的“是”。

第二个问题：这件事值得做吗？

“值得”包含两层含义。一是机会成本是否可控，能否赚到足够的钱？他要两位伙伴测算市场效益，判断公司营收能否快速达到每年5000万美元；二是这件事是否能给人生带来重大意义，是否值得投入全部精力？

对于这两个子问题，克里斯和克蒂斯认为，以当时PC千万级的市场体量，年营收5000万美元并不难实现；黄仁勋自己则认为，这件事对人生有着非凡的意义。

第三个问题是什么呢？大家可以猜一猜。

阿飞

应该是他能不能做，能力是否匹配吧？

韦华

我们普通人的逻辑通常是：这件事在我的能力圈里吗？我能不能做到？但黄仁勋不一样，他的想法和我们恰恰相反。他的第三个问题是：这件事是不是很难做？

他是这么想的：如果这件事不难做，反而不值得去做。他觉得3D图形技术在很长一段时间内都难以达到完美，这是一条足够长的赛道，能让他长期深耕；而且显卡有个先天隐患—很可能被CPU厂商集成，他需要长期对抗这种被集成或收购的风险，这无疑是件极具挑战的事。他还认为，如果你的队友是世界上最顶尖的人，就得确保这份事业值得他们一辈子追求—伟大的事业必然伴随着艰辛的付出。至此，三个问题的答案对他而言都是Yes，所以他同意了。

黄仁勋对克里斯和克蒂斯说：“好，我跟你们一起干。”三个伙伴就此踏上了创业路！

但黄仁勋和克里斯的妻子都不太同意。克里斯的妻子对他说：得等黄仁勋先辞职，你才能辞；黄仁勋的妻子则表态：要等克里斯先辞，老黄才能辞。这时候，性格向来冲动的克蒂斯忍不住了，他说：“你们慢慢聊，我先辞职了。”

1992年末，克蒂斯率先辞了职，这给另外两位伙伴带来了不小的道义压力，两人随后也跟着辞了职。

辞职后，他们想研发的芯片名为Next Vision 1，意为“下一代视觉芯片”。接下来是给新公司取名，因为Next Vision 1是芯片名，他们就一直想在公司名中融入N、V两个字母。于是他们开始翻字典，寻找包含N、V两个字母的单词。翻来找去，终于找到拉丁文中的一个单词invidia，中文意思是“嫉妒”。黄仁勋觉得这个词很不错，于是他们去掉开头的“I”，将公司命名为Nvidia—这就是“英伟达”的由来。

名字定好后，他们意识到，3D PC显卡是一个全新的市场，而他们是第一个吃螃蟹的人。黄仁勋提出了一个很有意思的概念—“零亿美金市场”。他说：“我们要做的虽然是个零亿美金的市场，但只要我们发明出消费级3D显卡，电脑视频游戏的需求就会爆发，我们的产品必然会供不应求，这终将是一个巨大的市场。”

春秋

这块必须敲黑板！这是老黄提出的第一个特别重要的管理学概念。

韦华

对，零亿美金市场，我们只干零亿美金市场。

田喵

所以老黄是“因为相信，所以看见”的人。他先相信这件事能做成，一旦做出来，市场自然会变大—也就是说，技术达标了，需求自然会涌现。而另一类创业者是“因为看见，所以相信”，他们得先看到明确的需求，才会动手去做。

韦华

没错，这大概就是老黄和雷军的区别。大家还记得黄仁勋当年对洛丽的承诺吗？1993年2月17日，在30岁生日那天，他正式加入英伟达，出任CEO，兑现了曾经的誓言。

春秋

哈哈，这个做法似乎给了你不少启发。

韦华

是啊，或许就是受这个故事的影响。我40岁生日那天，我特别重要的合伙人正式加入了我们共同的公司，担任董事长。

1993年4月5日，英伟达公司正式成立。成立那天的经历也很有意思。黄仁勋找到硅谷沙丘路一位专门服务初创企业的律师，说要注册一家公司。律师问他：“你身上有多少钱？”黄仁勋摸了摸口袋，发现总共只有200美元。律师说：“先把钱给我。”收下钱后，律师严肃地对他说：“好了，现在你已经持有英伟达公司的大量股票了。”

黄仁勋回到团队后，跟另外两位伙伴说：“公司已经注册好了，我交了200美元，你们也得各给律师200美元。”就这样，他们形成了一个颇为特别的股权结构—三个人各出200美元，每人持股三分之一。放在今天的创业项目里，这是投资人最不愿意看到的结构，后续到底谁说了算？但在那个年代，大家还没有形成这样的顾虑。

他们三人离职创业后，前公司的同事纷纷主动加盟，SUN公司的几位技术大牛、LSI的不少老同事，都跟着他们一起干。一开始大家都是无偿工作，因为公司账上根本没有资金。

这个时候，最关键的问题自然落到了CEO黄仁勋身上—融资。我们一直认为，初创公司的CEO其实只需要做三件事：找钱、找人、定战略。凡是和这三件事无关的，都不该浪费精力去碰。

黄仁勋跑到一个类似北京鼎好、深圳华强北的电子元器件商场，买了一本《怎么写商业计划书》。那本书特别厚，他翻了没几页，心想：“要是把这本书看完，我们公司肯定早就倒闭了。”于是他匆匆忙忙写了一份简单的商业计划书，质量并不算高。当时他也在纠结：按照书里的要求，产品的生态系统该从哪里来？API、SDK框架这些该如何搭建？最重要的是，做出PC显卡后，游戏开发者又从哪里找？这些问题其实都没有找到满意的答案。

黄仁勋离职之后，LSI Logic的老板威尔弗雷德还找他聊了一次，问清楚黄仁勋要做的事情之后，他说：“你的办公桌我还给你留着，你会回来的。”老黄听了心里有些失落，但威尔弗雷德接着说：“有个人会投资你们，你去找他。”说完，威尔弗雷德当场给红杉资本（Sequoia Capital）的唐·瓦伦丁（Don Valentine）打了个电话：“我这儿有个很棒的小伙子，你得把钱投给他。”

威尔弗雷德创办LSI Logic时，有两个重要投资方—肖特·希尔创投（Sutter Hill Ventures）和红杉资本。这两家机构都通过投资LSI赚了10倍以上的利润，所以对威尔弗雷德非常信任。

不过，和威尔弗雷德聊完后，黄仁勋第一个找的不是唐·瓦伦丁，而是凯鹏华盈（Kleiner Perkins Caufield & Byers）。凯鹏华盈的创始人也出身仙童，所以双方关系自然有了一层关联。但凯鹏华盈的合伙人用AMD创始人桑德斯的那句名言反问黄仁勋：“真男人要有自己的制造工厂，你们呢？这一块你们怎么解决？”黄仁勋坦言没有工厂，所以凯鹏华盈最终放弃了投资。

当时同样投资了LSI Logic的肖特·希尔创投里，有一位名叫泰奇·科克斯（Tench Coxe）的员工。他极具眼光，非常认可这三位年轻工程师的想法，直接决定投资他们。泰奇从英伟达成立第一年就投了这笔钱，之后一直留在英伟达董事会。直到今天，我们看英伟达的最新年报，泰奇·科克斯依然在董事会中任职。长达三十多年，了不起！什么是长期投资？这就是。

田喵

非常了不起。

韦华

另一位投资人是当时风险投资界的传奇人物—红杉资本创始人唐·瓦伦丁。黄仁勋和克蒂斯专门跑去向他路演。黄仁勋原本觉得，工程师创业总得拿出炫酷的原型机给投资人看，毕竟投资人通常都会问原型机在哪里。但唐·瓦伦丁是一个不按常理出牌的人，他自己早年也是工程师，知道原型机往往带有演示性质，所以直接对他们说：“不用给我演示原型机。”

黄仁勋原本准备的原型机演示方案是：如果显示屏上的效果不够震撼，就用自家设计的3D显卡搭配VR眼镜进行展示。

唐·瓦伦丁听完后调侃道：“你们公司的成功，居然要建立在VR眼镜公司成功的基础上？一家创业公司的成功，可不能依赖另一家创业公司。那家做VR眼镜的公司，老板才14岁，每天上班还得靠妈妈送。这种情况下，我怎么相信你能成功？”黄仁勋听后格外沮丧。但唐·瓦伦丁话锋一转：“尽管如此，我还是会给你们投资。不过，要是你亏了我的钱，我饶不了你（If you lose my money，I will kill you）。”

田喵

瓦伦丁这个名字，听着就像意大利黑手党大佬。

阿飞

或许他们对技术出身的人本身就比较理解。

韦华

他当时大概率不是因为理解技术才投资的，主要还是看在威尔弗雷德给黄仁勋做担保的面子上。

田喵

我觉得威尔弗雷德的影响力确实很大。再往深了说，有个很关键的点：黄仁勋和克里斯离职时，并没有立刻走人，而是把手上的工作尽善尽美地完成后才离开。这让他们的领导觉得，这帮人靠谱—尽管有自己的目标，但绝不会损害他人利益，对工作有责任心。这一点在天使投资人眼里，分量非常重。

韦华

没错。我发现那个年代的硅谷，真的遍地都是机会。为什么硅谷会有如此浓厚的共同创业基因？或许因为他们的基因都源自仙童半导体。仙童最著名的就是“仙童八叛徒”，他们都是“叛离”原公司后创办了新企业，让整个行业充满了生机。看他们的故事会发现，当时根本没有“竞业协议”这一说。

而在现在的中国，从大厂离职后，如何应对竞业协议，是大部分优秀工程师颇为头痛的问题。如今的竞业协议，就像一堵厚重的墙，阻碍着人才流动。

田喵

确实是这样。

韦华

在A轮融资中，他们一共融到了200万美元。我估计红杉资本和肖特·希尔创投各投了100万美元，公司总估值达到600万美元。这时候，黄仁勋的股权已经摊薄到了20%左右。

总结这次融资经历，黄仁勋用一句话解释了“路演表现不佳却仍能融到资”的原因：“因为我有一个靠谱的过去。”他也奉劝每个年轻人：“努力打造一个靠谱的过往（try to have a good past）。”

时间来到1993年，公司账上有了200万美元资金，他们决定启动第一款产品的设计—Next Vision 1，简称NV1，这是他们的首款芯片。工程师创业往往有个通病：忍不住想要把技术演绎到极致，克里斯和克蒂斯也不例外。

当时他们面临的最棘手问题是：内存价格极高，每兆内存大约要50美元。而他们设计的3D显卡，大概需要4兆内存，光内存成本就高达200美元。但当时一块2D显卡的售价也就100美元左右，他们预想的3D显卡终端售价在200到300美元之间，200美元的内存成本显然完全无法承受。

这时候，天才工程师克蒂斯站了出来，表示自己能解决这个问题。他的解决方案是：为了节省内存，去掉了传统3D显卡必备的Z缓冲区；同时将传统的逆向纹理映射和三角形渲染，改为前向纹理映射和四边形渲染。

这里给大家简单解释一下：做3D图形时，复杂的立体图形需要由无数个简单图形拼接而成，而三角形是最小的平面结构—任何立体图形都能通过无数个小三角形拼接出立体感。但克蒂斯认为，用四边形也能实现同样的效果。这种方法虽然节省了内存，却容易出现图形扭曲—因为三个点必然在同一平面，而四个点则可能不在同一平面，进而导致图形失真。但克蒂斯自信地表示“我是天才，能解决这个问题”，最终他确实通过技术优化节省了大量内存。

其次，克蒂斯觉得当时的声卡效果很差，声音失真严重。所以他们在NV1芯片中直接集成了音频功能，采用英伟达自己制定的新标准，并且不兼容当时市场上最主流的声霸卡。“节省内存、集成音频”，这是这款新产品的两大核心特点，也是他们眼中最重要的卖点。

最后是芯片代工的选择。他们找到意法半导体（STMicroelectronics，简称ST）。但唐·瓦伦丁一直劝说他们：“应该找台积电，因为台积电是当时最好的第三方代工厂。”黄仁勋他们其实也尝试联系过台积电，但没有得到回应。而意法半导体给出的条件很好，还愿意继续给他们投资，双方就此形成绑定。

好，大家期待已久的第一款产品NV1，于1994年秋天在拉斯维加斯的计算机经销商博览会（COMputer Dealers EXhibition，简称COMDEX）上正式亮相了。我们平时做研究时，不妨多关注这类展览会—很多优秀产品，尤其是美国的科技产品，基本上都会选择在展会上发布。那个时候还没有国际消费类电子产品展览会（Consumer Electronics Show，简称CES），现在CES已经成为全球最重要的消费电子展会。

田喵

现在CES就像科技圈的“春晚”。

韦华

1994年拉斯维加斯的COMDEX博览会上，NV1横空出世，让一家名为世嘉（SEGA Corporation）的游戏主机厂商眼前一亮。当时主机市场主要由任天堂主导，索尼尚未涉足，世嘉正处于起步阶段。他们对NV1芯片青眼有加，主动询问英伟达能否为其下一代主机开发图形芯片—NV2。黄仁勋欣然应允，双方签下合作合同，世嘉还出资500万美元购买了英伟达的优先股，类似现在的可转债，本质上属于债券。

春秋

当时世嘉的主机是哪一款？

韦华

就是世嘉土星（SEGA Saturn）。这也是黄仁勋愿意合作的重要原因之一—世嘉土星上有几款爆款游戏。黄仁勋提出：“既然你们投资了我们，能不能帮忙把主机上的优质游戏移植到PC端？”这样一来，两家公司就能形成互利共赢的合作关系。

1995 年 5 月 22 日，NV1 正式发布。一经推出，帝盟多媒体（Diamond Multimedia）公司便直接下达了25万片的订单，英伟达瞬间迎来爆发。

田喵

帝盟也算是一个时代的回忆了。

韦华

这是后话。你们猜猜，NV1的总研发成本是多少？

阿飞

100万美元？

韦华

足足花了1500万美元。

春秋

可当时英伟达的总估值才600万美元啊？

韦华

他们在产品开发过程中一直在持续融资，包括世嘉的500万美元投资，后续还有多家投资方跟进。

田喵

基本上就是把融到的钱全砸进研发里，将将打平。

韦华

但NV1很快就失败了。最大的变数是什么？就是我们之前提到的风险点—内存价格大幅下降。当时内存价格是50美元/兆，后来直接降到了5美元/兆，降幅高达90%。这是技术出身的工程师们始料未及的—他们当时并未摸清内存市场的商业规律。

既然无需再为内存成本妥协，后发企业反而占据了巨大优势，这也是NV1失败的核心原因。其次，NV1自带的声卡不兼容当时主流的声霸卡—已经有声卡的用户，还得额外为NV1的声卡付费，这让消费者难以接受。此外，NV1对多款游戏的兼容性也不好，也遭到了市场诟病。

还有一个关键的外部因素：NV1 发布后不久，微软推出了Direct X接口。这款接口允许用户通过微软系统显示各类3D图形，但它只支持三角形渲染，并不兼容NV1的四边形渲染。连主流操作系统都不支持，NV1的凄凉命运可想而知。

田喵

当时除了Direct X，另一款主流图形接口是Open GL。Open GL曾短暂支持过四边形渲染，但后来发现漏洞百出—4个点构建立体图形容易，维持平面效果却很难，最终会导致灾难性的渲染结果。

韦华

就在这时，一位游戏天才横空出世。

春秋

约翰·卡马克（John Carmack）！我刚才就想问，《毁灭战士》（DOOM）怎么还没登场？

韦华

约翰·卡马克堪称电子游戏史上的超级奇才。这个人特别有意思，他在X上立下了一个赌注：他认为2030年马斯克的Space X星舰肯定无法抵达火星，但特斯拉的完全自动驾驶（FSD）一定能实现。这是技术天才的预言，咱们到2030年再验证对错。

卡马克打造了一款伪3D游戏—《毁灭战士》。什么是伪3D？就是场景看起来是3D效果，但操作、移动和交互本质上还是2D的，视角固定，玩家无法绕到物体后方，也不能抬头、低头切换视角。

田喵

关于第一款伪3D电脑游戏，一直存在争议。有人认为是《毁灭战士》，因为它热度最高、玩家最多，且确实是伪3D；也有人觉得更早的《德军总部》（Wolfenstein）才是鼻祖—这款游戏最早将伪3D技术打磨得炉火纯青，所有贴图都是2D，没有3D模型和3D引擎；还有人主张《雷神之锤》（Quake）才是第一款真正的3D游戏，因为它实现了实时3D渲染。不过这些争议其实无关紧要，因为这3款游戏的开发者都是卡马克。

韦华

这就是约翰·卡马克的实力！为什么说他是程序天才？他的代码能把2D显卡的性能榨干，让2D显卡也能呈现出3D效果。可惜英伟达的NV1并不支持《毁灭战士》。在PC时代，能带来巨大流量的程序被称为“杀手级应用”（Killer App）—如果杀手级应用无法在你的显卡上运行，任何真正的PC游戏玩家都不会选择它。所以，NV1彻底失败了。

产品失败、资金耗尽，英伟达该何去何从？

黄仁勋在一次演讲中分享过这样一个故事，1995年，他与世嘉签约，为其下一代主机开发图形芯片，但1996年NV1失败后，英伟达的技术路线已经行不通了。

于是黄仁勋主动找到世嘉，建议他们更换合作伙伴。同时他提出：“虽然我无法继续为世嘉开发显卡芯片，但能不能再支付我们100万美元？”令人意外的是，世嘉同意了，真的支付了100万美元。黄仁勋说，这是因为他的谦卑打动了对方，但我并不这么认为。

田喵

这应该是合同的约定吧？当时的合同里应该写了，英伟达只要开发出能在主机上运行的原型机，世嘉就需要支付相应款项。而英伟达最终交付的原型机确实达到了要求。

韦华

也不完全是合同的原因，否则世嘉完全可以通过诉讼维权。黄仁勋归因于“谦卑”，但我觉得另有隐情。

春秋

说得好像当年那些放弃奶昔选可乐的客户，是因为他的谦卑一样。

韦华

我更认同阿飞之前说的，要真正说服别人，核心是“诉之以利”。黄仁勋虽然没明说，但世嘉心里很清楚：他们已经向英伟达投资了500万美元，如果英伟达倒闭，这500万就会血本无归；但如果再追加100万支持，或许能帮助英伟达渡过难关，自己也有机会收回部分投资。这才是世嘉愿意支付100万美元的真正原因。

阿飞

这才是商业的本质。

韦华

这也是芒格多元思维模型中非常重要的一种，动之以利。东方人的巧妙智慧在于，不会把实际利益直白地说出来，但彼此之间心知肚明。

春秋

感谢韦华的精彩分析，这确实符合他们的文化背景。

韦华

从世嘉拿到100万美元后，加上公司账上剩余的资金，总共也只剩400万美元。此时再想转型，已经为时已晚。

祸不单行，一个强大的对手出现了—3dfx。3dfx由3位出身硅图公司的工程师于1994年创立。英伟达在1993年创立时，消费级3D显卡领域还是一片空白，但到1995年，市场上已有了约90家同类公司。

1996年秋天，3dfx推出了一款大名鼎鼎的消费级PC显卡—Voodoo Graphics。

田喵

这应该算是历史上第一款面向玩家的旗舰级图形加速器。

韦华

没错。Voodoo显卡和NV1最大的不同在于，NV1更像是在刻意炫耀技术，而Voodoo的定位极其清晰—替代硅图公司的高端显卡。硅图公司搭载高端显卡的工作站，整套价格高达25万美元，而Voodoo仅需几百美元就能实现类似效果。

田喵

当时Voodoo的售价仅300美元，甚至比前一年英伟达NV1的399美元更便宜，性能却远超后者，甚至能和工作站级别的显卡一较高下。

韦华

性价比太高了。发布会上还有个有意思的小插曲：1996年秋天，3dfx在展会上做3D立方体演示，渲染效果很不错，但因为公司没名气，根本没人关注。所有人都在楼上看硅图公司的演示。没想到硅图的工作站突然死机了。

阿飞

老天爷都来帮忙。

韦华

硅图工作站死机后，有人说“楼下有家公司能做类似演示”，大家就都跑下楼看3dfx的演示。就这样，Voodoo一夜爆红，很快就卖爆了。

这时，卡马克再次王者归来，推出了真正的3D游戏《雷神之锤》。随着游戏大卖，Voodoo的销量也一路飙升，3dfx就此成为当时市场上最顶尖的3D显卡公司。鼎盛时期的3dfx有多强？强到有能力收购英伟达。当时英伟达已是风雨飘摇，现金所剩无几，破产几乎是必然结局。但3dfx的高管却表示：“再等等，等它真倒闭了再收购，到时候人才和知识产权都是我们的，价格还更便宜。”

3dfx的高管犯了一个致命错误—他们就像武侠片里的反派，明明能一击致命，却偏要多说废话，错失良机。

田喵

这其实也能理解。1996 年，3dfx 的市场占有率已超过85%。要知道，通常市占率高的一般是中低端产品，而他们的旗舰产品就能拿下85%的份额，他们自然会认为自己已经统治了市场。无论是技术还是价格，3dfx都占据绝对优势，那么其他竞争对手不出一年就会破产。

阿飞

从这里就能看出差距了。后来英伟达收购其他公司时，采取的策略完全不同。

韦华

没错，黄仁勋绝对不会犯这样的错误。我们先回到当时身处人生低谷的黄仁勋，数一数他面临的困境：

第一，公司现金仅够维持9个月运营—之前的300万美元加上世嘉追加的100万，总共约400万美元。而一款新3D显卡的开发周期通常需要2年，公司的寿命却只剩9个月；

第二，市场环境早已不同。1993年行业里只有他们一家，如今却有90家公司同台竞争；

第三，他们最初凭借技术优势领跑，却因选错技术路线沦为倒数第一—前向纹理映射、无Z缓冲区、四边形渲染等方向，让他们失去了技术优势。

此时老黄应该怎么办？

阿飞

认错，及时认错。

韦华

认错之后呢？

阿飞

All in，孤注一掷。

田喵

如果公司没有竞争优势，就只有两个选择：要么关闭，要么打造运营效率优势；如果运营效率也无法突破，就只能关闭。

春秋

但科技公司想靠运营效率脱颖而出并不容易。我很好奇的是，不仅是克蒂斯，英伟达的核心团队技术实力都很强，为什么当初会走错技术路线？这是单纯赌错了，还是和当时的市场方向判断有关？

韦华

他们想开辟专属技术路线，毕竟这是一个“零亿美金市场”，而且微软当时还未推出Direct X—这是一个关键变量。另外一个意外因素是内存价格暴跌：英伟达之前所有的设计都围绕“节省内存”展开，投入了大量研发精力，但友商们无需考虑这一点，因为内存已经足够便宜，可以随意使用。

田喵

当时的标准应用程序接口不像现在这样，只有Direct X和Open GL两大主流，而是极为分散，没有任何一个能占据统治地位。3dfx给开发者提供了名为Glide的底层应用程序接口，定制化程度高、接口多，开发者用起来非常方便。所以英伟达创业时，根本想不到不到半年就会出现统治级接口，更想不到一年后内存价格会暴跌至原来的十分之一。

韦华

研究一位企业家，最关键的就是看他在绝境中的思考与行动。

此时，黄仁勋提出了一个核心原则—对知识诚实（Intellectual Honesty）。

我不知道“对知识诚实”这个概念最早是谁提出的，但我反复在黄仁勋和李录先生的演讲中听到这句话。黄仁勋所说的“对知识诚实”，具体做法的是—

第一，彻底修正NV1的所有错误：将之前的前向纹理映射改为逆向纹理映射；放弃四边形渲染，改用三角形渲染；砍掉集成声卡功能。之前我忘了提NV1还有一个问题，就是它连VGA功能支持也不好。所以必须做好向后兼容，最重要的是支持Direct X，拥抱微软生态。

改正错误后，他意识到自己的产品本质上已沦为大宗商品，此时唯一的出路就是……

阿飞

拼运营效率。

韦华

没错，要以“光速”推进，核心就是拼运营效率。同时为了节流，公司启动了大规模裁员—这是英伟达历史上规模最大的一次裁员，员工从一百多人缩减至三四十人，裁员比例高达70%。

做完这些，黄仁勋冷静思考下一款产品的方向：“我只有一次机会，甚至理论上连这一次机会都不该有。但我必须放手一搏。”

他观察到3D显卡市场有一批特殊客户—游戏发烧友。他们的消费特征是：只选最好、最快的产品，不计较价格。

于是黄仁勋定下战略，下一款产品的核心思路是：质量一定要做到最好，速度必须最快，性能必须最优。为了达到这些目标，成本可以很高，甚至比对手的最高价还要高。

同时他明确功能上必须完全支持Direct X和VGA，彻底放弃之前的独有设计。原型机一出来，市场有好评，就用光速去融资续命。

但问题来了，芯片开发周期需要2年，公司现金却只够支撑9个月，怎么才能提速？

他发现一家叫IKos的公司，专门做仿真器。传统的芯片开发流程是：先完成设计，再进行流片，流片后测试，根据测试结果修改软件、优化设计，之后再次流片—反复几次后才能量产，耗时长达两年。而IKos的仿真器能实现“虚拟流片”：设计完成后先在模拟器上测试，通过后即可直接量产。这就是仿真器的核心卖点。

但仿真器的价格极高，单台就要100万美元。当黄仁勋找到IKos时，这家公司已濒临破产，库存中恰好有一台样机可以出售。

换做任何其他的CEO，恐怕都不会做出这个决定—花100万美元买一台即将倒闭公司的昂贵设备。但黄仁勋说：“赌一把，买了。”

英伟达买下这台样机后，IKos就正式倒闭了，自然无法提供后续技术支持。这100万美元的支出，让公司的现金仅够维持6个月的时间。时间紧迫，必须在半年内做出原型机。

为了突出产品优势，黄仁勋给新产品NV3改名为RIVA 128—128代表当时市场上最大的带宽，所以名字里放128直接彰显了产品定位：全球性能最强的消费级显卡。除了带宽，他还追求最大的物理尺寸，Big很重要。当时行业主流的晶圆是8英寸（20.32厘米），RIVA 128的设计就朝着这个尺寸的极限推进。

田喵

谁能想到十几年之后，老黄做出一个像盾一样大的芯片。

韦华

可能他想做出一款跟晶圆一样大的芯片，一个晶圆只能雕出一块芯片，这是后话。RIVA 128确实是当时物理尺寸最大的，速度也是最快的。

黄仁勋挖人的能力也非常强。为了兼容VGA的硬件标准，他挖来了波尔·索兰基（Gopal Solanki），这个技术大牛每次都能在关键时刻解决公司问题。所以我们一直强调，CEO就关注三件事：钱、人、战略。

1997年4月，英伟达展示了原型芯片RIVA 128，现场的3dfx相关人员都被它的表现震撼—RIVA 128的性能堪称碾压级领先。同年8月，产品正式发布，但问题也随之暴露：由于此前未经过多次流片测试，这款显卡存在一个重大漏洞—原本计划兼容Direct X接口的32种混合模式，RIVA 128仅支持其中8种。这可如何是好？

关键时刻，黄仁勋的口才发挥了核心作用。他找到游戏开发者们解释：“你们只用这8种就足够满足需求，剩下的24种并没有实际的使用价值，所以我们只支持这8种核心模式。”开发者们听了觉得有道理，加上RIVA 128的性能实在超强，产品一下子就卖爆了。

凭借RIVA 128的成功，黄仁勋再次自信地找到肖特·希尔创投，对方当即追加了180万美元投资，英伟达得以绝境逢生。经历这场死里逃生后，黄仁勋做了一件极具深意的事：他走进员工食堂，先从左手口袋掏出一张纸条，念出了公司银行卡的余额—这个数字意味着公司只能再支撑几周，现场瞬间陷入沉默。

稍作停顿后，他从右手口袋拿出另一张纸条，高声宣布：“STB System，3万颗RIVA 128订单！”全场瞬间沸腾了！3万颗订单啊！

黄仁勋很懂心理学，这招正利用了芒格所说的25种误判心理倾向中的“对比错误反应倾向”。通过强烈的反差，让每个员工都记住了这个“珍珠时刻”。当这类关键时刻不断积累，便逐渐形成了公司文化，成为员工与企业之间的情感粘性。当年参与这场会议的员工，日后回忆起英伟达时，总会提起这个令人印象深刻的瞬间。而这也是英伟达离职率极低的重要原因之一—黄仁勋总能抓住机会凝聚团队。

RIVA 128在4个月内销量突破一百万颗，创下行业纪录。1997财年第四季度，英伟达实现单季度盈利，净利润达140万美元。

这次经历给了黄仁勋一个重要启发：原来6个月就能研发出一款芯片。摩尔定律指出，芯片性能每18到24个月翻一番、价格保持不变；而黄仁勋用实践证明，自己的团队6个月就能完成一次迭代。前微软亚洲研究院院长沈向洋对黄仁勋说，你这是“黄氏定律”，你靠黄氏定律打败了摩尔定律。

事后，黄仁勋为这场战役总结了一条重要经验，并要求所有员工恪守：“你能做到的理论极限就是光速，这是我们唯一的衡量标准。”论“卷”，恐怕没人能比得过黄仁勋。

阿飞

因为超过光速后，物理定律就会发生改变。

韦华

他们之前甚至想过用“曲率”“虫洞”这类概念来形容速度，但后来发现不利于宣传，最终确定用“光速”作为团队的标准。

1997年，是英伟达的关键转折年，堪称其发展史上的“遵义会议”—就像1935年的伟大转折成就了A股另一家伟大企业一样。1997年的起死回生，为英伟达后来的崛起奠定了基础。

田喵

但这仅仅是开始，而非结束。RIVA 128销量巅峰时，市占率约为20%。明明性能优于Voodoo 1，为何市占率没能进一步提升？因为3dfx在1997年也推出了Voodoo 2，他们向来选择秋冬季更新产品。更关键的是，Voodoo 2支持SLI技术，就是能插入两块显卡实现双卡并行运算—这意味着它不仅单卡性能强于RIVA 128，还能通过双卡叠加进一步拉开差距。英伟达刚喘过气，竞争对手就再次施加了巨大压力。

韦华

雪上加霜的是，1997年底，英伟达刚实现季度盈利，之前的供应链隐患就爆发了—意法半导体根本没有能力承接如此大规模的芯片生产，良率大幅下滑，根本无法完成RIVA 128那100万颗的订单交付。

田喵

而且RIVA 128是当时尺寸最大的芯片，制造难度极高，本身良率就偏低。

阿飞

对制造工艺的要求非常高。

韦华

其实早在1996年之前，黄仁勋就一直在尝试联系台积电。

田喵

但总是联系不上。

韦华

无奈之下，黄仁勋采取了最传统也最真诚的方式—亲手写信寄给张忠谋（Morris Chang）。张忠谋看到信后，直接打电话给黄仁勋，两人相谈甚欢，随后约定见面。1998年2月，台积电正式成为英伟达的主要供应商。我觉得这是商业史上最伟大的一段友谊的开端。

春秋

珠联璧合。

田喵

绝对是相互成就。

阿飞

张忠谋是被黄仁勋的诚心打动了。

田喵

还有个细节需要补充。1997年3dfx推出Voodoo 2时，英伟达也研发了一款新显卡TNT，目标只有一个—“炸死”Voodoo 2。这款显卡确实有不少技术优势，比如32位色深、更多渲染管线，样品测试时的表现理论上能击败Voodoo 2。但问题出在温度控制上，芯片极易“爆炸”，需要极高的制造工艺才能将温度控制在安全极限内。可惜意法半导体的制造能力不足，根本支撑不了如此精密的产品。

韦华

这有点像当年三星手机的爆炸事件，核心都是制造能力无法匹配产品设计需求。

田喵

三星的制造水平远不及台积电。这也是黄仁勋必须全力寻找顶尖制造合作伙伴的关键原因。

韦华

这种商业合作是典型的双赢—就像微软与英特尔组成的Wintel联盟，双方有着深厚的商业默契，台积电与英伟达亦是如此。成为英伟达的主要供应商后，台积电的制造能力为英伟达提供了强大的技术背书，进一步增强了客户锁定。不过当时行业霸主仍是英特尔，无论在芯片制程还是制造工艺上，英特尔都领先于台积电。

春秋

额外感慨一句，这是不是也和东方人的吃苦耐劳有关？英伟达一直强调“光速”迭代，而只有台积电这样的企业，才能跟上这种节奏。

韦华

确实有这种可能。

田喵

黄仁勋根本不计算工作时间，对他而言，工作就是生活，也是休息。

春秋

所以必须有台积电这样的公司承接他们的“光速”文化，换做其他机构，恐怕真的难以跟上。

韦华

我也觉得两家公司在文化上有一定的相似性。

1997年第四季度实现盈利后，英伟达的发展看似步入正轨，但1998年新的危机再次袭来。

正如之前提到的，独立显卡始终面临被 CPU 厂商集成的风险—当时独立网卡已基本被集成，声卡也在逐步被整合。英特尔此时宣布推出自有显卡i740，这让黄仁勋陷入极大恐慌。

仅11天后，也就是1998年2月，英伟达就紧急发布了新显卡RIVA 128ZX，性能优于i740，暂时化解了危机。然而一波未平一波又起：台积电的生产质量出现问题。

当时亚洲金融危机也已全面爆发，英伟达原本计划的首次公开募股（IPO）被迫暂停，时任CFO也选择离职，公司资金链再度岌岌可危。

幸运的是，英伟达此时已积累了一批信赖自己的客户和良好口碑。1998年8月，在公司最危险的时刻，3家核心客户伸出了援手：曾给NV1开出25万颗订单的帝盟多媒体、给RIVA 128开出3万颗订单的STB System，以及创新科技（Creative Labs）。3家公司共同提供了约1100万美元的融资，英伟达再次扛过了这一轮浩劫。

田喵

这相当于他向3家厂商寻求投资。板卡厂商与芯片研发企业本就相互绑定、利益高度一致，这种支持也是情理之中。

韦华

扛过 1998 年金融危机后，1999 年初，市场开始回暖，英伟达也成功在纳斯达克上市，市值一举达到6亿美元，是当年肖特・希尔与红杉投资时估值的100倍。

从公司成立到上市，英伟达的发展故事完成了又一个阶段。回顾这一阶段，黄仁勋的两句话是很好的总结。

第一句，长时间的工作是追求卓越的必然前提。

第二句，或许有人比我更聪明，但没人比我更努力。

在这一阶段，他做的事情就是卷到极致，活下来！显卡本就是一门非常难的生意。从1993年成立到1999年上市，我将这一时期定义为英伟达的“显卡时代”。

在显卡时代，我们来梳理它的竞争优势有哪些。

首先看效率层面。我们不把效率定义为竞争优势，但效率是英伟达运营模式中最突出的特点。在效率上，英伟达做到了“极致内卷”，工作时长远不止996，而是更长时间。正是凭借这种“光速”推进的节奏，本质上是依靠团队长时间投入，黄仁勋才能以“黄氏定律”突破摩尔定律的限制。英伟达每款芯片的开发周期不超过6个月，开发过程中借助仿真器，且坚持向后兼容。要知道，早期产品NV1就因缺乏向后兼容，导致游戏玩家体验不好，黄仁勋也吸取了这个教训。

田喵

可以解释一下什么是“向后兼容”。

韦华

向后兼容指的是，当前开发的新设备或软件，能够兼容此前开发的设备或软件，用户不用再专门更新自己的软件。举个生活中常见的例子，我们买了5G手机后，依然可以使用4G、3G、2G网络，这就是典型的向后兼容。

田喵

当时他们已经意识到，英伟达不只是一家硬件公司，而是要走“软硬一体”的路线。软件层面要实现向后兼容，新显卡需支持运行老游戏；硬件层面也要兼容，新显卡需适配老主板。这些兼容性对发展至关重要。

韦华

为实现光速迭代，黄仁勋还设计了一套特殊机制：芯片开发周期为6个月，一年对应2个“开发赛季”，他安排2个团队围绕这2个赛季并行推进。

春秋

三团队两赛季。

韦华

第一组负责新芯片的架构设计，另外两组并行开发下一代产品，由此大幅提升迭代速度。他设定的考核标准是以物理层面的最大可能极限为参照，就是光速。

田喵

这个标准太可怕了。

韦华

我们不与其他公司比，也不与自己的过去比，只与物理极限比。这和马斯克的理念完全一致。马斯克在特斯拉曾说过一句让我大为震撼的话：“除了物理定律，别的都只是建议。”

以上是效率层面的特点。效率是企业在缺乏明确竞争优势时，必须守住的核心要素。再看产品质量，只有将性能做到极致，才能赢得当时游戏爱好者的青睐。这类用户只追求极致性能，不看重品牌，只要哪款显卡性能更优，就会选择哪款。因此当时不存在客户锁定，用户也没有转换成本，这和现在的大模型行业很像。比如我昨天还用DeepSeek，今天看到通义千问推出性能更优的新模型，就会转而使用通义千问。大家总会选择当前最好的产品，不在意厂商是哪家；哪个产品免费，就会优先使用哪个。不过，显卡行业的规模效应还是存在的，市占率提升之后，每款芯片几千万的研发成本摊薄了不少。

我再对显卡时代做个简单总结。

第一，显卡时代难以形成客户锁定，用户会始终选择性能最优的产品；

第二，在缺乏客户锁定的前提下，企业只能将效率做到极致、将产品质量做到最优；

第三，从投资视角来看，我觉得当时英伟达的商业模式太差了，生意做得极其艰苦。在那个时代，我是不会愿意投资的。

春秋

听到这3个结论，我突然想起黄仁勋当初决定投身这个领域时，曾问过自己3个问题。其中让我印象较深的是他的一句话，要做那些难度高、只有我能搞定而别人做不到的事。你觉得他这算是一种求仁得仁吗？

韦华

我认为黄仁勋在早期创业时，其实没太考虑商业模式，秉持的还是工程师思维，这种思维的核心是“我能做出来最牛的东西就一定有人认”。我身边的同学创业时也是这样，觉得自己技术好，想做最好的产品。

说个八卦。我有个同学叫项亮，在推荐算法领域做得非常出色，还写了一本书叫《推荐系统》。当时张一鸣正计划做今日头条，但觉得自己开发的算法不够完善。张一鸣看到这本书后非常欣赏，于是找到项亮邀请他：“要不要一起做今日头条？”但项亮觉得今日头条这类以内容推荐为主的产品主要服务于老年群体，不符合技术人员的理想，便拒绝了。技术人员往往容易忽略商业视角。当然，两年之后……

春秋

后来他的想法还是转变了。

韦华

对，他最终还是改变了。我好几个同学创业时也有类似情况，做出的产品虽然技术上很炫，但要么是市场不需要，要么是商业模式走不通。

春秋

我对你一年前提到的一个观点印象很深，是引用宋代历史学家吕祖谦的话：“观史如身在其中，见事之利害，时之祸患，必掩卷自思，使我遇此等事，当作何处之。”每次读历史，看到书中人物面临困境时，我会先合上书，想象自己处在当时的情境下会如何应对。

刚才听到黄仁勋1997年面临的困境时，我真的感觉太艰难了。虽然我们之前也说，即便重新经历NV1的开发，那些问题或许仍会出现，但黄仁勋改正问题之彻底、身段之柔软、变革程度之大，几乎让英伟达实现了脱胎换骨的转变。如果当时是克蒂斯或其他人担任CEO，或许会更看重工程师的“尊严”，坚持原有方向；但黄仁勋很快就以市场需求为核心，彻底调整了公司的发展方向。

韦华

优秀的企业家往往都是如此，当发现走错路的时候，不是慢慢地纠错，而是直接推翻原有方案、重新构建新的路径。这需要对知识保持诚实，理清所有事实，再基于第一性原理从源头出发，重构新产品。他们并不会纠结于之前犯下的错误。

马斯克其实也是如此，最初研发自动驾驶时，他投入了大量资金和精力开发基于规则的算法，也发明了许多，但当发现端到端模型是更好的解决方案后，就彻底推翻了之前的做法。我觉得这是卓越企业家共有的思维模式。

阿飞

本质上就是拥有快速进化的能力—既能适应市场与技术的变化，进化程度还非常彻底。

春秋

果断与过去的自己切割。之前提到“人、钱、战略”这三个维度，我觉得黄仁勋在每个维度都表现出色，堪称六边形战士，没有明显短板。

韦华

其实黄仁勋也犯过不少错误，公司能挺过来多少也有运气因素。我们现在回顾这些往事，本质上是用后视镜视角看待当年的情况。在1999年之前，作为投资人，我甚至碰都不敢碰这个行业。

那时候显卡只是大宗商品，并且面临着被集成的命运，像网卡、声卡一样。如何打破大宗商品的困境？如何跳出被集成的宿命呢？

春秋

或许可以跟巴菲特吃顿饭，学学他的投资理念。

第三章 修建城墙：GPU和CUDA

韦华

故事回到1999年。当时黄仁勋的核心想法是，要与CPU形成抗衡，避免显卡被CPU集成。为此他们构思了一套推广策略，创造一个全新的产品名词。

每当面临困境，黄仁勋总会想，换一个新名称是否能带来突破？这一次，他们不再使用“显卡芯片”这一表述，而是将其重新定义为“图形处理单元”（Graphics Processing Unit，简称GPU）。

CPU是中央处理单元，GPU同样属于处理单元，从名称上看，GPU给人的直观感觉是CPU的升级形态。他们在1998年就创造了GPU这一新的产品类别，1999年8月推出的第一款GPU，本质上是RIVA TNT的迭代版本。

田喵

1999年初，RIVA TNT2正式发布。这款产品的特别之处在于分类策略：分为TNT2、TNT2 Ultra、TNT2 M64三个型号。其中，M64采用64位带宽，前两个型号则为128位带宽。这正是业内常说的“老黄刀法”，背后是黄仁勋提出的“运送一整头牛”策略。RIVA系列芯片本身属于大芯片，良品率相对较低。过去行业普遍做法是，将不合格的芯片直接丢弃；但黄仁勋提出了不同思路—不浪费资源，将残次芯片修复、切割后，可用于生产定位更低一档的产品。具体来说，旗舰产品生产中淘汰的次品，可用于高端产品线；高端线中不合格的芯片，经调整后又能投入中端线使用。

在这一分类中，Ultra是旗舰型号，TNT2属于高端线，M64则定位中端线（非低端线）。其中存在一个巧妙的市场心理设计，因为当时信息流通不畅，DIY玩家对硬件参数了解有限，购买时主要关注显存容量，认为显存越大性能越强。这种认知很容易形成舆论效应—TNT2被普遍认为性能强悍，M64则因定价较低，被贴上“性价比高”的标签，最终形成“M64既便宜又强”的市场评价。

春秋

也就是说，用户对这些由残次芯片改造的产品，认知锚点是从旗舰型号延伸而来的。

田喵

没错。相当于旗舰款为中端带来了口碑红利，而中端款又借助旗舰款的高性能标签获得了市场认可。

韦华

这种策略的灵感源自《创新者的窘境》一书，在商业竞争中极具实战价值。当年台积电与中芯国际的竞争采用的就是类似思路。台积电用更先进的EUV光刻机替代了传统的DUV光刻机，这些在台湾本地淘汰且完成折旧的DUV光刻机及配套产线，被转移至中国大陆。这时台积电的折旧成本几乎为零，成本极低，中芯国际实在难以与之竞争。这种打法其实特别狠。

田喵

正如韦华所说，当时英伟达的商业模式很差，竞争优势有限，唯一能依托的优势是“规模效应”。

韦华

商业竞争没有仁慈可言，不留活口。我们再回到GPU，虽然它本质是RIVA TNT的迭代，但也需要一个新名称。这便是后来大名鼎鼎的GeForce系列。

第一款GPU产品GeForce 256推出后，英伟达迎来了一次重要的合作机会。2000年3月，微软计划推出游戏主机Xbox。谁能成为Xbox的图形芯片供应商，谁就能在行业中占据更有利的地位。当时微软已投资了一家名为Gigapixel的显卡公司，并成为股东。正常而言，Gigapixel理应成为微软的供应商。但黄仁勋并未轻易放弃，坚持争取到最后一刻—距离微软计划在游戏开发者大会上宣布与Gigapixel合作仅剩一周时，他主动找到微软说，请试试我们的GPU。

春秋

别再喝奶昔了，可乐才更好。

韦华

黄仁勋再次展现了强大的说服力。经过一周的详细对比测试，微软最终放弃了与参股公司Gigapixel的合作，选择与英伟达达成合作。

春秋

不可思议。

田喵

不容易啊。黄仁勋当时一定拿出了极具吸引力的合作筹码，核心原因在于GeForce 256这款显卡具备一项关键功能—硬件T&L（Transform & Lighting，坐标转换与光照计算）。这项功能的价值在哪呢？此前GPU之所以始终面临被CPU集成的威胁，主要因为多数运算、编程任务都由CPU主导。CPU会向GPU分配计算任务，GPU完成后将结果传回CPU，CPU再发出新指令，如此反复导致硬件接口通信频繁，CPU极易超载。

而黄仁勋推出的硬件T&L，能够将原本由CPU负责的光照、阴影等运算任务，全部转移到GPU内部独立完成。这使得GPU无需再依赖CPU，可直接接受编程控制。运算任务全部交由GPU后，其定位也发生了本质转变—不再是CPU的“打工人”了，而成为了具备独立运算能力的核心硬件。

韦华

我们可以简单科普一下CPU与GPU的区别。假设需要搬运大量砖块，CPU就像一个猛男，一次能搬运几十块砖；而GPU则像数千名小学生，单个小学生一次只能搬运一两块，但凭借人数优势，一两下就搬完了，整体速度比猛男快不少。

田喵

我再补充一点微软选择英伟达的原因：GeForce 256距离TNT2的推出仅半年时间，性能就提升了60%；两个月后，英伟达又对其显存进行了升级，性能再提升30%。如今我们常说的DDR（Double Data Rate，双倍数据率）显存，正是在这一时期被发明的。

春秋

微软也被光速迭代的节奏征服了。

田喵

这意味着英伟达在9个月内实现了性能翻倍。

韦华

此外，微软的工程师更习惯使用英伟达的产品，他们从技术层面强烈建议选择英伟达，这种自下而上的反馈也起到了重要作用。

田喵

当时市场上性能顶尖的显卡主要有两款，其中一款来自Gigapixel，它当时存在被3dfx收购的可能性。3dfx并不采用微软的Direct 3D技术，仍在使用自家的Glide技术，所以本质上与微软并非同一阵营。如果3dfx完成对Gigapixel的收购，微软反而会陷入被动绑定的局面。

反观英伟达，9个月实现了性能翻倍，而它的对手在两三年内都没有实现同等幅度的升级。

微软的工程师深知性能翻倍的价值，以及英伟达在底层应用程序编程接口合作上的优势，这都是他们倾向于选择英伟达的关键原因。

春秋

所以每次奶昔换可乐的背后，都有实际利益的考量。

田喵

是有许多利益因素的，只不过书里都没有写。

韦华

这也是我们做这档播客的初衷—分享我们的思考与见解，不仅仅局限于已有的公开资料。

更具里程碑意义的事件发生在2001年2月：英伟达发布GeForce 3。这款产品的推出，标志着它真正迈入了GPU时代。

田喵

对，GeForce 2 还是图形加速器时代的产品。

韦华

GeForce 3 和上一代相比，多了一个可编程着色器，还发明了新的编程语言 Cg（C for Graphics）— 就是为图形设计的 C语言，本质上用于GPU开发。这才是真正可编程的GPU，也是真正的标志性突破。从此，GPU不再只是打工人了。

大家可能对GeForce 3 的厉害没什么直观印象，我举两个例子。第一个是科学计算领域的应用。黄仁勋很喜欢这个故事，每次英伟达GPU技术大会（Nvidia GPU Technology Conference，简称GTC）上都爱讲。他说GeForce 3发布后，因为有了Cg开发环境，有位量子物理学家跟他说：“因为你的产品，我终于能在有生之年完成毕生工作了。”这句话让黄仁勋很感动—他的产品不再是一般产品，而像“时间机器”，能让人“穿越”到未来。也是从那时起，他提出英伟达的使命：加速计算。

田喵

这个定位真的很关键。

韦华

对，这个定位太关键了。加速计算就是我们要做的伟大的事。这是第一个重要应用，GeForce 3 能用于科学界，帮科学家实现梦想。

春秋

成就每一个梦想。

韦华

第二个应用也很有意思，和苹果有关。GeForce 3 推出后需要做展示，英伟达想做个特别炫酷的演示，当时就想到了乔布斯的另一家公司—皮克斯。皮克斯在1986年做过一部两分钟的小动画《顽皮跳跳灯》，后来皮克斯的每部动画开头，都有个台灯跳来跳去压扁小球，就源自这部短片。

这部动画第一次让大家感受到光影的魅力。为什么这么说？它讲的是小台灯和台灯爸爸的亲情故事（也有人觉得是台灯妈妈，但我觉得那种温馨感更像是爸爸）。动画里的台灯都开着，光线照到球上会形成影子，球滚动时影子也跟着动，这对计算量要求非常大。两个台灯光线叠加，要做得逼真，在那个年代是特别难的。所以小台灯动画一出来就震撼了所有人，没人想到这是用计算机做的。

当时英伟达的销售就想靠GeForce 3重现这个小台灯动画来展示技术实力，肯定能吸引乔布斯注意。很快他们就做了演示给乔布斯看，乔布斯惊呆了：“我们这个小台灯动画，其实是在克雷超级计算机上花了好久才做出来的，没想到GeForce 3直接就能跑。”这时英伟达的人说：“这还不算什么，给你看更酷的。”接着他们把动画改成游戏般的视觉效果—能改视角、调摄像机距离，实时生成光照和投影。乔布斯当场就说：“就你了！”就这样，英伟达打入苹果供应链，成了当时Mac机型的高端配置供应商。

春秋

恭喜他进入“果链”。

韦华

乔布斯和英伟达的人聊得很开心，但也说：“你们公司挺好，但在移动笔记本领域，不如我们另一个供应商ATI（Array Technology Industry）—它才是你们的对手。”

这就引出了英伟达的第二个强敌：ATI公司。ATI于1985年在加拿大成立，那时候还没有3D显卡，它是2D时代的幸存者。2002年8月，ATI推出了显卡芯片R300，还和微软达成了合作。

为什么微软选ATI而非英伟达？因为黄仁勋当时犯了个大错：英伟达刚收购3dfx，一百多名3dfx工程师一下子都过来了，两边文化没融合好，英伟达对自己的产品定位也开始混乱。而且黄仁勋可能有点“飘”了—当时微软要推出新的Direct 3D系列接口，要求所有供应商修改协议，自己要拿更大利益。黄仁勋不同意，说我要跟你杠一下。结果英伟达拿不到新Direct 3D的信息，只能按自己的思路做下一代GPU芯片—NV30，也就是后来的GeForce FX。

而ATI就很聪明，选择和微软合作，R300完美兼容Direct 3D。客户自然会选R300，而非兼容性差的NV30。除此之外，NV30比ATI的R300价格更高、风扇声音更大、发热更严重，游戏性能还更差。也想不通黄仁勋当时是怎么想的，一下子就懵了。

但黄仁勋毕竟是黄仁勋，运气也站在他这边—ATI当时居然没靠降价直接打垮他，还是定了相对较高的价格，使得一部分人还是愿意买NV30（也就是GeForce FX 显卡）。英伟达这才得到喘息机会。

春秋

不知道3dfx的高管除了去英伟达，有没有去ATI的？这种错误可不能犯两遍。

韦华

黄仁勋后来自己也说：“如果我是对手，肯定不会让他们活下来。”但ATI确实给了英伟达喘息的机会。

2001到2005年这段时间，英伟达和ATI都是AMD的集成显卡供应商。我们之前聊的都是独立显卡，其实除了PC端独立显卡，还有集成显卡业务。直到2006年，AMD觉得GPU业务很重要，决定收购一家相关公司—最后花了54亿美元收购ATI，这在当时是很大的并购案。

春秋

当时英伟达好像也在AMD的考虑名单里，但最后有更关键的原因让他们选了ATI。

韦华

一来ATI更便宜，二来有领导权之争。老黄说：“AMD要收购我们，那我得担任AMD的CEO。”AMD的CEO自然反对。所以最终ATI被收购，英伟达也自然退出了AMD的供应商名单。从此，AMD成了英伟达最强的对手，一直到现在。

之前我们说过，英伟达的芯片已经能跑Cg程序，不再局限于图形图像领域，还能用于科学计算。但黄仁勋还不满足，他想建更坚固的“城墙”，以此突破显卡的困境，那就是统一计算设备架构（Compute Unified Devices Architecture，简称CUDA）。

CUDA从2006年开始研发，一直持续到现在，投入应该已经上百亿美元了。就像在英特尔和微软的联盟里，英特尔是硬件，微软是操作系统，CUDA在联盟里的地位就相当于操作系统。也就是说，英伟达自己和自己形成了Wintel联盟—在图形显卡领域，既出芯片，又出整套系统。

CUDA程序不能在其他图形芯片上运行，只能用在英伟达芯片上。它是免费的，但闭源。一开始，这也是“零亿美元市场”—谁会用这个东西呢？于是黄仁勋想到个好模式。当时英伟达芯片已经出圈，大学里很多科学家、教授开始用GPU做计算。但科学家没什么钱，学校经费也有限，他就免费送显卡，只提一个条件：要学会GPU编程。因为大多数人不懂GPU编程，英伟达就专门组织团队去大学里做CUDA编程培训。

春秋

一条龙服务。

韦华

对，他从一开始就锁定学生客户，让他们从学生时代就习惯用这些编程工具。一旦养成了长期的习惯，毕业之后也很难改。

田喵

就跟现在的苹果一样。苹果会把店开到大学里，对大学生给更大折扣，不会用的地方直接教。要是底层有些编程环境不会配置，也会帮着准备好。

春秋

对，年轻时有精力折腾但没钱，等年纪大了没精力但有钱，也还是只记得以前用惯的这家。

韦华

李录在一次演讲里提到过彭博的商业模式特别有效。学生读商科时，经常用彭博的系统和软件；等毕业去华尔街工作，也不愿意换了。黄仁勋也是这个思路—让工程师从学生时代就用CUDA编程，进企业后也会想继续用。

现在的英伟达芯片，和以前完全不一样了。从2000年左右开始，英伟达慢慢建起了自己的生态：生态里有程序员、有CUDA、有芯片、有应用软件，还有基于这些的产业链。这个生态有点像苹果的iPhone—既包含手机硬件，又有iOS、App Store、成千上万的APP，还有背后的程序员；也有点像Wintel联盟—既有英特尔芯片，又有微软操作系统。

在此之前，整个PC行业的演化一直是这样：主板上以英特尔为主导，CPU不断“ 吞并”其他公司的芯片，比如声卡、显卡；软件层面像微软，只要你的APP有流量，就想把你干掉—最有名的就是IE事件，用免费的IE浏览器打垮了竞争对手网景通信（Netscape Communications）。这两招对其他企业打击太大了。

英伟达想模仿他们，建自己的生态来加强客户锁定能力，但市场在哪呢？这可是个“零亿美元市场”。而且CUDA一直在烧钱：2006年开始做，两年后就遇到2008年金融危机。作为投资人，如果在CUDA刚起步时就有极强的洞察力，或许会买英伟达股票；但从2008年开始，英伟达股价从39美元一度跌到7美元，跌幅达80%。

英伟达的历史上，坏事好像总是扎堆而来：先是2008年7月，两款主力芯片G84和G86因设计缺陷出现发热问题，一天内股价跌了30%；一个月后的9月，金融危机爆发，10月整个资本市场暴跌；之后，PC 行业整体增长也开始放缓。所以 2008 年到 2009 年这段时间，英伟达几乎被打回原点—市场没起来，股价跌到谷底。

回头看2010年英伟达的状况：英伟达财年从每年2月第一周的周一开始，到下一年1月底结束。2010财年（2009年1月26日—2010年1月31日），英伟达收入下降3%，净利润亏了近7000万美元。回到那个时间点思考，英伟达还能站起来吗？

这时的英伟达必须转型。其实黄仁勋早观察到一个趋势：2007年第一款 iPhone 发布，2009 年 iPhone 势头已经很明显，2010 年iPhone 4全球爆火—市场趋势正从PC转向手机、平板、汽车。

英伟达该不该进手机市场呢？阿飞，你怎么看？

阿飞

我觉得很难。

韦华

但手机游戏看起来拥有一个非常美好的未来。

阿飞

可英伟达培育的产品在手机上其实显不出优势。到了手机领域，我很难想象它的应用场景在哪。

田喵

我的看法是，虽然不容易，但还是该试试。

韦华

这个市场太大了。

田喵

当时市场确实大，毕竟都 2010 年了，大家已经能在iPhone上玩《愤怒的小鸟》了，能直观感受到iPhone的吸引力。

2010 年我用的是iPhone 3GS，当时真觉得iPhone 4厉害，但换不起。不过那时候我就觉得，手机其实需要图形计算能力，甚至需要一些科学计算功能—这些显卡都能做，不试试怎么知道？所以我觉得该试试。

韦华

那时候谷歌为了对抗iPhone，想在安卓系统里加最好的图形处理能力。当时安卓系统挺差的，谷歌希望靠更好的图形能力提升竞争力，所以英伟达成了理想合作伙伴。2010年初，英伟达发布了移动端产品Tegra 2，这款产品是在2010年拉斯维加斯CES展会上推出的。

Tegra 2基于安谋公司（ARM）研发的高级RISC精简指令集架构，是片上系统（System on Chip，简称SOC）芯片，集成了双核ARM Cortex A9的CPU和英伟达自家的 GeForce GPU。

特别说一下，手机芯片和其他芯片不一样，其他芯片的各类功能还能分开独立做，但手机空间小、功耗要求又低，必须把CPU、GPU还有调制解调器这些全都集成到一块，这就是所谓的SOC芯片。关于ARM，后面还有不少故事要讲。

这款芯片发布后卖得其实不错，因为当时苹果手机价格太高，安卓的市场需求很大。从2011年到2015年，英伟达不断迭代移动端产品，从Tegra 3、Tegra 4，再到K1、X1，行业规模不小，他们的芯片也做得挺好。但竞争对手也不会坐视不理，最强的对手就是高通（Qualcomm）。跟高通打其实很难，因为高通握有最优秀的通信专利。

后来高通的市场份额越来越大，两家打价格战，直接导致英伟达的利润越来越薄。而且市场上还有其他对手，低端有联发科技（MediaTek Inc.），高端有高通，英伟达夹在中间太难了。这时候黄仁勋就说，我们当初的梦想是做加速计算，不是单纯做商品，没必要在这个领域继续耗着。

春秋

缠斗下去意义也不大。

韦华

对，黄仁勋觉得手机行业和英伟达的愿景不一致，就慢慢退出了手机和平板这两个领域。虽然退出了，但这套Tegra体系还在—后来这套技术正好用在了游戏主机上，比如和任天堂合作的Switch；也能用在汽车行业，比如特斯拉早期Model S中控大屏背后的GPU。

春秋

田喵刚才的反应还挺准的，先试试，最后发现不在自己的能力圈里，也没必要硬拼。

田喵

你们说，为什么手机或平板最后没成为算力终端？到底是什么限制了它们？

韦华

我觉得主要还是功耗问题。

田喵

功耗和散热确实关键。普通用户对手机发热很敏感，所以功耗就很难提升。

韦华

其次可能是传输速度。低功耗和低速率使得边缘计算效率太低，没法成为主流。

黄仁勋在手机行业前后折腾了四五年，这段经历让他得出一个重要的人生经验：要学会放弃。他说：“战略撤退、牺牲、不做什么，才是成功的关键。”

春秋

就是要列出不为清单。

韦华

对，这个观点和段永平很像。最近段永平还买了英伟达股票，不知道是不是看到这句话有了共鸣。“决定不做什么”真的太重要了。

到这里，我们也该回顾总结一下了，我们把这个阶段叫做英伟达的GPU时代。在这个时代，黄仁勋是怎么构建竞争壁垒的呢？

第一，技术迭代要像光速一样快，核心就是抓效率。比如黄氏定律要求的6个月迭代一次，一直没被打破。

第二，要“运送一整头牛”，从高端到低端全掌控。有了竞争优势就要用好，如果出现对手，就用价格战把对方压下去—囚徒困境里，价格战是最直接的办法。只要规模效应在，成本就能比对手低，根本不怕降价，降到对方没利润就行。

第三，GPU的重要性越来越高，客户锁定也越来越强。现在GPU能支持编程，程序员大多不愿意换熟悉的开发环境；尤其是2006年推出CUDA后，它成了极强的客户锁定手段—因为一旦在CUDA上写了程序，移植到其他平台特别麻烦。而且CUDA还有很强的网络效应：开发者越多，应用就越多；用的人越多，生态圈越壮大，大家切换平台的动力就越小。

CUDA的研发投入极大，得花上百亿美元，要是芯片卖得不够多，根本没法模仿。但英伟达靠规模效应，能把CUDA的成本分摊到每块芯片上，成本足够薄，产品竞争力自然更强。总的来说，CUDA既强化了客户锁定，又有强网络效应，还有极致的规模效应。

这是黄仁勋在GPU时代做的最正确的事。

第四章 引领浪潮：人工智能和数据中心

春秋

下面来到最激动人心的部分，英伟达的人工智能和数据中心浪潮。

韦华

在讲人工智能时代之前，我想给大家普及一下人工智能的基本概念。不过直接讲概念太无聊，我尝试着用人工智能大神伊利亚·苏茨克维（Ilya Sutskever）的故事来让大家更好地理解。

伊利亚发明了ChatGPT，我认为他是真正的人工智能之神。我们试着从他的视角来理解人工智能的基础。只有理解了这些基本概念，后面的内容我们才能理顺。

1985年，伊利亚出生在俄罗斯，那时还叫苏联。有的地方写他出生于1986年，我没有求证，反正和我的年龄差不多。他小时候去了以色列，生活在耶路撒冷，7岁开始编程。八年级的时候，就开始自学公开大学的计算机课程。

这样一个神童，从小对人类的意识怎么产生、人类经验是怎么改变行为的这类问题非常感兴趣。他对大脑有很强的好奇心。为了搞清楚人类大脑的运作原理，他就开始研究人工智能。

什么是人工智能呢？我们用机器来模拟人的感知、思维和行动，这就是人工智能。感知包括视觉、触觉、听觉等；而机器比较难模拟的地方是人的思维和行动。

人类有一种很重要的能力，就是学习。人能通过建立联结进行学习。熟悉《穷查理宝典》的读者都知道联结学习。联结学习主要有两种方式，一种是经典性条件反射，一种是操作性条件反射。经典性条件反射，就像巴普洛夫的狗一样，一摇铃铛就给它送出食物，时间久了，它一听到铃铛就会流口水，这就是经典性条件反射学习方式。操作性条件反射就是答对了什么问题就得到一个奖励。像小白鼠踩笼子里的开关，踩到之后有食物奖励，它就会一直去踩。

伊利亚发现，人还可以通过观察和模仿来学习，就是看你怎么做，我跟着做、模仿着做，从而自动锻炼自己的智力。

在那个年代，机器完全不会学习。伊利亚就想到，如果机器也能像人一样学习，人工智能就会有极大的进步。所以他找到了关键问题—让机器像人一样学习，或许就是实现人工智能的关键。机器学习，很符合直觉。

2002年，伊利亚全家移民到了多伦多。牛人似乎都是先用加拿大做个跳板，马斯克也是这样做。一到多伦多，伊利亚就直奔图书馆，在那边找机器学习的书，疯狂阅读。同年，伊利亚就读于多伦多大学的本科数学系。

2005年，伊利亚本科毕业的那个暑假，在一个周日的早上，他去敲一位老师办公室的门。老师回忆说，这小子敲门特别急促，完全不给人反应的时间。所以老师一开始其实很烦他，觉得这孩子不太会处理人际关系。这个老师就是杰弗里·辛顿（Geoffrey Hinton）。伊利亚进门后说：“我不想暑假卖薯条，我想在你的实验室工作。”辛顿一惊，想拒绝，委婉说道：“要不我们再约个时间？”伊利亚直接说：“How about now?”要不就现在？

辛顿觉得这个孩子太奇怪了，又和他接着聊了几分钟，伊利亚赶紧把自己关于机器学习的各种疑惑都抛给了辛顿。辛顿听完后说：“要不试试神经网络？”

什么是神经网络？辛顿指的是人工神经网络。它是一种模拟人类大脑神经元和连接来处理数据的方法。人工神经网络有输入层、隐藏层和输出层，隐藏层可以有很多层，每一层有很多“人工神经元”。

所谓人工神经元，其实就是个功能很弱的小计算器，对输入信号（比如0和1）进行加权求和。如果求和的结果超过某个阈值，就会产生输出信号，否则就没有输出。就是这么一个简单的计算单元。

刚才提到的加权求和中的权重，其实就是我们说的大模型里的参数。我们现在可以理解人工神经网络、人工神经元和参数之间的具体关系。数据输入后，先进入输入层，再经历隐藏层里的多次计算，最终由输出层输出结果。然后我们把输出结果和正确答案进行比较，从而调整隐藏层里的参数。这个过程不断重复，直到输出结果尽量接近正确答案。这个过程就叫训练。

这种处理问题的方式和传统计算机完全不一样。因为以往的计算机程序都需要明确的逻辑，比如一条条规则、if else语句等。

当时的科学界对于不以规则为基础、而以结果反馈来调整参数的神经网络方法，几乎是完全不认可的。因为你其实不知道它为什么会这样，只是根据结果去做了调整。

伊利亚不知道神经网络是什么，辛顿就直接把他那篇特别著名的论文丢给伊利亚，也就是1986年发表在Nature上的那篇提出“神经网络中反向传播算法”的论文。这篇论文巧妙地通过反向传播的方式，更好地调整参数。这在神经网络领域是个巨大进步。

春秋

用太极拳来比喻，以前“接、化、发”的时候不知道怎么办，现在可以根据你的“发力”，去调整你的“化”。

韦华

可以这么理解。辛顿其实是为了打发伊利亚。给了伊利亚论文后，就说：“一周之后，你看懂了再来找我聊。”辛顿觉得这小伙子应该会知难而退，不会再来了。

结果没想到，伊利亚一周后真的来了。辛顿问他看懂了吗？伊利亚说我不懂。辛顿说，这不就是个简单的链式法则吗？有啥难懂的？辛顿很失望。结果伊利亚满脸疑惑地问道：“我不懂你为什么不把梯度设置成一个合理的优化函数？”辛顿一听惊呆了，心想：这个问题我们团队花了好几年才明白，这小伙子一周就发现了！所以伊利亚就自然成了辛顿的研究生。

一开始，他跟着老师学习神经网络，因为实验室的设备限制，只能专注在小规模数据集的分类和生成。大概1987、1988年的时候，杨立昆（Yann LeCun）也在这个实验室做客座研究员，做的也是小规模数据集的数据分类和生成。数据分类很简单，就是把数据按一定的模式分开。生成更有意思，就是预测下一个数据是什么。这其实就是早期的生成式人工智能。

这时，伊利亚有了自己的想法，他觉得要解决更大、更难的问题，就需要更大、更深的神经网络。基于这个想法，他还说了一句话，比老师更激进。现在回头看真是惊世骇俗。他说：“有一天，人工神经网络的识别能力会超过人类大脑的能力。”

伊利亚非常坚定。他相信，只要神经网络的参数规模足够大，网络的层数足够多—deep and large—就有可能实现这个预言。deep指神经网络的层数多。

有时候我会觉得，科学的发展其实很依赖科学家的信念。伊利亚说：“你必须信仰这个理念，不断推动它。你的信仰越强大，驱动力越大，deep and large就是关键。”辛顿听完之后老泪纵横，非常感动。

春秋

一时竟不知道是谁有幸遇见了谁。

韦华

我觉得辛顿在那个时候，思绪一定回到了1987年12月6日的多伦多。那天一早，他来到实验室，神情沮丧、沉默、阴郁，和之前判若两人。辛顿本来是个特别幽默的英国人。但这一天，他讲的笑话都特别苦涩。

办公室里的同事像杨立昆他们，都不知道发生了什么事。最后辛顿向大家坦诚了自己的苦恼。辛顿说：“今天是我四十岁的生日，我的职业生涯也到头了，什么也做不成了。”在他的认知里面，四十岁是一个里程碑。过了这个岁数，人的大脑就不像以前那么清晰了。所以他觉得自己再也不会有关于大脑工作原理方面的新发现了。

一语成谶，二十多年过去了，他真的没有取得一个大突破，一直到今天，伊利亚说出了这些话。他可能会想，眼前这个孩子也许会让故事的结局不一样……

我先卖个关子。停下来复习一下。现在我们已经通过伊利亚的故事理解了人工智能领域的基本概念，比如什么是人工智能，什么是机器学习，什么是神经网络和神经元。还有一个特别有意思的概念，叫深度学习。深度学习是怎么来的呢？

那个时代，当辛顿和杨立昆他们反复强调人工神经网络的时候，科学界觉得他们是在搞玄学，搞一些非科学的事情，极不靠谱。所以只要是他们的文章就删掉，看都不看。为了让自己更有影响力，不那么被人厌烦、被人排斥，他们就发明了一个词来替代神经网络的机器学习，这个词就叫“深度学习”。

春秋

起名是非常重要的，看来不只是老黄这么想。

韦华

理解了这些基本概念之后，我们按照伊利亚的思路继续走下去。他认为训练这种deep and large的神经网络，就可以解决更难的问题。然后他想到的是，用有监督的学习方法去学，一定可以取得更好的效果。

春秋

有监督的学习是什么呢？

韦华

有监督的学习是机器学习的一种方法。简单来讲，就是让计算机通过带答案的例子来寻找规律，然后用这个规律去回答新的问题。比如说，生活中，我教孩子认动物时，会给孩子一堆动物的图片。每个图片上写着动物的名字。孩子看到这些图片和标签之后，自然就知道狗长什么样，猫长什么样。让孩子看这种有标注的数据，就叫有监督的学习。计算机通过输入这些数据，比如输入动物图片和对应动物名的标签来学习，也就是有监督的学习。

如果把没有标注的数据直接拿来让孩子或者计算机看，并让他自己分类，就是无监督的学习。

伊利亚要做有监督的学习，最需要的东西是什么？是一个规模极大、甚至超出想象的、有标注的数据集。可是，这么大的一个数据集从哪里来呢？太难了，大家一筹莫展。

人工智能的发展需要三个要素：数据集、算力、算法。对于伊利亚来讲，算法已经找到了，就是神经网络。现在需要的是另外两个东西：数据集和算力。这个时候我们就要引入女一号了，她叫李飞飞。

李飞飞出生在北京，成长在成都。1989年之后，她爸爸跑到美国去了。几年之后，李飞飞和她妈妈也跟去了美国。这样一个移民家庭的生活是很艰辛的，她也得去中餐馆打工。但她跟黄仁勋不一样……

春秋

不会想着劝人把奶昔换成可乐。

韦华

是的。对李飞飞来说，打工是一个很苦很累的活儿。有件事她记得很清楚。打工的时候，她闲下来时看了一会书，餐馆的老板就说：看书对你有什么用？好好洗你的盘子。生活在这样的环境里，她觉得很悲哀。

读高中的时候，她和几个亚洲同学组成一个学习小组，也遭遇了霸凌。其中一个组员有一次被打得很惨，这让她心里特别害怕，甚至打算放弃好好学习了。她的心理素质跟黄仁勋是没法比的。很幸运的是，她碰到了一个很好的数学老师，这位老师叫鲍勃。

有了老师的支持，李飞飞学习变得特别好，后来考上了普林斯顿大学，进了物理系。学物理的时候，她发现一个现象，最顶尖的物理学家最后都开始研究生物学，研究大脑。她也想研究大脑，研究大脑和计算机之间的关系，尤其是在视觉领域。本科毕业后，她找到了加州理工大学，也是钱学森的母校，她在这个学校里面找到了相关的跨学科项目，于是读了研究生。

李飞飞读完博士之后几年，又回到普林斯顿大学当教授。继续科研的日子里，她受到了几个人的影响。

第一个人是一位计算机视觉专家。他说要理解和模拟我们生活的这个世界，其实只需要懂3万个独特的概念。只要理解了这3万个概念，就能描述这个世界上所有的东西了。

第二个人是一位语言学家。李飞飞曾在加州理工学院整理过数据集，这个数据集的名字是Caltech 101，大概包括101个种类，每个种类约有几十张图片，加起来是近万张图片。她觉得已经很了不起了。做完这个数据集后，李飞飞四处演讲，推荐这个数据集。Caltech 101也因此进入了辛顿的实验室。

一次演讲后，一个语言学家找到李飞飞说：“我很欣赏你做的数据集。我们做的一个东西也想让你看看，叫WordNet。我们把所有的英语单词全部找出来，连成一个类似图谱一样的网络。比如说猫、老虎、狮子都是猫科动物，就跟猫科动物连条线。其实就是把词和词之间的关系连起来，做成一个词的集合。WordNet里一共有14万个单词，是一个非常强大的单词网络。接下来我们想做的事情是给WordNet上面的每一个节点、每一个单词配上一张图片。我们把这个项目叫做ImageNet。”这就是ImageNet这个名字的由来。但是这个语言学家的困难在于他们没有钱也没有能力做下去。

语言学家深深地打动了李飞飞，那个时候已经是2006年了。当时所有的科学家只会选择做算法，谁会选择做数据集呢？

2006年，我考上了中国科学院自动化所的研究生。进入实验室开始研究人工智能这个方向后，我的师兄让我做的第一件事情就是做标注，跟李飞飞做的事情一模一样。给了我很多段语音，我需要听出里面的噪音是什么，把噪音标注出来，把不是噪音的部分截下来。

这个工作极其枯燥无趣。让我这个对科学充满幻想的人一点点丧失了好奇心。在做噪音数据的标注两三个月之后，我感觉我对科学已经失去了信心，也失去了兴趣。让一个科研工作者天天听噪音，其实是很危险的。很多年前，有一个人做了和我类似的事情，她就是叶文洁。“不要回答，不要回答，不要回答！”

李飞飞也在做着同样的事情，就是标注数据集。她觉得数据集非常重要，我却搞不明白。我和她的区别可能就在这里。2007年初，李飞飞给自己立了个项目，就是做ImageNet。她的项目有多大呢？她把WordNet里的14万个单词进行整理，去掉了虚词、动词和一些不实指的词，只剩下2.2万个能表示概念的词。2.2万这个数字和之前那位计算机科学家说的3万居然惊人地接近。2.2万个概念就是2.2万个类别，每个类别配1000张图片，这样一共就有两千多万张图片，这将会成为历史上最大的数据集。和之前的Caltech 101比，完全不是一个级别的。

李飞飞找了自己的博士生邓佳来帮忙。邓佳算了一下，要做完这个项目，需要19年时间。尽管他很有兴趣，但他需要博士毕业。好在他们的经费还算充足。所以一开始，他们花10美元/小时，请本科生来做这个工作。而我当时在实验室干标注工作时，是0美元/小时。

再后来，他们发现亚马逊上有一个很有意思的项目，叫土耳其机器人（Amazon Mechanical MTurk）。土耳其机器人是什么呢？传说在土耳其，有一个机器人下象棋特别厉害，当地所有的人类棋手都下不过它。大家以为机器人的人工智能已经发展到高超的程度了，但实际上，那个机器人里面藏着一个真正的国际象棋大师。

春秋

这个人工智能真的是人工。

韦华

真正的“人工”智能。亚马逊就以这个故事为启发做了一个项目，叫众包。如果你有想法，想让一些便宜的劳动力来干活，只要工作能够在网上完成，他们都能去做。这个项目本来都要活不下去了，直到ImageNet出现，简直是天作之合。

李飞飞团队付给众包平台的时薪是2美元/小时。实际上，即便是1美元/小时，也有很多人干。但李飞飞认可这个劳动价值，坚持给更高的报酬。依靠全世界各地的劳工，最终他们收集了10亿张照片，从这10亿张照片里面选出了1500万张照片。一共有167个国家、大概5万人参加了这个众包项目。他们在不到一年的时间里面就完成了目标。

我一直好奇，李飞飞为什么会做科学家最不屑做的事情？做标注这种体力活，我都不愿意做，李飞飞为什么会做？李飞飞用一句话解释了。她说她有一个信仰，她一直在想，会不会存在一种可能性：让算法识别出任何东西的秘诀就在于打造一个无所不包的数据集？

李飞飞和伊利亚在信仰上十分吻合，他们都是信仰驱动派。这一派的人自然会被传统科学家鄙视，所以当时支持这种做法的人寥寥无几。但一个大神吴恩达站出来说，我支持李飞飞这个想法。他邀请李飞飞到斯坦福大学做研究。到了斯坦福大学之后，他们开始推ImageNet，在各种会上推销，但没人理。

杨立昆用一个特别简单的观点驳倒了李飞飞的数据集思路。他说，一个孩子看了一张猫的图片就能识别所有的猫，所以你这个做法是有问题的，整个方向都是有问题的。

ImageNet起初是不受重视的。2010年，举办了第一届ImageNet识别大赛。当时有35个团队参赛，大家主流的方法基本上都是用支持向量机（Support Vector Machine，简称SVM）。所谓的支持向量机就是，两类东西要分开很难，但是我把它升一个维度之后，在中间画条线就变得更容易了。这种方法很适合小数据集。做支持向量机的人就会说，这么大的数据集有什么用？所以到了第二届ImageNet识别大赛，参赛人数就暴减，只有十几个团队了。李飞飞很绝望，觉得自己最看好的东西没有人用，很郁闷。

历史在这里开始汇聚，回到伊利亚的故事。伊利亚说要deep and large，但现在缺数据。他看到李飞飞的ImageNet后，非常激动，说就是它了！伊利亚已经想好了，算法就用卷积神经网络，大数据集就用李飞飞的ImageNet，现在只缺一样东西—算力。

怎么实现这个算力呢？他们实验室很穷。因为人工神经网络在当时是一个不被重视的领域，他们没有买足够的服务器。伊利亚就向导师辛顿求助。辛顿微微一笑：“试试GPU？”试试GPU！黄仁勋的命运从此跟伊利亚绑定，往后余生都是你。

春秋

两个齿轮啮合在一起。

韦华

伊利亚的同学亚历克斯（Alex Krizhevsky）是一个编程极客，性格极度内向，但是编程能力非常强大。亚历克斯很快在GPU上实现了伊利亚的想法，顺便参加了ImageNet大赛，提交的参赛产品就叫AlexNet。结果AlexNet一下子把识别率提高了十个点，正确率一下子达到了85%以上，都快接近人类了。这个结果震惊了计算机科学界。AlexNet就此掀起了人工智能的浪潮。

你们知道为什么叫AlexNet，而不叫ILyaNet吗？因为他们怕不被看到，叫AlexNet，首字母是A，名字可以更靠前一点。其实伊利亚才是整个故事真正的主角。AlexNet提交之后，李飞飞惊呆了，尽管她的孩子才刚出生，她说……

春秋

“这个事情我得去看看。”

韦华

对！太爆炸了。这场会议是在意大利佛罗伦萨开的。黄仁勋后来把AlexNet提交的那个时刻叫做现代AI大爆炸时刻。

回过头来，我们再讲讲AlexNet的基本原理，因为理解AlexNet才能理解黄仁勋后面的决策。AlexNet的理论和实践基础是什么？首先，算法方面，辛顿给伊利亚那篇关于反向传播的文章是一个理论基础。另外，杨立昆在20世纪90年代也都提到了用卷积神经网络的方式去做手写邮件的识别，效果非常好。他把自己的卷积神经网络的算法叫LeNet。

春秋

他也不用YangNet。

韦华

LeNet出来之后，人们稍微震撼了一下，但很快就没人使用了。因为这种算法的逻辑性不够，大家觉得这条路是死的。杨立昆写了一本书叫《科学之路》，强烈建议大家去看一看。书里把整个故事和当时的心酸历程都写出来了，同时也是很好的科普资料。

算法有辛顿和杨立昆的理论做基础。数据则有李飞飞的ImageNet。算力这块，当时伊利亚听了导师的建议后，就跑到百思买（Best Buy）买了两块英伟达的GeForce显卡，当时叫GTX580。大概每个显卡只要500美元。本来他们觉得是要花上百万美元买算力的，现在用1000美元就搞定了。训练了大约两周时间，就把AlexNet训练出来了。

这些故事发生在2012年，我当年是硕博连读，如果没有放弃的话，很可能也是在2012年毕业。作为和伊利亚同时期的人，讲这些能让大家感受一下我和伊利亚的差距在哪里。

2006年，我因为标注噪音，对科学失去了兴趣。所以当时报博士课题的时候，我是最没有想法的。因为没有想法，当时大家认为的好课题都被选完了，最后我才选。我的导师跟我说：大语言模型这个方向的未来非常好，全世界做这个的可能就十几个人，好好做，一定可以发出很好的论文。那时候我们就想发牛论文，别的都不重要。我就说：那我就做这个方向。所以2007年，我开始做大语言模型这个方向了。

当年，人工智能专业的学生分两拨人，一波是做计算机视觉，他们的主流算法是我刚刚提到的支持向量机的算法，各种各样的核方法；另一波是像我这种做自然语言理解的，这一块用的算法一般都是基于贝叶斯的算法，可以理解为基于条件概率的算法。

因为选择做大语言模型，我跟导师说我要很强的算力。导师当时给我配了6台戴尔的服务器，这是我们实验室当时最好的算力。我说我要很大的数据集，导师给我买了当时谷歌最大的数据集，可能有1T的语料库，其实是非常好的。但问题就在于我想不出新的算法，我就只能用大家当时都用的n-gram算法，也是一种基于贝叶斯的算法。

这种算法跑起来之后，刚开始我很兴奋。所有的东西都搭好之后，开始训练数据集。我从20G的语料库开始训练，一训练，回车键一按，接下来一个星期啥都做不了，只能去玩，因为程序反正在跑了。

一周之后，出来一个结果。然后换30G语料库，又出来一个结果。再到50G出来一个结果，再到100G出来一个结果。但我很快现，当数据集超过100G的时候，无论怎么加数据集，我的模型效果都不会更好，反而会更差，数据冗余了。

数据冗余的原因是我的算法吃不透那么大的数据。虽然贝叶斯方程如此优雅，但它实际上解决不了这个问题。所以我写了一篇论文，大意就是大语言模型是无效的。凭借着这样的论文和结果是无法博士毕业的，但是成功地说服导师让我从博士转成了硕士。我成为了我们实验室第一个转硕的男生。我对科学不仅失去了兴趣，也失去了信心，这就是我后来转向金融行业的主要原因。

但伊利亚就不一样了，伊利亚要deep and large，他的算法可以吃这么大的数据，所以出现了AlexNet。黄仁勋和别的企业家的不同之处是，他总喜欢跑各种各样前沿的学术会议。这是很罕见的。我之前参加学术会议时从来见不到任何企业家。黄仁勋的眼光很不一样。

2012年，黄仁勋当时正受困于手机行业，且PC行业增长在放缓。他发现AlexNet之后，认为AI才是未来最重要的方向，他要豪赌AI！当时，老黄身边所有人都反对，但他是怎么思考的？这里我们要学习一下黄仁勋的思考方式，逆向思考。

他说：“如果我们扩大AI的投资规模，没人能够保证是有效的。但如果我们不扩大投资规模，就永远不知道是否有效。如果我们建这个深度学习开发平台，可能没有人开发。但如果我们不建这个开发平台，就绝对没有人开发。”

春秋

非常经典的“反过来想”。

韦华

所以黄仁勋说我们一定要做，先逆向思考，然后再从第一性原理出发—AlexNet到底给了我什么样的启发？我怎么改变英伟达目前GPU的计算栈，才可以使得它更适合深度学习？更重要的一点是，我要实现商业利益，如何找到最早的应用场景？不能只是几个科学家在用，对吧？

黄仁勋苦思冥想后，想出一个东西，给它起了个名字，“通用函数逼近器”。

芒格认为，你只要掌握80到90个重要的模型，就能够解决人生中几乎所有的问题。芒格的这些模型思维叠加在一起，就类似这种通用函数逼近器。

黄仁勋觉得深度学习就是一种通用函数逼近器。首先深度学习具有很强的可扩展性，神经网络只要依靠更多的参数和深度，就可以解决更复杂的问题。无论你的问题多复杂，只要配上足够的参数和深度就可以了。deep and large。其次，它还是可泛化的，不只是图形或者视觉，它还可以用在比如预测天气、推荐电影和音乐，甚至蛋白质重组、生物医药、量子计算等等。

春秋

市场的规模一下就起来了。

韦华

它还可以用来建立大语言模型。黄仁勋说，对他来讲，先不用去理解这个原因到底是什么，他相信量变引起质变，大力就能出奇迹。所以从第一性原理出发，他得一个重要的推论：我们没有理由不做参数更多、深度更深的神经网络，而这个神经网络的背后需要大量的算力做支撑。只要我们给的资源足够，它就可以模拟任何函数关系，就可以解决这个世界上任何模拟问题。

这是黄仁勋的一个信仰。在2013年的时候，他开始豪赌AI了。他下注了4次。

第一次，他要重塑整个计算架构。很多人以为黄仁勋是命好，GPU正好适合算人工智能。其实不是这样的，至少不完全是这样的，他其实做了很多改变。第一，他重塑了整个计算栈，从头开始重新构建了计算的每一层。整个AI的计算大概有这么几个层次：最底层是硬件，硬件之上是系统软件，系统软件之上是平台软件，平台软件就是各种各样的应用。这4个层次的每一层都因为AI而疯狂改变。比如说硬件，他从GPU的架构开始就加了专门计算张量的核心。

什么是张量呢？单个数字就是0阶的张量，也叫标量；向量就是带方向的一串数字，也叫一阶张量；然后是矩阵，带位置信息的数字的排列，就是二阶张量；在矩阵之上就是三阶的张量，也是高阶的张量。简单理解，张量其实是数据的容器。

想象有一个最古老的显示器，它只有一个像素，它只能显示黑色和白色。那么我们给这个显示器的像素做一个标记，比如0代表白色，1代表黑色。这个显示器所有的计算都在0和1上面反复做计算。不管怎么样，只显示黑白两种颜色，我们可以用单独的数字0或者1代替显示器的显示颜色，这个数字就是简单的标量或者0阶张量。

现在，这个显示器升级为2个像素了，它就有4种显示画面了。分别用（0,0），（0,1），（1,0），（1,1）4个矩阵表示，这些矩阵就是一阶的张量。

2个像素的时候，其实就是一个个1*2的矩阵。那我们就可以开始做矩阵的乘法。矩阵乘法可以看作一次最简单的渲染。1*2的矩阵可以乘以一个2*2的矩阵又变成一个1*2的矩阵，这就是做了一次渲染。

再看看矩阵的运算，1*2的矩阵乘以一个2*2的矩阵，正好可以看成，每个位置都对应一个权重，然后加权，也就是乘法之后求和，每个位置都是乘法求和，所以图形的渲染其实是乘法求和。这跟我们刚刚讲的神经元的计算是不是一模一样？这也是为什么GPU适合计算神经网络的底层逻辑。

因为我们的显示器不只是2个像素，也不只有2种颜色。它有一个很大的平面，这个平面不是只显示黑和白，中间还有灰度。一般来讲，用0到255表示不同的灰度。所以每一个点实际上是有256个数字表示，从0到255。这个矩阵中每一个数值都是0到255，不同的数字代表不同的灰度，矩阵就可以表示所有的灰度的图形。

但我们的世界是彩色的，那怎么表示一个像素呢？用光的三原色，红绿蓝三种颜色，也就是三原色光模式（RGB）的Red、Green、Blue，其中每一种颜色我们又都把它设成0到255种渐变色。这样，每个像素就从之前的用一个数字表示，变成了需要用RGB的三个数字表示。用这些表示像素的数字集合来表示显示器的颜色，就是一个张量了。

标量升维成向量，向量升维成矩阵，矩阵升维成张量。

为了适应AI的计算，GPU的架构必须要非常利于计算张量。为此，英伟达在新的GPU架构上加了专门计算张量的核心单元。

在系统的互联上，GPU之间的传输速度决定了我们大模型使用起来的流畅度。大部分延迟都是因为数据传输得太慢。英伟达用了一个叫NVLink的技术，使得GPU之间的互联更快。

在软件上，加速层就是CUDA上面的很多应用，比如深度神经网络基元库（CuDNN库）就是用来做深度学习的，再比如卷积神经网络的应用。因为AI，英伟达需要开发很多新的应用，或者把部分旧应用重新做一遍。

第二次下注，构造AI超级计算机。刚才提到，在那个年代，我在实验室训练大模型时用的是6台服务器，服务器和服务器之间用以太网相连的，特别慢。而老黄要构造一个数据中心级的AI超级计算机，让6台服务器变成像一台服务器一样好用。所以他就开始直接构造数据中心级的AI超级计算机了，第一台AI超级计算机叫DGX-1。

第三次下注，建立人工智能在各学科研究中的基础算法库。他把基础算法重新在CUDA上面实现，他认为只要做好这个人工智能的基础库，AI将会改变世界。比如说，AI用在蛋白质的结构预测和设计上面，可能会出现新型的药品、疫苗。AI用在预测天气上面，可能有新的模型出来。AI用在任何一个领域，都可能完全改变这个领域。

第四次下注，他要构造整个AI开发的生态网络。所以英伟达创建了工具，创建了开发库，投入了大量的专业的工程师团队。他做这件事情的目的都是来支持那些追逐人工智能革命的开发者。

春秋

谁有梦想，给谁生态。

韦华

黄仁勋这四大下注都是了不起的决策。我们不要认为是GPU天然适合进行AI计算，而需要看到黄仁勋在那个时间点上，已经为自己未来的很多年下注了。看到这一点，才能理解英伟达的城墙。

春秋

看明白他那时候的行动，就知道这不是一个纯运气的事情。

韦华

但是谁也没有想到，这件事情要10年之后才起到效果。这就是长期主义。

黄仁勋在那个年代，在AlexNet出来之后，就想明白整个AI领域发展的路线图了。他认为，先是AlexNet，实现了基本的分类问题，AI大爆炸开始。接下来，第一阶段要解决的问题叫做感知AI，比如让机器看懂手写的汉字，让机器听懂人说的话，让机器看懂X片和CT等。这一类的AI问题，包括机器看和说的能力、识别图形、图像、语音、文字的能力等，都叫感知AI。

在感知AI阶段之后，会发展到下一个阶段，生成式AI。我们用的大模型推理就是生成式AI，它会预测下一个词、下一段话到底是什么，它会生成新的内容。这种生成式AI可以用来翻译、写文章、写邀请函、生成图片、视频、歌曲等。

目前，我们大概进入到了生成式AI的多模态应用阶段。AI生成的内容不只是文本。我们用来训练的数据集也不只是文本。文本、图片、视频、声音等数据在训练过程中，都被分成无数个最小的处理单元，这个单元叫做词法单元（token）。对这些超级AI计算机来讲，输入的都是tokens，然后输出另外的tokens。

在生成式AI发展阶段之后，黄仁勋认为会进入到代理AI阶段，就是所谓的AI Agent。例如，Manus就是AI Agent。在这个阶段，AI最重要的工作就是替代大部分的人工了。以后你管理的员工或者发邮件的对象，可能就是几个AI Agents。

代理AI阶段之后，还有一个更大的时代，叫做物理AI时代，也就是具身智能时代。那个阶段开始，一切可移动的设备都是自动的。

春秋

就像老黄说的，如果你不懂AI的话，你在我们这儿用咖啡机都很不方便。

韦华

在2012年AlexNet出来之后，老黄就已经想到了AI无比波澜壮阔的未来，这是一个巨大无比的市场。所以他4次下注也是可以理解的。

回到2012年，老黄的命运和伊利亚的命运紧紧地绑在了一起，一个是人工智能之神，一个算力之神。

再说伊利亚的故事。伊利亚 2012 年写出那篇革命性的关于AlexNet的论文后就博士毕业了。然后这3个作者，伊利亚、亚历克斯和他们的导师辛顿，3个人成立了一个皮包公司，叫DNN深度研究所（DNN Research）。这个公司连图标都没有，没有办公室，也没有钱。但就这么一个皮包公司，世界上所有的大牛科技企业都想买，就是为了这3个人。百度也想买。如果百度当时成功买下了，这个世界会变成什么样子，真不知道。

百度开价2000万美元，谷歌直接说4400万美元。然后大家还在竞价，还在继续涨。辛顿说不要了，钱太多了，谷歌挺不错的，我们分了这个钱足够生活了。最后可能辛顿拿了40%，另外两个人每人拿了30%。

他们把自己的皮包公司卖给了谷歌，并到谷歌大脑（Google Brain）部门，开始在项目里做事情。他们用一些神经网络的方法重新做项目，比如机器翻译，很快就把谷歌传统的机器翻译给比下去了。有意思的是，伊利亚在谷歌机器翻译中使用的一些方法论，其实都为后面Transformer的诞生做好了准备。

伊利亚当时在谷歌做的很多事情都是后面各种经典时刻的起点，比如说Deep Mind的阿尔法狗（Alpha Go）打败人类象棋大师李世石，就用到了伊利亚的理论和算法基础。比如说特斯拉的FSD，其实也用到了很多伊利亚当时的思考。

本以为师徒三人可以和谷歌长期合作下去，但故事发展到这个时候，另一个主角出现了，他就是马斯克。SUN的创始人安迪天使投资了谷歌，谷歌的创始人是拉里·佩奇，拉里·佩奇是马斯克最好的朋友。故事里的人物都串起来了。

马斯克经常住在佩奇家，一起讨论人工智能的问题。几次深度讨论之后，马斯克发现拉里·佩奇居然对人工智能未来的风险漠不关心。所以他就跟佩奇提出了这个问题：“你怎么能不关心人工智能的风险呢？如果人工智能的意识超越了人类，把人类给干趴了怎么办？”佩奇的回答是：如果计算的意识超越了人的意识，那就应该用计算的意识去统治世界。拉里·佩奇还对马斯克批评道：“你这个物种主义者。”马斯克惊呆了，心里想，这也太危险了！他说拉里·佩奇是意识优先主义者，而他自己是人类优先主义者。两个立场不同的人狠狠吵了起来，最后一拍两散。

马斯克后来找到好朋友彼得·蒂尔讨论。彼得·蒂尔说：“事关重大，我们两个人太少了，再多找几个人。”所以他们又找了领英公司（Linkin）的老板，还找来了萨姆·奥尔特曼（Sam Altman）。

2015年夏天的某天晚上，他们几个大佬一起在硅谷最豪华的瑰丽酒店包了一大桌，请当时硅谷最好的—其实也是全世界最好的—人工智能专家一起吃饭。人工智能领域所有专家基本上只在2家公司，70%在谷歌，30%在Meta。这些科学家一看是大佬邀请，就跑来聊聊。

聚餐时，马斯克先发表了一番关于AI风险的演讲，然后问在场的科学家，有没有人想一起做一个安全的人工智能公司？其中一个科学家的回答特别搞笑，说：“我们在谷歌的生活就好像有一个人拿着喷水的管子，每天对着你喷钱。我只要躺在那边，享受钱喷在脸上的感觉，快乐得不得了，我不会出来的。”

春秋

这比喻太形象了！

韦华

马斯克特别绝望的时候，伊利亚举手了。他说我可以想一想这个问题。

晚餐就这样结束了。随后到来是伊利亚漫长的纠结，因为在谷歌待得确实太开心了，但伊利亚不是一个爱钱的人，他只是觉得谷歌的环境和氛围非常好，不忍心离开。所以他一会说要留在谷歌，一会说要去马斯克的新公司，反复折腾了一阵子，终于决定还是去马斯克的新公司。这件事情直接导致了拉里·佩奇和马斯克彻底翻脸，互相拉黑，成了敌人。

2015年底，伊隆、萨姆·奥尔特曼、伊利亚等人一起成立了OpenAI公司，伊利亚是首席科学家。不久之后，大概2016年8月前后，老黄的第二次下注，也就是人工智能的第一台超级计算机DGX-1，真的做出来了。老黄就把第一台超级AI计算机送给了OpenAI。我猜，老黄觉得反正也卖不出去，不如送给最有潜力的团队。

春秋

老黄还签了个名。

韦华

对，老黄好像在机箱上写了“To Elon Musk & OpenAI Team”。

伊利亚说他在OpenAI公司的前两年起步阶段，主要是做两件事情。

第一件事情，他期待做无监督学习。之前都是有监督的学习，但伊利亚认为无监督的学习才是解决未来人工智能的一个关键。怎么做呢？他认为应该压缩数据集。只要把数据集进行完美压缩，数据集的特征就会自然显现，就能做一个无监督的机器学习。

怎么理解压缩呢？比如我告诉你一个数字，这个数字是10亿，1后面有9个0。如果把这个数字原封不动地保存到电脑上，需要几个字节的内存。但是我用科学计算法，也就是1*10的九次方，用浮点数的方法表示，需要的内存单元一下子就少了很多，这就是压缩。内存需求更少，并且不损失这个数字的特征。

伊利亚认为，只要把数据集做充分的压缩，特征就会自然显现。这是实现无监督学习的一个关键。

第二件事情是什么呢？是打Dota游戏！不过他不是自己打，而是让机器和机器打。他训练机器打Dota，赢了就给奖励，可以获得加分。这其实就是强化学习的一种。强化学习类似于之前讲的操作性条件反射的学习方式，做对了就给奖励，做错了就给惩罚。伊利亚靠着打Dota的方式，实现了强化学习，他的机器人Dota团队特别厉害，也赢了人类的团队。

春秋

下完围棋还不够，还要打Dota 2，还都是体育总局管的项目。

韦华

所以伊利亚其实在OpenAI初期就取得了不少突破。但还差一个东西，那就是伊利亚在谷歌做机器翻译时留下来的理论的延展。谷歌大脑的科学家在伊利亚的基础上，写出来一篇惊世骇俗的文章，发表于2017年的那篇《注意力即一切》（Attention Is All You Need）。现在大家都叫它《钱即一切》（Money Is All You Need）。这篇文章提出了Transformer模型，里面的注意力机制和老黄在俄勒冈州立大学的教授阿莫特对注意力的使用有很多共同点。

我们可以这样理解这个注意力机制。我看书的时候，每一页是一个字一个字从头看到尾的。但是有的人看书时，只看关键的字，每个字的权重是不一样的。所以有的人可以做到一目十行，我做不到。

Transformer模型提出来之后，可以消化更大的数据集，这就是它最核心的地方。并且它的训练速度快了很多，效果也更好，准确率也大大提高了。就此引发了后面所有大模型的爆发，比如谷歌的基于 Transformer 的双向编码器表示（Bidirectional Encoder Representations from Transformers，简称BERT），然后伊利亚在此基础上做了GPT1、2、3。

黄仁勋看到《注意力即一切》这篇文章之后，就去体验了一下谷歌的BERT。他说BERT这个模型真的非常聪明，他用直觉去理解它为什么有效，结论就是模型更大，奇迹就出现。所以黄仁勋坚定地相信他之前的通用函数逼近器信仰。于是他继续大规模地投入数据中心，大手笔地去豪赌AI，把巨大的投资放在数据中心这个业务上面。

大家发现了吗？老黄的产品一直在升级，从单一的GPU芯片，升级到DGX-1这样的超级AI服务器，再到数据中心。下一个会是什么，我们一会儿再说。

回到OpenAI，它可没有那么多钱建立数据中心。2017年，伊利亚已经决定转向做Transformer模型了，OpenAI需要更多的钱。2018年，OpenAI的CEO萨姆·奥尔特曼就找到马斯克，讨论能否继续投钱，不然就要考虑对外融资了。可是2018年，马斯克的特斯拉正好就处于“产能地狱期”，Model 3还没有真正量产，马斯克自己也很痛苦。所以马斯克就说，你们这些人怎么能够忘记初心呢？我们当时承诺的是做非商业组织呀！你们怎么这么快就想着去融资，变得商业化呢？

接下来，马斯克可能做了人生最后悔的一个决定，他从OpenAI出来了。所以萨姆·奥尔特曼趁机赶紧去拥抱微软。2019 年，OpenAI成立了自己的盈利性组织。微软给它的投资非常大，10亿、20亿、100亿美元，持续投入。这样烧钱烧到2020年6月，GPT 3发布了。GPT 3刚发布时，我身边还在实验室的同学跟我提过，说这个东西已经非常厉害了。可惜我没太当回事。

这个时候，黄仁勋再次把握了机会，豪赌AI战略其实是在4个方向持续地研发投入。他发现，既然要做数据中心级的超级计算机，服务器和服务器的连接就变得非常重要了。而当时全世界只有以色列一家叫Mellanox的公司在这个领域做得最好。这家公司是以色列的科学家在1999年创立的，它提出了一个新的带宽标准，叫无线带宽（InfiniBand）。无线带宽标准给数据中心和超级计算机提供了一种高速传输的网络技术。

春秋

无线带宽，这名字一听就懂它是要干什么。

韦华

2019年3月，英伟达以将近70亿美元的价格击败了英特尔，收购了Mellanox。英特尔公司特别可惜，每次都在关键的节点上失误了。

春秋

美国公司聊英特尔，国内公司聊百度，感觉像聊中国足球一样，总是不争气的感觉。

韦华

你说得特别对。可能它们之前赚钱太容易了。总好像是赶了一个大早，但最后做得很失败。2014年的时候，百度的首席科学家是吴恩达。这位大神在领域内是顶尖人才，但在百度其实都没有做出真正亮眼的成就。

春秋

后面集团的那些战略都不大成功。

韦华

我不知道百度问题在哪。当然，百度还是有它的好的。

春秋

我们不聊百度，只是聊英特尔，顺带想起而已。

韦华

2020年4月，英伟达完成了整个Mellanox的收购，这是一次非常伟大的收购，绝对是黄仁勋的一个非常天才的战略，他那个时候已经看到了未来。他说：“人工智能的应用最终会有成千上万台服务器相互连接并协同协作。”而服务器之间的这种连接在那个时候还是零亿美元市场，大家觉得不需要这样的技术。

而黄仁勋觉得Mellanox的网络技术是实现目标的关键。分布式的计算依靠传统的以太网连接，这种连接传输速率太慢了，行不通。

我们研究一家公司，一定要多思考一下它的管理层是怎么做并购的。如果一些并购，我们完全理解不了，那这样的公司最好是回避一下。黄仁勋的这次并购实际上是产业链内的一个并购，具有非常强的协同效应，也与英伟达的口号“加速计算”很契合。

收购完Mellanox之后，英伟达从一个卖芯片和服务器的公司升维到了一个卖解决方案的公司，毛利率不断提升。我们看英伟达的年报，会发现2012年之后，英伟达的毛利率一直是提升的，从30%左右提升到现在。最新一期的毛利率是75%以上。所以这是一个非常不一般的生意。

我有个朋友一直质疑，认为英伟达的毛利率太高，很难持续，所以他一直都下不了手去研究，觉得不能长久。结果从他说起时的50%毛利率到现在，很多年过去了，毛利率越来越高。

春秋

仅仅2个小时前，在谈到英伟达初创期时，它还是做大宗商品这类辛苦活的。

韦华

所以公司发展的可塑性太强了！投资人要对变化足够敏感，要痴迷于跟踪公司的变化。投资本身是一个动态的过程，新事物不断涌现，老事物不断变化，好的可以变差，差的也可以变好。所以我们经常说，价值投资对公司的长期持有，只是一个结果，这个过程中注定要经历各种变化的考验。

回到老黄的故事。黄仁勋在 2019 年花了 70 亿美元收购Mellanox之后，觉得还不够过瘾，他要玩更大的事情。他要用400亿美元并购ARM。

他觉得AI生态系统非常重要，用英伟达人工智能的能力，完全可以增强ARM在整个移动和嵌入式领域的应用，推动AI在智能手机、PC端、自动驾驶汽车、机器人以及整个物联网的进步。英伟达加上ARM，一定可以成为人工智能时代的绝对王者。

这个时候，我们要讲讲另一个人，他也是个疯狂的人，2015年前后就经常听到他说要全力投入人工智能。这个人就是日本软银集团的孙正义。他本来要退休了，接班人都准备好上岗了。结果他又说，人工智能时代要来了，我不能退休了，这场战争我必须亲自打。接班人也愤而离职了。

孙正义在2016年做了一个很大的收购，花了300多亿美元去收购ARM。但是到了2020年，孙正义的软银和愿景基金的新投资都不太行，比如WeWork、优步、滴滴等，亏损很严重。孙正义的债务压力非常大。

此时孙正义最好的资产就是ARM，他要卖给黄仁勋。黄仁勋特别高兴，认为400亿美元就可能把ARM买过来了。这件事情如果做成了，英伟达就会更强大，甚至可以垄断AI芯片行业。但很可惜，监管不同意。所以2年之后，英伟达就公告说监管过不了，收购ARM失败。

ARM自己上市之后，股价也是猛涨的，所以对孙正义来讲也不亏……但换个角度，还是亏了。因为如果英伟达收购了ARM，孙正义将会有10%的英伟达股票，如果不卖的话，现在价值3000亿美元，成为第一大股东，世界就变了。

时间走到2020年，英伟达等到了历史性时刻，AI业务爆发了。因为OpenAI开始跟微软合作，大家开始真的相信，面向用户的AI产品可能会成为一个巨大的机会。所有人都需要大量的GPU。当时的AI公司主要是通过云来提供算力的。在美国主要有4个云：谷歌、亚马逊、微软和甲骨文公司。建一个云需要大量的GPU。所以黄仁勋说：当苹果从树上落下的时候，你要站在苹果树旁边。

云的建设导致了英伟达的计算和数据中心业务彻底爆发，英伟达的历史性时刻到来了。英伟达做好了所有的准备。

在AlexNet出来的2012年到2020年，黄仁勋经过了近10年的准备。其中包括收购Mellanox，包括开发远程图形技术、CUDA、GeForce NOW，包括超级AI计算机。所有这些技术终于在这一刻汇聚到一起，产生了最重要的推力。这就是芒格说的lollapalooza效应，一个巨大的冲击。人工智能行业开始爆发。在2020年财年Q4，英伟达的计算和数据中心业务收入首次超过了游戏显卡业务。

春秋

太了不起了。波澜壮阔！2020年之后，英伟达还会发生什么故事呢？

韦华

在 2021 年的 GTC 上，英伟达推出了 Omniverse平台。它是一个连接物理和数字世界的系统。这个系统能够理解真实世界的物理定律。比如《黑客帝国》里的设定是可以改变任何物理定律，人可以飞，子弹可以慢慢地射过来。但是实际上，让数字世界理解真实世界的物理定律可不是这么容易的，它得知道什么是万有引力、电磁力等等。

黄仁勋早在2019年就提出了Omniverse概念。现在已经到了要大力推广这个平台的时候了。对于一个汽车厂商来说，如果要建立一个实体工厂，可以先在Omniverse上建立一个虚拟的数字汽车工厂，作为实体工厂精确的数字化模型。这样就可以在实际建设前模拟工厂的布局，优化产线，做好机器人路径规划，物流规划等。甚至不同地域的工程师还可以一起登录虚拟工厂，共同完成建设。实体工厂开工之后，还可以再基于虚拟工厂进行模拟和分析，不断优化生产。

春秋

这和Meta的元宇宙有什么区别呢？

韦华

第一，元宇宙主要是给消费者使用的，它是to C端的。比如用在VR游戏上，就和斯皮尔伯格导演的《头号玩家》类似。这个市场也是足够大的。像《我的世界》，小朋友都喜欢玩。

Omniverse实际上是给创造者使用的，它面向的是工程师、设计师这样的人。它不是让你玩的，而是让你造的。

田喵

它们在建造技术上有很多相似的地方，比如都要做实时渲染，但目标是完全不一样的。黄仁勋做的不是Meta的虚拟排队，而是改变世界的生产方式。

韦华

2022年召开的GTC上，一款非常厉害的芯片横空出世了—H100，Hopper架构的第一款芯片，专为加速计算、深度学习而生。H100用的是台积电4纳米的制程，用的是CoWoS（Chip-on-Wafer-on-Substrate）封装。一块H100的价格大概是4万美元。但它不是一块一块卖，它是按服务器的形式卖的，一个服务器上至少8块H100吧？英伟达GPU芯片的价格很有意思，像茅台一样。茅台的出厂价是一直在涨，GPU的出厂价也是一直在涨。我们说的RIVA 128，最早大概两三百美元。到现在，一款GPU已经是4万美元了。

春秋

和伯克希尔的股价一样，复利的力量太恐怖了。

田喵

老黄说得对。买得越多，省得越多。

韦华

老黄特别会营销，他在发布H100的时候喊出了这句口号：The more you buy, the more you save。事实上也确实是这样的，因为H100 的算力足够强，所以你买得越多，实际上更省电，也更省卡。

2022年，英伟达还把Omniverse放在云上了。我们很快就能想象出它的优点。比如汽车厂商在云上的Omniverse中建了一个虚拟的汽车工厂，它所有的流程都可以在同一辆虚拟车上做。而在实体工厂中，是没办法把一辆车从欧洲运到美洲的，但是在云上可以。首先让意大利的设计师登录虚拟工厂开始设计外观，然后让东亚的工程师来调试电机，再让美国的团队来模拟撞车测试。所有这些测试都发生在同一辆虚拟汽车上，这明显会使得汽车工厂的效率大大提升。

春秋

宝马就碰到很多全球供应链的问题。

韦华

所以宝马就用了这个技术。而且它可以适合任何场所，任何一个建筑。从设计厂房到汽车零售商店，Omniverse云服务可以让整个公司的全球设计师一起合作，只需要你拿出iPad，点击登录。

春秋

F1有没有用这个技术？

田喵

应该是没有。可能因为F1是一个非常小众的运动，而且他们对成本的控制还比较严格。比如说像风洞测试，不能无限去做。上云对于规模较大的头部厂商而言优势会比较大，但尾部厂商是没有这个资本的。所以马太效应就会变得更强。

韦华

实际上国内现在真正用Omniverse云服务的还很少。我问过身边的企业家朋友，他们觉得国内的数据是不可能上的，担心信息安全问题。所以他们要做也是做本地化的Omniverse。

春秋

地缘政治也是大问题。

韦华

看起来，黄仁勋一直在正确的道路上走，英伟达越来越值得关注了。但是很快又出现了困难。在人工智能真正的应用出来之前，支撑英伟达的是加密货币市场。2022年，加密货币开始崩盘，web3.0的泡沫开始破灭，比特币大跌。

另外，游戏市场在2020年之前受益于吃鸡之类的游戏，也给了英伟达很大的支撑。特别是疫情阶段，大家都在家里玩游戏。2022年，疫情放开之后，宅经济开始退潮，玩游戏的人也开始变少。所以英伟达出现了大笔的库存积压，开始大幅减值。

2022年8月，美国政府宣布限制向中国（包括香港和澳门）及俄罗斯出口 A100 和 H100 集成电路、DGX 或任何包含 A100 或H100的系统或板卡。

坏事情又全部涌来了，黄仁勋非常担忧。他对大家说：还有30天我们就要破产了。

春秋

这个剧情咋这么熟悉呢？

韦华

英伟达的股东们那时也特别绝望，股价开始大跌。

大家还记得吗？2012年，在手机市场厮杀得不如人意，黄仁勋开始撤出，满心迷茫。那个时候，一个天才横空出世，拯救了他，那个人就是伊利亚。2022年，10年之后，在他又一个绝望的时刻，这个男人又出现了。2022年11月30日，ChatGPT发布。

黄仁勋说：AlexNet 是我们现代人工智能的大爆炸时刻，而ChatGPT是人工智能的iPhone时刻。

ChatGPT的出现极大地催生了对英伟达GPU、GUDA、数据中心和AI整个生态系统的需求。伊利亚一次又一次地挽救了黄仁勋，作为本故事的男二号是当仁不让了。

我们简单讲讲ChatGPT是怎么产生的。ChatGPT不是一个简单的、单独的大模型，而是附加了很多调试的整套系统。首先在预训练阶段，伊利亚使用了大量没有标注的压缩数据集来做无监督学习预训练。其次在后训练阶段，通过有标注的数据集来进行有监督学习微调。最后在强化学习阶段，有大量的人类老师做反馈。点赞、转发、复制这些行动都是反馈，使得大模型的效果更好。

AI的iPhone时刻到来之后，各家大厂就开始疯狂装备竞赛了。看到谷歌、Meta、微软、特斯拉等大量购买H100芯片，很多中国商家也开始跟风大量囤算力芯片。有一些只做大模型的公司，在风投的刺激下开始疯狂投入了，但并没有认真去想，只做大模型在商业模式上是行不通的。腾讯倒是非常克制的，可能因为还没有想明白在中国怎么去应用。

谷歌、Meta做大模型，研发人工智能的算法，投入算力，实际上能够极大改善它们其他业务的推荐能力。谷歌、油管和脸书的广告在商业上早就跑通了，所以公司在大模型算力上的投入早就在商业上赚回来了，已经形成了正反馈，不需要害怕。

后来，字节跳动想明白了这个道理，腾讯也想明白了这个道理，也开始去大手笔地购买算力。但那些只能依靠融资、只有大模型、没有别的业务的公司，就很危险了。

田喵

有人会去收购它们。

韦华

不好说，因为算力越来越不值钱。现在拥有的这个算力，等过两年新产品出来，就不值钱了。所以我觉得在创业过程中，一定得想明白别人这样做的本质原因，不要盲目模仿。

我经常给大家讲一个笑话。鹦鹉和猪都在飞机上，鹦鹉调戏空姐，空姐没说啥。猪看了之后也去调戏空姐。机长一怒之下，把鹦鹉和猪都扔出了飞机。猪就问鹦鹉：“我们现在该怎么办？”鹦鹉说：“你不会飞，我会飞。”

这个故事也是一样的。别人做大模型，是因为别人可以在别的领域里赚取大量的利润，你只做大模型是收不到钱的，这种商业模式是行不通的。最近朱啸虎评论国内很多做机器人的厂商也是没有想明白自己的商业模式其实是行不通的。这是一个很奇怪的现象，但创业者不管，他们觉得只要能够融到资，只要有一级市场的人傻傻地投，就敢创业。所以我对只做大模型的公司一直是非常谨慎的。

春秋

人家是一个to VC的业务模式。

韦华

我们看的是更长期的现金流回报。只做通用大模型且没有别的业务的公司，比如李开复的零一万物、月之暗面的Kimi。中国的百模大战，除了大厂之外的90家纯大模型公司，他们那样做的目的到底是什么？

阿飞

风来了的时候，猪都会飞了。现在零一万物也转型了。

韦华

ChatGPT 大爆发，OpenAI 与微软强强合作，导致OpenAI的估值越来越高。黄仁勋觉得自己的机会还是很大，虽然几大厂商军备竞赛，但大家都很赚钱。谷歌的推荐算法越来越好了。字节跳动做完豆包大模型，可能在火山引擎上也可以做得越来越好，抖音的推荐也越来越好。这就起了一个正向的效果。所以我是看好字节跳动、阿里巴巴、腾讯做大模型的，包括DeepSeek也是。我是这样看DeepSeek的，DeepSeek的老板有一家量化基金公司，本身需要在量化上堆算力，把自己多余的算力拿去顺便做个大模型，也许大模型对量化也有帮助。

观察英伟达的主要产品发布有两个渠道，一个是CES，一个是GTC。2025年，开年就是CES，黄仁勋详细介绍了自己的Cosmos平台。

Cosmos平台和之前的Omniverse有什么区别呢？现在，客户已经进入到了开发物理AI的阶段了。开发物理AI时，Omniverse可以给机器人、自动驾驶汽车提供一些开发的大环境，但没办法模拟机器人具体运作的场景。Cosmos就能提供不同的场景，比如刮风、下雨、下冰雹等。所以Omniverse是造出这个世界，造出汽车虚拟工厂；Cosmos是造出这个场景，比如机器人在这个工厂里搬箱子。

我前几天去一家机器人公司调研，他们还在用人力采数据，有一个人不停地从咖啡杯里面铲出咖啡豆，然后放到旁边，这个动作从早做到晚。我看到那个哥们儿，就想到我当时做标注的日子。他比我更惨，他要不停地面对各种各样的参观人员，还要显得很高兴。但实际上，如果要靠这种方式去采集数据，数据量是远远不够的。Cosmos也许可以解决这个问题。

目前国内的机器人基本是在英伟达的Isaac平台上开发的。英伟达专门给机器人做了一个开发平台叫Isaac，用的牛顿的名字。这个平台的目的是帮助厂商加速开发机器人，包括设计、训练、模拟之类的。它有一些关键组件，用的最多的组件是Isaac Sim，一个基于Nvidia Omniverse的机器人仿真工具，用于在虚拟环境中训练和测试机器人。目前大家还没有用到Cosmos。

在2025年的GTC上，黄仁勋讲得最多的是AI工厂。黄仁勋说一切都是token，未来的AI工厂就像现在的发电厂一样，源源不断地提供tokens。他还搞了一套AI工厂的操作系统，叫Dynamo，发动机的意思。他认为AI工厂就是现在的发电厂，将来大家都要用到AI工厂产生的东西。所以今年，老黄的广告词升级了：The more you buy, the more you make。买得越多，赚得越多。

AI工厂实际上就是人工智能的大型基础设施。这也可以看出，黄仁勋的野心在一步步升级，从GPU芯片到服务器，到数据中心，再到大型基础设施。价格越来越贵，生意越来越大。

最后，我要补充一个大家特别担心的问题，叫做尺度定律（Scaling Laws）。它的大概意思是说，只要算力、数据和模型的参数不断增加，模型效果就会变得更好。而尺度定律一旦失效，很有可能这些高端芯片都会变成烤面包机，变成普通的白电。

伊利亚在2023年的年底跑出来说，预训练阶段的尺度定律已经失效了，已经达到一个顶峰。但是我们会发现新的技术又不断出现，预训练阶段的尺度定律即使失效了，后训练阶段的尺度定律又会出现。现在长思维链推理的尺度定律也出现了，从一个尺度定律变成了三个甚至更多的尺度定律。所以到底什么时候会失效是不太好判断的。

英伟达的整个编年史到这里就讲完了。接下来，我们要详细地讨论英伟达的城墙和黄仁勋的多元思维模型。

第五章 英伟达的城墙和破壁人

大家对伊利亚最后的归属很感兴趣。这些八卦到底怎么回事？他为什么跟萨姆·奥尔特曼反目成仇？为什么“逼宫”萨姆·奥尔特曼？

其实还是因为初心。“靡不有初，鲜克有终。”ChatGPT出来之后，OpenAI已经变成了一个纯粹的盈利组织。所有新招的员工其实都是奔着钱去的，这个组织已经开始变化。所以保持初心的伊利亚看到这种现象是不高兴的。伊利亚也反复跟萨姆·奥尔特曼说过，我们一定要做好AI安全的风控。他当时做了一个项目，叫超对齐。

什么叫对齐呢？这是互联网公司的常用话术，就是领导说的话，你要懂他的真实意思。所谓的超对齐就是你要让AI懂你的真实意思是什么，它不能违反人类的基本道德原则。比如，你给AI下一个指令：给我赚更多的钱。AI听到这个指令之后，它可能去杀人放火，去黑银行，就为了帮你赚更多的钱，而没有道德的约束边界。

当AI发展到有一天比人更聪明时，伊利亚认为AI对人的感情要像父亲对婴儿一样，是充满感情的，没有一丝伤害之意的。这样才是一个安全的AI，一个好的AI。伊利亚认为这正是我们应该努力的方向，一定要把AI控制到那个程度。在保证这个方向之前，不应该充分地发展AI技术。这个想法跟伊隆·马斯克是完全一致的。

但是ChatGPT出来之后，赚钱的压力、投资人的压力已经把这个公司推向了另一边。所以在那天，伊利亚和董事会的另外两个同学一起煽动了这场“叛变”，逼宫奥尔特曼，宣布奥尔特曼的不诚实，比如他在融资上实际不是很诚实的，没有跟董事会说清楚。因为这些原因，他们把奥特曼给逼走了。董事会里奥尔特曼最忠实的那个粉丝也跟着走了，他也是个技术大佬。

要知道，现在的OpenAI公司已经变成CloseAI了，它的员工已经不是当初在马斯克的号召下而来，为了人类未来安全着想的理想主义程序员了。所以有90%的员工一起联名写信，认为奥特曼不能走，要走也是伊利亚。在这种情况下，伊利亚走了。

马斯克对伊利亚有个特别好的评论，他说伊利亚是一个特别好的人，他用了nice这个词。伊利亚说，我不忍心伤害任何人，我只是很担心OpenAI的未来，如果大家觉得我走更好，我就走。最后他在他的社交媒体平台上写了一个很短的说明，说他非常内疚自己做了这件事情，他要离开OpenAI。

2024年5月，伊利亚离开了OpenAI。伊利亚这种大神出来，所有的风投都咬着他不放，要多少钱，开口就是了。像红杉资本这样敏锐的风投，直接就把钱打过来了。伊利亚的新公司后来又被谷歌、英伟达投资，现在已经值几百亿美元了。

新公司叫做安全超级智能公司（Safe Super Intelligence，简称SSI）。它有一个承诺：在我们推出第一款安全超级智能产品之前，不会开展任何发布活动。一般情况下，投资人不会投这样的项目。任何不了解伊利亚的投资人都不会投。但是伊利亚就是这么有吸引力，在什么都没有的情况下，公司就估值几百亿美元了。他的招聘说明也极其简单：专注于安全的超级智能，不考虑任何其他事情，让你完成毕生的工作并帮助解决我们这个时代最重要的技术挑战。

目前他也招了不少人，所以我特别期待SSI公司将来能够走出来。未来人类会不会面临电影《终结者》里的局面？SSI就是帮我们人类的AI，ChatGPT就是要消灭人类的AI，但它们共同信仰的“上帝”都是伊利亚。

田喵

讲到《终结者》，我顺便插一句，当时《终结者》里边的天网，整个系统的算力，基本就是一台英伟达3060的算力。真实世界远比电影有更大的数据和算力需求。

韦华

所以祝福伊利亚，也许他能给人类带来一个美好的未来。但是我觉得不管未来怎么样，所有人都应该记住这个名字—伊利亚。他太低调了，所以实际上他并没有得到应该得到的关注。他的导师辛顿获得了去年的诺贝尔物理学奖。实际上，如果没有伊利亚后来的贡献，AI科学家可能都没有这个机会。

春秋

我们进入最重要的环节吧？

韦华

好的，接下来我们来讨论英伟达公司一道一道的城墙到底是什么？为什么它的毛利率能有70%？英伟达现在的业务大概90%是计算和数据中心，只有10%是游戏显卡业务。在业务的背后，支撑它50%的净利、75%的毛利以及90%左右的市场份额的本质到底是什么？为什么它能取得这么高的市场份额和这么高的利润率？

我们得从分析它的竞争优势开始，它的经济城墙是什么？阿飞，你觉得黄仁勋给英伟达建立的第一道城墙是什么？

阿飞

应该是他的生态系统，就是CUDA。

韦华

我也觉得CUDA是英伟达的第一道城墙。从2006年开始推出CUDA，不断烧钱，到现在给CUDA生态系统烧了100亿美元。我们要怎样看待CUDA？

第一，看CUDA在客户锁定上的能力。CUDA上面的开发者要转到别的生态系统里，转换成本是极高的。没有任何一个程序员在同等条件下会愿意离开CUDA，在别的生态开发。

第二，规模效应。CUDA目前大概跑在5亿颗GPU上，而且它的数量在不断增长，所以CUDA的成本摊在这5亿颗GPU上，其实就没那么可怕了。

第三，网络效应。用 CUDA 的人越多，上面的应用就越多，整个生态就越有价值。每一个节点都会增加它的网络效应。目前CUDA的已注册开发者大概有600万。英伟达的整个CUDA生态就类似苹果，苹果的手机硬件、iOS、App Store、App共同组成了一种较为完善的生态。

田喵

而且这600万仅仅是统计数据里特别精确地使用CUDA的程序员数量，其实有更多的程序员是泛触点，因为他们用的是CUDA上泛化出来的程序。

韦华

这600万是在英伟达网站上注册的开发者。

田喵

还有更多人是用它的APP，但是不需要注册的，或者说没有直接和他们的网络连接。所以真实的网络效应远比600万多，600万是一个极端保守的数字。

韦华

是的。所以第一道城墙就是CUDA。

第二道城墙，实际上就是占它90%收入的业务—数据中心。数据中心特别神奇，客户粘性极强，而且不仅是在一个视角上强。

首先是研发人员视角。在数据中心，研发人员是程序员。从程序员的视角看，如果不在这个数据中心上做开发，转换成本太高了。

第二是从采购员的视角分析。我们之前研究IBM的时候，经常提到一句话，没有任何一个采购员会因为买IBM的东西被公司开掉。没有任何一个采购员愿意承担这种风险。所以购买者与使用者不一致的这种商业模式往往特别值得关注。比如茅台的购买者和使用者就不一致，它也是个好生意。作为一个采购员，我不想冒任何风险，我就只会去买英伟达。你让我去买AMD，万一这些研发人员投诉我怎么办？

第三个视角，客户的客户。英伟达数据中心的客户实际上是像谷歌、微软、Meta、甲骨文这样的公司。而作为使用谷歌云上的客户，要把数据迁移走太麻烦了，云服务商的转换是很复杂的。所以又形成了层层绑定。

数据中心这种从资本支出到收入，从客户的客户到采购，共同形成的商业模式，是我所见的最有粘性的商业模式之一，非常罕见。

除了客户锁定之外，数据中心这套生态体系里，英伟达的技术优势也非常明显。比如在GPU和GPU之间的通信，它有自己的NVLink。NVLink是别家很难达到的技术。

另外还有英伟达用70亿美元收购的Mellanox，这家公司所有的服务器到服务器、机柜到机柜的网络能力也是最强的。再加上黄氏定律的激励，它的快速迭代能力也越来越强。

综上所述，我觉得数据中心业务构成了英伟达的第二道城墙。

第三道城墙是什么呢？就是产业链的优势。英伟达与台积电形成了神奇的产业链，互相帮助对方成长。

阿飞

对，相互成就。

韦华

台积电怎么超越了英特尔的制造能力？你看英特尔的CPU，18个月或者一年才出来一款。但英伟达的显卡，每6个月就迭代一次。它逼着台积电反复迭代，最终超越了迭代更慢的CPU。

春秋

我的搭子跑得太快了，所以我也跑得快了。

韦华

这是一个特别有意思的“快鱼吃慢鱼”的现象。这种模式其实在科技行业反复发生，比如微软和英特尔组成的模式，其实也是相对IBM而言更快速地一个迭代。所以慢慢地，他们就超越了IBM。

田喵

而且最开始的时候，英伟达是被原始设备制造商（Original Equipment Manufacturer，简称OEM），也就是这些终端板卡厂商的需求牵着走的。因为大家买的其实是OEM，而不是英伟达。但现在，OEM是被英伟达牵着走的。OEM需要的是什么？英伟达产品的进步。英伟达如果不进步，OEM无论做出哪些硬件上的小改进，大多数终端的消费者也都不会有什么需求。所以英伟达才是关键，它是产业链里占主导地位的一个玩家，是“链主”企业。

阿飞

它的品牌已经建立起来了。

田喵

甚至不是品牌，而是大家对它的需求是实实在在的。无论是一个B端消费者，做渲染的；还是一个C端消费者，打游戏的；还是一个超级大B端，做数据中心的，要的都是英伟达的算力。

韦华

英伟达inside。你就是这样的客户对不对？

田喵

对，我就是这样的客户。

韦华

我突然想起来一个小笑话。之前提到AMD的创始人桑德斯有句话：真男人有工厂。英伟达与台积电合作之后，有记者又问黄仁勋对这句话的理解，黄仁勋说：Nvidia has fabulous partners。英伟达拥有杰出的小伙伴，fabs此时是fabulous的缩写，指的就是台积电。从而巧妙地回应了Real men have fabs这句话。

春秋

如果今天还有记者问黄仁勋这个问题，黄仁勋就可以理直气壮地说：Real men have fabs. Nvidia has AI factories。

韦华

这是产业链和英伟达组成的集群式优势。台积电给H100，甚至给最新的芯片B100、B200上用的CoWoS封装，产能非常有限。未来3到5年已经被英伟达垄断了。

田喵

完全锁定了。

韦华

台积电没有足够的产能给别的厂商。即使要制造，新投产的话，也得三五年之后。

田喵

而且可能英伟达的这一代Blackwell架构已经完全结束了。等到下一代3纳米芯片成熟之后，这一代产能才会给别人。

韦华

另一块就是和富士康的合作。富士康是给英伟达DGX服务器做总装的。富士康这些公司可以把服务器的成本做到最低，但是它们有一个很高的门槛，不会跟小厂商合作。对于新的创业公司，优秀的原始设计制造商（Original Design Manufacturer，简称ODM）都不会过来帮忙。其实这也形成了一道很大的屏障。一群小蚂蚁要团结起来战胜大象，难度太大了。

田喵

是啊。

韦华

最后，第四道城墙是什么呢？我认为这道城墙是动态的，就是黄仁勋自己不断建立的网络。我想用黄仁勋的原话来讲，涉及他的零亿美元市场战略。

他是这样说的：“如果你创造了市场，你会有护城河。因为如果你的产品做得好，围绕这个产品就会形成一个服务终端市场的生态系统，这样就创建了一个平台。有时是基于产品的平台，有时是基于服务的平台，有时是基于技术的平台。但如果你先到那儿，帮助生态系统跟你一起成功，你就有了网络的网络，所有这些围绕你构建的开发者和客户网络。这个网络就是你的护城河。我不爱用护城河这个词。因为它让你专注于在城堡周围做防御。我更喜欢用网络。网络是让其他人都能进来，享受最终市场的成功。不是只有你享受，而是跟一大群人一起。”

这特别像芒格说的，我们要建一个无缝的信任之网，让网络里面的所有人都受益，并且也不会伤害别人。

关于英伟达的城墙，你们有什么想法吗？

阿飞

我对最后一点的理解是，黄仁勋的成功，不仅是他个人的成功，是他整个生态系统的成功。在做一个事情的时候，如果能够带着大家一起成功，其实这种城墙会更厚。

韦华

我们苔藓花园的城墙以后也要这样，帮助大家一起成长。

阿飞

符合天道。

田喵

我认为CUDA和网络效应是相辅相成的，就像英伟达的硬件和软件也一直在相辅相成一样，这可能是最深的竞争优势。如果大家用过AMD的类CUDA软件—ROCm，本地化部署，跑个大模型什么的，会发现这东西很难用。

韦华

你认为CUDA才是最重要的。

田喵

对，我觉得CUDA和网络效应是一件事情，它俩是深度绑定在一块儿的，是分不开的。这是最重要的。

韦华

我后面引用的黄仁勋说的网络效应，其实是建立在CUDA之上。Omniverse平台、Cosmos平台、Isaac GR00T平台其实都是在网络效应之下。实际上，我们应该评估的是前三道城墙，到底是CUDA更强，数据中心更强，还是产业链更强？

田喵

我觉得CUDA是最关键的。因为即使最强大的竞争对手，也很难有一个既向前兼容又网络套网络的深厚城墙。对AMD来说，它首先要解决的是最浅的层面，就是技术层面的问题。怎么做好兼容？怎么把这些东西规划好？光这些可能就需要5到10年去缓慢拓展。更不要说一个大家一起获利，一起深度嵌入其中的生态网络了，这可能是需要10年到15年才能去培养起来的。

韦华

很有道理。相对来讲，我觉得最弱的竞争优势确实是产业链这一块。产业链如果可以用时间来衡量，目前来看，5到10年有可能有解决方法。

春秋

产业链底层是一个谁赢了就帮谁的逻辑。既然说是城墙，我就会反过来想，什么情况下这个城墙会被打破？

韦华

对，这是我们下一个讨论的话题。

田喵

我觉得英伟达这一套基于自己GPU的数据中心是非常强大的。但同时AMD也有基于自己CPU的数据中心，可能以后也会有其他公司可以建立基于自己TPU（Tensor Processing Unit，张量处理单元）的数据中心。每一个数据中心本身的客户锁定是非常强的。每一个数据中心本身的技术优势，也会使得目前跟他做业务的客户不太愿意走。但是这并不意味着新做业务的人就一定会选择你。

韦华

有道理。如果再把数据中心拆分一下，拆分成简单的原始器件。你觉得它的哪一个城墙最厚？是它的算力芯片，还是它的网络连接技术，还是它整个基于数据中心的软件系统？

田喵

我不是特别了解这些具体的方向。我觉得更多的是网络技术这一方面。第二个可能是算力本身大。一个是大，一个是快，又大又快是比较难的。

韦华

现在流行一种新的数据中心，就是用各家的芯片，又用英伟达的芯片，又用华为昇腾的芯片，又用自己的TPU或者ASIC芯片，又用GB200，全部结合在一起。

田喵

英伟达都能做，需要什么提供什么。全套买下更好，部分购买也欢迎。

春秋

我有个一直想问的问题，有时候连产业内的人都难以判断情况，我们作为一个非行业内的投资者，怎么把握机会呢？

阿飞

我觉得像技术优势，对于短期，甚至中期来讲，确实是非常强。但随着科技不断进步，技术优势可能不会一直成为竞争优势。因为历史上看，高科技产品终将变成烤面包机。

其实更多的城墙还是客户锁定。在庞大的利益链条中，转换成本太高了，我没有必要去尝试新的东西。而且更换到别家产品，还需要克服一个很大的时间差。这是我理解的最强的竞争优势。

春秋

阿飞还是认为CUDA比数据中心更核心。我的问题是，像英特尔和百度这种业内的投资人都做不好的投资，我们业外的普通投资人在哪个点上可以做好？比如是CUDA容易被替代？还是数据中心？还是Mellanox的连接技术？我作为一个产业外的投资人，可能很难判断。在研究英伟达城墙的时候，应该怎么去切入呢？

韦华

就是得花时间。要真的搞懂这个公司，就是需要花大量的时间去搞懂，但是要跟自己和解。因为大部分公司确实是搞不懂的。所以，很多时候你需要像黄仁勋一样问自己，你是不是真的喜欢这件事情？你真的喜欢这个公司、喜欢这个人的话，你就会花大量的时间投入到里面。慢慢地靠着你的调研，靠着AI的帮忙，去搞懂这些现象。

还有你要抓关键问题，有的东西其实不需要太懂，比如具体神经网络它为什么有效，你不用太懂。有一句很搞笑的话是这样说的：我们这个技术，实践起来已经非常成功了，理论上还需要验证。

春秋

很经典。

韦华

对投资而言，我觉得理解竞争优势是非常重要的。你可能要去采访很多在数据中心工作的小伙伴。问他们，如果让你换个别的生态系统，你愿意吗？你去理解到底他们哪里不愿意，还是领导一句话就真的可以换了。

我们今天的播客其实只完成了投资10%-20%的工作，大量的工作还在后面。

春秋

我发现，逐个列出问题，比如 Mellanox有没有技术优势？有多大？什么样的人能攻破它？要回答起来其实是没有依凭的。

韦华

对，所以我们要去深入地去调研。我现在提出的这些所谓的城墙，实际上我们再聊到破壁人的时候，会发现它们好像也不是那么坚不可摧。

那我们就直接进入到这个话题。作为英伟达的破壁人，我们应该怎么打败它？

AMD和英特尔，你们觉得还有机会吗？AMD收购了ATI，有自己的GPU芯片。英特尔也一样，在做自己的体系。目前看，他们已经是被英伟达打败的对手。出现什么样的可能性，他们还会有机会？

春秋

我还有一个问题，我不得不把老黄的管理方式放在竞争优势里考虑。老黄带来的东西是复利性的，这让优势越来越被巩固。

韦华

其实你的问题是，如果老黄不干了，英伟达会不会出现危机？乔布斯不干了，苹果会不会出现危机？

阿飞

我回答韦华的问题，我觉得这个市场足够大，尤其是人工智能这个产业，现在才刚刚开始，还没有到真正的终局。在一些特殊领域，AMD和英特尔还是有机会的。比如我们要去模拟真实的物理场景，还涉及很多专有的方向，都是机会。英伟达不可能把所有的市场都吃掉。

韦华

英伟达不需要吃掉所有的市场。你说的那种或许是只能占有一个非常小的市场，但是成本一直没有机会，只能在小市场里苟延残喘。

田喵

我的理解是，如果只是看AMD和英特尔的话，那么显然AMD比英特尔现在的情况好很多。

韦华

当然。英特尔靠着美国制造业回流，转向做制造端，也许还能活下来。

田喵

我觉得不会的。因为制造端这些事也是需要10年以上的。如果它以前的制造至少能跟上三星的尾巴，或者像SK海力士这些公司的尾巴可能还好，但是它现在真的差得有些远。

韦华

有这么差吗？

田喵

对，留给它的时间不会那么多了。

春秋

而且考虑到如果10年为时间周期的话，一届总统的任期也不够，在这个时间内能不能推动产业的回归呢？

田喵

英特尔先要解决的问题是它在GPU这个大战略的失败。

韦华

我的问题不是AMD和英特尔能不能活下来，而是它们能不能打败英伟达？这是两个完全不一样的问题。

也许你在一个利基的市场里面，在一个非常小片的蓝海里，确实能活下来。但是离打败英伟达还是差太远了。听大家的讨论，我觉得AMD和英特尔的机会是非常渺茫的。那我们就按产业链的角度继续推演。

第二个问题就是大厂能不能自力更生？比如说，谷歌现在推出了自己觉得更适合深度学习的ASIC芯片TPU。特斯拉推出了自己的ASIC芯片D1、D2，就用在它的数据中心Dojo里面。OpenAI说也要搞自研芯片。伊利亚最近创业的这个公司SSI，听说选择的也不是GPU，而是谷歌的TPU。所以，有没有可能这些自力更生的大厂能从里面分得更大的份额？

田喵

我觉得都是有可能的，包括AMD也还是有可能。尽管这是一个英伟达自己开创的巨大市场。

韦华

市场太大了，终局未到，使得大家都有这个可能。

还有一个挺有意思的问题，科大讯飞推出了一个星火大模型。星火大模型用的算力，全都来自华为的昇腾或者是寒武纪，它没有用到英伟达，因为它也是在美国的名单里面。但是星火模型的使用效果还不错。

田喵

对，它可能只是慢一点。

韦华

那么，依靠华为昇腾这套体系，它能不能通过做更便宜且可移植CUDA的类CUDA系统，来打败CUDA呢？因为据我现在的了解，其实只需要再加少数的一些代码，就可以把以前在CUDA上面开发的应用，完美地兼容到昇腾的体系里。这会不会使得华为“猥琐发育”，然后突然有一天，一旦开放，就发现华为比英伟达更强大。

阿飞

有可能。

田喵

是有可能，但是便宜会比可移植更可能一点。因为可移植，永远是一个要具体问题具体分析的事。

韦华

就像华为的鸿蒙一样，开始的时候跟安卓完全一样。慢慢地开始有了自己的一些特色。会不会突然出现一个弯道超车，比安卓更好用、更有效率？

田喵

因为安卓是一个完全开放的平台，而CUDA是一个封闭的平台，那就使得2026年可能可以兼容的应用，到了2028年不一定能兼容。这取决于老黄会怎么反过来去博弈这个事情。老黄当然可以选择我跟你合作或者我也把你嵌入进来，或者我和你竞争。而不同的选择会带来两个完全不同的平行宇宙。但是更便宜这件事情，我觉得反而会确定一点。

韦华

按算力算的话，你觉得也能更便宜吗？

田喵

算力会更便宜一些，但老黄的算力可能会更便宜。

韦华

如果按芯片数算，那肯定可以。但按算力算的话，我非常担心在2纳米之后，咱们是否还能够跟得住。

田喵

那时候就要考虑了，比如2纳米制程之后，跑一跑基准测试，看看它到底有多好，看它的良率怎么样。这个事情就不好判断了。

韦华

目前恰好是在这个时间点上，就算5纳米的技术，我们似乎也能实现。但是再往下走的话，能不能实现这个阶跃呢？

田喵

现在3纳米都已经只是良率问题，3纳米在消费级芯片上良率还是不够高。但我觉得3年之后，良率会带来非常好的改变。

韦华

对呀，华为成了民族的希望。

春秋

如果再叠加一定的地缘风险，这就不是一个纯粹的便宜与否，或者是别的商业上的问题，它的可能性就会变。

韦华

华为的存在其实恰恰得益于地缘政治的保护。比如说，当年因为国内的互联网不对外开放，我们才看百度、腾讯、阿里，使得这些公司疯狂地成长。以至于现在腾讯、字节可以算是世界级的互联网公司。那有没有可能在这个相对来讲狭小一点、但是也很宽广的市场里面“猥琐发育”，然后华为昇腾慢慢就会发现，GPU也不是不可以被国产替代，基于昇腾的类CUDA应用也朝气蓬勃地发展，也能做得很好。尤其是中国的AI开发者也是非常多的，占全球一半以上。在国家的帮助之下，一旦有一天放开，在市场的作用下，华为昇腾可能不仅不会被打垮，反而会发展得更好。

阿飞

还是有希望的。

田喵

现在这个市场真的是供不应求，需求太旺盛了。现在根本不是一个谁更好的问题，而是谁能解决问题就行。

韦华

涉及到民族情感，讨论得有点热血沸腾。

下面讨论一个巨大的风险：尺度定律如果失效，市场会发生什么呢？

因为算力市场的增长可能就没有了。这种情况下，思科公司的故事可能会重新发生。当时，整个互联网市场，几乎家家户户都买了思科的路由器。遭遇互联网泡沫之后，很多公司大量倒闭，就开始抛售思科的路由器。所以思科的业务大规模地回撤了，以至于再也起不来。

有没有可能在尺定律失效之后，大家所有的人，你一块H100，我一块B200，都往市场上卖，使得大家短期内再也不想去买英伟达的新GPU？你们觉得尺度定律会不会在很短的未来失效？

田喵

这个问题太难了。但是我非常同意，如果尺度定律失效，或者说即便只是它的二阶导、它的加速度开始放缓的时候，都有可能会出现问题。如何去应对是更重要的。

韦华

我自己短期内不太担心尺度定律失效。首先因为尺度定律从1个发展到3个了，我觉得将来发展到5个10个都有可能。其次，至少我肉眼可见的未来，大模型还不够好，尤其是多模态的数据还没有完全地加进来。至少从多模态这块的需求看，还是会非常旺盛，所以这不是我特别担心的。再加上智能驾驶也好，未来的机器人也好，其实都还没有开始普及。

阿飞

才刚刚开始。

韦华

我短期不是很担心，但终有一天，它的算力需求增长确实会变缓。那个时候怎么应对？还得仔细想想。

阿飞

期待英伟达的持续迭代能力了。

韦华

黄仁勋其实提到过，比如数字生物学可能是下一个更大的应用。但我不是特别理解这个概念。相对来讲，人形机器人或者是自动驾驶可能看得更清晰一些。所以我认为，至少在多模态和自动驾驶实现之前，尺度定律应该还能继续存在。

下一个可能出现的风险就是量子计算，或者说别的可能替代的计算方式，大家有研究吗？

阿飞

到那个时候，肯定有新的计算模式出来。

韦华

但目前市场上，大家可能更认为量子计算和GPU的计算是并行的，它们适合不同的领域，彼此不是替代的关系。我是这样理解的。

阿飞

我是觉得真正的量子计算要到实际应用还非常非常遥远。

韦华

你判断大概要多少年？

阿飞

不好预判。我觉得10年内应该看不到。

韦华

10年内看不到？那我就不担心了。我其实最担心的是政策上的反垄断。比如ARM并购被否这类事情。未来有没有可能出现CUDA必须被拆分这种情况？如果这个情况出现的话，我觉得还是非常危险的。

所有AMD芯片上都能跑CUDA的话，有没有这个可能？这是一种政治正确。我们可以持续跟踪，这都是我们不大能够预测的。

春秋

从动机上来看，如果 CUDA 被拆分，AMD 上可以CUDA，谁会乐见这件事的发生呢？

韦华

除了英伟达之外的所有人吧？毕竟英伟达有 50% 的净利润。

关于英伟达的城墙和怎么打破城墙，我们讨论得比较完善了，但每一个结论都还只是猜测。要去肯定它或者否定它，还要大家之后去做更多的调研。

第六章 多元思维模型

终于来到了最后一个话题。我们可以学习黄仁勋哪些主要的思维模型？怎样利用这些思维模型？这也是我们这次讨论的初心和闪光点。

第一个思维模型，就是黄仁勋在LSI Logic工作时提到的，设计的工具可能比设计本身更重要，这是一种二阶思维的表现。二阶思维在生活当中也是经常能够用得到的，它需要我们去想一想，事物背后更深的逻辑链是什么？二阶思维类似于现在大模型出现的长思维链推理。

第二个思维模型，是实事求是思维，或者说“对知识诚实”。当你遇到问题的时候，一定要想明白真实的困难到底是什么，而不要被困难所施加的压力所击垮。仔细去想，困难能不能拆解？一步步拆解之后能不能解决？而认知和拆解困难的前提是，你一定要对知识诚实。

春秋

怎么样把老黄的思维理念和日常生活结合到一起？比如二阶思维，多想想自己的思维链路，可能就是一个改变。

韦华

二阶思维的一个著名例子就是凯恩斯的选美比赛理论。报纸刊登100张女性照片，读者要从中选出6张最漂亮的脸。谁的6张选票和票数排名前6的脸重合度最高，谁就获奖。这种情况下，一阶思维就是选你自己认为最漂亮的6个人。而二阶思维就是选你认为大多数人会选的最漂亮的6个人。甚至还能继续推演，选你认为大多数人认为大多数人会选的人。

第二是对知识的诚实，这个模型对我很重要。因为我当年其实是用类似投机的心态在资本市场做交易，后来才转到投资，最重要的原因就是这句话给我带来的影响。第一次听到这句话是在李录先生2019年北大光华的演讲上。我发现自己对所相信的知识其实是不诚实的，比如对K线、对技术图形、对博弈的分析。还有更容易花掉时间和精力的是对一些没法预测的宏观经济的分析。比如GDP的增长到底是多少？经济衰退到底什么时候会结束？在这些事情上花时间都是对知识不诚实的做法。

应该要去积累一些诚实的知识。比如数学和物理的基本定律、勾股定理、牛顿三大定律、热力学三大定律，还有爱因斯坦的广义相对论和狭义相对论，以及电磁学的一些知识，这些是最诚实的知识，对我们的投资特别有帮助。譬如研究长江电力这样的公司，你也得去搞清楚，“水头”指的是什么？就是水位落差的势能如何转换为动能，水的动能推动涡轮机的转动，然后能够产生多少电能。

积累这些普遍的基础科学知识是特别重要的。反复积累这些诚实的知识，慢慢就会应用到真实的生活当中。伊利亚觉察到的人的学习能力，就是生物学知识。今天讲的人工智能，也是神经科学、计算科学、数学、物理学等多个学科的交叉。当然不只有自然科学知识，还有更多的社会科学知识，比如心理学。黄仁勋就会利用对比错误反应倾向让大家记住订单。

春秋

学无止境。

韦华

芒格思想里的多元思维模型，我还没有觉得特别震撼。真正震撼我的是他说只要积累80-90个模型就够了。本来你会觉得知识是海洋，就像庄子说的：“吾生也有涯，而知也无涯。以有涯随无涯，殆已！”但芒格把80-90个模型提出来之后，你会发现似乎能够找到自己的通用函数逼近器。

春秋

知识没有边界，但是有地图。

阿飞

还是有希望的。

韦华

第三个思维模型，就是故事里所讲的，诉之以利。黄仁勋跟世嘉谈判，让世嘉决定给他100万美元的时候，我相信不只是黄仁勋说的理由：谦卑、nice。更重要的要让对方明白怎么做可以使得利益的期望最大化。当你在生活中碰到很多事情不符合商业常识时，都要再用二阶思维的方式，想想后面是不是有利的因素。

第四个思维模型，芒格常说的“反过来想”。黄仁勋决定要不要做深度学习，要不要全力投入AI时用到的重要思维方式就是逆向思维。

春秋

“如果我知道我会死在哪里，我就不会去那里。”

韦华

第五就是第一性原理。这其实是我从马斯克那里学到的。后来发现不管是李录还是黄仁勋，他们都反复提到第一性原理。第一性原理是指把事物拆解到最小的基础模型，然后从此再出发，推论出现在需要做的一切是不是合乎逻辑。

以上五个主要的思维模型，今天已经融会于我们对公司的理解中了。

最后，我想用黄仁勋的一段话来作为结束语：“我忍受痛苦和折磨的能力，我能够长时间专注的能力，我应对挫折和在下一个转角发现机会的能力—我认为这些才是我的超能力。我希望你和我一样，也具备这样的能力。”

再提示一下大家，以上讨论仅仅是关于英伟达研究的第一步，只是我们做投资工作量的10%左右。这部分是第一层研究，就像深度研究和深度学习的神经元网络一样，此外还有很多层次。

第二层研究是我们得花更多时间去做调研，去理解公司的管理方式。员工激励到底是怎么回事？公司的企业文化到底怎么样？“使命才是你的老板”，这种话是真的深入人心，还是仅仅是口号呢？这个公司是不是真的像传言一样，扁平化管理，没有政治斗争呢？在美国是这样，在中国也是这样吗？从我的人生经验来讲，我不大相信。

接着我们还需要做第三层分析，就是具体的估值以及对投入资本回报率（Return on Invested Capital，简称ROIC）的理解，然后耐心等待机会的到来！

彩蛋

阿飞

创建一个公司，不仅需要有工程师的思维，把事情做好，同时还要有商业思维。其实黄仁勋就是从工程师到企业家，不断地进化和迭代。这可能也是黄仁勋的超能力。

春秋

韦华，你的导师当时也是希望你不仅有工程师的思维。

韦华

上次我跟别人聊的一个话题很有意思。黄仁勋、马斯克、乔布斯，他们说服人的技巧都不一样。

乔布斯是现实扭曲力场。他盯着你的眼睛，对你说，你能做到，你能做到。然后你就觉得，我能做到。有个视频就是这样的，他瞪大眼睛说：you can do it。

马斯克是这样的：“你能做到！你能做到！”“我不能！”那么，开掉，换一个人。再来一个人。“你能做到！”“我不能！”又开掉，下一个。“你能做到！”“我能做到。”就这样把人说服了。

黄仁勋就很奇怪，你会发现任何困难在他面前，他都能巧妙地解决掉。比如他能把那几个大牛一个一个招过来，包括那个并行计算的专家。甚至每一次的商业谈判，结果都能偏向对他有利的那一面。不知道他的技巧到底是什么？他说过一点，就是他足够的谦卑，懂得先退一步。但具体他是怎么说服别人的，我们可以再开一个小课题，研究黄仁勋的“说服术”，比如怎么能让系花嫁给我。

阿飞

黄仁勋自己讲说要有一个好的过去。从他出生到开始上学，到最后出来创业，每个过程其实他都是做到极致。而且他很享受当下，做每件事情都很认真，哪怕是洗碟子、洗厕所，做再小的事，都尽力做到极致。可能当你这样做事的时候，别人也能感受到你的那种心境。如果是我，见到一个人特别自信，特别投入做事情，那至少我也会对他心生敬畏。

韦华

这就是愿力吧？

阿飞

英伟达快破产的时候，黄仁勋跑过来对世嘉说，你给我100万美元，我就有可能活过来。如果是一个普通人这么讲，很可能觉得他就是个骗子，但是黄仁勋讲就不一样。

韦华

对，信誉很重要，就像巴菲特一样。

阿飞

信誉在真实的商业中还是蛮重要的。

韦华

所以从现在开始，我们要累积自己的信誉，每一步都做得比较好。

对知识诚实本身是件非常难的事情。这其实也是我们建这样一个让大家共同讨论的社群的原因。芒格说，如果你真的想拥有一个观点，就找到你身边最聪明的人跟你辩论，当你还能说服他的时候，说明你才真的拥有了这个观点。

春秋

所以老黄只对乒乓球有诚实，但是对国际象棋没有。

我想再讨论一下结束语中的那句赠言：“我忍受痛苦和折磨的能力，我能够长时间专注的能力，我应对挫折和在下一个转角发现机会的能力—我认为这些才是我的超能力。”其实今天谈到的最戏剧化的就是你的时间轴和故事人物的时间轴平行的那一段。当时你说，那些事情甚至熄灭了你对科学研究的兴趣。能再谈谈你对黄仁勋这一段话的感受吗？

韦华

其实我认为我跟黄仁勋有很多相似的地方。我自己觉得我忍受痛苦的能力以及专注做事情的能力也是非常强的。但是有一个前提，就是我一定要喜欢这个事情。

春秋

它要有价值感和意义。

韦华

还有在转角发现机会的能力。在我的人生中，也是不断出现机会。每一次走到绝路，都会发现还有一个很好的机会在等待。甚至我们几个人今天一起录这期播客，也是有太多机缘巧合，就源于去年此刻我们在茅台镇的对谈中碰撞出了一些火花。

春秋

还有，故事里的几个主人公都选择先相信再看见。韦华，如果当时有人能让你先去相信的话，是否结果会不一样？

韦华

这是很难的事情。我觉得这种信仰本来就是非常少的人才有的。这其实是一种基于直觉的信仰。特别像价值投资也一样，2023 年我见到李录先生的时候，他给我最大震撼的一句话就是：“价值投资就是一种信仰。”

阿飞

非常认同。

韦华

当你真的有信仰，才能够在漫漫岁月里面坚持做自己的事情。辛顿40岁的时候觉得自己一事无成，30年后才拿到图灵奖，30多年之后才拿到诺贝尔物理学奖。

春秋

马上就40年了。

韦华

1987年，他40岁。到2012年，也就是25年后，AlexNet才横空出世，有20年的静默期。在如此漫长的岁月，只有拥有足够的信仰，它才能够给你足够的驱动力。这也是伊利亚最让我感动的一句话了。

田喵

如果我可以看后视镜，那可以说20年之后就会成功。但真实代入生活，意味着你首先要干20年活，要一直干下去才有可能。

阿飞

特别热爱是最重要的。因为热爱，所以相信；因为相信，所以继续，而且享受。

韦华

因为热爱，所以他们有充足的时间和充分的耐心，就像苔藓花园的园丁一样。

阿飞

所以他们享受当下。我最近也有一些感悟，自己出来做投资，远离了那些噪声之后，每天就是看看书，然后做些自己的事情，我发现我很享受当下的状态。过去的两个月时间做的事情比我过去一两年时间做的事情还多，还有意义。

韦华

因为你是在正确的路上开始复利的。

阿飞

在正确的路上，做自己想做的事情，而且做得非常有激情。我也出差，我也调研，各地跑，但一点都不觉得累，每天都很兴奋。这种状态真的很棒。

韦华

你的孩子出生对你没有影响吗？

阿飞

没有影响，因为本身我特别喜欢孩子。我孩子和我也特别有缘分，我们生日就差两天，在我生日那天开始发动，然后隔两天就出生了。

韦华

讲个冷知识，伊利亚和他的导师辛顿生日就差两天。伊利亚是12月8日，导师是12月6日。

阿飞

所以有孩子，我也特别幸福。孩子在母亲肚子里的时候，我就会跟他讲话，也念芒格的书，讲好多我觉得特别有意思的东西给他听。出生之后，他好像能听懂我的声音，他哭的时候，我一跟他讲话，他就不哭。

韦华

有时候我们还是得相信大脑的神奇。

阿飞

虽然他现在不会说话，但我相信他的大脑能够听懂。

韦华

你这是在训练他的大脑模型。

春秋

回头给他放一段播客试一试。

阿飞

哈哈哈，确实很神奇。从医院抱回来的时候，很多人抱他，他都哭。但我一抱他，他就不哭，对着我笑。他第一次笑是对着我。

韦华

可以确定是你的娃了。

春秋

老说人工智能不会替代什么，这就是永远不会被替代的那部分。

韦华

刚刚阿飞讲到孩子的时候，又让我想到伊利亚。有一天当人工智能超越人类的时候，伊利亚希望人工智能对人类的情感就像父亲对婴儿一样，充满感情，而不是伤害他。

春秋

希望是阿飞这样的父亲。

韦华

以上故事里的每个人物单独拿出来都是非常好的主角。伊利亚、李飞飞、吴恩达、杨立昆、辛顿。我可以补充一下辛顿的故事，他是一个极其有意思的人。

有一个关于杰弗里·辛顿的冷知识，他的爷爷的外公就是布尔代数的发明人乔治·布尔（George Boole）。乔治·布尔发明了布尔代数之后，直到几十年之后才出现计算机，并应用这套逻辑。也就是说，在计算机出现之前的几十年，他的理论是没什么用的，是不是特别像辛顿？他发现了神经网络可以起到这么大作用，但直到几十年之后，才在AlexNet上实现第一个突破。

辛顿是英国人，跟伊利亚一样，他从小到大都对人的大脑感兴趣，他所有的好奇心都来自于此。起初，为了了解人的大脑是怎么回事，他在剑桥大学读物理系。学了半天，他发现学物理也不能解释，就又改成数学。学完数学之后他发现还是不行，就去学哲学。但哲学解释的是另外一个层面的东西，他又转到了心理学，依然没用。所以一怒之下，他放弃了做学术。他去干什么，你们知道吗？

春秋

研究东方的玄学吗？

韦华

不是，他去做木匠了。他本来觉得自己是个很好的木匠，结果碰到了一个技术非常高超的木匠。他仔细想了想，认为还是学术简单一点，然后又回到了学校学计算科学。他的一句名言是：“我之所以能得诺贝尔物理学奖，就是因为上大学的时候放弃了物理学。”

春秋

我还以为是学了木工学。

韦华

辛顿的整个人生也是被各种排挤，但是他一直坚持自己的想法。他的实验室研究员杨立昆的故事也非常精彩。他们都非常执着地信仰神经网络必成大器。只有坚持这种信仰，才能这么多年跟踪下来。当然，好处是他们的待遇确实不错。我觉得更难的是，当生存出现危机的时候，是不是还能坚持这种信仰？他们其实最多是在精神层面上饱受折磨，物质层面还好。

阿飞

他获得诺贝尔物理学奖，其实是有点争议的。

韦华

现在也无所谓了，他是超级名人了。

阿飞

对，我是说从物理学角度来讲。

韦华

类似于这种声音—这个奖不应该是我们物理学界的吗？怎么给了外人？

是不是因为他跨过了物理学？物理学特别在意的是可解释性，即定律的通用性。而神经网络的可解释性是非常差的。

阿飞

是的。用物理学去理解它是比较难的。

春秋

没准儿他重新划分了一下类型，古典的、原教旨的、AI时代的，等等。

田喵

人类需要解释，但物理世界不需要解释。

韦华

人类也属于物理世界。

春秋

所以人类送给了他一个诺贝尔这个人命名的奖。

阿飞

就合乎逻辑了。

韦华

辛顿还有很多精彩的故事，比如长期患有抑郁症，作为单身父亲需要照顾多动症的孩子等等，这些故事留给听众去挖掘。

对李飞飞感兴趣的，特别建议去看看《我看见的世界—李飞飞自传》，里面有非常多精彩的段落，有非常细腻的情感。你会发现，只有感情细腻的人才能做出这样的数据集。她做的所有事情都是有一致性的。

如果对杨立昆感兴趣，可以看看他的《科学之路》。他会详细解释神经网络的具体运作机制，非常硬核。阅读这本书有助于看懂我们今天提到的论文。

《英伟达之道》和《黄仁勋：英伟达之芯》这两本书，在对事实整理和描述上做得不错，有很多八卦和故事。但从投资的角度而言，两本书都不在核心点上。从文学创作的角度来讲也比较一般。比起《乔布斯传》《马斯克传》，差距还是挺大的。

春秋

我还想讨论一个问题，英伟达芯片真正升级换代的时候都会改名字，这是挺给我启发的，改名字不只是改了个名字。

韦华

所有的消费者都避免不了一种心理倾向，叫做简单联想心理倾向。改名字实际上是打破这种倾向的一个办法。举个简单的例子，那个时候的显卡行业就跟汽车行业一样，一款芯片推出，一款车推出，一旦不叫卖就废了，很难爬起来的。所以这不是一个好行业，不是一个投资的好方向。

现在的新能源汽车行业也是类似的情况。理想的MEGA其实跟那些事情是没有任何关系的，但有人修图修成那个样子，让大家把它与一些不好的事情产生了联结，的确就影响了我身边的朋友对它的购买欲望。这种时候怎么做，还挺考验管理层的。

再比如雷军，小米汽车出事故之后，他就先消失，努力让大家不要在这个时候建立起不好的印象。等风平浪静之后，再拿新武器出来。其实这是一个比较好的策略。

春秋

雷军还是很高明。

韦华

这次理想发布新的MEGA系列，名字也没有变，但大家对它的接受度明显比之前好了很多。所以时间是一个特别美妙的东西，它可能会改变很多。

春秋

天时地利人和。

韦华

我们做研究的，特别容易被时间所抛弃。之前我也试图去理解像泡泡玛特、老铺黄金、卡游这样的企业，真的很难。所以不要强迫自己，找到自己喜欢的那一片苔藓花园非常重要，喜欢就要去做。

春秋

2030年我们专门录一期节目，看看马斯克有没有上火星。

韦华

录播客是特别新奇的体验。分享的过程中，我也有很多思考和收获。输出时大脑飞快地整理信息，然后就涌现了很多想法。这样讲了一轮之后，对英伟达的记忆也更深。这对做调研是更有帮助的。比如你知道别人说的梗，别人对你的态度就会很不一样，你也容易跟别人走得更近。

春秋

下一期节目大概是什么时候？

韦华

我也不知道。我们做自己热爱的事情，有的是时间。

阿飞

英伟达还没讲完。

韦华

后面的调研很难在播客上分享。讲一个我调研亚马逊的故事，你就知道为什么。研究亚马逊的时候，我们特别迷恋贝佐斯写的给股东的信，觉得每一封都非常精彩，觉得亚马逊的价值观太好了。

田喵

作为一个持有亚马逊的小股东，我感到很荣幸。

韦华

但是当我们真的走进这个公司，和里面的程序员聊天的时候，我们才发现程序员在公司里不受待见。我问他亚马逊基本的价值观贯彻得怎么样，他说不仅完全体现不出来，甚至价值观变成了政治斗争的武器。什么意思呢？就是当老板想开掉你的时候，总能找出一条你跟核心价值观不吻合的地方。

再举一个例子。我们去微软调研的时候，微软的程序员跟我讲，身在“鲍尔默时代”和“纳德拉时代”完全是两种体验。同样一个公司，感觉却完全不一样，这是让我觉得很意外的地方。但这些内容涉及太多个人隐私，而且结论都非常简单。

阿飞

而且很有可能不准确。

韦华

对，结论简单，又可能不准确，具体的调研内容也会更个性化。所以苔藓花园将会聚焦于第一层研究。希望大家听到我们的第一层研究之后，也开始对这个公司感兴趣，然后加入我们，做第二层或者第三层的研究。

一年后，我们可以再做一个回味节目，看当时哪些判断对了，哪些判错了，比如我们认为尺度定律在三五年之内不会失效，万一明年就失效了，那显然我们的判断有问题。

参考文献

[1]David E Rumelhart, Geoffrey E. Hinton, Ronald J. Williams. Learning Representations by Back-propagating Errors.nature,1986,323(6088): 533-536.

[2]Y. Lecn, L. Bottou, Y. Bengio, P. Haffner. Gradient-based Learning Applied to Document Recognition. Proceedings of the IEEE,1998,86(11):2278-2324.

[3]Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton. ImageNet Classification with Deep Convolutional Neural Networks. Advances in Neural Information Processing Systems, 2012, 25.

[4][美]杨立昆：《科学之路》，中信出版集团，2021。

[5][美]李飞飞：《我看见的世界—李飞飞自传》，中信出版集团，2024。

[6][美]斯蒂芬·威特：《黄仁勋：英伟达之芯》，中国财政经济出版社，2024。

[7][美]金泰：《英伟达之道》，中信出版集团，2025。

● ● ● ●  苔藓花园 · MossGarden