5
0很多人谈论 AI，习惯从“更强的模型”“更大的参数”“更接近通用智能”出发，最后往往落到一种科幻式的想象：要么是无所不能的“上帝 AI”，要么是大规模失业与社会秩序重构。
但黄仁勋在这次访谈里，给出的是一种几乎“工程师式”的视角：他讨论的重点不是遥远的终局，而是一场正在发生的产业变革——它由基础设施、成本曲线、商业模式与劳动力市场共同推动。换句话说，AI 的未来不在玄学里，而在能不能被规模化、被组织化、被商业化。
本文试图从三条主线，梳理这次访谈中最值得反复咀嚼的观点：技术层面的关键进展、商业层面的拐点信号，以及社会层面的“任务—目的”框架。
一、2025 年真正让他“眼前一亮”的，不是规模法则，而是“可信 AI”
黄仁勋并不意外模型规模继续变大、能力继续提升。因为规模法则（scaling law）本身就是行业共识：投入更多算力、更多数据、更强模型架构，通常会换来更强性能。
真正让他感到“惊喜”的，是 AI 从“聪明但不靠谱”走向“可被严肃工作信赖”的一组关键能力：Grounding（接地/对齐事实）、Reasoning（推理）以及模型与搜索的结合。
这些词看起来技术化，但背后解决的是一个非常实际、也最让用户头疼的问题：幻觉——一本正经地胡说八道。
如果把早期生成式 AI 比作一个想象力丰富但经常乱编的实习生，那么 grounding 与 reasoning 更像是给它装上了“事实核查器”和“推理链条”。当 AI 的输出开始能够做到可追溯、可验证、可推理时，它就不再只是玩具，而会进入专业场景，成为可用的生产工具。
访谈里提到的例子很典型：
·在医疗场景，类似 Open Evidence 这样的工具，核心价值不再是“泛泛而谈”，而是在特定领域提供高准确度、可追溯依据的答案。
·在法律场景，类似 Harvey 的工具，目标也不是替代律师，而是把大量检索、摘要、条款比对等工作推向自动化，从而提升专业交付效率。
这类应用的共同点是：AI 的价值开始从“生成内容”转向“生成可信的工作成果”。这是一次质变。
二、一个被低估的经济拐点：“盈利的 Token”正在出现
如果说技术进展解释了“AI能做什么”，那么访谈中更关键的一段，其实在回答“AI能不能长期做下去”。
黄仁勋提出一个很有冲击力的概念：profitable tokens（盈利的通证/盈利的 token）。
它的含义可以用一句话概括：AI 每生成一个 token（一个字、一个像素、一个输出单位），已经能够创造足够高的商业价值，以至于用户愿意为它付费，并且这种付费意愿能够支撑一个健康、可持续的商业模式。
这句话的重要性在于：它把 AI 产业从“投入驱动”拉向“价值驱动”。
过去相当长一段时间，AI 产业给人的感觉是：算力越烧越多、训练成本越来越高、商业化路径却不确定。于是市场上很容易出现两种极端叙事：
·要么认为 AI 是泡沫，靠资本输血维持；
·要么认为 AI 必然走向寡头垄断，只有少数巨头玩得起。
“盈利 token”的出现，提供了第三种可能：当单次推理/生成能稳定产生高价值，产业就会从烧钱阶段走向商业闭环。
访谈中用 Open Evidence 举例，其毛利率高达 90%。这当然不是说所有 AI 应用都能达到同样水平，而是提示市场：AI 的某些垂直场景产出，已经不再是廉价替代品，而可能是高价值服务。
一旦这种商业闭环成立，生态系统就会被激活：更多创业、更多应用、更细分的行业模型与工具会出现；基础设施投入也将更具“可计算的回报逻辑”。
三、AI 会不会取代工作？关键不是岗位，而是“任务”与“目的”
几乎所有人都会焦虑：AI 在创造商业价值的同时，是否也在摧毁社会价值，尤其是工作岗位。
黄仁勋在这里给出了一个非常有用的分析框架：区分 Task（任务）与 Purpose（目的）。他认为，混淆二者是很多焦虑的根源。
他举了“放射科医生”的例子，来回应早年一个广为流传的判断：杰夫·辛顿曾预测，AI 会在五年内完全取代放射科医生。
黄仁勋的评价是：这个预测对了一半，也错了一半。
·对的一半在于：几乎 100% 的放射科相关应用都已经有 AI 介入，AI 识别影像的能力确实很强。
·错的一半在于：放射科医生不仅没有被取代，数量反而增加。
为什么？因为放射科医生的“任务”是盯着屏幕看海量影像，但他们的“目的”是诊断疾病、推进研究、改善治疗、拯救生命。AI 自动化了高度重复、极耗眼力的任务，反而让医生能投入到更高层次的目的上：分析更复杂病例、做更多研究、服务更多病人。最终结果是整体医疗效率提升，同时带来对更多优秀医生的需求。
这个逻辑可以迁移到大量知识型工作中：
·律师的任务是阅读与起草合同，但目的在于谈判、制定策略、解决冲突、争取客户利益。
·工程师的任务可能是写大量“胶水代码”，但目的在于架构设计、关键决策与产品方向判断。
当 AI 把某些任务压缩到“秒级”时，人类的竞争力往往会被迫回到更高层次的“目的”上。对个体而言，这当然意味着压力：如果一个人的价值定义仅停留在完成任务，那么确实危险；但如果把自己定位为推动决策与结果的人，AI 反而可能成为放大器。
四、AI 不只是软件革命，更是一轮“再工业化”
访谈里还有一个非常值得重视的点：黄仁勋提醒我们，不要只盯着被自动化的任务，还要看到 AI 正在创造的新实体产业。
他特别提到美国正在大规模建设的三类“新工厂”：
1.芯片厂
2.“超级机造机厂”（用于制造计算系统的产业能力）
3.他称为 AI 数据工厂 的新一代数据中心
这类“AI 数据工厂”的本质，是耗电巨大、结构复杂的实体建筑，需要电力系统、冷却系统、网络系统与大量工程人员。这将带来对电工、暖通、管道、网络工程师等职业的强劲需求，甚至改变“科技行业只属于帽衫程序员”的刻板印象。
从这个视角看，AI 更像一次“产业链扩张”，它不仅发生在云端与模型层，也会穿透到能源、建设、制造、供应链与劳动力市场。
五、没有“上帝 AI”：未来更可能属于垂直化与开放生态
黄仁勋明确反对“上帝 AI（God AI）”的叙事。他认为现实世界有无数行业，每个行业都有自己的语言体系、知识结构与工作流程。与其等待一个无所不能的全能模型，不如发展高度专业化、多样化的行业工具。
这自然引出了开放生态的重要性。他强调：如果没有开源，初创企业、高等教育、传统工业和医疗保健等领域的创新会被“窒息”。他甚至举例提到来自中国的开源模型 DeepSeek，借此强调：全球创新是相互受益的联结网络，而不是零和游戏。
在“AI 训练成本”这个经典迷思上，他也用更激进的成本曲线观点做反驳：随着硬件、算法、模型共同进步，未来十年 AI 计算成本的下降速度可能远超摩尔定律数量级，最终让“生成一个 token 的成本”出现极端幅度的下降。其含义是：今天被认为“天价”的事情，可能会以惊人的速度变成“可负担的常规能力”。
六、面向未来：三个可能出现“ChatGPT 时刻”的领域
当成本快速下行、生态走向多元化，下一轮突破会在哪里出现？
黄仁勋给出了三个清晰方向：
1.数字生物学（生物/化学/细胞）
多模态、长文本、合成数据等技术结合，推动理解与生成蛋白质、化学物质与细胞结构的革命，甚至走向“按需设计”新蛋白质与药物分子。
2.会推理的汽车（自动驾驶的范式迁移）
自动驾驶可能从“感知+规划”进化到“推理驱动”，从而更好处理训练数据之外的突发情况（分布外问题），更像经验丰富的人类司机做出常识判断。
3.人形机器人（系统集成加速）
他对机器人极其乐观，理由是驱动机器人的很多基础 AI 技术已经相对成熟。机器人更像系统集成问题：把强大 AI “大脑”安装进物理身体，实现规模化落地。
更重要的是，他认为未来市场的兴奋点将转向垂直行业的深度应用：大量针对特定行业、解决真实问题的 AI 公司会涌现，并可能形成新的巨大产业。
结语：你相信的是科幻叙事，还是产业路径？
将这些观点串起来，会发现黄仁勋在反复把 AI 拉回一个非常“落地”的框架：AI 不是单点技术奇迹，而是一张由能源、芯片、基础设施、模型与应用组成的产业网络。
最后值得追问的问题或许是：当你展望 AI 的未来时，你脑海里浮现的是“某个终极智能颠覆一切”的不确定叙事，还是一个已经出现清晰路径、由基础设施与垂直应用驱动、正在现实世界加速展开的产业变革？
很多时候，真正的未来，就隐藏在这两种叙事的差异之间。
英文访谈原片：youtu.be
