# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
9 月 14 日，英伟达 CEO 黄仁勋出现在洛杉矶 All-In Summit 的舞台上。聊到一半，他接到一个电话，来电者是美国总统特朗普。
黄仁勋告诉特朗普，自己正在和 All-In 的几位主持人一起站在台上。随后，他把电话接到现场扩音设备上。特朗普先调侃，一位能设计世界上最复杂芯片的人，却不知道怎么把电话接到扬声器上。现场原本正在讨论 Anthropic CEO Dario Amodei 最新提出的 AI “限速”主张，这通电话也很快进入同一个话题。
特朗普把当前针对 AI 和数据中心扩张的部分反对声音称为一场“骗局”，认为美国如果因此放慢 AI 建设，最终可能让中国受益。“我们不会让这种事情发生。”黄仁勋在台上回应：“你说得对，我们不会让它发生。”
美国社会对数据中心的阻力已经开始显现。近期 Gallup 调查显示，约七成美国受访者反对在自己所在地区建设数据中心，超过一半担忧能源、水资源和环境影响，约两成担心生活成本和生活质量受到影响。
但这通电话只是整场对谈里最有戏剧性的片段。近 50 分钟里，更集中的讨论落在几个问题上：AI 安全应该怎么管，RSI 是否真的会失控，Open Source 会怎样影响中美 AI 竞争，以及英伟达接下来准备把模型和 AI 基础设施做到什么位置。
▍AI 安全先回到工程控制
Dario 最近提出，前沿 AI 能力增长速度需要放慢，让 Alignment、Interpretability 和外部评估有时间追赶。黄仁勋接受其中关于安全的担忧，但不认同安全与技术领先必须二选一。现场的表述很明确：“安全至关重要。”美国仍然可以保持快速创新和执行，同时把安全做好。
前沿实验室正在从 Research 向 Engineering 转型，同时建设模型、产品、工程体系和组织文化，这个过程本身就可能出现不顺畅的阶段。包括内部举报者提出的问题，也应该被认真对待；如果一家实验室发现自身已经失去控制，暂停或者降低推进速度当然可以成为公司自己的选择。
但对于已经暴露出来的模型事故，处理方式应该先回到工程体系。Frontier Lab 拥有最大的 Compute，因此也最可能最早碰到新的风险。事故发生以后，需要先找到 root cause，再回答发生了什么、哪些地方可以改变，以及应该把什么技术、方法和流程固化下来，避免相同问题再次发生。
Sandbox、runtime、monitor 和 continuous monitoring 都被放进这套控制体系。如果完成事故分析以后，实验室仍然无法解释发生了什么，也不知道怎么控制系统，那才意味着需要引入更多外部工程力量。按照黄仁勋的判断，前沿实验室拥有足够强的工程团队，大多数已经出现的问题都有机会通过工程手段解决。
对于“10% 的人类灭绝概率”这类更宏观的风险数字，态度明显更强硬。黄仁勋直接称这种概率是“编出来的”，认为缺乏科学依据的未来预测如果被研究人员以具体概率公开表达，很容易让不确定的判断看起来像已经得到验证的科学结论。
过去几轮 AI 的激进预测也被重新拿出来讨论。此前有人判断，放射科医生将在几年内被 AI 取代，但现在 AI 已经大量参与医学影像读取，放射科医生并没有消失；类似预测还包括 6 至 12 个月内 90% 的代码由 AI 生成，以及短期内 50% 的 Entry-level Jobs 被淘汰。按照现场的判断，这些时间表都没有兑现。
监管也应该围绕已经出现的问题建立。第三方 evaluator 可以类似企业财务体系中的外部审计机构，不需要比模型开发者更熟悉所有技术细节，但需要知道哪些问题必须被检查。同时可以存在多家评估机构，避免单一机构长期受到某家公司或者某种立场影响。
RSI 也被放进同一套工程逻辑中讨论。Skills、Reflection、RL、Synthetic Data Generation，以及通过 LoRA 调整模型能力，再把积累的经验用于后续 Base Model 训练，都可以被看作 RSI 的组成部分。AI 帮助开发下一代 AI，本身就是生产力工具继续进入研发流程，而且行业已经在不同程度使用这些方法。
争议集中在 RSI 是否会自然进入无法控制的循环。黄仁勋并不接受这种推演，因为模型即使在公司内部持续自我改进，进入产品之前依然要重新完成 Evaluation、Regression Test、Verification 和 Evals。随着 Frontier Lab 进一步从 Research 走向 Engineering，方法、知识、工具和流程都会继续强化控制能力。
▍开源重画中美 AI 竞争
Open Source 是另一条讨论主线。Closed Model 和 Open Model 都有长期存在的空间，前者可以提供完整的产品和服务体验，后者则对应 Sovereignty、Privacy、Proprietary Technology 和二次开发等需求。
黄仁勋把 Closed Model 类比成瓶装水：水本身可以免费获得，但用户仍然会为特定体验、服务和场景购买瓶装水。模型也是类似的关系，不同企业和开发者最终会根据自己的场景选择开放或闭源。
对谈中给出的一组数据是，过去六个月约有4000 亿美元 Venture Funding 流入 AI Native 公司，其中约 80% 使用 Open Model。现场没有进一步解释这组数据的统计口径，但用它来说明一个判断：大量 AI 创业公司已经建立在开放模型之上。
如果美国希望在 AI 竞争中保持领先，也不能只依赖几家 Frontier Lab。企业、行业、研究人员、教师、学生和 Startup 都需要参与，一部分会使用 Closed Model，另一部分则依赖 Open Model。开放模型让更多公司能够按照自己的需求继续训练、修改和建立产品。
中国在全球 Open Source 生态中的位置也被单独谈到。按照黄仁勋的判断，目前全球大量 Open Source 贡献来自中国，中国拥有更大的工程师数量和大规模理工科人才供给。一个中国团队发布的模型被下载以后，开发者可以 Fork、改进和重新训练，“下载以后，它就是你的”。
由此，中美 AI 竞争的衡量标准也发生变化。竞争的关键，是谁能把技术用得最好。上一轮工业革命中，Maxwell、Volta、Ampère 等大量基础理论和技术突破并非来自美国，但美国后来把这些技术大规模转化成工业和社会应用。AI 也可能沿着类似路径发展，模型最初来自哪里只是其中一个变量，更重要的是一个经济体最终能不能把技术真正用起来。
对中国 AI 发展方式的评价也明显偏向务实。黄仁勋提到，中国围绕 AI 的公共叙事更加聚焦经济和社会发展，很少把重点放在文明终结或者灾难性结局上。对于 AI 公司而言，与其把大量精力用来制造公众无法处理的恐惧，更应该继续把技术做出来，并解决已经能够被识别的问题。
英伟达对 Open Source 的投入也会继续增加。过去一年半左右，NVIDIA Platform 上能够运行的 Frontier Model 数量已经明显增加，从此前高度集中于 OpenAI，到现在 Gemini、Anthropic 以及更多 AI Lab 都在 NVIDIA 上扩张。
公司自己的 Open Model 也会继续建设。在自动驾驶领域，大量车企、卡车和农业机械公司没有足够规模独立训练完整模型，英伟达可以先提供底层模型和完整 Stack，再由客户完成最后一公里适配。生物医药领域也沿着类似路径展开，包括蛋白质结构、Protein Generation 和其他计算生物学任务。
英伟达给自己的边界是：向上做到必要的位置，但尽可能留在底层。cuDNN、Megatron 等技术都遵循这套逻辑。如果生态缺少某个关键能力，英伟达就把它做出来；基础设施形成以后，再让更多公司继续在上面开发，而不是把每一层产品都收入自己手里。
▍英伟达向模型和基建延伸
AI Boom 也在改变英伟达看待资本配置和供应链的方式。黄仁勋认为，AI 正在创造大量新的工作岗位。现场再次引用过去六个月约 4000 亿美元 AI Venture Financing 的数据，认为这些资金已经带来新的软件和 AI 工作岗位，同时进一步推高 Compute 与 Data Center 的需求。
AI 在这里被定义成一种生产 Intelligence 的工业体系。电力让人类能够给各种设备供能，Internet 让人可以找到信息，AI 则进一步让用户可以直接提出问题并得到答案。要持续生产这种 Intelligence，就必须建设对应的物理基础设施。
这套基础设施已经不只包括 GPU。Data Center、Construction、Electricity 和 Power Generation 都属于 AI Industry 的组成部分，英伟达会沿着整个生态寻找 Bottleneck，只要某个环节会限制 Compute 部署，就需要提前解决。
过去这种方法更多用于上游供应链。台积电、Memory、Corning、Lumentum 等供应商需要提前扩充能力，才能让下一轮 GPU 增长真正发生。现在，同样的方法开始向下游延伸，Land、Power 和 Shell 都进入英伟达关注的范围。
NeoCloud 也是其中一个环节。大型 Hyperscaler 通常一年完成一次基础设施规划，但当前 AI 市场变化速度太快，年度计划很容易偏离实际算力需求；区域 Cloud 更熟悉本地土地、电力、审批和客户，也能够更快锁定资源。
英伟达已经开始通过这些区域合作伙伴扩张 Compute Capacity，在澳大利亚、东南亚等市场推进新的基础设施项目，建设规模开始以 Gigawatt 计算。各国也越来越把能源看作战略资源，一些地区开始讨论优先把新增电力留给本地企业。
特朗普在现场谈到 Data Center 时同样强调了经济效应，认为数据中心可以给所在地区带来就业和财富，美国不能因为反对声音停止 AI Industry。黄仁勋随后也提到，行业在进入更多小型社区时需要更认真听取当地诉求。此前与得州州长 Greg Abbott 交流时，对方就希望数据中心企业对当地居民的担忧保持更多敏感度。
这部分讨论也解释了英伟达为什么同时向模型和基础设施两端延伸。上层需要更多模型和应用扩大 Compute 使用，下层则需要土地、电力、Cloud 和 Data Center 把这些 Compute 真正部署出来，两部分都直接关系到 NVIDIA Platform 的扩张速度。
▍中国光刻看到 2030 年
先进制造也进入了这场讨论。Elon Musk 提出的 Terafab 被作为一个例子谈到，英伟达没有披露具体合作安排，但公司虽然不运营自己的 Fab，长期把芯片推向制程极限，内部已经积累了大量 Process Technology 和 Memory Technology 能力。
对于 Musk 推动 Terafab 的可能性，黄仁勋的评价很直接：一旦 Elon 决定做一件事，就很难让他停下来。
中国先进光刻能力则给出了一个更具体的时间判断：2030 年。中国擅长 High-volume Production，只要关键技术取得突破，后续大规模制造能力就会很快跟上。按照英伟达做长期供应链规划的时间尺度，两三年并不算长，因此中国补齐先进光刻能力被看作一个时间问题。
对于 AI 能力本身，黄仁勋的判断同样偏向继续推进。在一些 Narrow Domain，机器已经开始达到甚至超过人类水平。
自动驾驶就是一个例子。一个自动驾驶系统不需要拥有完整的人类通用能力，只需要把驾驶做好；如果事故率已经明显低于普通人类驾驶员，那么在这个具体任务里，就可以被视为 Superintelligent。Protein Synthesis、Virtual Screening 等科学任务也属于类似情况。
因此，对于 AI 是否应该主动减速，态度非常明确：“放慢速度绝对是错误的策略。”安全仍然需要更严格的 Evals、Verification 和工程控制，但 AI 研发没有必要因此停下来。访谈结束前，黄仁勋再次强调，希望前沿 AI 公司继续推进，同时减少围绕 AI 的过度渲染：“未来很好，我们想抵达那里。”
文章来自于微信公众号 “有新Newin”，作者 “有新Newin”
