#494 – Jensen Huang: NVIDIA – The $4 Trillion Company & the AI Revolution

審查後發現兩處省略主語問題，其餘內容清晰完整。修正如下：

重點摘要

極限協同設計（Extreme Co-design）是 NVIDIA 的核心競爭力：AI 運算問題已超出單一晶片或單一電腦的處理能力，必須跨越 GPU、CPU、記憶體、網路、散熱、電力、軟體整體優化，才能讓算力成長速度遠超硬體數量的線性疊加。
CUDA 安裝基礎是 NVIDIA 最重要的護城河：當年將 CUDA 導入 GeForce 消費級顯卡是幾乎賭上公司的決定，使毛利率從 35% 大幅壓縮，但最終奠定了整個 AI 基礎設施的計算生態。
四大 AI 擴展定律持續有效：預訓練、後訓練、推理時擴展（Test-time scaling）與代理人擴展（Agentic scaling）四個維度仍在同步成長，算力是唯一真正的瓶頸。
OpenClaw（Open Computer Use Agent）是 AI 代理時代的 iPhone 時刻：Jensen 認為它對代理系統的意義，如同 ChatGPT 對生成式 AI 的意義，AI 工廠時代正式開啟。
AI 不會消滅工作，而是重新定義工作的邊界：放射科醫師案例說明，即使 AI 視覺在 2019 年已超人類，放射科醫師人數反而增加。智識（Intelligence）將被商品化，真正的競爭優勢在於「人性」本身。

詳細內容

極限協同設計：為什麼規模不再等於效能

Jensen 解釋，現代 AI 訓練問題已無法在單一電腦內完成，必須將模型、資料、計算管線分散到數萬台電腦同時運行。這帶來了 Amdahl’s Law（阿姆達爾定律）問題：如果計算只佔總工作量的 50%，即使計算速度提升百萬倍，整體速度最多只加快兩倍。因此，網路傳輸、記憶體頻寬、電力分配每一環節都必須同步突破。

NVIDIA 應對方式是讓 60 位直屬高層（涵蓋記憶體、CPU、光學、GPU 架構各領域專家）以開放群討論取代一對一會議，讓每位工程師都能在跨領域決策中即時介入。

CUDA 的誕生：以消費者顯卡為跳板

CUDA 的推出本身不困難，困難的是如何建立夠大的開發者基礎（Install Base）。Jensen 以 x86 架構為例說明：架構的優雅與否遠不如安裝量重要，許多設計精良的 RISC 架構最終失敗，反而是不夠優美的 x86 定義了現代運算。

為了培養 CUDA 生態，NVIDIA 決定將 CUDA 內建於 GeForce 消費級顯卡，但這使 GPU 成本大增 50%，直接吃光公司當時約 35% 的毛利。公司市值一度從約 80 億美元跌至 15 億美元。最終，因為許多研究人員本就是玩家，他們在自己的 GeForce 電腦上發現了 CUDA，逐步形成深度學習的計算基礎。

Jensen：「NVIDIA 是 GeForce 蓋起來的房子，因為是 GeForce 把 CUDA 帶給了所有人。」

四大 AI 擴展定律

擴展定律	說明
預訓練（Pre-training）	模型越大 + 資料越多 = 更聰明；合成資料正取代人類生成資料的限制
後訓練（Post-training）	Fine-tuning、RLHF 等持續優化，資料品質靠 AI 自我增強
推理時擴展（Test-time scaling）	推論即「思考」，思考比記憶更耗算力；小晶片無法應對這個市場
代理人擴展（Agentic scaling）	一個 AI 衍生出無數子代理人，等同於無限擴充員工數，創造大量新資料回流前三個定律

Jensen 認為智能終將由「算力」決定，唯一的長期瓶頸是能源效率（每瓦 token 數），而非技術架構上限。

電力問題：電網的閒置容量

Jensen 指出，電網設計以最壞情境為基準，但 99% 時間使用率僅約 60%。他主張應讓資料中心簽訂「可降載合約」——電網尖峰時段（極少數冬夏幾天）資料中心主動降頻或轉移工作負載，換取平日使用大量閒置電力。

這個方案面臨三個障礙：終端客戶要求 100% 可用性、資料中心不願犧牲 SLA、公用事業者也習慣現有定價模式。Jensen 認為從企業 CEO 層面直接改變採購合約要求，是突破口。

Elon Musk 的工程方法論

Jensen 分析 xAI Colossus 超算（Memphis）在四個月內以 20 萬顆 GPU 完成部署的關鍵：

一切從零開始推理，質疑所有「過去就是這樣做」的慣例
親身到場，與工程師一起研究插拔網路線的流程細節
Musk 的個人urgency 感染整個供應鏈，讓所有合作方以最高優先度對待

這與 NVIDIA 的「光速思維」（Speed of Light）一致：先算出物理極限是多少，再用第一原理設計，而不是從現狀做漸進改善。

中國科技生態的觀察

Jensen 提出幾個結構性原因解釋中國何以在 10 年內孕育出世界級科技公司：

全球 AI 研究員約 50% 是中國人
中國科技業崛起恰逢移動互聯網時代，深植軟體基因
各省市長競爭類似多中心市場，催生大量公司與淘汰機制
校友文化（同學如兄弟）使知識高速流動，推動開源貢獻
工程師是社會精英身份，類比美國律師的地位

Nemotron 3 開源策略

NVIDIA 開源 Nemotron 3（1200 億參數、Transformer + SSM 混合架構）的三個理由：

協同設計：NVIDIA 自己做模型研究，才能預見未來硬體需求
生態滲透：AI 若全部閉源，許多產業和國家無法加入這場革命
多模態覆蓋：語言以外的 AI（生物、物理、天氣預測）也需要有人推進前沿

TSMC 的核心優勢

Jensen 認為 TSMC 最大的誤解是「技術就是一切」。真正護城河是：

能在數百家客戶同時動態調整需求的情況下，維持高良率、高吞吐、低成本的製造系統
同時做到「技術領先」與「客戶服務導向」兩件通常互相矛盾的事
三十年建立的信任——NVIDIA 與 TSMC 的合作沒有正式合約

AGI 的定義與現狀

Jensen 認為 AGI 已經實現，前提是定義為「能在有限時間內創辦一家市值超過十億美元的公司」。他引用中國大量用戶已讓 AI 代理人去「接案賺錢」的現象，以及病毒式傳播的輕量 app 在過去的互聯網時代大量出現為例。

但他強調：即使 AI 能做到上述，一百萬個代理人組合也無法再造一個 NVIDIA，因為那需要的不只是智能，而是人類特有的「意志力、苦難承受力與人性」。

工作的未來

Jensen 用放射科醫師的案例說明：電腦視覺在 2019 年已超越人類水準，但放射科醫師人數反而增加——因為更快的掃描分析能力讓醫院處理更多病患，需要更多醫師下最終判斷。

工作目的 ≠ 工作任務。軟體工程師的目的是解決問題，「寫程式碼」只是完成目的的任務之一。他預測：

「能描述軟體規格」的人將從 3000 萬增加到 10 億
木工、水電工、會計師等傳統職業若善用 AI，其服務價值將大幅提升

精選語錄

“Install base defines an architecture. Not everything else is secondary.” 安裝基礎定義了架構的生死，其他一切都是次要的。

“We went from a retrieval-based computing system to a generative-based computing system. We need a lot more processing in this new world than in the old world.” 我們從基於「檢索」的運算系統，轉向基於「生成」的運算系統。新世界需要的算力遠超舊世界。

“Intelligence is a commodity. The word we should really elevate is humanity, character, compassion, generosity.” 智識將成為商品。我們真正應該珍視的是人性、品格、慈悲與慷慨。

時間軸

本集逐字稿無明確時間戳記，以下為主題順序：

開頭 — 廣告段落（Shopify、Element、Fin、Quo）
段落一 — 極限協同設計的定義、原因與 NVIDIA 組織架構
段落二 — NVIDIA 演化歷程：從加速器 → CUDA → CUDA on GeForce 的策略決定
段落三 — 四大 AI 擴展定律詳解與未來算力展望
段落四 — 電力問題與電網閒置容量解法
段落五 — Elon Musk 建設方法論、NVIDIA「光速思維」
段落六 — Vera Rubin Pod 規格介紹、AI 工廠心智模型
段落七 — NVIDIA 市值展望：token 工廠時代的成長邏輯
段落八 — 中國科技生態分析、開源 Nemotron 3
段落九 — TSMC 文化與 Morris Chang 接班邀約的故事
段落十 — CUDA 護城河、生態系廣度
段落十一 — 壓力管理與心理韌性：分解問題、快速遺忘、吸引未來
段落十二 — 遊戲與 DLSS 5 爭議
段落十三 — AGI 定義、工作的未來、放射科醫師案例
結尾 — 人類意識、死亡與對未來的希望；對台灣之行的期待

修正說明（2 處）：

Elon Musk 段落：「個人urgency 感染整個供應鏈」→「Musk 的個人urgency 感染整個供應鏈」（補足主語，避免讀者不清楚「個人」指誰）
Nemotron 3 段落：「自己做模型研究」→「NVIDIA 自己做模型研究」（補足主語）