黄仁勋深度访谈：「Token 经济」爆发

作者：龙玥 来源：华尔街见闻

近日，英伟达 CEO 黄仁勋做客知名科技播客 Lex Fridman Podcast，围绕 AI 缩放定律（Scaling Laws）、算力与电力瓶颈、AI 工厂、公司未来展望以及 AI 对人类社会的影响等核心议题，进行了超两小时的深度对话。

Token 已成全新商品，计算占全球 GDP 比重将翻百倍

黄仁勋的一个核心观点是，计算的本质已经发生了根本性的跃迁——从过去人类预先录制、计算机负责检索的「存储系统」，转变为具备上下文感知能力的「生成系统」。

更重要的是，计算机在现实经济中的角色变了。过去的计算机是检索系统，主要功能是文件存储。黄仁勋将其比喻为「仓库」，而仓库本身是不直接产生高额利润的。

而现在的 AI 计算机变成了「工厂」，并直接与企业的收入创造挂钩。他认为，AI 代工厂正在制造一种名为「Token」的商品，且这种商品已经被细分和定价。

「我们不仅看到这家代工厂在生产人们想要消费的商品，而且这些代工厂制造的 Token 对许多不同受众都极其有价值，甚至开始像 iPhone 一样出现分层：你有免费的 Token，有高级 Token，还有处于中间层级的 Token。」黄仁勋表示，「有人愿意为每一百万个 Token 支付 1000 美元，这个想法就在不远的将来，这不是会不会发生的问题，而是何时发生的问题。」

基于这种「Token 工厂」模式，计算设备完成了从成本中心向利润中心的跨越。

黄仁勋笃定地推演了这一宏观趋势：「如果生产力大幅提升，全球 GDP 将加速增长。我完全确信，未来用于计算的 GDP 占比将是过去的 100 倍。」

迈向 10 万亿美元市值？黄仁勋：增长是必然的

基于「Token」的经济理论，黄仁勋回答了，英伟达能否迈向 10 万亿美元的新市值巅峰的讨论。

他表示：「这个数字（10 万亿）只是一个数字。」但他明确指出：「英伟达的增长极大概率会发生，在我看来是必然的。」未来实现 3 万亿美元营收的体量并非不可能。

电力瓶颈解法：「用好闲置电」、打造「优雅降级」的数据中心

关于 AI 扩张的瓶颈，黄仁勋直言：「电力是个担忧，但不是唯一担忧。」他给出两条并行路径：一是把能效继续推高；二是想办法获得更多电力。

在能效上，他强调指标是「每瓦每秒 token 数」，并称通过「极致协同设计」提升能效：「我们的计算机价格在上升，但 token 生成效率上升得更快，所以 token 成本在下降……每年下降一个数量级。」

在「如何获得电力」上，他给出一个更具体的思路：电网按极端峰值设计，绝大多数时间有闲置。黄仁勋称：目前的电网是按照极端天气的最高峰值（加上安全余量）来设计的。「99% 的时间里，我们的电网都没有达到最坏情况。」大多数时候可能只在峰值的 60% 左右运行。

为利用这部分闲置能源，他认为需要改变云厂商与电力公司之间严苛的供电合同，放弃对「六个九」（99.9999%）绝对可用性的盲目追求。

「我们需要构建能够『优雅降级』（gracefully degrade）的数据中心。」黄仁勋解释，「当电网说『我们需要把你的电力降到 80%』时，数据中心可以把关键负载转移，或者降低计算速率。计算服务质量会轻微下降，但我们消耗的能源减少了。」

供应链与内存：汇聚 200 家供应商，提前三年布局 HBM

面对市场对 ASML 光刻机、台积电 CoWoS 先进封装等环节可能制约 AI 产能的担忧，黄仁勋表示并不焦虑。他说：「我告诉他们我需要什么，他们告诉我打算怎么做，我相信他们。」

在系统工程上，英伟达正在深刻改变基础设施的制造模式。黄仁勋透露，仅一个 Vera Rubin 机架就包含 130 万到 150 万个组件，背后汇聚了 200 家供应商的技术。

为了匹配这种极高的互联密度（如 NVLink-72），过去在数据中心现场拼装零组件的传统模式已彻底失效。英伟达将数据中心的「超算组装」前置到了供应链的「超算制造」环节。现在，机架必须在供应链中建好，每次以两三吨的重量整机发货。这意味着供应链在整机出厂前的测试阶段，自身就需要具备吉瓦（GW）级的庞大电力储备。

而在最容易卡脖子的内存（Memory）领域，黄仁勋透露，大约三年前，HBM（高带宽内存）的使用率极低，几乎只在极少数超算中露面。但他当时就成功说服了多家内存大厂的 CEO，让他们相信 HBM 将是未来数据中心的主流，并促使产业链果断投资扩产。

此外，他还打破常规，推动供应商将原本专属于手机的低功耗内存（LPDDR）改造并引入超算领域。

「推理是思考」：从训练、测试时扩展到「代理式扩展」

对于 AI 缩放定律（Scaling Laws），黄仁勋把 AI 扩张拆成四条「扩展规律」：预训练、后训练、测试时扩展、代理式扩展。

他回顾「数据枯竭」担忧时称：「我们会继续扩大训练数据……很多会是合成数据。」并给出判断：「训练不再受数据限制，数据将受限于算力。」

对推理侧的算力强度，他说得更直接：「推理就是思考，我认为思考很难……怎么可能是算力轻的？」他认为测试时扩展包含「推理、规划、搜索」等，会推动推理算力需求上升。

最深护城河、太空算力痛点与评价马斯克

当被问及英伟达最大的护城河时，黄仁勋明确指向了 CUDA 庞大的装机量与信任生态。

「这不是 3 个人成就的 CUDA，而是 43000 名员工共同推动的。」黄仁勋强调，这种护城河建立在数百万开发者对英伟达持续优化底层的信任之上，辅以横向整合进入全球各类云厂商、OEM 和边缘设备的极广生态。

在算力基建的前沿探索上，针对将数据中心搬上太空以解决能源分配的设想，黄仁勋证实英伟达 GPU 已经进入太空，但当前主要用于卫星高分辨率图像的边缘端筛选。

对于构建大规模太空数据中心，黄仁勋直言其存在核心的物理痛点：「太空中没有传导，没有对流，只能靠辐射散热。虽然极地有 24/7 的太阳能，但我们需要巨大的散热器。」现阶段最务实的做法，仍是先榨干地球上的闲置电力。

此外，任何算力蓝图的落地都需要极致的工程执行力。针对马斯克旗下 xAI 仅用 4 个月便建成了拥有 10 万块 GPU 的 Colossus 超算中心，黄仁勋在市场化基建层面给出了极高评价。

他将马斯克的成功归结为第一性原理思维与极简主义。「他质疑一切：这有必要吗？必须这样做吗？需要花这么长时间吗？」

黄仁勋表示，「埃隆在众多不同领域都有极深的造诣，同时他也是一个非常优秀的系统思考者。」他继续评价道，「他能够质疑一切，直到把一切缩减到不能再减的最低必要限度……他亲自出现在行动的第一线。当你以如此强烈的紧迫感亲自行动时，会促使其他所有人也以紧迫感行动。」

未来只招会用 AI 的人？「全球程序员将从 3000 万暴增至 10 亿」

针对全球劳动者对 AI 技术的焦虑，黄仁勋给出了一个非常务实的标准。他直言，如果今天要在两名应届毕业生中做选择，他一定会雇佣那个「AI 专家」，而非对 AI 一窍不通的人。

黄仁勋强调，这一准则不仅限于技术岗位，而是涵盖了会计师、律师、销售人员、供应链经理、药剂师，甚至是电工和木匠。在他看来，每个职业、每个层级都没有例外，善用 AI 的人将展现出更高的交付价值。

他进一步厘清了「被取代」的边界：如果一个人的工作本质上就是一系列「任务」（Task），即任务本身就是你贡献的全部价值，那么被 AI 颠覆几乎是必然的。但如果你的工作具有更深层的「目标」（Purpose），你就可以利用 AI 自动化处理那些常规琐事，从而从一名单纯的「执行者」跨越成为所属行业的「创新者」。

对于那些尚未起步的人，黄仁勋给出了最 disarming（令人宽慰）的建议：「如果你不知道如何使用 AI，你大可以去问 AI『我该如何使用你』。它会从头开始引导你完成全过程。」他认为，现在起步的门槛已经降至零，唯一的障碍只在于你是否决定开始。因为在这个时代，等待的成本正在随着 AI 的进化而与日俱增。

对于程序员，黄仁勋抛出了一个震撼的观点：「英伟达软件工程师的数量将会增长，而不是减少……如果编程的定义是『描述规范让计算机去构建』，那么能做到这一点的人数，刚刚从 3000 万变成了可能达到 10 亿。未来每个木匠都会是程序员，每个水管工都会因此疯狂。」

在谈及 AGI（通用人工智能）的时间表时，如果将 AGI 定义为一个能够自主开发应用并实现盈利的系统，黄仁勋表示：「我认为就是现在。我认为我们已经实现了 AGI。」他设想了一个由 AI 自主创建的 Web 服务或数字影响力应用，突然获得数十亿用户使用并赚取利润的场景，这在当下已经具备技术可行性。

访谈全文如下：

黄仁勋访谈文字稿：英伟达——4 万亿美元的公司与 AI 革命 | 莱克斯·弗里德曼（Lex Fridman）播客 #494

介绍

莱克斯·弗里德曼

(00:00:00) 接下来是与英伟达首席执行官黄仁勋的对话。英伟达是人类文明史上最重要、最具影响力的公司之一，它是推动 AI 革命的引擎。英伟达的巨大成功在很大程度上可以直接归功于黄仁勋纯粹的意志力，以及他作为领导者、工程师和创新者所做出的众多卓越押注和决策。这里是莱克斯·弗里德曼播客。亲爱的朋友们，现在有请黄仁勋。

极限协同设计与机架级工程

莱克斯·弗里德曼

(00:00:33) 您将英伟达推向了 AI 的新时代，将焦点从芯片级设计转移到了机架级设计。

莱克斯·弗里德曼

(00:00:42) 我想可以公平地说，长期以来，英伟达的制胜法宝在于构建尽可能完美的 GPU。你们现在依然如此，但如今已经将此扩展到了对 GPU、CPU、内存、网络、存储、供电、冷却、软件、机架本身、你们宣布的计算舱（Pod），甚至整个数据中心进行极限协同设计。让我们谈谈极限协同设计。协同设计一个拥有如此多复杂组件和设计变量的系统，最困难的部分是什么？

黄仁勋

(00:01:11) 谢谢你的提问。极限协同设计之所以必要，是因为现在的问题已经无法装入单台计算机并仅靠单个 GPU 来加速了。你试图解决的问题是，你希望计算速度的提升能超过你增加的计算机数量。假设你增加了 1 万台计算机，但你希望速度提升一百万倍。突然之间，你必须提取算法，将算法拆解、重构，对流水线进行分片，对数据进行分片，对模型进行分片。当你以这种方式分布式地处理问题时，不仅仅是扩大问题的规模，而是分散问题，那么所有环节都会成为瓶颈。

黄仁勋

(00:02:03) 这就是阿姆达尔定律（Amdahl『s law）的问题：某项任务的加速幅度取决于它在总工作量中所占的比例。如果计算占问题的 50%，即使我将计算速度无限提升（比如一百万倍），整个工作量的速度也只提升了两倍。现在突然之间，你不仅要分配计算任务、以某种方式对流水线进行分片，还必须解决网络问题，因为所有这些计算机都连接在一起。在我们这样的规模下进行分布式计算，CPU 是个问题，GPU 是个问题，网络是个问题，交换机也是个问题。在所有这些计算机上分配工作负载同样是个问题。

黄仁勋

(00:02:57) 这是一个极其复杂的计算机科学问题。我们必须发挥各种技术的威力。否则，我们只能线性地扩展，或者依靠摩尔定律的能力来扩展，而随着登纳德缩放定律（Dennard scaling）的放缓，摩尔定律已经在很大程度上停滞了。

黄仁勋如何管理英伟达

莱克斯·弗里德曼

(00:03:16) 这其中肯定有权衡。而且你们涉及了完全不同的学科。我确信你们在这些领域都有专家：高带宽内存、网络和 NVLink、网卡、光学和铜缆连接、供电、冷却等等。这些都是世界级的专家。你是如何把他们聚在一个房间里弄清楚——

黄仁勋

(00:03:34) 这就是为什么我的管理团队这么庞大。

莱克斯·弗里德曼

(00:03:37) 专家和通才的合作过程是怎样的？当你清楚必须要把哪些东西塞进一个机架时，你们是如何把机架组装起来的？把它们全部设计在一起的过程是怎样的？

黄仁勋

(00:03:51) 首先我们要问：什么是极限协同设计？我们正在对从架构到芯片、到系统、到系统软件、再到算法和应用程序的整个软件栈进行优化。这是一个层面。我们刚才谈论的第二个层面，超越了 CPU、GPU、网络芯片、向上扩展（scale-up）交换机和向外扩展（scale-out）交换机。当然，你还得把供电和冷却等因素包括进去，因为所有这些计算机都极其耗电。它们完成大量工作，能效非常高，但总体上仍然消耗大量电力。所以第一个问题是：它是什么？

黄仁勋

(00:04:34) 第二个问题是：为什么需要它？我们刚刚讨论了原因。你希望分配工作负载，使得收益超过单纯增加计算机数量的收益。第三个问题是：如何实现？你是怎么做到的？

黄仁勋

(00:04:51) 这可以说是这家公司的奇迹。当你设计一台计算机时，你必须有一个计算机操作系统。当你设计一家公司时，你应该首先思考你想让这家公司产出什么。我见过很多公司的组织架构图，它们看起来都一样。汉堡型组织架构图、扁平型组织架构图，以及汽车公司的组织架构图，看起来如出一辙。这对我来说毫无意义。一家公司的目标是成为产出成果的机器、机制和系统。这个产出就是我们想要创造的产品。公司架构的设计应该反映它所存在的环境。

黄仁勋

(00:05:36) 这几乎直接决定了你应该如何设置组织架构。直接向我汇报的管理团队有 60 人。我不会和他们进行一对一的会议，因为那是不可能的。如果你想完成工作，你的团队里就不可能有 60 个人还能一一对谈——

莱克斯·弗里德曼

(00:05:51) 但你依然有 60 个直接下属，并且跨越了——

黄仁勋

(00:05:53) 还要更多。

莱克斯·弗里德曼

(00:05:54) 更多。而且大多数明星员工至少都涉足工程领域。

黄仁勋

(00:05:59) 几乎所有人都是。有内存专家，有 CPU 专家，有光学专家。

莱克斯·弗里德曼

(00:06:06) 难以置信。

黄仁勋

(00:06:06) 还有 GPU、架构、算法、设计等领域的专家。

莱克斯·弗里德曼

(00:06:11) 所以你时刻关注着整个技术栈，并且必须就整个技术栈的设计进行激烈的讨论？

黄仁勋

(00:06:18) 从来没有哪次对话是单人进行的。这就是为什么我不做一对一会议。我们提出一个问题，然后所有人一起攻克它。因为我们在做极限协同设计。毫不夸张地说，公司一直都在进行极限协同设计。

莱克斯·弗里德曼

(00:06:33) 即使你们在讨论一个特定的组件，比如冷却、网络，所有人也都在旁听？

黄仁勋

(00:06:40) 完全正确。

莱克斯·弗里德曼

(00:06:41) 并且他们可以提出意见：「这不适合配电。这不适合——」

黄仁勋

(00:06:45) 正是如此。

莱克斯·弗里德曼

(00:06:45) 「……这不适合内存。这不适合那个。」

黄仁勋

(00:06:49) 完全正确。谁想不听就可以不听。原因在于，团队里的人知道什么时候该集中注意力。如果这件事他们本可以做出贡献却没有做，我会点名批评他们。所以我会说：「嘿，快来，加入讨论。」

莱克斯·弗里德曼

(00:07:07) 正如你所说，英伟达是一家适应环境的公司。你觉得在哪个时间点可以说环境发生了改变，公司开始悄悄地适应？从早期用于游戏的 GPU，到深度学习革命的早期，再到现在我们开始将其视为一个 AI 工厂？英伟达是做什么的？它生产 AI，让我们建立一个生产 AI 的工厂吧。

黄仁勋

(00:07:32) 我可以系统地推理这个过程。我们最初是一家加速器公司。但加速器的问题在于应用领域太窄了。它的优势是针对特定工作进行了极度的优化。任何专家都有这个优势。极度专业化的问题在于，你的市场范围更窄，但这也没关系。真正的问题在于，市场规模也决定了你的研发能力。而你的研发能力最终决定了你在计算领域可能产生的影响力。当我们最初作为一个非常具体的加速器起步时，我们一直知道那是我们的第一步。

黄仁勋

(00:08:23) 我们必须找到一种方法成为加速计算公司。问题是，当你成为一家计算公司时，目标变得太过通用，这削弱了你的专业性。我把这两个实际上存在根本冲突的词连在了一起。我们作为计算公司做得越好，作为专家的表现就越差。我们越是专家，进行整体计算的能力就越弱。我故意把这两个词连在一起，这意味着公司必须一步一步地找到那条极其狭窄的道路，既要扩大我们的计算范围，又不能放弃我们拥有的一最重要的专业能力。我们超越加速器迈出的第一步，是发明了可编程像素着色器。

黄仁勋

(00:09:13) 这是迈向可编程性的第一步。这是我们向计算世界进军的第一段旅程。我们做的第二件事是将单精度浮点数（FP32）引入我们的着色器。支持 IEEE 标准的 FP32 是朝着计算方向迈出的一大步。这也是为什么所有从事流处理器和其他类型数据流处理器研发的人发现了我们。他们说：「突然之间，我们也许可以使用这个计算密集度极高、且兼容 IEEE 标准的 GPU 了。」

黄仁勋

(00:09:55) 我可以把以前在 CPU 上编写的软件拿过来，看看能不能用 GPU 来运行。这促使我们在 FP32 之上添加了 C 语言特性，我们称之为 Cg。Cg 的发展路径最终将我们引向了 CUDA。一步一步地，我们将 CUDA 引入了 GeForce，这是一项极具挑战的战略决策，因为它耗费了公司大量的利润，当时我们根本负担不起。但我们还是这样做了，因为我们想成为一家计算公司。计算公司必须有计算架构。计算架构必须兼容我们构建的所有芯片。

莱克斯·弗里德曼

(00:10:42) 能详细讲讲那个决定吗？把 CUDA 放进 GeForce，负担不起却依然决定这么做？你能解释一下这个决定吗？为什么敢于做出这样的选择？

黄仁勋

(00:10:53) 那是第一个几乎可以说是关乎生死存亡的战略决策。

莱克斯·弗里德曼

(00:11:06) 给不了解这段历史的人剧透一下，后来证明这是公司历史上做出的最辉煌、最睿智的决策之一。CUDA 成为了这个 AI 基础设施世界中令人难以置信的计算基础。所以设定一下背景，这最终被证明是一个好决定。

黄仁勋

(00:11:27) 是的，后来证明这是一个好决定。事情是这样的。我们发明了这个叫 CUDA 的东西，它扩大了我们的加速器可以加速的应用程序范围。问题是，我们如何吸引开发者来使用 CUDA？因为计算平台的核心是开发者。开发者不会仅仅因为一个平台能执行一些有趣的操作就跑过来。他们来到一个计算平台，是因为它的装机量大。因为开发者和所有人一样，想要开发能触及大量用户的软件。装机量实际上是架构中最重要的一部分。这个架构本身可能会招致大量的批评。

黄仁勋

(00:12:18) 例如，没有哪个架构受到的批评比 x86 更多，它被认为是一个不够优雅的架构，但它却是当今的定义性架构。这是一个例子。实际上，许多由世界上最聪明的计算机科学家设计的极其优雅的 RISC 架构都在很大程度上失败了。我举了这两个例子，一个是优雅的，另一个仅仅是勉强能用，然而 x86 存活了下来，原因在于——

莱克斯·弗里德曼

(00:12:58) 装机量就是一切。

黄仁勋

(00:12:59) 装机量定义了架构。其他一切都是次要的，明白吗？当时还有其他架构，CUDA 出来了，OpenCL 也在。有几个竞争的架构。但我们做出的正确决定是，我们说：「听着，归根结底这是关于装机量的问题，我们能把新计算架构推向世界的最好方法是什么？」那个时候，GeForce 已经取得了成功。

黄仁勋

(00:13:29) 我们每年已经能卖出数百万个 GeForce GPU。我们说：「我们应该把 CUDA 放到 GeForce 上，把它放进每一台 PC 里，不管客户用不用，并把它作为培养我们装机量的起点。」与此同时，我们去吸引开发者，去大学里写书、开课，把 CUDA 放到各个地方。渐渐地，人们发现了它。当时 PC 是主要的计算工具，还没有云，我们可以把一台超级计算机交到学校里每个研究员、每个科学家、每个工科学院、每个学生的手中。最终，奇迹一定会发生。

黄仁勋

(00:14:15) 问题在于，CUDA 极大地增加了 GPU 这个消费级产品的成本，完全吞噬了公司所有的毛利润。那时候公司市值大概是 80 亿美元？或者是六七十亿美元？当我们推出 CUDA 后，我意识到它会增加很多成本，但这是我们坚信的东西。我们的市值一度跌到了大概 15 亿美元。我们在谷底徘徊了一段时间，然后慢慢爬了回来，但我们坚持在 GeForce 上搭载 CUDA。我总是说英伟达是 GeForce 建立起来的殿堂，因为是 GeForce 把 CUDA 带给了所有人。

黄仁勋

(00:15:10) 研究人员、科学家，他们之所以在 GeForce 上发现 CUDA，是因为他们中很多人也是游戏玩家。很多人反正也要自己组装 PC。在大学实验室里，很多人使用 PC 组件自己搭建集群。我们就是这样起步的。

莱克斯·弗里德曼

(00:15:31) 然后这成为了深度学习革命的平台和基础。

黄仁勋

(00:15:35) 那也是一个非常伟大的观察结果。

莱克斯·弗里德曼

(00:15:38) 在那个生死存亡的时刻，你还记得那些会议是什么样的吗？作为一家公司决定拿一切去冒险，讨论的情形是怎样的？

黄仁勋

(00:15:48) 我必须向董事会表明我们想做什么，管理团队也知道我们的毛利率会被压垮。你可以想象这样一个世界：GeForce 背负着 CUDA 的成本，但没有游戏玩家欣赏它，也没有玩家愿意为它买单。他们只愿意付特定的价格，根本不在乎你的成本是多少。我们将成本增加了 50%，而我们原本是一家毛利率 35% 的公司。所以做出这个决定非常艰难。但你可以想象，总有一天它会进入工作站，进入超级计算机，在这些领域，也许我们能获取更高的利润。

黄仁勋

(00:16:36) 所以你可以用理性的推导让自己觉得能承受这个代价，但这仍然花了十年时间。

莱克斯·弗里德曼

(00:16:45) 那更多是与董事会沟通说服他们，但在心理层面，随着英伟达不断做出预测未来的大胆押注，并在一定程度上特别是现在定义了未来。我想向您请教一些智慧，关于您是如何有能力做出这些决策，带领公司实现跨越的？

黄仁勋

(00:17:14) 首先，我有极强的好奇心。在某个时刻，会有一个推理系统非常清晰地使我确信这个结果将会发生。这必然会发生。所以在我的脑海中我是坚信的，当我内心坚信时，你也知道那是怎样的。你在脑海中显化了一个未来，那个未来如此令人信服，它不可能不发生。在这中间会有很多磨难，但你必须坚持你的信念。

莱克斯·弗里德曼

(00:17:52) 所以你设想了未来，本质上从工程的角度，你将它变成了现实？

黄仁勋

(00:17:59) 是的。你要推理如何到达那里。你要推理它为什么必须存在。我们在这里一起推理。管理团队会去推理。我会花很多时间去推理。下一部分可能是一项管理技能。通常在领导层中，领导者会保持沉默，或者他们了解到一些事情，然后发表一些宣言：「这是全新的一年，到明年年底我们要有一个全新的计划。」这里进行大裁员，那里进行大架构调整，提出新的使命宣言，设计新标识之类的东西。

黄仁勋

(00:18:43) 我从不这样做。当我了解到某件事，并且它开始影响我的思考时，我会向我身边的每个人明确表示：「这件事很有趣。这将会带来改变。这将会影响那件事。」我会一步一步地去推理。很多时候我已经做出了决定，但我会抓住每一个可能的机会——外部信息、新的洞察、新的发现、工程上的新启示、新设立的里程碑——我会利用这些机会来塑造其他人的信念系统。我几乎每天都在这么做。我和董事会这么做，和管理团队这么做，和员工这么做。

黄仁勋

(00:19:33) 我试图塑造他们的信念系统，这样当某天我说「嘿，我们收购 Mellanox 吧」时，大家都会觉得这是理所当然的，我们绝对应该买。当我说「伙计们，让我们在深度学习上全力以赴」并且告诉他们原因时，其实我已经为公司内部的各个组织铺好了砖。每个组织、每个人可能都听到了一些内容，大多数人都听到了其中的片段。当我宣布的那天，每个人都已经接受了其中的许多部分。

黄仁勋

(00:20:19) 在很多方面，当我宣布这些事情时，我能想象员工们都在说：「黄仁勋，你怎么这么久才说？」事实上，我一直在塑造他们的信念系统。所以领导力，有时候看起来像是你在后面引导，但你一直在塑造他们，直到我宣布的那天，大家 100% 买账。但这正是你想要的结果。你想带所有人一起前进。否则，如果我们突然宣布关于深度学习的计划，所有人都会说：「你在说什么？」如果你宣布全力投入某件事，你的管理团队、董事会、员工、客户会觉得：「这是从哪儿冒出来的？」

黄仁勋

(00:21:02) 「这太疯狂了。」如果你回顾过去的 GTC 大会，看看那些主题演讲，其实我同时也在塑造行业内合作伙伴的信念系统，我利用这一点来塑造我员工的信念系统。所以到了我宣布某件事的时候，比如我们刚刚宣布了 Groq，其实过去两年半我一直在谈论相关的基石。你回顾过去会发现：「天哪，他们已经谈论这个谈了两年半了。」我一直在一步一步地打地基，所以当时机成熟宣布时，大家都在说：「你怎么花了这么长时间？」

莱克斯·弗里德曼

(00:21:44) 但这不仅仅是在公司内部。你正在塑造这个行业，以及更广泛的全球创新格局。把这些想法抛出来，你真的在使现实具象化。

黄仁勋

(00:21:53) 我们不造计算机。实际上我们不建云。我们原来是一家计算平台公司。所以没有人能直接从我们这里买到成品。这很奇妙。我们进行垂直整合以完成设计和优化，但在每个层级我们将整个平台完全开放，以便集成到其他公司的产品、服务、云、超级计算机和 OEM 计算机中。所以令人惊叹的是，如果没有先说服他们，我根本做不成我现在做的事。GTC 大部分的作用就是展现未来，以至于当我们的产品准备好时，他们会说：「你怎么这么慢才拿出来？」

AI 缩放定律

莱克斯·弗里德曼

(00:22:39) 是的。很长一段时间以来，你都是广义缩放定律（Scaling Laws）的信徒。你现在依然相信缩放定律吗？

黄仁勋

(00:22:49) 是的。现在我们有了更多的缩放定律。

莱克斯·弗里德曼

(00:22:51) 我认为你总结了四个阶段的缩放定律：预训练、后训练、测试时间（推理）和智能体（Agentic）缩放。当你思考未来，深远的未来和近期的未来时，你最担心、最让你彻夜难眠、为了继续扩展必须克服的阻碍是什么？

黄仁勋

(00:23:12) 我们可以回顾一下人们过去认为是阻碍的因素。在最初的预训练缩放定律阶段。人们理所当然地认为，我们拥有的高质量数据量将限制我们能达到的智能水平。这个缩放定律非常重要。模型越大，相应更多的数据就会带来更聪明的 AI。这就是预训练。伊利亚·苏茨克维（Ilya Sutskever）当时说：「我们的数据用光了」或者类似的话。「预训练结束了」。整个行业都恐慌了，认为这就是 AI 的尽头。但这显然不是真的。

黄仁勋

(00:23:57) 我们将继续增加用于训练的数据量。其中很多数据可能是合成的（Synthetic），这也让人们感到困惑。人们没有意识到，或者忘记了，我们用来相互教导、相互告知的大部分数据其实也是「合成」的。它是合成的，因为它不是从自然界中直接长出来的。你创造了它。我消费它。我修改它，增强它，我重新生成它，其他人再消费它。我们现在已经达到了这样一个水平：AI 能够获取基础事实（Ground Truth），对其进行增强……合成生成海量的数据。

黄仁勋

(00:24:47) 后训练这部分继续扩展，因此我们可以使用的人类生成的数据量将变得越来越小。我们用来训练模型的数据量将继续增长，直到我们不再受限于数据……训练现在受限于算力。原因就是大部分数据是合成的。然后下一个阶段是测试时间（推理），我还记得人们告诉我：「推理？哦，那很简单。预训练才难呢。那可是巨型系统。推理肯定很简单。所以推理芯片只会是一些小芯片——」

黄仁勋

(00:25:32) 「它们不会像英伟达的芯片那样。那太复杂、太昂贵了。在未来，推理将是最大的市场，它会变得很简单，我们会把它商品化。每个人都能造自己的芯片。」这对我来说一直是不合逻辑的，因为推理就是思考，而我认为思考很难。思考比阅读难得多。

黄仁勋

(00:25:59) 预训练只是记忆和泛化，在关系中寻找模式。你只是在不停地读。而测试时间缩放（推理）涉及的是思考、推理、解决问题。将未探索的经历、新经验分解为可解决的片段，然后我们通过第一性原理推理，或通过以前的例子和先前的经验去解决它。或者仅仅是探索、搜索、尝试不同的方法。推理阶段的整个测试时间缩放过程，实际上是关于思考的。它是关于推理、规划和搜索的。

黄仁勋

(00:26:50) 这怎么可能是轻算力的呢？我们在这方面完全正确。测试时间的扩展是极度耗费算力的。接下来的问题是，现在我们在推理和测试时间缩放阶段，那这之后是什么？显然，我们现在创造了一个智能体「人」，这个智能体「人」拥有我们开发的大语言模型。但在测试期间，这个智能体系统会去进行研究，敲击数据库，去使用各种工具，而它做的最重要的一件事，就是衍生并生成一大堆子智能体（Sub-agents）。这意味着我们正在组建庞大的团队。通过雇佣更多的员工来扩展英伟达，比扩展我自己要容易得多。

黄仁勋

(00:27:44) 因此，下一个缩放定律就是智能体缩放定律（Agentic Scaling Law）。这就好比复制 AI。我们可以随心所欲地快速衍生智能体。所以，我总结了四个维度的缩放定律。当当我们使用智能体系统时，它们会创造更多的数据，创造大量的经验。对于其中一些，我们会说：「哇，这真的很好。我们应该把这个记住。」

黄仁勋

(00:28:12) 然后这个数据集又会回到预训练阶段。我们记忆并泛化它。然后我们在后训练阶段对其进行微调和完善。接着我们利用测试时间和智能体系统进一步增强它，然后输出到行业中。这个循环会不断持续下去。归根结底，智能水平将通过一件事来扩展，那就是算力。

莱克斯·弗里德曼

(00:28:41) 但这里有一个棘手的问题，你必须预测未来，因为其中一些组件需要不同类型的硬件才能以最佳状态运行。所以你必须预测 AI 的创新将走向何方。比如，混合专家模型（MoE）——

黄仁勋

(00:28:57) 非常对。

莱克斯·弗里德曼

(00:28:58) 带有稀疏性的模型。

黄仁勋

(00:28:59) 完全正确。

莱克斯·弗里德曼

(00:29:00) 硬件不可能在一周内说换就换。你必须预测未来的形态。要做到这点非常可怕，也非常困难，对吧？

黄仁勋

(00:29:09) 比如，这些 AI 模型架构大约每六个月就会更新一次。而系统架构和硬件架构大约三年更新一次。所以你需要预测两三年后可能会发生什么。有几种方法可以做到这一点。首先，我们自己在内部进行研究，这也是为什么我们既有基础研究，也有应用研究的原因。

黄仁勋

(00:29:40) 我们创建自己的模型。因此我们在这里有第一手的生活经验。这是我谈到的协同设计的一部分。我们也是世界上唯一一家几乎与世界上所有 AI 公司合作的 AI 公司。我们在力所能及的范围内，试图去感知人们正在经历哪些挑战。

莱克斯·弗里德曼

(00:29:59) 所以你在倾听整个行业、各大 AI 实验室的低语。

黄仁勋

(00:30:02) 没错。你必须倾听并向所有人学习。最后一部分是拥有一个灵活的、能随风而动的架构。CUDA 的好处之一是，一方面它是极其强大的加速器；另一方面，它非常灵活。这种在专业化（否则无法加速 CPU）和通用性（以便适应不断变化的算法）之间的惊人平衡，非常非常重要。这也是为什么 CUDA 一方面极具韧性，另一方面我们还能不断对其进行增强。

黄仁勋

(00:30:44) 我们现在已经到了 CUDA 13.2。我们进化架构的速度非常快，以至于我们能够跟上现代算法的步伐。例如……当混合专家模型（MoE）出现时，这就是我们推出 NVLink 72 而不是 NVLink 8 的原因。我们现在可以将一个拥有 4 万亿、10 万亿参数的模型放入一个计算域中，就好像它在一个 GPU 上运行一样。人们可能没注意到我说过这句话，但如果你看看 Grace Blackwell 机架的架构，它完全专注于做一件事：处理大语言模型（LLM）。仅仅一年后，你看到了 Vera Rubin 机架。它有存储加速器，有被称为 Vera 的出色新 CPU。它有 Vera Rubin 和 NVLink 72 来运行 LLM。

黄仁勋

(00:31:46) 它还拥有一个名为 Rock 的全新附加机架。所以这整个机架系统与上一个完全不同，它包含了所有这些新组件。原因在于上一代系统是为了运行 MoE 大型语言模型推理设计的。而这一代是为了运行智能体，智能体会调用各种工具。

莱克斯·弗里德曼

(00:32:10) 显然，该系统的设计肯定在 Open-Claude、Codex 等出现之前就已经完成了。所以你本质上是在预判未来。这来源于什么？来自于行业内的低语，还是对技术最前沿的理解？

黄仁勋

(00:32:25) 不。

莱克斯·弗里德曼

(00:32:25) 不是？

黄仁勋

(00:32:26) 没那么复杂。你只需要去推理。不管发生什么，如果在某个时候我们要让大语言模型成为一个数字工作者……让我们用这个比喻。假设我们希望 LLM 成为数字工作者。它必须做什么？它必须访问基础事实（Ground truth）。那就是我们的文件系统。它必须能够做研究。它不可能无所不知。我不想等到这个 AI 变得对过去、现在和未来的一切都无所不知之后再让它发挥作用。因此，我不如让它去做研究。很明显；如果它想帮我，它就得使用我的工具。

黄仁勋

(00:33:13) 很多人会说：「AI 会彻底摧毁软件。我们不再需要软件了。我们甚至不再需要工具了。」这太荒谬了。让我们用一个思想实验。你可以坐在那儿，品一杯威士忌，思考所有这些事情，一切都会变得显而易见。如果我们要在未来 10 年内创造出能想象到的最神奇的智能体，假设它是一个人形机器人。如果这个人形机器人被创造出来，它是更有可能走进我家，用我现有的工具来完成它的工作？

黄仁勋

(00:33:54) 还是说它的手在一个场景下变成一把 10 磅重的锤子，在另一个场景下变成手术刀，而为了烧水，它的手指能发射微波？或者是它更可能直接使用微波炉？第一次走向微波炉时，它可能不知道怎么用。但没关系。它连接在互联网上。它读取这台微波炉的手册，读完后立刻成为专家。然后它就可以使用了。我认为我刚才描述的，实际上几乎囊括了 Open-Claude 的所有属性。

黄仁勋

(00:34:35) 它将使用工具，访问文件，能够进行研究。它有一个 IO 子系统。当你以这种方式推理完毕后，你会说：「天哪，这对计算未来的影响是极其深远的。」原因是，我认为我们刚刚重新发明了计算机。然后你现在会问：「好，我们是什么时候推理出这个的？我们什么时候推理出 Open-Claude 的？」如果你去看我在 GTC 大会上使用过的 Open-Claude 示意图，你会发现那是两年前的事。就在两年前的 GTC 上，我就在谈论智能体系统，这与今天的 Open-Claude 完全吻合。当然，许多事情必须汇聚在一起才能发生。

黄仁勋

(00:35:26) 首先，我们需要 Claude、GPT 以及所有这些模型达到一定的能力水平。因此，他们的创新、突破和持续进步非常重要。然后，当然有人必须创建一个足够稳健、足够完整的开源项目，以便我们大家都能将其投入使用。我认为 Open-Claude 对智能体系统的影响，就如同 ChatGPT 对生成式系统的影响一样。我认为这是一件非常重要的事情。

莱克斯·弗里德曼

(00:36:02) 是的，这是一个非常特殊的时刻。我不太确定为什么它能吸引全世界如此多的关注，但它确实做到了，甚至比 Claude Code 和 Codex 等还要引人瞩目。

黄仁勋

(00:36:12) 因为消费者能够接触到它。

莱克斯·弗里德曼

(00:36:13) 确实。但这很大程度上也是一种氛围。彼得（Peter），我曾邀请他上过播客，他是个很棒的人。所以部分原因也是代表这个产品的人带来的影响。

黄仁勋

(00:36:25) 毫无疑问。

莱克斯·弗里德曼

(00:36:25) 部分原因是因为迷因（Memes），而且我们都在试图弄清楚它。当拥有如此强大的技术时，如何移交你的数据让它们能做有用的事？这里存在极其严肃且复杂的安全问题，与之相关的事情也很可怕。无论是作为个体还是作为一种文明，我们都在摸索如何找到正确的平衡点。

黄仁勋

(00:36:44) 是的，我们立刻采取了行动，派出了许多安全专家。我们做了一个叫做 OpenShell 的项目。它已经被集成到了 Open-Claude 中。

莱克斯·弗里德曼

(00:36:55) 英伟达推出了 NemoClaw（注：此处指英伟达相关安全工具）。

黄仁勋

(00:36:58) 没错。

莱克斯·弗里德曼

(00:36:59) 它安装起来非常简单，能确保安全性。

黄仁勋

(00:37:03) 我们给你三项权限中的两项。智能体系统可以访问敏感信息，可以执行代码，也可以与外部通信。如果我们在任何时候只给你这三项能力中的两项，而不是全部三项，我们就能保证安全。在授予的这两项能力中，我们还根据企业赋予你的任何权利来提供访问控制。然后我们将其连接到所有这些企业已经拥有的策略引擎上。所以我们将尽最大努力帮助 Open-Claude 变得更好。

AI 缩放定律的最大阻碍

莱克斯·弗里德曼

(00:37:40) 你雄辩地解释了我们如何拥有着一段被认为是阻碍、但最终我们克服了阻碍的漫长历史。但现在展望未来，既然智能体将无处不在已经显而易见，显然我们需要大量的算力。那么，进一步扩展的阻碍将会是什么？

黄仁勋

(00:37:59) 电力是一个顾虑，但不是唯一的顾虑。这也是我们为什么大力推进极限协同设计的原因，以便我们每年都能将每瓦每秒生成的 Token 数提高几个数量级。在过去的 10 年中，按照摩尔定律，计算能力会提高大约 100 倍。而我们在过去 10 年中通过扩大规模，将计算能力提升了一百万倍。我们将通过极限协同设计继续这样做。能效，即每瓦性能，完全影响着一家公司的收入，影响着一家工厂的收入。我们将把能效推向极限，以便尽可能快地降低 Token 的成本。

黄仁勋

(00:38:51) 我们的计算机价格在上涨，但我们生成 Token 的效率提升得快得多，因此 Token 的成本正在下降。每年都在以一个数量级的速度下降。

莱克斯·弗里德曼

(00:39:04) 电力是一个很有趣的问题。试图绕过电力障碍的方法是，通过提高每瓦每秒生成的 Token 数，使其变得越来越高效。当然，如何获取更多的电力也是个问题。

黄仁勋

(00:39:16) 我们确实也应该获取更多电力。

供应链

莱克斯·弗里德曼

(00:39:17) 这是一个非常复杂的问题。你谈到过小型模块化核电站。针对能源有很多想法。AI 供应链的瓶颈问题有多少次让你彻夜难眠？比如拥有 EUV 光刻机的 ASML，拥有像 CoWoS 这样的先进封装技术的台积电，以及拥有高带宽内存的 SK 海力士？

黄仁勋

(00:39:38) 一直都在想，我们无时无刻不在解决这些问题。历史上从未有一家公司在以我们这样的规模增长的同时，还能加速这种增长。这简直难以置信。人们甚至很难理解这一点。在整个 AI 计算领域，我们正在增加市场份额。因此，供应链的上下游对我们来说都极其重要。我花了很多时间与我合作的所有 CEO 交流：有哪些动态将促使这种增长继续甚至加速？这部分原因解释了为什么在 GTC 上，坐在我右边的几乎是整个上游 IT 行业的 CEO 和整个下游基础设施行业的 CEO。

黄仁勋

(00:40:32) 他们都在。有好几百位 CEO。我不认为历史上曾有过几百位 CEO 出席的主题演讲。原因之一是，我在告诉他们我们现在的业务状况。我在告诉他们不久的将来的增长驱动力以及正在发生的事情。我还在描述我们下一步将走向何方，以便他们可以利用所有这些信息和动态来指导他们的投资决策。就像我通知我自己的员工一样，我也这样通知他们。

内存

黄仁勋

(00:41:06) 当然，然后我会亲自去拜访他们，确保「嘿，听着，我希望你们知道，在这个季度、今年、明年，这些事情将会发生。」如果你去看看 DRAM（动态随机存取内存）行业的 CEO 们——世界上排名第一的 DRAM 曾经是数据中心 CPU 使用的 DDR 内存。大约三年前，我成功说服了几位 CEO：尽管当时 HBM（高带宽内存）的使用非常稀少，甚至超级计算机都很少用，但这将成为未来数据中心的主流内存。一开始这听起来很荒谬，但有几位 CEO 相信了我，并决定投资制造 HBM 内存。

黄仁勋

(00:41:55) 另一种放到数据中心显得有些奇怪的内存是用于手机的低功耗内存。我们希望他们能对其进行改造，以适用于数据中心的超级计算机。他们说：「用手机内存做超级计算机？」我向他们解释了原因。现在看看这两种内存：LPDDR5 和 HBM4。需求量简直惊人。这三家公司（生产这些内存的）都迎来了历史上创纪录的一年，而这些都是拥有 45 年历史的老牌公司。所以，我的部分工作就是去告知、塑造和启发。

莱克斯·弗里德曼

(00:42:36) 所以你不仅仅是在构想未来并激励英伟达公司的不同工程师，你还在塑造未来的供应链。你在和台积电、ASML 进行对话。

黄仁勋

(00:42:50) 上游、下游。

莱克斯·弗里德曼

(00:42:51) 上游，下游。所以这就是关键。

黄仁勋

(00:42:53) GE（通用电气）、Caterpillar（卡特彼勒）。没错，那是我们的下游。就是这样。

莱克斯·弗里德曼

(00:42:59) 是的，整个系统。整个半导体行业涉及的极度困难的工程技术太多了，供应链是如此错综复杂，组件如此之多，这让人感到可怕，但它竟然奇迹般地运转起来了。

黄仁勋

(00:43:18) 没错，深度的科学。深度的工程，不可思议的制造。如今大部分制造都已经是机器人化了。但我们有几百家供应商，他们提供的技术组成了我们拥有 130 万个组件的机架。每个机架有一百三十到一百五十万个组件。Vera Rubin 机架背后有 200 家供应商。

莱克斯·弗里德曼

(00:43:45) 有趣的是，在让你彻夜难眠的阻碍清单中，你没有列出这一点。

黄仁勋

(00:43:49) 因为我已经做了所有必要的事情去——

莱克斯·弗里德曼

(00:43:52) 好的。

黄仁勋

(00:43:52) 明白了吗？我可以安心睡觉了，因为我已经搞定了。我对自己说：「好了，让我推理一下。什么对我们最重要？」因为我们将系统架构从你记忆中最初的 DGX-1 改变为 NVLink-72 机架级计算——这意味着什么？这对软件意味着什么？对工程意味着什么？对我们设计和测试的方式意味着什么？这对供应链意味着什么？其中一个影响是，我们将原本在数据中心进行的超级计算机集成工作，前置到了供应链中的超级计算机制造环节。

黄仁勋

(00:44:42) 如果你这么做，你还必须认识到……假设你想建一个数据中心，需要 50 千兆瓦的超级计算机同时运行，而在供应链中制造那 50 千兆瓦的超级计算机需要一周的时间。那么供应链每周就需要一千兆瓦的电力来构建和测试这些在供应链中的超级计算机，然后我才能发货。

莱克斯·弗里德曼

(00:45:25) 哦。

黄仁勋

(00:45:25) 而 NVLink-72 真的是在供应链里构建超级计算机，然后以每个机架两三吨的重量直接发货。过去组件是分开运来的，我们在数据中心内部组装。但现在不可能了，因为 NVLink-72 的密度太高了。所以这就是一个例子。我必须飞到供应链那里，去见我的合作伙伴，说：「嘿，猜猜看？这就是我们将要做的……这是我们过去构建 DGX 的方式。现在我们要这样构建。这将会好得多，因为我们在推理方面将需要它们。」推理的市场正在到来。推理的拐点即将到来。这将是一个巨大的市场。

黄仁勋

(00:46:05) 首先我向他们解释发生了什么，为什么会发生，然后我要求他们每家都投入几十亿美元的资本支出。因为他们信任我，我也非常尊重他们，我给他们充分的机会来质疑我，我花时间向人们解释事物，用第一性原理去推理。我画图表，进行第一性原理推理。当我跟他们谈完时，他们知道该怎么做了。

莱克斯·弗里德曼

(00:46:35) 所以很大一部分是关于关系，以及建立对未来的共同愿景。但你会担心某些瓶颈吗？供应链中最大的瓶颈是什么？你担心 ASML 的 EUV 工具吗？担心台积电的 CoWoS 封装技术扩张速度够不够快吗？正如你所说，你们不仅增长得难以置信地快，而且还在加速增长。感觉供应链中的每个人，这些显然都是瓶颈环节，都必须扩大规模。你有没有和他们沟通，比如如何才能更快地扩大规模？

黄仁勋

(00:47:12) 无时无刻不在沟通。

莱克斯·弗里德曼

(00:47:12) 你担心吗？

黄仁勋

(00:47:13) 不担心。

莱克斯·弗里德曼

(00:47:13) 好的。

黄仁勋

(00:47:14) 因为我已经告诉他们我需要什么。他们理解了我的需求。他们告诉了我他们将去做什么，我也相信他们会去做到。

电力

莱克斯·弗里德曼

(00:47:22) 很有意思。听到这个太好了。我们再在电力问题上稍作停留。你对解决能源问题有什么期望？

黄仁勋

(00:47:30) 莱克斯，这是我特别想探讨的一个领域，把这个信息传递出去。我们的电网是为最坏的情况设计的，并且还留有一定的余量。但实际上 99% 的时间里，我们根本达不到最坏的情况，因为最坏的情况仅仅是冬天最冷的几天、夏天最热的几天以及极端天气。大多数时候我们远没有达到极限情况，可能只运行在峰值负荷的大约 60%。

黄仁勋

(00:48:08) 所以 99% 的时间里，我们的电网都有多余的电力被闲置着。但它们必须被闲置备用，以防万一。当关键时刻到来时，医院必须有电，基础设施必须有电，机场必须运转等等。我的问题是，我们是否可以去帮助他们理解并签订合同协议，重新设计计算机架构系统和数据中心。这样，当社会基础设施需要最大电力时，数据中心获得的电力就会减少。

黄仁勋

(00:48:49) 反正这种情况也非常罕见。在那段时间里，我们或者为那一小部分需求配备备用发电机，或者让我们的计算机将工作负载转移到其他地方，或者让计算机运行得慢一点。我们可以降低性能，减少功耗，并在有人请求答案时提供稍微长一点的延迟响应。我认为，相比于期望 100% 的正常运行时间——这些要求极其严苛的合同给电网带来了巨大的压力，现在他们将不得不进一步提高最大容量。我只是想利用他们闲置的多余电力而已。

莱克斯·弗里德曼

(00:49:36) 是的，这个话题讨论得还不够。是什么阻碍了这一点？是监管吗？是官僚主义吗？

黄仁勋

(00:49:43) 我认为这是一个三方面的问题。首先是从最终客户开始的。最终客户对数据中心提出要求，认为它们绝对不能出现不可用的情况。所以最终客户期望的是完美。为了交付这种完美，你需要发电机和电网供应商结合起来兑现这 100% 的承诺。每个人都要求「六个九」（99.9999% 的可用性）。首先，现在我们必须让所有人都明白，当客户提出这些要求时，你们数据中心运营团队的人可能并没有和 CEO 沟通。我打赌 CEO 不知道这件事。我要去和所有的 CEO 谈谈。

黄仁勋

(00:50:28) CEO 们可能根本没关注正在签署的合同条款，所有人当然都想签最好的合同。他们去找云服务提供商（CSP），那些参与谈判的合同谈判员……我都能想象出他们的样子。他们谈判这些多年的合同，双方都想要最有利的条款。结果就是，CSP 接着去找公用事业公司，要求「六个九」的保障。我认为第一件事就是要确保所有客户、CEO 们明白他们到底在要求什么。