黄仁勋谈生死与AI未来：不设接班人，愿在工作中离世

本文来自微信公众号： 夕小瑶科技说 ，作者：丸美小沐

昨日，两则令人震惊的消息引发广泛关注。

一则是张雪峰离世，在国内刷屏。

另一则是OnlyFans创始人去世，在海外引发热议。

张雪峰年仅41岁，因心源性猝死离世。中午他在公司跑步机上跑步时突然倒下，送医抢救三个多小时仍未能挽回生命。

OnlyFans老板Leonid Radvinsky，43岁，长期与癌症抗争，身家达47亿美元，去世时公司正洽谈55亿美元的出售计划。

恰在此时，黄仁勋在Lex Fridman的播客中被问及“是否害怕死亡”，他的回答引人深思。

他的回答分为三层：首先，他坦言不想死，因为拥有幸福的家庭和重要的工作；其次，若不得不面对死亡，他希望在工作中突然离世，避免长时间的痛苦；最后，他不相信继任者计划，每天都会将自己的想法传递给团队，确保公司不会因他的突然离开出现知识断层。

这一回答冷静且理性，黄仁勋理想的结局是在工作中瞬间逝去。

张雪峰2018年发布的一条微博，如今看来仿佛是一种预示。

他们都将在工作中离世视为一种理想状态。不过，黄仁勋在这145分钟的播客中，并非谈论“过劳”，而是聚焦于在人类科技史的关键节点，一位62岁的创始人如何看待自身角色、英伟达的未来以及AI对人类的影响。

这期播客信息量丰富，以下是几个值得深入探讨的要点。

不设接班人背后的独特管理哲学

先从生命话题展开。黄仁勋表示不相信继任者计划。

他的逻辑是：“若真正关心公司在自己离开后的未来，当下最应做的并非物色接班人并培养三年，而是时刻将自己的想法传递给身边所有人。”

他提到，自己获取的任何新信息“在桌上停留不会超过一秒”。每次内部会议，他都会在60多位直接汇报人面前现场演示整个推理过程，且不进行一对一谈话。

这在传统管理学中堪称离经叛道。

但黄仁勋给出了实在的原因：“英伟达如今所做的已非传统意义上的产品开发，而是极端复杂、高密度的协同设计。”

他以下一代机架系统为例，像Vera Rubin这样的系统集成了多种芯片、不同类型的专用机架、近两万颗英伟达芯片以及数量庞大的晶体管，他直言这是“世界上有史以来最复杂的计算机”，且这类系统还在逐年迭代。

在这种复杂度下，提前培养接班人并在某天进行交接仪式是行不通的。

黄仁勋认为，知识传递需依靠每日、每小时、每次会议的持续灌输。如此，当他真的离开时，这些知识已融入4.3万名英伟达员工的脑海。也就是说，传统接班计划是“找一个人替代自己”，而黄仁勋的方案是“让更多人具备自己的部分能力”。

这也意味着，黄仁勋在英伟达内部不仅是CEO，更像一个巨大的知识路由器：董事会信息、供应链变化、客户需求、内部研究进展、市场信号等都汇聚到他这里，再由他快速整合、校准并分发。

对他而言，路由器中断才是真正的风险。但路由器中流动的信息究竟是什么？为何复杂到必须由他亲自转发？这就涉及到他在播客中最大胆的判断。

AGI已实现

播客中的第二个重磅观点：黄仁勋直接表示“我认为我们已实现AGI”，并补充道这取决于对AGI的定义。

从播客上下文来看，他更倾向于将AGI理解为：若一个AI系统能自主理解任务、拆解任务、调用工具、解决问题并最终完成任务，那么在许多现实场景中，它已足够接近AGI。

这一定义与学术界的定义存在较大差距，但按此标准，AGI确实已接近实现。

然而，若仅关注“AGI已实现”这句话，容易忽略更重要的层面：黄仁勋提出这一判断，实则是在回答另一个问题——既然AI已如此强大，为何还需要更大、更贵、更多的算力？

他的回答是：“思考”远比“记忆”昂贵。

黄仁勋做了一个类比：预训练更像“阅读”，而推理更像“思考”，思考比阅读难得多。

预训练固然昂贵，但其本质是让模型“读取”海量知识，完成参数化的记忆与泛化。而推理发生在每个用户请求到来的瞬间，是实时、一次性且无法提前缓存的消耗。

当用户提问时，模型需现场拆解问题、调用工具、规划路径、验证答案、纠错，必要时还需分解出多个子任务；尤其当Agent开始工作时，情况会更复杂。每个复杂任务背后，都是一组Agent在协作，每一步都额外消耗算力。

这些消耗与过去“训练一次、服务多次”的互联网逻辑不同，更像是在每次交互中重新启动一座工厂。

因此，黄仁勋不认同“推理会越来越轻、推理芯片会越来越小”的判断。在他看来，这一方向逻辑上站不住脚。因为只要AI真正开始承担任务，推理就不可能成为边缘需求，而会成为最核心、最昂贵且最持续的需求。

如今无论是代码Agent，还是更复杂的工具型AI，本质上都在验证这一点：训练塑造能力，推理兑现能力，而用户往往为后者付费。

3万亿美元营收并非不可能

基于这一逻辑，黄仁勋在播客中进一步提出了更宏大的框架。

他将AI的算力需求分为四层：预训练→后训练→测试时推理→Agent scaling。

目前很多人主要讨论前两层，或刚意识到第三层的重要性。但在黄仁勋看来，第四层**Agent scaling**才是未来真正关键的部分。

因为一旦Agent开始像“团队”一样分工协作，算力需求会出现明显的放大效应。一个Agent分裂出多个子Agent，子Agent再调用工具、生成中间结果、相互校验，背后消耗的是一整套动态计算网络。

更重要的是，这四层会形成自我强化的闭环：

• Agent在真实世界执行任务，产生新数据；

  
  

  
  

• 新数据反哺预训练和后训练；

  
  

  
  

• 更强的模型带来更强的推理能力；

  
  

  
  

• 更强的推理能力催生更复杂的Agent系统；

  
  

  
  

• 更复杂的Agent系统生成更多高质量数据。

  
  

  
  

这个循环一旦启动，需求就不会轻易停止。也正因如此，黄仁勋才敢说出“英伟达未来实现3万亿美元营收并非完全不可能”这一看似夸张的话。

这句话自然会让很多人质疑。以当前体量来看，这个数字确实巨大。2025年英伟达全年营收约1300亿美元，3万亿意味着需再增长23倍。

但黄仁勋的推理链条也很清晰：过去的计算机更像仓库，用于存储、调用和检索信息；未来的AI计算机更像工厂，持续生产token、完成任务并直接产生收入。一旦“token”像商品一样分层定价，高智能系统的商业空间确实会被重新打开。

在黄仁勋眼中，未来售卖的是智能生产力的基础设施。

中国的重要性

播客中还有一段关于中国的有趣讨论。

黄仁勋提到，全球相当比例的AI研究者是中国人。他进一步强调，中国创新速度快，不仅因为工程师多、市场大、竞争激烈，更因其独特的知识流动结构。

在中国社会，很多人的关系链并非孤立的职业关系，而是叠加了同学、朋友、家人、同乡等多重联系。工程师之间不是完全割裂的个体，他们有着深厚的社会连接，这使得知识传播更自然，技术扩散更快。

在高密度的人际网络中，很多“我知你不知”的信息壁垒难以长期维持。人们在同一行业、同一城市、同一赛道高强度竞争，最终形成了极快的学习速度和极强的迭代能力。

他的潜台词是：中国天然拥有高频知识交换的生态结构，这在某种程度上与他管理英伟达的方法相通——无论是国家还是公司，真正决定上限的可能不是个别天才，而是知识能否快速流动、能否高密度协同、能否在复杂系统中形成集体智能。

智能可商品化，人性不可替代

听完整个播客，最打动我的并非3万亿美元营收或AGI定义，而是黄仁勋最后回归到“人”的话题。

他说，身边有很多比自己聪明的人，每个领域都有真正的专家，而自己只是从底层一路走来的普通人，身处一群“超人”之中。

随后他说了一句分量很重的话：“智能是一种商品。”如今人们都在焦虑：若AI比自己更聪明，自身还有何价值？

但黄仁勋的回答是，真正决定一个人不可替代性的未必是聪明本身。

品格、韧性、判断力、同理心、责任感、慷慨、领导力——这些品质不会因智能的大规模生产而失去价值。相反，当“聪明”越来越普遍，这些难以商品化的品质会变得更稀缺。

未来，AI将让更多人有能力进入过去无法涉足的工作领域。木匠可能用AI写程序，程序员或许借助AI设计产品……工具提高了下限，也拓展了上限。

当然，前提仍是那句老话——先照顾好自己，活着才能看到未来。