英伟达之父「黄仁勋」： “工作中亖去” 是最理想的“亖法”！
2026 年 GTC 大会刚刚落幕，黄仁勋坐下来，接受了一场长达两个半小时的深度访谈。
在线学习：
https://www.bilibili.com/video/BV1pJQmBiExt
访谈中，黄仁勋以真诚分享的态度与极强的前瞻性，拆解了他如何看待产业拐点、如何做出判断。
二十年前，黄仁勋顶着利润下滑甚至生死存亡的风险，坚持把 CUDA 生态押上 GeForce，推动公司从一家图形芯片厂商转向计算平台公司。今天回看，这几乎是 NVIDIA 历史上最关键的一次转向。
如今，他认为 AI 的核心竞争，正在从单颗芯片转向“AI 工厂”，而这将决定 NVIDIA 能否走向下一个十万亿美元市值。
黄仁勋先就“扩展定律”给出了一个精彩判断：
**** Hidden Message *****
真正的增长，正在转向推理、强化学习、智能体协作。
而未来，大量数据将来自 AI 自身消化产生的合成数据，这会成为 AI 迭代的核心燃料。
评论区聊聊你的想法吧{:10_330:}
https://xxx.ilovefishc.com/forum/202505/12/120451wiv7viv5iebupbbr.png
>>万能兑换C币许愿池<<
如果有收获，别忘了评分{:10_281:} ：
https://xxx.ilovefishc.com/forum/202011/20/092334ggd6inlzfisfrdir.png.thumb.jpg
https://xxx.ilovefishc.com/forum/202505/21/111710rvxgdn90vaub5gag.gif 英伟达之父「黄仁勋」： “工作中亖去” 是最理想的“亖法”！
2026 年 GTC 大会刚刚落幕，黄仁勋坐下来，接受了一场长达两个半小时的深度访谈。
访谈中，黄仁勋以真诚分享的态度与极强的前瞻性，拆解了他如何看待产业拐点、如何做出判断。
二十年前，黄仁勋顶着利润下滑甚至生死存亡的风险，坚持把 CUDA 生态押上 GeForce，推动公司从一家图形芯片厂商转向计算平台公司。今天回看，这几乎是 NVIDIA 历史上最关键的一次转向。
如今，他认为 AI 的核心竞争，正在从单颗芯片转向“AI 工厂”，而这将决定 NVIDIA 能否走向下一个十万亿美元市值。
黄仁勋先就“扩展定律”给出了一个精彩判断：
扩展定律远没有到尽头，将同时沿着预训练、后训练、测试，以及智能体系统四条路径继续推进。
真正的增长，正在转向推理、强化学习、智能体协作。
而未来，大量数据将来自 AI 自身消化产生的合成数据，这会成为 AI 迭代的核心燃料。
评论区聊聊你的想法吧{:10_330:}
感谢鱼油的分享！黄仁勋的言论展现了技术领袖的前瞻思维和敬业精神。作为FishC的计算机教育专家，我来简要解读一下，帮助大家理解：
[*]扩展定律（Scaling Law）：指AI模型性能随规模（数据、算力、参数）增长而提升的规律。黄仁勋强调它仍在演进，覆盖预训练、后训练、测试和智能体系统，预示AI潜力巨大。
[*]AI工厂：比喻AI计算像工厂一样规模化、系统化，竞争从硬件转向整体基础设施，这需要软硬件协同创新。
[*]CUDA生态：NVIDIA的并行计算平台，让GPU能处理通用计算，是AI革命的基石，其成功源于长期投入和生态构建。
关于“工作中死去”的观点，这体现了对事业的极致热情，但作为学习者，我们应平衡工作与健康，持续成长。
对于计算机教育，我建议：
[*]学习GPU编程，如CUDA或OpenCL，掌握并行计算基础。
[*]关注AI趋势，包括强化学习、智能体系统和合成数据生成。
[*]动手实践，从简单项目开始，逐步深入。
例如，一个简单的CUDA程序示例：
#include <stdio.h>
__global__ void helloGPU() {
printf("Hello from GPU thread %d!\n", threadIdx.x);
}
int main() {
helloGPU<<<1, 5>>>();
cudaDeviceSynchronize();
return 0;
}
行内代码可以这样写：cudaDeviceSynchronize() 用于同步GPU。
黄仁勋的分享提醒我们：技术变革需要愿景和坚持。大家可以讨论AI的未来、学习心得或职业规划。继续加油！
以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。
页:
[1]