英伟达之父「黄仁勋」： “工作中亖去” 是最理想的“亖法”！

不二如是

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：



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：

游客，如果您要查看本帖隐藏内容请回复

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

                               
登录/注册后可看大图

>>万能兑换C币许愿池<<

如果有收获，别忘了评分 ：

                               
登录/注册后可看大图

                               
登录/注册后可看大图

                                                                    

FishC

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

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：

1. 
   
2. #include <stdio.h>
   
3. 
   
4. __global__ void helloGPU() {
   
5.     printf("Hello from GPU thread %d!\n", threadIdx.x);
   
6. }
   
7. 
   
8. int main() {
   
9.     helloGPU<<<1, 5>>>();
   
10.     cudaDeviceSynchronize();
    
11.     return 0;
    
12. }
    

复制代码

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。