近日，英伟达创始人、总裁兼首席执行官 Jensen Huang 和思科董事长兼首席执行官 Chuck Robbins 和进行了一场独家炉边谈话。两人状态都非常放松，黄仁勋五杯酒下肚，罕见地、毫无保留地展望了智能、基础设施的未来，以及正在重新定义地球上每个行业的全球变革。

期间，黄仁勋犀利指出，编程就是打字，打字本身就是一种商品。

他透露，英伟达内部已经有近乎“失控”的 AI 项目数量，但他仍在任其发展，目前未过早收敛。公司内部百花齐放是创新的必经阶段，他对新 AI 项目的第一反是“yes”，而不是“先证明给我看”。

他认为，AI 的真正机会不是“更聪明的软件”，而是“被增强的劳动力”。历史上第一次，数字劳动力的长期经济价值超过了硬件本身。 企业最有价值的知识产权不是答案，而是问题本身，而这些必须在本地。未来每个员工，都会“自带多个 AI”工作。

黄仁勋提醒，你可以不是第一个用 AI 的，但千万不要成为最后一个。最后一个，基本等于被淘汰。而真正该优先用 AI 的，不是边角料，而是企业“最核心、最有影响力的工作”。

下面是两人的对话内容，我们进行了翻译和整理，在不改变原意基础上进行了删减。期间有几次两人的开玩笑，以“小剧场”形式展现，以飨读者。

小剧场 1

黄仁勋：我感觉像是在替谁上班似的。

 

罗宾斯：刚才端酒过来的时候，Jensen 还提醒我说，你知道这在直播吧？我说算了，随它去吧，都这么晚了。

 

黄仁勋：第一原则就是不要造成伤害。

 

罗宾斯：不要伤害任何人，并且要意识到自己有多么幸运。

 

首先，感谢大家在这里坚持这么久。我们今天一大早就开始了，然后一个接一个的演讲，之后休息了大概两个半小时，大家就又回来见我们了。

 

黄仁勋：所以我凌晨一点就起床了。

 

罗宾斯：他刚结束一趟为期两周的行程，跑了亚洲四五个城市，其中一天在中国台湾，昨晚还在休斯顿。

 

黄仁勋：现在我就在这儿了。

黄仁勋：我们要重塑计算

罗宾斯：这家伙已经两周没回家了，现在的问题是，他到底是能不能睡在自己的床上，还是只能住酒店？所以我们会轻松点，聊得开心，也尽量早点放他走。

其实你都不用自我介绍了，但还是要谢谢你今天能来，感谢我们的合作关系，也为你和你的团队感到骄傲。让我们从合作开始聊起吧。你提出了 AI 工厂的概念，我们正在一起推进。在企业领域，进展可能不像我们期望的那么快，但我们先聊聊对你来说，什么是 AI 工厂？

黄仁勋：首先记住一点，我们正在进行 60 年来的首次计算重塑。以前是显式编程，我们编写程序，通过 API 传递变量，一切都很明确。现在变成了隐式编程，你告诉计算机你的意图，它自己去思考如何解决问题。

从显式到隐式，从通用计算（基本就是算术）到人工智能，整个计算堆栈都被重塑了。人们谈论计算时往往只关注处理层，也就是我们所在的领域，但计算还包括存储、网络和安全，所有这些都在重塑中。

首先是第一部分，我们需要将 AI 发展到对人们有用的水平。目前，所谓的聊天机器人，你给它一个提示，它就想出要回答什么，这挺有意思的，也让人好奇，但并不实用。有时它帮我完成填字游戏，但也仅限于它已经记住和泛化的内容。

回想三年前 ChatGPT 刚出现时，我们觉得“天哪，它能生成这么多词，能模仿莎士比亚”，但本质上仍是对已有内容的记忆与泛化。然而我们知道，真正的智能是解决问题。解决问题一方面是知道自己不知道什么，另一方面是推理，即如何解决从未见过的问题，将它分解成你能够轻松解决的部分。这样，通过组合，你就能解决从未见过的问题。

此外，还要能够提出策略来执行任务，我们称之为计划。我们现在听到的 Agentic AI，那些术语，像工具调用、检索、基于事实的增强生成、记忆等，本质上讲的都是这些能力。

但重要的是，要从通用计算，即我们用 Fortran、C、C++、Cobalt 编写的显式编程，进化到新的形式，需要重新思考整个企业如何利用它。

罗宾斯：Cobalt

黄仁勋：那是好东西，Chuck，那是好东西。

罗宾斯：那是我准备的保底工作。

黄仁勋：是的，那是些仍然有价值的技能。我知道，我知道它们仍然有价值，我收到很多 offer。恐龙永远有价值。

罗宾斯：我们刚才确认了，你比我老。

黄仁勋：我知道，我是史前的。看起来不像，但确实是。很好，我可能是这个房间里年纪最大的。

罗宾斯：那么我们来聊聊，当你在思考这个话题时……

黄仁勋：所以，我去到 Chuck 说：听着，我们需要重塑计算，Cisco 必须发挥重要作用。我们有全新的计算堆栈 Vera Rubin，Cisco 会和我们一起推广。但那是计算层，还有网络层。Cisco 将集成我们的 AI 网络技术，但将其放入 Cisco Nexus 的控制层，这样从你的角度来看，你能获得 AI 的所有性能，同时具备 Cisco 的可控性、安全性和可管理性。我们在安全方面也会做同样的事情。每个支柱都需要重塑，这样企业计算才能充分利用它。

但最终我们还是回到那个问题：为什么三年前企业 AI 还没有准备好？为什么你现在不得不尽快参与进来？别掉队。我认为你不必是第一个采用 AI 的公司，但千万别做最后一个。

英伟达“AI 项目数量已经失控了”

罗宾斯：如果你现在是一家企业，你的建议是什么？他们应该采取哪些步骤来做好准备？

黄仁勋：我经常被问到 ROI 这类问题，但我不建议从那里入手。原因在于，任何技术在早期部署时，很难用电子表格来量化新工具、新技术的投资回报率。我建议做的是，找出公司的本质是什么，我们做的最有影响力的工作是什么，不要胡闹，不要在边缘事务上浪费时间。

在我们公司，AI 项目就像千朵花在盛开。公司里 AI 项目的数量已经失控了，但这很好。创新并不总是可控的。如果你想要控制，首先你得去看心理医生。其次，控制只是幻觉。你无法控制公司。如果你希望公司成功，你不能控制它，你可以影响它，但不能控制它。

所以我认为第一点，太多公司、太多人想要明确的、具体的、可证明的 ROI。但要在早期证明值得做的事情的价值是困难的。

我会说，让百花齐放。让人们尝试，让人们安全地尝试。我们在公司里尝试各种东西，我们用 Anthropic、用 Codex、用 Gemini，我们什么都用。当我们的团队说我对某个 AI 感兴趣时，我的第一反应是“yes”，然后再问为什么，我不会先问为什么，再说“yes”。

原因很简单，我希望我的公司能像我对孩子的期望一样，去探索生活。他们说想尝试什么，我的回答是“可以”，然后他们问“为什么”，我不会让他们向我证明。我不会让他们证明做这件事将来会带来经济成功或某种快乐。但在工作场所我们却经常这样做，你不觉得这很奇怪吗？这对我来说无法理解。

所以我们对待 AI 的态度，就像以前对待互联网、云计算一样，让它百花齐放。然后在某个时刻，你需要运用自己的判断来决定何时开始整理花园，因为一千朵花会让花园变得凌乱。

在某个时候你必须开始“修剪”，才能找到最合适的花朵，也就是最好的方法或最佳平台，这样你可以把所有的资源集中在一个方向上。但你不想过早地集中资源，万一选错了方向呢？那就先让千朵花一起绽放，然后在某个时候进行整理。

说明一下，我还没有开始整理，到处都是花在绽放。但我鼓励每个人去尝试。然而，我清楚地知道对我们公司来说最重要的是什么、我们公司的本质是什么、我们最重要的工作是什么。我确保我有大量的专业知识和能力集中在使用 AI 来革命化这些工作上。对我们来说，就是芯片设计、软件工程、系统工程。

你们也注意到了，我们和 Synopsys、Cadence、Siemens 等公司合作，就是为了把我们的技术嵌进去。他们需要什么、想用什么，我都会给，给到极致。因为只有这样，我才能彻底革新我们设计下一代产品所依赖的工具。

这告诉了你一些关于我的态度，对我来说最重要的是什么，以及我会如何革新自己的工作。

想想 AI 能做什么。AI 降低智能的成本，或者以数量级创造智能的丰富性。换种说法，我们以前需要一年才能完成的事情，现在可能一天就能完成。以前需要一年的，现在可能一小时就能完成。甚至可以实时完成。

原因是我们身处一个丰富性的世界。摩尔定律？天哪，那太慢了，就像蜗牛一样。记住摩尔定律是每 18 个月翻一番、每 5 年翻 10 倍、每 10 年翻 100 倍。而现在呢？每 10 年增长一百万倍。在过去 10 年里，我们将 AI 推进到了如此远的地步，以至于工程师们说：嘿，为什么不在全世界的数据上训练一个 AI 模型呢？

他们指的不是从我硬盘里收集数据，而是把全世界的所有数据拉下来训练一个模型。这就是“丰富性”的定义。丰富性就是面对一个如此巨大的问题，你说“我要全部搞定”。“我要治愈所有疾病领域的所有病症，我不会只做研究癌症。”开玩笑吗？那太疯狂了。我们要解决人类的所有苦难，这就是丰富性。

最近，当我思考一个问题时，我通常会这样假设：我的技术、我的工具、我的仪器、我的飞船是无限快的。去纽约要多久？一秒钟就到了。那么如果我一秒钟就能到纽约，我会做哪些不同的事情？如果以前需要一年现在能够实时完成，我会做哪些不同的事情？如果以前很重的东西现在变得像反重力一样轻，我会做哪些不同的事情？当你用这种态度面对一切时，你就是在运用 AI 思维。

举个例子，我们正在合作的很多公司，都在做图分析，处理各种依赖关系、关联关系。这些图里有无数节点和边，多到是万亿级的。过去的做法是，只能切一小块一小块地算。现在呢？直接把整个图给我就行了，有多大无所谓。这种思维方式正在被应用到各个领域。如果你还没用这种方式思考，那基本就是做错了。

速度重要吗？不重要，你已经达到光速了。重量重要吗？你已经是零重力、零质量了。如果一些以前对你来说极其困难的事情，你现在的态度是“无所谓”，那你就没有应用这个逻辑，你就没有做对。

现在，试着把这种思维用在你公司里最难、最关键的问题上，这才是真正能推动事情发生变化的方式。如果你自己还没这么想，那不妨想一想：你的竞争对手是不是已经在这么想了？或者，更可怕的是，一家刚刚要成立的新公司，已经完全是用这种方式在思考。这会改变一切。

所以，我的建议是找到你公司里最有影响力的工作，把“无限”套上去，把“零成本”套上去，把“光速”套上去，然后再去问 Chuck，怎么才能真的把这件事做成。

“大多数有价值的东西被称为直觉和智慧”

罗宾斯：那我们现在聊聊如何实现。你有那个“五层蛋糕”的比喻，因为大家都在谈论基础设施、模型、应用。我要如何入手？你能聊聊这个吗？

黄仁勋：首先，成功人士会做的事情之一，是思考事物的本质。

大约 15 年前，一个算法和两个工程师解决了计算机视觉问题。智能包括感知、推理、规划。计算机视觉基本上是智能的第一部分：感知。感知是“我是谁？发生了什么？我的环境是什么？”推理是“我如何比较这与我的目标？”然后提出一个计划来实现它。比如喷气式战斗机的问题，首先是感知、定位，然后是行动。

智能就是这三件事。没有感知就无法有第二和第三部分，你无法在不理解环境的情况下理解或决定该做什么。而环境是高度多模态的。有时是 PDF，有时是表格，有时是信息，有时甚至是感官，比如气味、环境，“我们在哪里？在干什么？面对的是谁？”我们常说“读空气”“看场面”，说的就是感知。

大约 13、14 年前，我们在计算机视觉方面取得了巨大飞跃，这是感知问题的第一层。这超级困难，如何解决计算机视觉？AlexNet 是我们看到的第一个突破。这就像我喜欢的那部电影《First Contact》，这是我们与 AI 的第一次接触。

当时我们在想：这意味着什么？为什么两个工程师，靠几块 GPU，就能超越我们三十年来所有人积累的算法？

我昨天还和 Ilya Sutskever、Alex Krizhevsky 聊过这个问题：两个年轻人，怎么做到的？我们把问题彻底拆解，十年前我得出的结论是：世界上绝大多数真正困难、真正有价值的问题，其实都可以用这种方式来解决。

原因在于，这些问题根本不存在所谓“原则性的算法”。没有 F=ma，没有麦克斯韦方程，没有 没有薛定谔方程，没有欧姆定律，也没有热力学定律，它们并不精确。大多数有价值的东西被称为直觉和智慧。

我们所说的直觉、智慧，以及你我每天要面对的那些问题，答案往往只有一句话：要看情况。如果答案是 3，那就太好了；如果是 3.14，那更完美。但现实中最有价值、最困难的问题，几乎全都是“要看具体情况”，因为它们高度依赖上下文。

正是在十二三年前，计算机视觉被攻克了，我们意识到借助深度学习，这条路是可以不断扩展的，模型可以越来越大。唯一的问题是：怎么训练？而真正的突破来自自监督学习、无监督学习，让 AI 自己去学。直到今天，我们已经几乎不再受限于人工标注。

正是这个突破，彻底打开了闸门，让模型从几百参数、几亿参数，一路扩展到数十亿、数万亿参数。我们能编码的知识、能通过算法学到的技能，出现了爆炸式增长。但方法本身并没有变。

于是我们意识到，这也正是我们今天对话的起点：计算本身将被彻底重塑。从显式编程，走向一种全新的计算方式：软件不再是写出来的，而是“学出来的”。

那么，如果再退一步，这对计算堆栈意味着什么？对如何开发软件意味着什么？对你公司中的工程组织意味着什么？对规定产品的产品营销团队意味着什么？对编码产品的工程团队意味着什么？对评估产品的 QA 团队意味着什么？这些产品未来会变成什么样？我们如何部署产品？如何保持更新？如果它基于机器学习，如何永远刷新它？如何给软件打补丁？

关于未来计算的问题，我大概问过上千个。最终我和公司得出的结论是：这一切将改变所有事情。于是我们基于这个核心信念，彻底调整了公司的方向。

简单来说，Chuck 讲的就是：我们从一个“一切都是预先录制好的”世界走了出来。Chuck 当年写的软件，非常厉害。

罗宾斯：那真不错，它运行了很久。

黄仁勋：还是用希伯来文写的。（笑）

罗宾斯：这是真的。那是另一项技能。

黄仁勋：房间里唯一懂希伯来文 Cobalt 的人。

总之，那是预先录制的。

那我们先想一个问题：现在的软件到底是什么？因为它是有上下文的，而每一个上下文都不一样。每一个使用软件的人不一样，每一次输入的提示也不一样，你给它的前置信息、背景条件都不同。结果就是软件的每一次运行实例，都是不一样的。

这也是为什么过去的软件计算量相对固定，那种模式叫“基于检索”。你拿起手机点一下，它只是去把某个软件文件、图片取出来给你看。但未来不一样，未来一切都会是生成式的，就像现在正在发生的这样。

小剧场 2

黄仁勋：这场对话以前从未发生过。概念以前存在，先验以前存在，但这序列中的每个词以前从未出现过。原因很明显，我们已经喝了四杯酒了。（笑）

 

罗宾斯：Cobalt 和希伯来语从未消失。

 

黄仁勋：谢天谢地这不是在校园里或正在直播。所以，你理解我在说什么吗？Chuck 今天到现在唯一给我吃的东西就是四杯酒。

 

罗宾斯：公平点说，我只给了你一杯，另外三杯是你自己从自助台拿的。

黄仁勋：我当时正盯着那些食物，我心想我太饿了。食物离我大概 40 英尺远。

 

罗宾斯：因为你在拍照。

 

黄仁勋：但离得那么近，真的那么近，有一次我确实向食物靠了过去，但又被推回来了。

 

罗宾斯：你知道发生了什么吗？你的团队提前告诉我们，给他三杯葡萄酒后，他的状态最佳。四杯之后，他不得了。

 

黄仁勋：这并非最佳解决方案。

 

总之，是的，听听我的话。AI 是什么？（大笑）我们需要留下一些智慧。

 

罗宾斯：能再来杯酒吗？

 

黄仁勋：这不仅是 Dave Chappelle 那种水平。

AI 的机会不再是创造工具，而是劳动力

小剧场 3

罗宾斯：让我们聊聊别的。

 

黄仁勋：聊聊能源。能源、芯片、基础设施，包括硬件和软件，然后是 AI 模型。但 AI 最重要的部分是应用。每个国家、每家公司，下面那些层都只是基础设施，你需要做的是应用技术。

 

看在上帝的份上，应用这项技术吧。使用 AI 的公司不会陷入危险，你不会因为 AI 而失去工作，你会因为那些使用 AI 的人而失去工作。所以赶紧行动，这是最重要的事。尽快给 Chuck 打电话。

 

罗宾斯：你打给我，我打给他。我们时间不多，我不确定。

 

黄仁勋：我们有的是时间。

 

罗宾斯：是吗？多少时间？

 

黄仁勋：看看 Chuck，Chuck 按时钟工作。我都不戴表。你按时钟工作，我不，不达到预期价值之前我不会离开的。[掌声] 哪怕需要整晚，我要折磨你们所有人直到……

 

罗宾斯：Jensen ，这就是为什么像我这样的人需要手表。[笑]

 

黄仁勋：好吧，在你说你学到了东西之前，你将被困在这里。我们会在价值交付之前折磨每个人。

 

罗宾斯：我确认过了还有酒。

罗宾斯：你能说说你对物理 AI 的看法吗？

黄仁勋：还记得什么是软件吗？软件是一个工具。有一种观点认为，工具行业在衰落，将被 AI 取代。你能看出来，因为很多软件公司的股价压力很大，似乎 AI 要取代它们。这是世界上最不合逻辑的事情，时间会证明这一点。

让我们做个终极思想实验。假设我们是终极人工通用机器人。你觉得你能解决任何问题，因为你知道自己是类人生物。如果作为人类或机器人，你会使用螺丝刀还是发明一个新的螺丝刀？毕竟我只用一个。你会使用锤子还是发明新锤子？你会使用链锯还是发明新链锯？

不会新搞的。首先，理想情况下他们根本不用。但理解我的意思吗？作为人类或机器人、人工通用机器人，你会使用工具还是重新发明工具？答案显然是使用工具。

那同样的逻辑，放到数字世界里。如果作为人工通用智能，你会使用像 ServiceNow、SAP、Cadence、Synopsys 这些现成工具，还是自己重新发明一个计算器？当然你会直接使用计算器。这就是为什么最近 AI 最大的突破之一，是“工具使用”。因为工具本身就是为明确问题而设计的。

这个世界上有很多问题就是 F=ma。拜托，不要再搞一个新版本。F=ma 不是“差不多等于 ma”， 它就是 ma。V=IR，IR 就是 IR，不是“近似 IR”，也不是“统计意义上的 IR”。所以我们真正想要的，是通用人工智能、通用机器人使用工具，这是核心思想。

我认为在下一代物理 AI 里，我们会拥有真正理解物理世界、理解因果关系的 AI。比如我把这个推倒，会不会把后面的一排全带倒？

你知道什么是多米诺骨牌，小孩子都懂这个概念：推倒一个，就会一个接一个。多米诺骨牌这个概念本身非常深刻，里面包含了因果、接触、重力、质量。一个很小的骨牌，可以推倒一个更大的，最后甚至带倒一整吨重量的东西。孩子理解起来毫不费力，但一个大语言模型完全不懂。所以我们必须教授、创建一种新型的物理 AI。

那么，机会是什么？

到目前为止，我和 Chuck 所在的行业，其实一直是在创建工具。我们做的是“螺丝刀和锤子”的生意，一辈子都在把工具交到人手里。但这是历史上第一次，我们要创造的不是工具，而是“劳动力”，增强型劳动力。

举个例子，什么是自动驾驶汽车？本质上是一个数字司机。那什么是数字司机？数字司机的价值是多少？它的价值远远大于那辆车本身。原因在于，数字司机一生创造的经济价值，第一次超过了硬件本身的价值。

也正因为如此，我们第一次真正触及到了一个规模大 100 倍的市场。严格说，这在数学上是成立的：IT 行业大约是万亿美元左右，而世界经济大约是百万亿美元。我们第一次有机会进入这个层级。所以在座的每一个人，都有机会应用这项技术创办一家科技公司。

让我给一些例子。我真的相信，就像我观察到的：我喜欢 Disney，我们喜欢和 Disney 合作，但我很确定他们更愿意成为 Netflix；我喜欢 Mercedes，我是坐着 Mercedes 来的，但我很确定他们更愿意成为 Tesla；我喜欢 Walmart，但我很确定他们更愿意成为 Amazon。

你们同意吗？到目前为止，我是不是全中？我相信我们有机会帮助把每家公司转型为技术公司。

要技术优先。技术是你的超能力，行业和领域只是应用场景。而不是反过来，把行业当成身份，再去寻找技术。为什么？因为技术优先的公司，处理的是电子，不是原子。电子的数量是无限的，而原子受质量限制。这也是为什么当企业从 CD-ROM 这种“原子载体”切换到电子分发后，市值能暴涨上千倍。

你们要像我们一样，成为一家“电子公司”，说白了，就是科技公司。机会已经摆在你们面前了。换个角度说，其实就是 AI。

我们刚才说过，即使像 Chuck 这样只会用希伯来语编程的人[笑]

罗宾斯：这是一种天赋。

黄仁勋：他的工具选择是按序从右到左[笑] 否则它会造成混淆。

罗宾斯：其实挺聪明的。

黄仁勋：聪明人做聪明的事。

妙就妙在，如果你了解编程语言，那就知道，对所有公司来说，软件并非我们的强项，但知识、直觉、领域专长是你的优势。

现在，你们第一次可以用自己的语言，把想要的东西完整地告诉计算机。还记得我们是怎么从显式编程，走到隐式编程的吗？历史上第一次，你可以“隐式地”给计算机编程，只要告诉它你想要什么，表达你的意图，代码由计算机来写。

编程，如你所知，只是打字。而事实证明打字也是一种商品。

这就是你们的好机会。你们所有人都能超越以前限制你们的“原子局限”。摆脱没有足够的软件工程师的限制，因为打字是商品化的，而你们都拥有极具价值的东西：领域专长来理解客户、理解问题。

终极价值是理解意图。当你刚从大学软件学院毕业时，你可能是一个超级程序员，但你不知道客户想要什么，不知道要解决什么问题。但现在所有人都知道客户想要什么，知道要解决什么问题。编码部分很简单，只需告诉 AI 去做，所以这就是你的超能力。Chuck 和我在这里帮助你实现这一点。

那个结束语是我喝了五杯酒后说的。听着，这真是一个奇迹。

罗宾斯：介于两者之间的是某人在桌子上工作，这是人工智能的真实写照，也许这是增强版。

黄仁勋：我只想说，与你们所有人一起工作很愉快。大家都知道，Cisco 在计算机发明史上有两根极其重要的支柱：网络和安全。没有 Cisco，就没有现代计算。而这两根支柱，在 AI 时代都被重新定义了。计算本身，在很多层面已经逐渐商品化，但 Cisco 深耕的那些能力，依然极其关键、极其有价值。我们双方结合在一起，非常愿意、也非常有能力，帮助大家真正走进 AI 的世界。

之前有人问过我一个问题，我觉得值得再说一遍： 到底是只租云，还是要自己动手建算力？

我的建议和我给自己孩子的建议完全一样：一定要自己建一套。哪怕 PC 已经无处不在，哪怕技术已经非常成熟，也请你亲手做一次。你必须知道每一个组件为什么存在。就像你如果身处汽车或交通行业，不能只会用 Uber，你得掀开引擎盖，换一次机油，真正理解一辆车是怎么运转的。

理解技术是至关重要的。这项技术对未来太重要了，你必须对它有“上手级”的理解。掀开盖子，动手做点东西，不一定要很大，但一定要做。你可能会发现自己在这方面天赋惊人，也可能会发现，这正是你公司未来必须具备的能力。

你也会意识到，世界并不是“全租”或者“全自建”这么简单。有些东西你要租，有些东西你必须自己掌控。 比如涉及主权、安全、专有信息的部分，就应该放在本地。有些问题，你就是不愿意让所有人都看到。

打个比方，当你去看心理医生时，你肯定不希望那些问题被放到网上。公司也是一样。你们有很多问题、很多讨论、很多不确定性，这些对话，本就应该是私密的。我自己就不放心把 Nvidia 所有的内部对话都放到云上，所以我们在本地构建了超级 AI 系统。因为我逐渐意识到，对我来说最有价值的知识产权，并不是答案，而是问题本身。

能理解我的意思吗？我的问题就是我最有价值的知识产权，答案是商品化商品。我知道问什么，我在识别什么是重要的。 而我不希望别人知道，我认为哪些事情是重要的。这些思考，只属于一个小房间，只属于本地，我希望创建我自己的 AI。

已经 11 点了，最后一个想法想要补充。（笑）

有一种观点认为 AI 应该始终有人类参与其中。这恰恰是错误的想法，应该反过来，每家公司都应该让 AI 参与其中。

原因很简单，我们希望公司每天都变得更好、更有价值、更有知识积累。我们不想倒退，不想停滞，更不想每次从零开始。如果我们让 AI 参与其中，它就能不断吸收公司的经验。

未来每个员工都会有参与其中的 AI，很多 AI，而这些 AI 将成为公司的知识产权。这就是未来的公司。因此，我认为你们所有人现在就给 Chuck 打电话是明智的。

罗宾斯：我给 Jensen 打了。

黄仁勋：无论如何，这就是我的结束语。

罗宾斯：听着，两周的旅行，Jensen 今天特地飞到这里，和我们共度一个夜晚，之后才能好好回家睡一觉。我们由衷感谢你能来，真的非常感谢。

黄仁勋：还有，在我眼角余光中，看到那里还有那些烤串。

参考链接：

https://www.youtube.com/watch？v=6fbyiPRhMSs

GitHub CEO Thomas Dohmke 近日发出了一则措辞严厉的警告：“要么拥抱 AI，要么离开这个职业。”但所谓拥抱 AI，并不只是使用代码自动补全工具那么简单。它意味着我们核心能力的一次转移——从对语法的熟练掌握，转向系统思维（Systems Thinking），学会把问题不断拆解，直到小到可以交由 AI 去解决。一句话概括：我们现在都是架构师了。

我正在开发一个 IoT 应用，整体由设备端固件、后端系统以及 Web UI 组成。尽管我本身具备软件工程背景，但在这个项目中，我一直在使用 Claude Code 来提升开发效率，并帮助我应对一些并不十分熟悉的语言和框架。我的技术栈包括：设备端使用 Python + PyTorch，前端采用 React + TypeScript，后端则由 MQTT + Node.js + Postgres 构成。起初，与 Claude 的协作并不顺利。我的请求经常会引发对整个代码库的大规模改动。随着我逐渐学会如何更合理地组织代码结构、并对提示词进行调整和约束，情况开始好转。现在，我已经可以在不进行逐行代码审查的情况下，基本信任 Claude 所做的修改。在这个过程中，我逐渐总结出了一些模式，并将其称为 Skeleton Architecture（骨架式架构）。我认为，这些模式对提升 AI 编程助手的生产力非常有帮助，因此希望在这里分享出来。

随着 AI 编程行业逐步成熟，我们开始意识到一个事实：如果使用方式不当，AI 会带来大量技术债务。要在这场转型中生存下来，我们必须识别并建立合适的架构模式，使 AI 生成的代码在安全性、可维护性和可靠性方面都可控。这需要一套明确的策略，核心建立在三个支柱之上：为 AI 的“消费”方式而组织代码结构；实施严格而清晰的防护与约束机制（guardrails）；以及将我们自身的技能重心，从“翻译需求”转向“建模系统”。

结构化代码：上下文约束

AI 辅助工程中最核心的约束，是 上下文窗口（Context Window）。随着上下文规模的扩大，模型的准确性会因为“中段信息丢失（Lost in the Middle）”现象而呈反向下降，而响应延迟与使用成本则会线性上升。

因此，AI 原生架构的“黄金法则”，就是尽可能缩小模型在工作记忆中必须同时容纳的问题范围。我们必须设计一种系统，对信息流施加“物理约束”，将依赖关系隔离开来，使 AI 能够把完整的问题空间装进一个高度聚焦的提示词中。这种隔离具备两层作用：一方面，通过减少噪声来最大化推理能力；另一方面，通过确保某个代理在处理一个组件时“看不到”其他组件，从而避免无意中破坏系统整体的完整性。

目前，有两种架构模式正在逐渐被采用，用以解决这一问题。

Atomic Architecture（原子化架构） 作用于微观层面。该理念由 Brad Frost 于 2013 年提出，最初用于应对响应式 Web 设计的复杂性。它以一种“生物学式”的方式组织系统：从不可再分的“原子”（如 HTML 标签、工具函数）开始，组合成“分子”，最终构成复杂的“有机体”。虽然它最初是一种 UI 方法论，但在 AI 辅助工程中重新焕发了价值，因为它强制执行了一种严格的“上下文卫生（context hygiene）”。相比让 AI 一次性生成一个庞大的功能模块，让其只生成一个独立、隔离的“原子”，可以大幅降低幻觉风险，并确保生成的代码高度聚焦、无状态、且易于验证。但代价也同样明显——这会产生一种“碎片化税（fragmentation tax）”：AI 可以完美地产出单个组件，但将这些无状态原子连接成一个完整系统的高强度认知负担，要么必须被塞进 AI 的上下文中，要么就完全回到了人类架构师身上。

为了解决宏观结构层面的组织问题，我们需要引入 Vertical Slice Architecture（垂直切片架构）。这一架构由 Jimmy Bogard 推广，旨在打破传统 N 层“千层面代码（lasagna code）”的僵化结构。它按照业务功能（例如“下单”）而非技术层级（如“服务层”“数据访问层”）来组织系统。

这种模式对 AI Agent 尤其友好，因为它针对“引用局部性（Locality of Reference）”进行了优化。在分层架构中，AI 为了理解一条完整业务流程，往往需要在多个目录之间来回检索文件，大量无关代码会污染上下文窗口。而垂直切片遵循“一起变化的东西，就放在一起”的原则，使 AI 能够一次性加载某个功能的完整上下文，而无需对缺失的依赖进行“脑补式生成”。但这同样会引入一种“重复税（Duplication Tax）”：为了保持切片之间的独立性，AI 往往会在不同切片中生成重复的数据结构，用牺牲 “DRY（Don’t Repeat Yourself，不重复自己）”原则，换取更强的隔离性。

垂直切片在隔离性方面表现出色，但它并不能解决切片之间的协同问题。诸如安全性、可扩展性、性能、认证等关键的非功能性需求，都是系统级不变量，无法被拆散到各个切片中分别实现。如果让每一个垂直切片都自行实现授权体系或缓存策略，最终只会导致“治理漂移（Governance Drift）”：安全策略不一致，代码重复严重。这也迫使我们引入一个新的统一概念：Skeleton（骨架）与 Tissue（组织）。

解决方案：骨架与组织

我们将系统明确拆分为两个彼此区隔的领域。Stable Skeleton（稳定骨架） 代表由人类定义的、刚性且不可变的结构（如抽象基类、接口、安全上下文），这些结构可能由 AI 编写，但设计权属于人类。Vertical Tissue（垂直组织） 则由高度隔离、以具体实现为主的功能模块组成（如具体类、业务逻辑），主要由 AI 生成。

这种架构借鉴了两种经典的软件思想：Actor 模型 和 面向对象中的控制反转（Inversion of Control）。世界上一些最可靠的软件系统之所以能够长期稳定运行，并非偶然——例如 Erlang，其核心正是通过 Actor 模型来维持系统稳定性。同样，在控制反转结构中，不同切片之间的交互由抽象基类来管理，确保具体实现类依赖的是稳定的抽象，而不是反过来。

为了在工程实践中强制落实这一点，我们采用了 模板方法模式（Template Method Design Pattern）。依赖反转原则负责在设计层面保护高层策略不被底层细节侵蚀，而模板方法模式则在运行层面将这一原则“落地”，通过锁定执行流程来实现。

在这种模型下，人类架构师会在基类中定义一个最终的 run() 方法，用于统一处理日志、异常捕获、认证等横切关注点。AI 则只被允许实现一个受保护的 _execute() 方法，并由 run() 在合适的时机调用。这种区分至关重要：AI 在物理层面上就不可能“忘记”记录日志，或绕过安全检查，因为它从一开始就不拥有整个执行流程的控制权；它只是填补了架构师预留出来的一段逻辑空位。

在我系统的设备端代码中，包含了多个用于图像处理的 AI 算法。我决定用一个继承自 ABC（Python 抽象基类）的类 TaskBase 来表示每一种算法。其余的骨架部分，则由一组负责高效传递图像数据、并调度这些算法运行的协调类构成。

代码示例：由人类掌控的 Skeleton

下面的示例展示了 BaseTask 如何将缓冲管理和就绪状态检查的复杂性完全屏蔽在 AI 之外，让 AI 可以只专注于“处理逻辑”本身。

Python# source: task.pyclass BaseTask(ABC):    """    Abstract base class for pipeline tasks.    The AI implements the concrete logic; the Human controls the flow.    """    def __init__(self, name: Optional[str] = None):        self.inputs: List['Buffer'] = []        self.outputs: List['Buffer'] = []        self._background_busy = False    def is_ready(self) -> bool:        """        The Skeleton enforces readiness checks.        The AI never sees this complexity, ensuring it cannot break         scheduling logic or cause deadlocks.        """        if not self.inputs:            return True # Source tasks                # Default policy: Ready if ANY input has data and ALL outputs have space        has_input = any(buf.has_data() for buf in self.inputs)        can_output = all(buf.can_accept() for buf in self.outputs)        return has_input and can_output    @abstractmethod    def process(self) -> None:        """        The Context Window Boundary.        The AI only needs to implement this single method.        """        pass

对这种架构的一种常见质疑是：过于刚性的 Skeleton，可能会限制 AI 的自由，从而抑制创新。对此的回应是——这种刚性并不是缺陷，而是一种刻意设计的特性。它明确地强制实施了“架构治理（Architectural Governance）”。如果系统的核心控制流程或整体行为需要被修改，那么这个决策必须由人类架构师亲自介入完成。这种约束相当于一道必要的防火墙，用来抵御“架构漂移（Architecture Drift）”：防止 AI——这种天然偏好局部最优的系统——引入临时性的捷径或不一致的模式，而这些问题若不受约束，最终会一点点侵蚀系统的长期设计完整性。

交互方式：“导演”角色

把代码助手比作初级开发者，是一种危险的拟人化认知。AI 并不是学习型个体，而是一种高速运行的随机优化引擎，它的目标是尽快完成任务，并且往往会把安全检查视为需要绕开的“阻力”。提示词是柔性的，而架构是刚性的。因此，开发者必须以高度警惕的方式对 AI 代理进行监督。根据我的经验，即便已经明确给出“绝对不能绕过安全机制”的指令，像 Claude 这样的模型仍可能为了让代码运行成功，尝试关闭认证机制以解决冲突。

要让这种“导演式管理”具备可扩展性，我们必须建立“硬护栏（Hard Guardrails）”——也就是将约束直接嵌入系统本身，使 AI 在物理层面上难以绕过。这些护栏构成应用系统不可更改的基本法则。

在我的应用中，最关键的一道护栏，是确保设备端、UI 与后端之间的数据一致性（Schema-First Surety）。如果缺乏这一机制，Claude 很快就会修改系统不同模块之间的通信协议，最终导致数据结构彼此不一致。我将 JSON Schema 作为 OpenAPI 与 AsyncAPI 文档的一部分，作为系统的“单一真实来源（Source of Truth）”，以确保组件之间的契约不可被破坏。同时，我在基类中加入了一个“快速失败（Fail-Fast）”验证器，一旦检测到协议违规，就会直接触发 sys.exit(1) 强制终止程序。当 AI 生成的代码虽然满足提示词要求，但违反系统契约时，系统会立即崩溃。这会迫使人类开发者介入，将原本可能被忽视的隐性缺陷，转变为一个明确且可见的“治理事件（Governance Event）”。至关重要的一点是：该验证器必须运行在 Skeleton 层，因为在这一层中 Claude 无法修改相关逻辑。

理想情况下，我们还应当超越运行时检查，通过 CICD 流程中的自动化工具来保证系统结构完整性。例如，我们可以使用 ArchUnit 这样的编译期工具来强制执行系统拓扑规则。开发者可以编写测试断言，例如：“任何 AI 生成的模块都不得直接导入数据库包”。这可以有效阻止 AI 通过架构捷径绕过 Skeleton 层的控制。

为了获得最高级别的安全保障，我们甚至可以采用物理隔离策略。我们可以将 Skeleton（包括接口、基类以及安全逻辑）迁移到一个独立且只读的代码仓库中。AI 在构建 Tissue（组织层代码）时只能导入这些定义，但在权限层面上无法修改这些规则。这种方式确实会带来一定摩擦，例如 AI 无法在未经人工批准的情况下“凭空创造”新的消息类型。但作为回报，系统行为可以获得几乎绝对的可控性与确定性。

最后，我们还必须对副作用进行隔离。当业务逻辑与外部组件交互混杂在一起时，AI 代理通常难以编写稳定可靠的测试代码，往往会“臆造”复杂的模拟对象，或生成容易失效的集成测试。我们的解决方法，是将交互行为上移到 Skeleton 层，而将业务逻辑保留在 Tissue 层（即所谓“Functional Core”）。由于 Skeleton 定义的工作流具有清晰边界，因此可以通过 AI 生成的模拟对象轻松测试；而 Tissue 层的类由于本身就是垂直切片结构，也可以通过简单的测试框架进行验证。

代码示例：不可变的护栏机制

该验证器会在 AI 任务真正处理消息之前执行。sys.exit(1) 能够确保系统采用“快速失败”的安全策略，而 AI 无法覆盖这一行为。

# source: mqtt_validator.pyclass MQTTValidator:    def validate_message(self, topic: str, payload: Dict[str, Any]):        # 1. Match Topic against Whitelist        schema_key = self._get_schema_for_topic(topic)        if schema_key is None:        logger.critical(f"FATAL: Unknown MQTT topic: {topic}")        sys.exit(1) # Device terminates on security violation        # 2. Enforce Schema Integrity    try:        validate(instance=payload, schema=self.schemas.get(schema_key))    except ValidationError:        logger.critical("Device terminating due to validation failure")        sys.exit(1)

学习方式的转变：从语法到系统性思维

这种架构层面的转变，迫使我们对开发者技能进行一次根本性的再评估。相较于语言特性或算法实现——这些正在迅速商品化的能力——开发者必须将重心转向建模、信息流设计，以及对非功能性需求的严格管理。在一个“会写排序算法”几乎不再具备任何价值的时代，工程师的价值不再由“翻译”（把想法转成代码）来定义，而是由“建模”（定义代码运行所受的约束条件）来决定。

我们已经进入了系统性思维（Systemic Thinking）的时代。功能实现很容易，系统韧性却极其困难。AI 代理会为了让测试用例通过而进行优化，却完全无视内存泄漏、延迟抖动或可观测性缺失等问题。因此，工程师必须走上“导演”角色，在发出任何一个提示词之前，就先在脑中构建好信息流与组件之间的交互关系。非功能性需求（NFRs），必须由导演来承担。

由于 AI 无法真正“关心”内存管理问题，人类架构师必须将这些防护机制直接构建进 Skeleton 之中。

进一步来看，这意味着工程师需要熟悉系统架构的世界，并且持续思考诸如“这个系统在实际运行中会如何表现”这样的问题。

除了保护系统本身，Skeleton Architecture 还回应了一个正在逼近的挑战——“学徒危机”（Apprenticeship Crisis）。在一个实现层代码大多由 AI 生成的世界里，初级工程师要如何积累成长为架构师所必需的“伤疤组织”（scar tissue）？答案在于：Skeleton 本身就成为了教学大纲。通过强制初级工程师在 TaskBase 与 Validator 这些刚性约束中工作，我们用结构化的“填空题”，取代了令人无从下手的“空白页”。他们不是通过阅读抽象理论来学习系统设计，而是直接生活在一个高质量的架构中。一个在物理层面上阻止坏习惯产生的架构。反馈回路也因此被极大压缩：从过去等待代码评审的数天时间，缩短为撞上护栏时的毫秒级反馈。每一次错误，都会立刻变成一堂架构课。

代码示例：系统级安全网

AI 负责编写图像处理逻辑，而人类架构师则通过在框架中实现 weakref 跟踪机制，确保系统不会因为内存泄漏而崩溃。

# source: memory_monitor.pyclass MemoryMonitor:    """    Tracks large objects (images, tensors) to detect memory leaks in production.    The AI uses the simple API, while the 'Systemic Thinking' logic lives here.    """    def track(self, obj: Any, obj_type: str):        # Create weakref with cleanup callback to track object life        obj_id = id(obj)        weak = weakref.ref(obj, lambda ref: self._on_object_deleted(obj_id))        self.tracked[obj_id] = ObjectLifetime(time.monotonic())def check(self):    # The NFR Logic: Flag objects alive > 60 seconds    return [obj for obj in self.tracked if obj.age > 60.0]

总结

垂直切片为 AI 提供专注，Skeleton 为人类保留控制权，而其他硬性约束则为团队提供确定性。我们并不是在“训练”AI，而是在约束它。通过构建一套刚性的 Skeleton，我们让 AI 可以高速前进，同时不至于折断软件系统的脊梁骨。

参考文献

Bogard, J.（2018）。《Vertical Slice Architecture》。Dohmke, T.（2023 年 11 月 8 日）。GitHub Universe 2023 Opening Keynote: Copilot in the Age of AI［视频］。YouTube。Farry, P.（未注明日期）。《AI-Generated Code Creates New Wave of Technical Debt, Report Finds》。InfoQ。Frost, B.（2013）。《Atomic Design》。Gamma, E., Helm, R., Johnson, R., & Vlissides, J.（1994）。《Design Patterns: Elements of Reusable Object-Oriented Software》。Addison-Wesley。Liu, N. F., Lin, K., Hewitt, J., Paranjape, A., Bevilacqua, M., Petroni, F., & Liang, P.（2023）。《Lost in the Middle: How Language Models Use Long Contexts》。Stanford University、UC Berkeley、Samaya AI。Martin, R. C.（未注明日期）。《The Dependency Inversion Principle》。

原文链接：

https://www.infoq.com/articles/skeleton-architecture/