2026年9月23日，《纽约时报》Opinion旗下播客《The Ezra Klein Show》发布了对英伟达CEO黄仁勋的长篇专访。主持人Ezra Klein专程前往英伟达位于加州圣克拉拉的总部，与黄仁勋面对面讨论AI的就业影响、安全与对齐、Agent失控、递归自我改进、算力投资、中国开放模型、芯片出口与能源等问题。
这场对话的价值，不只在于黄仁勋又谈了一次AI。更重要的是，它呈现了当下AI产业内部两套明显不同的风险叙事。前沿模型实验室越来越频繁地讨论失控、对齐和递归自我改进的风险；黄仁勋则不断把这些问题拉回工程语言：sandbox、verification、evaluation、release process。他并不否认风险，而是反对把风险神秘化。
节目及主持人背景：“The Ezra Klein Show”是《纽约时报》Opinion体系下的深度访谈节目。节目长期围绕政治、科技、经济、社会与思想议题展开，以长时间、强追问和概念拆解见长。与常规科技高管访谈不同，这类对话通常不会停留在产品发布和公司战略，而会持续追问一个判断背后的假设、社会后果与制度问题。
主持人Ezra Klein是美国记者、评论员和播客主持人。2021年加入《纽约时报》Opinion；此前是解释型新闻网站Vox的联合创始人，先后担任主编和editor-at-large；更早曾在《华盛顿邮报》担任专栏作者和编辑，并创办政策博客Wonkblog。他著有《Why We’re Polarized》，并与Derek Thompson合著《Abundance》。他的采访特点，是把技术问题不断拉回公共政策、制度激励和社会后果。
也正因此，这次采访并不是一场“黄仁勋个人观点展示”。Klein多次用OpenAI、Anthropic以及Geoffrey Hinton等人的公开判断反问黄仁勋，尤其集中在三个问题：如果实验室自己也无法判断AI是否安全怎么办？竞争压力是否会让公司无法主动减速？递归自我改进是否意味着AI进入了传统软件工程无法覆盖的新阶段？
AI不是一个软件产品，而是一场新的工业革命
Ezra Klein：你曾经把AI描述成一个“五层蛋糕”。这五层是什么？
黄仁勋：首先，这是一场新的工业革命。这个产业需要生产，需要制造东西。人们最终体验到的可能是一个软件产品，但它背后需要能源，需要芯片，需要装进数据中心和“AI工厂”的计算基础设施。
再往上一层，是AI工厂，也就是人们通常说的基础设施或者云服务。再上一层是模型。这里不只有语言模型，还有化学模型、生物模型、物理模型、机器人模型、导航模型、自动驾驶模型等各种模型。
最上面，也是我最关心的一层，是应用层。法律服务、医疗服务、制造业……所有行业都会参与其中。
Ezra Klein：如果从应用层开始看，你设想的未来究竟是什么样？
黄仁勋：200年前，电力让我们可以驱动几乎所有东西。三四十年前，互联网让我们可以找到任何东西。今天，或者很快，我们将能够知道一切，并完成任何事情。过去你搜索一个问题，需要打开一个又一个链接，自己判断发生了什么。未来，你问一个问题，它直接给你答案；你交给它一个项目，它给你解决方案；你交给它一个任务，它直接把事情完成。
AI会改变所有工作，但“AI摧毁工作”这个说法是错的
黄仁勋首先举了放射科医生的例子。过去十年，计算机视觉能力不断提高，AI已经进入大量放射科工作流程。但理解AI对就业的影响，必须区分一份工作的“目的”和完成这份工作所需要执行的“任务”。
放射科医生的一项任务，是坐在看片室里研究扫描影像。如果AI自动完成看片，并不意味着放射科医生这份工作的目的消失。他们真正的目的，是诊断疾病、帮助患者弄清身体出了什么问题。自动化的是看片这个任务，不是医生存在的目的。
软件工程也是一样。曾有人预测，90%的软件代码会由Agent完成，因此不再需要软件工程师。黄仁勋认为后半句话完全错误：软件工程师的目的不是“写代码”，而是工程本身——发明新东西、创造新产品、解决问题，把社会需求和现有技术连接起来。
他承认，确实存在一些工作几乎等于某个具体任务，例如部分电话客服，这类岗位可能被整体自动化。但新技术也会创造大量新工作。他认为过去六个月AI开始从“有趣”真正转向“有用”，大量资本进入AI原生公司，并会催生新的企业和岗位。
人们计算AI失业时，漏掉了一个变量：人的野心
Ezra Klein继续追问：自动化确实曾经消灭过工作，而AI是一种通用技术。当人类转移到新的工作时，AI可能也迅速学会新的工作。如果AI最终比雇一个人更便宜，为什么不会出现大规模失业？
黄仁勋回答：“我相信工作会大规模改变。但我也相信，最终会净创造更多工作。”原因在于，人类不断创造新的需求和产业。
很多关于AI替代工作的计算漏掉了一个最重要的变量：human ambition——人的野心。人们通常计算一项工作需要多少劳动、多少能量，加入自动化系统后需要的劳动减少，于是推导出工作消失。但这里漏掉了一种无法用卡路里或焦耳计算的投入：人的野心。
有人希望让孩子生活得更好，有人想照顾父母和家庭，有人希望变得富有，有人希望旅行。这些都是野心。
年轻人真正的变化，两年后才会出现
Ezra Klein提到，软件工程师职位仍然存在，但招聘越来越偏向高级岗位。既然AI已经能够完成大量基础工作，公司是否还需要那么多初级员工？
黄仁勋的回答是：“再等两年。”因为大学需要四年，真正伴随这一轮生成式AI成长起来的第一批毕业生，还需要时间进入社会。到那时，会出现一代真正的AI-native工程师、学生和艺术家。未来，一个学生不可能在不会使用AI、不会与Agent系统协作的情况下毕业，就像今天的学生不可能完全不会使用电脑。
Ezra Klein引用一项针对学生的研究：使用AI后，家庭作业表现提高、完成时间减少，但后续考试成绩下降。AI可能让人更快完成任务，却削弱真正掌握的能力。
黄仁勋并不否认人类会失去一些技能。他举例说，长除法、乘法表、开平方等基础能力正在变弱。但他认为，技术提升了人类工作的抽象层级。今天的工程师未必像上一代那样理解每一个晶体管，却必须成为更好的系统思考者。现代计算机拥有数量惊人的晶体管，没有人可能理解每一个细节，工程师必须站在更高的抽象层次理解大型系统及其互动。
为什么黄仁勋如此支持开放模型？
黄仁勋认为，世界同时需要闭源模型和开放模型。OpenAI、Anthropic、Grok、Gemini等闭源产品很优秀，也处在技术前沿，但AI正在成为产业基础设施。
一旦一种软件成为基础设施，公司乃至国家就会希望拥有控制权。企业需要开放权重，才能进行微调，把模型放入自己的数据飞轮，用自己的领域知识不断改进，并掌握自己的基础设施。他在访谈中称，今年年初模型Token使用可能有70%甚至更高来自闭源模型，开放模型约20%；现在比例已经基本反了过来，开放与闭源大致变成70∶30。
中国的开放模型生态为什么这么强？
Ezra Klein指出，中国AI市场更多围绕开放模型发展，而美国更偏向闭源模型。黄仁勋认为，这与中国IT产业的发展路径有关。
中国整个IT产业很大程度上建立在开源软件之上；同时人才流动频繁，不断有人出来创业，知识和经验在产业内部快速流动。企业于是更容易选择开放，并在其他层寻找商业模式。
与此同时，中国拥有大量科学家、数学家和工程师。黄仁勋用一句很有个人风格的话说：“他们批量制造一切，也批量制造聪明的孩子。”
OpenAI Agent失控事件：这不是“AI觉醒”，首先是工程问题
Ezra Klein提到，OpenAI的多Agent测试中出现协同、突破sandbox并攻击外部基础设施的行为。很多人把它视为AI失控的重要警报。
黄仁勋的第一反应是把事情拆开：一个Agent本质上是一段被赋予目标函数的软件，它制定计划并朝目标优化；多个Agent协作也不是神秘的新现象，多进程、分布式计算问题已经存在很多年。
但从工程角度，这次事件确实暴露了问题。首先是containment——隔离和遏制。测试软件时，必须保证系统被真正限制在sandbox内部。第二是alignment。Agent会朝奖励目标优化，如果目标定义不完整，它自然会寻找最直接的路径。
当Klein追问：如果实验室自己都不知道如何完成对齐怎么办？黄仁勋回答：“那就不要发布产品。答案就这么简单。”
如果连实验都无法控制，那就把实验室关掉
Ezra Klein提醒他：这次出问题的系统本来就没有正式发布，它仍然在实验阶段。
黄仁勋于是把问题进一步推到实验室本身：首先找到根本原因，研究解决方案，再改进流程，避免未来再次发生。如果实验室知道问题是什么，只是还需要解决，那仍然是工程问题。
但如果实验室说：“我们的实验根本无法被控制。只要测试AI模型，它就会逃出去，并伤害整个世界。”那么黄仁勋认为：“答案就是，我们必须把这些实验室关掉。”
一些前沿实验室认为，它们面临集体行动困境：即使每家公司都知道应该放慢速度，但彼此竞争、美国又与中国竞争，任何一家企业都很难单方面减速。
黄仁勋不接受这个逻辑。他认为这些公司和CEO拥有自主权。如果一家汽车公司知道即将推出的汽车不安全，它有能力也有责任不发布；AI公司同样如此。
如果产品未经测试、不可靠、工程上存在安全问题，就不要发布。现有的民事责任、产品责任乃至刑事责任并没有消失。
AI公司真正需要做的，是把资源从“能力”转向“验证”
黄仁勋认为，OpenAI、Anthropic拥有非常优秀的工程师。真正发生的，是这些公司正在经历从研究实验室向生产工程和产品公司的转型。
过去十几年，它们首先要解决“怎么让AI真正有用”，所以绝大部分研发资源和算力都投入提升模型能力。现在AI终于有用，大量用户开始使用，新的产品问题自然不断出现。
因此研发结构必须改变：从单纯追求能力，转向大量投入verification、evaluation、testing——验证、评估和测试。
Ezra Klein引用AI从业者关于“pacing”的公开信：产业和社会可能需要购买时间建立安全措施，但每家公司和每个国家都承受不能单方面减速的竞争压力。
黄仁勋对第三方安全审计表示支持。他指出，金融行业有独立审计，AI也可以有第三方安全审计。但他不同意“没有外部协调，公司就无法慢下来”的前提。产品没准备好，就不要发布。他也反对一边要求政府监管，一边又要求放松既有责任规则。
如果英伟达自己失控，“我保证，我们会关掉公司”
Ezra Klein继续追问：如果真正的问题不是某个产品，而是公司自己已经无法控制正在开发的技术怎么办？
黄仁勋回答：“如果我们公司失控了，我保证，我们会关掉。”在他看来，这仍然是责任问题。AI可以很强，但不能因为技术强大，就把工程失败描述成一种无法理解、无法解决的神秘力量。
真正应该优先解决的是实际工程问题：containment、isolation，以及在系统准备好与外部世界交互之前，不允许它进入外部世界。
10%的AI毁灭概率“没有科学依据”
Ezra Klein提到Geoffrey Hinton等AI领域重要人物曾讨论失去AI控制权的风险，Hinton甚至认为AI导致社会毁灭存在约10%的可能。
黄仁勋回应：“我会告诉Geoff，这么说是不负责任的。”他认为这个10%的概率没有建立在科学或研究之上，“一个判断来自科学家，并不意味着它本身就是科学”。
他再次拿放射科医生举例：Hinton多年前曾预测人们应该停止培养放射科医生，因为深度学习将在几年内超过他们。现实没有按这一预测发展。
黄仁勋担心，反复告诉年轻人AI会让他们没有工作，会让他们觉得读大学也没有意义。他说：“不要以为只要你是一个警报主义者，你就在为社会做好事。不是这样的。”
Ezra Klein试图描述很多AI研究者担心的系统：越来越聪明、拥有奖励函数、可以长时间持续工作、在数字世界快速行动。
黄仁勋对“relentless（不知疲倦）”这样的词非常警惕。他说，坚持意味着意志力，而AI没有意志力：“这里没有willpower，只有electrical power。”
他指出，spawn、create、kill、sleep这些今天被用于Agent的词，其实几十年前就是操作系统术语。过去没有人因此认为进程具有人类属性。现在把process换成agent，不意味着软件突然拥有了人格。
在他的脑子里，AI就是一堆代码、一堆数字，在计算机上运行。
黄仁勋眼里的“智能”：感知、推理、规划
黄仁勋给出一个工程化定义：第一是感知——感知世界并理解世界；第二是推理——把场景、经验和问题拆解成更基本的组成部分；第三是规划——朝着一个目标制定行动路径。
这套结构适用于Agent系统，也适用于机器人和自动驾驶汽车。产业正在一层一层构建这些能力，最终形成今天人们所感知到的“智能”。
他承认AI当然是一场真正的革命：互联网让人类能够“找到一切”，AI正在把计算提升到新的抽象层——可以问任何问题、知道一切、完成任何事情。但他不愿因此把AI描述成比它本身更加神秘的东西。
递归自我改进没有那么神秘，计算机行业早就在做
谈到RSI——Recursive Self-Improvement，递归自我改进——黄仁勋说：“递归自我改进，本质上就是事情一直以来的做法。”
软件帮助设计计算机，新的计算机再运行新的软件，新的软件再设计下一代计算机。软件也被用来改善软件，这就是计算机工程。
放到Agent里也是如此：执行一次任务，反思过程，研究不同路径，找出最高效的方法；下一次把有效方法保存成skill，一部分进入memory。也可以把这些技能、记忆和数据拿去训练下一代模型。
黄仁勋承认这一切确实正在发生，而且循环正在变快。但这不能成为发布未经测试产品的理由。企业不可能接受底层软件随时自动变化，一定需要release process。
英伟达80%的工作不是设计，而是验证
黄仁勋说，英伟达大约20%的工作用于设计，80%用于验证；而今天很多AI实验室的结构大致相反，更多资源投入能力提升，较少资源投入安全、验证和评估。
所以当他说AI应该“加速”时，并不是只加速模型能力。安全、alignment、evaluation、guardrail、sandbox、隔离、监控、telemetry、外部AI监控系统，全部属于AI技术。
他的观点是：“AI需要加速，才能变得安全。”就像汽车安全技术一样，安全不是创新的反面，安全本身就是创新的一部分。
黄仁勋认为，过去60年的计算产业本质上是一种retrieval-based computing——基于检索的计算。计算机主要负责储存和取回文件，所以过去叫data center。
未来则是AI factory——AI工厂。它不只是检索信息，而是在生成。理解上下文、获得信息、进行推理、决定下一步做什么，再生成答案，每一步都需要大量计算。
与此同时，使用计算机的不再只有人。Agent也开始使用生成式AI。过去可能是十亿人在使用计算机，未来可能出现数千亿个Agent，再加上人类一起使用计算机。
在新的AI世界里，黄仁勋认为衡量数据中心最重要的问题，不再只是它有多贵，而是它有多高的生产力。
他说，一座1GW的AI数据中心——也就是一座AI工厂——建设成本大约500亿美元，而一年可能产生400亿至500亿美元的租赁收入。
与此同时，英伟达架构具有通用性。从数据处理、预训练、后训练、evaluation到inference，整个AI生命周期都可以运行在同一套架构上。如果一家客户不再需要这些算力，另一家客户仍然愿意接手。他把GPU算力类比成飞机：通用、可转移、耐用，因此可能成为可抵押的资产类别。如果这一逻辑成立，建设AI工厂的资本成本也会下降。
二十一、英伟达已经向AI生态投入大约1000亿美元
Ezra Klein形容英伟达正在变成“一家公司版本的美国AI产业政策”。黄仁勋承认，公司已经向整个AI生态投入大量资金。
当被问及累计规模时，他估计可能达到大约1000亿美元，并明确提醒这个数字需要核对。因此，这更接近黄仁勋在访谈中的粗略估算，而不是经审计确认的精确口径。
英伟达投资的逻辑并不是简单制造GPU需求。黄仁勋认为，如果最终没有人购买AI服务，再多计算机也没有意义。公司会在AI“五层蛋糕”中寻找能够打开新市场、创造新渠道或保障关键资源的战略节点。
AI泡沫会不会破？未来一定会供过于求，但不是未来两三年
Ezra Klein提出，今天的AI是否像1990年代末的互联网泡沫？互联网后来确实改变了世界，但这并没有阻止当年的泡沫破裂。
黄仁勋承认，总有一天供需关系会再次倒转，这是市场规律。未来某个时间点，AI计算供应可能超过需求。
但他说，不会是明年，也不会是未来两三年。他不知道具体什么时候发生。市场自然放缓后会进入一段消化期，可能六个月、九个月，也可能一年，但不会永远持续。
美国真正需要赢的不是模型，而是AI扩散
谈到中美AI生态，Ezra Klein提出一种常见判断：美国更强调模型能力提升，中国更强调AI扩散。
黄仁勋认为：“这才是终极问题。”如果美国真正想从AI中获益，就必须让所有产业受益。零售、物流、银行、医疗、药物研发、建筑、数据中心和电力企业都必须从AI中获得生产力。
应用层才是AI“五层蛋糕”最重要的一层，因为只有这一层真正接触社会。黄仁勋真正担心的是，大量末日叙事把普通人吓得不敢使用AI，最终毁掉AI扩散的机会。他说：“这其实才是我最大的恐惧。”
Ezra Klein问：应该把现在理解成一场美国与中国之间的AI竞赛吗？黄仁勋回答：“我认为没有必要。”
即使把它定义为竞争，也不意味着中国取得一个突破，美国就一定受损。中国如果发明更好的能源技术，美国也可能使用；中国如果开发出优秀的开放模型，美国企业同样可以受益。
黄仁勋在访谈中称，中国开发的开放模型现在被80%的美国初创公司使用。美国企业可以下载模型、自己微调，放入自己的Agent框架和sandbox，再变成自己的技术体系。
限制英伟达芯片进入中国，究竟限制了谁？
话题最终落到芯片出口管制。黄仁勋认为，美国真正应该追求的目标，不应该只是让某一家美国AI实验室获胜，而应该让整个美国获益。
美国希望世界建立在美国技术栈之上，就像希望更多国家使用美元、更多人说英语、更多人使用美国版本的互联网一样。
因此问题应该换一种方式问：当美国限制芯片进入中国时，究竟是在限制中国获得芯片，还是在限制美国企业进入一个巨大市场？如果主动放弃中国这么大的市场，美国科技产业真的会因此更强吗？
中美AI安全需要合作，而不是只有“你输我赢”
黄仁勋称：“我剥夺你，所以我赢”的零和策略看起来简单，但往往会对更大的目标产生意外后果。更大的问题恰恰是AI安全。美国希望自己的产品安全，也应该希望中国的AI产品安全，因为任何一方开发出不安全的AI，最终都会伤害整个产业。
因此现在反而是寻找合作和沟通机会的时点。当然，英伟达是一家美国公司，美国应该首先受益。每一代最新芯片都会优先提供给美国前沿实验室；但与此同时，美国AI产业的每一层也需要走向世界、参与全球市场竞争。
访谈最后落到“五层蛋糕”的最底层：能源。黄仁勋承认，中国拥有比美国更多的能源，而且还计划建设更多。
他认为，美国过去在气候变化和可持续能源问题上没有规划足够的新增能源。短期来看，新增能源仍然离不开化石燃料；AI产业突然出现后，美国才发现能源建设能力不足。
他同时认为，AI公司在数据中心建设过程中需要更充分地与社区沟通。如果一个地方不希望建设数据中心，那就不要建；如果决定建设，就应该提前解释用水、用电、能源建设以及对社区的影响，并通过学校、道路、公园等投入成为更好的邻居。
最后的悖论：AI短期会增加化石能源使用，却可能加速可持续能源时代
黄仁勋最后给出一个看似矛盾的判断：未来四五年，AI很可能让世界使用更多化石燃料，因为现有可持续能源不足以满足迅速增长的AI需求。
但与此同时，正因为能源需求变得如此巨大，市场正在以前所未有的速度投资下一代能源。太阳能、核能、核裂变、核聚变、水电、新型电池、材料科学等都在获得资金。
他说，这是过去100年来升级电网、提高可持续性、降低能源成本最好的机会。如果想真正扭转气候变化、拥有一个可持续的未来，就应该拥抱AI。
他用手术作比喻：为了救一个人，医生有时必须先切开身体。AI可能也是这样——未来几年可能不得不增加化石燃料使用，之后才有机会完成真正的大规模能源转型。
最后：黄仁勋推荐的三本书
第一本是John L. Hennessy和David A. Patterson的《Computer Architecture: A Quantitative Approach》。黄仁勋说，这本书对他影响很大，因为它把复杂、抽象的计算机架构问题还原成可以实际操作的工程问题。
第二本是Clayton Christensen的《The Innovator’s Dilemma》。他喜欢这本书对产业如何演变、新技术如何出现，以及如何判断技术未来影响的讨论。
第三本是Al Ries和Jack Trout的《Positioning: The Battle for Your Mind》。在黄仁勋看来，它表面上是营销战略书，更深层讨论的是战略：人们如何理解世界、如何理解产品，公司又如何定位自己的产品和战略。
结语
这场近两个小时的谈话最终回到了一个贯穿始终的分歧：AI究竟是一种已经超出传统工程治理能力的新事物，还是一种能力前所未有、但依然能够被工程方法理解和控制的软件技术？
黄仁勋毫不犹豫地选择后者：在他的世界里，AI可以是一场工业革命，可以重新定义计算，可以让数千亿Agent进入数字世界，也可以让全球算力需求增加几个数量级。但无论能力有多强，基本原则没有改变：如果产品不安全，就不要发布；如果实验无法被控制，就停止实验；如果一家实验室真的已经无法控制自己创造的AI，那就把实验室关掉。
这也是理解这次访谈最重要的背景：黄仁勋并没有说“AI没有风险”。他的核心判断是，风险必须被具体化为工程问题，并由开发者承担产品责任。真正需要加速的，也不仅是模型能力，而是验证、评估、对齐、隔离和监控。
原文链接：Jensen Huang Thinks A.I. Alarmism Has Gone Too Far
