最近，AI 行业开始重新讨论一个问题：是不是该慢一点了。
9 月 12 日，Anthropic CEO Dario Amodei 发文呼吁放慢前沿 AI 能力提升的速度，为安全研究和外部评估争取更多时间。随后，Sam Altman、马斯克、Demis Hassabis 等人也先后对这一方向表示认同。过去几年一直强调加速的 AI 行业，罕见地开始认真讨论要不要踩下刹车。
就在这场争论升温时，黄仁勋给出了几乎相反的判断。
9 月 14 日，在洛杉矶举行的 All-In Summit 上，黄仁勋接受了 All-In Podcast 四位主持人的现场访谈。节目一开始，主持人就把 Amodei 的文章和最近的 AI 安全争论摆到了他面前。接下来的四十多分钟里，话题从 AI 末日论、递归自我改进一路延伸到中美 AI 竞争、开源模型、数据中心，以及 AGI 和超级智能。访谈途中，特朗普还突然打来电话，直接加入了这场关于 AI 是否应该减速的讨论。
黄仁勋并没有否认 AI 风险。也支持更严格的测试和第三方评估，但他反对因为未经验证的“末日论”，让整个行业放慢下来。
AI 要安全，但不能用“末日论”代替工程问题
面对最近不断升温的 AI 安全争论，黄仁勋首先承认了一个基本前提。
“安全是第一位的，这没得说。”他说，美国并不需要在安全和保持领先之间二选一，前沿实验室内部出现的问题、举报者提出的担忧，以及已经发生的安全事故，都应该被认真对待。
但在他看来，这些真实存在的问题，需要与另一类关于未来的预测应该区分开。一边是已经发生、可以调查和修复的工程问题；另一边，则是 AI 可能毁灭文明、甚至给出具体“灭绝概率”的判断。对于后者，黄仁勋态度非常强硬。他认为，这类预测缺乏足够的科学依据，却因为出自研究者和前沿实验室，很容易被公众理解成已经得到验证的科学结论。
他还列举了过去几年一些没有按照预期发生的激进预测：几年内放射科医生会被 AI 取代，短期内 90% 的代码将由 AI 生成，大量初级岗位会迅速消失。AI 的确正在改变医学影像、软件开发和就业市场，但在黄仁勋看来，现实远没有沿着这些预测给出的时间表发展。
（来源：YouTube）
因此，他反对的并不是 AI 安全本身，而是从尚未得到证实的灾难性预测，直接推导出整个行业应该暂停或者减速。
相比之下，黄仁勋更愿意把 AI 安全看成一个工程问题。如果一家前沿实验室发生事故，首先应该做的是根因分析：到底发生了什么，哪些环节失效了，本来可以采取哪些措施，接下来又该建立什么新的技术和流程。再通过沙箱、持续监控、验证和评测，把同样的问题尽可能挡在下一次发布之前。
在他的判断里，今天最前沿的实验室之所以更容易暴露风险，很大程度上正是因为它们拥有最多的算力，也在处理最困难的问题。随着这些公司从研究机构逐渐变成真正的工程组织，它们也需要建立与之匹配的测试和控制体系。
说到这里，黄仁勋的手机突然响了。电话另一端，是美国总统特朗普。寒暄过后，特朗普很快把话题拉回到现场正在讨论的核心问题：美国是否应该因为对 AI 风险的担忧而放慢发展速度？
“现在有人试图阻止数据中心建设。在我看来，这是一个骗局。”特朗普说。按照他的说法，数据中心将带来投资和就业，也会成为未来二十年甚至二十五年的重要产业。“机器人不会接管世界，AI 也不会接管世界。我们当然要谨慎，但不能因为担忧 AI，就把整个行业停下来。”
紧接着，他给出了一个更直接的判断：“谁赢下 AI，谁就赢。”
特朗普还表示，AI 的重要性甚至可能超过互联网，而数据中心正是这场竞争的一部分。他随后强调，美国需要让更多行业、公司、州和个人都从 AI 发展中受益。
几分钟后，电话挂断，话题重新回到 AI 安全。黄仁勋进一步解释，他并不排斥外部监督。如果需要第三方机构评估前沿模型，可以参考财务审计的方式，引入独立评估方，而且最好不止一家。在他看来，前沿 AI 公司正在建设一种“非同寻常”的技术，也应该接受“非同寻常”的标准。
AI 可以改进 AI，但 RSI 没有那么神秘
如果说 AI 会不会失控是这轮争论最宏观的问题，那么更具体的担忧之一，就是 AI 开始参与下一代 AI 的研发。
Amodei 在文章中明确提到，最近几个月让他改变判断的一个重要原因，是 AI 已经越来越多地用于开发下一代 AI。模型可以帮助研究人员写代码、生成训练数据、改进算法，如果下一代模型又进一步增强这些能力，就可能形成越来越快的能力迭代循环。
这正是所谓的递归自我改进（Recursive Self-Improvement，RSI）。
现场讨论中，主持人也把这个问题抛给了黄仁勋：当 AI 开始越来越多地参与自身研发，这种循环会不会最终变得难以控制？
黄仁勋首先把这个听起来颇具科幻色彩的概念拆开。在他看来，今天所谓的 RSI，并不是 AI 突然获得了某种神秘的“自我进化”能力，而是一系列已经存在的方法被组合到一起，包括上下文学习、技能学习、反思、强化学习和合成数据生成等。模型还可以通过 LoRA 等方式，在不重新训练整个基础模型的情况下继续适应和改进，积累足够多的新数据和经验后，再进入下一轮基础模型训练。
也就是说，现实中的“AI 改进 AI”，更多是在研发流程中让 AI 承担越来越多的工作：生成代码、构造数据、参与评测、进行强化学习，或者帮助研究人员优化训练过程，而不是一个模型脱离人类后独立完成下一代模型的研发。
黄仁勋认为，这种趋势并不难理解。既然 AI 已经可以帮助软件工程师写代码、帮助研究人员分析数据，那么自然也可以被用于提高 AI 研发本身的效率。“用技术去提升各种任务的生产力，包括造 AI 本身，是件合理的事。”在他看来，各家实验室实际上都或多或少在这样做。
他真正想强调的，仍然是“控制”这一层。
黄仁勋说，即使一家实验室在内部不断利用 AI 改进模型，真正发布产品之前，仍然需要重新进行评估和测试，确认模型能力是否达到预期、有没有出现退化，以及是否存在新的风险。换句话说，内部的自我改进和对外发布，并不是同一件事。
在他看来，前沿 AI 公司现在正在经历的一个重要变化，就是从研究实验室逐步变成更加成熟的工程组织。研究阶段可以不断尝试新的方法，但到了产品阶段，就需要更多验证、评测、监控和发布控制。随着这些工程能力逐渐完善，实验室也应该能够更好地管理内部持续发生的模型迭代。
中美 AI 竞争，真正比的不是谁先做出一个模型
聊完 AI 安全和递归自我改进，话题转向了开源，以及中美 AI 竞争。
黄仁勋先给出了一个很明确的判断：未来既需要闭源模型，也需要开放模型。前沿闭源模型可以不断提供更强的能力，但开放模型同样有自己的位置。企业可能出于自主可控、隐私保护和专有技术的考虑选择开放模型，大量创业公司也需要在开放模型基础上继续开发自己的产品。
他提到，很多 AI 原生公司都建立在开放模型之上。如果最前沿的能力只掌握在少数几家公司手里，很多新的想法很难真正落地。“好点子会不断冒出来，而开放模型让这些想法有机会落地。”在黄仁勋看来，如果美国要赢下 AI 竞赛，也不能只意味着几家科技巨头取得领先，而应该让更多企业、研究者、老师、学生和创业公司真正用上 AI。
问题也随之变得更具体：如果开放模型越来越重要，那么模型究竟来自美国还是中国，是否还那么重要？
黄仁勋没有回避中国正在开放模型领域快速崛起这一事实。他认为，目前全球开源生态中相当一部分贡献来自中国，这背后既有人才规模的因素，也有大量理工科人才持续进入产业的原因。
不过在他看来，开源本身就让技术属于谁的边界变得没有那么清晰。
他拿 Linux 和 Kubernetes 举例。这些基础软件本来就是全球开发者共同参与的结果，其中也包含大量中国工程师的贡献。开放模型也是一样：一个模型一旦被下载下来，开发者就可以 fork、修改、继续训练，再把它变成自己的产品。“当你下载这些中国模型中的某一个，它只是碰巧由一群中国非常出色的研究者做出来，但现在它已经是你的了。你想拿它做什么都行。”
话题也由此落到了一个更根本的问题：如果模型可以流动、修改和复用，那么所谓中美 AI 竞赛，到底在比什么？
黄仁勋的回答很直接：“这场竞赛真正比的，是谁把这项技术用得好。”
他把今天的 AI 和上一轮工业革命作了类比。麦克斯韦、伏特、安培都不是美国人，很多重要的基础科学和技术最初也来自欧洲，但美国后来把这些技术大规模应用到产业和社会中，并最终从中获得了巨大的经济价值。
在黄仁勋看来，AI 也可能重复类似的路径。决定竞争结果的，不只是哪个国家先发布一个领先模型，而是谁能让 AI 真正进入企业、科研、教育和各类生产活动。
谈到为什么中国 AI 叙事越来越有影响力时，他把原因归结为“务实”。在他的观察中，中国更多把 AI 当作推动经济和社会发展的技术，而在美国的讨论中，却经常陷入“AI 会不会毁灭文明”“是不是应该停下来”等争论。
这也再次回到了他整场访谈反复强调的立场：风险当然可以讨论，但如果风险真实存在，更重要的仍然是去解决它，而不是只制造恐惧。“哪怕它是真的，我们也该把更多时间花在做事上，而不是去吓唬一群什么也做不了的人。”
AI 竞争正在变成一场工业能力竞赛
如果说前面的讨论还集中在模型、安全和开源，那么到了后半段，黄仁勋把视线进一步拉到了 AI 背后的基础设施。
在他看来，AI 已经不再只是一个软件行业的问题，而越来越像一场新的工业革命。模型之所以能够持续提供能力，是因为背后有数据中心在不断“生产智能”。而要让这种生产持续扩张，就离不开土地、电力、机房、网络、存储，以及支撑这些设施建设的大规模资本。
这也是为什么，特朗普在电话里反复提到的并不是模型参数，而是数据中心和能源。黄仁勋随后也说，美国如果想让 AI 产业继续增长，就必须解决能源、就业和供应链的问题。
话题随即落到英伟达自己的资本配置上。主持人把英伟达形容成 AI 生态里的“银行”：不仅卖芯片，也在土地、电力、数据中心和融资等层面推动整个产业扩张。黄仁勋没有否认这种说法，但他解释，自己真正关注的不是进入更多业务，而是不断寻找整个生态里的瓶颈和约束。
过去，英伟达会提前与台积电、存储、光学器件等上游供应商协调产能，确保需求到来时供应链能够跟上。现在，这种思路正在继续向下游延伸。如果未来需要部署更多算力，那么土地有没有准备好、电力够不够、机房能不能及时建起来，同样会决定 AI 最终能够扩张到什么规模。
黄仁勋还提到，越来越多区域性云厂商正在参与这轮建设。相比大型云厂商较长的规划周期，这些公司更熟悉当地的土地、电力和政策环境，也能更快做出调整。与此同时，各国也开始把算力和能源视作战略资源，希望建立自己的 AI 基础设施。
在这样的背景下，英伟达的角色也在变化。它仍然处在芯片和计算平台的底层，但同时不断向模型、软件和行业工具延伸。
不过，当主持人追问英伟达会不会继续向上进入更多模型服务和应用层时，黄仁勋强调，公司并不打算把整个技术栈都吃下来。“我们只向上层延伸到必要的程度，同时尽可能留在底层，为其他公司留下发展空间。”
他举了 cuDNN 和 Megatron 的例子。英伟达会去做这些基础技术，是因为如果缺少它们，上层生态很难发展；但基础能力搭好之后，更多产品和商业机会仍然应该留给其他公司。
类似的思路也延伸到了自动驾驶和生物计算。很多汽车公司、农业机械公司和制药企业没有能力从头搭建一整套 AI 技术栈，因此 NVIDIA 会先把基础模型和工具做出来，再让这些企业根据自己的场景完成最后一公里适配。
“我做每一件事，都是出于需要。”黄仁勋说。他并不把英伟达的扩张描述成对其他公司的颠覆，而是把它理解为补上整个 AI 生态里暂时缺失的基础能力。
一些领域已经进入“超级智能”
到了访谈最后，话题落到了两个最容易引发争议的词上：AGI 和超级智能。
在黄仁勋看来，如果把 AGI 理解为“达到一个普通人的认知水平”，那么行业其实已经差不多走到了这个阶段。“我觉得我们行业里大多数人都会感觉，我们差不多已经处在 AGI 的时刻了。”他说。
随后，主持人继续追问：如果 AGI 已经到了，那么下一个路标是不是超级智能？
黄仁勋的回答很直接：“我觉得那个我们也到了。”但他很快给出了自己的定义。他所说的“超级智能”，并不是一个在所有领域全面超过人类的通用系统，而是 AI 已经在一些非常具体的任务上表现得比人更好。
他首先举了自动驾驶的例子。一辆自动驾驶汽车不需要会做饭、写文章或者解决所有问题，它只需要把车开好。如果它在驾驶这一个任务上的表现已经超过人类，那么在这个狭窄领域里，它就已经具备了“超级智能”。“我不要你给我摊个蛋饼，我只要你把车开好。”黄仁勋说。
类似的情况也已经出现在生物计算中。他提到蛋白质虚拟筛选、合成蛋白质等任务，认为 AI 在这些专业、边界清晰的领域里，也已经开始跨过人类能力的边界。
所以，黄仁勋口中的“超级智能已经到来”，并不是在宣布一个全能型 AI 已经出现，而是在强调另一件事：AI 已经不是“未来某一天可能超过人类”，而是在越来越多的具体任务上，开始跨过这条线。
访谈的最后，他说，自己很享受站在技术前沿的感觉。“未来很美好，我们要到哪里去。赶紧上车。”他还希望，“我们能把这出戏的调门降一降。而最重要的是，我们需要全美国都跟我们一起走。这才是我们成功的方式。”
参考链接：
1.https://www.youtube.com/watch?v=S7CrlFLAmEA
运营/排版：何晨龙
注：封面/首图由 AI 辅助生成
