2026年7月25日，Y Combinator在旧金山Chase Center举办Startup School 2026，YC总裁陈嘉兴对话英伟达创始人兼CEO黄仁勋。云栈社区整理了这场关于创业、技术与未来的深度对话。
前一天，黄仁勋刚发出人生第一条X帖文，联合Microsoft、Meta等25家公司呼吁美国政府不要限制开放权重AI模型。而一周前，他刚从日本回来，在东京秋叶原GiGO街机厅与世嘉重聚，感谢30年前那笔差点让两家公司命运互换的500万美元投资。
台下坐满了从全世界筛选来的年轻技术创业者。黄仁勋上台后第一句话：“据说到场的人都会成功，所以我很高兴自己来了。”台下一片笑声。接下来近一个小时的对话里，他用一连串故事和判断讲：一个创始人到底需要什么，应该怎么做？
1. 去Fry's买教科书救公司
1993年，三个年轻人创办了英伟达。他们的核心判断是：通用CPU很好，但如果能给它加上加速器，就能解决原本解决不了的问题。第一个选中的问题是3D图形。那个年代PC刚刚兴起，他们想让每台个人电脑变成一台游戏主机。
为此他们发明了一套新算法，团队兴奋不已，觉得推理缜密、方向正确。然后花了两年时间去实现它。
结果这个算法是完全错的。
用黄仁勋自己的话说，创办公司所依据的技术，根基就是错的。到1995年他们发现这个问题时，市场上已经有三四十家公司在做PC端3D图形。留给英伟达的时间窗口几乎关死了。
更糟的是，团队里没有人知道正确的做法。他把这件事摆到全公司面前：“如果我们不承认这条路走不通，公司就没了。”然后有人告诉他，不仅技术方向错了，正确的技术他们也不会。
黄仁勋回忆当时口袋里大概还有几百美元。他跑到硅谷当年最大的电子零售店Fry's Electronics，花钱买了三本教科书，内容是关于OpenGL和图形管线设计的。买回来直接发给工程师们。
“我们拿着风投的钱去买教科书。你想想这件事。”
他说这个故事的重点不在于教科书本身。重点在于：技术永远在变，只要你能面对现实、愿意学习，具体的技术根本不重要。从那以后，英伟达进入了一个又一个从未涉足的技术领域，每次都是同一个态度：“这件事很重要，我们就去学，能有多难？”
然后他补了一句：“事实上，每次都比我们想象的难得多。但你进去的时候，心态得是‘能有多难’。”
黄仁勋还总结了一个关于“什么造就好公司”的判断：“好公司的根基是对世界的一种独特视角，你深信不疑，而且追求这个愿景很难做到。技术不是最关键的，市场也不是。” 在英伟达的例子里，这个视角就是加速计算会变得重要，而加速计算的核心在于算法，不在于芯片。
2. 飞去日本说“合同干不了，但钱还是要的”
让英伟达发现算法错误的那个项目，是和世嘉的合作。世嘉签了一份价值约1200万美元的合同，请英伟达为Saturn之后的下一代游戏主机（后来成为Dreamcast）开发图形芯片。
但英伟达的技术路线根本走不通。黄仁勋飞到日本，见了时任世嘉CEO入交昭一郎，告诉他这个合同没法履行，技术不行，建议世嘉另找人做。
然后他说了一句话：“但我还是需要这笔钱。”
他在台上模拟了当时的对话场景：“所以你的意思是，我们签了合同让你做的事，你做不了，但你想拿走全部的钱？”黄仁勋说：“没错，正是如此。”
台下笑成一片。黄仁勋补充道：“当然，我当时说话很礼貌，也很谦卑。”
入交昭一郎看到的是一个诚实的创始人和一家他相信的公司。如果不给这笔钱，英伟达就会倒闭。入交做了一个决定：把合同剩余的500万美元转为对英伟达的股权投资。
“你们不是在投资公司，你们是在投资人。” 黄仁勋说，入交昭一郎当时做的就是这件事。
这500万美元让英伟达活了下来，有了足够时间去找到正确的技术方向。此后英伟达开发出RIVA 128，然后是改变行业的GeForce系列。1999年英伟达上市时，估值3亿美元。世嘉在英伟达上市后立刻卖掉了股份，套现1500万美元，是原始投资的3倍。
陈嘉兴提醒台下：“现在这家公司的市值超过了5万亿。”
就在这次对话的一周前，黄仁勋专程去东京秋叶原的世嘉街机厅，当面感谢世嘉三十年前的救命之恩。如果入交昭一郎当年没有那个决定，今天世界上可能不会有英伟达。
3. “我们发现了万能函数逼近器”
2012年，AlexNet论文发布，深度学习在ImageNet竞赛上击败了所有传统方法。整个AI领域为之震动，黄仁勋也看到了这篇论文。但他看到的东西和别人不一样。
他说：别人看到的是AlexNet，我看到的是一种可以学习任意函数的通用方法。
黄仁勋解释了他的思维框架：英伟达的世界观始终是在寻找算法。这个算法可以是分子动力学模拟工具NAMD，可以是材料科学模拟软件VASP，可以是图形渲染标准OpenGL，也可以是数据库查询语言SQL。每一个算法域都是一个可以被加速的问题。
所以当深度学习出现时，他问的问题是：这是什么算法？它为什么有效？如果把它放大规模，还能解决什么今天解决不了的问题？
他得出的结论是，深度学习是一个万能函数逼近器。英文叫universal function approximator。你给它任何函数的输入和输出，它能学会这个函数本身。而且对于大量实际问题来说，你不需要精确解，因为精确解本来就不存在。
“十五年前我就到处跟人说，我们刚刚发现了万能函数逼近器。”
这个判断驱动了他接下来的所有决策。他问了一连串“如果……那么会怎样”的问题：如果我们有了万能函数逼近器，计算栈会发生什么变化？软件会变成什么样？哪些行业会被颠覆？
几乎立刻，英伟达开始投入计算机视觉。几乎同时，他们开始做机器人和自动驾驶。因为从万能函数逼近器出发，你能想象出这些领域的问题是可以被解决的。
黄仁勋把这种思维方式归结为第一性原理推理：观察到一件有影响力的事，然后不断追问“如果这成立，接下来会怎样？如果这能变得更好，那又怎样？”。他用这个方法，在十五年前就想象出了他今天描述的“五层蛋糕”，从处理器到中间件到算法到应用的整个AI工业栈。
4. CEO的冲浪术：为什么要钻到细节里
陈嘉兴问了一个很多管理者都关心的问题：你读论文、直接和首席科学家对话，同时又要管理一个巨型组织。这两件事怎么平衡？下面的人不会觉得你在插手吗？
黄仁勋的回答跳出了“管理技巧”的框架。他说这不是一种管理方法，而是一种性格特质。
“我的起点永远是好奇心。”
他脑子里随时有一堆问题。有时身边的人给出的答案不够让他满意，或者他们忙着做别的事。所以他的第一反应是自己去找答案。第二反应是，如果发现某个领域的信息对公司可能很重要，就尽量多学，然后分享给所有人。
他把CEO比作一个“服务者”的角色：“CEO是在服务公司，服务所有在那里工作的人。你想用洞察帮他们打开思路。”他还对陈嘉兴说，自己经常看他的播客和视频，收获不少。“这跟我做的事是一样的，就是把知识分享出去。”
接着他打了一个比方。
“我觉得当CEO有点像冲浪。我不会冲浪，但我能想象。在我看来浪面就是混乱，但冲浪的人能读懂浪。他们知道怎么保持在浪上。”
他说，要读懂浪，你必须理解第一性原理。技术变化很快的时候，如果你不亲手接触正在发生的事情，要么觉得一切都太快无法理解，要么只能接受别人咀嚼过的二手信息。但如果你长期跟踪第一性原理，新出现的东西就都说得通了。
这段话的核心其实是在回应“founder mode”这个概念：你不需要在成为CEO后换一种人格。你可以继续做你自己。
5. “把F1赛车改成你能开的”
黄仁勋接着给出了一个关于组织设计的判断。
“你在造一辆你自己要开的F1赛车。你应该把车改成适合你开的样子。”
有人曾经问他：你不用传统的管理方法和组织架构，你走了以后怎么办？黄仁勋的回答是：“我会死在工作岗位上。到那时候，他们可以为下一任CEO重新调整公司。”
他解释了为什么这么说：因为世界竞争激烈，你必须赢、必须完成使命。所以不管用什么方法，只要能让创始人更有效地为公司服务，那就是正确的方法。下一任CEO是什么性格，让他们自己去调整。
陈嘉兴总结说：“任何不适合你的改动都会让你慢下来，输掉比赛。”
黄仁勋接过话：“所以我一直在做的事情就是不断调整这辆车。不断重塑业务流程和工作方式，让我能更有效地为公司服务。”
然后他说了一句引起掌声的话：“Founder mode可以持续34年。从零到5万亿。没有反例。”
6. “OpenClaw是AI的Linux时刻”
对话进入技术前沿话题后，黄仁勋谈到了他对开源的态度。
他回忆第一次看到OpenClaw时的反应：“我的第一个念头是，我们刚刚设计出了现代计算机的操作系统。这就是一个承载大语言模型的操作系统。对我来说，这就是Linux时刻。”
OpenClaw在2026年1月25日由奥地利开发者Peter Steinberger发布，在几周内成为GitHub上增长速度极快的开源项目。它本质上是一个把AI大模型从对话工具变成自主agent的执行引擎，能发邮件、管日程、跨设备触发工作流，而且所有数据不需要经过云端。
黄仁勋立刻联系了Peter，告诉他：“英伟达所有的工程师都是你的工程师。你拆解问题，我们来贡献。”同样的态度也给到了Hermes团队。Hermes是Nous Research在2026年2月推出的开源自主agent框架，截至2026年中已超过18万GitHub star，有370多位社区贡献者。
在GTC 2026上，黄仁勋宣布了NemoClaw，在OpenClaw基础上加上企业级安全和隐私控制的版本。他在台上说的那句话广为传播：“Mac和Windows是个人电脑的操作系统，OpenClaw是个人AI的操作系统。”
他在Startup School上把这个信念延伸得更远：“我认为世界需要让每个人都能构建自己的AI。你当然应该用ChatGPT和Claude，每个人都应该用。但如果你是一家公司，需要构建自己的领域专用AI，现在你有了Hermes、有了OpenClaw、有了LangChain、Deep Agent，各种各样的方式。而且说实话，因为AI本身足够聪明，构建AI的过程其实相对容易。”
7. 可控性：agent下一步要解决的问题
黄仁勋在对话中给出了一个关于agent技术未来的关键判断。
他先描述了一个已经在发生的现象：agent正在实现粗粒度的递归自我改进。 每次使用agent，它会改进自己的markdown文件，更新长期记忆，而这些记忆在后台被压缩或转化为知识图谱。agent每用一次就变聪明一点，这个过程是异步的、持续的。
但他认为当前的瓶颈不在智能程度，而在控制精度。
“我认为可控性可能是agent在每一个层级上最需要的突破。”
他描述了一个理想场景：当agent生成了一个方案，你只需要修改方案文件中的一个词，这个词就产生精确的增量差异，不是全盘推倒重来，而是只改变你想改的那一点。可能是一个像素、一个三角形、一个CAD文件中的组件、一层电路、一个连接。改了那个词之后，agent自动重新生成其余所有内容。
“我们不需要agent做到100%准确、100%高质量才能使用它。它可以只做到80%，然后我们帮它完成剩下的。或者它做到99%，我们帮它最后1%。”
这个观点的深层含义是：agent的价值不在于完全替代人，而在于人机协作的颗粒度有多细。 如果控制精度足够高，agent哪怕只有80%的准确率也已经是革命性的工具。
陈嘉兴追问：你觉得人们应该拥有自己的个人AGI吗？不应该把这件事外包给云端、让别人的agent来告诉你该做什么？
黄仁勋没有直接说“是”，但他的回答指向了一个方向。他说英伟达深入agent领域有三层原因：第一，agent是新的软件，理解它的处理方式对计算架构至关重要；第二，英伟达自己也在大规模使用agent来加速公司运转，Claude Code在公司内部的沙盒里自主运行，有人用Codex，有人用Cursor，有人用Cognition，“让一千朵花绽放”；第三，这是在探索未来的技术方案。
他还解释了为什么英伟达必须走在前面：“我们得活在未来五到十年里，因为造一个系统需要大约三年，爬坡需要两年，而你还希望用户能用这台电脑十年。” 所以他们今天就要搞清楚agent系统的工作负载是什么样的，算法会怎么演化，瓶颈在哪里，Amdahl's law的限制在哪里，并发怎么处理，沙盒和MCP怎么设计，工作记忆和长期记忆怎么协调。
他举了一个追问如何催生新产品的例子：几年前他们看到斯坦福早期关于链式思考的研究时，问了一个问题。如果推理能力可以拓展，对计算机视觉意味着什么？如果模型能基于先验知识推理，自动驾驶还需要那么多训练数据吗？
这个追问直接催生了Alpamayo，英伟达在CES 2026上发布的开源自动驾驶AI模型系列。
8. “机器人的ChatGPT时刻已经发生了”
Alpamayo是黄仁勋口中“物理AI”战略的第一个大型落地产品。
他回忆了触发这条技术路线的关键时刻：他看到AI生成视频的那一刻。 英伟达的实验室在市面上出现AI生成视频之前好几年，就已经用神经网络完全生成的画面驱动模拟器了。当时用的技术是渐进式GAN和条件GAN。
“当我看到AI生成手指运动的视频、生成手拿起杯子的视频时，我想，为什么不能让机器人做同样的事？”
这让他意识到，机器人运动控制即将突破。接下来的问题就变成了：机器人怎么理解物理定律？怎么理解因果关系、摩擦力、张力？
英伟达开始研发他所说的“世界基础模型”，一种理解物理定律和世界运作方式的AI。这就是后来的Cosmos项目，以及整个物理AI技术栈。
黄仁勋做了一个判断：“机器人的ChatGPT时刻已经在几年前发生了。”
他解释这个类比：还记得ChatGPT刚出来时吗？它并没有做任何有生产力的事，但它打开了人们对可能性的想象。机器人的情况类似，几年前机器人已经能走路，能通过强化学习微调、在物理环境中落地了。现在要做的是和数字agent同样的事：创建用于学习和评估的环境。
具体来说是三步循环。
第一步，从真实世界到模拟器，也就是业内说的real to sim，用来创建训练环境。第二步，在Isaac Sim和Cosmos这样的模拟器中训练，既有基于物理法则的模拟，也有生成式物理模拟。第三步，从模拟器回到真实世界，通过强化学习和电机系统的适配完成落地。
陈嘉兴问：物理AI最先在哪里产生经济价值？
黄仁勋的回答是自动驾驶。他们判断自动驾驶同时满足三个条件：市场足够大、技术相对标准化可以形成飞轮、有真实的经济回报。
然后他列举了英伟达在这个领域的布局：Waymo的车里用的是英伟达芯片；Tesla从车内芯片转到数据中心都在用英伟达；英伟达把整个自动驾驶技术栈开源了，因为除了乘用车之外，农业、物流、仓库AMR都需要自主导航，每个细分市场都不够大到独立支撑，但合在一起就是一个巨大的生态。据此前报道，梅赛德斯-奔驰CLA也从2026年第一季度开始搭载基于Alpamayo的英伟达DRIVE驾驶栈。
“我们的物理AI业务现在接近100亿美元。这很可能成为世界上最大的产业之一。时间尺度上，比两三年长，比十年短。这会是我们的下一个千亿美元业务。”
关于Alpamayo本身，黄仁勋强调了它和传统自动驾驶系统的根本区别。传统系统依赖海量驾驶数据训练，Alpamayo的核心突破在于引入了链式思考推理。据公开资料，它的核心是一个100亿参数的视觉-语言-动作模型，能像人一样“想”，面对一个从未见过的场景，它能从先验知识出发，分解问题，生成推理轨迹，然后做出决策并解释原因。
“有了先验知识和推理能力，用大约一两百万英里的数据就能训练出一辆非常出色的自动驾驶汽车。这和人类学开车一样，我们不需要那么多里程就能开好车，因为我们有语言模型提供的先验知识，能把一个没见过的情况拆解成已知的部分。”
9. AI消灭任务，不消灭工作
对于一个所有人都关心的问题：AI会抢走工作吗？
黄仁勋承认这个话题的答案是不均匀的。有些纯粹的认知任务确实会被自动化，比如你的工作就是接电话、在数据库里查信息、把答案念给对方听，那这个任务会被替代。
但他随后把话锋转向了他认为更重要的结论：“AI正在消灭任务，但它不一定消灭工作。所有证据都指向这个方向。说AI摧毁就业的叙事是完全反过来的。”
他的逻辑是：一个人的工作岗位背后是一个目的，这个目的包含很多任务。有些任务可以被自动化，但很多不能。自动化掉可自动化的部分后，人能处理更多事务，这打开了原来被压抑的需求。
然后他给出了三个具体的数据点：
第一，编程作为一项任务已经被大幅自动化了，但软件工程师的岗位数量每年还在增长10%。因为编程任务的自动化释放了创意的积压，原本因为编程资源不够而搁置的项目，现在可以动手了。公司变得更有野心，就需要更多工程师。
第二，放射科的读片任务已经被AI全面接管了，但放射科医生的岗位在过去几年增长了约20%。原因是患者的积压需求极高。现在医院可以接诊更多病人，而要接诊更多病人，就需要更多护士、更多放射科医生。
第三，Harvey这样的法律AI本来被预测会消灭大量律师助理的工作。结果律师助理的岗位增长迅猛，因为诉讼积压量很大，律所能处理更多案件了，需要更多人手。
“这是经典中的经典：生产率提高带动增长，增长驱动更多就业。这就是为什么今天的就业总量比我刚毕业时要多得多。”
10. 第一条X帖文的背后
陈嘉兴把话题拉到了一个私人细节上：欢迎黄仁勋来到X。
黄仁勋笑着说：“这说明我有多内向。到2026年才发出第一条帖。我大概是地球上最后一个这么做的人。”
但他随即把话收回来：“我发的内容对我太重要、对行业太重要、对世界太重要了。所以我克服了害羞。”
他发的是一封由英伟达联合Microsoft、Meta、Hugging Face等25家公司签署的公开信，呼吁美国政策制定者不要过度限制开放权重AI模型。信中的核心论点是：美国的AI领导地位不能只靠一两个封闭的前沿模型，还需要一个开放的生态，让企业、大学、创业公司和公共机构都能使用和改造先进的AI系统。
黄仁勋在台上的表态更加鲜明：“没有开源，移动互联网和云计算产业就不会发生。没有Linux、没有Kubernetes、没有TensorFlow，或者更重要的是PyTorch，以及更早的Caffe、Torch、Theano，这些全都是开源的。没有它们，现代AI怎么可能存在？”
陈嘉兴补了一句：所有真正的超额收益都在构建自己的AI里。别人用现成的，你有一个能递归自我改进的系统，这才是差异化。
黄仁勋接上了一句话：“文字就是思想。试试不用文字去思考。”
台下有笑声，但这句话值得多想一步。agent的自我改进靠的是markdown文件，纯文本。那些嘲笑“只是文本”的人，可能低估了文本的力量。
11. 系统思维是新的编程
回到“年轻人应该学什么”这个问题，黄仁勋的回答是：学系统思维。
“这可能是未来最重要的技能。大多数低层级的事情反正都会被agent自动完成。在我这一代，芯片设计中的综合、布局、门级设计已经全部被自动化了。我们大部分的设计师都是系统设计师。软件也是一样，大多数代码编写最终都会由agent完成。所以你必须能在更高的抽象层面上思考系统。”
他描述了系统思维的内容：你要解决什么问题？约束是什么？输入输出在哪里？信息的流入流出速度是多少？瓶颈在处理器、内存还是网络？
“在足够的技术深度上理解系统问题，对在座所有人来说都会非常有用。我不认为这种基础知识会有过时的一天。它只会越来越有用。”
他还做了一个推论：当你能编排数百万个agent自主解决问题时，你的优势就显现了。编排的能力依赖于对系统的理解。编程是agent会做的事，但架构、约束和权衡的判断力是你的事。
12. “编程会被自动化，但物理和化学不会”
有人问他：年轻人现在学什么，将来还有用？
黄仁勋划了一条线：简单的东西会被自动化，困难的东西不会。
他举了自己的例子：“我那个年代还要学长除法。谁还需要学长除法？那个早就被自动化了。”他把编程归入同一类，“你坐在电脑前自己写代码这个概念，显然会被自动化掉。”
但困难的学科不会消失：物理、化学、生物、计算机科学、计算机工程、系统思维，特别是那些交叉领域的困难问题。他还提到，理解技术与社会问题的交叉、理解市场缺口和机会，这些能力也依然重要。
“AI只是一个工具，让我们能更有野心、更没耐心地去解决那些极其庞大和极其困难的问题。”
他又回到了芯片设计做对比。他刚毕业时，一个芯片设计师设计的芯片可能有一千个晶体管，那就算很大了。现在？“如果有人告诉我下一颗芯片有一万亿个晶体管，我会说‘好的’。这不算什么事。因为我们现在的野心太大了，问题的规模不再是限制。你不需要担心需要写多少代码、需要多少工程师。你只需要想，你要解决什么问题。”
最后他加了两个字：“Stay in school。”台下掌声响了起来。
13. “How hard can it be?”
对话接近尾声，陈嘉兴问了一个问题：如果你能给18到22岁的自己发一条消息，你会说什么？
黄仁勋回答得很快。他先描述了创业初期的真实感受。
“我清楚地记得英伟达刚成立时我的感觉。我觉得有太多东西要知道、太多东西要学，而我什么都不知道。”
那时候没有YouTube，没有YC，没有人教你怎么创业。他去书店买了一本书，书名就叫《How to Start a Company》。不幸的是那本书有500页。“我想等我读完它，公司也倒了，我和Lori也没钱了。”
他记忆尤其深刻的是去见投资人之前的恐惧，害怕自己回答不了他们的问题。“而且确实如此，我到今天也不见得能回答好他们的问题。”
“但我后来学到的是，那些东西都不重要。 你永远都会有不知道的事。每一天世界都在变、技术都在变。”
然后他说了一段话：“这是过去60年来创业最好的时代。整个行业已经重置了。人类历史上最重要的技术，计算机，被彻底重置了。这绝对是创业最好的时机，我嫉妒你们所有人。”
但技术变化太快，怎么办？他给出的心理框架是三个层次：
第一，心态要对。 不管面对什么新东西，告诉自己“这很重要，我得去学，能有多难？”
第二，承认它会很难。 “事实上永远比你想的难得多。但你不要让脑子停留在‘这会有多难’上面，因为那只会变成焦虑，让你什么都不做。”
第三，只过好今天。 “你不需要一天之内克服人生所有的困难。你只需要撑过今天早上。今天早上撑过了，就往明天努力。追着你的梦走。如果你坚持得够久，英伟达就会发生。”
“学习是最强的超能力。如果你相信自己的学习能力，走进去的时候告诉自己‘能有多难’，然后接受它确实很难，每天靠韧性去克服它，那大概就是创业者需要的一切了。”
核心问答
Q1: 英伟达创业时选错了技术路线，为什么还能活下来？
因为黄仁勋在发现技术方向错误后，做了两件关键的事。第一是面对现实，把问题摆到全公司面前，承认路走不通。第二是去学正确的做法，去Fry's买了三本教科书，让工程师从头学OpenGL和图形管线设计。同时，世嘉CEO入交昭一郎的500万美元投资给了英伟达活命的时间。黄仁勋从这段经历中提炼出的核心信念是：技术永远在变，只要你能面对现实并且愿意学习，具体的技术不重要。
Q2: 黄仁勋为什么认为AI消灭的是任务而不是工作？
他的逻辑是：一个工作岗位服务于一个目的，这个目的包含很多任务。AI自动化了其中一部分任务，但剩下的任务仍然需要人来做。更关键的是，任务自动化释放了此前被压抑的需求积压。他举了三个实际案例：编程任务被自动化后软件工程师岗位年增10%，读片被AI接管后放射科医生岗位增长约20%，法律AI出现后律师助理的需求反而飙升。核心机制是：生产率提升带动增长，增长驱动更多就业。
Q3: 在AI时代，年轻人最应该培养什么能力？
系统思维。黄仁勋认为大多数低层级的执行工作，包括编程，最终都会被agent自动完成，但理解系统级问题的能力永远不会过时。约束在哪里、瓶颈是什么、信息如何流动、怎么编排百万个agent自主工作，这些是人的判断力。同时，物理、化学、生物等困难科学和交叉学科的深层问题也不会消失。AI只是让人类有能力去处理更大规模、更高难度的问题。
发表于 1 小时前
|
查看: 3|
回复: 0
