采访 Jensen Huang

听 Acquired 主持人 Ben Gilbert 和 David Rosenthal 讲述他们投入 500 多个小时研究 Nvidia 的经历，之后，当他们与 CEO 黄仁勋（Jensen Huang）坐下来交谈时，却发现对 Nvidia 的理解又进入了一个全新的维度，这本身就是黄仁仁勋个人魅力的最佳佐证。这次对话既是公司建设的“大师课”，也是对计算未来的一次深刻剖析，黄仁勋层层揭示了 Nvidia 的发展历程，展现了其大胆押注、远见卓识的经营哲学，以及与其芯片一样富有创新性的组织架构。

完美芯片的胆识：孤注一掷，押注“完美芯片”

Nvidia 的发展历程，与许多行业巨头一样，始于一次命悬一线的经历。想象一下，1997 年的一家初创公司，现金储备仅够维持六个月，却要面对 30 家竞争对手。他们之前在架构上的押注已被证明是错误的，而微软的 DirectX 与他们现有的设计也存在根本性不兼容。这就是 Reva 128 的关键时刻，这款芯片旨在成为世界上第一个完全支持 3D 加速的图形管线。面对生存危机，黄仁勋做出了一个匪夷所思的决定：放弃物理原型设计，完全基于模拟来委托整个生产批次。

团队对芯片进行了虚拟原型设计，在一个模拟器上运行每段软件和每个游戏，而渲染一帧画面需要 一个小时。这个艰苦卓绝的过程带来了一种近乎偏执的信念。黄仁勋回忆说，当被问及如何知道芯片会完美无缺时，他只是简单地回答：“我知道它会是完美的，因为如果不是，我们就会倒闭。”这种高风险的方法，是在对未来风险进行详尽模拟的基础上做出的，它使他们能够成功完成芯片设计定案，并立即启动营销和生产攻势。这场豪赌取得了成功，并非源于运气，而是因为未来被提前进行了严谨的模拟。

关键学习点：

• 模拟未来： 在做出承诺 之前，主动识别并解决所有潜在的未来风险和未知因素。
• 一击必中，力求完美： 在风险最高时，精心准备以实现“完美结果”能够降低实际押注的风险。
• 发烧友市场： 识别那些技术“永无止境”的细分市场，以确保持续创新的可持续机会。

预见未来：从图形处理器到通用函数逼近器

时间快进到 2010 年代初，Nvidia 作为消费级图形领域的领导者，随着深度学习的兴起，再次来到了一个关键时刻。当主流科技界许多人将 AlexNet 等突破视为“科学项目”时，黄仁勋却看到了一个颠覆性的转变。Nvidia 当时已在 CUDA 上投入巨资，该平台致力于让各科学领域的研究人员更容易使用超级计算。这种与学术界的现有关系，成为了一个至关重要的反馈闭环。

黄仁勋和他的团队高瞻远瞩地问道：“这个东西的成功之处在哪里？”以及“它是否可扩展？”他们的推断导出了一个深刻的认识：深度学习偶然发现了一个“通用函数逼近器”。这意味着许多现实世界的问题，从预测消费者偏好到天气模式，都不需要理解因果关系，而只需要可预测性。如果一个系统能够从例子中学习并进行预测，其应用前景将“相当巨大”。这种信念，源于与 Ilya Sutskever 和 Andrew Ng 等研究人员的深入接触，从而推动了 Nvidia 对 AI 的坚定不移的投资，这比 AI 主流爆发早了数年。

关键转变：

• 从因果关系到可预测性的范式转变： 认识到许多问题通过模式识别而非理解根本原因能获得更好的解决。
• 普及超级计算： 构建 CUDA 平台培养了一个社区，该社区自然而然地倾向于深度学习等新的计算范式。
• 与早期采用者合作： 与先驱研究人员携手合作，为长期投资提供了关键见解和验证。

无形的基础设施：构建未来的数据中心

Nvidia 推动当今 AI 爆发的历程，并非从游戏 GPU 直接跃升到大型数据中心。这是一个战略性的、历时数十年的转折，始于大约 17 年前的一个简单问题：什么限制了我们的机会？答案是：GPU 被物理地束缚在台式电脑上。黄仁勋设想了一个计算与显示设备分离的未来。这促成了他们的第一个云产品 GeForce Now (GFN)，随后是企业远程图形解决方案。

这种逐步、深思熟虑地向数据中心的扩展，学习分布式计算的细微之处并克服延迟挑战，为 AI 奠定了基础。“你想要为未来的机会铺平道路；你不能等到机会就摆在你面前才去抓住它。”这一原则最终促成了对高性能网络公司 Mellanox 的大胆收购，这在当时“让所有人大跌眼镜”。黄仁勋认识到，AI 的数据中心与超大规模云（hyperscale cloud）从根本上不同，需要“超大规模的逆向”网络，才能将模型分片到数百万个处理器上。Mellanox 提供了至关重要的 InfiniBand 技术，使得这次收购成为了“我做过的最好的战略决策之一”。

关键实践：

• 预判长期制约： 识别并系统地消除可能限制未来增长和市场机会的瓶颈。
• 战略性预设： 投资于基础技术和能力，即使其确切形式尚不明确，也能“使公司接近机会”。
• 逆向思维： 认识到当一个新市场（如 AI 数据中心）需要与现有模式（如超大规模云）完全不同的架构方法时。

架构即战略：“使命至上”的组织结构

黄仁勋独特的领导风格也体现在 Nvidia 的组织结构上。他管理着 40 多位直接下属，摒弃了那种类似“军队”的传统层级模式。相反，他将 Nvidia 视为一个“计算堆栈”，其中个人管理着不同的“模块”或功能。头衔次于专业技能，而“最擅长运营该模块”的人就是“总指挥”。

这种更扁平、更分散的信息架构，秉持着“使命至上”的原则，意味着关键信息能够“相当迅速地传达给许多不同的人”，通常是在团队层面，甚至是刚毕业的大学生。这确保了所有人都能同时学习，并根据个人推理和贡献能力而非特权信息获取来赋能。这种有机的、类似神经网络的方法，团队围绕使命自动连接，从而实现了极高的敏捷性和快速执行力，例如一年内发布两个主要产品周期——这对于其他大型科技公司来说几乎是不可想象的壮举。

关键洞察：

• 公司即计算堆栈： 设计组织架构以反映所构建的产品，而非通用的层级模型。
• 使命作为指导原则： 赋能跨职能团队围绕特定使命进行协作，促进跨部门的非僵化合作。
• 信息民主化： 广泛而迅速地传播关键信息，以减少权力不平衡，并实现更快、更集体的决策。

“你想要让自己靠近机会，你不必那么完美，你知道你想要把自己放在树边，即使你没能在苹果落地前接住它，只要你是第一个把它捡起来的人，你就想要现在让自己靠近这些机会。” - 黄仁勋