英伟达CEO黄仁勋与乔・罗根播客对谈，重提2012年送芯片给特斯拉（美股代码：TSLA）首席执行官马斯克的往事，以及自己童年流落美国、英伟达险些破产的经历。黄仁勋完整讲述内容如下：

2012年，多伦多大学杰弗里・辛顿的实验室里，他的两名学生伊利亚・萨茨凯弗和亚历克斯・克里热夫斯基做出了一个名为 AlexNet 的模型。这个模型在图像识别领域的表现，超越了人类过去30年编写的所有计算机视觉算法。计算机视觉是通往真正人工智能的基石 —— 如果连 “看” 都做不到，就更谈不上 “懂” 了。“他们是怎么做到的？就是买了两张英伟达显卡回家训练。” 这两张显卡就是 GTX 580，采用了 SLI 双卡互联技术。

为什么我们的显卡能做到这一点？因为我们从1984年起，就一直在研究一种 “全新的计算方式”—— 并行计算。

传统的 CPU 是按部就班地顺序执行指令：第一步、第二步、第三步…… 而我们的做法是把一个问题拆解成几千个小任务，分配给几千个计算核心同时处理。这套方法的使用门槛很高，但只要你能把问题转化为我们发明的 CUDA 格式，你的设备就能瞬间变成一台超级计算机。

计算机图形学本身就是 “易并行计算” 的绝佳案例 —— 屏幕上的每个像素原本就互不相关，我们可以同时计算400万个像素！于是我们把这套超级计算机技术集成到显卡里，让游戏玩家能用来玩游戏。

总而言之，伊利亚和亚历克斯正是用我们这种 “玩家级超级计算机”，做出了震惊世界的 AlexNet。我看到这个成果后就意识到：这绝不仅仅是计算机视觉技术，这东西根本就是一个 “通用函数逼近器”！

什么是通用函数逼近器？上学的时候，老师会给你一个黑盒子，里面藏着一个函数 f（x），你输入 x，它就会输出对应的结果。传统编程需要你自己推导并写出这个函数公式，比如牛顿第二定律 F = ma，把公式写进程序里就能解决问题。但深度学习完全不同 —— 你根本不用自己写公式！你只需要给它大量 “输入→输出” 的样本，它就能自己 “学” 出对应的函数公式。今天能学牛顿定律，明天能学麦克斯韦方程组，后天能学薛定谔方程…… 只要你能提供足够的输入和输出样本，它几乎什么都能学会。

当时我们静下心来思考：“等等，这东西的用途绝不止于图像识别吧？它可以解决‘世界上所有有输入、有输出的问题’！而整个宇宙的运行规律，不就是由无数输入和输出的关系构成的吗？” 在那一刻，我们就知道：这就是人工智能真正迎来爆发的起点。

其实当时有几个关键问题必须解决。比如，我们必须证明这项技术真的能 “规模化” 应用到巨型系统中。当时那篇 AlexNet 的论文，只用了两张 GTX 580显卡做 SLI 互联，对吧？而这套配置，正是你当年玩《雷神之锤》时用的装备。

所以说，GTX 580 SLI 这套游戏配置，就是把深度学习推上历史舞台的 “革命性计算机”。那是2012年，可当时人们还只是拿它来玩《雷神之锤》。

那就是现代人工智能的大爆炸时刻。我们很幸运，因为我们当时正在研发这项技术、这种全新的计算方式。更幸运的是，率先发现这项技术巨大潜力的，居然是一群游戏玩家。而我们也恰好抓住了那个关键的瞬间。这有点像《星际迷航》里的 “第一次接触”—— 瓦肯人必须恰好观测到地球人启动曲速引擎的那一刻。如果他们没有亲眼看到那一闪而过的光芒，就永远不会降临地球，后续的一切也就不会发生。如果当年我没有注意到那个瞬间，如果那道象征着突破的 “光芒” 稍纵即逝，如果我们公司没能抓住这个机遇，那后来会发生什么，谁也无法预料。

我们亲眼见证了那个历史性的时刻，然后通过分析推理得出结论：这是一个 “通用函数逼近器”，绝不仅仅能用来做计算机视觉。只要解决两个问题，我们就能用它来做任何事情。

第一个问题：我们必须证明这项技术确实具备规模化扩展的能力。第二个问题：世界上永远不会有足够多的 “输入 - 输出” 样本，让我们通过监督学习的方式教会人工智能所有知识。就像你不可能全程监督孩子学会每一件事一样，数据量会成为制约发展的瓶颈。

我们需要一种 “无监督学习” 的方式，让计算机能够自主学习。这个目标在当时还需要好几年才能实现，但如今无监督学习已经成为现实，人工智能已经可以自主学习了。

为什么人工智能能实现自主学习？因为我们拥有海量的 “正确答案样本”。最典型的应用就是 “预测下一个词”。我们收集人类所有的文字数据，把一句话的最后一个词遮住，或者随机遮住中间的某个词，让模型不断猜测，直到猜对为止。比如 “玛丽去了 bank”，这里的 bank 指的是河岸还是银行？单看这句话无法判断，但如果后面加上 “钓了一条鱼”，就能确定指的是河岸了。我们把几十亿个这样的句子输入给模型，让它自己从中找出语言规律。这就是无监督学习的由来。

当 “可规模化” 和 “无监督学习” 这两个关键概念同时落地时，我们就下定决心：要把所有资源都投入到这项技术中。它将帮助人类解决一大堆此前从未攻克过的难题。那一年，是2012年。

到了2016年，我造出了全球第一台真正为深度学习量身打造的超级计算机 ——DGX-1。

黄仁勋当年送给马斯克的那台设备叫 DGX Spark，其实是后来推出的迷你版本。第一代 DGX-1的售价高达30万美元，光是研发成本就耗费了英伟达几十亿美元。

它不再是简单的双卡 SLI 互联，而是通过 NVLink 技术，将8张当时性能最强的 GPU 连接在一起，本质上就是 “超级增强版的 SLI 互联技术”。

我在 GTC 大会上第一次公开展示 DGX-1时，全场鸦雀无声，没有人能听懂我在讲什么。

当时我和马斯克已经认识很久了，我们曾帮他研发过 Model S、Model 3的车载电脑，还打造了第一代全自动驾驶（FSD）电脑。

DGX-1发布后，全球范围内没有收到一张订单，没有一个人愿意买 —— 除了马斯克。

我们围坐在壁炉旁聊天时，他突然说：“我有一个非营利组织，可能真的非常需要这样一台超级计算机。” 听到这话，我当时心都凉了…… 耗费几十亿美元研发的产品，每台售价30万美元，结果第一个客户居然是一家非营利组织？

NVDA｜黄仁勋的传奇一生：9岁流落美国 两次濒临破产、靠200美元买书给员工救活公司 砸几十亿美元研发却无人问津、只有马斯克下单

我亲手组装了第一台 DGX-1，打包好后开车送到旧金山，送到 OpenAI 当时那个狭小的办公室。那是在二楼，一间比你现在所处的房间还要小的屋子，彼得・蒂尔、伊利亚・萨茨凯弗等一群人都在那里。

那就是 OpenAI 的起点，那一年是2016年。

DGX-1的算力是1 petaflops（千万亿次浮点运算 / 秒），9年后推出的 DGX Spark 算力同样是1 petaflops，但体积只有一本书那么大，售价仅为4000美元。这就是科技进步的速度。

1993年英伟达创立时，我们的目标就是研发一种全新的计算架构，用来解决普通计算机无法攻克的难题。但问题来了：我们的 “杀手级应用” 在哪里？当时所有已有的应用程序，普通 CPU 都能处理，否则这些应用根本不会被开发出来。我们写下的使命宣言，在当时看来几乎 “不可能实现”，但1993年的我对此一无所知，只觉得这个目标听起来很酷。

那时候《毁灭战士》《雷神之锤》都还没问世，约翰・卡马克也还没发明第一人称射击游戏。我专程跑到日本去找世嘉公司，因为当时只有街机厅才有真正的3D 游戏 —— 比如《VR 战士》《梦游美国》。这些街机使用的3D 芯片，居然是从军用飞行模拟器上拆下来的，价格极其昂贵。我当时就想：我们能不能把这种级别的3D 画面，集成到家用电脑里？

于是我们和世嘉公司签下了人生中的第一份大合同：“你们负责把街机游戏移植到电脑平台，我们来帮你们研发下一代主机的芯片。” 这笔钱，救了英伟达的命。

结果研发了两年后我们才发现，我们选定的三项核心技术路线全部走错了：

别人用三角形构建3D 图形，我们却用二次曲面；别人用 Z 缓冲技术自动排序图形层级，我们却让程序手动排序；别人用逆向纹理映射技术，我们却用正向纹理映射…… 三个最关键的技术决策，全部出错。1995年年中，我们成了 “起跑最快，却满盘皆输” 的那个失败者。

当时硅谷大概有50家3D 显卡初创公司，所有人都选对了技术路线，只有我们一败涂地。公司濒临破产，还欠着世嘉公司一款主机芯片的研发任务。我飞到日本去见世嘉社长入交昭一郎，当时33岁的我，满脸青春痘，瘦得像根竹竿，面对着这位头发花白的长辈说：“我要告诉你一个坏消息：我们承诺给你的技术，根本做不出来，我们的路线完全错了，继续研发只会浪费你的钱。我建议你找其他公司合作…… 但我还是需要你最后再投500万美元，不然我们公司明天就会破产。就算你投了这500万美元，也极有可能血本无归。”

他考虑了两天，然后回复我说：“我投。” 理由很简单，“就因为喜欢你这个年轻人”。

如果他当年把那500万美元用来购买英伟达的股票，到今天大概能值1万亿美元吧？可惜英伟达上市后，他们就把股票全部抛售了，当时公司的市值只有3亿美元。

拿到500万美元的救命钱后，我们依然不知道该如何把技术做对。我们裁掉了主机芯片研发团队的所有成员，公司最后只剩下几十个人。我拿着兜里仅剩的200美元，去书店买了3本硅谷图形公司（SGI）的3D 图形技术 “圣经”，分给三位架构师：“去把这些书读懂，然后我们再来拯救公司。” 结果他们读完书后，把 SGI 的通用技术方案全部拆解，只保留了 “游戏领域最需要的那一小部分”，并直接把这些功能硬编码到芯片里。就这样，一张售价几百美元的显卡，图形处理速度居然追平了价值百万美元的 SGI 工作站。这就是现代 GPU 的起源。

我们还做了一个关键决策：不追求 “满足所有3D 应用需求”，只专注于一件事 —— 游戏。我们砍掉了所有针对 CAD 设计、飞行模拟器的复杂功能，把所有资金都投入到 “玩家最关心的图形画质” 上。这就是 GeForce 显卡的诞生历程。

后来我们要研发 RIVA 128这款救命芯片，但公司的资金已经快耗尽了。我听说有家公司研发了一款 “硬件模拟器”，可以先在模拟器上完整运行驱动程序，确认没有漏洞后再送去芯片厂流片。我们拿出了公司剩余资金的一半 ——50万美元，去购买这款模拟器 —— 结果对方说：“我们公司已经破产了，仓库里刚好还剩最后一台。” 买下这台模拟器后，我们的芯片实现了 “一次流片成功”。这套 “先在模拟器上验证” 的流程，后来成了全世界芯片公司的标准操作流程。

芯片流片那天，我打电话给台积电创始人张忠谋：“我要直接量产这款芯片，我确定它一定会成功。” 张忠谋选择相信并支持我。RIVA 128显卡横空出世，英伟达也成为了史上从创立到营收突破10亿美元速度最快的公司。

那段时间，我总觉得整个世界都在飞速旋转，完全失控。就算躺在床上，也依然感觉天旋地转，内心充满了极度的焦虑。这种感觉，这辈子大概也就经历过那么几次。

而现在，33年过去了，我每天早上醒来都是这种感觉。那种脆弱感、不确定感、不安全感 —— 从来没有离开过我。我对失败的恐惧，远远超过了对成功的渴望。

因为我并不贪婪，我只想让公司活下去。我也算不上野心勃勃，我只是想让公司生存下来、让我们的团队做出有影响力的事业。

我每天醒来的第一件事，就是凌晨4点起床，查看几千封邮件，日复一日，从未间断，包括感恩节、圣诞节在内的所有节假日。我对 “度假” 的定义是 “和家人待在一起”，但就算度假，我也依然会工作。我的孩子们也都在英伟达工作，同样每天辛勤忙碌。我们一家人，似乎都带着 “吃苦耐劳的基因”。

我9岁、哥哥11岁那年，父母把我们从泰国送到了美国（当时泰国发生政变，街上随处可见坦克）。我们寄住在素未谋面的叔叔家里，后来叔叔帮我们找到了肯塔基州最贫困的一个县 —— 那里有一所名为奥尼达浸礼会学院的寄宿学校。这所学校专门招收 “问题少年” 和国际学生，学校里100% 的学生都抽烟、带刀，我的室友17岁，身上满是刚缝好的刀伤。我9岁时的杂务，就是打扫100间男生宿舍的厕所。那个地方，如今是美国阿片类药物危机的重灾区，在当时是全美最贫困的县，直到今天依然如此。

我们和父母联系的方式，是用一台卡带录音机。每个月我们都会录下 “这个月我们做了什么”，然后寄回泰国，父母再录下他们的话寄回来。就这样，我们有整整两年没有听过父母的声音。我还曾在录音带里兴奋地说：“爸爸妈妈！我们今天去了一家超厉害的餐厅，整间店亮晶晶的，就像未来世界一样，食物都装在盒子里，汉堡超级好吃！”—— 那家餐厅，其实就是麦当劳。

这就是我的美国梦。我是第一代实现美国梦的移民。很难让人不热爱这个国家。

“我当年执意研发 CUDA 技术，导致公司股价暴跌，市值一度只剩20到30亿美元 —— 因为加入 CUDA 功能后，显卡成本翻倍，却没人愿意买。但如果我们明明相信这就是未来的方向，却选择什么都不做，那我们会后悔一辈子。” 结果，CUDA 技术彻底改变了世界。

很多人以为成功的人每天都过得很快乐，其实并非如此。成功的路上，充满了孤独、痛苦、羞辱、质疑和嘲笑。但 “吃苦是这段旅程的必经之路”。如今我所拥有的一切感恩、自豪和珍贵回忆，都是从那些痛苦的经历中孕育出来的。