黃仁勳反駁 AI 泡沫論：「悲觀者在派對上聽起來很聰明，樂觀者才是推動人類前進的人」
本文整理自 No Priors Podcast 2026 年 1 月播出的單集，主持人為創投 Conviction 創辦人 Sarah Guo 與知名天使投資人 Elad Gil。
收聽連結：
關於主持人與節目
在進入正題之前，有必要先介紹這個節目的主持人。Sarah Guo 是創投公司 Conviction 的創辦人，專注於 AI 原生新創的早期投資。她曾在老牌創投 Greylock Partners 擔任合夥人，20 多歲就成為該公司史上最年輕的普通合夥人之一，投資眼光之精準在業界有目共睹——她的投資組合包括設計協作工具霸主 Figma、估值 30 億美元的法律 AI 新創 Harvey、歐洲最重要的開源 AI 公司 Mistral AI，以及開發出「AI 軟體工程師 Devin」的 Cognition AI。2025 年她入選 Midas Seed 榜單，名列頂尖投資人之列。
No Priors 是 Sarah Guo 與知名天使投資人 Elad Gil 共同主持的 Podcast，專門邀請全球頂尖的 AI 工程師、研究者與創辦人，討論 AGI 還有多遠、哪些市場將被顛覆、商業與社會將如何改變等核心議題。過去的來賓包括 DeepMind 創辦人 Mustafa Suleyman、Hugging Face 執行長 Clem Delangue、Databricks 創辦人 Matei Zaharia 等重量級人物。這次請到 NVIDIA 執行長黃仁勳，可以說是年度最重磅的一集。
2025 年回顧：幻覺問題的突破與 Token 經濟的成熟
黃仁勳開場時被問到 2025 年有什麼讓他驚訝或印象深刻的發展。他說，有些事情在他預期之內——比如 Scaling Laws 持續有效，這點他早就知道——但真正讓他感到驕傲的，是整個產業在「幻覺」（Hallucination）問題上取得的突破。「我認為整個產業解決了 AI 最大的質疑——幻覺與產生胡言亂語。今年，從語言、視覺、機器人到自動駕駛，推理與接地（Grounding）能力都有巨大飛躍。」他特別提到，現在的模型會連接搜尋引擎，前面有路由器根據答案的信心程度決定是否需要進一步查證，整體答案的品質與準確度大幅提升。
另一個讓他欣慰的趨勢是，推理 Token 的生成不僅以指數級成長，而且已經開始賺錢了。他舉例說，醫療 AI 搜尋引擎 Open Evidence 有 90% 的毛利率，程式碼助手 Cursor 和 Anthropic 的 Claude 利潤也很可觀。「這些都是非常賺錢的 Token，代表它們正在創造人們願意付錢購買的價值。」這個觀察很重要，因為它直接回應了外界對 AI 商業模式的質疑——Token 不只是技術指標，它正在變成實實在在的營收。
任務 vs 目的：為什麼 AI 不會消滅工作
面對「AI 將取代人類工作」的悲觀敘事，黃仁勳提出一個極具說服力的框架：區分工作的「任務」（Task）與「目的」（Purpose）。他用放射科醫師為例來說明這個概念。「Jeff Hinton 七年前說，五年內 AI 會完全革新放射學，放射科醫師將不再被需要。他說對了——100% 的放射學應用現在都是 AI 驅動。但有趣的是，放射科醫師的人數反而增加了。」
為什麼會這樣？黃仁勳解釋，放射科醫師的「任務」是看片子，但他們的「目的」是診斷疾病、進行研究。當 AI 接管了看片子這個任務，醫師反而能更深入地分析每張影像、處理更多病患。醫院的生產力提升了，能服務更多人，賺更多錢，於是需要雇用更多放射科醫師。Sarah Guo 補充說，她的嫂嫂正好在史丹佛領導核子醫學部門，這些醫師非常歡迎技術進步，因為他們每天工作 20 小時還是忙不過來，有太多病患需要照顧、太多研究想做。
這個框架可以套用到各行各業。律師的任務是讀寫合約，但目的是解決衝突、保護客戶——這遠不只是文書工作。軟體工程師的任務是寫程式，但目的是解決已知問題、發現新問題。服務生的任務是點餐送餐，但目的是讓顧客有美好的用餐體驗。黃仁勳說得很直白：「如果你的目的就是寫程式——別人告訴你做什麼你就寫——那你可能會被 AI 取代。但我們 NVIDIA 的工程師，他們的目標是解決問題。如果沒有人需要寫程式，他們可以花更多時間去探索未知的問題，這對公司更好。」
AI 工廠：一個被忽視的就業創造引擎
談到 AI 對就業的影響，黃仁勳指出一個常被忽略的面向：AI 本身就是一個巨大的就業創造引擎。他先解釋 AI 與傳統軟體的根本差異——Excel 是幾百位工程師寫好、編譯好，然後原封不動發布好幾年；但 AI 不同，它每次使用都在即時生成全新的內容。「就像我們現在的對話，每個字都是第一次產生。這意味著 AI 需要持續運作的電腦來生成這些 Token，我稱之為 AI 工廠。」
這個需求催生了三種新型工廠的大規模興建：第一是晶片廠，TSMC、SK Hynix 都在擴建產能；第二是超級電腦廠，Grace Blackwell 這種前所未見的新架構需要全新的製造設施；第三是 AI 工廠本身，也就是 Token 生產設施。這三種工廠正在全美各地大規模興建，創造了大量建築工人、水電工、電工、技師、網路工程師的工作機會。黃仁勳笑說：「我很高興聽到電工的薪水翻倍，他們現在也像我們一樣出差了。」
他也提到另一個常被忽視的就業機會：機器人維修。「看看現在路上跑的 Robotaxi，花了十年才走到這一步，但你看它們需要多少維護人員、多少維修站點。想像一下未來有十億台機器人，那將是地球上最大的維修產業。」這個觀點很有意思——我們總是關注 AI 會取代什麼工作，卻忘了它同時在創造什麼工作。
開源 AI：被低估的創新命脈
當主持人問到中國在開源 AI 領域的崛起——像是 DeepSeek、Qwen 等模型在基準測試上表現亮眼——黃仁勳給出了一個可能讓某些人意外的答案：「DeepSeek 大概是過去幾年矽谷研究者讀過最重要的論文。」Sarah Guo 補充說，那是「好幾年來唯一一篇感覺是前沿等級又開源的研究」。黃仁勳直言，這篇論文「可能是去年對美國 AI 最大的貢獻」，因為全美的 AI 實驗室和基礎設施公司都從中受益。
他接著解釋開源 AI 為什麼如此重要。沒有開源 AI，新創公司會窒息，因為它們沒有資源從零訓練模型；製造業、運輸業、醫療業的企業無法進行 AI 應用，因為它們需要預訓練模型作為基礎，再根據自己的領域微調；高等教育和研究會癱瘓；許多百年老企業無法推進數位轉型。黃仁勳說他花很多時間跟政策制定者溝通這一點：「無論你們決定什麼政策，請不要傷害開源創新的飛輪。無論你們決定什麼，不要忘記開源，不要忘記生物科技。」
他也反駁了「單一巨型 AI」（他戲稱為 GodAI）的敘事——那種認為某天會出現一個無所不能的 AI，所以我們必須不惜一切代價確保它掌握在「正確的人」手中的想法。「GodAI——能完美理解人類語言、基因組語言、分子語言、蛋白質語言、物理語言的超級 AI——根本不存在。而且不會在下週出現，也不會在明年出現。但全世界需要在下週、明年繼續前進。」他認為這種極端敘事不僅不切實際，而且有害，因為它會導致扼殺新創公司的監管政策。
AI 泡沫論的系統性反駁
當 Sarah Guo 問到「我們是否處於 AI 泡沫」，黃仁勳的回答展現了他一貫的系統性思維。他先建立一個分析框架：要理解 AI，必須把它看成一個五層蛋糕——最底層是能源，往上依序是晶片、基礎設施（包含硬體和軟體）、AI 模型，最上層是應用。而且 AI 模型本身也非常多元，不只是聊天機器人，還包括理解生物資訊、化學資訊、物理資訊的各種模型。
有了這個框架，他開始拆解「AI 泡沫」的論述。「每次有人問 AI 泡沫，大家都直接跳到 OpenAI 的營收。但首先，如果 OpenAI 有兩倍的產能，他們的營收就會翻倍——他們需要的是產能，就像 NVIDIA 需要台積電的晶圓產能一樣。」更重要的是，AI 遠不只是聊天機器人。NVIDIA 的自動駕駛業務已經接近 100 億美元，但很少有人談論這個。數位生物學正在經歷突破，蛋白質理解和生成的能力大幅提升。金融服務業的量化交易正在從「雇用大量人類 Quants」轉向「建造大量超級電腦」。機器人產業即將迎來爆發。
他用一個簡單的數學來說明需求規模。全球 GDP 約 100 兆美元，其中大約 2% 是研發支出。五年前，如果你去看全球最大藥廠，它們的研發預算都花在濕實驗室。今天呢？它們在蓋超級電腦。「這 2 兆美元的研發支出，正在從舊方法轉向 AI 方法。這需要多少基礎設施？」他也反駁了那些引用 MIT 研究說「大多數企業 AI 部署沒有用」的論點：「如果你想知道創新在哪裡發生，我不會去問企業。企業是新技術最慢的採用者。我會去問那三、四萬家新創公司，去問 Open Evidence、去問 Cursor，看看實際效果如何。」
推理系統：讓機器突破「只會照本宣科」的限制
談到 2026 年最讓他興奮的技術突破，黃仁勳特別強調推理系統（Reasoning Systems）在實體 AI 上的應用。「因為推理能力的進步，汽車將能表現得更好。當它們遇到從未見過的情境，可以把這個陌生情況拆解成它們見過的情境組合，然後建構出導航策略。超出訓練範圍（out of distribution）的問題，將被推理系統大幅改善。」這意味著自駕車和機器人將不再只能處理訓練資料涵蓋的情況，而是能夠「思考」如何應對新挑戰。
他認為人形機器人不會經歷自駕車那樣 10-15 年的漫長開發期。回顧自駕車的發展，他歸納出四個時代：第一代是智慧感測器接上汽車，靠大量人工設計的演算法和極度精細的地圖，本質上是讓車在「數位軌道」上行駛；第二代引入了感知、世界模型、規劃等模組，深度學習首先影響感知，再逐漸滲透到其他環節；第三代是端到端模型；第四代是下一代的端到端模型。「如果我們三年前才開始做自駕車，用現在的技術，大概也能達到現在的水準。」換句話說，之前那十幾年有很多是在等待技術成熟。機器人可以直接站在這些基礎上起步。
不過他也務實地指出機器人商業化的挑戰。消費者 AI 做到 90% 準確率就讓人驚艷，80% 也還可以接受。但工業和實體 AI 完全不同——90% 的成功率意味著 10% 的失敗率，對使用者來說那就是 100% 的不滿意。核心技術也許能做到 99%，但要推到 99.9999%，需要像 Caterpillar 這樣的垂直解決方案供應商針對特定場景做深度優化。這也是為什麼他認為未來五年最令人興奮的會是垂直化應用——Open Evidence 做醫療、Harvey 做法律、Cursor 做程式碼，每一個都在特定領域做到極致。
能源、美中關係，以及樂觀者的責任
訪談的最後部分觸及了能源政策和美中關係這兩個敏感話題。在能源方面，黃仁勳毫不諱言：「沒有能源就沒有工業成長，沒有工業成長國家就無法更繁榮。」他認為需要所有形式的能源——天然氣、核能、風能、太陽能——但在短期內，天然氣可能是唯一務實的選項。不過他也指出一個有趣的反轉：AI 產業反而成為永續能源最大的推動力。Sarah Guo 觀察到，「美國氣候創新最大的驅動力，其實來自 AI 基礎設施的需求。因為人們看到需求在那裡，所以創辦大型電池公司、推動太陽能聚光器、為小型模組化反應爐爭取許可。」黃仁勳同意：「如果歷史重寫，AI 可能是有史以來永續能源最大的推動力。」
在美中關係方面，黃仁勳表示他對 2026 年感到樂觀。「脫鉤的想法太天真了。你越深入了解，就越發現兩國高度耦合。兩國都應該投資自己的獨立性——當你太依賴某人，關係就會變得太情緒化——但要認識到兩國之間有大量的耦合與依賴。」他提醒大家用「整個技術堆疊」的視角看待問題：中國網路產業的成長，對 Intel、AMD 賣 CPU、Micron 和三星賣 DRAM 來說是巨大的利多，這是美國科技產業的第二大市場。也許對某一層（如 Google）不利，但不能因此否定整個堆疊的利益。
訪談接近尾聲時，主持人引述了一位朋友的話：「悲觀者是在派對上聽起來很聰明的人，樂觀者才是推動人類前進的人。」黃仁勳深表認同，但也強調需要平衡。「說悲觀者講的都不重要，那是過度簡化。說樂觀者都很天真，那也不對。問題是當 90% 的訊息都是末日與悲觀，我認為我們在嚇阻人們投資 AI——而這些投資正是讓 AI 更安全、更實用、更有生產力的關鍵。」他的結論是：推進技術本身就是確保安全的最佳方式之一。就像沒有人想開第一個十年發明的車——ABS、車道維持、全自動駕駛輔助，這些都是技術進步帶來的安全提升。
我的觀察
聽完這一個多小時的對話，我認為最有價值的不是任何單一預測，而是黃仁勳展示的系統性思維框架。
第一個框架是「任務 vs 目的」。當我們討論 AI 對工作的影響時，不要只看任務會不會被自動化，要問那份工作的目的是什麼。放射科醫師的目的不是看片子，是診斷疾病；律師的目的不是讀合約，是保護客戶；軟體工程師的目的不是寫程式，是解決問題。只要目的還在，工作就不會消失，只是任務會改變。
第二個框架是「五層蛋糕」。能源、晶片、基礎設施、AI 模型、應用——這五層構成了完整的 AI 技術堆疊。當我們評估任何 AI 相關議題時，不能只看其中一層。AI 泡沫論只看 OpenAI 營收，忽略了自動駕駛、數位生物學、金融服務等其他應用；美中科技關係的討論只看網路公司，忽略了晶片和記憶體產業從中獲得的巨大利益。
第三個框架是「整體堆疊視角」。無論是評估產業趨勢、國際關係還是政策影響，都要問：對整個堆疊的每一層有什麼影響？某一層的損失可能是另一層的收益，不能只看局部。
這些框架讓黃仁勳能夠避免被單一敘事帶著走——無論是「AI 泡沫」「AI 取代工作」還是「必須與中國脫鉤」——而是回到第一性原理進行分析。對於關注 AI 產業的人來說，學會這種思考方式，可能比記住任何具體預測都更有長期價值。