黃仁勳的豐裕宣言：摩爾定律是蝸牛，AI 每十年進步一百萬倍

本文整理自 Cisco AI Summit 2026 年 2 月的特別直播活動。本文為系列文第三篇，另見企業 AI 導入建議篇與五層蛋糕框架篇。

摩爾定律像蝸牛爬行

黃仁勳（Jensen Huang）在 Cisco AI Summit 上聊起了 AI 的進化速度，他的語氣裡帶著一種「你們根本不知道現在的世界有多瘋狂」的興奮感。

摩爾定律，過去半個世紀科技進步的基石，每 18 個月效能翻一倍，每 5 年提升 10 倍，每 10 年提升 100 倍。黃仁勳的評價只有一個字：慢。他說那根本是蝸牛在爬。

因為 AI 的進步速度是另一個量級。過去十年，AI 的效能提升了一百萬倍。不是一百倍，不是一千倍，是一百萬倍。這個數字大到讓工程師們開始產生一種全新的態度：既然計算資源幾乎無限，那我們為什麼不乾脆用全世界的資料來訓練一個模型？這不是誇張的修辭，這是真實發生的事。各大 AI 實驗室真的在這樣做。

黃仁勳把這種態度稱為「豐裕」（abundance）。豐裕的定義是：你看到一個大到不可思議的問題，然後你說，好，我全部處理。不是只做癌症研究，而是要處理所有人類疾病。不是只做一個國家的問題，而是全球一起來。這種規模的野心，只有在計算資源接近無限的時代才有可能出現。

AlexNet：AI 的第一次接觸

黃仁勳回顧了他認為整個 AI 革命的起點。大約十五年前，兩個工程師用幾張 GPU 解決了一個電腦視覺問題。這就是 AlexNet，由 Ilya Sutskever 和 Alex Krizhevsky 創造的突破。

黃仁勳用「第一次接觸」來形容那個時刻，這個詞來自科幻電影，意思是人類第一次遇到外星智慧。對 NVIDIA 來說，AlexNet 就是那個瞬間。兩個人，幾張顯示卡，打敗了整個電腦視覺領域三十年來的所有演算法。黃仁勳提到他前一天才和 Ilya Sutskever 通話，這件事在他心中顯然仍然鮮明。

那次突破讓 NVIDIA 開始認真想一個根本問題：這到底意味著什麼？兩個人加幾張 GPU，怎麼可能做到幾千個研究者花三十年都做不到的事？

他們把問題拆開來想，結論是：世界上大部分最有價值的問題，沒有精確的數學公式可以描述。沒有 F=ma，沒有麥斯威方程式，沒有薛丁格方程式，沒有歐姆定律。這些問題的答案永遠是「看情況」，取決於情境、取決於脈絡。深度學習恰好是解決這類問題的完美工具。

NVIDIA 因此做了一個影響深遠的判斷：這個東西可以擴大。模型可以從幾百萬個參數，擴展到幾十億、幾兆個。唯一的限制是訓練方法，而自監督學習（self-supervised learning）的突破，打開了規模化的大門。從那時起，NVIDIA 決定把整家公司的方向轉過來，全力押注在這個核心信念上。

從預錄到生成：軟體的典範轉移

黃仁勳接著用一個很好的類比，解釋 AI 對軟體產業的根本改變。

過去的軟體是「預錄」的。工程師寫好程式、定義好演算法、準備好資料，然後打包成光碟（或後來的下載檔）送到使用者手上。每個使用者拿到的軟體是一模一樣的。你按一個按鈕，它去資料庫裡找一段預先寫好的程式碼，把結果顯示在螢幕上。這就是「檢索式」的計算模式。

但 AI 時代的軟體是「生成」的。每一次互動都是全新的。每個使用者的脈絡不同、問題不同、歷史不同，所以 AI 產生的回應也不同。就像黃仁勳和羅賓斯在舞台上的對話，概念可能事先存在，但每一個字的組合序列從未出現過。軟體不再是一張預先灌錄好的光碟，而是一個能即時理解你的需求、為你量身產生回應的活系統。

這個轉變的影響很大。當軟體從預錄變成生成，整個計算的需求量就爆炸了。過去你只需要存取和傳輸資料，未來你需要即時的推論運算。這解釋了為什麼 AI 基礎設施的投資規模遠超過去的 IT 投資，也解釋了為什麼 NVIDIA 的業績會以這種速度成長。

但更深層的影響在商業模式。過去的軟體公司賣授權、賣訂閱，每個使用者得到的東西基本一樣。未來的軟體公司必須能為每個使用者提供獨特的、個人化的、基於脈絡的服務。這不再是「產品」的邏輯，而是「服務」甚至「智能體」的邏輯。整個軟體產業的價值鏈都要重新排列。

AGI 會使用工具，不會重新發明工具

羅賓斯把話題帶到 Physical AI，黃仁勳的回答從一個反直覺的觀點開始。

很多人擔心 AI 會取代軟體工具公司。市場上一堆軟體公司的股價正因為這個恐懼而承壓。但黃仁勳認為這是世界上最不合邏輯的想法。

他用了一個思想實驗：如果你是一個通用機器人（Artificial General Robotics），擁有人類水準的智能和操作能力，你會用現成的螺絲起子，還是自己發明一把新的？你會用現成的鐵鎚，還是重新設計一把？答案顯然是用現成的。

把這個邏輯搬到數位世界：如果你是一個通用人工智慧（AGI），你會用 ServiceNow 和 SAP 這些現成的企業軟體工具，還是自己從頭寫一套？你會用計算機，還是重新發明乘法？當然是直接用。F=ma 就是 F=ma，不是「大概是」ma、「統計上接近」ma，它就是 ma。很多問題有精確的演算法可以解決，AI 沒有理由不用這些已經存在的精確工具。

這也是為什麼 AI 最新的技術突破之一就是「工具使用」（tool use）。AI 學會了調用外部工具來完成任務，而不是試圖用自己的神經網路硬算所有東西。這個發展方向對工具型軟體公司來說其實是利多：你的工具不會被 AI 取代，反而會被 AI 更高頻率地使用。

Physical AI：一個小孩懂但大型語言模型不懂的事

接下來是 Physical AI 的核心。黃仁勳說，下一代的 AI 需要能理解物理世界、理解因果關係。

他舉了骨牌的例子。如果你推倒一張骨牌，它會推倒旁邊那張，旁邊那張再推倒更遠的那張。一個小骨牌可以推倒更大的骨牌，更大的推倒更更大的，最後一個小小的初始推力可以撼動一噸重的東西。任何一個小孩都直覺地理解這件事。

但大型語言模型對此毫無概念。

骨牌的概念看似簡單，但背後的物理直覺非常豐富。因果關係、接觸力學、重力、質量、能量傳遞、級聯效應，所有這些概念都整合在「推倒骨牌」這一個簡單的動作裡。小孩不需要學物理方程式就能理解這些，因為他們透過和物理世界的互動，自然而然地建立了因果模型。但純粹在文字上訓練的大型語言模型，沒有這種對物理世界的直覺理解。

這就是 Physical AI 要解決的問題。NVIDIA 正在開發能理解物理世界因果關係的新型 AI。這種 AI 不只是讀文字、生成文字，它要能理解「如果我做了 A，會發生 B」。這是通往自駕車、機器人、工業自動化的關鍵。

從螺絲起子到數位司機：百倍的市場擴張

黃仁勳把 Physical AI 的討論拉回到商業意義上。他和羅賓斯所在的產業，整個職業生涯都在做同一件事：製造工具。整個 IT 產業，就是一個「螺絲起子和鐵鎚」的生意。

但 Physical AI 開啟了一個全新的維度。過去 IT 產業只是製造工具，但 AI 可以提供「增強勞動力」（augmented labor）。黃仁勳用自駕車來舉例：一個「數位司機」的價值，在它的生命週期內，遠超過車子本身的價值。IT 產業的總市場規模大約一兆美元，但全球經濟的規模是一百兆美元。Physical AI 讓 IT 產業第一次有機會觸及那其他九十九兆美元的市場。

這不是空泛的願景。黃仁勳拆解了智慧的三個層次：感知（perception）、推理（reasoning）、規劃（planning）。感知是理解你在哪裡、周圍發生了什麼。推理是把資訊和目標做比較。規劃是想出達成目標的行動方案。AlexNet 解決了感知的第一步，大型語言模型推進了推理和規劃，但要讓 AI 真正進入物理世界，這三個層次都必須在真實環境中協同運作。

黃仁勳預測，當 Physical AI 成熟到一定程度，AI 產業將從「賣工具給人類用」轉變為「AI 自己就是勞動力」。到那時，科技產業的規模上限就不再是 IT 預算，而是整個全球經濟。這個前景的規模讓人很難消化，但從過去十年 AI 百萬倍的進步速度來看，黃仁勳顯然不覺得這是天方夜譚。他認為這正在發生。