美国当地时间9月14日，在知名科技播客All-In Podcast举办的线下活动All-In Summit 2026上，英伟达CEO黄仁勋与四位主持人围绕AI安全、AI末日论、递归自我改进、开源模型以及AGI等话题展开讨论。
四位主持人也是All-In Podcast的联合创始人，他们分别是天使投资人杰森·卡拉卡尼斯（Jason Calacanis）、前Facebook高管查马斯·帕里哈皮蒂亚（Chamath Palihapitiya）、“PayPal黑帮”核心成员大卫·萨克斯（David Sacks），以及农业生物技术公司Ohalo Genetics和投资公司The Production Board CEO大卫·弗里德伯格（David Friedberg）。
这场访谈围绕一个核心问题探讨：AI发展究竟需要怎样的安全边界。针对近期Anthropic CEO达里奥·阿莫迪（Dario Amodei）关于AI安全的讨论以及前沿实验室“减速”的呼声，黄仁勋认为，安全和创新并不矛盾，已经发生的安全事件应该按照工程问题进行根因分析，通过技术、流程和测试加以控制。
对于近年来频繁出现的AI“末日预测”，黄仁勋列举了“放射科医生将被AI取代、90%的代码将在短期内由AI生成、50%的初级岗位即将消失”等此前被证明并不准确的判断。他认为，这类预测缺乏足够的科学依据，也不应该被用来制造社会恐慌。
谈到递归自我改进（RSI），黄仁勋认为，所谓RSI并非一种突然出现的神秘技术，而是上下文、强化学习、合成数据、LoRA等已有技术的组合。
至于开源与闭源模型之争，他明确表示两者都不可缺少，并认为中国拥有大量工程师和科学、数学人才，未来可能成为全球开源生态的重要贡献者。
随后话题转向“AGI和超级智能”。当黄仁勋被问及：如果AGI的标准是达到人类智能水平，那么这个阶段是否已经到来。他简单回答道：“现在已经达到了。”
以下为黄仁勋最新访谈实录，在不改变原意的情况下做了精炼整理：
01 AI安全不能和创新对立
问：最近关于AI安全的讨论越来越多。达里奥·阿莫迪发表了关于AI安全的文章，Anthropic前研究员雅各布·考克森也因为相关问题离职。你怎么看这些事情？
黄仁勋：安全问题当然必须认真对待，但安全和领导力并不冲突。我们完全可以快速创新、快速执行，让美国继续保持领先，同时把安全做好。把这两件事情看成相互排斥的选择，本身就是错误的。
考克森站出来说这些事情，需要勇气。作为一个举报者，他做这件事情没有问题，但他后来对未来做出的那些科学判断，我认为缺乏足够的科学依据，因为这些预测并不是建立在真正的科学研究之上。
现在很多前沿实验室正在从研究型组织转向工程型组织，而研究和工程本身就是不同的事情。如果在这个转型过程中出现控制或者管理方面的问题，那是另外一个问题。至于考克森究竟看到了什么，我并不知道。
问：过去几年，AI行业出现了很多非常悲观的预测，比如“AI可能毁灭人类、导致大量工作消失”。你怎么看这些说法？
黄仁勋：我认为我们不应该轻易给这些事情赋予所谓的“人类灭绝概率”或者“文明毁灭概率”，因为其中很多东西其实都是编出来的。当你把一个人称为研究者、科学家，然后再给出一个非常惊人的预测，很容易让公众产生恐慌，我认为这是不负责任的。
我们过去已经见过很多这样的预测。有人预测五年之内，放射科医生会被AI完全取代，未来根本不需要放射科医生。但现实是，全世界需要更多的放射科医生，AI确实已经被用于医学影像分析，但这和“放射科医生会消失”完全是两回事。
还有人预测，“未来6到12个月内，90%的代码都会由AI生成，50%的初级岗位会在6到9个月内消失”。实际上，这些预测都没有发生。此前还有人说“GPT-2、Llama 3危险到不能发布”，甚至有人预测“一半白领工作会在第二年消失”，或者所谓的“就业末日”即将到来。
我认为这些预测都应该被记录下来。几年之后回头看，就会知道哪些预测是正确的，哪些只是制造了恐慌。
问：所以你认为，AI安全问题应该更多按照工程问题来处理？
黄仁勋：如果发生了安全事件，我们首先应该做工程上的根因分析，弄清楚到底发生了什么，哪些地方出了问题，今后可以采取什么措施避免类似事情再次发生，然后把这些措施变成制度、流程和技术控制。
我相信这些公司已经在做这些事情，包括更好的沙箱、更严格的运行环境、更完善的监控，以及持续监控系统。我甚至愿意下注，相信这些问题是可以被控制和预防的。
如果一家工程公司真的不知道发生了什么，也不知道应该怎样控制，那么可以派工程师进去帮助他们。但��不认为事情会发展到这一步。这些实验室里有非常优秀的人，我相信他们已经对相关问题进行了分析，也已经采取了相应措施。
问：如果AI安全问题需要监管，那么监管应该从哪里开始？
黄仁勋：监管应该解决真正存在的问题。现在真正需要关注的问题，大部分来自前沿AI实验室，因为它们拥有最多的计算资源，也在处理最前沿的问题。一个高中生或者普通创业公司，很难拥有足够的计算能力去制造这些问题。
这些实验室正在从研究转向工程阶段，同时还在建设公司、文化、技术和产品，这个过程并不容易。因此，应该关注它们如何建立更完善的工程体系，确保技术开发和测试过程都具备足够的安全性。
问：第三方评估机构是否有必要？
黄仁勋：我认为可以有多个评估和审计机构。它们不需要知道所有事情，但需要知道应该提出哪些问题。这和金融审计有些类似。如果只有一个评估机构，可能会受到影响；如果有多个评估机构，就能够相互制衡。
02 “递归自我改进”没有那么神秘
问：现在大家越来越多地讨论递归自我改进，也就是AI自己生成数据、自己训练自己，然后不断加速。你怎么看？
黄仁勋：我觉得“递归自我改进”是最近比较流行的一个新标签，但它背后其实是很多已经存在的技术组合起来，包括上下文、技能、反思、强化学习、合成数据生成，以及LoRA等。
这些方法确实可以让AI随着任务执行不断积累经验，然后继续改进。比如通过合成数据和强化学习，可以在不重新训练整个基础模型的情况下提升模型能力，之后积累下来的经验又可以进一步用于训练基础模型。我认为现在几乎每家公司都会使用其中一些技术。
“递归自我改进”这个名字听起来好像意味着系统会变得完全不可控，但实际上，产品发布之前仍然需要进行评估、重新测试和回归测试，这些都是最基本的工程控制。
这些前沿实验室正在从研究型组织转向工程型组织，我认为它们未来会拥有更好的方法、知识、实践、工具和技术来控制、验证和评估这些系统。递归自我改进可以发生在内部，但经过验证的产品仍然可以按照安全的方式对外发布。
问：你怎么看开源和闭源模型之间的关系？
黄仁勋：世界需要开源模型，也需要闭源模型。我自己也会使用闭源的前沿模型。它们有点像瓶装水，水本身是免费的，但不同形式的产品可以服务不同的需求。
开源模型对于主权、隐私以及企业自己的专有技术都非常重要。过去6个月里，大约有4000亿美元风险投资进入AI原生公司，其中大约80%的公司使用开源模型。如果没有开源模型，很多创业公司根本无法实现自己的目标，因为它们想做的事情和前沿实验室并不一样。
美国真正的优势在于拥有各种各样的创新形式。要赢得AI竞赛，就必须让开源模型发展起来。
所谓赢得AI竞赛，不只是几家美国公司赢，而是美国的公司、产业、研究人员、教师、学生和创业者都能够从这项技术中获得机会。有些人会使用闭源模型，很多人会使用开源模型，两者都需要。
问：你认为中国会成为全球开源生态的重要贡献者吗？
黄仁勋：我认为中国可能会贡献全球开源生态中很大的一部分。中国有大量工程师，也有大量学习科学和数学的学生，清华等高校每年都会培养很多优秀人才。
比如在Linux、Kubernetes（开源容器集群管理系统）以及很多软件项目中，都有中国工程师参与贡献。开源的一个特点就是，一旦你把它下载下来，它就属于你了，你可以继续修改、优化，把它变成自己的东西。
AI竞赛最终还是谁能够最好地利用这项技术。过去的工业革命有很多重要发明来自欧洲，但美国后来很好地利用了这些技术。我希望下一次工业革命也能这样发展。
我觉得中国在这方面的讨论更加务实，更多关注经济发展和社会进步，而不是一直讨论末日或者文明毁灭。如果这些末日预测真的成立，我们当然应该讨论它、解决它，但没有必要制造恐慌。我们的工作就是把它做出来。
问：如果AI最终自动完成大量编程工作，工程师还需要做什么？
黄仁勋：工程工作仍然会存在。我的这一代工程师在软件还没有普及的时候，并不会花大量时间写代码。现在软件工程师花很多时间写代码，未来如果其中很大一部分工作被自动化，人类仍然会进行工程工作。我的一个习惯是，我最喜欢的键盘按键是Backspace，因为最好的软件往往意味着更少的代码。
03 英伟达为什么要深入AI产业链
问：美国政府最开始强调的是就业、再工业化、能源和供应链。现在这些事情确实都在发生。英伟达已经成为整个AI产业的重要资本提供者，你怎么判断应该把资源投向哪里？
黄仁勋：AI是一场新的工业革命。这个产业里面有模型、芯片、应用、数据中心、建筑、电力以及发电设施等很多部分。我一直在看整个生态系统，寻找其中的瓶颈。
如果一家非常好的公司因为某个环节受限，我就会关注这个问题。可能是供应链，也可能是土地、电力或者工厂。英伟达的规模已经足够大，所以我们必须提前很多年考虑供应链。Corning、Lumentum、台积电以及内存供应商等，都是我们需要长期关注的企业。
问：有人认为，AI行业最终的大部分利润会向应用层移动。英伟达为什么还要进入模型、Hugging Face等更上层的领域？
黄仁勋：英伟达几乎可以运行世界上所有的模型。大约一年半以前，大家主要讨论OpenAI的模型，现在已经有Meta的Muse、Grok、Gemini、Anthropic以及很多其他模型。大量前沿AI实验室都建立在英伟达的平台之上。
我们的策略是帮助所有人成功，而不是把别人的业务拿过来。我们会尽可能留在技术栈更底层的位置，只有在必要的时候才向上走。CUDA支持了大量框架，Megatron和Megatron Core支持了大规模训练。我们发明那些必要的技术，然后让整个生态去发展，让更多公司参与进来。
问：为什么现在区域性的云服务商越来越重要？
黄仁勋：区域性的云服务商往往比大型超大规模云厂商更加灵活，因为它们能够在当地找到土地、电力和工厂，也更了解当地的需求。
未来会形成一个分布式的企业网络，而越来越多国家也会把AI看成战略产业。我们已经看到一些地区开始增加AI算力基础设施。
问：英伟达现在正在做自己的开源模型，包括自动驾驶和生物领域。你们为什么要做这些事情？
黄仁勋：因为客户需要。我们有能力做到最好，所以我们就会做。比如Alpamayo，这是我们做的自动驾驶模型。它是一个能够进行推理的自动驾驶系统。过去自动驾驶需要数十亿小时的道路数据，而推理能力可以让系统针对类似情况进行思考，从而减少对大量实际道路数据的依赖。
未来的自动驾驶不会只有乘用车，还会包括农业设备、卡车、货车以及很多其他移动设备。很多公司并没有完整的技术栈，所以英伟达可以提供完整的技术栈，客户再根据自己的需求做最后一公里的调整。
生物领域也是一样。我们做了ESM2、ESMFold、OpenFold、AlphaFold 2，以及一些等变模型和Protein Complexa（全原子蛋白质结合体生成式AI框架）等，因为制药公司确实需要这些技术。我的出发点一直是有人需要这项技术，所以我们去做它。
04 马斯克的Terafab
问：马斯克宣布了Terafab芯片工厂计划，规模非常大。你怎么看？
黄仁勋：英伟达非常了解工艺技术，我们一直在推动工艺的极限，所以当然可以讨论这个问题。马斯克一旦决定做一件事情，很难阻止他继续做下去，这也是他的超能力。
问：那么英伟达未来能不能把芯片放到他的工厂里生产？
黄仁勋：我们可以讨论。
问：如果AGI的定义是达到人类智能水平，你认为我们已经进入这一阶段了吗？超级智能呢？
黄仁勋：我们已经达到了，甚至可以说，在一些特定领域，我们已经进入了超级智能阶段。
问：为什么？
黄仁勋：因为在一些非常具体的领域，AI已经超过了人类。自动驾驶就是一个例子。如果一辆车能够比人类驾驶得更好，那么在驾驶这个领域，它就是超级智能。
现在自动驾驶系统的事故率已经可以做到人类的十分之一。生物领域也是一样。合成蛋白、虚拟筛选等任务已经达到超级智能水平。在这些特定领域，AI已经能够完成超过人类能力的工作。
问：站在这样的技术前沿，你是什么感觉？
黄仁勋：我喜欢这种感觉。未来是美好的。也许未来很多人都不需要工作，但我不想错过这个时代。
我希望我们所有人都能够一起走到那个未来，人类最终会一起取得成功。我们需要鼓励大家，减少那些没有必要的戏剧性争论。最重要的是，要让整个美国都能够参与进来。
本文来自微信公众号“腾讯科技”，作者：李海伦，编辑：徐青阳，36氪经授权发布。