LIVE: Jensen Huang on Building the Dynamo of the Intelligence Age

非常感谢，Jensen。我们正处在一场大规模的 AI 革命之中。它很可能比工业革命还要更宏大、推进得更快。而你曾指出，当前正在发生的是人类历史上规模最大的基础设施建设。在这场建设的中心，就是 AI factory，而让这一切成为可能的公司就是 NVIDIA。

你能告诉我们，什么是 AI factory，为什么它会是未来十年任何企业最值得做的投资吗？

好的，你可以从几种特定的方式来理解 AI。你最常接触、也最熟悉的 AI 形式，很可能就是通过 chat bot、通过 web browser 来使用它。你在和它交互。你给它一个 prompt，它再回应你一些内容。

即便是那些已经使用 AI 有一段时间的人，你们也已经看到，在过去这两三年里，AI 的能力发生了非常显著的演进和提升。两年前你听说了 ChatGPT。ChatGPT 本质上是一种 computer software，它能够理解你输入给它的内容。它可以感知、理解信息，也可以把这些信息翻译并生成成另一种形式。

好的，所以你可以给它一个 prompt，对它说，这是我给你的这个 PDF。我现在希望你把它总结一下。这样它就是从 text 到 text。你也可以对它说，这是我给你的一个 PDF。我现在希望你根据这个故事生成一张图像。

它就是从 text 到 image。你也可以让它从 image 到 text，也就是说，你可以给它一张图片，然后问，这张图片里发生了什么？它会从 image 到 text。这样讲明白吗？就是任何东西到任何别的东西。

而两年前的 AI，主要已经能够完成这种翻译。我们把它叫作 generation。Generative models。Generative AI。但在 generative AI 这个词里面，真正非常重要的一点是：如果要做出比 generation、比理解和生成更有价值的事情，那就是 thinking。

如果你不能生成词语，你就无法思考。因此，generative AI 的基础赋予了我们生成内部思维的能力。也就是 thinking、reasoning、step by step reasoning、problem solving。它还让我们能够做到另一件如今非常重要的事，那就是生成 intelligence 去控制别的东西，生成 control 去使用一个 tool。

这有道理吗？使用 browser，使用 spreadsheet，使用 Photoshop，使用 PowerPoint，使用某种东西，使用 AutoCAD，使用另一种工具。今天，这种工具是数字化的，但将来这种工具会是机械的。所以，如果我向一个机械系统生成 command（指令），那就会被称为 robotics。如果我向一台带 steering wheel（方向盘）的机器生成 commands，那就会被称为 self driving cars。

这说得通吗？好。事实上，两年前，你们就已经看到了它的基础。我们称之为 ChatGPT。然后所有人都说，啊，这挺有趣。

它很傻，或者它会产出一大堆疯狂的、hallucinated text（幻觉文本）。这些都是真的，但正是这项基础性技术引出了后面的这一切。两年之后，我们现在有了 agentic systems。现在，这是看待 AI 的一种方式。我刚才描述的是这样一种视角：AI 能做什么？

对吧？所以现在你们所有人都意识到了，你们从 ChatGPT 上看到了，从 Codecs 上看到了，从 Cloud Code 上看到了，你们看到它现在不仅能够理解，而且能够做工作。能够推理并做工作。而在两年前，当 AI 还只是能够理解你、生成一些有趣的、新颖的、稍微有点可爱的内容时——如果你想写一首诗，那倒是个很好的方式。

对吧？谁不想写一首 country song 呢？所以那是两年前，但现在，因为它能够做工作，AI 就有价值了。所谓有价值，意思是它可以生成信息，可以产出有用的工作成果，而且人们可以为此付费。因为我们会为做工作付费；我们当然也愿意有聪明的朋友，我们也喜欢那种什么都懂的人，但我们不会因为这一点给他们付钱。

我们付钱给的是那些做工作的人。这样说有道理吗？好，这就是过去两年里发生的事情。AI 从拥有这种能力，发展到现在——AgenTek 从不是很有价值，变成了现在能够产出有用的工作。多到什么程度？就是你和我每天都在这样做：我们按小时向 AI 付费。

对吧？所以我们可能付它们每小时 30 美元来做这项工作，或者每小时 20 美元来做这项工作。基本上，今天我们正在给 AI 支付很多钱。这是人类历史上增长最快的软件业务。因为它现在在做有用的工作，而我们可以付钱让它去做。

现在，这是看待 AI 的一种方式，也就是看它能做什么。但看待 AI 的另一种方式也非常重要，它有助于我们理解 Constantine 正在说的内容。举个例子，为什么有些公司、有些人能够建立伟大的 business，并把自己 maneuver 到非常大型产业的中心位置？是因为当他们看到这种能力时，会觉得这非常有意思。一个很有意思的想法是：如果我们能够做到这一点，那么它对下游产业会带来什么 implication（影响）？这是一个我们应该展开讨论的有趣话题。

好吗？所以，既然 AI 现在能做到这一点，那么 healthcare、financial services、life sciences、manufacturing、logistics、transportation 等等这些行业会发生什么？还有 retail、advertising、future entertainment。现在你可以围绕“既然 AI 能做到这一点，那么接下来它因此还能做什么”展开一长串讨论。这是个很有意思的话题。但你应该往更上游看，也就是从产业层面看，这意味着什么？

所以你首先会意识到的是这一点：回到 first principles（第一性原理）。我刚才告诉你，AI 是 software，而且是由 computer 生成出来的。那么，computer 究竟发生了什么变化，才让它有可能做到这些？大的思路是，如果你去看我们今天所熟悉的 computer，它其实大约是在 64 年前真正成形的。

IBM System March 是 computing 领域最重大的发布，而在 64 年前，IBM 是全世界市值最高的公司。他们建立了现代人对 computer 的理解。我们今天能描述的几乎所有关于 computer 的东西，其实在 1964 年就已经被描述出来了。此后 40 年，基本上都没有太大变化。而发生的是，这种 computing 形式被称为 pre recording。

你把自己的故事写下来，保存成一个 file。你手工写一个 program，保存成一个 file。你拍一张照片，保存成一个 file；你录一段音乐，保存成一个 file；你现在制作一段视频，我们此刻正在 streaming，但总会有人把它录下来，再保存成一个 file。而当你之后想使用它时，你就把它从 disk drive 里取出来。这样说有道理吗？

而这个 retrieval（检索）过程是以一种智能方式完成的。所以每个人看到的新闻故事检索结果都会有一点不同，这就叫 recommender system（推荐系统）。但基本上，我们今天所知道的 computer 是一种基于 retrieval 的系统，这也是为什么这些大楼被叫作 data centers。它们存储的是 data。

注意，它们不叫 computer centers，因为它其实并没有做太多 computing。它们只是存储 data，而你根据自己在 phone 上点了什么把它取出来。那么现在发生了什么？如果你看我刚才描述的内容，为了让这种 AI 按我所说的方式工作，每次我对它说话时，我都必须给它新的信息，我们把这叫作 context（上下文）。我给它一个新的 prompt，这叫作 query（查询）。在 context 和 query 之间，它会先理解，再进行推理，然后基于那个 context、那个 query，以及当下的具体情境，产出一个 output。

到目前为止明白吗？好，给我点个头，好吗？所以，如果情况确实如此，那么每一次你使用 AI 时，内容都是每一次重新原创生成的。我现在对你们说的每一句话，都是实时生成的。之所以如此，是因为我的解释建立在这样一个事实上：我意识到你们所有人来自 60 个不同的国家、128 个不同的家庭。

你们每个人的背景都很不一样。你们当中有些人可能来自 computer 行业，但大多数人可能不是。所以我在向你们解释这些信息时，会用一种足够深入的方式。但归根结底，我的目标是这个：让你知道该如何做出你的下一笔 investment（投资）。

我想引出的就是这一点，所以我会给你足够充分的信息，让你能自己去推理；这样下次你再看到某样东西时，就能判断它是否值得投资。这将会是一个巨大的行业。它现在就是一个价值 $100,000,000,000 的市场，而且看起来已经非常大了，但和它未来会变得多大相比，这根本不算什么。我会给你解决这个问题所需的直觉理解。好，我们开始。

我们从一个六十年来基本建立在 retrieval（检索）之上的计算机产业，突然在某一天，变成了完全实时生成的系统。我们把这叫作 intelligence（智能）。我现在正在为你做的，就是这个。我正在演示 intelligence。具备 contextual awareness（上下文感知）：他给了我一个 prompt（提示词），我的回答就随之生成出来了。

这样讲得通吗？这就是极其典型的 artificial intelligence（人工智能），对吧？那么，这里现在发生了什么？我刚才其实已经先给了你一个词。

它叫 generative（生成式）。今天的计算机已经被彻底重塑了。它现在是 generative 的；未来你看到的每一个符号、每一个字母、每一个词，你将看到的每一段视频、每一张图像、每一则广告、每一条电视广告、每一次你读到的故事、新闻报道，都会彼此不同。Constantine 看到的、我看到的、你看到的，将会完全不同，因为它们会是专门为你生成的。因为你的兴趣、你的上下文、你是谁、你提问的目的、你提问的方式，全都不一样。这样讲得通吗？

因此，未来你看到的每一个 pixel（像素）、听到的每一个声音、看到的每一段视频，都将是原生生成的，而不是检索出来的。这意味着未来我们需要多得多的 generators（生成器）。而这些 generators 正是我们在建造的东西。这就是我们的业务。它们是大型计算机，而它们正在生成 intelligence。

现在下一个问题是：它能大到什么程度？它到底能有多大？结果是，信息的规模、智能生成的规模，今天大约是为全球十亿人提供服务。现在我已经告诉你，AI 已经变得 agentic（具备 agent 自主行动能力），也就是说，它实际上可以自己完成工作。

如果它能自己完成工作，那么一个 agent 就可以和另一个 agent 沟通，说：我这边有些工作要做，我们组队，一起来完成一些任务。这样一来，你就会有各种不同的 agents，它们在你的公司内部协同工作、解决问题。比如在我们公司内部，Constantine 知道我们是 AgenTik AI 的重度用户。现在大概有数十万个 agents 正在到处运行、执行工作；它们彼此交流，也在解决问题。全部都有 guardrails（护栏机制），全部都运行在 sandbox（沙箱）里，所有这些 agent 都受 guardrails 和 sandbox 约束，但它们彼此之间都在协同工作。

这意味着，未来我们今天这个为十亿人服务的互联网，很可能主要会变成一个服务于数十亿、甚至可以说是 100,000,000,000 个 agents 的网络；它们全天候运转，使用互联网，并彼此交谈。那它们在说什么呢？比如说，会有公司和公司协作，员工的 agents 和其他员工的 agents 协作。还会有自动驾驶汽车，它们是 agentic 的。还会有机器人，它们也是 agentic 的。

所有制造系统、每一栋建筑，都会变得 agentic。到处都会有 agent，它们会使用互联网。而它们彼此生成的所有这些指令，都会是生成出来的。它们为了理解而产生的所有思考，也都会是生成出来的。这样说有道理吗？

所以基本上，这个世界将会变成一层计算层，像茧一样包裹地球，并且会一直不断地产生 intelligence（智能）。我刚才说的这句话听起来很荒唐。但事实上，这种事已经发生过了。两次。大约三百年前，Germany 有一家叫 Siemens 的公司造出了一台机器。

这台机器非常有意思。你走到这台机器前，把它点燃。然后另一端就会出来一种不可思议的、看不见的力量。当时没人理解那是什么。现在我们知道，那就是 electricity（电）。

世界上有多少发电机？我们把它叫作 grid（电网）。发电系统像茧一样包裹着整个星球。我们称之为 grid。当然，二十多年前，或者更早一点，三十五年前，这种 networking scheme（网络化方案）、networking matrix fabric（网络矩阵结构）在 The United States 被创造出来，最终变成了 internet。

那它在哪里？它包裹着整个世界。所以现在你有了 energy（能源）、communications（通信），以及 intelligence，而 intelligence 也将包裹世界。它会变成一种 commodity（基础性商品），我们会在各处使用它。而 NVIDIA 所从事的，就是这种新的机器。

三百年前发明的那台机器叫作 Dynamo。那个 Dynamo，任何运动的东西都可以送进去。可以是瀑布，可以是风、火、蒸汽。把它从 motion（运动）、atoms（原子）转换成 electrons（电子）。从 atoms 到 electrons。

然后我们把 electrons 送进我们的机器——NVIDIA。electrons 进入我们的机器，进入这座工厂，输出的是 numbers（数字）。这些数字，取决于你如何组合它们，会变成 language（语言）、math（数学）。它也可以变成我们新近学会的一种语言——proteins（蛋白质）。我们学会了 human biology（人类生物学）的语言。

我们学会了 physical world（物理世界）的语言——physics（物理）、climate（气候）、weather（天气）。我们学会了 three d world（三维世界）的语言——robotics（机器人）、self driving cars（自动驾驶汽车）。我们学会了各种不同形式的 intelligence 的语言。但重点是，现在，这两台相隔三百年的机器，一台是 atoms 进去、electrons 出来；另一台是 electrons 进去、numbers 出来。而这些 numbers 可以被重新调整、重新构造，变成各种不同的 intelligence。这就是我们建造的东西，这就是我们的工作，这也是为什么我称它为工厂，因为它在持续生产——我们称之为 tokens，但它们其实就是数字，tokens，而这些 tokens 就是 intelligence。

就是这样。这就是我们所做的事。并没有那么难。很精彩。现在你知道 AI 是干什么的了，也知道 AI 是如何构建的，以及它将会有多么庞大。

感谢大家今天的参与。

谢谢。做得好。这个问题非常好。我——

我真的觉得是那个把它撑起来了。你知道的，prompt（提示词）。是你把它铺垫出来的。对。好。

所以这是一场巨大的革命。对。而且你概括了三场变革。能源变革，它今天影响着每一个人，现场很多观众也都参与全球这些制造业和能源生产；电信，它把我们所有人连接起来；而现在是智能。在能源领域，你谈到了发电机；在电信领域——

我想可对应的东西大概是交换机之类的，用来在全球范围内路由通信。而现在，在智能革命中，处于核心的是 GPU。以及 AI factory（AI 工厂），比如 h 100，或者任何把你所需一切都整合到同一套体系中的新系统，Vera Rubin，会发生什么。

这些工厂，所以你知道，这些发电机，我们的每一个单元都叫作一个 rack（机架），里面有 72 个 chip（芯片）。我们今年制造——怎么说呢——800 万个这样的芯片。但其中 72 个会装进一个机架。那个机架重达两吨。价值 400 万美元。

它有 150 万个零部件，是世界上最昂贵的设备。我们制造它们的方式，我想，大概就像造手机一样。我的意思是，我们把它们大批量生产出来，然后送往世界各地的数据中心。我们是按规模来制造这些机器的。

它们是很大的设备。这就是你进行举重训练的方式。我明白了。

没有批量折扣。

好的。所以你描绘了一幅非常令人兴奋的世界图景，

嗯。

而我们就身处其中。我们正处在这场革命的中间。

我们——对。

你可以说这已经进行了几十年，也可以说进行了几年。

对。

可以肯定的是，现在它已经进入 intelligence revolution（智能革命）的主流。我们该如何参与？我相信这里的每个人都想参与这场革命。

对。这个问题非常好。

我们先从大型企业讲起，然后也会谈到个人。对。人们要怎样加入这场运动呢？

所以现在我给了你两个 mental model（思维模型）。我再给你一个 mental model（思维模型）。所以，一个 mental model（思维模型）是——它们其实，你知道，我们可以围绕这个故事来讲，希望我们能把四个阶段都覆盖到。我刚刚讲了 AI 能做什么。我也讲了 AI 是如何被制造出来的。

而这些东西都在这些工厂里。这些工厂中，每 1 gigawatt 的规模大约就是 $50,000,000,000。你见过吗？这可能是世界上最昂贵的工厂。但同时，这样一座价值 $50,000,000,000 的工厂，也能产出 $300 到 $400,000,000,000 的 intelligence（智能）。所以它的产出价值惊人，投资回报速度也非常快。

这就是工厂的部分。接下来我要讲的这一部分，在你思考 investment（投资）时非常重要，那就是：AI 的 industrial layout（产业布局）看起来是什么样？理解这个产业视角的方式，就是把它想象成一个五层蛋糕。现在，我告诉过你，最底层是 energy（能源）。最底层就是——记得我说过的 dynamo（发电机）吧？好吧？

现在我们当然有不同的 AC generators（交流发电机）之类的东西，也就是发电设备。因此，最底层就是 energy（能源）。这是几代人以来，能源产业所面临的最大增长机会。很可能是大约一百年来第一次——许多国家的 energy grid（电网）再次成为值得投资的对象。这也是投资 sustainable energy（可持续能源）的最佳机会。

如果你关心 sustainable energy（可持续能源），无论是 nuclear（核能）、air、wind（风能）、solar（太阳能），随你说得出什么，或者 hydrogen（氢能），不管是哪种形式，只要它能生产能源，就会得到资金支持。所以这也说明了现在是多么了不起的一个时点，因为我们有一万亿美元。你想想看，仅仅今年一年，市场就会向我接下来要描述的整个五层蛋糕投入一万亿美元。所以第一层是 energy（能源）。这也就是为什么 Siemens 表现这么好。

Mitsubishi 的表现也非常出色。GE、Vernova。我是说，几乎所有人都是这样。蛋糕的第一层是 energy（能源）。蛋糕的第二层是 chips（芯片）、computers（计算机）、networking（网络）、switches（交换设备）以及 silicon photonics（硅光子）。

这样讲清楚吗？这一层基本上就是所有的计算机相关部分。蛋糕的第三层，我们称之为 infrastructure（基础设施）：土地、电力、机房外壳、资金、data center operations（数据中心运营）。而这些东西，如今每一样都处于稀缺状态。

所以下一层就是 infrastructure layer（基础设施层）。然后，大家都看得见、也都以为那就是 AI 的那一层，是 model layer（模型层）。这样讲有道理吗？这就是再往上的一层。它建立在 computers、cloud infrastructure（云基础设施）之上。

在我所知的近代人类历史中，这是一个最巨大的机会：如此大量由市场驱动的投资，正自然而然地流入这个 ecosystem（生态系统）。这是一个非常适合 build（构建、创业）的时期。现在说回 model layer。model layer 包括 OpenAI、anthropic，但还有一个部分你绝不能忽视。这一点非常重要。

所以你知道、也经常听说的，可能就是那两家公司。不过别忘了，正如我前面解释过的，AI 已经学会了 language（语言）。它学习 language，也学习 meaning（意义）。语言，以及任何具有 structure（结构）的事物所承载的意义。所以，那一层真正重要的地方在于：我们总是在听、在谈 language，但别忘了，任何有 structure 的东西都可以被学习。

我来举一个有 structure 的东西作为例子。今天，当我走进一个房间时，我向很多人解释过，你们出现的方式并不令人意外。现在，如果你们当中有些人挂在天花板上、漂浮在半空中，还有一些人虽然是一个 human（人），但身体部位分散在 17 个不同的地方，甚至我还能透过你们看到后面，那就很难学习了，因为每一次都不一样。明白吗？因为 quantum（量子）那样的东西很难学习。

但是，有 structure 的东西我们是可以学习的，对吧？人都有眼睛，所以这些东西是可以学会的，好吗？再比如在 three d（3D）世界里，我学到了 laws of physics（物理定律），我坐下时会注意，而且我是带着信心坐下的。结果有 53% 的时候我安全地落在椅子上，另外 47% 的时候我直接穿过去了。那我就不可能 100% 地信任这件事。

你们明白吗？所以，如果事物是可预测的，那么其中就有 structure，你就能从中学习，也能学到它的 meaning，好吗？所以，我们已经在学习 proteins（蛋白质）的 meaning，也在学习 genes（基因）的 meaning，不只是对它进行 sequencing（测序），不只是用 CRISPR 去 editing（编辑）它，而是：这个 gene 的 meaning 到底是什么？一个 cell（细胞）的 meaning 是什么？为什么一个 cell 会做它所做的事？

当两个 cells 结合在一起时会发生什么？这其实没有什么不同。你可以想象一下：我学习一个 cell 的 meaning，就像我学习一个 word（词）的 meaning 一样。那当我把两个 words 放在一起时会发生什么？这两个 words 会彼此激活，变成别的东西，形成另一层 meaning。对吧？

所以从 computer 的视角来看，它并不在乎那是一个 cell、一个 protein、一个 word、一张 image，还是一辆 car。这样说有道理吗？它们都只是 tokens（标记）。因此，作为 computer scientists（计算机科学家），我们必须弄清楚，怎样用这些不同的方式来表征世界的信息，好让 computer 能理解它。理解它、对它进行 reason（推理）、制定 plan（计划）、生成 action（行动），这就是 intelligence loop（智能循环）。

Protein 也是一样，cell 也是一样，human anatomy 也是一样。它必须是可预测的。它之所以可预测，是因为到了明天早上，我基本上还是同一个我。它必须是可预测的。对吧？

所以我们正在学习所有这些不同的东西。我的意思是，你们知道两种 language model（语言模型），但 AI 是一个巨大的产业。除此之外，一切物理世界相关产业的规模大约是 $80,000,000,000,000。实际上，最重要的前沿恰恰是那些我们还没在谈论的部分。再往上，这个 model，这项 technology（技术）又会流入 Constantine 这些天所看到的那些东西里，也就是这些不断涌现的 startups，它们在 financial services、legal、accounting、transportation、logistics 等领域提出颠覆性的想法。

对吧？所以更上面那一层，在过去这一年里，吸引了 $100,000,000,000 的 venture capital（风险投资）。这是人类历史上 VC 投资规模最大的一年。所有这些钱都流向了第五层，也就是最上面那一层——把 applications（应用）用来改善 human condition（人类境况）的那一层。所以总共有五层。

当你思考 AI，并且想投资这个未来时——我向你保证，这个未来会大得惊人——因为两年前还是零，而现在大约，我们即将投入 $1,000,000,000,000，但这是从一个更大的整体里拿出来的，你知道，我们未来每年投入到 AI industry 的资金，我先大胆猜一下，可能会接近每年 $20,000,000,000,000。我们现在投入了 $1,000,000,000,000，面对的是一个每年 $20,000,000,000,000 的 ecosystem（生态系统）。因为 intelligence（智能）的生产，你只需要问自己：智能有多重要？谁需要它？你又想要多少？

所以这些就是一些最基本的问题。而所有这些 intelligence，不管是用于 proteins、cars、robots、language、math、science，还是什么别的东西，都必须由这些机器生成。所以，这个五层蛋糕就是它的 industrial version（产业版本）。我认为，这是思考该把钱投向哪里的一个好方法。

绝对如此。所以你描述的是一个数万亿美元级的机会，让人们成为这场革命的一部分，而且这还包括 hardware 和 facilities（基础设施）。如果 1 gigawatt 要花 $50,000,000,000，而接下来几年会有 100 多个项目上线，那就是数万亿美元；再加上 application layer（应用层），那又是更多、更多的数万亿美元，而且这也意味着真实的就业机会，给那些亲手参与建设的人。然后——

也包括现在。完全正确。而且我们必须真正强调这一点，这对你们非常重要。今天，每个国家对 AI 的态度都不同。你们都同意这一点吧？

每个国家都不一样，因为每个地方的 culture（文化）多少都有些不同。好吗？我给你们的建议是：要谨慎使用那些类比和 science fiction（科幻）故事，不要把这说成是 Terminator，也不要动不动就用 singularity 这样的词，或者传播那种说法——比如“有 20% 的概率，这会成为我们所知的人类文明的终结”。好吗？

那种对 AI 的表述纯粹是胡说，完全是胡说。哦，我们根本不知道它是怎么工作的。这东西太神秘了，我们甚至都不知道它怎么运作。它说不定明天早上就会自己从座位上站起来走出去。

在我看来毫无疑问，它就是 computer 和 software。而且在我看来也毫无疑问，人们是知道它怎么工作的。你知道他们为什么知道它怎么工作吗？因为显然它每一年都在变得更好。如果你不知道某样东西是怎么工作的，你又怎么把它做得更好？

我完全不知道它怎么工作，但我知道怎么把它做得更好——这就是胡说。所以他们为什么要这么说？这是个有意思的问题。不过，别让这件事吓到你。

你必须主动去接触它、使用它。你可能会，也可能不会因为 AI 失去工作；但你绝对会把工作输给会使用 AI 的人。你同意吗？好，所以别去担心那些你拿不准的事，把注意力放在那些你确定的事上。

我非常确定，我会把工作输给会使用 AI 的人。所以在我担心 AI 之前，先去确保我自己会用 AI。为什么这种常识对我来说这么重要，必须告诉你们？因为你们中有些人有孩子。你们在给他们什么建议？

是让他们逃开吗？还是不管这项 technology 到底是什么——它能给人 superpowers——你都要确保自己去使用它。 所以我希望我们做两件事。第一，我们正在、而且会竭尽所能，以对世界安全的方式来构建这项 technology。我向你保证，有大量 computer science、大量 investment、大量 passion 都投入在让这项 technology 对每个人都安全可用这件事上，而且我可以证明。

你去用两年前的 ChatGPT，再用一次现在的。hallucination 的程度已经大幅下降，几乎接近于零。现在它生成的知识不仅准确、在语境上相关、也和当下情境相关；如果它不知道答案，它会去做 research，而当它得出一个答案时，它甚至还会质疑自己。在告诉你答案之前，它会先反思。它还会提出两个或不同的答案，并在给你答案之前先对这些答案进行反思。

无论是 safety、guard railing，还是 grounding of truth，这项 technology 为了变得更安全，进步得非常快。我可以完全基于事实、非常确定地告诉你这一点。我更喜欢今天的汽车，而不是一百年前的汽车。technology 好了很多，但也安全了很多。而要让它变得安全，就需要发明出大量的 technology。

所以，我可以告诉你们，安全地构建 AI，是我们的工作，是科技行业的责任，是科学家和工程师的责任。第二，这也是你们的责任：确保你把这件事告诉你所爱的人，不管是你的家人、孩子、孙辈，还是你工作的公司，或你所在的国家。无论我们做什么，都要去采用 AI、参与 AI。如果我们认为它是一种 superpower（超能力），那就去拥抱它。因为如果我们不去用它，别人就会。

我们不会因为 AI 而失去生计，我们会因为某个使用 AI 的人而失去生计。所以这就是我的，嗯，这话太严肃了。这，这太严肃了。那是因为他说到了 job 这个词。所以我被触发了，而这个触发点就是总有一群人在拿工作这件事胡编乱造。

我们今年向全球生态系统投入了一万亿美元，不是吗？它在做什么？在创造工作岗位。现在，能源行业的工作比以往任何时候都多。芯片行业的工作也比以往任何时候都多。

基础设施层的工作比以往任何时候都多。从土地、电力、shell（机房外壳/基础载体）、金融，全部都在增加就业。AI model（模型）层的工作也比以往任何时候都多。我们刚刚也说了，去年有 1000 亿美元流入上层应用。工作岗位同样比以往任何时候都多。

我们正在创造多得多的工作岗位。现在，有人可能会说，那传统工作怎么办？所以，我给你举个例子。你知道，每个人的 job（职位）和他执行的 task（任务）是相关的，但并不相同。一个职位，和你在这个职位中做的任务，彼此相关，但不是一回事。

比如说，我的 job（职位）是担任 CEO，领导公司。大多数时候，而且我今天就花了很多时间在这上面，我的大部分时间里的 task（任务）其实是打字和说话。所以你可以说，CEO = 打字和说话。这两件事，AI 都能以 superhuman（超人级）的方式完成。而我却比以前更忙了。

当然，这只是个很讨巧的例子，但我给你一个更深一点的例子，你现在就可以把它套用开来。所以，大约十年前，稍微更早一点，世界上一位顶尖的计算机科学家想提醒所有人 AI 的力量。于是他说，Constantine 可能知道这人是谁，他说，AI 将会摧毁并消灭的第一个职业——而且我建议任何人都不要进入这个领域，因为这个领域会被清空——就是 radiology（放射学）。十二年前，computer vision（计算机视觉）就已经达到 superhuman 水平了。computer vision。

计算机能够以 superhuman 的能力识别图像、检测异常，而且从不疲倦、不会漏掉任何细节。十二年前它就已经能够做到这些了，因此他预测，radiology 将会被彻底消灭。结果呢，他说得完全对。radiology 的确被 computer vision 彻底渗透了。computer vision 扩散到了 radiology 的每一种形式、每一套 radiology 工作流中，而如今每一位 radiologist（放射科医生）都在 computer vision 的增强辅助之下工作。

不过，有意思的是，radiology（放射学）的需求上升了。全世界 radiologist（放射科医生）的数量也增加了。为什么？请大家参与一下。为什么？