去 Fry's 买书、把公司当 F1 赛车与系统思考：黄仁勋在 YC 讲出的生存真理

在 Y Combinator 举办的 Startup School 2026 上，Garry Tan 与黄仁勋坐在一起。全场观众也许期待听到关于万亿市值英伟达的宏大赞歌，但黄仁勋一开口，抛出的却是一个相当“狼狈”的开头：

“绝大多数人不相信，英伟达创业时选的底层技术是彻底错误的。”

1993 年，英伟达拿着几百万美元融资，准备用二次曲面贴图算法重新定义 3D 图形。到了 1995 年，微软 Direct3D 和 SGI OpenGL 确立了以多边形三角形为核心的行业标准，市场上瞬间挤进了近 40 家竞争对手。英伟达的路线从数学原理上就被判了死刑。

黄仁勋没有开会把失败包装成战略调整，而是直奔 Fry’s Electronics 卖场，揣着几百美元买了三本 OpenGL 教科书扔给工程师：“我们 raised money，然后买了教科书。”

随后他飞去日本，对 Sega 总裁入江昭雄坦白：我们答应给 Dreamcast 做的芯片路线彻底错了，但如果我们拿不到合同款就会破产，所以请把 500 万美元尾款付给我们。入江被这种极致的诚实打动，给英伟达开出了救命支票。

这段看似古早的创业轶事，隐藏着英伟达 34 年来最核心的底层机理：面对现实（Confront reality），带着“这能有多难？”（How hard can it be?）的野蛮学习力，在底层的绝对理性与最高层的狂妄直觉之间，一天只解决一天的生存。

universal function approximator：15 年前的透视眼

如果把英伟达的崛起归结为“赌对了 GPU 算力”，那就低估了黄仁勋的抽象能力。

在对谈中，黄仁勋谈到了 2012 年 AlexNet 爆发的时刻。当时大多数芯片厂商和软件工程师看到的只是一个能在 ImageNet 上识别猫和狗的卷积神经网络，但黄仁勋通过英伟达的视镜看到的却是：人类终于找到了通用函数拟合器（Universal Function Approximator）。

“15 年前我就在到处跟人讲，我们发现了通用函数拟合器。只要给它足够多的输入和输出，它就能学会在数学上拟合几乎任何复杂的函数。”

这个透视眼直接决定了英伟达的路线：英伟达从来不是一家单纯制造 GPU 的硬件公司，它的本质是“加速特定算法领域（Accelerating an algorithmic domain）”。无论是流体动力学、分子模拟，还是深度学习，芯片只是载体，真正的生意是把算法范式提炼为算力堆栈。

当整个行业还在讨论“要不要为 AI 写专门的软件”时，英伟达已经在 15 年前重新规划了包含处理器、中间件、算法到应用的“五层蛋糕”（Five-layer cake）。

系统思考是新的编程语言

当谈到今天坐在 Chase Center 里的年轻人该学什么时，黄仁勋给出了一个极其直接的断言：低层编码（Low-level coding）将被完全自动化，系统思考（Systems Thinking）才是新的编程。

“在我的时代，我们手写代码、合成晶体管门电路。现在这些全都被 Agent 自动化了。你不再需要坐在电脑前一行行敲代码，你需要的是系统意识、系统设计与抽象能力。”

未来的核心能力，不再是熟练掌握某种语法，而是：

明白系统的输入输出速率与瓶颈所在（内存、网络还是算力）；
理解 Amdahl 定律在并发智能体集群中的作用；
定义明确的边界条件与约束，编排数以百万计的 Agent 协同运转。

这种系统思考的转变，与我们在《Not the Model, You’re the Harness》中探讨的机制完全同频：大模型本身只是原材料，真正决定生产力上限的是包裹在其外侧的系统 Harness（控制环）。

80% 的 Agent 与微观可控性

针对当前 Agent 落地中的焦虑，黄仁勋提出了一个极其接地气的工程解法：我们不需要 Agent 达到 100% 完美才去用它。

“如果 Agent 只有 80% 的准确率，但它能提供极其精准的微观控制（Controllability）——比如在 Plan 文件里修改一个词，在 CAD 零件图层中改动一个螺栓，系统能精准重新生成其余部分——这就会带来颠覆性的变革。”

目前许多黑盒 Agent 最大的痛点，正是缺乏这种细粒度的控制能力：要么全对，要么一旦做错就推翻重来。

黄仁勋透露，英伟达内部并没有统一强制使用某种 AI 效果器，而是让 Open Claude、Codex、Cursor、Hermes 等工具“千花齐放”。让几千个 Agent 在沙盒里并行运行，并通过递归自我改进更新长短期记忆与知识图谱。

这种让每个人拥有、掌控并调教属于自己 AI 的模式，也正好应验了《你”拥有”智能的那天，就是它开始欠你的那天》中的洞察：真正能成为企业与个人资产的，永远是可控、可微调且与工作流深度绑定的私有智能节点。

杰文斯悖论：自动化任务不会杀死岗位

关于 AI 是否会导致大量白领失业，黄仁勋在现场直言“AI 将摧毁 50% 初级岗位的说法完全是无稽之谈”。

他提出了一个清晰的分水岭：AI 自动化的是具体“任务”（Task），而不是“岗位”（Job）。

一个岗位的本质是为了达成某种社会或商业目的，里面包含了成百上千个任务。当其中重复性、消耗性的任务被 AI 大幅降低成本后，会发生典型的杰文斯悖论（Jevons Paradox）：

软件工程：虽然写代码这个任务被自动化了，但人类对新软件和新想法的积压需求（Backlog of ambitions）无限庞大，软件工程师岗位反而年增 10%；
医疗影像：虽然读取 X 光片的任务被 AI 辅助完成，但医院能够承接的患者数量暴增，放射科医生和护士的需求量增加了 20%；
法务领域：AI 整理合同没有淘汰法务，反而让律师事务所能够承接更多诉讼案件，法务助理岗位大幅增长。

技术的突破从来不会减少人类的总需求，它只会把人类从低效的泥潭中拉出来，去挑战规模更大、复杂度更高的硬核科学问题。

F1 赛车手与“How hard can it be?”

在访谈的最后，Garry Tan 问黄仁勋如何看待创始人模式（Founder Mode）与组织架构的重塑。

黄仁勋给出了一个极其形象的比喻：CEO 就是 F1 赛车手。你是在造一台你自己要开去比赛的 F1 赛车，你必须把这台车改装成最适合你自己驾驶风格的样子。

“有人问我，黄仁勋如果你不按常规管理学去建组织，哪天你不在了怎么办？我说：等下一任 CEO 来了，让他们重新把公司改装成适合他们自己的样子就好。因为我们是赛车手，我们必须赢。”

这种对常理的无视，贯穿了他 34 年的创业历程。从去 Fry’s 卖场买教科书救急，到 15 年前决定孤注一掷下注 CUDA，再到如今在 2026 年首度注册 X 账号为开源模型站台，黄仁勋给所有缔造者的底层心智只有一句话：

“How hard can it be?（这能有多难？）”

世界每天都在剧烈变化，面对未知的恐惧与焦虑毫无意义。认清真实的硬约束，相信自己的学习能力，一天只克服一天的困难。只要你留在这个赛场上，“How hard can it be?” 终究会变成现实。

当 AI 开始帮你处理低层代码与日常任务时，你目前最希望用“系统思考”去解决的那个积压已久的大难题是什么？