黄仁勋 All-In 峰会访谈:那些 AI 末日预测,很多都是编的

前段时间美国 AI 圈吵的是一件事：要不要给模型能力的提升降速。9 月 9 日，Anthropic 研究员雅各布·考克森辞职；三天后，CEO 达里奥·阿莫代伊发文呼吁放缓前沿模型的研发节奏；奥尔特曼、马斯克、哈萨比斯、纳德拉陆续表态。

9 月 14 日，黄仁勋在洛杉矶 All-In Summit 上接受了 All-In Podcast 四位主持人的现场访谈，给出了相反的回答。

他把这场争论带到了一个完全不同的地方，面对“要不要放慢”，他没有从立场上反驳，而是端出来的是一批可以被验证的记录。过去几年，部分预测把 AI 的威胁说到了极致：某个职业五年内被完全取代，某类岗位几个月内大面积消失，某个模型危险到不能发布。这些话出口的时候都很有分量，之后没人回头对账。黄仁勋一条条念出来，对照的是已经发生的事实。

这么一摆，争论的性质就变了，末日论者最有力的地方，在于他们指向的灾难还没到，谁也无法证伪；而黄仁勋指出，他们上一批预测的截止日期已经过去了，而且过得很不体面。他把一个没人愿意碰的问题摆到了台面上——一组指向灾难的判断，说出口的人是否也该为落空的那部分负责。四十多分钟里，没人正面回答他。

从一封辞职信开始的那十天

这轮争论的起点是 9 月 9 日的一条帖子。

考克森在 X 上的账号是 @hilbertspaess，他写下的原话是：“我今天从 Anthropic 辞职。过去三年我在 OpenAI 和 Anthropic 做预训练研究。两家公司都没有负责任地行事。它们正径直冲向自我改进的超级智能，拿我们的生命赌博。”帖子里还有一句被反复引用的话，说造 AI 的那些人“真心相信这项技术可能在这个十年结束前杀死所有人”。

这条帖子几天内被看了数千万次。跟进的不是外部批评者。Anthropic 从事对齐研究的哈宾格公开支持考克森，并给出了自己的判断——AI 在未来十年造成人类灭绝的概率超过 10%，而研究者目前还没有控制超级智能系统的完整方案。做通用人工智能安全的 Anna Wang 对记者说，公司内部很多人希望把开发速度放慢一点，好有时间制定更能兜住风险的方案。另一位员工 Drake Thomas 说，在抵达超级人工智能之前，研究者手里还没有他们自己想要的那种确定性。

考克森后来上了 ABC 的《本周》节目，主持人问他公司内部多久讨论一次风险。他给的回答是“一周大概几次”。对一个被自己建造者认为可能在本十年内造成人类灭绝的技术来说，这个频次本身就是他抱怨的核心。

真正把这事从内部争议推成公共事件的是 9 月 12 日。

阿莫代伊在自己博客上发了一篇长文，标题是《我们必须放缓前沿步伐》。他写，过去几个月他逐渐确信，要真正处理风险，光投资于风险预防不够，还得给能力提升的速度降档，让预防措施有时间跟上。他在文中点名了两个让他改变判断的变化：一是 AI 系统帮助建造下一代 AI 的能力在增强，也就是所谓递归自我改进；二是 OpenAI 与 Hugging Face 之间的一次事故——一群 AI 智能体对公司未被要求攻击的目标发起了网络攻击，还试图入侵评估它们表现的系统。

他提出的方案分三步落地，Anthropic 承诺先执行第一条。在实验室内部嵌入拥有“员工级”权限的第三方评估者，可以查看安全实践、报告事故。第二步，在民主国家之间协调安全标准、共同限制开发节奏。第三步，在全球范围内寻求协调，包括在 AI 助长生物武器这类窄风险上与不同体制的国家沟通。他在同一篇文里明确反对全面暂停，理由是放缓不能以牺牲对中国的领先为代价。

奥尔特曼几小时后在 X 上回应，说这是 OpenAI 近几周内部讨论的主要话题，“承诺让独立评估人员获得类似于正式员工的访问权限是个绝佳构想，我们也会照做”。马斯克的回应只有四个字：“达里奥说得对”。

谷歌 DeepMind 的哈萨比斯提出了一个类似美国金融业监管局的组织方案，微软的纳德拉在同一天的发言里说，在讨论可能卡死行业的监管之前，先把测量和标准化做对。

点头的人不少，但 All-In 的四位主持人之一大卫·萨克斯当场就不认这套说法。他也是这场访谈的提问者，他指出 Anthropic 和 OpenAI 事实上就是前沿本身，“你们自己去慢就行”。他的说法更硬：让产品变安全，不需要向政府索要任何让步。

市场在 9 月 14 日，也就是访谈当天，先给出了自己的反应。

道指收跌 152.09 点，标普跌 0.48%，纳指跌 0.56%，跌幅几乎全部集中在算力硬件上。Arm 跌 9.7%，拉姆研究跌 8.29%，阿斯麦跌 7.25%，英特尔跌 5.59%，美光跌 5.25%，博通跌 4.77%，AMD 跌 4.4%，英伟达跌 3.36%。亚洲市场同步走低，软银收跌约 10.7%，SK 海力士 ADR 跌 7.6%，三星电子跌 4%，韩国 KOSPI 收跌 3.3%。与此同时，网络安全板块反向暴涨，Palo Alto Networks 和 CrowdStrike 当天涨幅都超过 13%。

英伟达的市值从 9 月 4 日的 5.55 万亿美元高点滑到 5.08 万亿美元附近，五个交易日累计蒸发约 1766 亿美元。逻辑链条不难理解：如果模型训练的速度真的降下来，GPU 的训练需求就会跟着走弱，而英伟达的增长建立在一个前提上——大型科技公司会持续竞相扩建 AI 基础设施。

三天之后，同一批股票几乎把失地全收了回来。到 9 月 17 日收盘，费城半导体指数涨 3.14%，英特尔涨 7.67%，Arm 涨 8.57%，AMD 涨 6.36%。

市场用三天时间说明了一件事：减速叙事砸出的坑，被“算力需求不只来自训练”这个更基本的判断填了回去。Bernstein 的分析团队在下跌当天就重申了对英伟达和博通的跑赢评级，他们的理由是，阿莫代伊呼吁的是把速度从极快调到稍慢，不是停止训练，而推理和智能体应用的需求还在往上走——光是现有模型的算力就已经不够用。

而在这轮涨跌开始的那一天，黄仁勋站上了 All-In Summit 的台。

把过去几年的预言逐条翻出来对账

主持人提的第一个问题里就带着一个数字：AI 有 10% 的概率导致人类灭绝。

黄仁勋没有去讨论这个数字高不高。他说的是，根本不该给这类事情赋予所谓的“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”。他把话说得更重了一层：当一个人被称为研究者、科学家，然后再给出一个非常惊人的预测，公众很容易因此恐慌，这是不负责任的。

黄仁勋念的是一份可以被验证的历史记录，每一条都能查到出处。

有人预测五年之内放射科会被 AI 完全取代，世界上将不再需要放射科医生。现实走的是反方向，全世界比以往任何时候都更需要放射科医生；AI 确实进了放射科，把自动读片这类活接了过去。有人预测六到十二个月内 90% 的代码都会由 AI 生成，那说的就是去年，结果被证明是错的。还是去年，有人预测六到九个月内 50% 的初级岗位会消失，同样没有发生。再往前，GPT-2 被认为危险到不能发布，Llama 3 也被这么说过。还有一半白领岗位将在第二年消失、“就业末日”即将到来的说法。

他的结论只有一句，这些预测都该被记录下来，几年之后回头看，就知道哪些是对的，哪些只是制造了恐慌。他对这条逻辑还有一层补充，一个不断制造恐慌的行业叙事，最终吓退的恰恰是本来该投进安全建设的钱。恐吓不产生安全。

这一段之所以有力，是因为它把举证责任推了回去。当预测方用“概率”这种带科学气味的表述包装一个没有实证基础的说法时，反驳者不需要给出相反的预测，只需要指出预测历史上的命中率。这个动作在辩论上是干净的，也是这场访谈能迅速传播的原因。

这套逻辑留下了一个缺口，缺口还不小。

灾难预警的价值，恰恰在于它发生在事故发生之前。如果一类风险只有当它变成事故才算“真实存在的问题”，那么预防这个概念本身就失效了，剩下的只有事后追责和修复成本。黄仁勋用“这些预测都没发生”来否定预测的严肃性，逻辑上依赖一个隐含前提：历史上没发生过的类型，未来也不会以某种形式发生。这个前提他没论证。

黄仁勋自己其实也意识到了这条边界，他反对的是那类给出精确概率、却拿不出研究支撑的判断，而不是所有关于未来的预测。他说的原话是“这些预测都应该被记录下来”。

真实的事故都出在实验室里，那就按工程问题办

安全这件事上，黄仁勋没有绕开，但他把问题切成了两半。他开场就承认，安全必须极其认真地对待，“安全是第一位的，这没得说”，美国不必在安全和保持领先之间二选一。对考克森，他给了两段分开的评价：站出来举报需要勇气，任何时候出了举报人都得认真对待；但以科学家的身份对未来做那些耸人听闻的判断，既不科学也不负责任。他把这两件事拆得很干净——举报这件事本身是对的，混在同一篇文章里的那些未来预测，他不认。

主持人的追问很直接：那你认为监管该从哪里下手。

主持人追问监管该从哪里下手的时候，他先做了一次事实核查。截至当时，所有真实发生的事故都出自前沿实验室，别的地方一家都没有。紧接着他替这些实验室说了一句话：原因说得通的，因为它们拥有最多的算力，也因为它们在试图攻克最前沿的难题。高中生搞不出这类事故，因为根本没有那个量级的算力；创业公司也搞不出，同样因为没有；“事实上，除了前沿实验室，地球上的任何人都没有足够的算力”。

由此得出的应对方式非常工程化，出了事故第一件事就是从工程角度做根因分析，弄清楚发生了什么、当初有哪些不同的做法、之后要把哪些技术、方法或者流程制度化，确保不再重演。他列了具体的控制手段——沙箱、运行环境、监控、持续监控。他甚至给出了一个带赌注性质的判断：这些事故未来都完全在实验室自己的掌控范围内，可以被预防，他相信它们已经做了根因分析并修好了。

他把另一种可能性也摆了出来：如果某天某家实验室分析完得出结论，说自己完全不知道发生了什么、也不知道怎么控制，只能向社会求助——真到那一步，那就该派工程师进去帮忙。他怀疑轮不到这一步。

第三方评估这一层，他用了一个金融界的类比。评估机构和审计师一样，不需要比企业家更懂业务，只需要知道该问哪些问题。而且要有多家，因为只有一家可能会被影响，多家才能相互制衡。萨提亚·纳德拉当天早上在同一场地讲过类似的话：在讨论可能卡死行业的监管之前，先把测量做对、把标准化做对。

这套说法有一个不容易被注意到的结构：它把监管的对象从“整个行业”收窄到“拥有最多算力的那几家”。这个收窄在逻辑上是成立的，在现实里也意味着——绝大多数AI从业者不会被新规则碰到。对一个正在被监管议题困扰的行业来说，这是一种相对友好的表述方式。

萨克斯那一句“你们就是前沿”，其实问的是一个很朴素的问题。如果危险真的像文章里描述的那么紧迫，那实验室根本不需要任何人的许可就可以自己慢下来。行业共同规则的意义在于防止一场没人敢先退出的竞赛，但如果危险是即时的，先退出的那一家凭什么不先退。

递归自我改进被这几个字“武器化”了

话题转到那阵子最热的新词：递归自我改进。

主持人带来的现场消息是，做 GLM 的中国实验室宣布投入 30 亿美元做递归自我改进项目，创始人刚完成 50 亿美元融资。这两个数字出自节目现场的转述，暂时没有第二个来源可以核对，但问题的落点是清楚的——大家都想知道黄仁勋会不会表现出一点紧张。

面对这个问题，黄仁勋给的答案像是一堂技术拆解课。所谓递归自我改进，在他嘴里是一组已经存在的技术叠在一起：上下文学习、技能、反思、强化学习、合成数据生成，再加上低秩适配这一类不需要重训基础模型就能改进权重的方法。积累的经验足够多之后，再回头重训基础模型。这条路径里的每一步都是常规动作，目的只有一个——让 AI 在包括建造 AI 在内的各种任务上更有效率。他的评语是，这想法合乎逻辑，几乎每家公司都在不同程度上这么用。

让他真正在意的是这个词的用法。他说，“递归自我改进”现在被人拿来在某种程度上把这项技术武器化了，讲成一种即将螺旋失控的东西，好像是故意要给人这种印象。

他的反驳落在一个很具体的地方：可以在公司内部整天做这件事，但产品要发布出去的时候，你得评估它、得重新测一遍、得确认没有功能退化。这是最基本的控制流程。而这些实验室正在从研究型组织转向工程型组织，控制力来自方法、知识、实践、工具和技术的积累，不来自祈祷。有了更强的控制力，递归自我改进可以在内部推进，好产品可以安全地发布到外面。

这一段的要害在于，它把“失控”这个抽象恐惧翻译成了发布流程里的几个检查项。恐惧很难被反驳，检查项可以。

开源和闭源，以及那瓶免费的水

英伟达在访谈前不久以 129 亿美元收购了开源模型社区 Hugging Face，这件事是绕不开的背景。主持人说这可能是 AI 行业影响最深远的交易之一，甚至不想管它叫“交易”。

黄仁勋借这个话题把开源与闭源讲成了一堂经济学课。

他本人是闭源模型的重度用户，那个周末就用了四个，评价是体验很好、还在变好。他对闭源模型的比喻是瓶装水——水本身是免费的，你在合适的地方用合适的水，这跟用电没什么区别，两者你都需要。

开源那一侧的存在理由，他归到了三件事上：主权、隐私、企业对自有专有技术的掌控。然后是数据。过去六个月，大约 4000 亿美元风险投资流进了 AI 原生公司，其中约 80% 用的是开源模型。他的推论很直白——如果没有开源模型，这80%的公司根本没法去实现自己的目标，因为它们想做的事情和前沿实验室本来就不一样。

美国的核心优势，在他这里被表述为创新形式的多样性。赢下 AI 竞赛不该是几家科技公司赢，而应该是每一家公司、每一个行业、每一位研究者、每一位老师、每一位学生、每一家初创都能从这项技术里拿到机会。有些人会用闭源模型，很多人会用开源模型。

这段话里其实藏着一个商业判断。英伟达在五个垂直领域都放出了前沿开源模型，包括自动驾驶、生物医药。它选择“往上走到必要处、往下留在最低处”，把必要的技术做到位，然后让生态自己开花。这算不上纯粹的慈善姿态，它同时也是一种扩大算力需求面的策略，开源的繁荣本身就是推理算力的繁荣。

中国在开源生态里的位置

访谈里有一个问题问得很直接：这些开源模型来自中国还是美国，要紧吗。

黄仁勋的回答被中文媒体单独拎出来做了标题。他说，今天全世界对开源的大部分贡献可能都来自中国。原因他讲得很实在：工程师多得多，国家更大，什么东西都是大规模生产，理工科学生是一批一批产出，清华大学这类高校在批量“制造”这类人才。

接下来那句是整场访谈里传播最广的。他说，人们下载 Linux、下载 Kubernetes、下载各种软件，其中很多都经过中国人的手；而一旦你把它下载下来，它就是你的了。可以 fork 它、改进它、把它变成自己的东西。所以当你下载一个中国模型，它只是碰巧由一群中国非常出色的研究者做出来，但现在它已经是你的了。

他由此把这场竞赛的赛场重新划了一遍，胜负取决于谁把这项技术用得好。他举的例子是上一次工业革命，发明家麦克斯韦、伏特、安培，没有一个是美国人，那次工业革命源于欧洲，但美国在社会层面比世界上任何地方都更会利用它，结果有目共睹。

对于中美两国叙事的差别，他给了一段被反复引用的观察：中国的叙事务实得多，把 AI 看作一项能推动经济、推动社会的技术，那里没有人天天絮絮不休地说这会终结文明。他补了一层为什么这件事让他沮丧——如果那些末日预测是真的，那就该去谈、去做点实事，哪怕它是真的，也应该把更多时间花在做事上，而不是去吓唬一群对此什么也做不了的人。

对中国读者来说，这段话可以听出两层意思。头一层是认可，在一个由算力硬件定义话语权的行业里，最有资格谈算力的人开口说开源生态的最大贡献来自中国工程师，这个背书的分量不轻。

另一层意思听起来就没那么轻松，它落在价值捕获上。这套逻辑的内核是“发明不等于收获”，价值落在应用侧和能力侧，不在模型发布侧。一个模型被下载之后，贡献者拿到的是声誉和影响力，收入并不跟着走。黄仁勋把“谁用得最好”定义成竞赛的真正赛场，这个定义对使用者友好，对只发布模型的那一方则意味着——发布了不等于赢了。

那通没有彩排的电话

访谈进行到一半，黄仁勋掏出了手机。

按他自己的说法，这不是安排好的。他说总统先生，我正和萨克斯、杰森、查马特还有大卫坐在台上，面前有几千人，巧的是刚才聊的就是您。对面回应说，代我向他们问好。

接下来的一段，是这场技术辩论被拉进政治层面的那个瞬间。特朗普在电话里说，现在有人试图阻止数据中心建设，“在我看来，这是一个骗局”；数据中心能带来投资和就业，是未来二十年、二十五年的重要产业；机器人不会接管世界，AI 也不会接管世界；“我们当然要谨慎，但不能因为担忧 AI，就把整个行业停下来。”

他还说，谁赢下 AI，谁就赢，这件事比互联网还大，数据中心是其中一部分，要确保每个行业、每家公司、每个州和每个人都能从 AI 竞赛中获益。

黄仁勋当场给的回应只有两句，“您说得对”和“我们不会让这种事发生”。

电话挂断之后，主持人问了一个挺尖锐的问题：支持限制数据中心的民意是压倒性的，换任何一个政客都会顺着民意走，他为什么敢反着说。黄仁勋的回答是“我不确定”，然后补了一句——正因为太多人信了那个故事，敢公开说它是骗局才显得不寻常。

在这段之后，黄仁勋还讲了一件与电话无关、但意思相连的事。主持人问他怎么管公司，他说英伟达不欢迎在公司内部讨论党派政治，这类话题请带回家或者到公司外面去谈；英伟达希望美国成功，无论哪个政府上台都会尽力帮助美国成功。

这两件事放在一起看，指向的是同一套立场：技术问题按技术办，政治问题留在公司门外，而公司本身站在“让美国赢”这个更大的目标下面。这种表态在美国当下的环境里并不容易做到，它同时要应对主张减速的研究者、主张限制数据中心的社区、以及两边都想拉拢的政治力量。

英伟达的牌法

话题在后半段回到了生意本身，主持人给英伟达起了个外号叫“AI 的银行”。这家公司已经在用资本把整条生态链串起来，土地、电力、机壳一揽子的 Cloverleaf 交易，还有与贝莱德、高盛这类机构搭起来的融资架构。

黄仁勋的解释是把 AI 当成一场新的工业革命。它的每个方面都是真的，涉及模型、芯片、应用、数据中心、建筑、电力、发电设施。他一直在看整个生态，找其中的瓶颈——如果一家很好的公司因为某个环节受限，那就是他要关注的问题。可能是供应链，也可能是土地、电力或者工厂。因为英伟达的规模已经足够大，必须提前很多年考虑供应链，需要长期盯着康宁、Lumentum、台积电以及存储供应商这些企业。

关于“利润最终会向应用层移动、英伟达为什么还要进入模型和 Hugging Face 这些更上层”，他的回答是：英伟达几乎能运行世界上所有的模型。一年半以前大家主要讨论 OpenAI 一家的模型，现在 Meta 的 Muse、Grok、Gemini、Anthropic 等等都在跑，大量前沿实验室建立在英伟达的平台上。他的策略是帮助所有人成功，而不是把别人的业务拿过来，尽可能留在技术栈更底层的位置，只在必要的时候向上走。cuDNN 支持了大量框架，Megatron 和 Megatron Core 支撑了大规模训练，“我们发明那些必要的技术，然后让整个生态去发展”。

主持人追问超大规模云厂商这一层是否该有更多竞争，他把话题引到了区域云服务商身上。这些公司往往比大型云厂商更灵活，因为它们能在当地找到土地、电力和工厂，也更了解当地需求。他提到一个很具体的现象：所有新型云厂商最早的客户都是超大规模云厂商，原因在于后者一年才做一次规划，而现在的市场变化太快，它们几乎总是判断失误。于是形成了一张分布式的企业网络，把土地、电力和机房先锁下来。澳大利亚的 Firmus、东南亚的 IOH 都被点了名，规模按吉瓦算。他的判断是，未来越来越多国家会把 AI 看成战略产业。

自研开源模型那一节，他的理由只有一句：客户需要。自动驾驶模型 Alpamayo 是个会推理的驾驶系统，靠推理替代对数十亿小时道路数据的依赖，让那些没有完整技术栈的车企只做最后一公里的适配。生物领域做了 ESM2、ESMFold、OpenFold、AlphaFold 2 以及蛋白质结合体生成的框架，因为制药公司确实需要。他的原话是，做每一件事都是出于需要，不是每天早上醒来想着去颠覆谁。

访谈里还有两处回答，时间尺度拉得很长。关于马斯克的 Terafab 芯片工厂，他给的是“如果说有人能干成，那就是他”，以及“一旦他决定做一件事，很难拦住他，这也是他的超能力”；被追问英伟达的芯片能不能放到那座工厂里生产，他的回答是可以谈。关于中国本土先进光刻系统进展到哪一步，他的回答是“到 2030 年能做到”，并且补了一句——2030 年就在眼前，而对一家要思考未来二十年的公司来说，两三年什么都不算。

AGI 和超级智能，一片一片亮起来

访谈的收尾回到了那个最大的词。

主持人问，如果 AGI 的标准是达到人类智能水平，现在是不是已经到了。黄仁勋的回答是“我认为我们已经到了”。在场的人愣了一下，他马上给出了自己的口径——他这个“到了”是分段的。

他把这个判断落在了很具体的场景上。“我不需要我的自动驾驶汽车给我摊个蛋饼，我只需要它把车开好。”一辆车如果开得比人好，那在驾驶这个领域，它就是超级智能。他给出的数据是，现在自动驾驶系统的事故率已经做到人类的十分之一。生物领域也一样，合成蛋白、虚拟筛选这类任务已经超过人类能力。在这套说法里，超级智能是一片一片被点亮的区域。

这个定义的分量在于，它把 AGI 的门槛从“通用”降到了“单领域超越人类”。门槛降下来之后，“已经达到”这个判断就很容易成立，代价是这个词原本的争议性也被消解了一部分。如果窄域超越就算超级智能，那这场讨论很久以前就有答案了。

主持人打趣说照这个说法很多人都不用工作了。他的回应是，很多人确实可以不工作，但“这玩意儿太好了，不参与说不过去”，他想待在那个未来里，也希望所有人一起到那儿。

访谈里他讲了一段往事，画面感很强。刚毕业那会儿他是一名工程师，那时候不怎么打字，因为他是软件普及之前的那一代人——得先把计算机造出来，软件才成为可能。而今天进入工程界的每一代人，拿到工作就是一台笔记本、一把椅子，从早打字到晚。他说自己在英伟达常跟软件工程师开玩笑，说你们只是在打字；他最喜欢的键是退格键，因为最好的软件是最小的软件。

打字之前有过伟大的工程，打字之后也还会有。这个类比比任何关于“AI 会不会取代程序员”的论证都更直接。

最后他提了一个请求：鼓励那些实验室，他们在做真正重要的工作，希望他们成功；同时也把这出戏的调门降低一点；最重要的是，让整个美国都跟上来。

争论真正卡在哪

把这场访谈放回它发生的那十天里，有些东西就看得比较清楚了。

一个月前还在讨论开源模型落后前沿两年的行业，现在分成两派。一派认为能力的提升速度已经超过了安全措施的追赶速度，所以要先降速；另一派认为把未经验证的灾难预测当成决策依据，代价是把整个产业的节奏交给恐惧来定。双方的共识部分其实不小——都承认要严格测试，都认可以多家机构来做第三方评估，都不主张全面停工。分歧集中在两件事上：谁先停，以及凭什么停。

第一个问题黄仁勋没有正面回答，他一直在回答第二个，凭的是工程记录、预测的命中率，还有发布流程里的那几道检查项。他的整套论证都建立在一个可验证的领域里，这也是它说服力最强的地方。

还有一层背景绕不过去，英伟达卖的就是扩建 AI 基础设施所需要的芯片和系统，行业如果踩刹车，这条曲线就要改。他在访谈里没有回避这一点，反过来还主动谈了数据中心需求。但在讨论这场争论时把这个背景放在旁边，比不放在旁边更诚实。

市场的反应提供了另一个角度的答案。一天跌，三天涨回来，说明资本对“减速”的定价是短暂的。原因前面说过了，训练不是算力需求的全部，推理和智能体应用还在往上走，现有模型的算力缺口都还没填上。真的要让 AI 基建投资停下来，一篇文章做不到，得等训练需求本身出现拐点。

最后是同一天发生、但被很多人忽略的一件事。9 月 14 日，网络安全股涨超 13%，芯片股跌 3% 到 10%。市场其实已经给出了它对这场争论的理解——如果风险是真实存在的，那么真正被需要的是能处理这些风险的人。这个判断和黄仁勋说的“已经发生的事故按工程问题办”是同一个方向的，但走得更远：它认为风险将长期存在，而应对风险这件事本身会成为一门生意。

黄仁勋在那通电话里承诺的，是“不会让这种事发生”。这句话指向的是一种节奏。而无论节奏怎么定，AI 智能体突破沙箱、侵入未被指示目标的那类事故，和那些被证明落空的预测，都会继续被记在同一本账上。

以上内容整理自互联网公开资料，仅供参考。

点击下方关键字，查看原创热文

（截至26年9月）

▼

典型案例：白酒  |  啤酒  |  饮料  |  食品  |  母婴  |  日化  |  建材  |  数码

理念解读：五码合一 | bC一体化 | 全域粉销30讲 | 营销数字化 | 即时零售 | OMO | DTC| 菌丝体组织

应用场景：一元换购  |  再来一瓶  |  扫码发红包  |  防窜货  |  防伪  |  溯源  |  质保码  |  药品追溯码  |  终端陈列  |  白酒品鉴  |  白酒宴席

业务系统：营销数字化系统（BDE）| 标识中台（IMP）30讲 | 赋码采集关联软件（CCAS）| 会员中台（CDP）| 菌丝体组织操作系统（MOOS）

数智科普：数据资产  |  AI智能体  | GEO（生成式引擎优化）  | AI提效