夜雨聆风2026 年 6 月 17 日，黄仁勋在德州出席光通信设备厂商 Coherent 工厂扩建活动时，接受了美联社的现场专访。同一天稍早，他还在另一场访谈中提到一个让不少家长和考生心头发紧的判断：在 AI 时代，专业不再是金钥匙，关键在于孩子能否在机器时代保持人性光辉——具体来说，是提问力、缝合力、抗压力这三种能力。
把这两场发言放在一起读，会发现英伟达掌门人正在反复强调同一件事：人类独有的"人性"部分，正在取代"智力"成为新的竞争主轴。
这个判断的颠覆性在于，它不是来自一位人文学者，而来自一家市值站在全球前三、卖芯片给全世界 AI 公司的工程师型 CEO。算力的提供者，反过来对算力替代不了的事情下了重注。
这篇文章尝试把黄仁勋最近的访谈拆开，逐条验证他的论据，再回到一个更实际的问题——对普通从业者、家长、教育者，这套判断到底意味着什么。
一、为什么黄仁勋说"智力已经不是稀缺资源"
要理解这个判断，需要先看清楚过去三年 AI 推理能力在哪些维度上发生了跃迁。
在 2023 年，全球应用 AI 编程的次数大约是 3 亿次。 2024 年这个数字上升到 4 亿次，2025 年是 5 亿次。到 2026 年的前几个月，黄仁勋在台北 GTC 大会上给出的最新数据是：已经几乎增长了两倍，约 14 亿次。
这意味着在不到三年时间里，全球 AI 编程调用量从 3 亿次膨胀到 14 亿次——约 4.7 倍。AI 不再是程序员尝鲜的工具，而是已经嵌入到代码生产的主流程里。
更值得关注的是黄仁勋在访谈中透露的内部数据：英伟达自己的软件工程师和芯片设计师，今天的工作方式已经被 AI 改写。 软件工程师有 AI 帮忙编程、调试；芯片设计师有 AI 协助设计。如果没有生成式 AI，Hopper 和 Blackwell 两代 GPU 架构在工程上是无法按期交付的——这是黄仁勋在 60 Minutes 访谈里的原话。
换句话说，当一家全球最强的算力公司的核心研发流程都被 AI 重塑，"智力"作为稀缺资源的叙事就已经瓦解了。
这与黄仁勋在 Lex Fridman 播客里那句引发争议的判断（他宣称"已经实现了 AGI"）是同一个逻辑底层：标准意义上的通用智能能力，在工程实践中已经被模型达到。当一个智力目标不再是瓶颈，它就不再是核心竞争力。
二、稀缺的是什么？——黄仁勋列出的三种"人性"能力
既然智力不再是稀缺资源，那什么是？黄仁勋在不同场合反复提及的几项能力，本质上指向同一个内核：人类独有的判断力、提问力、缝合力。
2.1 判断力：在不确定中做价值排序
黄仁勋在多次访谈中强调一个观点：AI 可以给你 100 个方案，但只有人类能决定哪个最重要。
这不是修辞。背后是一个真实的工程问题：当不同目标相互冲突时，谁来定义"应该优化什么"？ 这是一种价值排序能力，AI 在技术上没有内生来源——它的目标函数是人类写进去的。
举一个直观的例子。一位产品经理面对三种方案：方案 A 上线最快但牺牲稳定性，方案 B 用户体验最好但成本最高，方案 C 数据指标最漂亮但需要推迟两个月。AI 可以把这三个方案的指标、风险、成本算得比任何分析师都精确。但"这个季度，团队更看重速度还是稳定性"——这个决定，AI 不会替产品经理做。
黄仁勋把这个能力叫做 judgment。他在台北 GTC 演讲中说过一句话，原话大意是：token 是利润单位，但价值排序仍然要由人完成。
2.2 提问力：决定 AI 输出的天花板
黄仁勋 6 月 17 日访谈中那段"高考前夕"的发言，被很多人转述为"专业不重要"。但他的原意更精确：专业依然是基础，但决定一个人上限的，是能否问出让 AI 真正发力的问题。
提问力为什么稀缺？因为大模型的输出质量，对提示词质量的敏感度远超普通用户的直觉。下面用一个最简单的对比来说明：
# 低质量的提问
prompt_v1="写一个排序函数"
# 改进后的提问
prompt_v2="写一个 Python 排序函数，要求：
1. 输入：长度为 100 万的浮点数列表，分布未知
2. 目标：在单核 CPU 上 1 秒内完成
3. 稳定性：相等元素需保持原顺序
4. 内存：不能使用 O(n) 额外空间
请解释你的算法选择和复杂度分析"第一条 prompt 得到的代码几乎一定是调用 sorted() 结束。第二条 prompt 则会逼出 TimSort 与归并排序的稳定性分析、内存复杂度权衡、CPU 缓存命中率的讨论。 同样的模型，提问方式不同，输出的智识含量差出一个数量级。
这背后是黄仁勋多次强调的原理：AI 把智力从稀缺品变成了大宗商品，但提问能力决定了你能从大宗商品中提取多少价值。 在大宗商品化的智力市场里，提问者是定价者。
2.3 缝合力：在碎片化能力间做连接
黄仁勋提到的"缝合力"，英文语境里更接近 integration 或 synthesis——把原本分散的能力、领域、视角拼接成一个新东西的能力。
这个能力为什么 AI 不容易替代？因为它依赖两类输入：跨领域的隐性知识和长期累积的品味。前者无法在单次对话里喂给模型，后者更难——品味不是数据，是经历。
一个具体的场景：一位资深市场分析师需要为新上市的智能硬件写一份上市方案。AI 可以分别完成竞品分析、价格策略、传播文案、渠道计划。但"把哪几份输出拼成一份有节奏感、在公司当前资源约束下能落地的整体方案"——这件事，目前只有做过三年以上类似项目的人能做好。
缝合力的稀缺性，本质上是经验稀缺性的体现。AI 可以把单点能力做得比人好，但把多个单点拼成一张可执行地图，需要的是人脑里的"图谱"。
2.4 抗压力：面对失败和模糊的恢复能力
黄仁勋把抗压力放进"人性竞争力"的清单里，原因也很直接：AI 不会焦虑，但人会；AI 不会失败，但人会。 在真实世界里，项目的失败不是因为算法不够强，而是因为人在连续挫败后失去了方向感。
这一点在创业者群体里特别明显。一个 AI Agent 可以在十次失败后继续执行第十一次指令，但人会在第五次失败后开始怀疑自己的方向。能够穿过怀疑期继续做决策的人，在 AI 时代会变成更稀缺的资源。
三、为什么这是"工业革命"级别的转变
黄仁勋在 6 月 17 日的访谈中把这场变革比作汽车被发明后孩子们不得不离开街道——社会规范必然改变，且没有回头路。
这个比喻里有三层含义：
第一层：技术变革会强制重塑社会契约。 汽车出现之前，孩子在街上玩是常态；汽车出现之后，街道成为危险区域，整个城市基础设施和儿童教育方式都因此改变。AI 出现之后，"谁有权决定如何使用 AI""哪些工作必须保留人类判断""教育应该训练什么能力"——这些问题都会被强制重写。
第二层：黄仁勋明确说"社会别无选择"。 这不是乐观主义的修辞，而是对工程现实主义的描述。当一家全球最大的算力供应商判断 AI 推理成本会继续指数级下降，那么"等待 AI 成熟再做调整"的策略就会失效——它会在等待过程中被甩开。
第三层：黄仁勋同步提醒了一个被忽视的瓶颈——能源。 在 Coherent 工厂的活动上，他罕见地把能源问题摆在台面上：美国要承接 AI 工业革命，能源产能严重落后。 换句话说，他不仅看到了机会，也看到了基础设施层面的硬约束。
工业革命级别的判断需要这种两层视角：一边是 AI 智能体和实用型 AI 已经到来（这是 2026 年 GTC Taipei 的官方主题），另一边是支撑这场革命的电力、芯片、工厂、能源网络仍需大规模建设。
对个人来说，这意味着未来十年不会出现"AI 接管一切"的真空期，而是会出现"AI 接管标准化智力任务，但能源、基础设施、人际服务、教育、医疗等领域仍需大量人类投入"的混合期。 这个混合期，是人性竞争力真正发力的舞台。
四、人性竞争力背后的英伟达战略
把视角拉远一些，会发现黄仁勋的"人性竞争力"论调，与英伟达近一年的产品方向高度一致。
2026 年 GTC 上，英伟达的核心叙事是"AI 智能体"。智能体不是新概念，但 2026 年的智能体和 2024 年的智能体有本质区别：前者被设计为长程任务执行者，后者更多是单次问答工具。 长程任务意味着智能体需要与人类在多轮、多目标、多失败模式下协作——这恰好是判断力、提问力、缝合力的应用场景。
再看英伟达的硬件路线。Rubin 平台下半年出货，算力相较上一代暴涨五倍。 这个数字的含义不是"更快"，而是"更便宜"——当推理成本降到原来的五分之一，原本因为太贵而无法用 AI 替代的场景会大规模解锁。原本必须由人类完成的判断任务，会被 AI 接管其中标准化的部分，留下真正需要价值判断的部分给人类。
这与黄仁勋的"人性"叙事形成完整闭环：英伟达提供越来越便宜的算力，企业因此释放出新的任务空间给人类员工，但这些新任务恰好是 AI 不擅长的人性维度。 这套商业逻辑和价值叙事之间的耦合，不是巧合。
五、对普通人的三条行动建议
把黄仁勋的判断落地到操作层面，有三条可以立刻开始的动作。
5.1 把"手头技能"换成"会问的问题"
第一步，做一次个人能力盘点。 列出当前工作中由 AI 完成的环节、由 AI 辅助完成的环节、必须由自己完成的环节。后者就是判断力、提问力、缝合力的所在。
# 个人能力盘点模板（可直接复制使用）
## 当前岗位：_______________
## 每日任务清单：
- [ ] 任务 1: _______________ (AI 完全替代 | AI 辅助 | 必须人工)
- [ ] 任务 2: _______________ (AI 完全替代 | AI 辅助 | 必须人工)
- [ ] 任务 3: _______________ (AI 完全替代 | AI 辅助 | 必须人工)
## 必须人工的任务中，核心人性能力是：
- 判断力：_______________
- 提问力：_______________
- 缝合力：_______________
- 抗压力：_______________
## 接下来 90 天要重点训练的能力：_______________第二步，把每天工作的第一个小时，留给"提问练习"——先想清楚要问什么，再让 AI 回答。 不要先打开 AI 再决定问什么。这个顺序的颠倒，决定了一整天的产出质量。
5.2 在自己领域内建立"AI 时代的品味"
黄仁勋提到的"品味"不是空话。一个训练有素的判断者，和一个新手，对同一份 AI 输出会有完全不同的判断。
具体的训练方法：
- • 每天读三篇高质量的人类写就的深度文章（不是资讯，是论证类内容），同时让人工智能写一篇类似主题的对比版本，自己做批注：人类版本里哪些判断是 AI 版本没有的？这些判断背后的依据是什么？
- • 每完成一个 AI 辅助项目，写一段 200 字的"人类判断记录"——记录自己在这个项目里做了哪些 AI 不会做的决策，决策的依据是什么。半年后回看，这段记录会变成比简历更有说服力的人性竞争力证据。
5.3 主动制造"跨领域缝合"的机会
缝合力是稀缺性最高的能力，因为它依赖经验图谱的广度。建议每季度主动参与一个跨部门项目、一个跨领域社群、一次跨行业的交流。 不需要做出成果，只需要让自己的认知地图多覆盖一块。
# 一个简单的"缝合练习"命令行示意
# 每月从三个不相关的领域各取一个观察，强制做一次跨域连接
python3 -c "
import random
domains = ['AI 行业', '古典音乐', '足球战术', '中医诊断', '物流调度', '建筑结构']
picks = random.sample(domains, 3)
print(f'本月三个领域：{picks}')
print('任务：从中提取一个共有的结构性规律，')
print('并把它应用到自己当前的工作场景中。')
"这段脚本的输出看起来像玩笑，但真正执行起来会发现——跨域连接往往能产出 80% 的从业者想不到的洞见。 这就是缝合力。
六、黄仁勋没说但绕不开的三个问题
黄仁勋的判断大体正确，但作为读者，有三个他没有在访谈中展开、但值得追问的问题。
第一个问题：能源瓶颈的解决时间表。 黄仁勋提到美国能源产能落后，但没给出具体路径。如果能源问题不解决，AI 推理成本下降的曲线会被发电厂建设速度卡住，"廉价 AI"可能比预期晚两到三年。
第二个问题：抗压力的代际差异。 黄仁勋强调抗压力是稀缺资源，但抗压力本身与成长环境密切相关。如果一个世代的孩子在 AI 辅助下长大，他们面对真实挫败的经验会少一代人。这是不是意味着"抗压力"本身也在被 AI 时代侵蚀？ 这是教育者需要严肃面对的问题。
第三个问题：判断力的可训练性。 判断力听起来美好，但判断力不像编程或写作那样有清晰的训练路径。如何在 K12 阶段系统训练"价值排序"这种软能力？ 目前没有公认成熟的方案。黄仁勋点出了问题，但没有给出答案。这是接下来十年教育领域最值得投入的方向之一。
七、最后一点冷静的判断
黄仁勋这次的访谈里，有两个判断需要读者保持距离。
一是"英伟达已实现 AGI"——这个表述是工程意义上的，不是哲学意义上的。工程上 AGI 指的是"模型能完成大多数人类能完成的智力任务"，这个目标确实已经达到；但哲学意义上的 AGI 涉及意识、价值、自我认知，目前没有任何模型接近。 把这两个定义混在一起，是行业里常见的修辞策略，读者需要分清。
二是"专业不重要"——这是被网络转述简化后的版本，原意更接近"专业作为静态知识的重要性在下降，专业作为价值判断和缝合能力的重要性在上升"。这不是说不需要专业基础，而是说仅有专业基础不够。
黄仁勋最值得记住的，不是他说了哪些漂亮的话，而是他作为英伟达 CEO，在 AI 工业革命的开端，选择把"人性"作为对外叙事的核心。这本身就是一个判断——一个关于英伟达未来十年商业位置的判断。
AI 时代的竞争主轴，确实正在从"谁更聪明"转向"谁更像人"。 不是更情绪化的人，而是更能做价值判断、更能提出好问题、更能缝合碎片能力、更能在挫败后继续决策的人。
这个转向，对每个人都是机会。
