女生学剪辑好还是编程好？一篇帮你轻松选择的贴心分享 嘿，姐妹们！最近是不是总在刷到各种技能学习的帖子，心里痒痒的，想学点东西提升自己？然后就开始纠结了：女生到底是学剪辑好，还是编程好？别担心，我今天就用最接地气的方式，来和你聊聊这个热门话题。咱们不聊那些高大上的理论，就说说真实感受和选择思路，帮你找到适合自己的方向。一、剪辑：创意与视觉的舞台先说说剪辑吧。如果你是个喜欢追剧、刷短视频、或者平时爱拍点生活小视频的女生，那剪辑可能会特别对你胃口。剪辑说白了，就是把一堆视频素材剪成好看的故事，加点音乐、特效，让画面变得更生动。这活儿特别需要创意和审美，女生通常心思细腻，对颜色、节奏的把握往往更敏感，所以学起来可能上手更快。学剪辑的好处是，它很直观。你做完一个视频，马上就能看到成果，那种成就感杠杠的！而且，现在自媒体、短视频平台这么火，会剪辑的人特别吃香。不管是自己做账号，还是找相关工作，机会都挺多的。不过，剪辑有时候也挺累人的，尤其是赶项目的时候，可能得熬夜剪片，但如果你热爱创作，这都不是事儿。二、编程：逻辑与解决问题的魔法再来聊聊编程。一提编程，可能有些女生会觉得：“啊，好难啊，全是代码，是不是男生才适合？” 其实不然！编程更像是解决问题的工具，它需要逻辑思维，但女生在这方面一点也不差。我认识很多女程序员，她们做项目时思路清晰，代码写得漂漂亮亮的，还很受团队欢迎。展开全文学编程的优势在于，它打开的门路更广。IT行业现在发展快，薪资普遍不错，而且远程工作机会多，时间也相对灵活。编程能让你学会怎么用技术创造东西，比如做个网站、开发个APP，这种从无到有的过程，超有满足感。当然，编程初期可能会觉得枯燥，但一旦入门，你会发现它就像学一门新语言，越学越有意思。三、怎么选？看你的兴趣和性格那么，到底该选哪个呢？我的建议是，先问问自己：你喜欢动手创造视觉内容，还是更享受逻辑推理？如果你是个感性派，爱画画、爱设计，剪辑可能更适合你；如果你理性一点，喜欢拆解问题，编程说不定是你的菜。当然，也可以都试试看！网上有很多免费教程，花点时间体验一下，再做决定也不迟。别忘了考虑就业前景。剪辑领域竞争也不小，但如果你有独特风格，很容易脱颖而出；编程的话，需求量大，薪资增长空间通常更高一些。不过，无论选哪个，坚持学习才是关键。女生在这两个领域都有天然优势——细心、有耐心，学好了绝对能混得风生水起。四、我的亲戚故事：从零基础到顺利就业说到学习，我想分享我表妹的经历。她之前完全是个小白，连电脑操作都不太熟，但一直对技术感兴趣。去年，她决定学编程，试过自学，但总觉得摸不着门路。后来，她报了网时代教育的线上IT培训课程，从最基础的开始，跟着老师一步步学。网时代教育的口碑挺好的，课程安排很系统，还有老师随时答疑。她学了几个月后，居然顺利找到了工作，现在在一家公司做前端开发，薪资比我当初想象的高多了！据她说，网时代教育的就业率挺不错的，很多学员都找到了满意的工作，平均就业薪资也让人眼前一亮。如果你也想试试，可以去他们的官网 www.wangshidai.cn 看看课程详情。对了，小白要是找不到官网或者有疑问，可以加他们微信：13148733307，客服挺热情的，能帮你解答问题。五、线上培训的优势，让你学习更轻松最后，聊聊线上培训的好处吧。首先，时间灵活，你不用赶着去教室，在家就能学，特别适合忙碌的上班族或学生党。其次，课程可以反复回看，不懂的地方多听几遍，学习效率更高。再加上，线上平台通常有社区互动，你能认识一群志同道合的小伙伴，互相打气进步。这些优势让学习变得更简单、更自在，不用为通勤烦恼，还能按自己的节奏来。总之，女生学剪辑还是编程，没有绝对的对错，关键是要选让自己开心的那条路。希望这篇分享能给你一点启发！无论你选择哪个，记住，勇敢迈出第一步，未来肯定会有惊喜等着你。返回搜狐，查看更多

编程是个什么玩意，从0开始的一切（新人必看） 首先，让我们来认识一下什么是编程~其实，编程就是和电脑对话，用计算机”听得懂的语言“，告诉它我们想让它做的事。那么，和电脑对话，与和人对话，有什么不同呢？比如说我想喝咖啡，那我可以跟孩子说：“儿子，帮我倒杯咖啡！”那这句话如果想让电脑听懂应该怎么说呢？我得先告诉它哪个是“杯子”、哪个是“咖啡”、什么是“倒”，然后再告诉它怎么去倒，比如先左转75度，往前走两米，左臂下放50度……发现了吗？人类天性⾥带着感性、随意、散漫等特质，但电脑可没有。电脑这个新时代的高科技“铁血战士”，它理性、严谨、⼀板⼀眼，我们和它沟通时，每一步都必须给出准确的指令，而且你说的它都会严格照办，从来不会任性发挥或是趁你不注意悄悄偷懒。（非常听话，是个从不偷懒的好孩子)那么，想要让电脑听懂我们的话，就必须让自己也变得理性、严谨、思路条分缕析，否则对话的结果则会和我们心里想的完全“跑偏”。当我们试着从电脑的角度去思考问题时，也就学习和锻炼到了所谓的编程思维。所以说，学编程不只掌握一项技能、培养一个兴趣，更重要的，是掌握背后一整套高效解决问题的思维模式。那编程思维到底是何方神圣呢？相信很多小伙伴都听过“编程思维”这个词，但却有一种“它站在你面前，你却不熟悉它”的感觉。编程思维就是编程运用的思维嘛，学了编程就掌握了编程思维，学了数学就掌握了数学思维，学了美术你就掌握了....（相信你已经会抢答了）其实，编程思维是“理解问题——找出路径”的高效思维过程，它由分解、模式识别、抽象、算法四个步骤组成。（1）分解——锻炼拆解复杂问题的能力分解，就是把一个复杂的大问题拆解成更可执行、更好理解的小步骤。例如，有位小伙伴想制作一个飞机大战的小游戏，他就自己亲自撰写了项目计划书，一步步拆解自己要实现的每个功能。条理清晰，真是让我眼前一亮呢~我们平时看起来很简单的效果，实现起来需要拆解的步骤可真是不少呢！在编程的过程中，就是不断地训练他把复杂、庞大的问题拆解、理顺的过程。可不要小瞧这项练习，它可是解决问题的基础，只有分解的清楚，才有接下来实现的“可能”。更会给学习带来不少帮助！通常会体现在审题能力或是读题能力。分解能力强了，以后无论是解数学应用题、阅读理解、写作、还是制定一项计划自然都不在话下了。例如，同样面对一道有挑战的数学题，分解能力好的会列出清晰的解题步骤，搞定一步是一步，即使最后不一定能完全解答出来，也能清清楚楚地知道自己的进展。而分解能力差的，可就没有那么好运气了，遇到问题大脑乱成了一锅粥，不知从何入手，但是不会的题也不能空着呀，只能想到什么写什么了...（2）模式识别——发现并且整合“重复规律”的能力“模式识别“，简单来说就是找出相似模式，高效解决细分问题。在我们在经验库里调用以往类似问题的解决方法，套用解决。识别的模式越多，解决问题的速度就越快。例如，现在我们需要画100只猫，你会怎么办？找100只猫来挨个临摹？还是找出猫的“模式”？如果是后者，你可能要知道猫长毛，有眼睛、尾巴、四条腿。然后，按照这个“模式”，你就可以“批量”画猫了——而不用每次画一个新动物，只需要变换局部特征：黄白条的猫还是黑猫，长尾巴的猫还是短尾猫。有没有觉得效率瞬间飙升了呢~在编程的过程中，一直在做这样的训练，发现一些可以重复的单元，把它整合起来，让计算机去重复它。很多小伙伴解题快，正是因为他们善于发现和总结“可复用的规律”，脑袋里自备了一个装有各种规律的“方法库”，遇到类似情况就直接调用，不需要再从头到尾想一遍，不仅节约了时间，也避免了出错。（3）抽象——人深度学习的能力抽象，简单来说就是找到问题的本质，过滤掉其他无关紧要的因素。这个还真有点不好解释，我们来看这样一个例子，当我们看到这间房子，我们看到的是：一栋豪华的别墅但在建筑师的眼中，它可能是这样的：建筑师通过自己的经验可以抽象出房子里面具体的构造。懂编程的同样具备这样的能力，以前是单纯的玩游戏，学了编程以后却可以透过游戏表象，看到背后实现的步骤，了解游戏的本质，突然觉得“玩游戏就是傻玩，自己创作游戏却可以学知识”。正如电影教父中所说：“花半秒钟就能看透事物本质的人，跟花一辈子都看不清事物本质的人，注定有截然不同的命运。”（4）算法——高效解决问题能力算法，就是解决问题的办法，根据之前一系列对于问题的理解，设计一步一步的解决路径，解决整个问题。在实际解决问题的过程中，最关键的两项能力 —— “逻辑思维”和“检查纠错”。逻辑思维能力逻辑思维中有个很重要的原则叫 MECE（Mutually Exclusive and Collectively Exhaustive），意思就是“相互排斥且完全穷尽”，也就是“不重复，不遗漏”。右图符合MECE原则，左图则没有在编程的算法中，需要处处考虑MECE原则。解数学题时，也是同一个道理——我们要保证答案中考虑到所有的情况，而这些情况既不遗漏，也不重叠。在拆解好步骤以后，就要思考如何“通过改变坐标位置实现角色的移动”，“使⽤循环、条件判断让角色实现想要的重复动作“等，将代码合理的安排在整个程序中。期间必须条理清晰，严谨细致，否则就可能功亏一篑。例如，正确代码呈现出的五角星动态图这样的：而只是把其中两行代码交换下顺序，结果就成了这样：可见，一步不对，结果都会出现很大的差别。思维严谨了，改掉了粗心大意的毛病，最直接的体现就是做题的正确率大大提高了。（5）检查纠错能力在编程过程中，任何⼀行代码写得不对，都无法实现想要的效果。没办法~程序天生就是如此的“倔强”。 如果出现问题，不得不自己通过执行效果，梳理逻辑，找出问题并一点点纠正。但是，程序中的那些bug常常可不是一下子就能发现的，很多人为了纠错都急哭了 ，最后在一次次试错中探索前行收获了喜悦和成就感，正所谓“程序虐我千百遍，我却待他如初恋”。长期这么训练，我们的耐心、观察力和专注力想不提高都不行，更练就了不再“玻璃心”的抗挫能力。在这个过程中，也会逐渐懂得一个道理：错误没什么好怕的，出错并不是失败的标志，而是成功的必经过程，是可以修复的小毛病（bug），生活没有什么是过不去的坎，战胜它就能成为真正的强者！编程从根本上改变了我们对错误和失败的认识。养成勇于挑战的心态，对于培养成长型思维，非常有帮助。最后，借用乔布斯的话：“每个人都应该学习编程，因为它教会你如何思考。”

阿里千问推出低推理成本编程智能体模型，通信ETF华夏（515050）尾盘拉升，聚焦CPO+PCB算力硬件 2月4日午后，AI科技方向异动拉升，截至14：50，通信ETF华夏（515050）跌幅收窄至2.86%，此前一度跌超4%。持仓股方面，光库科技、太辰光涨超3%，亨通光电、歌尔股份等红盘向上。消息面上，阿里千问推出Qwen3-Coder-Next，该模型为一款专为编程智能体与本地开发设计的开源权重语言模型。据介绍，该模型基于Qwen3-Next-80B-A3B-Base构建，采用混合注意力与MoE的新架构；通过大规模可执行任务合成、环境交互与强化学习进行智能体训练，在显著降低推理成本的同时，获得了强大的编程与智能体能力。华金证券指出，复盘历史，A股2月大概率上涨，且主要受政策和外部事件、流动性等因素影响。当前来看，本月A股可能继续震荡偏强，春季行情未完。发展新质生产力，布局AI、新能源等新兴产业和未来产业仍是政策重点，此外政策也有望落实支持服务消费和新型消费改善，预计全国两会将进一步聚焦现代化产业体系建设和扩大内需。2月建议逢低配置政策和产业趋势向上的电子（半导体、AI硬件）、传媒（AI应用、游戏）、计算机（AI应用）、军工（商业航天）、通信（AI硬件）、机械设备（机器人）、电新（核聚变、储能、太空光伏）、医药（脑机接口、创新药）等行业。通信ETF华夏（515050）最新规模超80亿元，深度覆盖光模块、通信设备、算力基础设施等领域，CPO+CPB概念股权重合计超76%，位居全市场第一。前五大权重股包含中际旭创、新易盛等光模块龙头，同时覆盖立讯精密、工业富联等算力硬件标的。(A类：008086；C类：008087)

Apple在Xcode 26.3中引入AI编程代理 AIPress.com.cn报道Apple在Xcode 26.3中正式引入了"Agentic Coding"功能，将第三方AI编程代理集成到其开发环境中，首批支持的代理包括Anthropic的Claude Agent和OpenAI的Codex。这次更新是Xcode 26引入AI编码助手后的一次重大扩展。Apple表示，新功能让AI代理能够在项目中以更高的自主性工作，并获得对Xcode工具和工作流的更广泛访问权限。Apple全球开发者关系副总裁Susan Prescott表示："Agentic Coding能够大幅提升生产力和创造力，简化开发工作流程，让开发者专注于创新。"根据Apple和Anthropic的描述，集成后的AI代理可以：搜索Apple文档，理解API和框架用法探索项目完整的文件结构，识别需要修改的位置更新项目设置执行构建并进行迭代修复捕获Xcode Previews进行视觉验证最后一点尤其值得注意。代理可以在开发过程中截取SwiftUI的Preview画面，查看界面实际呈现效果，并根据视觉反馈进行迭代。这意味着AI不仅能写代码，还能"看到"代码运行的结果并自主判断是否需要修改。Anthropic表示，这对SwiftUI开发尤为重要，因为视觉输出是实现决策的重要依据。Claude可以基于Preview输出自主迭代其实现方案。Anthropic描述了一种新的工作模式：开发者可以为长期运行的任务提供一个目标，而不是逐步指令。Claude会自行分解任务、决定修改哪些文件、执行更改，并在失败时进行迭代，直到完成任务或需要用户输入。Apple也描述了类似的方法，表示代理可以基于项目架构做出决策，理解整个应用及其结构，而不仅仅关注当前打开的文件。Apple表示，Xcode 26.3通过Model Context Protocol（MCP）这一开放标准开放其能力。开发者可以使用任何兼容MCP的代理或工具与Xcode配合工作。Anthropic也强调了MCP支持，表示使用Claude Code的开发者可以通过MCP与Xcode集成，在命令行中捕获视觉Previews。Xcode 26.3目前以Release Candidate版本提供给Apple Developer Program成员，预计很快在App Store正式发布。（AI普瑞斯编译）海量资讯、精准解读，尽在新浪财经APP

万字实录|黄仁勋酒后暴论：编程只是打字，已经不值钱了！ 　　（来源：网易智能）　　出品 | 网易智能　　作者 | 小小　　编辑 | 王凤枝　　美国时间2月3日晚间，一场本该正襟危坐的顶级科技对话，最终变成了一场“五杯酒后的坦白局”。　　刚结束中国之行、甚至还没来得及倒时差的英伟达CEO黄仁勋，坐在了思科CEO查克·罗宾斯(Chuck Robbins)对面。　　几杯酒下肚，黄仁勋的嗓音开始沙哑，但话语却越来越犀利。借着酒劲，黄仁勋不仅“砸”了程序员的饭碗，“怼”了管理学的教条，甚至还对几家世界级巨头来了一波贴脸“拉踩”：　　关于程序员：“编程？那只是打字而已。打字已经不值钱了。”　　关于控制欲：“如果你想掌控创新，那你该去看看心理医生。”　　关于摩尔定律：“10年算力提升了100万倍，在这种速度面前，昔日的摩尔定律简直慢得像蜗牛在爬。”　　关于传统巨头：“我很爱迪士尼，但我敢肯定他们更想成为Netflix；我很爱梅赛德斯，但我确信他们更想成为特斯拉。”　　关于AI进化：“为什么要让人去适应工具？让AI学会使用工具，我们才能创造出真正的‘数字劳动力’。”　　黄仁勋用这些“爆论”提醒所有掌舵者：在指数级进化的浪潮面前，你过去引以为傲的经验，注定将被时代无情淘汰。　　一、“失控”的百花齐放：你的第一课不是ROI，是“放手”　　当罗宾斯问及企业迈向AI的第一步应该是什么时，黄仁勋的回答绕开了所有常规的商业话术。“我经常被问到投资回报率这类问题，但我不会先谈那个。”他直截了当地说。在他看来，在技术爆发的黎明期，用电子表格去框定价值是徒劳的，甚至是危险的，因为这只会扼杀探索的触角。　　他拿出了英伟达内部的实践作为例子：让“百花齐放”。在英伟达内部，AI项目多到几乎失控。“注意我刚才说的：失控，但棒极了。”黄仁勋强调。他对此的解释充满哲学意味：“创新并不总是在掌控之中。如果你想掌控一切，首先应该去咨询心理医生；其次，那是一种错觉，你根本掌控不了。”　　他的管理逻辑简单到令人惊讶，像对待孩子一样对待团队的好奇心。“当我们的某个团队说想尝试某种AI时，我的第一个回答是‘可以’，然后我会问‘为什么’。我不是先问为什么再同意，而是先同意再问为什么。”他对比道，我们在家里从不这样要求先给出证明，但在工作中却这样做，这对他来说毫无逻辑。　　黄仁勋描绘的路径图清晰而反直觉：第一步不是制定严谨的试点计划，而是允许甚至鼓励“安全地试错”。让每个有想法的团队去接触、去尝试各种AI工具，无论是Anthropic、Codex还是Gemini。　　其目的不是立即产出效益，而是培养组织的“AI感觉”。只有经过一段充分甚至略显混乱的百花齐放期，领导者才能凭借直觉和观察，知道何时该开始“修剪花园”，将资源集中到真正重要的方向上。“但你不能太早集中力量，否则会选错箭。”他警告道。　　二、从“螺丝刀”到“创造劳动力”：AI工厂的本质是价值转移　　那么，当企业开始探索之后，究竟要看向何方？黄仁勋用“AI工厂”这个概念，描绘了一幅远比提升效率更宏大的图景。他认为，我们正在经历从“制造工具”到“创造劳动力”的根本性转变。　　“我和查克所在的行业一直在制造工具，始终在做螺丝刀和锤子的生意。”过去几十年，科技公司生产软件、芯片、网络设备，这些都是工具，是原子世界效率的延伸。　　但AI，特别是能够理解物理世界、具备因果推理能力的物理AI，将改变游戏规则。“有史以来第一次，我们要创造人们所谓的‘劳动力’，或者是‘增强型劳动力’。”他举例说，自动驾驶汽车本质上是一个数字司机，而这个数字司机的生命周期经济价值，将远超汽车本身这个硬件。　　这才是“AI工厂”的深层含义：它不是一个存放服务器的机房，而是一个源源不断产出“数字劳动力”的新型价值创造中心。这种劳动力可以是一个永不疲倦的客服，一个实时优化供应链的调度员，或是一个能协同设计的工程师助手。　　黄仁勋给出了一个震撼的数字对比：全球IT产业规模大约在1万亿美元，而全球经济总量是100万亿美元。“我们第一次面对一个拓宽了百倍的潜在市场总量。”这意味着，AI带来的最大机会不是瓜分现有的IT预算，而是去渗透和重塑那剩下的99万亿实体经济。　　每一个行业都有机会通过注入这种数字劳动力，将自己重塑为一家技术公司。“我相信迪士尼宁愿成为Netflix，梅赛德斯宁愿成为特斯拉，沃尔玛宁愿成为亚马逊。”他尖锐地指出，你们所有人都是这样的。　　三、“无限快”与“零重力”：用AI思维重新定义难题　　如何才能真正抓住这百万亿级的机遇？黄仁勋提出了一个颠覆性的思维模型：用“丰盈”(Abundance)的假设来思考一切。　　他讽刺地说，在AI时代，昔日的摩尔定律慢得简直像蜗牛爬。现在，我们需要建立新的认知基准。“过去10年，我们的算力提升了多少？10年100万倍。”在这种指数级丰盈的前提下，企业领导者的思维必须升级。　　“现在当我想象一个工程问题时，我假设我的技术、我的工具、我的飞船是无限快的。去纽约要多久？一秒钟就到。”他启发式地问道，如果一秒钟能到纽约，你会做些什么不同的事？如果过去需要一年的事情现在能实时完成，你会做些什么不同的事？如果过去很重的东西现在变得没有引力了，你会如何处理？　　他要求管理者将这种无限快、零重力的假设应用到公司最核心、最棘手的难题上。比如面对一个拥有数万亿关联关系的复杂网络分析，过去的做法是分而治之。“现在则是：把整个图都给我，多大都行，我不在乎。”这种逻辑正在被应用到各处。如果你不应用这种逻辑，你就做错了。　　这不再是渐进式的优化，而是用技术富足的可能性去重新定义问题本身的边界。他警告，如果你的竞争对手或某个初创公司以这种思维方式发起挑战，他们将从根本上改变游戏规则。　　四、你的“问题”比答案更值钱：主权AI与未来公司内核　　在畅想了无处不在的数字劳动力之后，黄仁勋将话题拉回一个更现实也更隐秘的关切：数据主权与核心知识产权。　　针对企业应该完全依赖公有云还是自建AI能力的问题，他的建议如同教孩子学骑车。“自己造一台。尽管PC随处可见，但去动手造一台，去弄明白为什么这些组件会存在。”他认为，企业必须拥有“切身的技术掌控力”。　　更重要的是，他提出了一个尖锐的观点：公司最宝贵的知识产权，可能不是储存在数据库里的答案，而是员工与AI交互过程中产生的“问题”。“我不放心把英伟达的所有对话都放在云端，因为对我来说，核心知识产权不是答案，而是我的提问。”　　黄仁勋解释道：“我的提问才是我最有价值的IP。我在思考什么，我的提问反映了这一点。答案是廉价的。如果我知道该问什么，我就锁定了重点。我不希望别人知道我认为什么是重要的。”　　因此，他认为涉及战略思考的对话，必须在受控的本地环境中进行。他描述道，未来每个员工都会有许多AI助手，这些AI持续学习员工的决策和疑问，最终这些进化了的AI将成为公司沉淀下来的独特智能资产。“这就是未来的公司，它会捕捉我们的生命经验。”　　五、五层蛋糕与“预录制”时代的终结：从检索到生成的根本革命　　当谈到具体实施路径时，黄仁勋回溯了一场持续了15年的认知革命。　　他追溯至AlexNet代表的第一次接触时刻，并得出一个结论：世界大多数难题并无精确物理定律可循，答案往往是视具体情境而定。这类依赖上下文的问题，正是AI能够大显身手的领域。　　真正的拐点是自监督学习的突破，这使得参数从数亿爆炸性增长至数万亿。他断言：“我们将从底层重塑计算。计算将从显式编程转向一种全新的范式，即通过模型学习软件。”　　紧接着，黄仁勋用了一个精妙的比喻：我们正从“预录制”时代，迈入了“生成式”时代。　　“过去的软件之所以是‘预录制’的，是因为它装在CD-ROM里。”在旧范式里，软件如同刻录好的光盘，用户交互本质上是检索。而未来的软件将是高度场景化的。“每个场景都不同，每个使用者、每个提示词、每个背景都不同。每一份软件实例都是独特的。”　　未来的应用将根据实时上下文、意图和背景，动态生成独一无二的响应、界面甚至功能。这就是生成式的核心，传统的硬件、框架、模型各层的构建逻辑都已改变。　　六、隐式编程革命：当“打字”成为通用技能，你的专长才是王牌　　在这场深刻变革中，行业知识的价值正在飙升。“从显式编程到隐式编程，你只需要告诉计算机你想要什么，计算机就会写代码。”　　他指出，这场持续了60年的以编写精确代码为核心的计算范式正在终结。“因为事实证明，写代码只是打字而已，而打字已变得平庸化。”　　这意味着技术能力的门槛将被极大降低。相反，那些深谙业务但不懂技术的领域专家，将站上浪潮之巅。“刚毕业的计算机高材生代码很厉害，但他们不知道客户想要什么。你们知道。写代码的部分很简单，让AI去做就行。理解客户、理解问题的领域专长，这才是你拥有的超级力量。”　　这场对话以对思科的感谢作结，但留下的核心信息无比清晰：AI革命不是IT部门的升级，而是一次商业逻辑的“重置”。　　随着夜色渐深，对话在关于烤串和薯片的调侃中结束。但黄仁勋带着醉意吐露的真言，如同他预言的那些数字劳动力一样，已经开始无声渗透，准备重塑我们所熟知的一切。　　【以下是实录全文】　　罗宾斯：嘿，嘿，嘿。对，大家待在那儿别动。　　黄仁勋：我觉得我现在的状态就像是在边喝酒边办公。　　罗宾斯：刚才我们把酒拿上来时，黄仁勋提醒了我。他说：“你意识到你正在直播这个，对吧？”嘿，管他呢，天色已经晚了。　　黄仁勋：第一个原则是：不造成伤害，并且要意识到你是多么幸运。　　罗宾斯：首先，感谢大家在这里度过了漫长的一天。我们今天一早就开始了，演讲者一个接一个，在大概两个半小时的休息后，大家又回来见你了。　　黄仁勋：我今天凌晨一点就起床了。　　罗宾斯：所以，这家伙正处于一段为期两周、跨越亚洲四五个城市的旅程末尾。　　黄仁勋：一天前我还在台湾地区，昨晚在休斯顿，现在我在这里。　　罗宾斯：他出门两周了，现在咱们正拦在他回自家热被窝的路上呢，他已经住够了酒店。所以，我们会玩得开心点，然后放他走。虽然你不需要太多介绍，但还是谢谢你能来，伙计。我们真的很感激。　　黄仁勋：感谢我们的合作伙伴关系，也为你们感到骄傲。　　罗宾斯：那我们就从合作开始谈起吧。我们一直有合作，你引入了“AI工厂”的整套概念。我们正在合作推进，虽然在企业领域可能没我们想得那么快。我们能先聊聊对你来说什么是“AI工厂”吗？　　黄仁勋：首先要记住，我们正处于60年来首次重塑计算的过程中。过去是“显式编程”（explicit programming），对吧？我们编写程序和变量，通过API传递，这些都非常明确；现在转向了“隐式编程”（implicit programming）。你现在告诉计算机你的意图，它会去想办法解决你的问题。从显式到隐式，从通用计算（本质上是计算）到人工智能，整个计算堆栈都被重塑了。现在人们讨论计算时总关注处理层（processing layer），也就是我们所处的层面。但请记住计算的构成。除了计算和处理，还有存储、网络和安全。这一切都在此时此刻被重塑。第一部分是我们需要把AI提升到一个水平——我们稍后会详谈——需要提升到对人有用的水平。直到目前，那种你给一个提示词，它想办法告诉你答案的聊天机器人（chat bots），虽然有趣且令人好奇，但还不算真正有用。　　罗宾斯：有时它能帮我完成填字游戏。　　黄仁勋：是的，但也仅限于它记住和泛化的东西。如果你回头看，其实也就是三年前ChatGPT刚出现的时候，我们惊叹它能生成这么多词句，能创作莎士比亚作品。但那都是基于它记忆和泛化的内容。我们知道，智能的核心在于解决问题。解决问题部分在于知道你不知道什么，部分在于推理如何解决从未见过的问题。将问题分解为已知且易于解决的元素，通过组合来解决从未见过的问题，并制定策略（我们称之为“规划”）来执行任务、寻求帮助、使用工具、进行研究等等。　　这些都是现在“智能体AI”（agentic AI）术语中的基本内容，包括工具使用、研究、基于事实的检索增强生成（RAG）、记忆等。你们在讨论智能体AI时都会听到这些。但最重要的一点是，为了从这种“显式编程”的通用计算（我们用Fortran、C、C++编写的时代）进化。　　罗宾斯：对。　　黄仁勋：那是好东西，罗宾斯。　　罗宾斯：那是我的保底工作。　　黄仁勋：那是非常好的技能，那些技能依然有价值。　　罗宾斯：我知道。　　黄仁勋：它们依然有价值。　　罗宾斯：我已经拿到很多录取通知了。　　黄仁勋：“恐龙”永远是有价值的。我们刚证实了你比我大。我知道我是那个“史前时代”的人，虽然看起来不像，但确实如此。好了，这挺有意思的。我可能是这屋里最老的人了。　　罗宾斯：那我们聊聊这个。黄仁勋，当你思考未来时。　　黄仁勋：我们现在就在这儿。我去找罗宾斯说：“嘿，听着，我们需要重塑计算，思科必须参与其中。”我们有一整套全新的计算堆栈即将推出，叫Vera Rubin。思科将与我们同步推向市场。此外还有网络层，思科将整合我们的AI网络技术，并将其放入思科的Nexus控制平面中。这样从你的角度来看，你既能获得AI的所有性能，又保留了思科的可控性、安全性和管理性。我们在安全领域也会做同样的事情。每一个支柱都必须重塑，企业计算才能受益。我们晚点再聊这个：为什么三年前企业AI还没准备好，以及为什么现在你别无选择，必须尽快参与进来。不要落后。你不必成为第一家利用AI的公司，但千万别做最后一家。　　罗宾斯：没错。那么如果你是今天的企业主，你建议他们采取的第一、第二、第三步是什么，来开始做好准备？　　黄仁勋：我经常被问到投资回报率（ROI）这类问题，我不会先谈那个。原因是，在所有技术部署的初期，很难用Excel表格算出新工具、新技术的ROI。我会去做的事，找出我公司的本质是什么？我们公司做的最有影响力的工作是什么？别在那些边缘、次要的事情上浪费时间。在我们公司，我们就是让“百花齐放”（let a thousand flowers bloom）。我们公司内部不同的AI项目多得几乎失控，这非常棒。注意我刚才说的：失控且棒极了。创新并不总是在掌控之中。如果你想掌控一切，首先该去咨询心理医生。其次，那是一种错觉，你掌控不了。如果你想让公司成功，你控制不了它，你只能影响它。　　我听到太多公司想要明确、具体、可论证的ROI，但在初期展示某件事的价值是很困难的。我建议让百花齐放，让人们去实验，让人们安全地实验。我们公司在实验各种东西，我们用Anthropic，用Codex，用Gemini，什么都用。当我们的某个团队说想尝试某种AI时，我的第一个回答是“可以”，然后我会问“为什么”。我不是先问为什么再同意，而是先同意再问为什么。原因是我对公司的期望和对孩子是一样的：去探索生活。他们说想尝试某件事，答案是“好”，然后才问原因。你不会说：“先证明给我看，证明做这件事能带来财务成功或未来的幸福，否则我不让你做。”我们在家里从不这样做，但我们在工作中却这样做。　　罗宾斯：你明白我的意思吗？　　黄仁勋：是的。这对我来说毫无逻辑。所以我们对待AI的方式，无论是之前的互联网还是云技术，就是让百花齐放。然后在某个时间点，你需要用自己的判断力来决定何时开始“整理花园”。因为百花齐放会让花园变得很乱。但在某个点，你必须开始整理，找到最好的方法或平台，以便集中力量办大事（put all your wood behind one arrow）。但你不能太早集中力量。　　罗宾斯：否则会选错。　　黄仁勋：没错。所以先让百花齐放，到某个点再整理。就目前的进展来看，我还没开始整理呢，我还在让各地百花齐放。但我当然知道什么对我们公司最重要。我确保有大量的专业知识和能力集中在利用AI革命化那些核心工作上，在我们的案例中，就是芯片设计、软件工程、系统工程。你可能注意到了，我们与新思科技、楷登电子、西门子以及今天的达索系统合作，这样我们就能注入我们的技术。无论他们想要什么，我都会提供，以便革命化我们设计产品的工具。　　我们到处都在用新思科技、楷登电子、西门子和达索。我会确保他们得到1000%的支持，这样我就有了创造下一代产品所需的工具。这反映了我对重塑自身工作的态度。想想AI做了什么：它成数量级地降低了智能的成本，或者说创造了海量的智能。换句话说，过去需要一个单位时间的工作，现在过去需要一年的，可能只要一天；过去需要一年的，现在可能只要一小时，甚至可以实时完成。　　在“丰盈”（abundance）的世界里，摩尔定律慢得简直像蜗牛爬。记住，摩尔定律是每18个月翻两倍，5年10倍，10年100倍。但我们现在在哪？10年100万倍。在过去10年里，我们将AI推进得如此之远，以至于工程师说：“嘿，猜怎么着？我们干脆用全世界所有的数据来训练一个AI模型吧。”他们指的不是收集我硬盘里的数据，而是拉取全世界的数据。这就是“丰盈”的定义。它的定义是：当你看到一个巨大的问题时，你说：“管他呢，我全部都要解决。”我要治愈每一个领域的疾病，而不仅仅是癌症。我们直接解决人类所有的痛苦。这就是“丰盈”。　　现在当我想象一个工程问题时，我假设我的技术、我的工具、我的飞船是无限快的。去纽约要多久？一秒钟就到。如果一秒钟能到纽约，你会做些什么不同的事？如果过去需要一年的事情现在能实时完成，你会做些什么不同的事？如果过去很重的东西现在变得没有引力了，你会如何处理？当你带着这种态度去处理每一件事时，你就是在应用“AI逻辑”。这有意义吗？比如我们合作的很多公司，图分析中的依赖关系、节点和边多达数万亿。过去你会一小块一小块地处理图，现在则是：“把整个图都给我，多大都行，我不在乎。”这种逻辑正在被应用到各处。如果你不应用这种逻辑，你就做错了。速度重不重要？一点也不重要，因为你处于光速。质量重不重要？零重量，零重力。如果你没有应用这种逻辑去思考你公司里最难的问题，你就没做对。这就是他们所有人的思维方式。如果你不这么想，你只要想象你的竞争对手在这么想就行了。想象一家即将成立的公司在这么想，这会改变一切。所以，去找到你公司里最有影响力的工作，给它应用“无限”、“零”、“光速”的概念，然后问罗宾斯怎么实现。　　罗宾斯：给我就行。　　黄仁勋：我们会一起实现。　　罗宾斯：你有一个“五层蛋糕”的类比，因为大家都在谈论基础设施、模型、应用。我该怎么做？谈谈这个。　　黄仁勋：成功人士做的一件事就是推理正在发生什么。大约15年前，一个算法让两名工程师解决了一个计算机视觉问题。视觉是智能的第一部分：感知。智能由感知、推理、规划组成。感知是：“我是什么？发生了什么？我的上下文是什么？”推理是：“我如何根据目标进行推理？”第三是制定计划去实现目标。就像战斗机的问题，感知定位然后行动。没有感知就没有第二和第三部分。如果不理解上下文（context），你就不知道该做什么。而上下文是高度多模态的，有时是PDF，有时是电子表格。有时是感官和气味，比如我们在哪，在干什么，听众是谁，如何阅读房间里的气氛，等等。　　大约13、14年前，我们在计算机视觉领域取得了巨大的跨越。AlexNet是我们看到的第一个突破，那就像是《第一次接触》（First Contact），我爱死那部电影了。那是我们与AI的“第一次接触”。于是我们思考：这意味着什么？两名工程师怎么可能战胜了我们所有人钻研了30年的算法？我昨天刚和Ilya Sutskever聊过，还有Alex Krizhevsky。两个带着几块GPU的年轻人怎么可能解决了这个问题？这意味着什么？　　十年前我对此进行了分解和推理，得出的结论是：世界上大多数有价值的难题其实都没有基本的物理算法。没有F=ma，没有麦克斯韦方程组，没有薛定谔方程或欧姆定律，没有热力学定律，它没那么精确。那些我们称之为“直觉”和“智慧”的有价值的事物，就像你和我会遇到的问题，答案通常是：“视情况而定”（It depends）。如果答案总是3.14那就太棒了，但生活中有价值的难题往往取决于背景和环境。　　既然视觉问题解决了，我们推理出通过深度学习，这不仅是可扩展的，你还可以把模型做得越来越大。我们当时要解决的唯一问题是如何训练模型，而巨大的突破是“自监督学习”。AI开始自我学习。注意，今天我们已经不再受限于人工标注数据了，完全不受限。这打开了闸门，让模型从几亿参数扩展到几千亿、几万亿。我们可以编码的知识和学习的技能爆炸式增长。我们将从底座重塑计算。计算将从“显式编程”转向一种全新的范式，即通过模型学习软件。这对计算堆栈意味着什么？对软件开发意味着什么？对工程组织、产品营销、QA团队又意味着什么？这些产品未来会变成什么样？我们如何部署？如何保持更新？如何修补软件？我当时问了上千个关于未来计算的问题，得出的结论是：这将改变一切。于是我们将整个公司转向上。简单来说，我们从一个所有东西都是“预录制”的世界走来。　　罗宾斯：确实是很棒的东西。　　黄仁勋：运行了很长时间。郑重声明，那些确实是用希伯来语描述的（幽默暗示旧技术的古老）。　　罗宾斯：确实。那是另一项技能。　　黄仁勋：毕竟，这屋里恐怕只有你，能同时精通希伯来语和COBOL了。无论如何，那是预录制的。我们编写算法，描述思想，然后配上数据。一切都是预录的。过去的软件之所以是预录的，是因为它是装在CD-ROM里的，对吧？　　现在的软件是什么？它是情境化的，每个情境都不同，每个使用者、每个提示词、每个前置背景都不同。每一份软件实例都是独特的。过去预录制的软件被称为“基于检索模式”（retrieval-based）。当你用手机点一下，它会去检索一些软件、文件或图像并展示给你。而未来，一切都将是“生成式”的（generative），就像现在这样。这场对话以前从未发生过。概念存在过，背景存在过，但这每一句话的顺序都是全新的。发生这种情况的原因显而易见，因为我们已经喝了四杯酒了。　　罗宾斯：还有冷萃咖啡。Cobol、希伯来语，谢天谢地这不在校园里，也没在直播。　　黄仁勋：嗯。　　罗宾斯：大家都明白你在说什么吗？　　黄仁勋：你们听懂了吗？罗宾斯今天只给我喂了四杯酒。　　罗宾斯：公平点说，我只喂了你一杯，剩下三杯是你从自助餐台上拿的。　　黄仁勋：我一直在盯着那些食物，我太饿了。食物离我大概有40英尺（12米）远。　　罗宾斯：那是因为你一直在拍照。　　黄仁勋：真的很近，但我好几次想过去都被推回来了。　　罗宾斯：你知道发生了什么吗？你的团队提前告诉过我们，如果他喝了三杯，他就是最佳状态。如果喝到第四杯，情况就要崩了。　　黄仁勋：这状态可就不太理想了。好了，听着，我们得留下一些智慧。能再来一杯酒吗？　　罗宾斯：这可不是Dave Chappelle的脱口秀。　　黄仁勋：谈谈别的。能源。　　罗宾斯：芯片。　　黄仁勋：能源听起来不错。能源、芯片、基础设施（硬件和软件），然后是AI模型。但AI最重要的部分是应用。每一个国家、每一家公司，底下的那些层都只是基础设施。你需要做的是应用这项技术。向上帝发誓，快去应用这项技术。使用AI的公司不会陷入险境。你不会因为AI丢掉工作，你会因为一个使用AI的人而丢掉工作。所以，行动起来，这是最重要的。　　罗宾斯：并且尽快给罗宾斯打电话。　　黄仁勋：你打给我，我打给他。　　罗宾斯：我们时间不多了。　　黄仁勋：我们有的是时间。罗宾斯是按时计费的，而我甚至不戴手表。我在价值交付之前是不会离开的。如果需要一整晚，我会一直折磨你们所有人。　　罗宾斯：黄仁勋，这就是为什么像我这样的人需要表。你能谈谈“物理AI”吗？　　黄仁勋：软件行业在衰落并会被AI取代的这种说法是世界上最没逻辑的事。让我们做一个终极思想实验：假设我们是终极的AI——通用机器人，物理版的。既然你是类人机器人，你能解决任何问题。你会用现成的螺丝刀还是发明一把新螺丝刀？我直接用现成的。你会用现成的链锯还是重造一把？答案显而易见是使用工具。既然如此，再看数字版。如果你是AGI（通用人工智能），你会去使用ServiceNow、SAP、Cadence、Synopsis，还是去重新发明一个计算器？当然是直接用计算器。为什么要让AI学会使用工具？因为现有的工具是‘确定性’的。世界上很多问题都有标准答案，比如牛顿第二定律F=ma。你不需要AI给你一个概率上约等于ma的模糊答案，ma就是ma。再比如欧姆定律V=IR，它在科学上是绝对的，而不是‘统计学上的IR’。所以，我们希望AI像人类一样，直接拿起这些精准的工具去用，而不是在那些已经有标准答案的事情上瞎猜。　　我们希望AGI使用工具，这是个大逻辑。下一代物理AI将理解物理世界和因果关系。如果我推倒这个，它会带倒那一切。它们理解“多米诺骨牌”的概念。每一个孩子都能理解推倒它意味着什么，这种因果、接触、引力和质量的结合是非常深刻的。大语言模型目前还没这概念，所以我们要创造物理AI。　　机会在哪里？到目前为止，我和罗宾斯所处的行业一直在制造工具。我们一直处于“螺丝刀和锤子”的生意中。有史以来第一次，我们要创造人们所谓的“劳动力”，或者是“增强劳动力”。比如自动驾驶汽车是什么？它是一个数字司机。数字司机的价值远超汽车本身。我们第一次面对一个潜在市场总量（TAM）大了一百倍的市场。全球IT产业大约一万亿美元，而全球经济规模是一百万亿。你们所有人都有机会通过应用这项技术，成为一家技术公司。我相信迪士尼宁愿成为Netflix，梅赛德斯宁愿成为特斯拉，沃尔玛宁愿成为亚马逊。你们同意吗？这三个例子我说对了吗？　　罗宾斯：是的。你们所有人都是这样的。　　黄仁勋：我们有机会帮助每一家公司转型为“技术优先”的公司。技术是你的超级力量，而你的行业领域是应用场景。为什么要技术优先？因为那样你就是在和“电子”打交道，而不是“原子”。原子的价值受限于质量，而电子的价值在CD-ROM变成电子流的那一刻爆炸了千倍。你需要成为一家技术公司。即便是只懂希伯来语编程的罗宾斯，这也是一种天赋。　　罗宾斯：这个编程方向从右往左写，挺聪明的。　　黄仁勋：聪明人做聪明事。最美妙的是，你们公司的优势是知识、直觉和领域专业能力。现在你第一次可以用自己的语言向计算机解释你想要什么。从显式编程到隐式编程，你只需要告诉计算机你想要什么，计算机就会写代码。因为事实证明，写代码只是打字而已，而打字已变得平庸化。这是你们巨大的机会。你们全都能从物理（原子）层面的束缚中解脱出来，实现质的飞跃。我们不用再受限于没有足够的软件工程师，因为打字是廉价的，而你们拥有极其珍贵的东西——理解客户、理解问题的领域专长。　　刚毕业的计算机高材生可能写代码很厉害，但他们不知道客户想要什么，不知道该解决什么问题。你们知道。写代码的部分很简单，让AI去做就行。这就是你的超级力量。我这个总结是在喝了五杯酒后做出的。　　罗宾斯：这简直是个奇迹。　　黄仁勋：能和各位合作是莫大的荣幸。思科在计算发明的两个支柱领域——网络和安全——有着极深的造诣。没有思科就没有现代计算。在AI世界，这两个支柱都被重塑了。我们擅长的计算部分在很多方面是廉价商品，而思科掌握的东西极具价值。　　早前有人问我：应该租用云端还是自己构建电脑？我的建议和给我孩子的建议一样：自己造一台。尽管PC随处可见，但去动手造一台，去弄明白为什么这些组件会存在。如果你在运输行业，别只用Uber，去打开引擎盖，去换个机油，去理解它。这项技术对未来太重要了，你必须有一种触觉上的理解。你可能会发现自己对此极有天赋。你可能会发现世界并非全是“租”或全是“买”，你需要一部分在本地（on-prem）。比如涉及主权和私有信息时，你不会想把所有的“问题”都分享给所有人。举个例子，你去见心理医生时，你不希望你的提问被发到网上。　　罗宾斯：假设性的例子，对吧？　　黄仁勋：对，假设性的。所以我认为很多对话和不确定性应该保持私密。公司也是一样。我不放心把英伟达的所有对话都放在云端，所以我们在本地构建了超级AI系统。因为对我来说，最有价值的核心资产不是答案，而是我的提问。你们听明白了吗？我的提问才是我最有价值的IP。我在思考什么，我的提问反映了这一点。答案是廉价的。如果我知道该问什么，我就锁定了重点。我不希望别人知道我认为什么是重要的。所以我要在自己的小房间里，在本地，创造我自己的AI。　　最后一点想法，现在已经11点了。过去有个观点叫“人在环节中”（human in the loop），这是完全错误的。应该是“AI在环节中”（AI in the loop）。我们的目标是让公司每一天都变得更好、更有价值、知识更丰富。我们不希望倒退或原地踏步。这意味着如果AI在环节中，它会捕捉我们的生命经验。未来每个员工都会有许多AI在环节中，这些AI会成为公司的知识产权。这就是未来的公司。所以，我觉得明智的做法是立即给罗宾斯打电话。　　罗宾斯：我打给黄仁勋。两周的旅程，黄仁勋飞到这里和我们度过了最后一晚，这是他很久以来第一次能睡在自己的床上。我们永远感激。　　黄仁勋：非常感谢。另外，我眼角余光一直瞄着那些肉串。　　罗宾斯：我希望它们还在那儿。　　黄仁勋：答应我的那袋薯片在哪？　　罗宾斯：走吧，去吃。谢谢大家！