导语：当台下坐着几百个CFO时，老黄说：”别算ROI。”

那个让CFO们坐不住的瞬间

三天前，Cisco的AI大会上。

没有PPT，没有提前准备的稿子。思科的CEO Chuck把黄仁勋请上台，两个人各端了一杯红酒——一杯红的、一杯白的，就这么聊开了。

Chuck开场时说了一句很幽默的话：”我们站在他和自家床之间。”是的，黄仁勋刚结束两周的亚洲行程，前一天在台湾，昨晚在休斯顿，今天飞到了这里，明天才能睡到自己的床。

微疲惫、放松、酒后。

就是在这个状态下，黄仁勋说出了一句让全场几百个CFO、CIO、战略总监集体沉默的话：

“我经常被问到ROI的问题，但我不会往那个方向想。”

台下的人面面相觑。这些人的KPI就是算投资回报率，而这个刚把英伟达市值推到4.5万亿美元的男人，竟然说：别算ROI。

我当时看视频看到这一段，手里的咖啡差点洒出来。

这他妈是什么操作？

第一性原理：你在用线性思维赌指数级变化

让我们先还原一个经典场景。

假设你是一家传统制造业的CFO，某天老板把你叫进办公室：”我们也要搞AI，你给我做个预算方案。”

你回到座位，打开Excel开始算账：

• 买GPU：200万
• 三个数据科学家年薪：150万
• 外部咨询：100万
• 培训和试错：50万

投入：500万。

产出呢？

• 优化供应链降低库存成本：年省60万
• 提升产品线良率2%：年增收40万

第一轮总收益：100万。

结论是五年回本，IRR勉强12%，能过董事会。

标准流程，对吧？

但黄仁勋说了：所有新技术在刚开始部署时，都很难把ROI放进电子表格里算清楚。

为什么？

因为你在用线性思维去衡量一个指数级的东西。

这就好比1995年你问贝索斯：”亚马逊第一年能卖多少书？”他可能算得出来。但如果你问”互联网会怎么改变零售业”，这个问题你用任何Excel都给不了答案。

AI也是一样。你以为你在买一个优化工具，实际上你在赌一个范式转移。

失控哲学：CEO带头让公司”失控”

那企业应该怎么做？

黄仁勋的原话是：

“在我们公司，我们就是让百花齐放，公司里的AI数量已经失控了——但这很好。”

注意这个词：“out of control”（失控）。

一个管理几万人、市值4.5万亿的公司的CEO，说自己公司的AI项目”失控”了，还说”这就很好”。

这是管理学鸡汤吗？

不。这是风险投资的底层逻辑。

黄仁勋接下来解释：

“创新不是可控的。如果你想控制一切，第一你得去看心理医生，第二这是幻觉，因为你根本控制不了。”

很多大公司的死亡不是死在技术上，而是死在控制欲上。他们要求每个创新项目都有明确的KPI，能在第一年看到回报，都要走完整的审批流程。

等你把流程走完，市场已经变了。

VC怎么玩？投十个项目，心里清楚七个会归零，两个不死不活，只有一个能跑出来。但那一个的回报率可能是1000倍。

黄仁勋就是用VC的思维在管理英伟达内部的创新。

Yes在前，Why在后

具体怎么做？

黄仁勋透露了一个细节：

“我们在实验各种东西，用Anthropic Claude，用OpenAI的Codex，用Google的Gemini，什么都用。”

理论上他们应该推自己的AI解决方案，但老黄说：我不管，只要有用什么都试。

更关键的来了：

“当某个团队说’我想用这个AI’，我的第一反应都是’Yes’，然后再问’Why’。”

注意这个顺序：Yes在前，Why在后。

传统企业是反过来的。员工说想试用某个AI工具，老板说为什么要试？能带来多少收益？有成熟案例吗？员工说还在研究，老板说那研究清楚再来吧。

等你研究清楚，竞争对手都已经跑出来了。

因为英伟达的逻辑是：先行动，再优化。

策展，不是控制

但黄仁勋也不是让你永远失控。

他用了一个非常生动的比喻：

“在某个时间点你就得开始修剪花园了，因为百花齐放会让花园非常乱。”

注意这个词：“curate”（策展）。

不是砍掉，也不是控制，是策展。

就像艺术馆的策展人，他们不是去限制艺术家创作，而是等作品出来之后再去挑选：哪些值得放在中心位置，哪些暂时收起来。

但这个判断只能在作品创作出来之后才能做。

如果你一开始就告诉艺术家”你只能画风景不能画人物”，你永远得不到蒙娜丽莎。

英伟达的核心是什么？黄仁勋很清楚：芯片设计、软件开发、系统开发。

他和Synopsys、Cadence、西门子、ANSYS合作，彻底改变设计产品的工具。他们在用AI设计下一代GPU——原本需要一年的芯片设计，现在可能数周就完成。

前提是你得知道什么对你的公司最重要。

全场最值钱的一句话

如果说”别算ROI”让CFO们不安，那接下来这句话，应该让所有人警觉。

访谈进行到47分钟时，黄仁勋说：

“My questions are the most valuable IP to me.”

（我的问题是对我最有价值的知识产权。）

为什么这句话如此重要？

因为它颠覆了我们对知识产权的理解。

传统意义上，我们认为公司的IP是专利技术、商业机密、客户数据、品牌商标。

但黄仁勋说：你的问题才是最值钱的。

为什么答案不值钱？因为AI获取答案的成本趋近于零。你问什么是量子计算，ChatGPT、Claude、Gemini都能回答，而且答案都大差不差。

但问题为什么值钱？

因为它代表了：

• 你在思考什么方向
• 你遇到了什么瓶颈
• 你对未来的判断
• 你的资源分配优先级

举个极端例子：如果我是特斯拉的竞争对手，我不需要偷特斯拉的自动驾驶代码，我只需要知道马斯克最近三个月在AI上问了哪些问题。

• 如果他问了20次”如何优化神经网络在雨天的表现” → FSD在雨天场景有瓶颈
• 问了5次”Robotaxi的保险模式应该怎么设计” → 已经在考量商业化细节
• 问了3次”如何让Optimus学会叠衣服” → 下一个Demo可能是家务场景

这些信息比任何技术文档都值钱。

为什么核心AI必须自己建

黄仁勋透露：英伟达的核心AI是建在本地，而不是公有云上。

这很反直觉。英伟达是全世界最大的GPU供应商，云服务商都是他们的客户。按理说他应该最信任云，但老黄说：核心应该我们自己建。

为什么？

想象一下这个场景：

你是一家公司的CEO，最近遇到一个战略难题——要不要进入印度市场。

你打开ChatGPT开始问：

• 进入印度市场需要多少初始投资？
• 印度的电商物流基础设施怎么样？
• 主要竞争对手在印度的市场份额是多少？
• 如果明年Q2进入需要提前做哪些准备？

这些问题AI都能给你不错的答案。

但问题是：这些问题本身就泄露了你全部的战略意图。

任何拿到这些问题的人都能倒推出来：你在考虑进军印度，时间窗口是明年Q2，你最担心的是物流和竞争对手，你还在犹豫。

如果这些问题都在公有云上，谁能看到？

• AI服务商的员工
• 政府监管机构
• 黑客
• AI模型本身可能记住这些问题

OpenAI说他们不会用你的对话训练模型，但你怎么确定？

AI in the loop：人来干活，AI来学习

黄仁勋还提出了一个更细思极恐的概念：“AI in the loop”。

传统思想是”人在回路中”（Human in the loop）——AI来干活，人来检查。

黄仁勋的想法完全反过来：人来干活，AI在旁边学习。

让AI观察每一个员工怎么工作、怎么思考、怎么决策，然后把这些观察沉淀成公司的数字资产。

好处显而易见：

• 员工离职了，经验还在
• 新人入职了，能快速学习老员工的思路
• 公司不会因为人员流动而失忆

但如果这些AI是公有云上的，谁拥有这些观察？

理论上是你的公司，但实际上数据在云服务商的服务器上，AI模型是云服务商训练的。如果有一天你不付费了，这些数据能导出吗？即使能导出，没有那个AI模型，你的数据还有用吗？

这就是为什么老黄说：核心AI必须自己拥有。

不是只拥有算力，还要拥有：

• 数据的物理存储权
• AI模型的所有权
• 推理过程的完整控制权

Physical AI：从工具到劳动力

如果说前面讲的是怎么部署AI，那下面讲的就是未来的最大机会。

黄仁勋说：

“到目前为止，行业都是在创造工具。我们一直在做螺丝刀、锤子、铲子这样的生意。但历史上第一次，我们要创造的是劳动力本身。”

过去40年，科技行业处理的是电子（electrons）——信息、数据、代码。这些东西没有质量，可以瞬间复制，编辑成本接近于零。

但全球经济的99%还是原子（atoms）。

汽车、房子、食物、药品、衣服——这些都是实体的，受物理规律限制。你造一辆车就要有一套生产线，开一家餐厅就要有厨师和服务员。

**原子世界是线性增长的世界。**这就是为什么通用汽车年营收1500亿美元，市值只有500亿；而Meta营收1200亿美元，市值1.2万亿。

差在哪里？

Meta处理的是电子，通用处理的是原子。

但Physical AI正在改变这个格局。

数字司机的价值远超车本身

黄仁勋举了一个非常生动的例子：

如果你是个机器人，你会使用工具还是重新发明工具？

显然是使用工具。

想象一下你要造一个通用家务机器人，需要做饭、洗碗、叠衣服。传统AI思路是给机器人装特殊抓手，专门用来抓盘子、拿衣服。问题是每个任务都需要不同的手，最后你的机器人可能需要20种不同的手，成本高到吓人，而且只能做这20件事。

Physical AI的思路是：给机器人一双和人类似的通用手，然后教他使用现有的工具。

厨房里有菜刀就学会用刀切菜，洗衣机存在就学会用手按按钮，扫把拖把都有，它能学会握住和挥动。

**这样的机器人能应对任何未来人类已有的环境。**你不需要为他重新设计厨房，不需要买特殊的智能家电，它能用你现在的厨房、现在的工具、现在的家具。

这和马斯克正在做的事情完全是一个方向。

估值逻辑的重构

黄仁勋说：

“我喜欢迪士尼，但我确定他们更想成为Netflix；我喜欢奔驰，但我确定他们更想成为特斯拉。”

为什么？

因为他们的估值倍数完全不同。

传统公司处理atoms：

• 沃尔玛：PE 20倍
• 通用汽车：市值500亿，PE 5倍

科技公司处理electrons：

• 亚马逊：市值2万亿，PE 60倍
• 特斯拉：市值1.5万亿，PE 300多倍

同样的营收规模能差五倍十倍。

为什么？

因为资本相信科技公司的编辑成本接近于零，传统公司的编辑成本是线性的。

但Physical AI正在打破这个界限。

假设未来奔驰的车能自动驾驶，它就不再是卖车的了，它就是卖数字司机的。当迪士尼的乐园有AI导游、AI演员，它就不再是卖门票的了，而是卖数字体验的。

他们都在从Atoms公司转型成Electron公司。

而这个转型的关键，就是Physical AI。

三个可以立刻执行的动作

讲了这么多理论和趋势，最后来点实际的。

黄仁勋在访谈最后给了很接地气的建议，我也结合自己的实践，给你三个可以立刻执行的动作：

第一，做一次”问题审计”

让你的团队记录一周内他们向公有云AI问的所有问题。

不需要答案，只需要问题。

然后把这些问题分类：

• A类：绝对不能泄露，涉及战略、财务、核心技术
• B类：敏感可控，涉及客户、供应商、内部流程
• C类：无所谓，通用知识、公开信息

如果A类问题占比超过20%，你应该认真考虑建设私有AI了。

很多公司连这个最基本的问题安全常识都没有。他们以为只要不上传文件、不泄露数据就安全了，但实际上你的问题就是你的战略。

第二，自己组装一次

黄仁勋说：”我给你们的建议和给我孩子的建议是一样的——去组装一台电脑。”

即使到处都是PC，你也要打开机箱理解它是怎么工作的。因为只有动手，你才能建立体感。

企业也是一样的道理。

即使市面上有很多AI服务，你也应该至少搭建一套小规模的。不是为了省钱或者比云服务更好，而是为了建立体感，理解AI到底是怎么工作的。

当你自己搭建一次，你就会知道：

• 训练一个模型需要多少数据
• 推理一次需要多少算力
• 哪些环节是瓶颈
• 成本结构在哪里

有了这个体感，你再和AI供应商谈判就不会被忽悠。

第三，启动一个”AI in the loop”试点

选一个核心岗位，让AI观察记录：

• 这个岗位每天做什么
• 遇到什么问题
• 怎么解决
• 有什么模式和规律

三个月后，你就会有一个初步的经验数据库。

这个数据库，是你公司未来的护城河。

最后的话

黄仁勋描述的，不只是一个技术趋势。

他在描述的是一场生产方式的革命。

过去200年，人类经历了三场工业革命：蒸汽、电力和计算机。而现在我们正进入第四次——用AI创造劳动力本身。

不是工具，不是辅助，而是劳动力——会思考、会决策、会操作物理世界的劳动力。

这个转型的意义怎么强调都不过分。因为过去所有的技术革命都是在提高人的效率，但这一次，它是在创造新的劳动者。

在这个转变中，会有两类公司胜出：

1. 创造数字劳动力的公司——特斯拉、英伟达、OpenAI
2. 最早使用数字劳动力的公司——亚马逊、第一批部署AI的制造企业

而那些还在用传统思维算ROI、在等明天回报确认的公司，可能会在这场革命中掉队。

不是因为他们做错了什么，而是因为他们没有足够快地进化。

留一个问题给你：

如果十年后，你的公司有一半员工是AI——他们不需要工资，不需要休息，不需要离职，可以24小时工作——

你现在的决策，会不会不一样？

答案是：会。

那为什么不从今天就开始呢？