AI 认知
和领导力
英伟达创始人兼 CEO 黄仁勋在 5 月底有一个 AI 峰会访谈，完整的内容最近公开。
认真看完之后的感想是，之前认为，这个星球上的科技大佬有两个人的访谈最值得追，一个显然是 Elon Musk，还有一位则是 Sam Altman；现在，这个 top 名单可以再加一位：黄仁勋。
老黄在这个对话里深谈了对 AI 时代的认知，以及公司领导力的独特洞察。整个访谈可谓金句频出，特先摘录一些做个评论。
出品：Web3天空之城 x 爱范儿，把全球顶级的 AI 认知内容带到中文世界。
金句点评：
AI 既是深度学习，也是一种解决难以指定的问题的算法。这也是一种开发软件的新方法。想象你有一个任意维度的通用函数逼近器。
👨🏻💻 城主：「通用函数逼近器」，这是对几千上万亿参数的神经网络大模型的一个绝妙比喻，从实现层面和逻辑层面都是。生成式模型通过难以计数的参数去逼近了各种真实的数据、知识和推理生成。
我们的智力有许多方面都是应用规则，要么学习的规则，要么表达的规则。我们的公司，特定社会，特定文化中的许多原则和规则都是简单地通过文字表达的。
👨🏻💻 城主：「智力的很多方面通过文字规则表达」这一点也体现了，为什么 LLM 大语言模型通过学习文字就能达到如此智能的水平，因为人类的认知和智慧本来就是大部分通过文字体现，而不是靠每一个人亲身体验。
我们使用 AI 来帮助我们设计、探索（芯片）设计空间 …… AI 帮助我们创建更加节能高效的处理器，超过摩尔定律预测的任何能力。
👨🏻💻 城主：Nvidia 用 AI 设计芯片的说法看来板上钉钉了，和使用 AI 辅助进行软件编码（Copilot）相比， 用 AI 设计芯片显然是个更基础的变革，因为这意味着人类拥有算力的进一步爆炸。老黄说的「超过了任何摩尔定律预测」，应该是可信的。
你必须努力学习。人们喜欢教导那些伟大的学生。所以我投入了很多时间去成为一名好学生。
👨🏻💻 城主：老黄很简单的说了如何在管理公司的几十年一直跟进最新技术知识，无它，唯有努力学习。我在 《当 Transformer降临：普通人如何迎接 AI 狂潮时代》 一文里也表达了同样的想法。在 AI 时代要生存下去，唯有好好学习，终身学习。
技术如此精深，所以您理解它，并对技术充满兴趣和好奇心，这对管理技术驱动型公司至关重要。
👨🏻💻 城主： 又一句看着很简单，但实际很深刻的话。没有对科学技术的真正好奇心和热爱，不可能做好一个技术驱动的公司。在马斯克和 Sam Altman 的谈话里， 都强烈体现着这一点。
所以我有很多人向我汇报，因为我不需要进行一对一谈话…… 拥有许多直属下属、不进行一对一谈话，使公司变得扁平，信息迅速传播，员工得到赋权，这使得我不必进行一对一谈话变得可能。
👨🏻💻 城主：老黄这个不做 1:1 对话的管理理念震惊和刷新了本人认知。
但仔细想想，这确实某种意义上也更契合扁平化完全沟通的理念；而这里的关键是，找到那些不需要花 CEO 精力去做职业辅导的 A 级人才……所以最后还是乔帮主看透啊，然后黄老邪继承了。
全部精彩内容和大家分享，感兴趣的读者可以查看以下访谈全文。
💡 黄仁勋50分钟完整版访谈视频（中英精校）传送门：https://b23.tv/bIOPNiz
主持人：
太高兴能和你在一起，Jensen（黄仁勋）。能从你身上学习真的太荣幸了。我想回到你对深度学习产生信心的那一刻。你还记得那是什么时候吗？
老黄：
非常好。我了解深度学习的时间和其他人差不多。也许略早一点。这是因为几个研究小组同时试图参加 2012 年的 ImageNet 大赛。我想有两件事，一是使用最新型的 GPU，即 GeForce GTX 580。它刚刚上市。二是学习如何为深度神经网络编程。所以我们很幸运能比其他人略早一点了解它们。
那时它被称为神经网络。如你所知，在那个时期，人工智能还不太流行。神经网络是可疑的研究领域。但尽管如此，我们还是提供了帮助。我们尽了最大努力。
对我来说真正引人注目的是它的有效性。当然，当你看到惊人的有效技术时，下一个问题是这种技术将如何扩展？它还可以解决什么其他问题？由于神经网络的性质和每一层相互隔离。反向传播方法非常有效，你可以想象它将被大规模扩展。事实证明我们是正确的。
我们的观察结果是， AI 既是深度学习，也是一种解决难以指定的问题的算法。这也是一种开发软件的新方法。想象你有一个任意维度的通用函数逼近器。无论问题的维度和大小如何，只要你有足够大的模型，你就可以反向传播它并学习它。我认为推断出这一见解对我们来说真的很重要。我们深信它的潜力。因为我们意识到这将成为开发软件的新方式。
从那时起，我们称之为软件 2.0。但我们观察到，起初这是一种开发软件的新方式，我们意识到可能需要彻底改变计算方式。从那时起，你可以回顾并意识到，可能是自 IBM 360 系统以来的 60 年里，第一次使用 GPU 和深度学习加速计算真正实现了重新发明计算机。如果你愿意（这样认为）的话，我们可能在发现量子计算之前就已经发明了量子计算。
主持人：
确切地。我认为那是一个非常重要的时刻。我们很幸运能把所有的要点联系起来。是的，我记得读到研究团队的论文，以及他们如何开始部署它。这令人难以置信，给人深刻的印象，因为之前没有人真正将 GPU 用于这一用途。
但是，自从模型架构开始发展以来，您认为它们的发展方向是什么？当时是CNN（卷积神经网络）。我们现在看到对多模态的支持越来越多。这让您对此感到兴奋吗？您认为模型架构的发展方向是什么？
老黄：
嗯，让我们拭目以待。 研究人员做的工作是将几乎每一个问题、每一种类型的数据重新表述为 Transformer 可以学习的内容。你可以创建视觉 Transformer。你可以创建音频 Transformer。当然，你可以创建文本 Transformer。看起来，你几乎可以用任何东西创建一个 Transformer。
出于非常明确的原因，多模态确实非常重要。它们的表现更好。例如，如果我们说，你正在尝试训练视觉神经网络，而你除了马以外什么都没见过，你从未见过斑马。但是，如果你添加另一种模态，比如文字，你就会明白斑马是一匹有黑白条纹的马。不知怎的，马的图像和文字对黑白条纹的理解让（模型）在没有见过斑马的情况下想象斑马的样子。
这样你就扩展了你的表现。你可以使用多模态来增强感知的稳定性。所以，我们为相机、雷达和激光雷达这样做。我们结合多个传感器模式，以便我们可以扩展您的感知能力，涵盖所有传感器模式的超集。
我想，你也可以通过模棱两可的事物来增强能力，例如，如果我要说，那是什么？我的言语和手势的结合可以帮助您理解我的意思。使用代词很难做到这一点。因此，多模态非常重要。现在，我们有了 Transformer 模型，我们表达了 Transformer 的理解方式来理解多模态。
所以，我认为下一代 AI 模型将具有更高的性能、更安全、更稳定、可以完成更多的任务。我认为这将是一个重大进步。我认为真正令人着迷的是我们已经能够从语言中推导出多少东西。我们基本上从可以应用于非常广泛的背景的语言中推导出这个世界模型。
主持人：
但是，您还谈到了教授这些模型物理知识。您认为这是必要的吗？或者，当这些模型变得多模态时，我们能否从训练数据中推导出来？例如，当它们在视频训练中得到训练时，它们能否从训练数据中学习这一点？
老黄：
是的，我想可以。让我们看看，世界上几乎所有的事物都已经用文字描述过了。是的，物理学也已经用文字描述过了，牛顿定律也已经用文字描述过。所以，你可以想象，我们可以通过世界的词语库学习几乎所有的物理效应。
如果你从未见过红色，真的很难想象红色意味着什么。但是，如果有足够多的诗歌来描述红苹果的美丽以及它与其他红色苹果的比较，我不会感到惊讶。而且，心形红色，表情符号之类的东西。通过所有这些词，你已经关联起来，哦，这一定是红色的。通过比较和对比，在没有见过的情况下，你一定能够理解这一点。
但是，如果你没有能力把所有这些不同的事物结合起来，你永远无法理解某种事物的感觉及其微妙之处和细微差别。我认为向人们传授物理效应是可能的。但是，如果你想预测物理定律，也就是说，具有物理现象的事物，你需要将人工智能建立在物理学的基础之上。这与今天使用增强学习和人类反馈来塑造大型语言模型没有什么不同。
在未来，你将使用物理反馈的增强学习。而这个物理反馈，不是人为的，而是通过某种物理模拟表达的机器人的反馈。我们创建了一个名为 Omniverse 的系统，它遵守物理定律，所以我们可以让 Omniverse 本质上是机器人的数字双胞胎。
那个具体化的语言模型然后会得到增强学习的物理反馈，模拟物理反馈，Omniverse 的数字双胞胎反馈。所以，我的确认为，对某些类型的机器人来说，你想要建立在物理真理的基础之上。你想建立在伦理真理的基础之上。这就是人类。这就是协调。这是帮助我们创建更安全聊天机器人的一种方式。
所以，我认为这两个想法在某种程度上是相互平行和合理的。我认为这将是有帮助的。是的，这可能就是我们最终在这个模拟中结束的原因。这就是你开始做这些实验的原因。
主持人：
是的。您认为上限在哪里？您认为我们可以继续运作现有的模型架构，稍微发展一下，规模化，计算化吗？或者，我们需要彻底的突破和很快就会达到收益递减？
老黄：
首先，我不知道背后的科学原理。但直觉会表明， 我们的智力有许多方面都是应用规则，要么学习的规则，要么表达的规则。我们的公司，特定社会，特定文化中的许多原则和规则都是简单地通过文字表达的。你没有学习它的（其他）存在。
「不可杀人」，不是通过尝试直到发现「不可杀人」 才学会的事情。我们只是学习了它。我们得到了这个规则。所以，有许多规则可以在不需要学习的情况下表达。我认为这种符号推理可以增强这些详尽学习的模型。
所以，我不知道背后的科学原理，以及它是否表明这种方式或那种方式，但直觉上，我们通过增强学习、经验学习以及只是因为事情就是这样而学习的东西来增强我们的智力。
最令我们兴奋的一件事就是现在也有可能增强人类的智力。如果我们能为研究人员提供运行成千上万次并行实验的工具，而不是替代这些工具，那将是很棒的。
主持人：
随着时间的推移，您如何看待人类在此方面的作用？一旦我们达到这方面比人类高出几个数量级的智力，我还能发挥什么作用？
老黄：
我不知道。我不知道。 但我周围都有在某些技能方面比我高出几个数量级的人。我和他们共存没有任何问题。所以我已经生活在一个被超级智力包围的环境中。相对于我自己，我觉得他们能做的事情我无法想象。不知怎的，我在其中存在得相当和谐。我认为我们会提高基本智力。
我们提高了许多事物，这些事物随着时间的推移使人类资源大批量化。我们通过农业民主化了食物的狩猎。我们不必再追赶或被食物追赶。我们当然民主化了能源的生产。所以身体较小和较弱的人可以生活在物体比较重的世界上。所以，你不必只是庞大和肌肉发达才能生存于这样的环境中。
我们民主化了能源的获取。因此，社会在其能力方面有所提高。 我认为我们现在正在民主化智力的生产。但我认为，对于那些拥有深入的领域专业知识和某些令人难以置信的热情的人来说，价值仍将存在。正如您提到的，通过试验所有这些未来情景的能力，我们可以放大自己的热情和专业知识。
另一个方面，我对此抱有希望，在我 40 年的职业生涯中，绝大多数人口没有学会如何使用我们称之为计算机的这种仪器。只有少数人，我认为你在青少年时期就开始学习如何编程计算机了。对绝大多数人来说，他们不知道 BASIC。他们不知道 Python。他们不知道 Pascal 或 Fortran 或 C 或 C++ 或 Java。他们不知道如何编程这些计算机。
尽管对世界上少数人来说这很合理(大约 100 万人)，但数十亿人至今仍不知道如何做到这一点。现在，有了 ChatGPT，编程语言的首选项是人类。你可以用瑞典语编程，我可以用英语编程，你可以编程去编写一个程序来编程另一台计算机。所以， 我们首次在历史上实现了编程的民主化。我无法不相信这将赋予目前看到这种价值创造工具和生产力工具的数十亿人力量。
这个令人难以置信的、以光速旅行的机器，我们称之为计算机。第一次，每个人都可以使用它。所以我希望它能弥合数字鸿沟。我认为你可以为此提出理由。你现在就能实时看到这种情况，孩子们在网上激励这些机器，编写了惊人的程序，生成了美丽的图像。他们只是孩子。他们不知道如何编写程序，但他们可以做这件事。
主持人：
我认为，NVIDIA 在加速计算方面所做的工作也令人着迷，因为你们自己使用AI来开发更高级的计算。你能告诉我这个循环是什么样子的吗？
老黄：
我们当前一代芯片如此之大、如此复杂，我们公司的所有员工都不可能设计出来 。所以我们使用 AI 来帮助我们设计、探索设计空间。正如你所说，我们尝试了数十万种设计方案的组合，找到了权衡最佳的一个。
确切地。最佳的权衡是我们确定的权衡。不存在完美的优化。只存在在某些权衡下最佳的优化。有时候，我们可能想不惜一切代价优化速度。理由是它处在关键路径上。你想让关键路径尽可能快。
也许是因为它代表了你必须实例化成千上万次的东西。现在，能源效率真的很重要。所以，我们为能源效率进行优化。我们作出这种判断。然后，我们释放 AI 去发现所有的极端条件和所有的不同方案组合。它带回来的设计不是任何人能做出来的。
令人难以置信的是，我们正在审视这些设计，我们将其纳入最新一代 Hopper 中，这些设计以前没有人设计过。这实在令人难以置信。或者，这是因为我们必须在一片芯片上连接成千上万个模块。成千上万种组合的组合爆炸超过宇宙中的所有原子。
所以，只有 AI 才能弄清楚这种情况下的最佳优化方案。
主持人：
我对你的观点真的很好奇的另一个问题是，我们应该如何思考防御性？
上次我们谈到，领域专业知识的价值以及深入融入工作流程。但对于在应用层实施的公司来说，随着这些模型变得更加商品化，它们能够从越来越少的数据中学习，它们应该如何考虑防御性？许多历史性壕沟似乎不再适用。我们应该如何考虑建立一个可防御的业务？
老黄：
嗯，我不知道有任何证据表明理解一个问题域或理解一部分客户曾失去过价值。我们的技术、世界计算技术以及受过高等教育的人数，显然在不断增长。
现在大学毕业的新生真的非常了不起。他们中的每一个人当时都比我们更聪明，当我们第一次毕业时。他们能解决的问题类型，仅仅从毕业开始，就属于整个公司过去要做的事情类型。然而，所有证据都表明深入理解客户的挑战真的很有价值。
所以，我认为这不会消失。我们将拥有令人难以置信的基本 AI 能力，它可以做惊人的事情。它可以解决，所有的最困难的数学问题，它将通过，资格考试。
然而，我们很清楚，通过资格考试的人，当被带入某个特定问题的领域时，仍然必须学习该行业的基本原理。需要解决的问题是什么？人与人之间的复杂关系是什么？客户常常是人，他们试图解决自己复杂的挑战。所以，理解人，理解上下文，这些东西往往表达不清。所以，这些是社会科学问题。
主持人：
在应用层，您最兴奋的是什么？
老黄：
嗯，对我们来说，如果我可以将其分类为三个方面，那就是:
AI 可以做什么来增强、革新我们制造产品的工作方式？这是一方面。我们刚才讨论过一方面。我们设计芯片的方式已经完全改变。
第二，我们设计软件的方式已经改变。当然，第二个方面是，AI 现在可以使我们做什么，以至于我们的产品与众不同？
不仅仅是革新我们设计产品的方式，而是革新我们建立的产品。例如，世界上有许多游戏玩家，我们过去设计图形卡的方式是设计可编程着色器，当然还有编译器等等。但仅此而已。我们发布它。我们运送具有优秀编译器的优秀处理器，并将它们集成到游戏等中。
但现在，你甚至不能独立发布运送 GeForce 显卡，因为后面有一台超级计算机在学习如何预测缺失的像素，因为我们必须去噪和推断像素。我们推断约每一个我们呈现的像素，我们现在推断在 8 到 16 个像素之间。我的意思是，这就像得到一个拼图，给你一个拼图片，然后猜测其他 16 个拼图片。
所以，我们在AI中教了一门课，后台有一台超级计算机，只是学习如何做这件事并改进算法，然后我们每次改进时都下载算法（到本地机器）。所以，现在我们使用 AI 不仅革新我们设计 GPU 的方式，还革新 GPU 产生图像的方式。所以， 它帮助我们创建更加节能高效的处理器，超过摩尔定律预测的任何能力。
然后，第三个类别，我想说，就是 将整个公司转变为人工智能。
这样，我们所有员工都能够借助这个系统获得增强，这个系统一直在运行。这样，我们不会搜索找不到的信息，这样我们可能可以连接点和预测市场机会，或者供应链已经改变，或者市场需求已经改变， 我们不可能看到所有信号，但 AI 看到所有信号并非不可能。
因此，随着时间的推移，从员工相互协作的方式，我们获取使用信息的方式，到我们预测需求和与供应链合作的方式，所有这些都将由AI革新。
主持人：
您认为您目前对 AI 最持不同意见的观点是什么？
老黄：
我不知道我有任何特别与众不同的观点，因为，如果你看看今天的世界，关于 AI 的大多数讨论要么超越其承诺的热情，要么超越其危害的担忧。所以，在承诺和危害的两个极端条件之间，实时讨论的地方，可能是真相。
毫无疑问，这种能力的技术以及历史上的任何技术带来了社会和经济的巨大变革和断层。所以，我们必须考虑相当大的危害。
谁会想到会有一大群从事网络设计的人？这是一个以前不存在的职业，或者程序化广告。这些职业在 40 年前我毕业时并不存在。但今天整个行业存在。
所以，不知怎的，这个名为互联网的启用技术有推荐系统。AI的早期版本使我们能够创建这个新行业。 我认为我们将不得不进行再培训和再训练。流失的工作可以转变。但我确定将创建新的行业，这些行业我们从未想过。
就现在而言，我们正看到有一点正在活跃起来，即提示工程。 提示工程将是一个真实的事物。它将成为一个巨大的行业。它可能是最重要的编程行业。那么会有多少人成为提示工程师？这真令人难以置信。
你看到 AI 在帮助编写提示，对吧？提示其他 AI。
(主持人：这非常「元」 meta）
的确，非常「元」。所以，我认为我们会看到所有这些。
我认为有许多好的方面正在讨论。我喜欢关于安全性的讨论。我们必须投入与AI能力相当的技术投资和 AI 安全投入。我们碰巧在自动驾驶汽车领域工作。 我们可能已经投入了与让车开动相当的资源来使 AI 安全和汽车安全。所以，我认为大型语言模型也必须这样做。
用于建立 AI 护栏的技术，以使您将其保持在操作域内，与对齐相关的技术，增强学习，人类反馈，我们前面谈到的与物理反馈相关的增强学习，向量数据库技术，减少谬误的能力或减少幻觉，以使用事实对其进行增强。
我认为我们将看到所有这些能力的想法爆炸，以转换那个核心的大型语言模型去围绕其他 AI 技术、方法和最佳实践。所有这些都将使那个大型语言模型转变为可使用的聊天机器人。
主持人：
您深深地令我敬佩的一点是您在技术上保持如此最新。我认为您一定花了很多时间阅读或其他什么。但您对行业中发生的每一个细节都异常深思熟虑和渊博。如何在管理全球最大公司之一的同时紧跟形势。
老黄：
哇。让我们看看。这个问题的答案是什么？
首先，我身边有很多了不起的人。当我去拜访你时，你身边也有很多了不起的人。 （主持人：是的。）
他们乐于教导我。 你必须努力学习。人们喜欢教导那些伟大的学生。所以我投入了很多时间去成为一名好学生。当然，我们涉足的领域很广，从自动驾驶汽车到气候研究到数字生物学。我们可以在世界范围内产生影响的广度和广度很大。但我们也必须学习。
所以，您所在的行业是技术驱动型行业，为公司解决问题和创造解决方案。我所在的行业也是技术驱动型行业。对我们来说， 理解技术的基础是必不可少的，这样您就有直觉。如何改变行业。您有一种直觉，某项技术有点左转，而某项技术是基本的。
认识到我们早期工作的生成对抗模型到变分自动编码器再到扩散模型（注：都是 AI 生成图像的模型）。但它们有些亲戚关系。认识到一种影响可以导致另一种突破，这打开了现在扩散模型的视野，这些模型简直令人难以置信。
所以， 我认为对技术有直觉可以让您更好地推断。我们推断和预见未来的能力真的至关重要，因为，天哪，技术变化如此之快。
但我们还需要几年时间来构建一个伟大的解决方案。那么，在一方面，如何专注于构建需要几年时间才能完成的东西，将其构建在每几年就会改变 1000 倍的技术之上。如果您没有直觉，您如何做到这一点？
所以，我认为事实上 技术如此精深，所以您理解它，并对技术充满兴趣和好奇心，这对管理技术驱动型公司至关重要。所以，我认为我热爱我工作的这一部分，我身边有乐于教导我的人，我必须全身心投入成为一名好学生。
主持人：
我也非常感兴趣的一个领域是您如何管理公司。我明白您没有一对一。您能跟我讲讲您挑战和发展的一些经典管理手册吗？
老黄：
首先，对于建立一家公司来说，您首先必须去解决所有的问题，乔，您非常自然地做到了这一点。从一开始就考虑。 （主持人：是的。）
我们试图创建的是什么机器？这是什么输出？这是什么输入？它处于什么条件下？这个行业是什么样的？是快速发展的行业吗？是官僚主义行业吗？是高度监管的行业吗？它是什么样的行业？您试图建立什么？
所以，我认为从这个角度来看待这个问题，我想在公司做几件事。
我想创造一家自然吸引人才的公司。原因是因为我们正在解决问题。我们公司的使命是解决几乎不可能解决的计算问题。如果一个问题可以由普通计算机解决，我们不会解决它。所以，我们必须找到普通计算机无法解决或几乎不可能解决的问题。所以，您想吸引那些想发明这种新计算形式并将其应用于解决一些非常困难问题的人才。所以，我想要人才。
其次， 我想要一家较小而不是较大的公司，一家尽可能小而不是尽可能大的公司。它需要与工作要求相适应，但尽可能小。所以，自然地，您想加强人们的权力。如果您想要一家遵循命令和控制的组织，那么就把它建成金字塔结构，就像古老的军队，一直回到罗马帝国。但 如果您想赋予人们权力，那么您想尽可能扁平化，以便信息快速传播。
为了尽可能扁平化，第一层必须经过深思熟虑。第一层碰巧是最高级别的人。您会认为他们需要最少的管理。没有人来找我，我的管理团队没有人来找我咨询职业发展。他们成功了，他们做得很好。
所以我有很多人向我汇报，因为我不需要进行一对一谈话。我不需要进行职业辅导。他们都很好，他们知道自己在做什么。他们是各自领域的专家。所以，那些一对一的谈话实际上并不必要。
如果有战略方向，为什么只告诉一人？你告诉每个人。所以，在我们沉浸在策略讨论和制定未来道路的混沌之后，到了时间，我会同时向每个人发送或同时告诉每个人。人们会给我反馈，我们会完善它。
因为公司如此扁平，您已经通过公司知识和员工获取信息的机会大大赋予了组织权力，公司也很敏捷。结果是， 拥有许多直属下属、不进行一对一谈话，使公司变得扁平，信息迅速传播，员工得到赋权，这使得我不必进行一对一谈话变得可能。
这个算法设计得很好，架构实施得很好。
我们也没有业务部门。我们没有部门。每个人都作为一个整体工作。公司的形成方式使我们可以最好地构建加速计算。如果您要我去做炸鸡，我们会很难做炸鸡。瑞典肉丸，没有机会。但加速计算，非常好。
主持人：
我认为您有 40 个直属下属，对吗？
老黄：
差不多。挑战是让每个人聚在一起。我想让每个人聚在一起，但要么有人出去，要么有人在度假，要么有人在忙别的事。所有人都坐在办公室的可能性约为 0%。
主持人：
您的领导风格是如何随时间变化的？您现在已经开展了几十年了。随着您的学习，它是如何发展的？
老黄：
嗯，我实际上没有风格。这只是我。有很多事情我想做得更好。
如果工作中发生了什么事，我不喜欢它的方向， 我会直接说，我没有把任何人拉到一边进行一对一辅导。
如果有什么不对，我会直接说。如果我有不同的意见，我会直接说。
这可能会直接一点。但人们认识到我的目的就是直接（沟通），然后我花了很多时间论证我的决定。
这赋予员工权力，因为他们学习领导者如何思考问题。只是通过我参加的每次会议，我都在解释我如何思考这个问题。让我推理这个问题，让我解释为什么我这样做，我们如何比较和对比这些想法？这种管理过程真的很赋权。
我们也不仅进行副总裁会议或仅进行董事和董事会会议，我参加的会议上有刚毕业的大学生，来自不同组织的人都在那里，我们只是都坐在那里。他们有点像你的办公室，每个人都坐在那里。
主持人：
确切地。这实际上是我发现非常有趣的一点，因为这是其中一项规则。有一个非常清晰的领导团队，有领导团队会议等等，这是我一直以来都在努力解决的问题，因为您会有很多最佳的个人贡献者。他们应该参加这些会议，不应该只是副总裁不知道技术细节。
令人着迷的是， 你可以……
老黄：
正是这样，你理解了。你想要最有见识，最熟练或者最有经验的人。实际上他们制造了混乱，或者实际上面对了情况。
你想要真实信息。你想要尽可能好的真实信息和专家。
主持人：
您有一些模式让人们传达他们的首要任务。我听说过通过发送电子邮件。这是怎么回事？
老黄：
我们不做状态报告。我不阅读任何状态报告。
原因是状态报告在您获得信息时是元信息，它们几乎没有信息性。已经提炼和精练了，偏差已经插入，观点已经添加，你不再看到真实信息了。
我倾向于欣赏任何人提供的信息。如果您发送电子邮件，标题为Top 5 Things，并且恰好是您的前五件事，无论您观察到什么或您做了什么或您学到什么或事情，这些只是事情。
(主持人：哦，真的吗？)
是的，前五件事，无论是什么。你刚去了一家很棒的餐馆。谁不想听到这件事？这是重要信息。我刚生了一个孩子。这是重要信息。
无论这些事情是什么，前五件事，如果你发送出去，我会阅读它。我每天早上阅读，可能有100多封邮件，我每天都在读这个。
主持人：
这是公司内每一个人都发送给您的一条巨大的线索，对吗？
老黄：
每个人都有自己的前五件事版本，他们只是发送出去。如果您发送，我会阅读。
主持人：
您的前五件事是什么？
老黄：
前五件事的意思不是从中心向外，它们是从向外。把它想象成物联网。
如果我把我的前五件事发出去，那么实际上我污染了系统。这就是我不这样做的原因。
我有我自己的前五件事，我会保留给自己。
主持人：
您如何在规划中达到平衡？自下而上的想法是让您团队中最好的工程师决定要做什么，有时您也必须执行计划。您如何平衡这两件事情？
老黄：
首先， 战略不是文字，战略是行动。
如果公司有一系列战略，但人们的行动，他们的前五件事不是那样，那么显然他们没有执行战略。
事实证明，战略不是我说的，而是他们做的。我理解每个人在做什么真的很重要。
通过对每个人的前五件事有所了解来做到这一点。 不必每周阅读全部内容。它是随机的和随机抽样系统。您能感知公司是否朝着您想要的，大家都同意的方向发展前进。
这是第一点。
第二，规划。
我们没有定期规划系统，因为世界是一个生动而富有生机的事物。
我们只是持续计划，没有五年计划，没有一年计划，没有计划。只有我们正在做的事情。
主持人：
听到这些真的很兴奋。
我认为，在执行第一性原则并产生一些想法的同时，如果您做的事情与剧本相反，也会很难相信您的直觉。
什么使您相信这些事情中的一些直觉？
老黄：
嗯，您致力于追求的大多数事情都应该首先通过第一性原则推理。
有一个基础，即假设，导致您相信计算机必须改变，或芯片架构必须改变，或软件开发的方式，或数据中心的转变方式的重要假设。
数据中心过去是一个我们存储所有文件并检索文件的地方。但未来每家公司将有两个以上的数据中心，但数据中心之一不会成为数据中心，而是工厂。它是一个生产智能的工厂。数据输入，通过计算机提炼，输出的是世界上最宝贵的东西，即无形的智能。
这座建筑将不断驱动这件事情。你和我，我们都将拥有工厂。
您如何推理这个？你会后退（去追溯）。不知不觉中， 你会根据第一性原则思维形成世界观。然后下一步是全心全意地追求它，以实现它。这通常真的很难。
但如果你错了，你就改变主意。这就是现代领导力真正伟大的地方。
如果我在某件事上错了，我会承认。那是错误的。那真是糟糕。然后你说，我改变了主意。因为 您正在不断适应和实际重新计划，有趣的是，随着时间的推移，人们可能甚至不会注意到您在去年已适应了 17 次。您可能已经改变主意 35 次。
我们不做这些巨大的五年计划，我认为五年计划对技术来说简直是可怕的，这简直荒谬。这些连续的规划系统可能会导致更容易的领导。
主持人：
和我们要建立的产品一样，我们对要建立的公司同样着迷。
我认为只有很少的公司真正专注于赋予员工实现终生事业的权力。这也一直是您的关键激情。您如何实现这一点？您在 NVIDIA 实施了哪些措施来赋予员工实现终生事业的权力？
老黄：
领导者的任务是为他人创造环境，赋予他人实现终生事业的权力。
有几种方法可以实现这一使命。
实现这一使命的最重要方式是不要使人们从事商品工作。
例如， 我们公司从不谈论市场份额。原因是为什么要谈论我有 23% 的市场份额，他们有 27% 的市场份额。为什么要与其他人争夺市场份额？
因为整个市场份额的概念表明有许多其他人正在做同样的事情。如果他们在做同样的事情，为什么我们要这么做？
为什么我要浪费这些才华横溢的人的生命去做已经完成的事情？除非我们只是喜欢竞争，我倾向于不喜欢与人争夺已经商品化的市场份额，与人争夺已经商品化的市场。
这是一种思维方式，去做以前从未做过的事情。
另一种方式是证明这一点，离开已经商品化的业务。无论是出于我们自己的主动性还是其他原因，我们过去已经离开了许多业务。这非常清楚地向您的员工表明我们不会去做商品工作。 选择正确的工作和离开错误的工作的结合，这是创造条件的最佳方法。
其余的就是我们已经谈过的，即 通过信息赋予人权力。（主持人：是的。）
虽然一些公司是非常封闭的，信息无法在组织之外流传，但我鼓励我们公司更加透明。如果您问我关于我们公司秘密的问题，其实不会有太多秘密。这赋予人们权力。
其余的是您如何在工作中行事。如果公司存在等级制度，那么这显然不太赋予权力。但（我们公司）任何人都可以进入会议并做出贡献，包括新大学毕业生，这是非常赋权的。
我认为赋权是一件大事。
独家对话苹果技术副总裁 Kevin Lynch：Apple Watch 如何在方寸之间雕花？
刘慈欣谈 ChatGPT：人类的无能反而是人类最后的屏障返回搜狐，查看更多
责任编辑：