播客·视频

黄仁勋在播客里把英伟达现在的打法讲得很直白：不是他们想搞这么复杂，是单靠堆GPU数量已经撞墙了。他用阿姆达尔定律打了个比方——假设计算只占整个任务50%的时间，你把计算速度提到无限快，整体也只能快两倍。所以必须把算法拆开、把模型和数据切碎分到上万台机器上，同时把网络、交换、供电、散热全部拉齐，否则就是木桶效应。 这个逻辑解释了英伟达为什么从芯片公司变成数据中心级系统公司。他还透露自己直接管60多个人，几乎全是工程背景，分别盯着内存、CPU、光学这些细分方向，组织架构就是照着产品架构搭的。 不过整场对话没给出具体案例数据，比如这种极端协同设计在某个真实大模型训练任务上到底省了多少时间或功耗。他说的“一万台机器跑出百万倍加速”更像理想目标，实际能效比还得看落地。另外，这种全栈绑定对客户来说意味着更高的切换成本，这点他没展开聊。

这期播客最值得关注的点，是 Peter Steinberger 把“能动手的 AI”做成了一个普通人也能用的开源工具。OpenClaw 能接入 Telegram、WhatsApp 等聊天软件，用 Claude Opus 4.6 或 GPT 5.3 Codex 当大脑，直接在你的电脑上执行操作，甚至能自己改自己的源代码。GitHub 上 17.5 万颗星说明开发者社区对这类“干活代理”的需求很饥渴。 但信息缺口也很明显。整场对话没给出任何具体的任务成功率、延迟数据或安全测试结果。一个能操作系统级权限、还能自我修改的代理，如果被注入恶意指令会怎样？正文没提防护措施。Peter 提到自己用语音编程到失声，这侧面反映了交互强度，但没解释代理在复杂任务链上的稳定性。 我会先打个折：这更像一个现象级的产品原型展示，而不是一个经过验证的生产力工具。它证明了“让模型进业务流程干活”的体验门槛已经很低，但离“放心让它管你的文件”还差一套透明的安全评测和权限控制机制。

这期播客把 2025 年 1 月 DeepSeek R1 的发布看作一个分水岭：它证明了用少得多的算力也能做出接近顶尖的模型，直接打破了“只有砸钱才能领先”的叙事。一年后，嘉宾的判断是，技术想法在各家实验室之间流动很快，真正的差距体现在预算、硬件约束和组织文化上。比如 Anthropic 靠押注代码工具 Claude Code 攒了一波口碑，而 Gemini 3 发布时声势很大，现在讨论度却低了不少。 中国这边也不止 DeepSeek 一家了，Z.ai 的 GLM、Minimax、Kimi Moonshot 都在发布很强的开源模型，DeepSeek 的“开源之王”光环反而在减弱。但整场讨论有个明显缺口：没给出任何统一的评测基准、推理成本对比或可复现的实验设置，所以这些判断更像从业者的经验之谈，不能当硬结论用。 另外，正文没提这些模型在真实业务场景里的表现，也没说开源模型的商用限制到底放宽到什么程度。如果你关心的是“我该用哪个模型干活”，这篇只能帮你理清竞争格局，选型还得自己跑测试。