Jensen Huang
工程、創業搭人工智能 [Artificial Intelligence] 個一生
從亞洲個童年到領導NVIDIA 一本根據證據寫個傳記，搭Steve Jobs個批判性比較
吳語版（上海話書面語） 研究截止日：2026年11月11日
目錄
引言
理解平台 [Platform] 後頭个人
Jensen Huang個重要性，勒於伊幫忙實現了一種變化：本來設計來畫圖个電腦，變成能夠幫研究人員訓練人工智能 [Artificial Intelligence] 个機器。伊1993年共同創辦个公司，從前途勿明朗个圖形 [Graphics] 初創公司，長成現代AI基礎設施 [Infrastructure] 个中心供應商。搿個成就值得仔細研究，勿需要一個伊早曉得未來、獨自做事、從來勿犯錯个故事。
搿本書從伊勒亞洲个童年寫起，經過移民、教育、工程工作、創業搭NVIDIA个擴展。書裏考察塑造伊機會个家庭搭機構、使公司有可能成立个同事搭伙伴，以及一再改變方向个困難決定。隨伊公眾知名度增加，還有一個愈來愈吸引人个問題：講Jensen Huang是「活着个Steve Jobs」，有道理伐？
搿搭提出个回答有條件。兩個人儕結合技術、長期信念，搭一種能解釋別人還看勿清个未來个少見能力，也儕搭自家公司緊密相連。但Huang勿是Jobs个代替品。伊个工程教育、持續領導、企業客戶、建立計算平台 [Computing Platform] 个路數，搭Apple共同創辦人勿同。比較能分辨具體行為就有用；拿兩個複雜个人變成可互換个象徵，就會誤導。
還勒過个一生，勿可能有定論式个末章。搿版到2026年11月11日為止。財務數字、職銜、董事會聲明搭產品公告儕帶日期，勿當永久事實。事後敘述，適當地方標明是回憶。公司描述自家技術，是曉得伊公佈過啥个有用證據，勿是每項性能講法个獨立證明。
搿也勿是虛構化傳記。書裏勿拿編造个對話、私下念頭或重造場景當事實。公開記錄个家庭信息，只勒有助理解人生時寫進。朆證實个歲數、猜个動機搭獵奇細節，勿會因為重複就變真。目標是一本好讀个敘述，創業者、學生、技術工作者用伊時，勿必每頁儕自家分清欣賞搭誇張。
1 跨過國界個童年
Taiwan、Thailand搭家庭个決定
Jen-Hsun Huang，一般叫Jensen Huang，1963年2月17日生勒Taiwan。出生城市有勿同講法，一部分早期人物介紹寫Tainan，後來報道寫Taipei。Taiwan是可靠个地理起點。搿個分別要緊，因為傳記勿應悄悄拿反覆出現个細節變成確定事實。[1]
伊个童年老早就跨國界，比職業生涯早得多。一家先住Taiwan，後住Thailand。搭Condoleezza Rice訪談時，Huang回憶父親到Thailand幫忙開煉油廠。伊講父親是工程師，母親勒一家搬到America以後，曾勒天主教學校做女傭。搿是伊公開个回憶，勿是獨立重建个工作記錄。父母想讓兒子有教育機會，兄弟兩個勒父母完成移民前先到United States。後來訪談裏，伊拿搿段分離搭父母對孩子个希望連起來。[2]
移民故事常被縮成一段勵志過程：窮移民小囡來到、勤力做事、變億萬富翁。搿種次序遮掉使旅程可能个大部分條件。小囡勿挑移民制度、匯率、學校錄取或親戚願勿願接納。父母勒資料勿齊時做重大決定，小囡繼承決定帶來个機會，也繼承勿確定。
對Huang來講，換國家也就是換語言搭期待。實際難處勿單是學詞彙，還包括理解哪能搭老師講閒話、建立朋友關係、回應衝突、判斷能力。學生可能先懂數學，再懂課堂个社交規矩。搿幾種學習勿一定一樣快。
若講移民直接造成幾十年後某個管理習慣，就是猜。謹慎些个結論是，適應老早成伊生活个事實。後來事業反覆要進陌生地方、認規則、定啥假設可挑戰。相似處有啟發，勿是心理診斷。
理解父母个角色，也勿好編完整个家庭檔案。公開資料裏，伊拉職業搭姓名个質量高低勿一。最牢靠又反覆出現个證據，是伊拉重視教育，搭為教育肯接受个生活變動。勿必拿看似合理个細節填滿空白，伊拉也重要。決定使Huang接觸到後來技術成長核心个機構搭人脈。
成功必然故事个危險
曉得結局會改變讀者哪能看童年。普通課堂成功會變天才徵兆，勿舒服經驗會變領導个必要準備。兩個結論儕勿會自動成立。有才移民好多受苦也朆造大公司，成功創業者也有老勿同个童年。
所以有用問題勿是小Huang當時就注定創NVIDIA，而是伊个機會哪能擴大，後來拿伊做啥。搿種看法重視努力，又勿忽略使努力有效个家庭決定、公立教育搭歷史環境。
2 Kentucky搭體驗自家个勿同
住勒Oneida
Kentucky時期有一項特別要緊个訂正。Oneida Baptist Institute講，伊搭哥哥住學校宿舍，讀个是Kentucky River个South Fork對過个公立Oneida Elementary School。因為當時Institute是高中，兩兄弟要走吊橋上課。拿寄宿安排搭上課學籍當一樁事，勿準確。[3]
時間過去，故事有了戲劇化版本。Huang回憶初到United States艱難，被放到大些个男生中間，情況家人朆完全料到。Oregon State記下搿種困難，也記下伊對學校生活个感情。兩面儕該講：勿適搭感激勿相排斥。[4]
機構名稱要謹慎。「感化學校」可以表達講述者對環境个記憶，未必充分描述全部歷史或每個學生。較可靠个事實是寄宿、讀小學、離父母老遠个小囡經歷重大文化適應。
童年機構後來可能通過一個鮮明細節被記住，吊橋就是搿種：具體、好記、有獨立記錄。比編Huang過橋時想啥更有用。物理安排已足夠畀讀者看見住處、學校、周圍陌生世界个距離。
多年後Jensen搭Lori Huang支持Oneida新設施。學校記錄200萬美元配捐 [Matching Grant]，造出个Huang Hall勒2019年啟用。捐贈連成熟創業者搭童年地方，勿需要假定童年每一面儕快活。[3]
勿美化苦難个韌性
成功人物敘述常拿困難變處方：苦難先於成就，所以未來領導也該受苦。搿種推理弱。逆境可生應變能力，也可限機會、造成長久傷害。結果看支持、環境搭個人。
Huang後來公開重堅持，搭領導有關，但勿好用來讚霸凌、缺乏或能避免个苦。建設性教訓窄些：人能學回應困難，機構能幫伊拉恢復、養信心、尋有用工作。
成熟个韌性敘述還要講幫助。適應个年輕人仍需老師、親戚、飯食、住處搭繼續讀書个路；將來過危機个主管仍需工程師、客、資金。記住連續性，免得傳記變孤立意志故事。
3 Oregon個學校、工作搭志向
更安定个求學路
一家後來定居Oregon，Huang勒Beaverton地區讀高中。Oregon State也講伊是全國排名內个青少年乒乓球手。細節顯示年輕人同時養學業搭競爭技能，但勿提供逐年完整學校記錄。[4]
有些通俗摘要列精確跳級次序，或搭別資料衝突个大學入學年。理解道路勿需要搿種精細。可靠要點是伊完成學校、入Oregon State University讀電氣工程 [Electrical Engineering]、1984年得學士。有記錄學位日期，比猜每個初中年更穩。
競技運動是理解工程个好比喻，勿好當因果證明。乒乓球手反覆適應對手、得即時反饋 [Feedback]、練動作到可靠。工程師也從反饋學。只曉得伊打球，勿能定伊有意帶啥運動習慣進管理。
早年Denny’s服務工作也是公開故事反覆一部分。伊講洗碗、接客、普通勞動教訓。餐廳要緊，是因為發展勿只勒精英科技圈。管工程師之前，伊已經歷服務、速度搭好多小工作協調日日可見个職場。[2]
服務工作能教啥
餐廳是一個系統 [System]。客看一餐飯，背後靠準備、清洗、點菜、燒菜、付款搭溝通。別處做得好，一處失敗仍會到客面前。搿能解釋技術好个零件，自家勿會造成功產品。
同一原理後來勒NVIDIA生意以大得多規模出現。處理器 [Processor] 可強但難編程；軟件 [Software] 可好卻嘸分銷路；數據中心 [Data Centre] 可夠處理器卻缺網絡 [Networking]、電力或冷卻。搿是分析比照，勿是講某次餐廳班畀伊公司藍圖。
還有工作可見性教訓。高主管可同使產品可用个人隔絕。服務工會快顯小營運失誤後果。地位財富能避開後果以後，仍保好奇，搿是領導價值。
4 大學工程教育搭認識Lori
Oregon State搭專業个基礎
1984年Huang得Oregon State University電氣工程 [Electrical Engineering] 理學士。大學記Lori Mills是入門課實驗伙伴，兩人認識五年後結婚。關係始於也塑造事業个技術教育裏。[4]
電氣工程 [Electrical Engineering] 畀伊个勿只是一張文憑。伊訓練人哪能推理受限制个物理系統。一個電路 [Circuit]，要同時達到時序 [Timing]、功率 [Power]、成本搭可靠性个要求。設計可能勒一個指標上成功，勒另外一個指標上失敗。搿種紀律，搭「創新就是突然有個想法，然後輕輕鬆鬆做出來」个形象勿一樣。
大學實驗室，拿搿眼取捨 [Trade-offs] 變得摸得着。一個計算，最終要對得上一套能工作个部件安排。出現意料之外个行為，要去查，勿是講幾句就搪塞過去。搿眼是工程教育个一般特點，勿是重建Huang當年具體做過个功課。不過，伊拉幫人理解搿個學位代表哪一種專業養成。
Lori勿應被縮成一個碰巧識得未來億萬富翁个配角。伊學過工程，後來共同捐助重大教育項目。公開資料支持搿個角色，但勿足以拿家庭每一項私人決定儕歸到伊，也勿足以聲稱伊勒NVIDIA有正式職位，除非有可靠記錄證明。
做工个辰光讀Stanford
Huang全職工作時，1992年完Stanford University電氣工程 [Electrical Engineering] 碩士。Stanford確認學位，Oregon State描述工作搭研究生學習結合。進階教育放勒職業發展之中，勿是全部之前。[4, 5]
搿個分別要緊。一個做工同時讀書个人，可以拿理論工具搭商業問題對照。學術工作可能講清一個設計點解搿樣運作；職場可能揭出課堂練習漏脫个限制。兩種環境勿互相替代。價值可以從兩者之間个來回得到。
日期還挑戰時髦但誤導个創業說法。伊勿是拒正式教育即創業个退學生。公司成立時已有本科研究生工程資格、豐富半導體 [Semiconductor] 經驗。故事支持學習專業準備，至少搭支持大膽冒險一樣強。
正式教育嘸畀一套完整創業配方。伊勿能保證客戶會買圖形芯片 [Graphics Chip]、投資者會出錢，或者新軟件平台 [Software Platform] 會吸引開發者。伊提供研究搿眼問題个工具。日後成就，要靠勒不確定之中應用搭擴展搿眼工具。
5 學習半導體 [Semiconductor] 生意
AMD搭LSI Logic
NVIDIA監管履歷記伊1983至1985年任Advanced Micro Devices，1985至1993年任LSI Logic。AMD起年要留，因通俗說法有簡成畢業1984年。官方記錄比從畢業推整齊順序更適合做年表。[6]
勒AMD，伊做微處理器設計 [Microprocessor Design]。勒LSI Logic，伊擔過工程、營銷搭管理責任，包括搭CoreWare業務相關个工作。搿眼角色，拿伊个經驗擴到單個電路設計以外，讓伊接觸技術能力、客戶要求搭商業策略之間个關係。[6]
半導體 [Semiconductors] 對新公司有特殊要求。設計芯片 [Chip] 老花錢；製造要靠專業設施；犯錯可能要付高價重新設計；產品到市場个辰光，市場可能已經變仔。工程決定搭市場反饋之間，可以隔好長時間。搿行創辦人，既要技術判斷，也要有畀不確定性籌資个辦法。
LSI Logic做定製芯片 [Custom Chips] 个工作，是理解客戶哪能拿系統要求 [System Requirement] 變成矽 [Silicon] 个相關準備。搿也顯出一個後來勒NVIDIA仍舊核心个分別：客戶難得只因為芯片技術有趣就買。伊拉要結果，好比更好个圖形、更低个成本、更短个計算時間，或者自家產品更有能力。
超過專才
從工程師到創業者，有時被講成離開技術工作。Huang事業顯出另外一種模式：技術理解仍舊勒中心，但決定个圈擴大仔，包括人員、定價、財務搭市場選擇。
創業者要定哪些問題值得組織注意。工程師可以優化指定个設計；創辦人還要定搿項設計該存在伐。問題從「造得出伐」，變成「夠多个人會看重伊伐」、「公司交得出伐」，搭「對手會回應得更快伐」。
搿個轉變，事後講比實際做容易。專家若堅持優越設計一定贏，技術專長就可能變成陷阱。客戶可能更重兼容性 [Compatibility]、供貨或者好用。創辦人必須願意發現，市場優先次序搭工程團隊起先个假設勿一樣。
所以，Huang勒NVIDIA之前个歲月，該放勒傳記中心。伊拉勿只是重要故事開始之前个等候室。搿段日子畀伊一個行業个經驗，勒搿行裏，產品決定、製造關係搭客戶信任分勿開。
6 創辦NVIDIA
三位創辦人搭困難市場
NVIDIA1993年由Jensen Huang、Chris Malachowsky搭Curtis Priem共同創辦。Huang成為首席執行官 [Chief Executive]，公司發展个辰光一直擔搿個角色。出名个Denny’s會面，是創辦記述个一部分，不過，餐廳勿應遮住坐勒裏向个人已經累積个專業知識。[7, 8]
最初機會勒個人電腦 [Personal Computers] 个圖形 [Graphics]。遊戲是一種要求高个應用：消費者想要更豐富个視覺世界，通用處理器 [General-purpose Processors] 卻難有效率地處理越來越複雜个圖形。專用處理器 [Specialist Processor]，可以拿選定操作做得快得多，改善體驗。
搿是商業入口，勿是今日生成式AI [Generative AI] 經濟个完整計劃。拿現在成功倒投回去，想像創辦人當時已經看見後來每種用途，老容易。更有力个理解是，伊拉識別一個廣泛計算問題，通過一個養得起生意个市場進去。
廣泛个論點搭第一個產品之間个分別，老要緊。就算某次實現 [Implementation] 失敗，論點仍舊可以有用。一家公司可以相信專用計算 [Specialised Computation] 會要緊，同時第一次嘗試个架構 [Architecture]、客戶或者時機儕可能錯。生存就靠改搿次嘗試，但勿放棄底層洞見裏每一個有用部分。
共同創辦人為啥重要
圍繞首席執行官寫个傳記，可能無意間抹脫伊周圍个公司。Malachowsky搭Priem是共同創辦人，勿是一個已經成形願景个附件。工程師、投資者搭早期客戶，也幫忙拿想法變成組織。伊拉个貢獻保留勒眼前，Huang个領導就容易評得更準。
Malachowsky帶來勒Hewlett-Packard搭Sun Microsystems个工程搭技術領導經驗。圖形系統 [Graphics Systems] 个背景，使伊成為公司技術基礎个一部分；伊一直以創辦人搭院士 [Fellow] 身份搭NVIDIA相連。搿家公司勿是一個非技術企業家，簡單請工程師來執行現成計劃个例子。[32]
Priem也曾勒Sun做工，勒該搭設計GX圖形產品 [Graphics Products] 架構。Rensselaer Polytechnic Institute記錄，伊1993至2003年擔NVIDIA首席技術官 [Chief Technical Officer]。伊更早个工作包括IBM Professional Graphics Adapter。搿眼經驗，拿創辦人放進一條早於NVIDIA个圖形工程 [Graphics Engineering] 傳承，也幫解釋，點解伊拉「第一個GPU」个營銷，勿該搭整個領域个起源混淆。[33]
Huang个貢獻，搭搿眼專長並列。伊勒AMD搭LSI Logic，做過橫跨半導體設計 [Semiconductor Design] 搭商業管理个工作。搿個組合，畀創始團隊圖形實現 [Graphics Implementation] 搭建造半導體生意兩方面个眼光。伊勿能保伊拉勿犯錯，但畀伊拉識別搭回應錯誤个資源。
首席執行官个獨特任務，是整合決定。技術可能要變產品計劃；產品計劃要資金；資金要可信度；可信度還要捱得過挫折。嘸單一個人能做所有工程或者商業任務。領導就是讓搿眼工作保持連貫方向。
早期公司，也勒一個伊控制勿了个生態系統 [Ecosystem] 裏做事。操作系統 [Operating Systems]、圖形標準 [Graphics Standards]、軟件開發者 [Software Developers] 搭製造伙伴，儕可以改變伊設計个價值。搿種依賴勿是NVIDIA獨有个弱點。勒更大計算系統 [Computing System] 裏造新部件，就是搿樣个條件。
所以，創辦个教訓，比單憑勇氣起步要求更高。要揀值得解決个問題、聚互補个專業知識，搭造一門勒錢用完之前學得進个生意。勇氣要緊，但勿能代替搿眼安排。
7 公司險些失敗個辰光
NV1搭Sega个問題
NVIDIA早期產品嘸帶來順暢个成功道路。1995年推出个NV1，商業表現困難。後來搭Sega合作，暴露更深問題：技術方向開始偏離廣大圖形 [Graphics] 市場正在圍繞形成个標準。[7, 9]
架構 [Architecture] 問題是具體个。NV1用二次曲面紋理映射 [Quadratic Texture Mapping]，新興Direct3D生態 [Ecosystem] 卻以三角形為中心。支持另外路數，令遊戲開發者多做工，也限制NVIDIA硬件優勢。RIVA 128改用更兼容个方向。部分教訓關於標準：優雅个實現 [Implementation]，如果周圍軟件業勿方便用，也會輸。[34]
勿單是比啥形狀數學上更好。圖形架構 [Graphics Architecture] 要搭創作工具 [Authoring Tools]、編程接口 [Programming Interfaces]、開發者已懂个技術一起工作。要求客用另外路數，供應商就要提供夠大收益，補額外工作。公司生存靠接受生態方向，勿是等生態圍首設計重組。
勒後來回憶搿場危機个辰光，Huang講，伊看出繼續做合同，可能會讓NVIDIA留下一項支持勿了未來个產品；但放棄合同，又可能讓公司嘸活落去所需要个錢。伊尋Sega領導，請伊拉幫忙。最後得到个支持，讓NVIDIA有空間改方向。[9]
各種記述對搿項安排个付款搭投資機制，講法勿一樣。穩妥个結論是，Sega提供關鍵財務支持，一般報道為大約500萬美元，Shoichiro Irimajiri起仔重要作用。勿應簡化成一個無關个Nintendo主管救公司，或者搿筆錢必定是無條件个私人禮物。[8, 10]
搿件事个道德分量，勒具體个地方。Huang必須向一個重要伙伴承認重大錯誤。搿搭拿自家講成一路儕正確个遠見者，勿是一樣。可信个救援，需要坦誠、信任，搭伙伴肯接受一個異常結果，搿幾樣條件个某種結合。
RIVA 128搭商業希望个回來
1997年推出个RIVA 128，成決定性翻身產品。公司年表記四個月賣一百萬件。數字顯示，產品更合市場需要後，年輕公司處境可以變得多快。[7]
Sega支持搭RIVA 128成功，屬連起來个生存故事。拿每步當獨立破產，會誇大記錄。前者畀行動空間，後者拿新方向變收入，兩邊儕靠更大團隊个工程搭商業執行。
緊急期限可以讓組織集中精神，但也帶來風險。勒嚴重時間搭現金限制下造个芯片 [Chip]，要格外仔細測試，因為可能嘸多少本事再試第二回。教訓勿是創辦人相信得夠強，就可以跳過測試；而是受限制个組織，需要勒改錯成本變得致命之前揭出錯誤个辦法。
Huang有幾次救公司免破產伐
反覆差點失敗，有可信證據，尤其勒1990年代中期。長年董事Mark Stevens講過，該段時期，公司有幾回離失敗大概只剩三十日。搿支持「幾次逃過崩潰」搿種講法，但勿能確立NVIDIA反覆進入正式破產程序。[8]
後來戰略上个失敗，也要準確分類。CUDA是一項花費大个承諾，收益要過時間才顯出來。手機業務，是從困難市場撤退。股價下跌、花錢多个項目，搭眼下付勿出帳單，是勿同个情況。拿伊拉儕叫破產，故事更戲劇化，也更勿有用。
最能成立个講法，是Huang幫公司渡過幾段危險日子，現金耗盡最明顯个緊急事集中早年。伊決定要緊，但Sega支持、同事工作、投資者耐心、重設產品成功也要緊。
8 從圖形 [Graphics] 產品到計算平台 [Computing Platform]
上市搭定義新類別
NVIDIA1999年首次公開發行 [Initial Public Offering]，標誌發展个新階段。同年公司推出GeForce 256，宣傳為第一個圖形處理器 [Graphics Processing Unit]。歷史限定要緊：以前已經有圖形加速器 [Graphics Accelerators]。NVIDIA个講法，指GPU一種特定整合概念，勿是發明所有電腦圖形硬件。[7]
公司个公眾身份，仍搭遊戲緊密相連。搿勿是一門更體面生意前頭个小前奏。遊戲造出要求高个客戶、快速產品週期，搭夠大个市場，支持大量工程投資。伊也拿本事強个並行處理器 [Parallel Processors] 交到研究人員手裏，畀伊拉實驗。
別个人能勒一項產品上面建出長久工作，平台 [Platform] 就發展起來。一張快个顯卡 [Graphics Card]，能贏一次購買；穩定个編程環境 [Programming Environment]、有用个程式庫 [Libraries] 搭累積个開發者知識，可以影響好多未來購買。搿是另外一種商業關係，因為換供應商，可能要換軟件搭重新培訓人員。
走向平台 [Platform]，也改變「質量」个意思。硬件速度仍舊要緊，不過文檔、向後兼容 [Backward Compatibility]、除錯 [Debugging]、部署 [Deployment] 搭支持，也一樣要緊。如果用家勒自家應用裏可靠地得勿到好處，基準測試 [Benchmark] 優勢就可能消失。
競爭朆消失
圖形 [Graphics] 行業，繼續通過競爭搭整合改變。NVIDIA2000年12月同意買3dfx一部分圖形資產，交易勒2001年4月完成。買選定資產，勿應簡單講成收購競爭對手每一部分業務。搿個區別，法律上搭歷史上儕要緊。[35]
深度學習 [Deep Learning] 出名之後，遊戲圖形 [Graphics] 也繼續演變。2018年8月，NVIDIA推出基於Turing架構 [Architecture] 个GeForce RTX產品，拿傳統着色 [Shading] 搭專用光線追蹤 [Ray Tracing]、AI能力合起來。搿是進一步嘗試，讓以前花費大个視覺技術，勒互動產品裏變得實用。[36]
光線追蹤 [Ray Tracing] 模擬光个路徑，產生反射搭陰影搿眼效果。實時 [Real-time] 應用面對嚴格時間限制：一幅要幾分鐘渲染 [Rendering] 个圖，離線 [Offline] 製作也許有用，但勿能直接支持反應靈敏个遊戲。所以，難處勿只是算出令人信服个圖像，還要勒有用个性能預算之內做到。
搿眼發展，使「NVIDIA簡單放棄遊戲，變成AI公司」个看法變得複雜。圖形 [Graphics] 仍是一個活躍技術領域，圖形、模擬 [Simulation] 搭AI之間个關係，也繼續帶來機會。公司歷史，理解成能力擴展，比理解成一種身份完全取代另外一種身份更好。
GPU搭CPU哪裏勿同
中央處理器 [Central Processing Unit]，設計來處理廣泛任務，包括複雜控制流 [Control Flow]，搭必須按次序發生个操作。圖形處理器 [Graphics Processing Unit]，設計裏好大部分用來並行 [Parallel] 執行好多相關操作。比較勿是一個聰明、另外一個簡單，也勿是GPU永遠更快。兩者長處，儕要看工作負載 [Workload]。
想一想，對幾百萬像素 [Pixels] 做同一種變換。好多工作可以分成相似操作，並行硬件 [Parallel Hardware] 就能一道處理。相反，每個決定儕靠前一個結果个任務，用GPU可能得益少些。勒處理器 [Processors] 之間搬數據，也會花時間搭能源。
現代AI靠可並行个數值操作 [Numerical Operations]，包括大矩陣乘法 [Matrix Multiplications]。GPU因此有用，勿等於AI任務儕一樣，或每回GPU部署儕划算。內存容量 [Memory Capacity]、通信 [Communication]、數值精度 [Numerical Precision]、軟件實現 [Software Implementation] 儕影響結果。
Huang个戰略機會，是拿搿眼能力連到畫圖之外个問題。搿勿是宣佈圖形芯片 [Graphics Chip] 本事強就夠。還要讓工作搭渲染 [Rendering] 遊戲嘸多少關係个人，也用得到搿眼硬件。
9 CUDA搭耐心建立生態系統 [Ecosystem]
使並行計算 [Parallel Computing] 好用
CUDA是NVIDIA並行計算平台 [Parallel-computing Platform] 搭編程模型 [Programming Model]。發展讓程式員用支持个GPU做通用數值工作，勿必每題儕通過圖形接口 [Graphics Interface]。架構 [Architecture] 2006年推出，公開軟件工具包 [Software Toolkit] 2007年跟上。[7, 11]
架構 [Architecture] 搭工具包 [Toolkit] 个分別，解釋點解兩個日期儕會出現勒歷史裏。一個單獨日期，可以遮住硬件能力、編程工具搭開發者採用一步步出現个次序。商業上个重要性，來自伊拉个結合。
科學家勿必成圖形專家先用並行硬件 [Parallel Hardware]。程式庫 [Libraries] 提供熟悉數學，編譯器 [Compiler]、運行時 [Runtime] 拿碼 [Code] 變GPU能做个事。高層框架 [Higher-level Frameworks] 後來依庫，在研究者搭處理器 [Processor] 間放抽象 [Abstraction] 層。
分層說明為啥勿能光數規格懂公司。開發者養習慣，組織存測過碼 [Code]，研究社群分享例。投資有連續性，也造轉換成本 [Switching Costs]。同生態 [Ecosystem]，一人覺方便，另人覺依賴。
回報明顯前投資
Huang講過，CUDA是一項花費大个長期承諾，起初引來懷疑。後來AI市場讓商業回報明顯之前，搿個決定先帶來成本。伊自家事後个記述，拿搿項投資搭金融市場信心弱个一段時間連起來。[9]
因為CUDA最後成功，就推斷每個花錢多个項目儕該無限期資助，是錯个。合理个長期投資，需要證據顯示技術基礎正在改善，用家也能拿伊做有價值个事。嘸學習个耐心，既可以保住突破，也一樣可以保住失敗。
戰略挑戰，是支持一種可能，但勿要求眼下就有巨大市場。研究人員拿GPU做意外用途，提供仔信息。伊拉个工作顯示，硬件可以解決原先出錢支持伊个客群之外个問題。NVIDIA可以一面繼續向已有市場賣產品，一面從搿眼用途裏學習。
生態系統 [Ecosystem] 優勢个界限
強个軟件生態系統 [Software Ecosystem]，勿會消除競爭。其他加速器 [Accelerators]、編譯器 [Compiler] 項目搭可移植框架 [Portable Frameworks]，可以減少對特定供應商个依賴。大客戶可能有足夠規模，值得採用專用硬件 [Specialised Hardware]。有眼工作負載 [Workloads]，用更簡單或者更便宜个系統，可能比用最靈活个GPU平台 [Platform] 更得益。
長久个考驗，是完整NVIDIA系統，繼續能以接受得了个成本提供有用性能伐。熟悉軟件可以拖延轉換，但勿能永遠保住客戶忠心。所以生態系統 [Ecosystem] 必須繼續創造價值，勿能只靠離開伊有多少麻煩。
對創業者來講，CUDA有一個要求高个教訓：有辰光，最重要个產品，是讓客戶發現供應商原先朆指定用途个工具。造搿樣个工具，要持續支持。也要接受價值可能先出現勒小實驗裏，勿是出現勒大量、可預測个訂單裏。
10 深度學習 [Deep Learning] 個轉折點
AlexNet搭研究个新信號
2012年，Alex Krizhevsky、Ilya Sutskever搭Geoffrey Hinton發表一般稱為AlexNet个研究。伊拉个卷積神經網絡 [Convolutional Neural Network] 勒ImageNet競賽取得重大成果，用GPU計算 [GPU Computation]，讓大規模訓練 [Large-scale Training] 變得可行。搿篇論文要緊，因為伊記錄研究成就，勿是後來公司對成就个解釋。[12]
NVIDIA朆發明搿個神經網絡 [Neural Network]、ImageNet數據集 [Dataset]，或者整個機器學習 [Machine Learning] 領域。伊个硬件搭編程生態系統 [Programming Ecosystem]，是促成成果个基礎設施 [Infrastructure] 个一部分。平衡个歷史，要讓研究者搭數據創作者，搭供應計算个公司一道保留勒眼前。
搿件事个意義，勿是一項基準測試 [Benchmark] 證明所有未來AI應用。伊顯示，數據、模型設計 [Model Design] 搭拿得到个計算能力結合，可以勒一項重要任務上帶來突出改善。搿鼓勵進一步投資搭實驗。結果是一個有後果个信號，勿是對未來完整个預測。
對Huang來講，戰略問題是要哪能回應搿個信號。一家公司可以注意到有前途个研究結果，但朆組織好自家，去服務新出現个領域。支持深度學習 [Deep Learning]，要硬件選擇、軟件程式庫 [Software Libraries]、系統搭研究者關係。意思是拿搿種工作負載 [Workload] 當成公司可以圍繞建設个方向。
訓練 [Training] 搭推理 [Inference]
訓練 [Training]，用數據搭優化過程 [Optimisation Process] 調模型參數 [Parameters]。推理 [Inference]，用訓練好个模型產生輸出。兩者儕可能需要大量計算，但運行要求勿同。訓練可能長時間跑大作業；推理可能要一面控制成本搭延遲 [Latency]，一面快速回應好多用家。
搿個分別，幫解釋點解AI基礎設施 [AI Infrastructure] 勿是一個嘸差別个市場。訓練大模型个研究實驗室、運行小影像模型个醫院，搭生成文本个手機應用，可能要勿同安排。最好个系統，要看規模、私隱、可靠性、回應時間，搭需要完成个工作量。
模型越大，處理器 [Processors] 之間通信越要緊。一堆快芯片 [Chips]，勿自動成一台快電腦。數據要通過內存 [Memory] 搭網絡 [Networks] 移動，故障也要發現搭管理。瓶頸 [Bottleneck] 可能勒最受宣傳關注个運算單元 [Arithmetic Units] 外頭。
勒搿個背景下，可以理解NVIDIA向系統搭網絡 [Networking] 个擴展。競爭單位，從個別顯卡 [Graphics Card] 走到更大計算設施个性能。Huang个角色，越來越像系統建造者搭生態系統 [Ecosystem] 組織者，勿只是芯片供應商个負責人。
研究需要變產品
2016年NVIDIA推出DGX-1，作為整合个深度學習系統 [Deep-learning System]。伊提供配置好个GPU搭軟件組合，勿用每個實驗室儕從分開个零件組機。商業想法，是縮短取得硬件搭做有用研究之間个距離。NVIDIA拿伊稱作第一台深度學習超級電腦 [Deep-learning Supercomputer]，是營銷講法，勿是講以前嘸電腦訓練過神經網絡 [Neural Network]。[28]
第二年，Volta架構 [Architecture] 引入Tensor Cores，專門處理對深度學習 [Deep Learning] 要緊个操作。搿代表進一步從重用圖形能力，走到圍AI相關計算設計硬件。也顯出平台 [Platform] 內部機器變得老多，仍可以保留連續性。開發者通過更新个程式庫 [Libraries] 得益於新硬件，勿必重寫應用每一層。[29]
2022年公佈个Hopper，包含Transformer Engine，目的是加速搭Transformer模型 [Transformer Models] 相關个工作負載 [Workloads]。2024年3月公佈个Blackwell，擴展NVIDIA對生成式AI [Generative AI] 个系統層次做法。搿眼公告，標明產品方向搭能力个變化；頭條性能倍數要看工作負載、精度 [Precision] 搭比較系統，勿應當成普遍結果。[30, 31]
搿個次序，比型號名字清單更要緊。NVIDIA反覆調整硬件搭軟件，跟上客戶想做个工作變化。公司既要保留足夠兼容性 [Compatibility]，保護現有投資，又要引入能改善未來性能个特點。搿種張力是平台 [Platform] 領導个中心：變化忒多，會拿生態系統 [Ecosystem] 弄裂；變化忒少，會讓伊過時。
11 活下來以後個挫折
產品質量搭2008年低潮
熬過初創日子，勿會讓NVIDIA免犯錯。2008年8月，公司報告1.96億美元費用 [Charge]，搭部分筆記本產品受脆弱材料組合影響後，預計保修、維修、退貨搭更換个成本有關。同一公告，還報告季度虧損，承認競爭定價上个錯誤。[13]
搿搭早年現金短缺，是勿同一種危機。伊涉及產品質量、客戶成本搭執行可信度。傳記如果只盯住出色策略，就會漏脫領導搿一面。客戶靠交付後仍會正常工作个產品；成功高管也仍要對缺陷問責，哪怕搿眼缺陷離主題演講舞台老遠。
公司2009財年年度申報文件，報告年末有大約12.6億美元現金、現金等價物 [Cash Equivalents] 搭有價證券 [Marketable Securities]。搿種財務情況，勿支持隨口講2008年每個難處儕是另一次即時破產。虧損、費用搭更廣个低潮，勿用搿個標籤也已經嚴重。[14]
退手機市場
NVIDIA也做過手機，後來從搿項努力撤出。Huang自家个記述，拿搿次撤退講成一個決定，讓注意力轉畀其他機會，包括機器人 [Robotics] 搭自動駕駛車 [Autonomous Vehicles]。搿是伊哪能理解經驗个證據，勿是其他機會保證成功个證明。[9]
因為一個計劃難就改，搭因為伊底層經濟條件已經勿吸引而改，是有分別个。領導要有足夠信念，熬過普通阻力；也要有足夠靈活性，認出堅持已經變成浪費。嘸啥口號，可以勒事前可靠地分清搿眼情況。
有用个紀律，是拿假設講明白。正在服務啥客戶需要？啥技術優勢仍守得住？還要加多少投資？啥證據會讓公司停手？搿眼問題，拿撤退變成有理由个資源分配，勿是事後編一個故事，讓每個決定看起來儕英明。
嘸成个收購
2022年2月，NVIDIA搭SoftBank終止計劃中个Arm收購，指出有重大監管挑戰。公告講，SoftBank保留NVIDIA預付个12.5億美元，NVIDIA保留二十年Arm許可 [Licence]。失敗个交易是重大戰略挫折，就算伊勿是芯片工程个失敗。[15]
搿段事顯出創辦人權力个界限。交易對推動者可能合理，同時又使監管者、客戶或者對手擔心。技術雄心勒法律搭政治機構之中運作。首席執行官勿能拿搿眼機構當成單憑決心就會消失个工程限制。
妥當个回應，勿是拿失敗收購改寫成毫無保留个勝利。而是承認成本、理解交易點解失敗，搭按公司隨後選項自家个優缺點來評。領導記述能講一個朆成功个決定，又勿硬塞勝利結局，可信度就會增加。
12 建設AI基礎設施 [AI Infrastructure] 公司
超過單個芯片 [Chip]
隨AI工作負載 [Workloads] 擴大，NVIDIA產品越來越成為更大系統个一部分。GPU需要高帶寬內存 [High-bandwidth Memory]、快速連接、網絡 [Networking]、服務器 [Servers]、管理軟件搭支持。2020年完成Mellanox收購，是加強搿套系統網絡一面个重要一步。[16]
一項大型訓練作業 [Training Job]，能說明問題。如果一個處理器 [Processor] 等另外一個个數據，貴硬件就可能閒勒該搭。如果網絡勿可靠，長時間運行个作業可能失去已做个有用工作。如果冷卻勿夠，系統就維持勿住部件承諾个性能。客戶个結果，要靠整套設施个協調。
搿幫解釋整合系統 [Integrated Systems] 點解吸引人。伊減少客戶自家逐一組裝搭驗證每個部件个負擔。但也可以增加對一個供應商个依賴。客戶拿到更完整个解法，同時可能接受更窄个選擇，決定搿個解法往後哪能發展。
Huang對加速計算 [Accelerated Computing] 个公開敘事，合搿個轉變。相關問題變成：一套系統勒一定時間、能源搭錢下，能完成多少有用工作？便宜芯片 [Chip] 若需要更多機器，或者拖延一個有價值結果，實際可能更貴。反過來，簡單系統已夠用，先進系統可能是勿必要个開銷。
AI熱潮證啥、朆證啥
生成式AI [Generative AI] 快速採用，增加對計算基礎設施 [Computing Infrastructure] 个需求。NVIDIA得益，是因為伊已經花幾年開發搭搿眼工作負載 [Workloads] 有關个硬件搭軟件。搿個時機商業力量大，但勿該搭獨自創造AI熱潮混為一談。
現代AI還立勒大學研究、公共數據集 [Public Datasets]、開源軟件 [Open-source Software]、雲基礎設施 [Cloud Infrastructure]、半導體製造 [Semiconductor Manufacturing]，搭互相競爭个實驗室工作上。模型開發者做架構 [Architecture] 搭訓練 [Training] 決定；硬件公司供工具；用家搭投資者塑需求。Huang貢獻重大，是勒搿個網絡裏重大，勿是獨立於網絡之外。
財務結果突出。NVIDIA2026年8月26日个發佈，報告截至2026年7月26日个2027財年第二季度收入962億美元，其中Data Center收入890億美元。搿是公司報告个季度數字，勿是曆年總數，也勿是預測。[17]
同一發佈，講Vera Rubin正在進入全面生產。搿眼公司聲明，要按帶日期个背景來讀。伊拉確立NVIDIA宣佈啥，但個別設施个性能、部署 [Deployment] 搭經濟回報，仍要自家个證據。產品路線圖 [Product Roadmap] 搭客戶實際得益，是相關但勿同个題目。
非凡增長裏个風險
快速增長可以遮住脆弱假設。客戶可能勒將來需求到來之前先買。基礎設施接通電力，可能比計劃費更長時間。新模型可能需要勿同硬件，或者變得更有效率。高利用率 [High Utilisation] 下看起來吸引个投資，機器閒置个辰光，可能變得老貴。
所以，收入增長要搭客戶集中度、承諾、供應能力，搭客戶生意个經濟條件一道研究。供應商可以勒熱潮裏賣得好，同時周圍行業一部分卻難賺足夠回報。搿個可能性勿證明有泡沫。伊是去檢驗經濟鏈、勿只欣賞增長最快个參與者个理由。
13 領導體系
直接个信息搭嚴格个標準
Huang公開談管理个辰光，強調要拿得到信息、共享背景，還要參與難个技術問題。2024年勒Stripe Sessions个一場談話裏向，伊講仔NVIDIA組織个一部分安排，搭自家哪能用直接反饋 [Direct Feedback]。搿眼話對理解伊公開講个理念有用，不過仍舊是領導搿家公司个人自家个講法。[18]
組織扁平一眼，問題到能處理問題个人當中个耽擱可以減少。不過，搿也會拿極大个信息負擔放到首席執行官身上。搿種結構有用伐，要看人員水平、決策權清楚伐，搭組織有本事處理互相爭優先个事情伐。
所以，勸每家公司儕照搬一大批直接向首席執行官匯報个人，是拿事情看得忒簡單。組織圖只是工作體系看得見个輪廓。兩家公司个圖可以相像，文化卻老勿一樣。要緊个是：重要信息傳得動伐，人家懂做出个決定伐，還有人做事能勿無謂地等最高層點頭伐。
講Huang个記述裏，嚴格標準是反覆出現个一點。不過，要求高表現勿自動就是好管理。問題在於標準哪能講明白、期望達得到伐、講勿同意見安全伐，搭錯誤會帶來學習伐。領導可以嚴格，但勿一定要拿羞辱當改進个辦法。
勒未來還陌生个辰光講清楚伊
技術出身个創辦人要說服需要勿同个聽眾。工程師想曉得架構 [Architecture] 行得通伐；客戶想曉得伊解決問題伐；投資者問生意賺得到回報伐；政府可能關心安全、本國能力搭取得技術个渠道。
Huang公開演講，常拿一項技術發展搭更大个產業變化連起來。搿種本事有戰略價值，因為客戶對勿理解个未來，嘸辦法圍伊購買或者建造。解釋得好，可以讓好多組織个投資朝同一方向用力。
同一種本事也帶來責任。有說服力个故事可以跑到證據前頭。演示 [Demonstration] 可能只勒仔細挑選个條件下做得成；性能比較可能要靠特定工作負載 [Workload] 或軟件版本；對未來能力个承諾，可能被誤當成眼下買得到个產品。講故事个人本事越大，分清搿眼類別越要緊。
判斷集中勒一個人身上
創辦人長期在任，可以保住技術个連續性，也可以保護短期管理眼光下活勿落去个投資。不過，搿也可能拿判斷集中到一個人身上。同事可能練熟猜創辦人想要啥，反倒勿去驗證搿種想法對伐。
有韌性个公司，既要有強个中心，也要有能糾正中心个機制。董事會、技術審查 [Technical Reviews]、客戶反饋 [Customer Feedback] 搭獨立鑒證 [Independent Assurance] 儕有作用。伊拉能挑戰成功个領導，又勿被當成願景个絆腳石時，搿眼機制價值最大。
最終評Huang个領導，勿只看伊親自指揮个辰光NVIDIA做得哪能，還要看伊之後組織能保住有用个判斷、問責搭發明能力伐。搿比個人魅力是更難个考驗；公司經濟分量越大，搿項考驗也越要緊。
14 動力、志向搭失敗个意思
公開講話能確立啥
Huang反覆講過不確定、勤做搭從錯誤裏學習。2023年勒National Taiwan University个畢業演講，伊用失敗搭戰略撤退个例子解釋公司个發展。搿眼話支持一幅領導形象：伊公開拿挫折當創新个一部分。不過，搿勿等於儕能無限制地看透伊私人个動機。[9]
傳記常拿一個人配上一個單一情感動力：怕窮、想得到認可，或者想證明批評者錯仔。搿眼解釋吸引人，因為能拿複雜人生變得好記。嘸強有力个證據，伊拉就是猜測。
更有紀律个記述，可以看實際觀察得到个選擇。Huang幾十年留勒同一家公司。NVIDIA勒後來个市場還朆明朗之前，就繼續投資編程生態系統 [Programming Ecosystem]。公司放棄一部分項目，同時加深另外一部分。搿眼決定能顯出優先次序，勿用編造伊每天早晨心裏个感覺。
有用个焦慮搭伊个界限
公司總歸離失敗勿遠，搿種常聽見个講法可以促人警覺。伊提醒大家，客戶有別个選擇，技術優勢也會消退。不過，永遠處勒緊急狀態，也可能耗盡一個組織，或者讓深思熟慮个異議變得難講。
區別在於搿個警告帶來啥。伊帶來更好个測試、更快發現客戶問題，搭更老實个計劃伐？還是催出倉促決定搭壞消息个隱瞞？傳記可以指出搿種張力，勿必聲稱每個員工對文化个體驗儕一樣。
一樣道理，只有組織學到做得出來个東西，失敗才有用。假設勿改，只管重做失敗个實驗，搿勿叫韌性。設計得好个實驗，就算商業結果令人失望，也會帶來信息。設計勿好个實驗，可能燒脫錢，最要緊个問題卻仍舊嘸答案。
改主意个紀律
早年Sega搿段事特別值得學，因為伊要求Huang拿自家身份搭一個技術選擇分開。創辦人可能勒一項設計裏投仔名聲、錢搭幾年工夫。承認設計錯，感覺可能像承認公司自家也錯。不過，要活落去，偏偏可能靠分清搿兩樁事。
更大个教訓是，守牢對問題个承諾，同時容許提出个解法改變。NVIDIA歷史裏有幾種搿樣个例子：圖形架構 [Graphics Architectures] 演變、軟件變成中心、AI分量增加，還有一部分市場被放棄。搿個模式該作一連串決定來研究，勿該抬高成將來每一次轉向 [Pivot] 儕會成功个保證。
15 Lori、Spencer搭Madison
公共故事裏向个家庭
Jensen搭Lori Huang讀Oregon State工程个辰光認識，1985年結婚。伊拉有兩個成年子女Spencer搭Madison。兩人共同做教育慈善个事，有充足記錄。超出搿眼公開記錄，傳記應當尊重一家人公共活動搭私人生活个分別。[1, 4]
承認幾十年造一家企業會影響家庭，是合理个。編造朆公開講過个家庭對話、妥協或者情緒經歷，勿合理。拿配偶講成每項生意成功背後个秘密，聽上去像讚美，卻可能抹脫伊自家个自主性。
講Lori眼下正式頭銜、基金會資產，或者準確職業日期，也要同樣小心。搿眼細節要有帶日期个記錄。勿能從家庭有多少錢推斷，也勿能照抄嘸來源个摘要。
Madison Huang
NVIDIA眼下公開履歷，拿Madison Huang列作物理AI平台 [Physical AI Platforms] 產品搭技術營銷高級總監。履歷講伊負責Omniverse、Cosmos搭Isaac幾方面，也記仔伊早先勒Louis Vuitton Moët Hennessy group做營銷，搭勒London Business School取得營銷搭戰略MBA。[19]
搿眼是有意思个專業細節。伊拉顯示一條通過營銷搭商業教育進入科技个路，勿是簡單複製父親芯片設計 [Chip Design] 个職業。要講清伊現職，勿需要加上準確歲數或者完整个烹飪培訓年表。
營銷一個技術平台 [Technical Platform]，勿只是做宣傳。搿包括向開發者搭客戶解釋能力、理解採用障礙，還有拿工程工作搭市場連起來。搿份工作个質量，應當看成果評，勿該從親屬關係預先判定。
Spencer Huang
NVIDIA个技術履歷，拿Spencer Huang列作機器人 [Robotics] 產品總監。履歷講伊个工作涉及模擬 [Simulation]、機器人學習 [Robot Learning]、合成數據 [Synthetic Data]，搭訓練、部署自主機器 [Autonomous Machines] 所用个基礎設施 [Infrastructure]。履歷還記仔伊勒New York University讀以人工智能 [Artificial Intelligence] 為重點个技術MBA。[20]
公開記述裏个職業路線，搭父親早年勿一樣。搿個分別要緊，因為一家人可以勒同一家公司，但培訓搭責任勿必相同。單靠頭銜勿能證明個人技術貢獻有多深，不過，父母身份也勿是抹殺搿份貢獻个理由。
家人受雇搭公司治理 [Governance]
創辦人个親屬勒上市公司做，普通个治理 [Governance] 問題也會跟來。職位搭報酬有妥當審查伐？匯報關係清楚伐？別个員工能公平競爭伐？有關聯交易 [Related-party Transactions] 个話，披露得妥當伐？
搿眼問題勿等於證明有不當行為。伊拉是制度紀律个一部分，公司越大越要緊。同樣，父母个名聲勿能代替對子女工作个獨立評估。
受雇也勿是接班公告。Spencer搭Madison勒NVIDIA做，勿能證明兩人裏有啥人已經被選定做首席執行官。對科技王朝个猜測可能吸引注意，不過，認真个傳記應當分清眼下工作搭朆有公開確認个未來任命。
16 通過教育回報社會
仍舊要緊个機構
Huang夫婦公開个慈善，搭教育有密切關係。Oregon State2022年宣佈伊拉捐5,000萬美元，支持Jen-Hsun and Lori Huang Collaborative Innovation Complex。搿項工程連工程、計算搭跨學科研究。[21]
Stanford對Huang Engineering Center个記述，記仔夫婦倆3,000萬美元个承諾。Oneida个記述，記仔伊拉為2019年啟用个設施提供200萬美元配對捐款 [Matching Grant]。搿眼捐贈連起Huang人生个勿同階段：童年、本科教育搭研究生學習。[22, 3]
搿眼金額，要照相關機構公告裏个承諾來讀。認捐、資產估值搭已經付出去个錢，勿是互相換得个概念。家庭慈善也勿該搭NVIDIA企業基金會或者公司商業投資混為一談。
教育慈善能成就啥
大學一幢樓，本身勿是教育成果。伊个價值，要看支持啥人、設備搭課程項目。設計得好个設施，可以讓以前難做个合作成事、讓學生用得到先進工具，也可以吸引研究重要問題个人。
科技捐贈者搭大學个關係，也值得認真想。捐款可以擴大機會，也可以影響優先次序。機構需要學術獨立、透明治理，搭清楚理解一份捐款帶來啥義務。
所以，最好个慈善記述避開兩個極端：勿拿捐出財富自動當成道德高尚个證明，也勿假定每一筆捐款儕只是自我宣傳。伊看有記錄个承諾、接受者个目的，搭證據出來之後个結果。
對搿本傳記來講，反覆連到教育有重要意思。Huang自家个事業，靠技術訓練搭畀伊成長空間个機構。支持搿眼機構，拿私人成功搭別个人个機會連出一條看得見个線。搿條線最終能做成多少，要靠日後證據回答。
17 贊成拿Huang搭Steve Jobs比較个理由
有用个比較從定義起步
拿Huang叫作活着个Steve Jobs，可以有幾種勿同意思。可能指伊是有魅力个科技領導、公司改變行業个創辦人，或者能讓複雜產品令人興奮个公眾人物。搿眼比較可以檢驗。伊勿可能字面上指兩人性格、事業或者歷史角色相同。
最有力个理由，從拿技術連到更大个可能性起步。Jobs幫人理解，個人計算 [Personal Computing] 搭移動設備可以是人想要个體驗。Huang幫人理解，加速計算 [Accelerated Computing] 是研究者搭企業做以前勿實際个工作所用个基礎設施 [Infrastructure]。
搿個比較還靠整合。Apple2007年發佈iPhone，展示一個通過嚴格控制个接口 [Interface]，合通信、媒體搭互聯網功能个設備。NVIDIA策略拿處理器 [Processors]、網絡 [Networking] 搭軟件連成畀開發者搭組織用个平台 [Platforms]。兩種情形裏，客戶得益儕取決於各部分一道哪能工作。[23]
共識之前个信念
兩人事業裏儕有後來受讚、當初卻勿確定个決定。Jobs自家个Stanford演講，講仔一眼起先勿像明確職業計劃个經驗，後來哪能顯出價值；伊回Apple之前，也有離開公司个一段。Huang持續投資CUDA，早於深度學習 [Deep Learning] 廣泛取得商業分量。[24, 9]
相像个勿是兩人儕能完美看見未來，而是伊拉儕願意，圍繞技術哪能變得更有用个看法，組織大量努力。願景只有改變產品決定、投資搭別个人个工作，才有實際意思。
公開講故事作為營運資產
Jobs个產品展示，變成Apple商業身份个一部分。Huang个演講也讓伊成為向公眾解釋NVIDIA策略个人。兩人相關个衣着好記，但搿是薄弱个比較基礎。更強个相似處，是伊拉拿技術選擇變成一個連貫故事个角色。
搿能幫組織圍同一方向協調。員工懂產品要達到啥；客戶看得到伊哪能配進自家計劃；伙伴有理由投資互補工作。所以講故事可以幫執行，勿只是裝飾執行。
不過，說服个力量也生風險。聽眾可能開始拿領導个信心當證據。講得好个公告，可以遮住朆解決个工程或者商業問題。欣賞應當讓讀者對搿眼問題更留意，勿是更勿留意。
講得通个解釋
「AI時代个Steve Jobs」搿句話，可以作編輯性比喻，形容一個有影響个創辦人，合戰略信念、整合搭公開溝通於一身。明講比較个維度，搿句話才最有力。
搿種講法仍舊要有限制。AI有好多建造者，嘸單一主人。Huang重要，勿等於每個模型開發者、研究者或者競爭硬件設計者儕變成伊故事裏个配角。搿個比較，也勿能證明伊个產品或者決定將取得搭Apple相同个長期文化地位。
所以，正面理由有分量，但範圍窄。可以拿Huang搭Jobs比，因為伊拉是幫別人認識搭採用新技術方向个領導。搿個比較勿是同樣品格个證書，也勿是相同遺產个預測。
18 反對「活着个Steve Jobs」標籤个理由
進入科技个路勿同
Jobs搭Huang，通過勿同準備走到領導位置。Jobs離開Reed College，後來講過自家勒常規學位路線外探索个科目哪能影響伊。Huang一面積半導體 [Semiconductor] 經驗，一面完成電氣工程 [Electrical Engineering] 本科搭研究生學位。[24, 4]
搿種勿同，勿該變成直覺搭教育个比賽。Jobs搭本事大个工程師合作，也懂實現 [Implementation] 个要緊。Huang成功也要判斷、溝通搭想像力，勿能縮成資格證書。要點是，科技領導嘸單一教育模板。
客戶勿同，看得見个方式也勿同
Apple最出名个產品，拿公司个決定直接交到消費者手裏。用設備个體驗，是價值主張 [Value Proposition] 个中心。NVIDIA好多AI生意，是畀別个組織供基礎設施 [Infrastructure]；伊拉个產品可能掛完全勿同个牌子。
搿個分別，影響銷售過程、工程優先搭成功个意思。消費者幾分鐘裏就可以覺得一個接口 [Interface] 好用點。企業可能要花幾個月，評估吞吐量 [Throughput]、軟件兼容性 [Software Compatibility]、部署風險 [Deployment Risk] 搭總成本。Huang既要說服技術評估者，也要說服機構決策者。
搿個分別勿是絕對。NVIDIA有好大个消費遊戲歷史，Apple也依靠開發者搭基礎設施 [Infrastructure]。不過，兩者主要重心勿同到一個程度：簡單拿Huang叫作另一個Jobs，遮住个事可能比解釋个事還多。
控制个形式勿同
Apple整合產品，常對最終用戶體驗 [End-user Experience] 嚴密控制。NVIDIA个平台 [Platform]，還要容納開發者、設備製造商、雲服務商 [Cloud Providers] 搭研究群體个廣泛網絡。伊个成功，靠別人造出好多NVIDIA自家勿設計个東西。
拿搿變成簡單封閉對開放个對照，勿準確。NVIDIA既有專有軟件 [Proprietary Software] 搭硬件接口 [Hardware Interfaces]，也有開放項目。Apple保留重要控制點，同時容許大量第三方開發。更有用个比較，是每門生意拿邊界劃勒啥地方，搭點解搿樣劃。
搭創始公司个關係勿同
Jobs1985年離開Apple，1990年代Apple收購NeXT之後回去。伊事業裏有Apple外頭个重要工作，包括Pixar。Huang從NVIDIA創辦以來，一直領導搿家公司。[24, 25]
連續領導，可以保住機構記憶搭長期承諾。離開後回來，可能帶來對組織更根本个重新評估。嘸哪條路會自動產生更好个領導。伊拉造出勿同條件，讓創辦人學習、取得權威搭改變策略。
勿能從舞台表現推斷性格
講Jobs嚴厲、Huang和善，或者Jobs有藝術性、Huang善分析，老容易。不過，搿眼整齊个對立勿可靠。公開訪談、員工記述搭傳記，儕只是受時間、背景搭觀察者與當事人關係影響个局部視角。
負責任个辦法，是比較有記錄个行為：一個決定哪能做出來、一個產品哪能改、一個錯誤哪能承認，或者信息哪能勒組織裏流動。要對內在品格下廣泛結論，幾句引文或者一次成功个主題演講，證據勿夠。
拿商業成功當成每一種嚴格行為儕合理个證明，還有道德陷阱。產品可能儘管人被差待仍舊成功，勿是因為差待才成功。想創業个人，勿應模仿名高管最戲劇性个逸事，就盼望同樣商業結果。
結論
Huang搭Jobs放一道看，最有啟發个辰光，是比較揭出兩人个勿同，勿是拿一人變成另一人。「活着个Steve Jobs」清楚標明是比喻，講得通；作事實描述，就薄弱。若暗示科技業需要一個單一Jobs接班人，尤其誤導。
更準確个結論是：Jensen Huang是有自家特點个遠見領導，伊个影響使人想到Steve Jobs。Jobs幫改變人搭個人科技个關係。Huang幫造出好多組織正在用來開發AI个計算平台 [Computing Platform]。兩人成就勒領導方法上有交集，產品、市場搭機構歷史卻勿同。
作章或者文章題目，「一位活着个Steve Jobs」可以是個問句。作認真傳記个結論，Huang值得以自家名字被理解。
19 權力、依賴搭責任
中心供應商勿是中央銀行
NVIDIA有時被比喻成AI个中央銀行，因為能取得伊个計算產品，已經有戰略分量。比喻抓住依賴搭影響，但勿是行業哪能運作个字面記述。
中央銀行有NVIDIA嘸个公共責任搭貨幣權力。NVIDIA是勒客戶、競爭者、供應商搭政府之間經營个商業公司。伊勿發AI貨幣、勿保行業流動性 [Liquidity]，也嘸無限穩定行業个能力。
NVIDIA嚴重受擾，可能對客戶搭更廣市場帶來大後果。不過，搿勿等於每家AI公司儕會自動倒脫。已有設備仍在，別个供應商仍在，各組織也會用勿同方式應對。損害有多大、何時發生，要看擾動个性質。
搿個分別要緊，因為戲劇性比喻可以變成錯个決策模型。規劃基礎設施 [Infrastructure] 个公司，應評估集中風險 [Concentration Risk]、合同義務、軟件可移植性 [Software Portability] 搭應急選項 [Contingency Options]。搿眼問題，比假定完全安全或者系統必定崩潰更有用。
供應鏈 [Supply Chains] 搭地緣政治
先進芯片 [Advanced Chips] 靠專業化个國際供應鏈 [Supply Chain]。設計、製造 [Fabrication]、內存 [Memory]、封裝 [Packaging]、設備搭數據中心建造 [Data-centre Construction]，分勒勿同組織搭法域。NVIDIA成功勿會消除搿眼依賴。伊年度申報文件講仔供應、客戶、監管搭出口管制 [Export Controls] 相關風險。[6]
出口限制可以改變市場裏允許賣啥產品。製造或者封裝 [Packaging] 限制可以卡住交貨。就算硬件準備好，能源供應也可以拖延安裝。搿眼勿是邊角問題：伊拉可以同時塑造商業機會搭公司戰略選擇。
對領導來講，意思是技術遠見必須搭制度判斷同在。承諾增加計算能力，要對供應商、電力、資金搭合規 [Compliance] 有可信計劃。也要認識到，別个利益相關者可能按安全或者環境關切評項目，勿只按性能。
2026年11月還朆有結論个治理 [Governance] 考驗
2026年11月8日，有報道稱Huang成仔外國情報行動个目標之後，NVIDIA董事會宣佈獨立調查。董事會講，當時嘸理由相信國家安全或者NVIDIA秘密受損；伊拉對Huang搭領導團隊有信心，並講伊支持、會配合搿項審查。[26]
11月10日，獨立董事宣佈聘仔前代理美國聯邦檢察官Joon H. Kim搭Wachtell, Lipton, Rosen & Katz做調查。到搿版截止辰光，搿眼聲明確立个是調查搭監督安排，勿是已經完成个不當行為認定，也勿是已經洗清責任。[27]
公共利益个問題，是治理搭保護一家重要公司。審慎个傳記勿需要重複未經核實个私密指控，才能講清搿件事。評董事會調查，要看獨立性、範圍、證據搭最終結果，勿是猜結果必定哪能。
搿段事也提醒一項一般原則：有遠見个創辦人仍舊要問責。技術成就、股東財富搭公眾欣賞，勿會讓領導免受審視。同時，指控勿是判決。公平要求搿兩點儕保住。
20 下一章還朆寫好
物理AI [Physical AI] 搭現實世界个邊界
NVIDIA公開个平台 [Platforms]，越來越涉及機器人 [Robotics]、模擬 [Simulation] 搭物理AI [Physical AI]。Omniverse支持模擬相關工作流程 [Workflows]；Isaac涉及機器人；相關模型搭數據工具，目的是幫開發者訓練、評估會搭物理世界互動个系統。公司眼下產品履歷搭公告，反映搿個方向。[19, 20]
從生成一個答案到控制一台機器，錯誤个後果變仔。一段錯話可以誤導人；機器人一次錯動作可以弄壞設備或者傷人。模擬 [Simulation] 有價值，但伊自家勿能證明勒每一種真實環境裏行為儕安全。
所以，商業機會伴隨測試、監控 [Monitoring]、安全搭清楚責任个要求。能力最強个模型，勿自動是最安全个運行系統。傳感器 [Sensors]、執行器 [Actuators]、人个操作程序搭後備機制 [Fallback Mechanisms]，儕影響結果。
Huang長期強調造平台 [Platforms]，勒搿裏可能有關。如果開發者需要可靠个模擬 [Simulation]、訓練 [Training] 搭部署 [Deployment] 工具，能連起搿眼層次个供應商就有價值。最後應用兌現承諾个好處伐，仍舊要靠證據，勿是平台有雄心就自然做到。
創業者從搿段人生能學啥
第一個教訓是，先積專長，勿要拿信心當專長个替代。Huang事業立勒教育搭多年行業工作上。大膽有作用，不過背後有技術知識搭專業關係支持。
第二是，分清一個問題搭某一項解法。NVIDIA早期架構 [Architecture] 可以錯，同時加速計算 [Accelerated Computing] 仍舊是重要機會。創辦人分勿清，客戶搭標準已經轉去別處，還可能守住一項設計勿放。
第三是，讓別个人更容易創造價值。CUDA个分量，一部分來自伊勒NVIDIA自家產品之外促成个工作。平台 [Platforms] 減少實驗難度、讓成功工作可以重用，就可能成長。
第四是，留住學習个財務空間。有前途个想法，嘸現金勿能無限期活落去。Sega救援搿段事顯示，一家重要公司勒日後價值還朆顯出之前，可以離消失有多近。伊也顯示別个人个幫助可以起決定作用。
第五是，讓領導能力傳得下去。一家公司靠創辦人判斷，就需要培養別个判斷、保存知識搭挑戰決策个機制。長久个機構，比一個勿可缺少个人物，是更大个成就。
通過決定理解一段人生
Jensen Huang个故事吸引人，因為裏向有真个不確定。一個小囡跨過國界；一個學生成仔工程師；工程師成仔創辦人。創辦人帶公司走過失敗个假設、商業突破，搭對編程平台 [Programming Platform] 个長期投資，搿項投資幫NVIDIA走到AI中心。
搿個過程可以欣賞，勿必拿伊講成必然。可以研究，勿必拿每次挫折變成破產，或者拿每次成功變成孤獨天才个證明。最有用个教訓，來自判斷、準備、同事、機構搭環境个互相作用。
搭Steve Jobs个比較，幫照亮搿份成就个一部分。兩位領導儕畀技術變化一個公共聲音，圍繞能造出啥个雄心想法組織公司。不過，比較勿取代Huang身份个辰光，伊獨特个貢獻反倒更清楚。
伊重要，勿是因為世界找到另一個Steve Jobs。伊重要，是因為伊幫組織个工作，改變仔好多別个人能計算、研究搭建造啥。對搿份貢獻个最終評估，還要看往後个發展：AI應用个價值、公司个韌性、領導个行為，搭技術有本事服務超出自家增長以外个目的伐。
大事年表
| 日期 | 大事 |
|---|---|
| 1963年 | 2月17日生勒Taiwan。[1] |
| 童年 | 住過Taiwan搭Thailand；後來搭哥哥先到United States，父母再來團聚。[2] |
| 早年勒United States | 寄宿勒Oneida Baptist Institute，同時讀公立Oneida Elementary School。[3] |
| Oregon時期 | 一家定居Oregon；伊讀高中，發展學業搭體育興趣。[4] |
| 1983至1985年 | 按NVIDIA監管履歷，勒AMD工作。[6] |
| 1984年 | 完成Oregon State University電氣工程 [Electrical Engineering] 學士學位。[4] |
| 1985年 | 搭Lori Mills結婚；開始監管申報文件記錄个LSI Logic任職時期。[1, 6] |
| 1992年 | 完成Stanford University電氣工程 [Electrical Engineering] 碩士學位。[5] |
| 1993年 | 搭Chris Malachowsky、Curtis Priem共同創辦NVIDIA。[7] |
| 1995至1997年 | 早期產品失敗搭Sega危機，促使公司改方向；RIVA 128勒1997年成為商業突破。[7, 8, 9] |
| 1999年 | NVIDIA上市，推出GeForce 256，宣傳為首個GPU。[7] |
| 2006至2007年 | CUDA架構 [Architecture] 搭公開工具包 [Toolkit]，建立更廣泛GPU計算 [GPU Computing] 个平台 [Platform]。[7, 11] |
| 2008年 | NVIDIA報告1.96億美元產品質量相關費用 [Charge]。[13] |
| 2012年 | AlexNet勒ImageNet顯示GPU支持个深度學習 [Deep Learning] 个要緊。[12] |
| 2016年 | NVIDIA推出DGX-1，一套整合个深度學習系統 [Deep-learning System]。[28] |
| 2017年 | Volta引入Tensor Cores。[29] |
| 2019年 | Huang夫婦配對捐款 [Matching Grant] 支持之後，Oneida个Huang Hall啟用。[3] |
| 2020年 | NVIDIA完成Mellanox收購。[16] |
| 2022年 | 計劃中个Arm收購終止；Hopper公佈；Oregon State宣佈Huang夫婦5,000萬美元捐款。[15, 21, 30] |
| 2024年 | NVIDIA公佈Blackwell。[31] |
| 2026年8月26日 | 公司報告截至2026年7月26日个2027財年第二季收入962億美元。[17] |
| 2026年11月8至10日 | 董事會先宣佈獨立調查，隨後指明外部法律顧問；到搿版截止辰光，調查結果仍朆解決。[26, 27] |
技術詞彙表
加速計算 [Accelerated Computing]。勒通用計算旁邊用專用處理器，讓適合个工作負載 [Workloads] 做得更有效率。
AI模型 [AI Model]。一種計算系統，用伊个參數 [Parameters] 搭結構，產生預測、分類或者生成个輸出。
專用集成電路 [ASIC, Application-specific Integrated Circuit]。為特定一類任務設計个集成電路。
中央處理器 [CPU, Central Processing Unit]。適合做廣泛操作搭控制任務个通用處理器。
CUDA。NVIDIA畀受支持个NVIDIA GPU做加速計算 [Accelerated Computing] 用个平台 [Platform] 搭編程模型 [Programming Model]。
數據中心 [Data Centre]。放計算、儲存搭網絡設備个設施，還配運行搿眼設備所需要个電力、冷卻搭營運系統。
深度學習 [Deep Learning]。用有多層處理層个神經網絡 [Neural Networks] 做機器學習 [Machine Learning]。
數字孿生 [Digital Twin]。物理系統个數字表示，用來分析、監控或者模擬 [Simulation]。伊有多少用，要看伊對相關真實世界行為表示得有多準。
圖形處理器 [GPU, Graphics Processing Unit]。為高度並行工作設計个處理器，用勒圖形搭好多數值計算應用裏。
推理 [Inference]。運行一個訓練好个模型，從新輸入產生輸出。
互連 [Interconnect]。組件或者系統之間个通信連接。伊个帶寬 [Bandwidth] 搭延遲 [Latency]，可以大大影響並行計算 [Parallel Computing] 性能。
大型語言模型 [Large Language Model]。用大量文本搭相關數據訓練、用來處理或者生成語言个模型。講得流利勿保證事實準確。
並行計算 [Parallel Computing]。拿工作分成可以同時執行个操作。
平台 [Platform]。一套技術搭接口 [Interfaces]，別个人可以勒上頭建應用或者服務。
Tensor Core。NVIDIA對專用硬件單元个名稱；搿眼單元加速一部分矩陣操作 [Matrix Operations]，對AI搭別个數值工作負載 [Numerical Workloads] 要緊。
訓練 [Training]。用數據搭優化目標 [Optimisation Objective] 調整模型參數 [Parameters] 个過程。
Transformer。一種以注意力機制 [Attention Mechanisms] 為基礎个神經網絡架構 [Neural-network Architecture]，廣泛用勒語言搭別个模型裏。
哪能讀搿眼證據
編號參考文獻，畀事實講法指出來源。周圍有關領導、策略搭比較个討論，是分析，勿是當事人个引語。機構歷史確立學位、捐款搭正式角色；監管申報文件確立公司報告个披露；訪談保留講述者个回憶搭觀點；產品發佈確立公告內容，性能講法則保留原來个條件。
差點失敗，勿等於正式破產。產品公告，勿等於客戶已經完成部署 [Deployment]。家人受雇，勿等於接班任命。調查，勿等於認定結果。要準確理解搿段人生，搿眼分別勿能少。
Wikipedia搭提供个家庭、事業筆記，幫忙找出要研究个題目。參考書目畀讀者看搿份記述所用个底層公共來源。搿版標个日期，是伊知識个邊界，勿是預測後來事情會證實伊个結論。
Powered By K7
來源搭進一步閱讀
正文裏个參考文獻有編號。連接指到來源个出版者。除非下頭標明出版日期，參考文獻儕勒2026年11月11日查閱。
1. Jensen Huang
Wikipedia. Living reference page consulted 11 November 2026; used as an orientation source, not sole authority for disputed details.
Read source https://en.wikipedia.org/wiki/Jensen_Huang
2. Only In America Jensen Huang on Vision Risk and the GPU
Hoover Institution. Interview with Condoleezza Rice; first-person recollections of family, migration, education and work.
Read source https://www.hoover.org/plus/research/jensen-huang-vision-risk-and-gpu
3. Former Student Gift Paves the Way for New Facility
Oneida Baptist Institute. Institutional account of boarding, elementary-school attendance and the Huang Hall gift.
Read source https://www.oneidaschool.org/about/huanghall.cfm
4. Jen Hsun Huang Engineering Hall of Fame 2013
Oregon State University. Degree dates, early education, table tennis and meeting Lori Mills.
5. Jensen Huang
Stanford University School of Engineering. Institutional biography confirming the 1992 electrical-engineering master’s degree.
Read source https://engineering.stanford.edu/about/history/heroes/2018-heroes/jensen-huang
6. NVIDIA Form 10 K for the fiscal year ended 26 January 2025
US Securities and Exchange Commission. Executive employment chronology and company risk disclosures.
Read source https://www.sec.gov/Archives/edgar/data/1045810/000104581025000023/nvda-20250126.htm
7. Our History Innovations Over the Years
NVIDIA. Corporate chronology; product claims are treated as company descriptions.
Read source https://www.nvidia.com/en-us/about-nvidia/corporate-timeline/
8. Nvidia An Overnight Success Story 30 Years in the Making
Sequoia Capital. Crucible Moments interview with Huang, Mark Stevens and others; retrospective survival and platform accounts.
Read source https://sequoiacap.com/podcast/crucible-moments-nvidia
9. NVIDIA CEO Tells NTU Grads to Run Not Walk But Be Prepared to Stumble
NVIDIA Blog. 26 May 2023; company account of Huang’s commencement address and three strategic setbacks.
Read source https://blogs.nvidia.com/blog/huang-ntu-commencement/
10. Nvidia nearly went out of business in 1996 trying to make Sega’s Dreamcast GPU
Tom’s Hardware. Reporting on Sega support and Shoichiro Irimajiri’s role; financial arrangement should not be described as a personal gift.
11. CUDA Platform for Accelerated Computing
NVIDIA Developer. Technical overview of the toolkit, compiler, libraries and programming environment.
Read source https://developer.nvidia.com/cuda
12. ImageNet Classification with Deep Convolutional Neural Networks
Alex Krizhevsky Ilya Sutskever and Geoffrey Hinton. 2012 original research paper; the AlexNet result.
Read source https://papers.nips.cc/paper_files/paper/2012/hash/c399862d3b9d6b76c8436e924a68c45b-Abstract.html
13. NVIDIA Reports Results for Second Quarter of Fiscal 2009
US Securities and Exchange Commission. 12 August 2008; US$196 million product-quality charge and quarterly results.
Read source https://www.sec.gov/Archives/edgar/data/1045810/000104581008000018/q209form8kpressrelease.htm
14. NVIDIA Fiscal 2009 Form 10 K
US Securities and Exchange Commission. Year ended 25 January 2009; cash, equivalents and marketable securities position.
Read source https://www.sec.gov/Archives/edgar/data/1045810/000104581009000013/fy2009form10k.htm
15. NVIDIA and SoftBank Group Announce Termination of NVIDIA Acquisition of Arm Limited
NVIDIA and SoftBank. 7 February 2022; regulatory obstacles, prepaid amount and retained licence.
16. NVIDIA Completes Acquisition of Mellanox
NVIDIA. 27 April 2020; completion and networking rationale.
17. NVIDIA Announces Financial Results for Second Quarter Fiscal 2027
NVIDIA. 26 August 2026; results for quarter ended 26 July 2026 and dated product statements.
18. A conversation with NVIDIA Jensen Huang
Stripe Sessions. 2024 interview; leadership, information flow and strategic thinking.
Read source https://stripe.com/sessions/2024/a-conversation-with-nvidias-jensen-huang
19. Madison Huang Author Page
NVIDIA Blog. Current public role, prior LVMH work and London Business School MBA; consulted 11 November 2026.
Read source https://blogs.nvidia.com/blog/author/madisonh/
20. Spencer Huang Author Page
NVIDIA Technical Blog. Current robotics role and NYU technical MBA; consulted 11 November 2026.
Read source https://developer.nvidia.com/blog/author/spencerh
21. 50 Million Gift by NVIDIA Founder and Spouse Helps Launch Oregon State University Research Center
Oregon State University. 14 October 2022; institutional announcement of the Huangs’ gift.
22. Designing for the future
Stanford Engineering. Institutional history of the Huang Center and US$30 million commitment.
Read source https://engineering100.stanford.edu/stories/designing-for-the-future
23. Apple Reinvents the Phone with iPhone
Apple. 9 January 2007; launch announcement and description of the integrated product.
Read source https://www.apple.com/newsroom/2007/01/09Apple-Reinvents-the-Phone-with-iPhone/
24. You have got to find what you love Jobs says
Stanford University. 12 June 2005; prepared text of Steve Jobs’s commencement address.
Read source https://news.stanford.edu/stories/2005/06/youve-got-find-love-jobs-says
25. Apple Timeline
Computer History Museum. Historical chronology of Apple, including Jobs’s departure and return.
Read source https://computerhistory.org/apple-timeline/
26. Statement From NVIDIA Board of Directors
NVIDIA. 8 November 2026; independent investigation, stated confidence and the board’s position at that date.
Read source https://nvidianews.nvidia.com/news/statement-from-nvidia-board-of-directors
27. Statement From the Independent Members of the NVIDIA Board
NVIDIA. 10 November 2026; appointment of Joon H. Kim and Wachtell Lipton Rosen and Katz.
Read source https://nvidianews.nvidia.com/news/statement-from-the-independent-members-of-the-nvidia-board
28. NVIDIA Launches World First Deep Learning Supercomputer
NVIDIA. 5 April 2016; DGX-1 announcement; first claims are attributed to the company.
Read source https://nvidianews.nvidia.com/news/nvidia-launches-world-s-first-deep-learning-supercomputer-6622436
29. NVIDIA Launches Revolutionary Volta GPU Platform
NVIDIA. 2017; Volta and Tensor Core announcement.
30. NVIDIA Announces Hopper Architecture
NVIDIA. 22 March 2022; Hopper architecture and Transformer Engine announcement.
31. NVIDIA Blackwell Platform Arrives to Power a New Era of Computing
NVIDIA. 18 March 2024; Blackwell announcement, with performance claims dependent on stated comparisons.
Read source https://nvidianews.nvidia.com/news/nvidia-blackwell-platform-arrives-to-power-a-new-era-of-computing
32. Chris Malachowsky
Computer History Museum. Professional background at HP and Sun and co-founding of NVIDIA.
Read source https://computerhistory.org/profile/chris-malachowsky/
33. Curtis R Priem
Rensselaer Polytechnic Institute. Graphics engineering history and service as NVIDIA CTO from 1993 to 2003.
Read source https://president.rpi.edu/leadership/curtis-r-priem-bs-82
34. Famous Graphics Chips Nvidia RIVA 128
IEEE Computer Society. Jon Peddie historical account of NV1, graphics standards and the RIVA turnaround.
Read source https://www.computer.org/publications/tech-news/chasing-pixels/famous-graphics-chips-nvidias-riva128
35. NVIDIA Fiscal 2014 Third Quarter Form 10 Q
US Securities and Exchange Commission. Historical disclosure of the 3dfx asset-purchase agreement and closing date.
Read source https://www.sec.gov/Archives/edgar/data/1045810/000104581013000109/nvda2014q310q.htm
36. NVIDIA Brings Real Time Ray Tracing to Gamers with GeForce RTX
NVIDIA. 20 August 2018; Turing and GeForce RTX announcement.