Jensen Huang
工程、創業同人工智能 [Artificial Intelligence] 嘅一生
由亞洲嘅童年到領導NVIDIA 一部以證據為本嘅傳記，以及同Steve Jobs嘅批判性比較
粵語版 研究截止日期：2026年11月11日
目錄
引言
了解平台 [Platform] 背後嗰個人
Jensen Huang嘅重要性，在於佢幫手實現咗一種轉變：原本設計嚟繪圖嘅電腦，變成可以幫研究人員訓練人工智能 [Artificial Intelligence] 嘅機器。佢喺1993年共同創辦嘅公司，由前景未明嘅圖像 [Graphics] 初創公司，成長為現代AI基礎設施 [Infrastructure] 嘅核心供應商。呢個成就值得仔細研究，唔需要一個佢預知未來、獨自行動、從來冇犯錯嘅故事。
本書由亞洲童年講起，跟住移民、求學、工程師工作、創業同NVIDIA嘅擴展，考察塑造機會嘅家庭同機構、令公司成事嘅同事同伙伴，以及屢次改變方向嘅艱難決定。隨住佢愈嚟愈出名，仲有一個愈來愈吸引人嘅問題：稱Jensen Huang為「在世嘅Steve Jobs」，合唔合理？
本書嘅答案有保留。兩個人都結合技術、長期信念，同解釋別人仲未睇清嘅未來嘅非凡能力，亦都同公司緊密連繫。不過Huang唔係Jobs嘅替代者。佢嘅工程教育、持續領導、企業客戶同建立運算平台 [Computing Platform] 嘅方法，同Apple共同創辦人唔同。比較具體行為就有用；將兩個複雜人物變成可以互換嘅符號，就會誤導。
仲喺繼續嘅人生，唔會有定論式終章。本版截至2026年11月11日。財務數字、職銜、董事會聲明同產品發佈都註明日期，唔當作永久事實。事後講述喺適當地方標明係回憶。公司講自己技術，係了解佢公佈過乜嘢嘅有用證據，但唔係每項效能聲稱嘅獨立證明。
呢本亦唔係虛構化傳記。唔會將編造對話、私下想法或者重構場景當作事實。公開記錄嘅家庭資料，只喺有助了解人生時收入。未核實嘅年齡、揣測動機同獵奇細節，唔會重複得多就變真。目標係一部易讀記述，畀創業者、學生同科技專業人士使用，唔使每頁自己分開欣賞同誇張。
1 跨越國界嘅童年
Taiwan、Thailand同家庭嘅決定
廣為人知嘅Jensen Huang，本名Jen-Hsun Huang，1963年2月17日喺Taiwan出世。出生城市說法唔同：部分早期人物報道話係Tainan，後來報道話係Taipei。Taiwan係可靠嘅地理起點。傳記唔應該靜靜地將重複細節變成確定事實，所以呢點有分別。[1]
未到事業跨國之前，佢童年已經跨越國界。一家先住Taiwan，再住Thailand。佢接受Condoleezza Rice訪問時回憶，父親去Thailand幫手開煉油廠；父親係工程師，母親喺一家移民America之後，曾喺天主教學校做女傭。呢啲係本人公開回憶，唔係獨立重建嘅就業記錄。父母想兒子有教育機會，所以兄弟喺父母完成搬遷前先去United States。後來訪問中，佢將呢段分離同父母對仔女嘅期望連起來。[2]
移民故事好多時變成簡短勵志過程：窮移民細路嚟到異鄉，勤力，然後做億萬富豪。咁樣遮住咗令旅程成事嘅大部分條件。細路唔會揀移民制度、匯率、入學條件，或者親戚肯唔肯接收。父母喺資料唔齊時作重大決定，子女同時承接機會同不確定。
對Huang嚟講，搬國家亦係喺語言同期待之間移動。難處唔止學字詞，仲要識同老師講嘢、建立友誼、應付衝突，以及明白人點評估能力。學生可能先識數學，後識課室社交規矩。唔同學習未必一樣快。
話移民直接造成幾十年後某個管理習慣，就係推測。更審慎結論係，適應好早已經係佢生活一部分。後來事業多次要進入陌生領域、搵規則、判斷邊啲假設可以挑戰。相似之處有啟發，唔係心理診斷。
理解父母嘅角色，亦唔使作出完整家族檔案。公開資料對職業同姓名嘅質素唔一致。最穩健而反覆出現嘅證據，係佢哋重視教育，同願意為此接受生活動盪。唔使以似真細節填晒空白先顯得重要。父母決定令佢接觸到後來技術成長核心嘅機構同人脈。
成功必然故事嘅危險
知道結局會改變讀者點睇童年。普通課堂表現可變成天才徵兆，唔舒服經歷可變成領導必需準備。但兩個結論都唔會自動成立。好多有才能移民捱過苦都冇建大公司，成功企業家嘅童年亦有好多唔同。
所以有用問題唔係細個Huang係咪注定創立NVIDIA，而係機會點擴大，同之後點用。咁樣既重視努力，亦冇忽略令努力有效嘅家庭決定、公立教育同歷史條件。
2 Kentucky同體驗自己與眾不同
喺Oneida生活
Kentucky時期有一項特別重要嘅更正。Oneida Baptist Institute話，佢同哥哥住宿舍，同時喺Kentucky River嘅South Fork對面嘅公立Oneida Elementary School讀書。當時Institute係高中，兄弟要過吊橋上堂。寄宿安排同實際讀書嘅學校唔係一回事。[3]
故事隨時間有咗戲劇化版本。佢回憶初到United States好艱難，被放喺年紀較大男仔之中，情況唔係家人完全估到。Oregon State記下艱難開端，亦記下佢對學校經驗嘅感情。唔適應同感激可以同時存在，兩邊都應該寫。[4]
機構標籤要小心。「感化學校」可能反映講述者對環境嘅記憶，未必完整描述歷史或者每個學生。更可靠事實係寄宿、讀小學，以及離父母好遠嘅細路所經歷嘅文化適應。
童年機構可能後來只凝成一個鮮明細節。吊橋就係：具體、難忘、有獨立記錄。比起作出過橋時諗乜更有用。實際環境足以顯示住處、學校同陌生世界之間嘅距離。
多年後，Jensen同Lori Huang支持Oneida新設施。機構記錄200萬美元配對捐款 [Matching Grant]，促成嘅Huang Hall喺2019年啟用。呢份禮物連結成熟企業家同童年地方，唔使假設童年每一面都快樂。[3]
唔美化苦難嘅韌性
成功人士嘅記述成日將困難變成處方：既然苦難先於成就，未來領袖亦應該經歷苦難。呢個推理薄弱。逆境可以令人更識變通，但亦可以限制機會，造成長久傷害。結果取決於支持、環境同當事人。
Huang後來喺公開場合強調堅持，同佢嘅領導方式有關。但唔應該用嚟歌頌欺凌、匱乏或者可以避免嘅痛苦。建設性教訓要窄啲：人可以學識回應困難條件，機構可以幫佢哋恢復、建立信心、搵到有用工作。
成熟嘅韌性記述亦要包括幫助。適應緊嘅年輕人仍然需要老師、親屬、食物、住宿同繼續升學嘅路。日後處理危機嘅高管仍然需要工程師、客戶同資金。記住呢份連續性，有助避免將傳記寫成孤立意志力嘅故事。
3 Oregon嘅學校、工作同抱負
更安定嘅求學路
一家人後來定居Oregon，Huang喺Beaverton地區讀高中。Oregon State亦記佢係全國排名在列嘅青少年乒乓球選手。呢啲細節顯示一個年輕人同時建立學術同競爭技能，但唔提供逐年完整學校記錄。[4]
部分通俗摘要列出精確跳班次序，或者同其他資料衝突嘅大學入學年份。理解軌跡唔需要呢種精確。確實重要嘅係，佢完成學校教育，進入Oregon State University讀電機工程 [Electrical Engineering]，1984年完成學士。有記錄嘅學位日期，比猜測重建每個初中年份更可靠。
競技運動可以做理解工程嘅比喻，但唔好當成因果證明。乒乓球手不斷適應對手，收到即時回饋 [Feedback]，反覆練動作直到可靠。工程師亦透過回饋學習。只係知道佢打過波，唔能判斷佢有冇有意將某啲運動習慣帶入管理。
早年喺Denny’s做服務工作，亦係佢公開故事反覆出現嘅一部分。佢講過洗碗、招呼客人，同普通工作嘅教訓。餐廳工作重要，因為顯示佢嘅發展唔只限精英科技圈。管理工程師之前，佢已經歷每日都睇到服務、速度同好多細工作協調嘅職場。[2]
服務工作教到啲乜
餐廳係一個系統 [System]。客人見到一餐飯，但送到面前靠準備、清洗、落單、煮食、付款同溝通。即使其他部分做得好，一部分失敗仍然影響客人。呢個有用角度，解釋點解技術出色嘅零件本身唔等於成功產品。
同一原理後來喺NVIDIA業務以大得多規模出現。處理器 [Processor] 可以強勁但仍然難寫程式；軟件 [Software] 可以優雅但冇分銷渠道；數據中心 [Data Centre] 可以有足夠處理器，卻欠網絡 [Networking]、電力或者冷卻。呢啲係分析上對照，唔係聲稱某次餐廳輪更畀咗佢運算公司嘅藍圖。
仲有工作可見性嘅教訓。高級主管可能同令產品可以使用嘅人隔絕。服務工作好快暴露細小營運失誤嘅後果。領導價值係，當地位同財富容許避開呢啲後果之後，仍然保留對後果嘅好奇心。
4 大學工程教育同認識Lori
Oregon State同專業基礎
Huang喺1984年獲Oregon State University電機工程 [Electrical Engineering] 理學士。大學記錄Lori Mills係佢電機工程入門課嘅實驗拍檔，兩人相識五年後結婚。關係喺同時塑造佢事業嘅技術教育之中開始。[4]
電機工程 [Electrical Engineering] 提供唔止一張文憑，仲訓練佢推理受限制嘅物理系統。電路 [Circuit] 必須同時滿足時序、功率、成本同可靠性要求。一方面成功嘅設計可能另一方面失敗。呢種訓練同創新係突然有主意、跟住輕易做到嘅形象唔同。
大學實驗室令呢啲權衡 [Trade-offs] 變具體。計算最後要對應一套可運作零件配置。意外行為要調查，唔係搪塞。呢啲係一般工程教育特點，唔係重建Huang個人功課清單，有助解釋佢學位代表嗰種專業養成。
唔應該將Lori縮成碰巧遇到未來億萬富豪嘅配角。佢讀工程，後來共同捐助重要教育項目。公開資料支持呢個角色，但唔支持將所有家庭私人決定歸功佢，亦唔支持冇可靠記錄就話佢喺NVIDIA有正式職位。
一邊返工一邊讀Stanford
Huang全職工作期間，1992年完成Stanford University電機工程 [Electrical Engineering] 碩士。Stanford自己嘅履歷確認學位，Oregon State講述工作同研究生學習並行。進階教育因此喺職業發展之中，而唔係完全喺之前。[4, 5]
分別重要。在職讀書可以將理論工具同比商業問題。學術可能解釋設計點解咁運作，工作可能暴露課堂練習省略嘅限制。兩個環境唔能互代，價值可以來自兩者往返。
日期亦挑戰時髦但誤導嘅創業說法。Huang唔係拒絕正規教育、立即創業嘅大學退學生。NVIDIA成立時，佢已有本科、研究生工程學歷，同豐富半導體 [Semiconductor] 行業經驗。佢故事支持學習同專業準備，至少同支持大膽冒險一樣有力。
正規教育冇提供創業完整配方。唔保證客戶買圖像晶片 [Graphics Chip]、投資者出資，或者新軟件平台 [Software Platform] 吸引開發者。教育畀工具研究呢啲問題。後來成就靠喺不確定之下應用、擴展工具。
5 學習半導體 [Semiconductor] 生意
AMD同LSI Logic
NVIDIA監管履歷記Huang喺1983至1985年任職Advanced Micro Devices，1985至1993年任職LSI Logic。AMD開始年份值得保留，因為部分通俗記述簡化成學士畢業嘅1984年。官方職業記錄比從畢業推斷嘅整齊次序，更適合做時間依據。[6]
佢喺AMD做微處理器 [Microprocessor] 設計，喺LSI Logic負工程、營銷同管理責任，包括CoreWare業務相關工作。經驗超出單個電路，接觸技術能力、客戶要求同商業策略之間關係。[6]
半導體 [Semiconductors] 對新公司有特別要求。設計晶片 [Chip] 昂貴，製造依賴專門設施，犯錯可需高成本重設計，產品推出時市場可能已變。工程決定到市場回饋之間可以好長。行內創辦人既需技術判斷，亦要有辦法為不確定提供資金。
LSI Logic定製晶片 [Custom Chips] 工作，幫佢準備理解客戶如何將系統要求 [System Requirement] 化成矽 [Silicon]，亦說明一直對NVIDIA重要嘅分別：客戶好少單純因技術有趣而想要晶片。佢哋想要結果，例如更好圖像、更低成本、更短運算時間，或者自己產品更有能力。
超越專才
由工程師變企業家，有時被講成離開技術工作。Huang生涯顯示另一模式：技術理解仍居核心，決定範圍擴展到人、定價、資金同市場選擇。
企業家要決定邊啲問題值得組織關注。工程師可以優化指定設計，創辦人仲要問設計應唔應存在。問題由做唔做到，變成夠唔夠人覺得有值、公司交唔交到、對手會唔會快啲回應。
呢種轉變事後易講，實行就難。當專家堅持優越設計必贏，專長就可能變陷阱。客戶可能重兼容性 [Compatibility]、買得到、易用。創辦人要肯發現市場優先次序同工程團隊原先假設唔同。
所以NVIDIA之前嘅歲月應放喺傳記中心，唔係重要故事之前嘅候車室。嗰啲年月提供一個產品決定、製造關係同客戶信任分唔開嘅行業經驗。
6 創立NVIDIA
三位創辦人同難做市場
NVIDIA由Jensen Huang、Chris Malachowsky、Curtis Priem喺1993年創立。Huang做行政總裁 [Chief Executive]，隨公司發展持續任職。著名Denny’s會面係創業記述一部分，但餐廳唔應掩蓋坐喺入面各人累積嘅專業。[7, 8]
最初機會係個人電腦 [Personal Computers] 圖像 [Graphics]。遊戲係要求高嘅用途：消費者想更豐富視覺世界，通用處理器 [General-purpose Processors] 卻難有效應付愈複雜圖像。專門處理器 [Specialist Processor] 可以大幅加快指定操作，改善體驗。
呢個係商業切入口，唔係今日生成式AI [Generative AI] 經濟嘅完整計劃。好容易將現時成功投返過去，想像創辦人早見所有後來用途。更有力理解係，佢哋識別廣泛運算問題，由一個可以支持生意嘅市場進入。
廣泛論點同第一產品要分。實現 [Implementation] 失敗，論點仍可有用。公司可以相信專門運算 [Specialised Computation] 重要，但第一次嘗試嘅架構 [Architecture]、客戶或時機仍然錯。生存於是靠改嘗試，但唔棄晒根本洞見所有有用部分。
共同創辦人點解重要
以行政總裁為中心嘅傳記可能意外抹走周圍公司。Malachowsky同Priem係共同創辦人，唔係完成願景嘅附件。工程師、投資者、早期客戶亦幫想法變組織。貢獻仍然可見，Huang領導先容易準確評估。
Malachowsky帶來Hewlett-Packard同Sun Microsystems嘅工程及技術領導經驗。圖像系統 [Graphics Systems] 背景令佢成技術基礎一部分，並繼續以創辦人同院士 [Fellow] 身份連繫NVIDIA。唔係非技術企業家簡單請工程師執行完成計劃嘅案例。[32]
Priem亦做過Sun，負責GX圖像 [Graphics] 產品架構。Rensselaer Polytechnic Institute記佢1993至2003年任NVIDIA技術總監 [Chief Technical Officer]，之前工作包括IBM Professional Graphics Adapter。經驗將創辦人放喺早於NVIDIA嘅工程傳承中，說明點解首GPU營銷唔能同整個領域起源混淆。[33]
Huang貢獻同呢啲專長並列。佢喺AMD同LSI Logic橫跨半導體設計 [Semiconductor Design] 同商業管理，組合畀團隊圖像實現 [Graphics Implementation] 同建立半導體生意兩面視野。唔保唔錯，但有資源辨認同回應錯誤。
行政總裁特有任務係整合決定。技術可能要成產品計劃，計劃需資金，資金需可信度，可信度要捱得住挫折。冇一人做晒所有工程或商業任務，領導要跨任務維持一致方向。
早期公司亦喺控制唔到嘅生態 [Ecosystem] 中運作。作業系統 [Operating Systems]、圖像標準 [Graphics Standards]、軟件開發者 [Software Developers]、製造伙伴都可改設計價值。依賴唔係NVIDIA獨有弱點，而係為大運算系統 [Computing System] 建新部件嘅條件。
創業教訓因此比勇敢開始更嚴格：揀值得解嘅問題、聚集互補專業、建立可以喺資金用完前學習嘅生意。勇氣重要，但唔能代替呢啲安排。
7 公司差啲失敗嗰陣
NV1同Sega問題
NVIDIA早期產品冇帶來平坦成功路。1995年推出NV1，商業表現掙扎。之後同Sega合作暴露更深問題：技術方向開始同廣大圖像 [Graphics] 市場所圍繞形成嘅標準唔一致。[7, 9]
架構 [Architecture] 問題具體。NV1採二次曲面紋理映射 [Quadratic Texture Mapping]，新興Direct3D生態 [Ecosystem] 則以三角形為核心。支持另一方法令遊戲開發者多做工，限制硬件優勢。RIVA 128採更兼容方向。部分教訓關乎標準：優雅實現 [Implementation] 若周圍軟件業唔方便用，一樣會輸。[34]
唔單係比邊種形狀數學上優越。圖像架構 [Graphics Architecture] 要同創作工具 [Authoring Tools]、編程介面 [Programming Interfaces]、開發者已懂技術配合。要求客戶用另一方法嘅供應商，要提供足夠大收益補額外工作。生存靠接受生態方向，唔係期待生態圍繞第一次設計重組。
Huang後來講危機時話，佢意識到繼續合約，可能留低無助公司未來嘅產品；放棄，又可能令公司失去生存資金。佢向Sega領導求助，支持令公司可以轉方向。[9]
付款投資機制，各記述講法唔一。穩妥結論係Sega提供重要財助，通常報約500萬美元，Shoichiro Irimajiri亦起重要作用。唔應簡化成無關Nintendo高管救公司，或者筆錢必然係無條件私人禮物。[8, 10]
道德意義具體。Huang要向重要伙伴承認重大錯誤，唔係將自己呈現成一直啱嘅先知。可信救援需要坦誠、信任、伙伴肯接受異常結果嘅某種結合。
RIVA 128同商業希望回歸
1997年推出RIVA 128，成為決定性翻身產品。NVIDIA公司年表記四個月賣100萬件。當產品更合市場需要，年輕公司處境可以幾快改變，呢個數字就係例子。[7]
Sega支持同RIVA 128成功屬互相連住嘅生存故事。當每步係獨立破產會誇大記錄。一方提供行動空間，一方將新方向化成收入，兩者靠更大團隊嘅工程工作同商業執行。
迫切期限可以令組織聚焦，亦會產生風險。嚴重時間現金限制之下造嘅晶片 [Chip] 要特別小心測試，因為可能冇再試餘地。教訓唔係創辦人信得夠就可以唔測，而係受限組織要喺修正成本致命前暴露錯誤嘅方法。
佢係咪幾次救NVIDIA免破產
重複接近失敗有可信證據，特別1990年代中。長期董事Mark Stevens話，嗰段時間有幾次距失敗大概三十日，支持「幾次逃過崩潰」，唔證明公司重複入正式破產程序。[8]
後來戰略失敗亦要準確分。CUDA係昂貴承諾，收益需時出現；手機係退出艱難市場；股價下跌、昂貴項目、即時付唔到帳係唔同狀態。全部叫破產，故事更戲劇化，但冇咁有用。
最可辯護講法係Huang幫公司捱過幾段危險時期，最清晰現金耗盡緊急情況集中早年。佢決定重要，Sega支持、同事工作、投資者耐性、重新設計產品嘅商業成功同樣重要。
8 由圖像 [Graphics] 產品到運算平台 [Computing Platform]
上市同定義類別
1999年首次公開招股 [Initial Public Offering] 標誌新發展階段，同年推出GeForce 256，營銷稱首圖像處理器 [Graphics Processing Unit]。歷史限定重要：此前已有圖像加速器 [Graphics Accelerators]。公司聲稱指特定集成GPU概念，唔係發明晒所有電腦圖像硬件。[7]
公眾身份仍然緊扣遊戲。唔係更體面生意嘅微小序幕。遊戲帶來嚴格客戶、快產品週期、足夠大市場支持大量工程投資，亦將強並行處理器 [Parallel Processors] 送到可以實驗嘅研究者手上。
當其他人可以喺產品上建長久工作，平台 [Platform] 就發展。快顯示卡 [Graphics Card] 贏一次購買，穩編程環境 [Programming Environment]、有用程式庫 [Libraries]、累積開發知識可影響之後多次。換供應商可能要換軟件、重新培訓，所以商業關係唔同。
走向平台 [Platform] 亦改品質意思。硬件速度仍重要，但文件、向後兼容 [Backward Compatibility]、除錯 [Debugging]、部署 [Deployment]、支持亦重要。用家如果喺自己應用中唔能可靠取得，基準測試 [Benchmark] 優勢可消失。
競爭冇消失
圖像 [Graphics] 行業繼續因競爭同整合改變。2000年12月NVIDIA同意買3dfx特定圖像資產，交易2001年4月完成。選買資產唔應寫成買對手全部生意，法律同歷史都重要。[35]
深度學習 [Deep Learning] 重要之後，遊戲圖像仍然演進。2018年8月公司推出Turing架構 [Architecture] GeForce RTX，結傳統着色 [Shading]、專用光線追蹤 [Ray Tracing] 同AI能力，進一步令以前昂貴視覺技術喺互動產品實用。[36]
光線追蹤 [Ray Tracing] 模擬光線路徑，造反射陰影等效果。即時 [Real-time] 應用時間嚴限；一幅花幾分鐘渲染 [Rendering] 嘅圖可用離線 [Offline] 製作，唔能直接支持反應靈敏遊戲。挑戰係唔只算可信圖，仲要喺實用效能預算做到。
呢啲發展令「單純棄遊戲變AI」嘅想法複雜。圖像 [Graphics] 仍活躍，同模擬 [Simulation]、AI關係繼續生機會。歷史最好理解為能力擴展，唔係一個身份被另一個完全取代。
GPU同CPU有乜分別
中央處理器 [Central Processing Unit] 設計做多種任務，包括複雜控制流 [Control Flow]、需順序操作。圖像處理器 [Graphics Processing Unit] 用好多設計資源做大量相關並行 [Parallel] 操作。唔係一個聰明另一個簡單，亦唔係GPU永遠快，強處睇負載 [Workload]。
試諗對數百萬像素 [Pixels] 做同一轉換，多數可拆相似操作，並行硬件 [Parallel Hardware] 可一齊做多個。相反，每步決定靠前步結果嘅任務，GPU好處較少。處理器 [Processors] 間搬數據亦耗時間能源。
現代AI高度依賴可組成並行工作嘅數值操作 [Numerical Operations]，包括大型矩陣乘法 [Matrix Multiplications]。GPU因此有用，但唔令每AI任務相同或每次部署都化算。記憶體容量 [Memory Capacity]、通訊 [Communication]、數值精度 [Numerical Precision]、軟件實現 [Software Implementation] 都影響結果。
Huang戰略機會係連能力去繪圖以外問題。唔止宣佈圖像晶片強，要令工作同遊戲渲染 [Rendering] 冇乜關係嘅人都可用硬件。
9 CUDA同耐心建立生態系統 [Ecosystem]
令並行運算 [Parallel Computing] 用得到
CUDA係NVIDIA並行運算平台 [Parallel-computing Platform] 同編程模型 [Programming Model]，令程式員用受支持GPU做通用數值工作，唔使將每問題表成圖像介面 [Graphics Interface]。2006年引入架構 [Architecture]，2007年推出公開軟件工具包 [Software Toolkit]。[7, 11]
架構 [Architecture] 同工具包 [Toolkit] 有別，所以歷史有兩年。一日期可能遮住硬件能力、工具同開發者採用何時逐步可用。商業重要來自組合。
科學家唔使成為圖像專家先受益於並行硬件 [Parallel Hardware]。程式庫 [Libraries] 提供熟悉數學操作，編譯器 [Compiler] 同執行環境 [Runtime] 幫程式碼 [Code] 轉GPU能做嘅工作。後來高層框架 [Higher-level Frameworks] 依呢啲庫，喺研究者同處理器 [Processor] 間放抽象 [Abstraction] 層。
呢種分層係唔能淨數晶片規格理解地位嘅原因。開發者養習慣，機構累積測好程式碼 [Code]，研究社群分享例。投資生有用連續性，亦生轉換成本 [Switching Costs]。同一生態 [Ecosystem]，一人覺方便，另一人覺依賴。
回報清楚前投資
佢描述CUDA係起初引懷疑嘅昂貴長期承諾，後來AI市場令商業回報明顯之前已要付成本。本人事後記述連投資到金融市場信心弱嘅時段。[9]
唔應因CUDA後來成功就認為所有貴項目都值得無限資助。合理長投要見技術基礎改善、用家做到有價值事。冇學習嘅耐心可以保存失敗，正如保存突破。
挑戰係支持可能性，又唔要求即時有巨大市場。研究者用GPU做意外用途帶資訊，顯示硬件可解最初出錢客群以外問題。公司一邊賣既有市場，一邊學新用途。
生態 [Ecosystem] 優勢限度
強軟件生態 [Software Ecosystem] 唔消除競爭。替代加速器 [Accelerators]、編譯器 [Compiler] 項目、可移植框架 [Portable Frameworks] 可減特定供應商依賴。大客可能夠規模支持專用硬件 [Specialised Hardware]，有負載用更簡單平系統好過最靈活GPU平台。
持續考驗係整套NVIDIA系統能否以接受到成本供有用效能。熟悉軟件可延遲轉，唔能保永遠忠誠。生態 [Ecosystem] 要持續創值，唔係只靠離開麻煩。
對創業者，教訓嚴格：最重要產品有時係令客發現供應商未指定用途嘅工具。建工具需持續支持，接受價值可能先出現喺細實驗，而唔係龐大可預測訂單簿。
10 深度學習 [Deep Learning] 嘅轉捩點
AlexNet同研究新訊號
2012年Alex Krizhevsky、Ilya Sutskever、Geoffrey Hinton發表一般稱AlexNet研究。卷積神經網絡 [Convolutional Neural Network] 喺ImageNet比賽有重大成果，用GPU運算 [GPU Computation] 令大型訓練 [Large-scale Training] 可行。論文記研究成就，唔係之後公司解讀，所以重要。[12]
NVIDIA冇發明嗰神經網絡 [Neural Network]、ImageNet數據集 [Dataset] 或整個機器學習 [Machine Learning]。硬件編程生態 [Programming Ecosystem] 係促成基建一部分。平衡歷史會同時看研究者、數據創作者同提供運算公司。
唔係一基準 [Benchmark] 證所有未來用途，而係數據、模型設計 [Model Design]、可用算力結合可大改善重要任務，鼓勵投資實驗。係有影響訊號，唔係完整未來預測。
Huang戰略要點回應訊號。公司可留意好研究但未組織服務新領域。支持深度學習 [Deep Learning] 要選硬件、軟件庫 [Software Libraries]、系統同研究關係，要以負載 [Workload] 作公司建設方向。
訓練 [Training] 同推論 [Inference]
訓練 [Training] 用數據同優化過程 [Optimisation Process] 調模型參數 [Parameters]；推論 [Inference] 用訓練模型出結果。兩者可需大量運算，但營運要求不同。訓練長期跑大作業，推論可能需控成本延遲 [Latency] 快回好多用家。
呢個說明AI基建 [AI Infrastructure] 唔係一個無差別市場。訓大模型研究所、跑細影像模型醫院、生成文字手機應用都需唔同安排。最好系統睇規模、私隱、可靠性、回應時間、工作量。
模型愈大，處理器 [Processors] 間通訊愈重要。快晶片集合唔自動係快電腦。數據要經記憶體 [Memory]、網絡 [Networks]，故障要偵測管理。樽頸 [Bottleneck] 可能喺最引注意運算單元 [Arithmetic Units] 外。
公司向系統網絡 [Networking] 擴展可按此理解。競爭單位超過單張顯示卡 [Graphics Card]，去到較大設備性能；佢愈來愈係系統建造者、生態 [Ecosystem] 組織者，而非淨晶片供應商首領。
研究需求變產品
2016年DGX-1作集成深度學習系統 [Deep-learning System] 推出。唔使每研究所從散件砌機，提供配置好GPU軟件組合，縮短買機同做研究之間距離。首深度學習超級電腦 [Deep-learning Supercomputer] 係營銷聲稱，唔係話以前冇電腦訓練神經網絡 [Neural Network]。[28]
翌年Volta架構 [Architecture] 引入Tensor Cores，做深度學習 [Deep Learning] 重要操作嘅專用單元，由重用圖像能力進一步走向圍AI運算設計。亦顯示內部大改而平台 [Platform] 可連續，開發者透過更新庫 [Libraries] 受益，唔使重寫每層應用。[29]
2022年Hopper有Transformer Engine，旨加速Transformer模型 [Transformer Models] 相關負載。2024年3月Blackwell擴展生成式AI [Generative AI] 系統級方法。公告標誌方向能力改，大標題效能倍數依負載 [Workload]、精度 [Precision]、比較系統，唔應當普遍結果。[30, 31]
次序比型號名單重要。NVIDIA反覆因客想做工作變而調軟硬件，保足夠兼容性 [Compatibility] 護舊投資，同時引入可改未來效能功能。平台 [Platform] 領導核心張力係：變太多可分裂生態 [Ecosystem]，太少就過時。
11 生存之後嘅挫折
產品品質同2008年低潮
捱過創業唔免錯。2008年8月報1.96億美元費用 [Charge]，為受不良材料組合影響嘅部分筆電產品預期保養、維修、退貨、更換成本。同次報季度虧損，亦認競爭定價錯。[13]
呢個唔同早期現金不足，關乎品質、客成本、執行信譽。只看精彩策略會漏領導呢部分。客依賴交付後仍運作產品，成功高管仍要負責可能遠離演講舞台嘅缺陷。
2009財年年度文件報年末約12.6億美元現金、現金等價物 [Cash Equivalents]、可買賣證券 [Marketable Securities]。財務狀態唔支持隨口話2008年每難事都係另次即時破產。損失、費用、廣泛低潮唔需標籤已嚴重。[14]
手機撤退
亦追手機後退出，Huang自述係令注意力可去其他機會，包括機械人 [Robotics]、自動駕駛車 [Autonomous Vehicles]。係本人如何理解經歷嘅證據，唔係替代機會必成證明。[9]
因困難改計劃，同因根本經濟性已失吸引而改唔同。領袖需足夠信念捱正常阻力，又足夠靈活認堅持已浪費。冇口號可事前可靠分清。
有用紀律係明講假設：服務乜客需？可保乜優勢？要添幾多投資？乜證據會停？令撤退係有理資源分配，唔係事後令每決定顯聰明嘅故事。
冇成事嘅收購
2022年2月NVIDIA同SoftBank因重大監管挑戰終止Arm收購。公告話SoftBank保留預付12.5億美元，NVIDIA保20年Arm許可 [Licence]。雖唔係晶片工程失敗，仍重大戰略挫折。[15]
事件說明創辦權限邊界。交易對推動者合理，同時可令監管、客或對手憂。技術野心喺法律政治制度內運作，唔能當作單憑決心能除嘅工程約束。
回應唔應將失敗收購寫成無條件勝利，要認成本、理解失敗、按自己價值評後選。唔逼不成功決定有凱旋尾，領導記述更可信。
12 建立AI基礎設施 [AI Infrastructure] 公司
超越單粒晶片 [Chip]
AI負載 [Workloads] 擴大，產品日益係大系統部分。GPU要高頻寬記憶體 [High-bandwidth Memory]、快連接、網絡 [Networking]、伺服器 [Servers]、管理軟件、支持。2020年完成Mellanox收購係強網絡面重要步。[16]
大訓練作業 [Training Job] 可說明。處理器 [Processor] 等另一個數據，貴硬件可閒；網不穩長作業可損有用成果；冷卻不足唔能維持部件承諾效能。客結果靠全設備協調。
集成系統 [Integrated Systems] 因此吸引，減客獨立組裝驗每部件負擔，亦可增依賴。得完整解方，同時可能接受較窄發展選擇。
加速運算 [Accelerated Computing] 敘事契合轉變：一定時間、能源、錢可完幾多有用工？平晶片若需多機或延寶貴成果可實際更貴；簡單夠時先進系統又係多餘費。
AI潮證明同未證明乜
生成式AI [Generative AI] 快採用增運算基建 [Computing Infrastructure] 需求。公司受惠因早已多年發展相關軟硬件，時機商業強，唔等於獨自創熱潮。
現代AI亦靠大學研究、公開數據集 [Public Datasets]、開源軟件 [Open-source Software]、雲基建 [Cloud Infrastructure]、半導體製造 [Semiconductor Manufacturing]、競爭研究所。模型開發者定架構訓練，硬件公司供工具，用家投資者塑需求。貢獻重大但喺網中，唔獨立。
財務結果突出。2026年8月26日報告，截至7月26日嘅2027財年第二季收入962億美元，當中Data Center890億。係已報季度數，唔係曆年總額或預測。[17]
同次報Vera Rubin進全面生產。按有日期背景讀，證公司宣佈乜；個別設施效能、部署 [Deployment]、經濟回報各需證據。產品路線圖 [Product Roadmap] 同客實現收益有關但不同。
非凡增長嘅風險
快增長可遮脆弱假設：客預買未來需求、設施接電比計劃長、新模型需其他硬件或更有效。高利用率 [High Utilisation] 下吸引嘅投資，機閒可貴。
因此收入增長應同客集中、承諾、供應能力、客業務經濟一齊看。周圍部分難得足夠回報，供應商仍可熱潮中賣得好。唔證泡沫，但係測經濟鏈而唔只讚最快者嘅理由。
13 領導體系
直接資訊同高要求
Huang公開講管理時，重視取得資訊、共享背景，同親身參與艱難技術問題。2024年Stripe Sessions對談入面，佢描述NVIDIA部分組織安排，同點用直接回饋 [Direct Feedback]。呢啲說話係了解佢聲稱管理哲學嘅有用證據，但同時仍係公司領導人本人嘅講法。[18]
較扁平組織可以減少問題去到有能力處理嘅人之間嘅延誤，亦可畀行政總裁帶來極大資訊負擔。成效視乎人才質素、決策權清唔清楚，以及處理優先次序衝突嘅能力。
所以建議每家公司都照抄大量直屬下屬，係過度簡化。組織圖只係實際運作體系睇得到嘅輪廓，兩家圖相似嘅公司可以有完全唔同文化。重點係重要資訊有冇流通、決定有冇被理解，同員工可唔可以唔使無謂等最高層就行動。
高標準亦係有關Huang記述嘅常見特點。不過要求高表現，唔會自動等於好管理。要問標準點傳達、期望可唔可達成、提出異議安唔安全、錯誤有冇帶來學習。領袖可以嚴謹，唔使以羞辱做改善機制。
喺未來仲未熟悉之前解釋佢
技術創辦人要說服需要唔同嘅受眾。工程師想知架構 [Architecture] 行唔行得通，客戶想知解唔解到問題，投資者問生意有冇回報；政府可能關注安全、國內能力同取得技術嘅渠道。
Huang嘅公開演講好多時將技術發展連到更大產業轉變。呢個能力有戰略價值，因為客戶唔能圍繞自己唔理解嘅未來買嘢或建設。好解釋可以協調好多機構嘅投資方向。
同一能力亦帶責任。有說服力嘅故事可以走喺證據之前。示範 [Demonstration] 可能只喺精心揀選條件下有效，效能比較可能依賴特定負載 [Workload] 或軟件版本，未來能力嘅承諾可能被誤當而家買得到嘅產品。越識講故事，越要分清呢啲類別。
判斷嘅集中
創辦人長期在任可保技術延續，保護短期管理眼光下捱唔住嘅投資；同時亦可能將判斷集中喺一人身上。同事可能變得擅長估創辦人想乜，而唔係驗證係咪正確。
有韌性嘅公司需要強中心，亦要可以糾正中心嘅機制。董事會、技術審查 [Technical Reviews]、客戶回饋 [Customer Feedback]、獨立鑒證 [Independent Assurance] 都有用。當佢哋可挑戰成功領袖而唔會被當成願景障礙時，價值最大。
最終評價領導，唔止睇佢親自指揮時NVIDIA表現，仲要睇佢之後組織能否保留有用判斷、問責同發明。呢個考驗比魅力難，公司經濟地位越重要，考驗越重要。
14 動力、抱負同失敗嘅意義
公開發言能夠確立乜
佢反覆講不確定、努力工作、從錯誤學習。2023年National Taiwan University畢業演講，用失敗同戰略撤退例子解釋公司發展，支持佢公開視挫折為創新一部分嘅形象，唔代表可以無限制知道私人動機。[9]
傳記常畀一個人單一情感引擎，例如怕窮、求認同、想證明批評者錯。呢啲解釋令複雜人生易記，可能好吸引，但冇強證據就只係推測。
更有紀律嘅記述會睇可觀察選擇：佢幾十年留同一公司；後來市場未明之前繼續投資編程生態 [Programming Ecosystem]；公司放棄部分項目，同時深入其他項目。決策已顯示優先次序，唔使編造每日朝早感受。
有生產力嘅焦慮同限度
公司永遠接近失敗嘅常見講法，可令人警覺，提醒客有選擇、技術優勢會衰退。但永久緊急狀態亦可耗盡組織，令認真異議難提出。
要睇警告產生乜：更好測試、更快認出客戶問題、更誠實計劃，定係倉促決定、收埋壞消息？傳記可指出張力，唔使聲稱每個員工都一樣體驗公司文化。
同樣，只有組織學到可付諸行動嘅嘢，失敗先有用。假設唔變，反覆做失敗實驗唔叫韌性。設計好嘅實驗，即使商業結果失望都產生資訊；設計差可能燒錢但核心問題未答。
改變主意嘅紀律
Sega早年事件特別有教訓，因為要將身份同技術選擇分開。創辦人可能投入聲譽、金錢同多年心血；認設計錯，好似認公司都錯。但生存可能恰恰靠呢個區分。
更廣教訓係保留解決問題嘅承諾，但容許解法改。圖像架構 [Graphics Architectures] 演進、軟件變核心、AI重要、退出部分市場，都係唔同版本。應研究連續決策，唔好升格成每次未來轉向 [Pivot] 都成功嘅保證。
15 Lori、Spencer同Madison
公開故事入面嘅家庭
Jensen同Lori Huang讀Oregon State工程時認識，1985年結婚，有兩個成年子女Spencer同Madison。共同教育慈善有充分記錄。公開記錄之外，傳記應尊重家庭公共活動同私人生活嘅分別。[1, 4]
話幾十年建立公司會影響家庭，係合理；作出家人未公開講過嘅對話、妥協、情緒，唔合理。稱配偶係所有成功背後嘅秘密，似讚美，亦可能抹走佢自主性。
Lori現時正式職銜、基金會資產、精確職業日期亦要小心。需要有日期嘅記錄，唔能由財富規模估，亦唔好抄冇來源摘要。
Madison Huang
NVIDIA現行公開履歷稱佢係物理AI平台 [Physical AI Platforms] 產品及技術營銷高級總監，涵蓋Omniverse、Cosmos、Isaac。亦記以前Louis Vuitton Moët Hennessy group營銷工作，同London Business School營銷與策略MBA。[19]
職業資料有意義，顯示從營銷同商業教育進科技，唔係單純複製父親晶片設計 [Chip Design] 路徑。解釋現職唔需精確年齡或完整烹飪培訓年表。
技術平台 [Technical Platform] 營銷唔只製造宣傳，包括向開發者客戶解釋能力、理解採用障礙、連工程同市場。質素要按成果評，唔由家庭關係預設。
Spencer Huang
NVIDIA技術履歷稱佢係機械人 [Robotics] 產品總監，做模擬 [Simulation]、機械人學習 [Robot Learning]、合成數據 [Synthetic Data]、訓練部署自主機器 [Autonomous Machines] 基建。亦記New York University以人工智能 [Artificial Intelligence] 為重點嘅技術MBA。[20]
公開職業路同父親早年唔同，因為一家可以同公司但唔同訓練責任。頭銜唔證貢獻深度，出身亦唔能成否定貢獻理由。
家族聘用同治理 [Governance]
創辦人親屬喺上市公司工作，正常治理 [Governance] 問題自然出現：職務薪酬有冇適當審查？匯報清唔清楚？其他員工公平競爭嗎？關連交易 [Related-party Transactions] 有冇披露？
提出問題唔等於有不當行為，而係公司變大更重要嘅制度紀律。同樣，父母聲譽唔能代替獨立評價子女工作。
聘用唔係繼任公告。兩人喺公司唔證任一已被選行政總裁。科技王朝猜測會吸引注意，嚴肅傳記要分現職同未公開確認嘅未來任命。
16 透過教育回饋社會
仍然重要嘅機構
夫婦公開慈善強連教育。Oregon State於2022年宣佈5,000萬美元捐款予Jen-Hsun and Lori Huang Collaborative Innovation Complex，連結工程、運算、跨學科研究。[21]
Stanford對Huang Engineering Center記錄3,000萬美元承諾；Oneida記2019年啟用設施200萬美元配對捐款 [Matching Grant]，連童年、本科、研究生唔同階段。[22, 3]
金額應按機構公告所記承諾讀。認捐、資產估值、已支付錢唔一樣，亦唔應混家庭慈善、NVIDIA企業基金會同商業投資。
教育慈善可做到乜
大學建築唔自動係教育成果，價值要睇支持嘅人、設備、課程。好設施令原本難合作可行，學生用先進工具，吸引研究重要問題嘅人。
科技捐贈者同大學關係需認真考察。捐款可擴機會亦改優先，機構需學術獨立、透明治理、清楚贈款義務。
最好記述避兩端：唔當捐財富自動證道德優越，唔當每捐只係宣傳；睇記錄承諾、受贈目的、可得證據嘅成果。
本書反覆見教育連結好重要。佢事業依靠技術訓練同給成長空間機構。支持令私人成功連他人機會，究竟做到幾多要長期證據。
17 將Huang同Steve Jobs比較嘅理由
有用比較先定義
稱Huang為「在世嘅Steve Jobs」，可以有幾種唔同意思：有魅力嘅科技領袖、公司改變產業嘅創辦人，或者令複雜產品令人興奮嘅公眾人物。呢啲都係可驗證比較，唔能字面解成同樣人格、事業或者歷史角色。
最強理由由連結技術同更大可能嘅能力開始。Jobs幫人理解個人運算 [Personal Computing] 同流動設備，係大家可能想要嘅體驗。Huang幫人理解加速運算 [Accelerated Computing]，係研究者企業可以完成以往唔實際工作嘅基建。
比較亦立足整合。Apple2007年iPhone公告展示一部用嚴控介面 [Interface] 結通訊、媒體、互聯網功能嘅裝置。NVIDIA策略將處理器 [Processors]、網絡 [Networking]、軟件連為開發者機構嘅平台 [Platforms]。兩者客利益都取決於部分如何一齊運作。[23]
共識前嘅信念
兩人生涯都有未受讚之前看似不確定嘅決定。Jobs喺Stanford演講講述，起初冇構成明顯職業計劃嘅經驗，後來如何有價值；返Apple之前亦離開過。Huang持續投CUDA，早於深度學習 [Deep Learning] 廣泛商業重要性。[24, 9]
相似唔係兩人完美預見未來，而係願意按技術如何變得更有用嘅看法，組織大量努力。願景只有改產品決定、投資同他人工作，先有實際意義。
公開敘事作為營運資產
Jobs產品演示變成Apple商業身份一部分。Huang演講亦令佢成NVIDIA策略嘅公開解釋者。各人衣著好記，但比較基礎薄弱。更強係將技術選擇變成一致故事嘅角色。
呢個可以幫組織圍繞一方向協調。員工理解產品目標，客戶明白點配自己計劃，伙伴有理由投互補工作。所以敘事可貢獻執行，而唔只裝飾。
但說服力亦生風險。觀眾可能開始將領袖信心當證據，精彩公告可遮未解工程或商業問題。欣賞應令讀者更留意問題，唔係少啲。
可辯護嘅理解
「AI時代嘅Steve Jobs」可辯護為編輯比喻，講一位結戰略信念、整合、公開溝通嘅有影響創辦人。明確列出呢啲維度時，比較最有力。
但仍要限制。AI有好多建設者，冇單一擁有者。Huang重要，唔等於每模型開發者、研究者、競爭硬件設計者都係故事配角；亦唔證產品決定會有Apple同樣長期文化地位。
所以正面理由實質但窄。可以比兩人作幫他人認識採用新技術方向嘅領袖，唔係人格等同證書，或者同一遺產預測。
18 反對「在世嘅Steve Jobs」標籤嘅理由
入科技嘅唔同路
兩人經唔同準備走到領導。Jobs離Reed College，後講常規學位外探索科目嘅影響。Huang一邊積半導體 [Semiconductor] 經驗，一邊完成本科研究生電機工程 [Electrical Engineering] 學位。[24, 4]
唔應變直覺同教育比賽。Jobs同好有能力工程師工作，理解實現 [Implementation] 重要；Huang成功亦需唔能減為資格嘅判斷、溝通、想像。技術領導冇單一教育模板，先係要點。
客戶同可見性唔同
Apple最有名產品將公司決定直接放消費者手上，使用裝置體驗係價值主張 [Value Proposition] 核心。NVIDIA好多AI生意係供基建 [Infrastructure] 畀其他機構，嗰啲產品可能用完全唔同品牌。
呢個影響銷售過程、工程優先同成功意思。消費者幾分鐘就可決定介面 [Interface] 手感更好；企業可能要幾個月評吞吐量 [Throughput]、軟件兼容 [Software Compatibility]、部署風險 [Deployment Risk]、總成本。Huang要說服技術評估者同機構決策者。
分別唔絕對。NVIDIA有龐大消費遊戲歷史，Apple亦靠開發者基建。但主要重心夠唔同，簡單叫另一Jobs可能遮多過解。
控制形式唔同
Apple集成產品往往嚴控終端用家體驗 [End-user Experience]。NVIDIA平台 [Platform] 仲須容廣泛開發者、設備商、雲供應商 [Cloud Providers]、研究社群。成功靠其他人建好多NVIDIA唔自己設計嘅嘢。
唔能簡化成封閉對開放。NVIDIA有專有軟件 [Proprietary Software]、硬件介面 [Hardware Interfaces]，亦有開放項目；Apple促廣泛第三方開發，同時留重要控制點。更有用係比較各業務界線畫喺邊同點解。
同創辦公司關係唔同
Jobs1985年離Apple，1990年代Apple收購NeXT之後返。佢有Apple以外重要工作，包括Pixar。Huang自創立一直領NVIDIA。[24, 25]
連續性可保組織記憶同長期承諾；缺席後返可帶更根本重估。冇一條路自動更好，只係創辦人學習、得權、改策略嘅條件唔同。
舞台唔能推人格
話Jobs嚴厲、Huang仁厚，或Jobs藝術、Huang分析，可能好吸引。但整齊對立唔可靠。公開訪問、員工記述、傳記都係由時間、背景、觀察者同人物關係塑造嘅部分視角。
負責方法係比有記錄行為：決定如何做、產品如何改、錯誤如何認、資訊如何喺組織流動。內在性格嘅廣泛說法，要多過幾句引用或一場成功主題演講嘅證據。
將商業成功當成每個苛刻行為都合理，亦有道德陷阱。產品可儘管人被差待仍成功，唔係因差待而成功。創業志望者唔應模仿著名高管最戲劇化逸事，就期望相同商業結果。
結論
比較揭兩人分別，而唔係將一人變另一人時，Huang最清楚。「在世嘅Steve Jobs」作明確標示比喻可辯護，作事實描述就弱，尤其暗示行業需Jobs單一接班人更誤導。
更準結論係Jensen Huang係獨特、有遠見嘅領袖，其影響令人想同Steve Jobs比。Jobs幫重塑人同個人科技關係，Huang幫建好多組織用嚟開發AI嘅運算平台 [Computing Platform]。成就喺領導方法重疊，產品市場機構歷史則唔同。
作章或文章題，「一位在世嘅Steve Jobs」可以係問題。嚴肅傳記結論，Huang值得以自己名字理解。
19 權力、依賴同責任
核心供應商唔係中央銀行
因為取得運算產品有戰略重要性，NVIDIA有時被比喻成AI中央銀行。比喻捕捉依賴同影響，但唔係行業點運作嘅字面記述。
央行有NVIDIA冇嘅公共責任同貨幣權力。NVIDIA係喺客戶、對手、供應商、政府之間運作嘅商業公司，唔發AI貨幣、唔保證行業流動性 [Liquidity]、冇無限穩定能力。
嚴重中斷可對客同大市場有重大後果，但唔推出每AI公司自動倒。現有設備仍在，替代供應商仍在，組織用唔同方式回應。傷害規模同時機睇中斷性質。
分清重要，因戲劇比喻可變錯決策模型。規劃基建應評集中風險 [Concentration Risk]、合約義務、軟件可移植性 [Software Portability]、應急選擇 [Contingency Options]，比假定完美安全或者必然系統崩潰有用。
供應鏈 [Supply Chains] 同地緣政治
先進晶片 [Advanced Chips] 靠專門國際供應鏈 [Supply Chain]，設計、製造 [Fabrication]、記憶體 [Memory]、封裝 [Packaging]、設備、數據中心建造 [Data-centre Construction] 分佈唔同機構法域。成功唔消依賴，年報講供應、客戶、監管、出口管制 [Export Controls] 風險。[6]
出口限制可改市場准賣產品，製造封裝 [Packaging] 限制可減交付，硬件準備好都可因能源而延安裝。唔係旁枝，能塑商業機會同戰略選擇。
領導含意係技術遠見同制度判斷要並存。增算力承諾要可信供應商、電力、資金、合規 [Compliance] 計劃，亦認其他持份者可能從安全環境而唔只效能評項目。
2026年11月未解嘅治理 [Governance] 考驗
2026年11月8日，有報道指Huang係外國情報行動目標，董事會遂宣獨立調查。董事會話當時冇理由信國安或公司秘密受損，信任Huang同團隊，亦話佢支持同會合作審查。[26]
11月10日獨立董事宣聘前代理美國聯邦檢察官Joon H. Kim同Wachtell, Lipton, Rosen & Katz調查。截止時聲明只確立調查同監督安排，唔係已完成不當行為認定或洗脫。[27]
公共利益係治理同保護重要公司。審慎傳記唔需重述未證私密指控解釋。應按獨立性、範圍、證據、最終結果評調查，而唔係猜結果一定如何。
事件亦強調原則：有遠見創辦人仍要問責。技術成就、股東財富、社會欣賞唔令領袖免審視。同時指控唔係判決；公平要保兩個命題。
20 下一章仲未寫好
物理AI [Physical AI] 同現實界線
公開平台 [Platforms] 日益處理機械人 [Robotics]、模擬 [Simulation]、物理AI [Physical AI]。Omniverse支持模擬相關流程 [Workflows]，Isaac關機械人，模型數據工具旨助開發者訓練評估同物理世界互動系統。現行產品履歷公告反映方向。[19, 20]
從生成答案到控制機器，錯誤後果改。錯段落可誤導，錯機械人動作可壞設備傷人。模擬 [Simulation] 有價值，唔能獨立證每個實際環境安全。
商機因此伴隨測試、監察 [Monitoring]、保安、清晰責任。最強模型唔自動最安全營運系統，感應器 [Sensors]、致動器 [Actuators]、人員程序、後備機制 [Fallback Mechanisms] 都影響結果。
長期重平台 [Platforms] 或有關。若開發者需可靠模擬 [Simulation]、訓練 [Training]、部署 [Deployment] 工具，連層次供應商有價值。應用兌唔兌現承諾仍係證據問題，唔係平台雄心嘅自然結果。
創業者可學乜
第一課係先建專長，唔好用自信取代。事業靠教育同多年行業工作，大膽重要但有技術知識、專業關係支持。
第二係分問題同特定解法。初架構 [Architecture] 可錯，加速運算 [Accelerated Computing] 仍有機會。唔能分，客標準轉走後仍可能守設計。
第三係方便別人創值。CUDA重要部分係喺自家產品外促成工作。平台 [Platforms] 減實驗難度、令成功可再用就能長。
第四係保財務空間學習。冇現金好主意唔能無限活。Sega救援示公司後來價值顯現前可幾近消失，亦示他人幫助可以決定性。
第五係令領導可傳承。靠創辦人判斷需發展他人判斷、保知識、挑戰決定機制。持久機構比不可或缺個人更大成就。
透過決策理解人生
Jensen Huang故事有說服力因包含真不確定。細路跨國，學生成工程師，工程師成創辦人，帶公司過錯假設、商業突破、長投編程平台 [Programming Platform]，幫將NVIDIA放AI中心。
可欣賞而唔必然化，可研究而唔每挫折叫破產、每成功證孤天才。最有用教訓來自判斷、準備、同事、機構、情況互動。
Jobs比較照亮成就一部分，兩人為技術轉變提供公開聲音，圍雄心組織公司。但唔以比較取代身份，Huang獨特貢獻先更明。
佢重要唔係世界搵到另一Jobs，而係幫組織嘅工作改變他人可以運算、研究、建立乜。最終評價睇未來發展：AI應用價值、公司韌性、領導行為、技術服務自家增長以外目的嘅能力。
大事年表
| 日期 | 里程碑 |
|---|---|
| 1963 | 2月17日喺Taiwan出世。[1] |
| 童年 | 喺Taiwan同Thailand生活，父母團聚前同哥哥去United States。[2] |
| 美國早年 | Oneida Baptist Institute寄宿，同時讀公立Oneida Elementary School。[3] |
| Oregon時期 | 一家定居Oregon，讀高中，培養學業運動興趣。[4] |
| 1983至1985 | 按NVIDIA監管履歷，喺AMD工作。[6] |
| 1984 | 完成Oregon State University電機工程 [Electrical Engineering] 學士。[4] |
| 1985 | 同Lori Mills結婚，開始監管文件記載嘅LSI Logic工作期。[1, 6] |
| 1992 | 完成Stanford University電機工程 [Electrical Engineering] 碩士。[5] |
| 1993 | 同Chris Malachowsky、Curtis Priem共創NVIDIA。[7] |
| 1995至1997 | 早期產品失敗同Sega危機帶轉向，1997年RIVA 128商業突破。[7, 8, 9] |
| 1999 | 公司上市，推出營銷稱首GPU嘅GeForce 256。[7] |
| 2006至2007 | CUDA架構 [Architecture] 同公開工具包 [Toolkit] 建立廣泛GPU運算 [GPU Computing] 平台。[7, 11] |
| 2008 | 報1.96億美元產品質量費用 [Charge]。[13] |
| 2012 | AlexNet喺ImageNet顯GPU支持深度學習 [Deep Learning] 重要。[12] |
| 2016 | 推出集成深度學習系統 [Deep-learning System] DGX-1。[28] |
| 2017 | Volta引入Tensor Cores。[29] |
| 2019 | 配對捐款 [Matching Grant] 後，Oneida嘅Huang Hall啟用。[3] |
| 2020 | 完成Mellanox收購。[16] |
| 2022 | Arm收購終止、Hopper發佈、Oregon State宣夫婦5,000萬美元捐贈。[15, 21, 30] |
| 2024 | NVIDIA宣佈Blackwell。[31] |
| 2026年8月26日 | 報截至7月26日2027財年第二季收入962億美元。[17] |
| 2026年11月8至10日 | 董事會宣獨立調查，再聘外部律師；截止時結果未定。[26, 27] |
技術詞彙表
加速運算 [Accelerated Computing]。喺通用運算以外用專用處理器 [Specialised Processors]，更有效做適合嘅負載 [Workloads]。
AI模型 [AI Model]。用參數 [Parameters] 同結構作預測、分類、生成輸出嘅運算系統。
ASIC [Application-specific Integrated Circuit]。為指定類任務設計嘅專用集成電路。
CPU [Central Processing Unit]。中央處理器，適合多種操作同控制嘅通用處理器 [General-purpose Processor]。
CUDA。NVIDIA喺受支援GPU做加速運算 [Accelerated Computing] 嘅平台 [Platform] 同編程模型 [Programming Model]。
數據中心 [Data Centre]。有運算、儲存 [Storage]、網絡 [Networking] 設備，連電力、冷卻、營運系統嘅設施。
深度學習 [Deep Learning]。以多處理層神經網絡 [Neural Networks] 做機器學習 [Machine Learning]。
數碼孿生 [Digital Twin]。用於分析、監察、模擬 [Simulation] 嘅物理系統數碼表示，有用與否睇相關現實行為表示得準唔準。
GPU [Graphics Processing Unit]。圖像處理器，為高度並行工作設計，用喺圖像同多種數值運算。
推論 [Inference]。運行已訓練模型，由新輸入產生輸出。
互連 [Interconnect]。部件或系統間通訊鏈，頻寬 [Bandwidth] 同延遲 [Latency] 可大影響並行運算 [Parallel Computing]。
大型語言模型 [Large Language Model]。用大量文字同相關數據訓練，處理或生成語言。流暢唔保證事實準確。
並行運算 [Parallel Computing]。將工作拆成可同時執行操作。
平台 [Platform]。畀人建應用服務嘅技術同介面 [Interfaces]。
Tensor Core。NVIDIA對專用硬件單元嘅名稱，加速AI同其他數值負載 [Numerical Workloads] 重要嘅指定矩陣操作 [Matrix Operations]。
訓練 [Training]。以數據同優化目標 [Optimisation Objective] 調模型參數 [Parameters]。
Transformer。以注意力機制 [Attention Mechanisms] 為基礎嘅神經網絡架構 [Neural-network Architecture]，廣用於語言同其他模型。
點樣閱讀證據
編號參考指出事實聲稱嘅來源。周圍對領導、策略、比較嘅討論係分析，唔係人物引言。機構歷史確立學位、捐贈、正式角色；監管文件 [Regulatory Filings] 確立公司報告披露；訪問保留講者回憶觀點。產品發佈確立公告，效能聲稱保留原來條件。
近乎失敗唔等於正式破產，產品公告唔等於完成客戶部署，家人受僱唔係繼任任命，調查唔係認定。準確理解人生，呢啲區別不可缺。
Wikipedia同提供嘅家庭職業筆記幫識別研究題目。參考書目畀讀者本書用過嘅底層公開來源。版本日期係知識邊界，唔係預測後來事件會確認結論。
Powered By K7
來源同延伸閱讀
正文編號參考，連結去來源出版者。除非下面列明發佈日，均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.