Jensen Huang
工程、创业与人工智能 [Artificial Intelligence] 的一生
从亚洲童年到执掌NVIDIA 一部基于证据的传记，以及与Steve Jobs的批判性比较
简体中文版 研究截止日期：2026年11月11日
目录
引言
理解平台 [Platform] 背后的人
Jensen Huang的重要性，在于他帮助实现了一种转变：原本为绘图设计的计算机，成为帮助研究人员训练人工智能 [Artificial Intelligence] 的机器。他于1993年共同创立的公司，从前景未明的图形 [Graphics] 初创企业，成长为现代AI基础设施 [Infrastructure] 的核心供应商。这一成就值得仔细研究，却不需要一个他预知未来、独自行动、从不犯错的故事。
本书追溯他从亚洲童年，到移民、求学、工程师生涯、创业及NVIDIA扩张的历程，考察塑造其机会的家庭与机构、使公司成为可能的同事与伙伴，以及多次改变方向的艰难决策。随着公众知名度上升，一个问题也越来越诱人：可以合理地称Jensen Huang为“在世的Steve Jobs”吗？
本书的回答有所保留。两人都将技术、长期信念，以及解释他人尚未看清的未来的非凡能力结合起来，也都与公司紧密相连。但Huang并非Jobs的替代者。他的工程教育、持续领导、企业客户和计算平台 [Computing Platform] 建设方式，都有别于Apple的共同创始人。比较若能辨明具体行为，就有价值；若把两个复杂的人变成可互换的符号，就会误导。
尚在继续的人生不可能有定论式的终章。本版截止于2026年11月11日。财务数字、职称、董事会声明和产品发布均注明时间，不视作永久事实。事后叙述在适当处标明为回忆。企业对自身技术的描述，是了解其宣布了什么的有价值证据，却不是对每项性能主张的独立证明。
这也不是虚构化的传记。书中不把编造的对话、内心想法或重构的场景当作事实。公开记录的家庭信息，只在有助于理解人生时纳入。未经证实的年龄、揣测的动机和猎奇细节，不会因反复传播而成真。目标是提供一部可读的叙述，让创业者、学生和技术专业人士使用时，不必每页都自行区分赞赏与夸张。
1 跨越国界的童年
Taiwan、Thailand与家庭的决定
广为人知的Jensen Huang，原名Jen-Hsun Huang，1963年2月17日出生于Taiwan。出生城市的说法不一，部分早期人物报道指向Tainan，后来的报道指向Taipei。Taiwan是可靠的地理起点。这一区别很重要，因为传记不应悄然把反复出现的细节变成确定事实。[1]
早在职业生涯跨国之前，他的童年已跨越国界。家庭先住Taiwan，后迁Thailand。在与Condoleezza Rice的访谈中，他回忆父亲为协助创办炼油厂而前往Thailand。他说父亲是工程师，母亲在一家人移居America后，曾在天主教学校当女佣。这些是他的公开回忆，而非独立重建的就业记录。父母希望儿子获得教育机会，兄弟二人在父母完成移民前先赴United States。后来的访谈中，他把这段分离与父母对子女的期望联系起来。[2]
移民故事常被简化为短小的励志过程：贫穷的移民孩子来到异乡，努力工作，成为亿万富翁。这样会掩盖旅程得以实现的大部分条件。孩子不选择移民制度、汇率、入学规则或亲属是否愿意接纳。父母在信息不全时作出重大决定，孩子承接这些决定带来的机会，也承接不确定性。
对Huang而言，迁移国家也意味着穿行于语言与期待之间。实际挑战不只是学词汇，还要识别如何对老师说话、建立友谊、应对冲突，以及人们如何判断能力。学生可能先懂数学，再懂课堂的社会规则。这些不同的学习未必同步。
若说移民直接导致数十年后的某种管理习惯，便是推测。更谨慎的结论是，适应很早就成为其生活事实。后来的职业生涯反复涉及进入陌生领域、识别规则、决定哪些假设可以挑战。这种相似性具有启发性，却不是心理诊断。
理解父母的作用，也不必虚构完整的家族档案。公开资料中，有关职业和姓名的质量参差不齐。最有力且反复出现的证据，是他们对教育的重视，以及为此接受的生活动荡。无需用看似合理的细节填满所有空白，才能彰显其重要性。他们的决定使Huang接触到后来成为技术成长核心的机构与人际网络。
成功必然论的危险
知道结局，会改变读者对童年的解读。普通的课堂表现可能变成天才征兆，不愉快的经历可能变成领导力的必要准备。然而两种结论都不会自动成立。许多有才华的移民历经困苦，却未创建大公司；许多成功创业者也拥有完全不同的童年。
因此，有用的问题不是年幼的Huang是否注定创立NVIDIA，而是可用的机会如何扩展，以及后来如何利用。这样既给努力应有的分量，也不忽视让努力产生效益的家庭决策、公立教育与历史环境。
2 Kentucky与身处异乡的体验
住在Oneida
Kentucky时期有一项特别重要的纠正。Oneida Baptist Institute表示，他和哥哥住在该校宿舍，同时就读于Kentucky River的South Fork对岸的公立Oneida Elementary School。由于该机构当时是高中，兄弟俩需过吊桥上课。把寄宿安排和实际入读的学校视作一回事，并不准确。[3]
这个故事随时间出现戏剧化版本。他曾回忆，初到United States相当艰难，被安排在年长男孩中间，情形并非家人完全预料。Oregon State的人物介绍同时记下他对艰难开端的描述，以及对学校经历的感情。两者都应保留：不适与感激并不互斥。[4]
给机构贴标签须谨慎。“感化学校”之类说法，可能传达讲述者对环境的记忆，却未必充分描述机构的完整历史或每个学生。更可靠的事实是寄宿安排、小学就读，以及一个远离父母的孩子经历的重大文化适应。
童年的机构，后来可能凝结为一个鲜明细节。吊桥就是如此：具体、难忘，而且有独立记录。它比编造Huang过桥时在想什么更有用。这样的物理布局，已足以让读者理解住处、学校与周围陌生世界之间的距离。
多年后，Jensen和Lori Huang支持Oneida兴建新设施。该机构记录了200万美元的配捐 [Matching Grant]，由此建成的Huang Hall于2019年落成启用。这份赠予将成熟的创业者与童年之地相连，不需要假设那段童年的每一面都幸福。[3]
不浪漫化苦难的韧性
成功者的经历常被转成处方：既然苦难先于成就，未来领导者也应受苦。这是薄弱的推理。逆境可能培养应变力，也可能限制机会、造成长期伤害。结果取决于支持、处境和当事人。
Huang后来公开强调坚持，与领导力有关，但不应被用来赞美霸凌、匮乏或本可避免的痛苦。建设性教训更有限：人们可以学习应对困难，机构可以帮助他们恢复、建立信心、找到有意义的工作。
成熟的韧性叙述也包含帮助。正在适应的年轻人仍需要老师、亲属、食物、住宿与升学路径。未来渡过危机的高管仍需要工程师、客户与资金。记住这一连续性，能避免传记沦为孤立意志力的故事。
3 Oregon的学校、工作与抱负
更安定的求学路径
一家人后来定居Oregon，Huang在Beaverton地区读高中。Oregon State的记载还称，他是全国排名在列的青少年乒乓球选手。这些细节展现了同时培养学业与竞技技能的年轻人，却不是完整的逐年学籍记录。[4]
一些大众摘要给出精确的跳级顺序，或与其他信息冲突的大学入学年份。理解人生轨迹并不需要这种精确。可靠的要点是，他完成学校教育，进入Oregon State University学习电气工程 [Electrical Engineering]，并于1984年取得学士学位。有记录的毕业日期，比猜测每个中学年份更牢靠。
竞技运动可作为理解工程的类比，却不能误当因果证明。乒乓球手不断适应对手、获得即时反馈 [Feedback]，练习至动作可靠。工程师同样通过反馈学习。仅凭他打过球，无法判断他是否有意识地把某些运动习惯带进管理。
早年在Denny’s的服务工作，也是他公开故事的常见部分。他谈过洗碗、接待顾客和普通劳动的教训。餐馆工作之所以重要，在于其成长不只发生于精英技术圈。管理工程师之前，他已在一个每天都能看到服务、速度与大量细小任务协同的工作场所积累经验。[2]
服务工作能教会什么
餐馆是一个系统 [System]。顾客看到一顿饭，背后却依赖备料、清洗、点单、烹饪、付款与沟通。即使其他环节良好，一处失败仍会影响顾客。这有助于理解，为何技术出色的部件本身不等于成功产品。
同一原则后来在NVIDIA业务中以更大规模出现。处理器 [Processor] 可能强大却难以编程；软件 [Software] 可能优雅却缺乏分销渠道；数据中心 [Data Centre] 可能有足够处理器，却缺网络 [Networking]、电力或冷却。这是分析上的对应，并非声称某次餐馆轮班给了Huang计算企业的蓝图。
还有关于工作可见性的教训。高管可能与让产品可用的人隔绝。服务工作会迅速暴露小型运营失误的后果。领导价值在于，即使地位与财富允许躲开这些后果，仍保持好奇。
4 大学工程教育与结识Lori
Oregon State与专业的基础
Huang于1984年获得Oregon State University电气工程 [Electrical Engineering] 理学学士学位。校方记录，Lori Mills是他电气工程入门课的实验搭档，两人在相识五年后结婚。他们的关系始于同时塑造他职业的技术教育之中。[4]
电气工程 [Electrical Engineering] 提供的不只是文凭，还训练他推理受约束的物理系统。电路 [Circuit] 必须同时满足时序、功耗、成本与可靠性。一项设计可能在某个指标成功，在另一个指标失败。这不同于创新是灵光一现、随后轻松执行的想象。
大学实验室使这些权衡 [Trade-offs] 变得具体。计算最终必须对应可工作的部件组合，异常行为需要调查，而非解释搪塞。这些是工程教育的一般特点，并非重构Huang的作业清单，却有助于说明学位所代表的专业养成。
不应把Lori缩减为碰巧遇见未来亿万富翁的配角。她学习工程，后来共同捐助重要教育项目，公开信息支持这一角色，却不支持把家庭每个私下决定都归于她，也不支持在没有可靠记录时声称她在NVIDIA任正式职务。
在职攻读Stanford
Huang全职工作期间，于1992年完成Stanford University电气工程 [Electrical Engineering] 硕士学位。Stanford自身的传记确认学位，Oregon State则记述在职读研的结合。这使高等教育成为职业发展的一部分，而不全在职业之前。[4, 5]
这一区别很重要。在职学习者可将理论工具与商业问题对照。学术工作可能阐明设计行为的原理，就业可能揭示课堂练习遗漏的约束。两者不能互相取代，价值可能来自两者间的往返。
时间也挑战一种时髦却误导的创业叙事。Huang不是拒绝正规教育、立即创业的大学辍学生。NVIDIA成立时，他已有本科与研究生工程学历，以及丰富的半导体 [Semiconductor] 行业经验。这段经历支持学习与专业准备的重要性，至少不亚于大胆冒险。
正规教育并未提供创业的完整配方。它不能保证顾客购买图形芯片 [Graphics Chip]、投资者提供资金，或新软件平台 [Software Platform] 吸引开发者。它提供调查问题的工具。后来的成就取决于在不确定中应用并扩展工具。
5 学习半导体 [Semiconductor] 业务
AMD与LSI Logic
NVIDIA的监管申报简历记载，他于1983至1985年在Advanced Micro Devices工作，1985至1993年在LSI Logic工作。保留AMD入职年份很重要，因为一些通俗叙述将其简化为获学士学位的1984年。官方职业记录比从毕业推断的整齐顺序更适合作为年表依据。[6]
在AMD，他从事微处理器 [Microprocessor] 设计；在LSI Logic，承担工程、营销与管理职责，包括CoreWare业务相关工作。这些角色使经验超出单个电路的设计，让他接触技术能力、客户要求与商业战略的关系。[6]
半导体 [Semiconductors] 对新公司有特殊要求。芯片 [Chip] 设计昂贵，制造依赖专用设施，错误可能导致高成本重设计，产品上市时市场也许已经改变。从工程决策到市场反馈可能相隔很久。创业者既要技术判断，也要为不确定性融资的方法。
LSI Logic的定制芯片 [Custom Chips] 工作，有助于理解客户如何把系统要求 [System Requirement] 转化为硅 [Silicon]。它也揭示后来始终对NVIDIA重要的区别：客户很少只因芯片技术有趣就要购买，他们要的是更好图形、更低成本、更短计算时间，或更有能力的自家产品等结果。
超越专才
从工程师到创业者，有时被描述为离开技术工作。Huang的经历显示另一种模式：技术理解仍居中心，决策范围却扩至人员、定价、融资与市场选择。
创业者必须决定哪些问题值得组织关注。工程师能优化指定设计，创始人还得决定该设计应否存在。问题从能否造出，变成是否足够多人重视、公司能否交付、竞争者能否更快回应。
这种转变回顾时易于描述，执行却难。若坚持优越设计必胜，专业知识就可能成为陷阱。客户或更重兼容性 [Compatibility]、供应可得性与易用性。创始人必须愿意发现市场的优先次序不同于团队最初的假设。
所以NVIDIA之前的岁月应置于传记核心，不只是重要故事开始前的候车室。那是一个产品决策、制造关系与客户信任不可分割的行业经验。
6 创立NVIDIA
三位创始人与艰难市场
NVIDIA由Jensen Huang、Chris Malachowsky、Curtis Priem于1993年创立。Huang出任首席执行官 [Chief Executive]，并随着公司发展持续任职。著名的Denny’s聚会是创业史的一部分，但餐馆不应遮蔽坐在其中的人所积累的专长。[7, 8]
最初的机会是个人计算机 [Personal Computers] 图形 [Graphics]。游戏提出严苛需求：消费者想要丰富的视觉世界，通用处理器 [General-purpose Processors] 却难以高效提供日益复杂的图形。专用处理器 [Specialist Processor] 可大幅加快某些操作，改善体验。
这是商业切入口，并非今日生成式AI [Generative AI] 经济的完整预案。人们容易把当下成功投向过去，想象创始人已看见所有后续用途。更有力的理解是，他们识别了广泛的计算问题，从足以支撑业务的市场进入。
广泛论点与首个产品的区别很重要。实现 [Implementation] 失败，论点仍可能有用。公司可相信专门计算 [Specialised Computation] 重要，同时在首次尝试的架构 [Architecture]、客户或时机上出错。生存取决于改变尝试，而不放弃底层洞见中所有有用部分。
共同创始人为何重要
以首席执行官为中心的传记，可能无意抹去周围的公司。Malachowsky和Priem是共同创始人，不是完成的愿景上的附件。工程师、投资者与早期客户也帮助把想法变成组织。保留他们的贡献，才能更准确评价Huang的领导。
Malachowsky带来Hewlett-Packard与Sun Microsystems的工程和技术领导经验。他的图形系统 [Graphics Systems] 背景构成技术基础之一，并继续以创始人及院士 [Fellow] 身份关联NVIDIA。这不是非技术创业者雇工程师执行现成计划的案例。[32]
Priem也在Sun工作，设计GX图形 [Graphics] 产品。Rensselaer Polytechnic Institute记录，他于1993至2003年任NVIDIA首席技术官 [Chief Technical Officer]，早年还参与IBM Professional Graphics Adapter。这些经历使创始人处于早于NVIDIA的图形工程传承中，也说明不能把最初GPU营销误当整个领域的起源。[33]
Huang的贡献与这些专长并列。他在AMD和LSI Logic横跨半导体设计 [Semiconductor Design] 与商业管理，组合使创始团队既理解图形实现 [Graphics Implementation]，也理解建设半导体业务。这不能防止犯错，却提供识别与回应错误的资源。
首席执行官的独特任务是整合决策。技术可能性须成为产品计划，计划需要资金，资金需要信誉，信誉还要承受挫折。没有一人能完成所有工程与商业任务。领导意味着在其间维持一致方向。
早期公司也在无法控制的生态系统 [Ecosystem] 内运作。操作系统 [Operating Systems]、图形标准 [Graphics Standards]、软件开发者 [Software Developers]、制造伙伴都能改变设计价值。依赖并非NVIDIA独有的弱点，而是为更大计算系统 [Computing System] 制造新部件的条件。
因此创业教训比勇敢开始更难：选择值得解决的问题，汇集互补专长，建成一个能在资金耗尽前学习的业务。勇气重要，却不能替代这些安排。
7 公司濒临失败之时
NV1与Sega的问题
NVIDIA的早期产品没有带来平坦的成功之路。1995年推出的NV1商业表现不佳。随后与Sega合作时暴露更深的问题：技术方向逐渐偏离整个图形 [Graphics] 市场围绕形成的标准。[7, 9]
架构 [Architecture] 问题很具体。NV1使用二次曲面纹理映射 [Quadratic Texture Mapping]，而新兴Direct3D生态 [Ecosystem] 以三角形为核心。支持不同路线给游戏开发者增加工作，限制硬件优势。RIVA 128转向更兼容的方向。部分教训关乎标准：优雅的实现 [Implementation]，若周边软件行业无法方便使用，也可能失败。[34]
这不只是争论哪种形状在数学上更好。图形架构 [Graphics Architecture] 必须适配创作工具 [Authoring Tools]、编程接口 [Programming Interfaces] 和开发者已懂的技术。要求客户采用不同方式的供应商，必须提供足够大的收益来补偿额外工作。NVIDIA的生存依赖于接受生态方向，而非期待生态围绕首个设计重组。
在后来对危机的回顾中，Huang描述自己如何意识到：继续合同，可能让NVIDIA留下无法支持其未来的产品；放弃合同，又可能让公司失去生存所需资金。他找到Sega领导层，请求帮助。由此获得的支持，让NVIDIA得以改变方向。[9]
付款和投资机制的说法各异。稳妥结论是，Sega提供了通常报道约为500万美元的重要资金支持，Shoichiro Irimajiri起了重要作用。不应简化成无关的Nintendo高管拯救公司，或必然是无条件的私人赠款。[8, 10]
其道德意义很具体：Huang必须向重要伙伴承认重大错误。这不同于把自己描绘成始终正确的先知。可信的救援需要坦诚、信任，以及伙伴愿意接受异常结果的某种结合。
RIVA 128与商业希望的回归
1997年的RIVA 128成为决定性的转型产品。NVIDIA公司年表记载，四个月销售100万件。该数字说明，一旦更符合市场需求，产品能多快改变年轻公司的处境。[7]
Sega支持与RIVA 128成功属于相连的生存故事。把每个环节说成一次独立破产，会夸大记录。前者提供行动空间，后者把新方向转成收入。两者均依赖更广团队的工程工作与商业执行。
紧迫的期限能够集中组织注意力，却也制造风险。在严重时间与现金限制下开发的芯片 [Chip] 必须接受格外仔细的测试，因为可能几乎没有第二次尝试的余力。教训不是创始人的信念够坚定就能跳过测试，而是受限组织需要能在纠错成本变得致命之前揭示错误的方法。
Huang是否多次让NVIDIA免于破产
多次濒临失败有可信证据，尤其在1990年代中期。长期董事Mark Stevens形容，该时期几次距离失败约30天。这支持“几次逃离崩溃”的说法，却不证明NVIDIA反复进入正式破产程序。[8]
后来的战略失败也应准确分类。CUDA是一项昂贵承诺，收益需要时间显现。手机业务涉及从艰难市场撤退。股价下跌、昂贵项目和立即无法支付账单，是不同状态。把它们都叫破产，故事更戏剧化，实用价值却更低。
最有根据的说法是，Huang帮助公司度过多个危险时期，最明确的现金耗尽紧急事件集中在早年。他的决定至关重要，Sega支持、同事工作、投资者耐心和重新设计产品的商业成功同样如此。
8 从图形 [Graphics] 产品到计算平台 [Computing Platform]
上市与定义类别
1999年首次公开募股 [Initial Public Offering] 标志新阶段。同年推出GeForce 256，营销称其为首款图形处理器 [Graphics Processing Unit]。历史限定很重要：此前已有图形加速器 [Graphics Accelerators]。公司主张针对特定的集成GPU概念，而非发明所有计算机图形硬件。[7]
公众身份仍紧连游戏。这不是更体面业务的微小前奏。游戏创造严苛客户、快速产品周期，以及足以支持大量工程投资的市场，也把强大的并行处理器 [Parallel Processors] 交给可实验的研究者。
当别人能在产品之上长期构建工作，平台 [Platform] 便形成。快显卡 [Graphics Card] 赢得一次购买；稳定编程环境 [Programming Environment]、有用库 [Libraries]、累积开发知识影响以后多次购买。这是不同的商业关系，因为换供应商可能要改软件、重新培训人员。
平台化 [Platform] 也改变质量的含义。硬件速度仍重要，文档、向后兼容 [Backward Compatibility]、调试 [Debugging]、部署 [Deployment] 与支持亦然。用户若不能在自身应用稳定实现，基准测试 [Benchmark] 优势就可能消失。
竞争并未消失
图形 [Graphics] 行业继续因竞争与整合变化。NVIDIA于2000年12月同意购买3dfx部分图形资产，2001年4月完成。选购资产不等于收购竞争者的全部业务，法律与历史上都须区分。[35]
深度学习 [Deep Learning] 兴起后，游戏图形仍进步。2018年8月，NVIDIA推出基于Turing架构 [Architecture] 的GeForce RTX，把传统着色 [Shading]、专用光线追踪 [Ray Tracing] 与AI能力结合。这进一步尝试让过去昂贵的视觉技术在交互产品中实用化。[36]
光线追踪 [Ray Tracing] 模拟光路，生成反射、阴影等效果。实时 [Real-time] 应用时间严限：渲染 [Rendering] 几分钟的画面可用于离线 [Offline] 制作，却无法直接支持灵敏游戏。因此挑战不仅是算出可信画面，还须在可用性能预算内完成。
这些发展使“抛弃游戏转为AI公司”的看法过于简单。图形 [Graphics] 仍是活跃技术领域，与模拟 [Simulation]、AI的关系继续带来机会。与其看作身份完全替换，不如理解为能力扩张。
GPU与CPU有何不同
中央处理器 [Central Processing Unit] 为多样任务设计，包括复杂控制流 [Control Flow] 和须顺序执行的操作。图形处理器 [Graphics Processing Unit] 则大量投入于并行 [Parallel] 执行许多相关操作。并非一个聪明、一个简单，也非GPU总更快，优势取决于工作负载 [Workload]。
想象给数百万像素 [Pixels] 应用同一变换。大部分可拆成相似操作，由并行硬件 [Parallel Hardware] 同时处理许多。相反，若每步决策依赖前一步结果，GPU收益可能较小。处理器 [Processors] 间搬数据也耗时耗能。
现代AI高度依赖可组织为并行工作的数值操作 [Numerical Operations]，包括大规模矩阵乘法 [Matrix Multiplications]。这让GPU有用，却不让所有AI任务相同，或每次GPU部署都经济。内存容量 [Memory Capacity]、通信 [Communication]、数值精度 [Numerical Precision]、软件实现 [Software Implementation] 都影响结果。
Huang的战略机会，是把这些能力与绘图之外的问题相连。仅说图形芯片强大不够，还得让工作与游戏渲染 [Rendering] 几乎无关的人也能使用。
9 CUDA与耐心构建生态系统 [Ecosystem]
让并行计算 [Parallel Computing] 可用
CUDA是NVIDIA的并行计算平台 [Parallel-computing Platform] 与编程模型 [Programming Model]，让程序员用受支持的NVIDIA GPU进行通用数值工作，不必把所有问题写成图形接口 [Graphics Interface] 的形式。2006年推出架构 [Architecture]，2007年公开软件工具包 [Software Toolkit]。[7, 11]
架构 [Architecture] 与工具包 [Toolkit] 的区别，说明历史上为何有两个年份。单一日期可能隐藏硬件能力、编程工具、开发者采用先后可用的过程。商业重要性来自组合。
科学家无需成为图形专家，也能受益于并行硬件 [Parallel Hardware]。库 [Libraries] 可提供熟悉的数学操作，编译器 [Compiler] 与运行时 [Runtime] 帮助把代码 [Code] 转为GPU可执行的工作。之后高层框架 [Higher-level Frameworks] 可依赖这些库，在研究者与处理器 [Processor] 之间加入抽象 [Abstraction] 层。
这种分层解释为何不能只数芯片规格来理解NVIDIA。开发者形成习惯，组织积累已测试代码 [Code]，研究社群分享案例。这些投入创造有用的连续性，也会造成转换成本 [Switching Costs]。同一生态 [Ecosystem]，一人体验为便利，另一人体验为依赖。
回报明显之前的投资
Huang将CUDA描述为最初遭怀疑的昂贵长期承诺。后来的AI市场使回报明显之前，已先付成本。他自己的回顾把投资与金融市场信心薄弱时期相连。[9]
不能因为CUDA最终成功，就推论任何昂贵项目都值得无限期资助。合理的长期投资需要证据，显示技术基础正在改善，用户能用它完成有价值的事情。不伴随学习的耐心，既能保留突破，也同样容易保留失败。
战略挑战是在不要求立即出现巨大市场的情况下，支持一种可能。研究者用GPU从事意外用途，提供了信息。他们的工作表明，硬件能解决最初为其付费的客户群之外的问题。NVIDIA能够在继续向现有市场销售时，从这些用途学习。
生态 [Ecosystem] 优势的局限
强大软件生态 [Software Ecosystem] 不消除竞争。替代加速器 [Accelerators]、编译器 [Compiler] 项目、可移植框架 [Portable Frameworks] 可减轻特定厂商依赖。大客户规模可能足以支撑专用硬件 [Specialised Hardware]；一些任务适合更简单便宜的系统，而非最灵活的GPU平台。
持久检验是完整NVIDIA系统能否继续以可接受成本提供有用性能。熟悉软件可延缓转换，却不能永保忠诚。因此生态 [Ecosystem] 须继续创造价值，而不只靠离开的麻烦。
CUDA给创业者的教训很苛刻：最重要的产品，有时是让客户发现供应商未预先指定用途的工具。建造它需要持续支持，也要接受价值可能先见于小实验，而非庞大、可预测的订单簿。
10 深度学习 [Deep Learning] 的转折点
AlexNet与研究的新信号
2012年Alex Krizhevsky、Ilya Sutskever、Geoffrey Hinton发表通常称为AlexNet的研究。他们的卷积神经网络 [Convolutional Neural Network] 在ImageNet竞赛取得重大成果，以GPU计算 [GPU Computation] 令大规模训练 [Large-scale Training] 可行。论文重要，因为记录的是研究成果，而非后来的公司解读。[12]
NVIDIA没有发明这个神经网络 [Neural Network]、ImageNet数据集 [Dataset] 或整个机器学习 [Machine Learning] 领域。其硬件与编程生态 [Programming Ecosystem] 是促成基础设施的一部分。平衡历史会同时关注研究者、数据创建者与计算供应商。
意义不是一个基准测试 [Benchmark] 证明所有未来AI用途，而是数据、模型设计 [Model Design] 与现有算力结合，可在重要任务上大幅改善。这鼓励进一步投资与实验。结果是有后果的信号，不是完整预测。
对Huang而言，战略问题在于回应信号。企业可能注意到有望研究，却未组织起来服务新领域。支持深度学习 [Deep Learning] 需要硬件选择、软件库 [Software Libraries]、系统与研究者关系，须把这类工作负载 [Workload] 当作公司建设方向。
训练 [Training] 与推理 [Inference]
训练 [Training] 用数据和优化过程 [Optimisation Process] 调整模型参数 [Parameters]；推理 [Inference] 用训练完的模型产生输出。两者可能都需大量计算，运营要求却不同。训练可长时间运行大型作业；推理或须控制成本与延迟 [Latency]，快速回应大量用户。
这解释AI基础设施 [AI Infrastructure] 不是一片无差别市场。训练大模型的研究所、运行小型影像模型的医院、生成文本的手机应用，需要不同配置。最优取决于规模、隐私、可靠性、响应时间和工作量。
模型扩大，处理器 [Processors] 通信益发重要。快芯片集合不自动等于快计算机。数据须经内存 [Memory] 与网络 [Networks]，故障须被发现管理。瓶颈 [Bottleneck] 可能在最受宣传的运算单元 [Arithmetic Units] 之外。
NVIDIA向系统与网络 [Networking] 扩展，可据此理解。竞争单元从单张显卡 [Graphics Card] 转向更大计算设施的性能。Huang日益成为系统建造者、生态 [Ecosystem] 组织者，而不只是芯片供应商领袖。
把研究需求变成产品
2016年NVIDIA推出集成深度学习系统 [Deep-learning System] DGX-1，提供配置好的GPU与软件组合，免去每家实验室从散件组装。商业思路是缩短取得硬件与开展有用研究的距离。“首台深度学习超级计算机 [Deep-learning Supercomputer]”是营销主张，并非以前没有计算机训练过神经网络 [Neural Network]。[28]
次年Volta架构 [Architecture] 引入Tensor Cores，即处理深度学习 [Deep Learning] 重要操作的专用单元，进一步从复用图形能力走向围绕AI计算设计硬件。它也展示内部大变时平台 [Platform] 如何维持连续性：开发者通过更新库 [Libraries] 利用新硬件，无需重写应用每层。[29]
2022年Hopper包含旨在加速Transformer模型 [Transformer Models] 任务的Transformer Engine。2024年3月Blackwell扩展面向生成式AI [Generative AI] 的系统级方法。这些发布标志产品方向与能力变化；大标题的性能倍数依赖负载 [Workload]、精度 [Precision] 和比较系统，不是普遍结果。[30, 31]
过程比型号清单重要。公司反复随客户工作变化调整软硬件，在保留足够兼容性 [Compatibility] 以保护既有投资时，引入提高未来性能的新功能。这是平台 [Platform] 领导的核心张力：变化过度使生态 [Ecosystem] 破裂，变化不足令其过时。
11 生存之后的挫折
产品质量与2008年低迷
度过初创期并不意味着免于错误。2008年8月，NVIDIA报告1.96亿美元费用 [Charge]，涉及部分笔记本产品因不良材料组合而预计发生的保修、维修、退货、更换成本。同次公告报告季度亏损，也承认竞争定价错误。[13]
这是不同于早期现金短缺的危机，涉及产品质量、客户成本和执行信誉。只关注精彩战略的传记，会漏掉领导力这一部分。客户依赖产品在交付后继续工作，成功的高管仍须为可能离主题演讲舞台很远的缺陷负责。
2009财年年度申报记录，年末现金、现金等价物 [Cash Equivalents] 与有价证券 [Marketable Securities] 约12.6亿美元。这不支持随口断言2008年每项困难都是又一次即时破产。亏损、费用和衰退本已严重，无需此标签。[14]
移动业务撤退
公司也追逐手机业务，后来退出。Huang本人称撤退释放注意力，可投向机器人 [Robotics]、自动驾驶汽车 [Autonomous Vehicles] 等机会。这证明其如何解释经历，不证明替代机会必成功。[9]
因为计划困难而改变，与因为底层经济性失去吸引力而改变，并不相同。领导者需要足够信念渡过正常阻力，也需要足够灵活，认识到坚持已变成浪费。没有任何口号能事先可靠地区分两种情形。
有用的纪律是明确假设：服务哪种客户需求？哪种技术优势仍可捍卫？还需多少追加投资？什么证据会促使公司停止？这些问题使撤退成为有理由的资源配置，而不是事后编出的、让每个决定都显得聪明的故事。
未能实现的收购
2022年2月，NVIDIA与SoftBank以重大监管挑战为由终止Arm收购计划。公告称SoftBank保留预付的12.5亿美元，NVIDIA保留20年Arm许可 [Licence]。虽非芯片工程失败，仍是重大战略挫折。[15]
这件事体现创始人权力的边界。一项交易可以在推动者看来合理，同时引起监管者、客户或竞争者忧虑。技术抱负在法律和政治制度之内运作，首席执行官不能把这些制度当成仅靠决心便能排除的工程约束。
适当的回应不是把失败收购重写成毫无保留的胜利，而是承认成本、理解交易为何失败，并按其自身价值评价公司之后的选项。如果能描述不成功的决定，而不强加凯旋结尾，领导力叙述会更可信。
12 建设AI基础设施 [AI Infrastructure] 企业
超越单个芯片 [Chip]
AI负载 [Workloads] 扩大，产品日益成为大系统的组成。GPU需要高带宽内存 [High-bandwidth Memory]、快速连接、网络 [Networking]、服务器 [Servers]、管理软件与支持。2020年完成Mellanox收购，是增强网络侧的重要一步。[16]
大型训练作业 [Training Job] 可说明问题。处理器 [Processor] 等另一颗的数据，会令昂贵硬件闲置；网络不可靠，长作业可能失去成果；冷却不足，系统无法持续实现部件承诺的性能。客户结果取决于整套设施协同。
这有助于解释集成系统 [Integrated Systems] 的吸引力。它们减轻客户独立组装、验证每个部件的负担，也可能增加对供应商的依赖。客户获得更完整的方案，同时可能接受对该方案未来发展更窄的选择范围。
Huang的加速计算 [Accelerated Computing] 叙事与此契合。关键是在一定时间、能源、钱下系统完成多少有用工作。便宜芯片若需更多机器或延后宝贵成果，实际更贵；简单系统足够时，高级系统又是不必要开支。
AI热潮证明了什么，又未证明什么
生成式AI [Generative AI] 快速采用，增加计算基础设施 [Computing Infrastructure] 需求。公司早已多年开发相关软硬件，因而受益。时机在商业上强大，却不等于独自创造热潮。
现代AI也依赖大学研究、公开数据集 [Public Datasets]、开源软件 [Open-source Software]、云基础设施 [Cloud Infrastructure]、半导体制造 [Semiconductor Manufacturing] 和竞争实验室。模型开发者决定架构与训练，硬件商供工具，用户与投资者塑造需求。贡献很大，却在网络之内而非独立其外。
财务成果惊人。2026年8月26日发布称，截至2026年7月26日的2027财年第二季收入962亿美元，含Data Center的890亿美元。这是公布的季度数字，不是自然年合计或预测。[17]
同次发布称Vera Rubin正进入全面生产。须按日期语境阅读：证明公司宣布了什么，但个别设施的性能、部署 [Deployment]、经济回报各需证据。产品路线图 [Product Roadmap] 与客户实际利益相连却不同。
非凡增长中的风险
快增长可掩盖脆弱假设。客户可能提前购买未来需求，设施接电可能延迟，新模型可能需不同硬件或更高效。高利用率 [High Utilisation] 下诱人的投资，在机器闲置时可能昂贵。
因此，研究收入增长时，也应同时考察客户集中、承诺、供应能力，以及客户自身业务的经济性。供应商可以在繁荣期销售成功，同时周边行业的部分企业却难以赚取足够回报。这种可能不证明存在泡沫，而是检验经济链条、而非只赞叹其中增长最快者的理由。
13 领导体系
直接信息与严苛标准
Huang公开讨论管理时，强调信息获取、共享背景以及参与艰难的技术问题。在2024年Stripe Sessions的一次对谈中，他描述了NVIDIA组织的一些特点，以及自己如何使用直接反馈 [Direct Feedback]。这些话是了解其公开主张的管理哲学的有用证据，但仍是公司领导者本人的叙述。[18]
更扁平的组织可以缩短问题出现到有能力解决的人获知之间的延迟，也可能给首席执行官带来巨大的信息负担。这种结构的有效性，取决于人员素质、决策权是否明确，以及解决优先事项冲突的能力。
因此，建议每家公司都照搬大量直属下属的安排，过于简单。组织图只是实际工作系统的可见轮廓。两家公司可以有相似组织图，却有很不一样的文化。重要的是，关键信息是否流通、决策是否被理解，以及人们是否能不必无谓地等待最高层就采取行动。
高标准也是Huang相关叙述中反复出现的特点。然而，要求高绩效并不自动等于良好管理。要问的是：标准如何传达，期望是否可实现，提出异议是否安全，错误是否带来学习。领导者可以严格，却不必把羞辱当成改进机制。
在未来变得熟悉前解释它
技术型创始人必须说服需求不同的受众。工程师想知道架构 [Architecture] 是否可行，客户想知道它是否解决问题，投资者问企业能否获得回报。政府可能关心安全、国内能力和技术获取。
Huang的公开演讲常将某项技术进展与更大的产业变化联系起来。这种能力有战略价值，因为客户无法围绕自己不理解的未来购买或建设。好的解释能让多个组织的投资方向协调起来。
同样的能力也带来责任。说服力强的叙事可能超前于证据。演示 [Demonstration] 可能只在精心选定的条件下有效；性能比较可能依赖特定工作负载 [Workload] 或软件版本；对未来能力的承诺可能被误认为是目前可用的产品。越擅长讲故事，就越需要区分这些类别。
判断的集中
创始人长期在任能够保持技术连续性，并保护那些在短期管理视野下无法存续的投资，也可能把判断集中到一个人身上。同事可能逐渐擅长预判创始人想要什么，而不是检验其想法是否正确。
有韧性的企业既需要强大的中心，也需要可以纠正这个中心的机制。董事会、技术审查 [Technical Reviews]、客户反馈 [Customer Feedback] 和独立鉴证 [Independent Assurance] 都有贡献。当它们能质疑成功的领导者，而不被视为愿景的障碍时，价值最大。
对Huang领导力的最终评价，不仅要看他亲自指挥时NVIDIA的业绩，还要看组织在他之后能否保持有用的判断、问责和发明能力。这比个人魅力是更难的考验，而随着公司的经济地位上升，也更为重要。
14 动力、抱负与失败的意义
公开言论能确立什么
Huang反复谈到不确定性、努力工作和从错误中学习。2023年在National Taiwan University的毕业演说中，他用失败与战略撤退的例子解释公司发展。这些发言支持一种领导者形象：他公开把挫折看作创新的一部分。但这并不让人无限了解他的私人动机。[9]
传记常给一个人指定单一的情感发动机，例如害怕贫困、需要认可，或希望证明批评者错误。这类解释有吸引力，因为让复杂人生容易记住。但没有强有力的证据，就只是推测。
更严谨的叙述可以考察能观察到的选择。Huang几十年留在同一家公司。NVIDIA在后来的市场尚不明朗时，持续投资编程生态系统 [Programming Ecosystem]。公司放弃一些项目，同时深化另一些。这些决定已经显示优先事项，无须编造他每天早晨的感受。
有益焦虑及其限度
公司始终濒临失败这一熟悉观念，能够促使人保持警惕，提醒大家客户有其他选择、技术优势会衰减。但永久的紧急状态也会耗竭组织，或使经过思考的异议难以表达。
区别在于警告产生了什么。它带来更好的测试、更快识别客户问题、更诚实的计划吗？还是鼓励仓促决策、隐瞒坏消息？传记可以指出这种张力，而不声称每位员工都以同样方式体验文化。
同样，只有组织学到了可以付诸行动的东西，失败才有用。不改变假设而反复进行不成功的实验，并不是韧性。设计良好的实验，即使商业结果令人失望，也会提供信息。设计不佳的实验可能消耗资金，却仍未回答核心问题。
改变主意的纪律
早年的Sega事件尤其有启发，因为它要求Huang把身份认同与技术选择分开。创始人可能已在设计中投入声誉、资金和多年工作。承认设计错误，可能像是在承认公司本身错误。然而，生存可能恰恰取决于做出这种区分。
更广泛的教训，是保持对问题的投入，同时允许提出的解法改变。NVIDIA历史中有几种这样的模式：图形架构 [Graphics Architectures] 演变，软件成为中心，AI变得重要，一些市场被放弃。应把它当作连续决策研究，而不是提升为未来每次转向 [Pivot] 都成功的保证。
15 Lori、Spencer与Madison
公开故事中的家庭
Jensen与Lori Huang在Oregon State就读工程时相识，1985年结婚，有两名成年子女Spencer和Madison。共同的教育慈善有充分记录。在这些公开记录之外，传记应尊重家庭公共活动与私人生活的差别。[1, 4]
承认数十年建设公司会影响家庭，是合理的。但编造未曾公开讲述的家人对话、妥协或情感体验，并不合理。称配偶是每次商业成功背后的秘密，听来像赞美，却可能抹去她自己的主体性。
对Lori目前正式头衔、基金会资产或准确职业日期的说法，也须同样谨慎。这些细节需要有日期的记录，不能从家庭财富规模推断，也不能复制无来源的摘要。
Madison Huang
NVIDIA目前公开简历称Madison Huang为物理AI平台 [Physical AI Platforms] 产品与技术营销高级总监，描述她在Omniverse、Cosmos和Isaac的职责，并记录她此前在Louis Vuitton Moët Hennessy group的营销工作，以及London Business School营销与战略MBA学位。[19]
这些职业细节有意义，显示她经营销与商业教育进入技术，而非简单复制父亲的芯片设计 [Chip Design] 生涯。说明现职，无须断言准确年龄或完整的烹饪培训年表。
营销技术平台 [Technical Platform] 不仅是制造宣传，还涉及向开发者与客户解释能力、理解采用障碍、将工程工作与市场连接起来。应依据成果评价工作质量，而不是从家庭关系预设结论。
Spencer Huang
NVIDIA技术简历称Spencer Huang为机器人 [Robotics] 产品总监，描述他在模拟 [Simulation]、机器人学习 [Robot Learning]、合成数据 [Synthetic Data]，以及训练、部署自主机器 [Autonomous Machines] 的基础设施方面的工作；还记载其New York University以人工智能 [Artificial Intelligence] 为重点的技术MBA。[20]
公开记述的职业道路不同于父亲早年。这点重要，因为家人可以同在一家公司，却不必拥有相同培训或责任。仅凭头衔不能确定个人技术贡献的深度，但父母身份也不是否定贡献的理由。
家族雇佣与治理 [Governance]
创始人的亲属在上市公司工作，就会出现常规治理 [Governance] 问题：角色与薪酬是否经过适当审查？汇报关系是否明确？其他员工能否公平竞争？关联交易 [Related-party Transactions] 是否正确披露？
这些问题并不确立不当行为，而是企业成长后愈发重要的制度纪律。同样，父母声誉不能代替对子女工作的独立评价。
雇佣也不是继任公告。Spencer和Madison在NVIDIA任职，并不证明任何一人已被选为首席执行官。有关科技王朝的猜测或会引人关注，但严肃传记应区分当前职位与尚未公开确认的未来任命。
16 通过教育回馈社会
仍然重要的机构
Huang夫妇公开的慈善活动与教育关系密切。Oregon State在2022年宣布，他们为Jen-Hsun and Lori Huang Collaborative Innovation Complex捐赠5,000万美元。该项目连接工程、计算和跨学科研究。[21]
Stanford对Huang Engineering Center的记述记录了夫妇3,000万美元的承诺。Oneida记录了他们为2019年落成设施提供的200万美元配捐 [Matching Grant]。这些捐赠连接人生不同阶段：童年、本科教育和研究生学习。[22, 3]
金额应理解为各机构公告所描述的承诺。认捐、资产估值和已支付资金不能互换，家庭慈善也不应与NVIDIA企业基金会或公司的商业投资混为一谈。
教育慈善能达成什么
大学建筑本身不等于教育成果，价值取决于所支持的人、设备和项目。设计良好的设施可以促成从前困难的合作，让学生获得先进工具，并吸引研究重要问题的人。
科技捐赠者与大学的关系也值得认真考察。捐款可能在扩大机会的同时影响优先事项。机构需要学术独立、透明治理，以及明确了解赠款伴随哪些义务。
因此，有说服力的慈善叙述避开两个极端：不把捐出财富视为道德卓越的自动证明，也不假定所有捐赠只是自我宣传。它考察已记录的承诺、受赠者目的，以及在证据出现时考察成果。
对本书而言，反复出现的教育联系很重要。Huang自己的事业依赖技术训练，以及给予成长空间的机构。支持这些机构，使私人成功与他人机会产生可见联系。最终实现多少，仍需随时间积累的证据回答。
17 将Huang与Steve Jobs比较的理由
有用比较始于定义
称Huang为“在世的Steve Jobs”，可以有几种不同含义：有魅力的科技领袖，公司重塑产业的创始人，或能让复杂产品令人兴奋的公众人物。这些比较可以检验，却不能字面理解为两人性格、事业或历史角色相同。
最强的理由始于把技术与更大可能联系起来的能力。Jobs帮助人们把个人计算 [Personal Computing] 和移动设备理解为自己可能想要的体验。Huang帮助人们把加速计算 [Accelerated Computing] 理解为一种基础设施，让研究者与企业完成过去不切实际的工作。
比较也基于整合。Apple的2007年iPhone公告呈现一款通过严密控制的接口 [Interface] 结合通信、媒体和互联网功能的设备。NVIDIA的战略则把处理器 [Processors]、网络 [Networking] 和软件连接成开发者与组织的平台 [Platforms]。两种情况下，客户收益都取决于各部分如何协作。[23]
共识之前的信念
两人的生涯都包含受赞誉前看似不确定的决定。Jobs的Stanford演讲描述，原先未构成明确职业计划的经历，后来如何体现价值；他重返Apple之前曾有离开公司的时期。Huang对CUDA的持续投资，早于深度学习 [Deep Learning] 广泛的商业显著地位。[24, 9]
相似之处并非两人都能完美看见未来，而是愿意围绕技术如何更有用的看法，组织大量努力。愿景只有改变产品决策、投资和他人工作时，才取得实践意义。
作为运营资产的公开叙事
Jobs的产品演示成为Apple商业身份的一部分，Huang的演讲也让他成为NVIDIA战略的公众解释者。两人的服饰令人难忘，却是薄弱的比较基础。更强的相似，是把技术选择转化为连贯故事的角色。
这能帮助组织围绕方向协调。员工理解产品要完成什么，客户看见与自身计划如何契合，伙伴获得投资互补工作的理由。所以叙事可以促进执行，而不仅是装饰。
但说服力也带来风险。听众可能开始把领导者的自信当作证据。讲得精彩的公告可能遮住尚未解决的工程或商业问题。欣赏应让读者更注意这些问题，而不是更少。
可辩护的解释
“AI时代的Steve Jobs”可以辩护为一种编辑比喻，指结合战略信念、整合与公共沟通能力的影响力创始人。明确指出这些维度时，这种说法最有力。
表达仍需界限。AI有许多建设者，没有单一所有者。Huang的重要性不使每个模型开发者、研究者或竞争硬件设计师都成为其故事的配角，也不证明其产品或决定会享有与Apple相同的长期文化地位。
正面理由因此实质但有限。可以把两人比作帮助他人认识、采用新技术方向的领袖。这不是人格等同的证书，也不是相同历史遗产的预测。
18 反对“在世的Steve Jobs”标签的理由
进入技术的不同路线
Jobs与Huang经过不同形式的准备成为领导者。Jobs离开Reed College，后来描述在常规学位道路外探索科目的影响。Huang积累半导体 [Semiconductor] 经验，同时完成电气工程 [Electrical Engineering] 本科及研究生学位。[24, 4]
不应把差异变成直觉与教育的比赛。Jobs与能力极强的工程师共事，理解实现 [Implementation] 的重要。Huang的成功同样需要不能简化为学历的判断、沟通与想象。要点是，科技领导力没有单一教育模板。
不同客户与不同可见性
Apple最知名产品把公司的决定直接放到消费者手中，设备使用体验是价值主张 [Value Proposition] 的中心。NVIDIA大量AI业务向其他组织供应基础设施 [Infrastructure]，那些组织的产品可能使用完全不同的品牌。
差异影响销售流程、工程优先事项及成功的含义。消费者可在几分钟内判断接口 [Interface] 是否感觉更好。企业可能要数月评估吞吐量 [Throughput]、软件兼容性 [Software Compatibility]、部署风险 [Deployment Risk] 与总成本。Huang须说服技术评估者，也须说服机构决策者。
区别不是绝对的。NVIDIA有庞大的消费游戏历史，Apple也依赖开发者和基础设施。不过，主导重心差异已大到让“另一个Jobs”的简单称呼可能掩盖多于解释。
控制的不同形式
Apple的集成产品常严密控制最终用户体验 [End-user Experience]。NVIDIA的平台 [Platform] 还须容纳广泛的开发者、设备厂商、云供应商 [Cloud Providers] 和研究社群。其成功依赖他人建造许多NVIDIA并不亲自设计的东西。
把它简化为封闭对开放是不准确的。NVIDIA有专有软件 [Proprietary Software] 和硬件接口 [Hardware Interfaces]，也有开放项目。Apple在保留重要控制点时允许广泛的第三方开发。更有用的比较，是各自在哪里、为何划定业务边界。
与创办公司的不同关系
Jobs于1985年离开Apple，在1990年代Apple收购NeXT后返回。其生涯包含Apple以外的重要工作，包括Pixar。Huang自创立起持续领导NVIDIA。[24, 25]
连续性可以保存组织记忆和长期承诺，离开后回归可以带来更根本的重新评估。任何路径都不会自动产生更好领导，而是创造不同条件，让创始人学习、取得权力、改变战略。
不能从舞台表现推测人格
人们容易形容Jobs严厉、Huang友善，或Jobs艺术、Huang分析。这种整齐对立不可靠。公开访谈、员工叙述和传记提供局部视角，受时间、语境及观察者与人物关系的影响。
负责任的方法是比较有记录的行为：决定怎么做出、产品如何改变、错误如何承认、信息如何在组织内流动。对内在品格的广泛断言，需要多于几段引言或一次成功主题演讲的证据。
把商业成功当作所有苛刻行为都合理的证明，也有道德陷阱。产品可能尽管人们受到恶劣对待仍成功，而非因为恶劣对待才成功。有志创业者不应模仿知名高管最戏剧化的逸事，就期待相同商业结果。
判断
将Huang放在Jobs旁边，最有启发的是揭示差别，而非把一人变成另一人。“在世的Steve Jobs”作为明确标示的比喻可以辩护，作为事实描述则薄弱。若暗示科技业需要Jobs的唯一继任者，就尤其误导。
更准确的结论是，Jensen Huang是独特的远见型领袖，其影响力引出与Steve Jobs的比较。Jobs帮助重塑人与个人科技的关系，Huang帮助建设许多组织用于发展AI的计算平台 [Computing Platform]。两者成就在领导方法上交叠，在产品、市场、机构历史上不同。
作为章节或文章标题，“一位在世的Steve Jobs”可以是问题。严肃传记的结论，则应以Huang自己的名字理解他。
19 权力、依赖与责任
核心供应商不是中央银行
由于获取其计算产品已变得具有战略重要性，NVIDIA有时被比喻为AI的中央银行。比喻捕捉依赖与影响，却不是对行业运作的字面解释。
中央银行有NVIDIA不具备的公共责任和货币权力。NVIDIA是在客户、竞争者、供应商和政府之间经营的商业公司，不发行AI货币，不保证行业流动性 [Liquidity]，也没有无限稳定行业的能力。
NVIDIA严重中断可能给客户和更广市场带来重大后果，却不意味着每家AI公司自动崩溃。现有设备会继续存在，替代供应商仍在，组织会以不同方式回应。伤害的规模和时间取决于中断性质。
这一区别很重要，因为戏剧性比喻可能变成错误的决策模型。规划基础设施的企业应评估集中风险 [Concentration Risk]、合同义务、软件可移植性 [Software Portability] 和应急选择 [Contingency Options]。比假定绝对安全或不可避免的系统崩溃更有用。
供应链 [Supply Chains] 与地缘政治
先进芯片 [Advanced Chips] 依赖专业化的国际供应链 [Supply Chain]。设计、制造 [Fabrication]、内存 [Memory]、封装 [Packaging]、设备与数据中心建设 [Data-centre Construction] 分布于不同组织和法域。成功并不消除依赖。年度申报描述供应、客户、监管和出口管制 [Export Controls] 风险。[6]
出口限制可改变市场允许销售的产品，制造或封装 [Packaging] 约束可限制交付，能源供应可在硬件就绪时仍延迟安装。这些不是外围问题，会同时塑造商业机会和战略选择。
对领导者的含义，是技术愿景必须与制度判断共存。建设更多算力的承诺，需要可信的供应商、电力、融资和合规 [Compliance] 计划，也需承认其他利益相关者可能从安全或环境角度，而非仅性能来判断项目。
2026年11月尚未解决的治理 [Governance] 考验
2026年11月8日，报道指Huang成为外国情报行动目标后，NVIDIA董事会宣布独立调查。董事会称当时没有理由相信国家安全或公司秘密受损，表示信任他及其领导团队，并说他支持、将配合审查。[26]
11月10日，独立董事宣布聘请前美国代理联邦检察官Joon H. Kim及Wachtell, Lipton, Rosen & Katz开展调查。本版截止时，声明确立调查及监督安排，不是已完成的不当行为认定或免责结论。[27]
公共利益问题是治理和保护一家重要公司。谨慎传记无须重复未经核实的私密指控来解释。应依据独立性、范围、证据、最终认定评价调查，而非推测结果必然如何。
事件也强调普遍原则：有远见的创始人仍需问责。技术成就、股东财富、社会欣赏不让领袖超越审视。同时，指控不是判决。公正要求同时保留两个命题。
20 下一章仍未写就
物理AI [Physical AI] 与现实的边界
NVIDIA公开平台 [Platforms] 日益面向机器人 [Robotics]、模拟 [Simulation] 和物理AI [Physical AI]。Omniverse支持模拟相关工作流 [Workflows]，Isaac关乎机器人；相关模型和数据工具旨在帮助开发者训练、评估与物理世界互动的系统。当前产品简历及公告反映此方向。[19, 20]
从生成答案转向控制机器，会改变错误后果。错误段落可误导，错误机器人动作可损坏设备或伤人。模拟 [Simulation] 有价值，却不能独自证明每个真实环境中的安全行为。
因此，商业机会伴随测试、监控 [Monitoring]、安全和明确责任的要求。能力最强的模型不自动是最安全的运营系统。传感器 [Sensors]、执行器 [Actuators]、人类程序及后备机制 [Fallback Mechanisms] 都影响结果。
Huang长期强调平台 [Platforms] 建设，在此或有意义。若开发者需可靠的模拟 [Simulation]、训练 [Training]、部署 [Deployment] 工具，连接这些层次的供应商会有价值。应用能否兑现承诺收益仍是证据问题，不是平台雄心的自然结果。
创业者可取的教训
第一课是先建立专长，再考虑把自信作为替代。Huang的事业依靠教育和多年行业工作，大胆重要，但有技术知识与专业关系支持。
第二是区分问题和特定方案。早期架构 [Architecture] 可以错误，加速计算 [Accelerated Computing] 仍是重要机会。不能区分的创始人，可能在客户与标准已转移后还捍卫旧设计。
第三是让别人更容易创造价值。CUDA的重要性部分来自自家产品以外所促成的工作。平台 [Platforms] 减少实验困难，让成功工作可复用时，便能成长。
第四是保留学习所需的财务空间。没有现金，有希望的想法无法无限生存。Sega救援显示，一家重要公司可能在后来价值可见之前几乎消失，也显示他人帮助可能具有决定性。
第五是让领导可传承。依赖创始人判断的企业，需培养他人判断、保存知识、质疑决策的机制。长久存续的机构，比不可或缺的个人是更大的成就。
通过决策理解人生
Jensen Huang的故事吸引人，因为有真正的不确定。孩子跨越国家，学生成为工程师，工程师成为创始人。他带领公司经过错误假设、商业突破，以及对编程平台 [Programming Platform] 的长期投入，帮助NVIDIA走到AI中心。
可以欣赏而不视作必然，可以研究而不把每次挫折称破产，或把每次成功视作孤独天才的证据。最有用的教训来自判断、准备、同僚、机构和环境的互动。
Steve Jobs的比较照亮部分成就。两人给技术变化公共声音，围绕能够建造什么的雄心组织公司。但比较停在替换身份之前，Huang独特贡献更清晰。
重要不是世界又发现一个Steve Jobs，而是他帮助组织的工作，改变了许多人可以计算、研究、建造的事物。最终评价取决于尚在前方的发展：AI应用价值、公司韧性、领导行为，以及技术服务自身增长之外目的的能力。
大事年表
| 日期 | 里程碑 |
|---|---|
| 1963 | 2月17日出生于Taiwan。[1] |
| 童年 | 在Taiwan和Thailand生活，随后在父母团聚之前与哥哥赴United States。[2] |
| 美国早年 | 在Oneida Baptist Institute寄宿，同时就读公立Oneida Elementary School。[3] |
| Oregon时期 | 家庭定居Oregon，读高中并发展学业与运动兴趣。[4] |
| 1983至1985 | 按NVIDIA监管简历，在AMD工作。[6] |
| 1984 | 取得Oregon State University电气工程 [Electrical Engineering] 学士学位。[4] |
| 1985 | 与Lori Mills结婚，开始监管文件所记LSI Logic任职时期。[1, 6] |
| 1992 | 完成Stanford University电气工程 [Electrical Engineering] 硕士学位。[5] |
| 1993 | 与Chris Malachowsky、Curtis Priem共同创办NVIDIA。[7] |
| 1995至1997 | 早期产品失败、Sega危机引起转向；1997年RIVA 128成为商业突破。[7, 8, 9] |
| 1999 | 公司上市，推出营销称为首款GPU的GeForce 256。[7] |
| 2006至2007 | CUDA架构 [Architecture] 与公开工具包 [Toolkit] 建立更广GPU计算 [GPU Computing] 平台。[7, 11] |
| 2008 | 公司报告1.96亿美元产品质量费用 [Charge]。[13] |
| 2012 | AlexNet在ImageNet显示GPU支持的深度学习 [Deep Learning] 重要性。[12] |
| 2016 | 推出集成深度学习系统 [Deep-learning System] DGX-1。[28] |
| 2017 | Volta引入Tensor Cores。[29] |
| 2019 | Huang夫妇配捐 [Matching Grant] 后，Oneida的Huang Hall落成启用。[3] |
| 2020 | 完成Mellanox收购。[16] |
| 2022 | Arm收购计划终止；Hopper发布；Oregon State宣布夫妇5,000万美元捐赠。[15, 21, 30] |
| 2024 | NVIDIA发布Blackwell。[31] |
| 2026年8月26日 | 公司报告截至2026年7月26日的2027财年第二季收入962亿美元。[17] |
| 2026年11月8至10日 | 董事会宣布独立调查，继而聘外部律师；本版截止时调查结果仍未定。[26, 27] |
技术词汇表
加速计算 [Accelerated Computing]。在通用计算之外采用专门处理器 [Specialised Processors]，更高效完成适用的工作负载 [Workloads]。
AI模型 [AI Model]。利用参数 [Parameters] 和结构产生预测、分类或生成输出的计算系统。
ASIC [Application-specific Integrated Circuit]。为某类任务设计的专用集成电路。
CPU [Central Processing Unit]。中央处理器，适合广泛运算和控制任务的通用处理器 [General-purpose Processor]。
CUDA。NVIDIA在受支持的NVIDIA GPU上进行加速计算 [Accelerated Computing] 的平台 [Platform] 与编程模型 [Programming Model]。
数据中心 [Data Centre]。容纳计算、存储 [Storage]、网络 [Networking] 设备，以及所需电力、冷却、运行系统的设施。
深度学习 [Deep Learning]。使用多处理层神经网络 [Neural Networks] 的机器学习 [Machine Learning]。
数字孪生 [Digital Twin]。用于分析、监控或模拟 [Simulation] 的物理系统数字表示，有用性取决于多准确代表相关现实行为。
GPU [Graphics Processing Unit]。图形处理器，为高度并行工作设计，应用于图形及许多数值计算。
推理 [Inference]。运行训练完的模型，由新输入产生输出。
互连 [Interconnect]。组件或系统之间的通信链路，带宽 [Bandwidth] 与延迟 [Latency] 能显著影响并行计算 [Parallel Computing] 性能。
大语言模型 [Large Language Model]。在大量文本及相关数据上训练，用于处理或生成语言的模型。流畅不保证事实准确。
并行计算 [Parallel Computing]。将工作分为可同时执行的操作。
平台 [Platform]。供他人建设应用或服务的一组技术与接口 [Interfaces]。
Tensor Core。NVIDIA对专门硬件单元的命名，加速AI及其他数值负载 [Numerical Workloads] 所需的特定矩阵操作 [Matrix Operations]。
训练 [Training]。用数据与优化目标 [Optimisation Objective] 调整模型参数 [Parameters] 的过程。
Transformer。基于注意力机制 [Attention Mechanisms] 的神经网络架构 [Neural-network Architecture]，广用于语言及其他模型。
如何阅读证据
编号参考资料对应事实主张。周围关于领导、战略、比较的讨论是分析，不是人物引言。机构历史确立学位、赠款、正式角色，监管申报 [Regulatory Filings] 确立公司报告的披露，访谈保存回忆观点。产品发布确立公告，性能主张保留原条件。
濒临失败不同于正式破产，产品公告不同于客户部署完成，亲属就业不是继任任命，调查不是认定。理解人生需这些区别。
Wikipedia及提供的家庭职业笔记帮助识别研究话题。文献列明本书所用底层公开来源。本版日期是知识边界，不预测后来事件将确认结论。
Powered By K7
来源与延伸阅读
参考资料在文中编号。链接通向原出版者。下文未列发表日期者，均于2026年11月11日查阅。
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.