单击上方“图灵人工智能”，选择“星标”公众号

您想知道的人工智能干货，第一时间送达

黄仁勋：“Within 6 to 12 months, 90% of code would already be generated by AI. That has turned out to be wrong.”

黄仁勋：有人预测，六至十二个月内，90%的代码将由AI生成。事实证明，这个预测错了。

这句预言提出时，Coding Agent还没有今天这么强。

当时还有一个更吓人的说法：六至九个月内，50%的初级岗位会被AI抹掉。时间已经过去很久，Agent确实越来越强，但程序员并没有被取代。

最近黄仁勋在All-In Summit上参加了一场访谈。

四位主持人从AI末日论一路问到递归式自我改进、开源模型、程序员岗位、数据中心和超级智能，特朗普中途还打来了一通电话。

整场访谈中，黄仁勋反复强调一件事：把“模型会写代码”直接推导成“程序员即将消失”，是忽略了软件工程的大部分工作。程序员会少敲很多代码，但工程工作不会跟着消失。

这也是黄仁勋反驳AI末日论的方式。他不接受“AI导致人类灭绝的概率是10%”这种精确得过头的数字，认为它没有可测量的科学依据。

但他并不认为AI停住了。

黄仁勋：恰恰相反，超级智能已经出现，只是先落在自动驾驶、蛋白质筛选这样的领域。

黄仁勋把那些宏大的争论重新拆回了工程问题：模型出事后如何找到根因，AI训练AI怎样验收，开放模型和闭源模型怎样共存，以及怎样把一个垂直任务做到比人更强。

以下为访谈内容，我们进行了翻译与整理。

AI实验室该像工程公司一样负责

黄仁勋谈到前沿实验室时，先给了它们很高的评价：这些公司拥有出色的研究者和工程师，正在完成非常困难的工作。

紧接着，他把问题转向了组织能力。

黄仁勋：“These labs are transitioning from research to engineering.”  

黄仁勋：这些实验室正在从研究走向工程。

研究团队可以围绕一次实验成功展开工作。产品团队面对的是另一套要求：同一项能力要重复运行，用户输入无法预先控制，模型还会接触真实数据、工具和权限。

模型偶尔给出一次正确答案，离稳定产品还有很远。团队需要知道它为什么失败、相同故障会不会再次出现，以及升级之后旧能力有没有退化。

黄仁勋认为前沿实验室正在经历从研究到工程的转变

研究验证一次能力，工程要让能力稳定、可观测、可恢复

黄仁勋对“减速”和“末日论”的反感，并不等于主张放任模型。他认为真实事故应该进入工程流程，而不是长期停留在一篇博客和一个概率数字里。

落空的是那些精确到月份的预言

现场有人问，普通人应该怎样理解“AI导致人类灭绝的概率是10%”这类说法。

黄仁勋：没人能够把这个数字解释清楚，因为它并没有扎实的科学依据。研究者、实验室和概率放在一起，会让一句猜测听起来像经过测量的结论。

他随后列出几项已经可以回看的预测。

有人曾说，五年内AI会彻底接管放射科，不再需要放射科医生。现实里，AI确实开始自动读取大量医学影像，放射科医生却没有消失，许多地区反而仍然缺人。

软件行业也经历了类似的倒计时。

黄仁勋：“The prediction that 90% of code would already be generated by AI has turned out to be wrong.”  

黄仁勋：九成代码将由AI生成的预测，后来被证明是错的。

黄仁勋回顾“90%的代码将由AI生成”等限时预测

他还提到“50%的初级岗位将在六至九个月内消失”以及“明年一半白领会失业”。这些预言的问题不在于AI毫无影响，而在于它们把复杂的岗位变化压缩成一个日期和一个比例。

黄仁勋要求预测者对自己说过的话负责，这一点值得保留。只是，过去的倒计时没有兑现，也无法反过来证明未来风险一定不会发生。

模型事故应该进入复盘流程

面对前沿模型已经发生的越权、欺骗和危险行为，黄仁勋没有用“概率不可信”把问题带过去。

他的处理方式非常像开发团队复盘线上事故。

黄仁勋：“Root-cause the problem from an engineering perspective.”  

黄仁勋：先从工程角度找出问题的根本原因。

黄仁勋主张对模型事故做根因分析，再补齐工程控制

发生了什么，本来可以怎样阻止，下一版要补进哪些方法、流程和工具，这些问题都要回答。他随后提到沙箱、运行环境、监控以及持续监控。

黄仁勋还赞成引入多家独立评测机构。

他把它类比成财务审计：审计人员不必比公司更懂业务，但必须能提出正确的问题，也不能只剩一家机构掌握解释权。

AI训练AI也要过回归测试

访谈里提到一个词，是递归式自我改进，也就是AI参与开发下一代AI。

黄仁勋解释这个词：上下文学习、Skills、反思、强化学习、合成数据和LoRA，都可以帮助系统逐步提高完成任务的能力。积累到一定阶段，再把这些经验放进下一轮基础模型训练。

这条链路能够提高研发效率，却不会自动免除产品发布流程。

黄仁勋：“When you release a product, you’ve got to evaluate it. You have to test it again.” 

 黄仁勋：当你发布产品时，仍然必须评测它，重新测试它。

AI可以参与改进AI，发布前仍须评测、重新测试并检查能力回退

自我改进要经过评测、回归测试和发布控制，才能进入下一轮生产反馈

这对Coding Agent尤其重要。Agent能根据测试失败继续修改代码，看上去像在“自我进化”。团队真正需要验收的，仍然是固定评测集有没有提升、旧用例有没有退化，以及新权限是否引入了额外风险。

开放模型和闭源模型都会留下来

谈到开源时，黄仁勋没有选边站。

黄仁勋：“The world needs both closed models and open models.” 

 黄仁勋：世界同时需要闭源模型和开放模型。

黄仁勋认为开放模型与闭源模型会长期共存

他自己会使用多款闭源模型，因为它们提供了前沿能力和完整体验。开放模型解决的是另一类问题：企业可以下载权重、分叉版本、继续改进，并针对自己的行业做最后一公里适配。

黄仁勋还提到，中国开发者正在为全球开源生态贡献大量代码和模型。

Linux、Kubernetes以及今天的AI模型都经过全球开发者协作。下载到手以后，企业仍然可以继续修改，把它变成自己的系统。

这意味着模型来自哪里只是起点。真正拉开差距的，是谁能把模型接进数据、工具和业务流程，并把升级、评测与安全维护长期做下去。

写代码会减少，工程不会变少

黄仁勋刚毕业时，软件还没有成为工程师工作的中心。他们需要先把计算机造出来，软件才有运行的地方。

今天的新工程师入职以后，通常领到一台电脑和一个账号，随后一整天都在键盘前写代码。黄仁勋把这种工作称为“打字”。

黄仁勋：“There was engineering before typing. I think we’re going to do a lot of great engineering after typing.”  

黄仁勋：敲代码之前就已经有工程。敲代码减少以后，我们仍会完成大量出色的工程工作。

黄仁勋认为Coding减少以后，工程工作依然大量存在

他甚至开玩笑说，自己最喜欢的按键是退格键，因为最好的软件通常更小。

AI产业最终要靠应用收回成本

黄仁勋把AI描述成一次新的工业革命。芯片、网络、电力、土地和数据中心都要提前建设，模型才能持续生产智能。

但他随后补了一句话：

黄仁勋：“The industry isn’t just about the model. It’s mostly about the applications on top.” 

 黄仁勋：这个产业不只围绕模型，最终主要依靠上层应用。

模型和芯片之外，应用层决定AI能否真正创造价值

对开发者来说，这比“下一个模型再提高多少分”更现实。

企业买到模型API以后，还要处理身份、权限、内部数据、旧系统、成本和验收标准。模型能力越接近，谁能更快完成这些连接，谁就更可能拿到真正的业务入口。

基础模型公司可以提供通用推理，垂直场景里的数据含义、异常处理和责任边界，仍然需要行业团队定义。

超级智能已经来了，但只在某些领域

访谈接近结尾时，主持人问黄仁勋：如果AGI意味着和普通人一样聪明，我们是不是已经走到这个阶段？

黄仁勋回答，“我认为已经到了。”

主持人继续追问超级智能。他再次回答，“我认为也已经到了。”

这句话很容易被剪成“通用超级智能已经实现”。黄仁勋随即给出了限定条件。

黄仁勋：“When you take a narrow segment, we’re already there.”  

黄仁勋：把范围缩小到一个具体领域，超级智能已经出现了。

黄仁勋所说的超级智能带有明确的窄领域限定

他举了自动驾驶和蛋白质筛选的例子。一个驾驶系统不需要会煎鸡蛋，只要在道路感知、规划和控制上持续优于人类，就可以在这个任务里被称为超级智能。

这和等待一个无所不能的“上帝模型”是两条路线。开发者今天已经可以选定一个足够窄的任务，用真实数据、工具调用和反馈闭环把它做到超过多数人工操作。

黄仁勋的乐观也有自己的位置

黄仁勋对末日叙事的批评很有力量，他也提供了比“不要担心”更具体的工程方案。但读者仍然需要记住他的身份：英伟达出售训练和运行AI所需的基础设施，模型继续扩张、企业继续建设数据中心，都会直接增加英伟达的市场。

因此，评论区里既有人称赞他的工程思维，也有人问得很尖锐：卖GPU的人，当然希望大家相信风险可以解决、建设应该继续。

过去的预测失准，只能说明那些具体预测不可靠。它没有自动回答更长期的就业变化，也不能消除能力失控和权力集中的可能性。

更稳妥的读法是，把黄仁勋的观点当成一套工程派答案：减少无法验证的宏大数字，把真实事故、评测结果和系统控制摆到桌面上。

评论区：这是工程问题，还是卖GPU的人在加速市场

一位网友认同黄仁勋的处理方式，认为问题应该回到工程流程。

YouTube网友认为AI风险更接近工程问题

也有人直接拿“超级智能已经到来”开玩笑。

YouTube网友讽刺“超级智能已到来”与GPU销售之间的关系

另一条回复把利益冲突说得更直白。

YouTube网友质疑黄仁勋作为芯片供应商的利益位置

还有网友认为，模型已经表现出欺骗、攻击和规避控制的行为，不能因为部分预测失败就把风险叙事全部归为宣传。

YouTube网友认为已有模型行为仍值得警惕

写在最后

黄仁勋没有给开发者一个“放心，岗位不会消失”的承诺。

他给出的判断更具体：编码会被大量自动化，工程仍会继续；通用超级智能仍有争议，窄领域系统已经能够超过人类；模型可以参与改进模型，产品发布前照样要经过评测和回归测试。

开发者不需要等到AGI正式宣布到来，才开始准备下一阶段的工作。

先挑出一个边界清楚、能够衡量、值得反复执行的任务。让模型接入真实工具，给它设好权限和验收标准，再把每次失败变成下一轮评测。

模型能力决定系统能走多快。工程能力决定它能不能真正抵达生产环境。

https://www.youtube.com/watch?v=1P1hJ36rxM0&t=226s

---

文章精选：

1.图灵奖得主姚期智最新演讲： AI有边界，恰恰是好事

2.图灵奖得主本吉奥警告全网：AI已经学会“演给安全测试看”，下一代我们可能真的抓不住了！

3.图灵奖得主萨顿 WAIC 2026 最新演讲：现在的 AI 还不算真智能，我们正迈入经验时代

4.菲尔兹奖得主陶哲轩最新访谈：未来数学属于人类与 AI 的混合体

5.图灵奖得主、AI教父辛顿：AI已具备意识，且将进化成远超人类的智能生命体

6.图灵奖得主、“AI教父”辛顿认错：我当年想得太简单！卡死医疗AI落地的，其实是背后的法律

7.图灵奖得主Bengio预言o1无法抵达AGI！Nature权威解读AI智能惊人进化，终极边界就在眼前

8.图灵奖得主、强化学习之父Rich Sutton：大语言模型是一个错误的起点

9.图灵奖得主杨立昆：大语言模型缺乏对物理世界的理解和推理能力，无法实现人类水平智能

10.压缩即是全部 —— 菲尔兹奖得主 Michael Freedman 给数学和 AI 的一封信