编辑 | 姜篇
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。
参考链接：
https://www.youtube.com/watch?v=1P1hJ36rxM0&t=226s
——好文链接——
AI" 关机键 " 可能失效！Anthropic CEO：一个按钮拦不住强模型，开发者还要布下五层 " 瑞士奶酪 " 防线
登录后才可以发布评论哦
打开小程序可以发布评论哦