Agent 是 Token 的 iPhone：黃仁勳眼中的下一個十年

本文整理自《Lex Fridman Podcast》2026 年 3 月播出的單集。

{{< youtube vif8NQcjVf0 >}}

---

OpenCLAW 就是 Token 的 iPhone

訪談進行到一半時，黃仁勳突然丟出一句話：「The iPhone of tokens arrived.」Lex Fridman 追問是不是指 OpenCLAW，他毫不猶豫：「Yeah. Agents. The iPhone of tokens arrived. It is the fastest growing application in history. It went straight up.」

這個比喻的精準之處在於：iPhone 不是第一支智慧型手機，但它是讓一般人開始大量消費行動運算的產品。同理，OpenCLAW 不是第一個 AI Agent 框架，Claude Code 和 Codex 都在它之前，但它是讓 Agent 從開發者工具變成全民工具的轉折點。黃仁勳認為 OpenCLAW 對 Agent 系統的意義，等同於 ChatGPT 對生成式 AI 的意義：「OpenClaw did for agentic systems what ChatGPT did for generative systems.」

為什麼是 OpenCLAW 而不是 Claude Code 或 Codex 引爆了這波浪潮？黃仁勳的解釋很簡單：「Because consumers could reach it.」消費者能直接用到它。這呼應了他一輩子在做的事：安裝基礎決定一切。技術再好，如果一般人接觸不到，就不會產生產業級的影響。一旦 Agent 觸及到消費者端，token 的消耗量就會以完全不同的曲線成長。

NVIDIA 在 OpenCLAW 爆紅後的反應也很值得注意。黃仁勳說他們立刻派了一批安全專家去貢獻，開發了 OpenShell 和 Nemo Claw，已經整合進 OpenCLAW。他們的安全設計原則是「三項權限給兩項」：Agent 可以存取敏感資訊、執行程式碼、對外通訊，但同時只能擁有其中兩項能力，不能三項全開。這是一個務實且可操作的安全框架。

電力問題的三層解法

Agent 時代意味著運算需求暴增，而運算需求暴增意味著電力成為最明顯的瓶頸。但黃仁勳對這個問題的態度出乎意料地樂觀，因為他看到三個層次的解法。

第一層是效率。NVIDIA 過去十年透過極端共同設計，把運算效能提升了一百萬倍，而不是摩爾定律預期的一百倍。每瓦 token 產出量持續以數量級的速度每年提升。電腦價格在漲，但 token 成本在降，每年降一個數量級。這意味著同樣的電力可以產出越來越多的智慧。

第二層是資料中心的「優雅降級」設計。黃仁勳指出，電網設計的邏輯是應付最極端的尖峰需求：冬天最冷的幾天、夏天最熱的幾天、極端氣候事件。但 99% 的時間，電網大概只跑在 60% 的峰值容量。那剩下的 40% 電力其實一直閒置在那裡，因為萬一需要時，醫院和機場不能斷電。他的建議是：讓資料中心跟電力公司簽不同等級的合約，在尖峰時段允許 AI 工廠降低功耗、減慢回應速度、把工作負載轉移到其他地點。這不需要什麼黑科技，只需要合約架構和系統設計的改變。問題在於目前的客戶要求百分之百正常運作時間，而 CEO 們可能根本不知道自己的合約部門在簽什麼條件。

第三層是電力公司需要改變思維。與其說「我要五年才能增加電網容量」，不如提供不同保障等級的電力套餐：你想要 100% 保證供電，這個價格；你接受偶爾降載，這個價格，而且下個月就能給你。黃仁勳認為電網裡有太多浪費，而市場機制可以解放這些閒置容量。

AGI 已經到來，但別太興奮

Lex Fridman 問黃仁勳：一個 AI 系統要多久才能自己經營一家市值十億美元的公司？黃仁勳的回答是：「I think it's now. I think we've achieved AGI.」

但他接著用一種非常務實的方式限縮了這個宣言的範圍。他的推理是這樣的：你說十億美元，你沒說要經營多久。在網路時代，有很多公司就是做了一個簡單的網路服務，病毒式傳播後短暫達到巨大的估值，然後又消失了。那些網站的複雜度，大概不超過今天 OpenCLAW 能生成的東西。所以理論上，一個 Agent 可以做出一個爆紅的 App、達到巨額營收、然後也許很快就被遺忘。十萬個 Agent 一起經營 NVIDIA 的機率是零，但做出一個爆款產品的機率？他不會否認。

黃仁勳舉了中國的例子：現在就有大量的人讓自己的 AI Agent 出去「找工作」和「賺錢」。他不會驚訝某天某個 Agent 做出一個數位網紅、一個 Tamagotchi 式的社群應用、或某個莫名其妙爆紅的東西。不可預測性本身就是這個時代的特徵。

程式設計是規格撰寫，程式設計師會更多

訪談中另一個引起廣泛討論的觀點是黃仁勳對「寫程式」這件事的重新定義。他認為寫程式的定義已經從「用程式語言撰寫指令」擴展成「撰寫規格讓電腦去建構」。如果這是新的定義，那能做這件事的人就從全球 3,000 萬程式設計師擴大到可能 10 億人。每一個木匠、水電工、會計師，都能用自然語言描述他想要的系統，讓 AI 去實現。

但他特別強調了一個常被忽略的維度：規格的精細程度取決於你在解決什麼問題、跟誰合作。當他對全公司描述策略方向時，他會刻意寫得不太具體，留空間讓 43,000 名優秀員工把它做得比他想像的更好。但如果是一個非常特定的系統需求，你可能就需要非常精確的架構規格。「Everybody's going to have to learn where in the spectrum of coding they want to be,」他說。寫規格就是寫程式，但這門藝術的核心是判斷：什麼時候該給精確指令，什麼時候該留白。

對 NVIDIA 內部來說，軟體工程師的數量會增加而不是減少。原因是他要的不是打字速度，而是解決問題的能力。診斷問題、評估結果、創新、連結不同領域的洞見，這些是程式設計師的「目的」，而具體的程式碼撰寫只是「手段」。當手段被自動化，目的不會消失，反而需要更多人來做。

工作焦慮的解藥：目的不等於任務

黃仁勳在訪談末段展現了一種少見於科技 CEO 的同理心。他直接說：「I think we all need to have compassion and the responsibility to feel the burden of what the actual suffering feels like for individual people and families that lose their job.」他承認 AI 會帶來巨大的轉型痛苦，他不假裝知道所有答案。

但他提供了一個具體的思考框架：你的工作的「目的」和你用來完成工作的「任務」是相關的，但不是同一件事。他舉了放射科醫師的例子，這是 AI 研究者最早宣稱會被取代的職業。電腦視覺確實在 2019 年左右達到了超越人類的水準，每一個放射科平台現在都由 AI 驅動。但放射科醫師的數量不減反增，而且全球還短缺。原因是放射科醫師的目的是「診斷疾病、幫助患者」，當 AI 讓掃描判讀變快，醫院就能看更多病人、賺更多錢、需要更多放射科醫師。

他給所有人的具體建議是：不管你是什麼職業，現在就去學會用 AI。如果他今天要在兩個新人中選一個，他會選那個「expert in using AI」的人。如果你是木匠、電工、藥師、農夫，都一樣。去看看 AI 能怎麼提升你的工作，讓你成為你這個產業的革新者。而且你可以直接問 AI 怎麼學 AI，這件事本身就很有趣。你不能走到 Excel 面前說「我不知道怎麼用 Excel」，但你可以走到 AI 面前說「我不知道怎麼用 AI」，它會教你。

這場訪談勾勒的不是一個 AI 取代人類的未來，而是一個人類用 AI 大幅放大自身能力的未來。在這個未來裡，每個人都需要重新思考自己工作的「目的」是什麼，然後用 AI 把達成目的的效率提升十倍、百倍。黃仁勳自己就是最好的例子：做了 34 年同一份工作，工具完全換了好幾輪，但目的從未改變。