黃仁勛以及英偉達的啟發。

關于英偉達為什么能夠成功，我有兩點體會。第一點啟發：在小賽道上打造獨特優勢，耐心等待爆發點。做顯卡起家的英偉達，最初其實走了一條小賽道。顯卡只是電腦硬件中的一個輔助組件，市場空間有限，與當時的巨頭英特爾或AMD所涉及的CPU賽道不能相比。在CPU這個廣闊的領域，英特爾已經建立了不可撼動的絕對優勢，跟它競爭無異于自討苦吃。因此，黃仁勛選擇了顯卡市場，一個相對小眾且競爭壓力較小的賽道。黃仁勛后來說：“直到今天，我們都不會與英特爾正面競爭。每當他們逼近我們時，我就會迅速撤退。”

盡管這條賽道相對狹窄，但英偉達卻選擇在這個小市場中深耕，將顯卡做到極致。英偉達不斷改進技術，提升顯卡的主頻，研發更先進的架構，增加處理器數量，讓渲染管線更多、更深、更高效，一步步構建了他們在顯卡領域的護城河。這還不夠，更關鍵的是，黃仁勛一直有個理念：時刻想要為自己的產品找到更大、更廣闊的應用市場。英偉達在設計上的一次次改進，甚至是不惜代價的改進，都是為了這一步做準備。例如，他們把固定功能的渲染管線改成了統一流處理器架構，這讓他們的GPU具備了處理多種類型計算任務的能力。此外，英偉達不惜重金投入軟件生態的開發，在沒有找到明確應用對象的情況下，推出了CUDA平臺，一個為潛在應用開發者提供便利的編程環境。

在英偉達支付了這一切“前置成本”后，它迎來了人工智能這個風口。當深度學習的科學家們發現，英偉達的GPU的并行計算能力完美契合深度神經網絡訓練需求，而CUDA的開發環境讓他們很容易使用英偉達的GPU完成自己的工作。這一切讓研究人員幾乎別無選擇，只能選擇英偉達的工具。一旦行業普遍接受某種生態，便幾乎無從替換。今天，要挑戰英偉達的行業地位，對手不僅要有比英偉達算力更高的芯片，還需要打造出一個能夠撼動CUDA生態的替代方案。這種生態優勢讓英偉達進一步鞏固了自己的護城河。

這個策略對于個人發展也有所啟發。我們經常說“卷”。所謂卷就是在某一個賽道上，按照既定標準，和無數人爭奪同樣的資源和機會。比如大學選專業選熱門，學習中都追求高GPA保研，畢業后都盯著大廠或考公。

但傳統“熱門賽道”往往伴隨最激烈的競爭，而且這些熱門很可能在未來發生變化。如果選擇這些賽道的原因只是追隨潮流，而非出于個人興趣與優勢，那么競爭力往往不高。英偉達也很卷，但是它沒有在當時最熱，也是當時最重要的CPU這個賽道上去卷，因為這個賽道上已經有了英特爾這樣的龐然大物。英偉達是在顯卡這個小的賽道上去卷，這個賽道上，英偉達有著天然的基因和獨特的優勢。

所以，我們是否可以學一下英偉達的思路呢？在選擇賽道時，不一定追逐熱門，而是找到一個自己感興趣且具備獨特天賦的小領域。在這一領域不斷提升自己，建立屬于自己的護城河。此外，英偉達在顯卡這條賽道上狂奔時，一直在實踐讓自己打造的產品能夠延伸到更廣的領域，正是這種戰略眼光，幫助它抓住了深度學習的風口。

這給我們的啟發是，當我們在自己喜歡和擅長的道路上埋頭趕路時，不要忘了“抬頭看天”，需要像英偉達那樣，努力讓自己的能力具備更強的“泛化性”，培養自己的底層、可遷移的能力，并且向外探索能力可以延展的新方向。一旦風口來臨，就可以憑借長期積累的專注與洞察，把握住機會，實現快速突破。

第二個啟發，叫做“第一性原理”。第一性原理（The first principle）這個詞，最近幾年因馬斯克而火。我理解它的含義，就是從數學或物理學的本質出發，用更基礎、更本質的方式理解并解決問題。例如，馬斯克有一次針對電動車的電池價格進行的思考是這樣的。市面電池都很貴，但回到本質，電池硬成本是什么？答案是金屬材料——鐵、鎳、鋁等。除了原材料價格無法削減，其余成本都來自工藝流程、供應鏈等。所以通過優化生產工藝，電池價格理論上可以逼近原材料價格。這種從本質出發的分析，正是“第一性原理”的典型應用。

要想真正理解第一性原理，我們還必須搞清楚與其對應的思維模式，馬斯克將其稱為“類比推理”，而我認為更準確地應該叫“數據驅動原理”。就是從歷史數據中獲取經驗解決問題。比如，遇到問題時，考察類似問題歷史上如何解決，找到最佳方案借鑒。這種思維方式與人工智能的基礎理念非常相似，即通過訓練數據總結出解決方案。但卓越創新往往不能靠數據驅動來解決。因為真正的創新要么是別人沒干過的，要么是別人干過但沒干成的，都缺乏歷史數據。這時就需要第一性原理，從問題本質出發推理。在英偉達的很多關鍵節點上，黃仁勛都選擇了第一性原理來做決策。

第一個重要決策，發生在英偉達早期階段的并行計算架構選擇上。我們當時說過，為了應對圖形渲染越來越高的需求，英偉達團隊提出了并行架構方案，即通過增加渲染管線的方法來解決問題。這種架構和當時主流不同。當時顯卡行業領頭羊3dfx的方案是增加芯片，通過配置多個芯片來提高顯卡性能。

這種架構能走得通嗎？按照“數據驅動原理”，得出的結論就會是，英偉達方案有問題——因為硅谷遍布并行計算公司失敗例子，而3dfx方案已被市場證明。黃仁勛一開始就是這樣思考的，但后來，他按照“第一性原理”來進行推斷，就得到了不一樣的結論。

他的思考方式是這樣的：游戲設計師不會滿足于僅有兩個獨立的像素管線。隨著射擊游戲日益復雜，他總會想要更多。想象一下，一個場景中有很多光源：燈光璀璨的競技場、多把槍支同時開火、遠處一艘宇宙飛船墜毀，還有一個雙太陽照耀的世界。如果3dfx為每個光源都專門設計一塊芯片，最終電路板上將滿滿當當。要適應未來，唯一方法是在單塊芯片上增加管線。結果證明英偉達選擇正確。第二次運用第一性原理，在于顯卡是否會被CPU取代。我們在之前也提到過，在20世紀末，芯片性能提升主要靠提高CPU主頻，英特爾是堅定支持者。按數據驅動原理思考的話，CPU性能每年大幅提升，顯卡會被取代。

但英偉達的尼科爾斯從物理學角度分析：當晶體管縮小到僅100個原子寬度時，電流會泄漏，造成速度下降。CPU提升將面臨極大瓶頸。這讓英偉達確信并行計算是未來方向，也成為英偉達堅持GPU架構創新的最重要推動力。

第三次運用第一性原理，是黃仁勛決定梭哈深度學習的時候。當得知辛頓博士的深度神經網絡解決了計算機視覺問題后，黃仁勛提出了一個關鍵問題：“還有哪些領域可以應用這種技術？”辛頓博士取得的突破，主要體現在利用深度神經網絡解決了圖片分類的難題。從數學本質上來看，一個神經網絡就是一個函數，函數有輸入，就是圖片，有輸出，就是該圖片的分類，比如是貓還是狗。而黃仁勛用第一性原理意識到：許多領域本質都可歸結為尋找函數。比如機器翻譯是輸入原文而輸出譯文的函數，語音識別是輸入聲音而輸出文字的函數。基于此，黃仁勛斷定：既然深度神經網絡本質是找函數，這種方法就能擴展到其他領域。從計算機視覺到語音識別、自然語言處理、醫療診斷等，深度神經網絡都可能成為基礎工具，而他可以通過自己的GPU占據必要的硬件市場。他立刻宣告舉全公司之力投入深度神經網絡賽道。注意，如果黃仁勛按照“數據驅動原理”來思考深度神經網絡還能做什么，就不能得到正確答案。因為深度神經網絡在當時還沒有在其他的領域取得完全成功，所以根本沒有“歷史數據”。

而后續也驗證了黃仁勛的眼光。英偉達的技術專家戴維·柯克說，黃仁勛是首位發現人工智能潛力的人，真的是首位。