转自：CSDN（ID：CSDNnews）
“当你需要增强自己的智能时，别指望给第三方打个电话解决，而应该在公司内部完成。”
这是黄仁勋最近抛出的一个新观点。
在与 LangChain CEO、联合创始人 Harrison Chase 的一场对话中，这位英伟达 CEO 几乎没有聊 GPU，也没有谈下一代芯片，而是把整个话题都聚焦到了 Agent 上。
在他看来，大模型正逐渐成为基础设施，真正拉开企业差距的，将是围绕模型构建的 Agent 系统，以及企业沉淀其中的专有知识和工作流。未来，公司竞争的不再是谁拥有更大的模型，而是谁拥有更强的”超级智能体”。
这场时长 26 分钟的对话信息密度极高。黄仁勋谈到了为什么开放生态比封闭生态更重要、开源模型为何正在逼近前沿模型、企业为什么应该从最强模型开始，再逐步打造自己的专业化智能体，也分享了他对未来 AI 软件形态的判断。其中包括：
开源权重模型已接近前沿模型性能，但成本只有后者的十分之一；
我总是先使用最前沿的模型，因为它能告诉我能力的天花板，然后再打造属于自己的专业化智能体；
今天的公司建立在业务流程之上，未来将建立在 Harness 之上；
当企业需要增强自己的智能时，核心能力不能外包，而要掌握在自己手中；
相比写 Python，英伟达工程师如今更愿意构建 Agent。
完整视频地址：https://www.youtube.com/watch?v=Yy3JH6dDugc
英伟达为什么要投资开放的 Agent 生态系统？
Harrison Chase：很高兴能在这里和你交流。在过去一年，特别是最近几个月里，AI 和智能体（Agent）领域取得了巨大进展。我们看到了性能的显著提升，与此同时，这些模型和系统的开放性、可控性以及信任度也变得越来越重要。
我想先请教一下，为什么 NVIDIA 正在大力投资开放的智能体生态系统和技术栈？
黄仁勋：首先，我要祝贺你们所做的一切工作。事实上，回顾过去六个月，尽管我们已经在 AI 领域耕耘了 15 年，但最近这半年改变了一切。
大语言模型的进步、算力规模的扩展、全能模型（Omni-models）以及多模态技术的突破都令人叹为观止。最重要的是，AI 终于变得实用了。当 AI 变得实用时，全球的每一家企业都想参与其中，而核心问题在于如何实现。
这就是 LangChain 发挥作用的地方。此前你坚定认为，大语言模型是核心驱动力，但要将其转化为实用的产品，必须在其周围构建一套现在被称为 Harness 的系统。
在早期，我们就利用 LangChain 将大语言模型转化为可调用的 API，构建我们的 RAG（检索增强生成）系统。通过这些一步步的积累，演变成了今天的智能体系统。过去六个月真正的重大突破，是这些基于知识、能够使用工具进行搜索、具备记忆管理能力、拥有安全护栏并能持续迭代直到完成任务的智能体系统。
NVIDIA 致力于构建开放系统已有多年。因为 AI 是一项基础技术，只有应用到各种不同的场景中才能发挥价值。除了语言和认知智能，我们还设想了一个由科学家、数字生物学家、设计者、机器人专家、研究员以及企业 IT 人员共同使用的世界，大家都可以利用智能体 AI 来解决特定领域的问题。
在这些场景中，有些是因为我们拥有不为外界所知的专业领域知识，必须将其融入 AI 中；有些是因为我们相信 AI 会通过“飞轮效应”变得更强大——我们使用它，它变得更聪明、更实用，从而引导我们更多地使用它。就像人类一样，AI 也在不断学习。
虽然 Anthropic、OpenAI 和 Google 的工作非常出色，但人们还想要构建专业化的、特定领域的以及专有的 AI。我们希望能够赋能这样一个世界的实现。
Harrison Chase：关于专业化这一点，你认为最佳的实现路径是什么？是纯粹依靠模型本身，还是依靠你提到的 Harness 系统，亦或是外部的上下文信息？
黄仁勋：专业化首先需要足够强大的基础智能。这就是我们开发 Nemotron 的原因。Harrison，我也非常感谢你能成为 Nemotron 联盟的创始成员。我们开发的 Nemotron-3-Ultra 性能非常出色。
但是，只有当你用 LangChain 框架和 Harness 系统将 Nemotron-3-Ultra 包裹起来，使其能够锚定在特定领域的专业信息上时，它才真正成为一个惊人的模型。一个聪明的人只有在能够获取关键信息时才最有用。我们甚至可以在 LangChain 的 Harness 系统中对模型进行后期训练，让模型更擅长利用周围的系统组件。这个时机已经成熟了，我们需要一个开放的 Harness 系统，让大家可以自行构建、应用并持续改进。
开源权重模型达到了前沿模型的性能
Harrison Chase：我非常赞同关于“模型足够强大”的观点。我认为这个门槛在一年前由前沿模型跨越，而大约六个月前，开源权重模型也跨越了这一门槛。
我们在 DeepAgents 中对 Nemotron-3-Ultra 做了很多工作，其中一个关键点就是调整 Harness 系统以适配该模型。我们发现不同的模型需要不同的提示词和工具调用方式。通过这种优化，Nemotron-3-Ultra 在我们的内部基准测试中达到了 86% 的准确率。作为对比，Claude Opus 是 87%，而 DeepSeek 和 MiniMax 的一些模型大约在 82% 到 83% 之间。这说明最新的开源权重模型已经达到了前沿性能。
更重要的一点是，它的成本只有 Opus 的十分之一。开源权重模型正在性能与成本之间取得极佳的平衡。
我很想听听你对“成本”如何改变开发者决策的看法。
黄仁勋：降低成本的优势体现在几个方面。首先，当智能变得廉价时，人们的使用频率就会大幅增加。当你拥有一个成本极低的智能体时，你就可以在更大的搜索空间内进行迭代，从而得到更好的答案。
Nemotron 之所以具有成本效益，是因为它非常快，计算效率极高。就像人一样，思维敏捷的人可以探索更多的可能性。Nemotron-3-Ultra 在 LangChain 框架和 DeepAgents 中的表现证明，极快的推理速度让它能迅速迭代并找到更优解。看到我们能创造出一个接近前沿水平的模型，并通过优化周围的环境使其发挥出前沿性能，我感到非常自豪。
对于人类来说也是如此。我们雇佣最聪明的人，但除此之外，我们还为他们提供工具、信息，并创造合适的环境，让他们发挥出最大的潜力。所以，我们需要调整的是整个环境，而不仅仅是模型。
“先用上前沿模型，看看模型潜力的天花板”
Harrison Chase：“更便宜、更快的智能会带来更多使用”这一点非常正确。即使是我这样自认为紧跟 AI 潮流的人，之前也低估了市场对智能和 Token 的海量需求。
随着模型变得又快又便宜，我们该如何看待“前沿模型”的地位？我们是应该始终转向开源模型，还是两者各有千秋？
黄仁勋：
模型正在持续改进，Scaling Laws 肯定会继续发挥作用。模型的外壳（Harness）也在不断优化，处理记忆的技术——无论是工作记忆还是长期记忆——都在以惊人的速度进步。此外，还有压缩技术，以及检索增强生成（RAG）和知识图谱领域的各种突破。这些前沿模型的 API 中正在融入大量令人赞叹的进步。
我的逻辑是：我总是从前沿模型开始我的所有工作。原因很简单，因为前沿模型非常实用，它让我知道潜力的天花板在哪里。虽然成本稍高，但它能让我极快地完成工作。然而随着时间的推移，我发现我需要为它们添加子智能体，将那些在特定技能上表现卓越的“超级智能体”连接起来。
在 NVIDIA 内部，我们面临着许多极其困难的优化问题，涉及供应链、芯片设计优化等。这些优化问题非常复杂，你不能只指望一个通用 AI 就能算出一个完美答案。
因此，我们创建了“超级子智能体”。这些智能体是利用 LangChain 的 DeepAgents 框架，内置 Nemotron-3 模型构建的。我们还会将它们连接到专门的工具上，让它们专精于某一项任务。这个超级智能体不需要帮我预订差旅，它唯一的任务就是优化我们的供应链。在这种情况下，我确实需要 LangChain，需要 Nemotron-3-Ultra，并将其与大量专有的知识和技能相连接。我有一支专门的团队负责不断精炼这些系统。
我认为这定义了一家公司。公司本质上就是由一堆这类超级专有的、极其重要的工作流）组成的集合。现在我们可以通过 LangChain、DeepAgents 和 Nemotron-3 来实现这一点，它赋予了企业所需的全部控制权，不仅高效，还能调用各种强大的工具。这就是未来。
Harrison Chase：如果企业效仿你的做法——先从前沿模型开始，然后再进行专业化，你有什么建议吗？他们应该在什么时候考虑专业化？有哪些触发信号是值得关注的？
黄仁勋：只要模型表现“足够好”了，就可以开始。
我会先从 Claude、Code 和 Codex 等模型开始，尽可能久地使用它们。事实上，很多东西你可能永远不需要替换，因为它们自身也在不断进步，其能力的提升速度是极其惊人的。
我认为在未来，AI 的存在方式就像今天的公司成员一样。我们聘用员工是因为他们的领域专业性，以及他们在公司内部对工作流程的精炼和终身学习积累，这些价值是无可替代的。但同时，我们也会聘请顾问、购买外部工具授权、将工作外包给其他人。
AI 的未来也是如此。我们会继续大量使用前沿模型，但同时也会利用 LangChain 和 Nemotron-3-Ultra 创建专有的、专业化的超级智能体，而这些智能体可以说就是企业的“皇冠上的明珠”。
Harrison Chase：就像聘请外部顾问一样，你必须让他们快速熟悉你的组织，提供背景信息，告诉他们公司是如何运作的，并赋予他们访问公司内部数据的权限。我们观察到，当企业开始采用 AI 时，必须围绕它们构建一系列系统，以确保这些智能体系统在整体上是可信、安全且具备妥善治理的。
黄仁勋：没错。我想补充一点：今天的多数公司是建立在“业务流程”之上的，而未来的公司将建立在 Harness 之上。LangChain 将成为创建公司“操作系统”的工具。每个人都会使用 LangChain 来创建他们专业化的 Harness，这代表了过去的工作流。而工作流中的这些外壳将变得自主、智能化且更加高效。
要增强自家的智能时，别指望给第三方打个电话就能解决
Harrison Chase： 我们也看到，系统中包含了外壳（Harness）、模型以及周围的所有上下文信息，所有这些都可以在不同时间点进行优化。
我们与 Nemotron-3 合作的成果就是一个很好的例子，证明了围绕外壳进行优化（如更改提示词、更换工具）能带来极高的投资回报率。此外，我们也非常期待尝试对 Nemotron 进行后期训练。虽然这需要更多时间，但它能显著提升整个系统能力的上限。
黄仁勋：这太棒了，这正是重大突破所在。
你描述的未来是：一旦外壳构建完成并开始工作，成为业务流程中成功的一部分后，下一个问题就是如何让它变得更好。你当然可以继续优化提供给它的信息，调整外壳参数，但现在你还可以直接在外部框架内改进 AI 模型本身（如 Nemotron-3-Ultra）。这是一种前所未有的能力，我对此感到非常兴奋。
Harrison Chase：这将结合企业特有的业务流程，真正启动这个飞轮。我们在与企业交流时听到的一个共同需求是：系统必须构建在开放生态系统之上。
企业将自己的知识和流程投入其中，拥有完全的控制权对他们来说至关重要。你能谈谈开放技术栈（Open Stacks）是如何进一步赋能企业应用 AI 的吗？
黄仁勋：每家公司从根本上说都是建立在特定领域或某些专业知识产权（IP）之上的。我们之所以称之为“知识产权”，是因为它的核心是“智能”。每家公司都建立在某种专业化的智能基础之上。
NVIDIA 在某些领域很专业，我们并不擅长所有事情，但我们在某一件事上做得非常出色。这种专业化智能定义了你是谁。你不可能不去控制它、改进它、让它变得更好。
对我来说，将这种核心智能“外包”出去是毫无道理的，无论对于个人、公司还是国家都是如此。
当然，世界上存在通用智能，也存在我们都会做的通用事务。例如，软件编程其实就是一种通用技能，大家都会用 Python 或 C++。虽然应用场景不同，但编程技能本身是通用的。写作也是一种通用技能。但这些只是基础技能，我们会将这些基础应用到我们的专业领域智能中。这就是 LangChain 和 Nemotron 的用武之地。
我相信社会的基石将是这些通用的基础模型，它们在云端随处可用。但在那个平台之上，我们必须构建自己的专业化能力，这就需要开放工具。
当你需要增强自己的智能时，你不能指望给第三方打个电话解决，你需要就在公司内部完成。所以，未来不是二选一，而是一个完全互补的愿景。我们正在做的，就是确保自动化智能能够集成到我们工作的方方面面。
Harrison Chase：完全同意。不过，要让这种集成顺利运行依然具有挑战性。所以我们今天发布了一个蓝图，通过 DeepAgents 和 NIM（NVIDIA 推理微服务）来实现。这将允许企业在安全、开放的 NIM 运行环境中，运行内置 Nemotron-3-Ultra 的 DeepAgents，并从中获益。
黄仁勋：这意义重大。它能让企业更轻松地启动和运行。它将构建个人、领域特定、专有超级智能体所需的所有关键要素——技术、组件、工具、外壳以及蓝图示例——全部整合在一起交给你。
AI 时代，不能给员工所有的访问权限
Harrison Chase：你们是如何看待“蓝图（Blueprints）”的？你们有很多蓝图，我个人认为今天发布的这个是最好的。你们为什么要大力投资这些蓝图？
黄仁勋：因为目前这些工具依然很深奥，涉及的环节太多。
构建智能体系统或 AI 绝非易事。它涉及大语言模型、调用的工具、需要处理的知识图谱、记忆系统、护栏系统、微调系统，以及你刚才提到的针对外壳的后期训练技术。
当然，还有外壳本身以及运行环境（Runtime）。当开发完成后，你依然需要运行环境，必须将其放在“沙箱”中以确保安全和隐私，并由 IT 部门进行访问控制。
Harrison Chase：你认为在企业内部，运行环境（Runtime）最难的部分是与之配套的安全机制吗？
黄仁勋：如果不解决安全和访问控制问题，就根本无法部署。这就像在公司里入职一名新员工，如果你不为他们办理入职、不设定访问权限，他们就无法开展工作。
我们不会给每个员工访问所有文件和网络的权限。我们会根据每位员工的职位、职责以及他们所需的资源，赋予相应的工具访问权，比如笔记本电脑、设计工具、编程工具等。我们还会为他们提供网络访问权限、信息访问权限，将他们与其他智能体及同事连接起来，并提供一份技能文件。
本质上，我们会给他们一份文档，说明他们的使命以及之前的做法，然后让他们尝试做得比以前更好。所以从很多方面来看，我们正在为 AI 创建一套类似于 HR 的系统，让 IT 组织和公司内部的所有不同业务部门能够在公司内部构建、改进和部署这些智能体。
黄仁勋：相比写 Python 代码，英伟达工程师更喜欢构建智能体
Harrison Chase：这是一个更具哲学意味的问题。很多人在谈论这些智能体时会过度拟人化，将它们引入人类系统。但智能体毕竟不是人类，它们在某些方面优于人类，但在其他方面却与人类迥异，甚至不如人类擅长。
你认为对这些智能体进行拟人化的合适程度应该是怎样的？
黄仁勋：
智能体本质上是电子，而非原子。它不是生物，没有意识，也不是觉醒的生命。它是一个工具，就像在家里四处走动、帮忙打扫卫生的吸尘器，在做一些我以前必须亲自做的事情。
现在我们还有自动割草机。你可以想象一百多年前第一台洗碗机出现时的场景，它能自动洗碗，当时的人们一定觉得很神奇。我们称之为“洗碗机”，这个称呼听起来有点像人。有趣的是，我的第一份工作就是洗碗工。
所以，我们迟早会习惯的。我认为目前人们倾向于赋予它过多的拟人属性，但它本质上只是软件和计算机。
我们很清楚它是如何运作的，因为我们围绕它构建了外壳系统（Harnesses）。它的性能一直在不断提升，如果我们不了解其运作原理，又该如何不断改进或修复它呢？
显然，我们完全掌握这些系统的运作机制，我们也应该保持这种认知。
与此同时，我们发现使用 AI 越多，反而需要雇佣更多的人。原因在于这些智能体系统带来了新的技能需求。现在我们有大量的软件工程师在构建智能体，他们以前是写代码的，现在则是在构建智能体。
如果你问我们公司的情况，其实我的软件工程师们都更愿意构建智能体，而不是去写 Python 代码。写代码就像打字，而现在他们可以减少打字，成为系统工程师，去构建和创造那些非常酷的自动化系统。
他们在创建评估系统、基准测试和护栏系统。将 AI 引入现实世界的工作量是巨大的，这创造了大量的工作岗位，我的软件工程师们非常热爱这项工作。
Harrison Chase：你提到了评估系统（Evals），这是在企业内部解锁智能体大规模使用的关键。你需要了解它的表现，而量化其好坏的最好方式通常是由企业内部的领域专家来完成。
他们可以提供反馈并与这些系统协作，将工作中单调乏味的部分自动化，从而把精力花在真正具有智力挑战和创造性的部分。
黄仁勋：没错。无论你是医生、设计师还是软件工程师，你都在创建一个智能体。你把那些琐碎的工作剥离出来交给智能体处理。
与此同时，我们都在尝试提升智能体的能力，让它们能与我们协作，去完成以前无法完成的事情。这需要想象力、创造力以及大量的技术支持。
Harrison Chase：这个观点非常精辟。目前智能体最成功的应用是为我们提供更多的杠杆，去做更多的事情。但很多人的思路还是停留在“我们以前是怎么做的，能否将其自动化”。
我认为未来的重大突破将在于“以前做不到、但现在可以做到的事情”。
黄仁勋：没错。雄心壮志非常重要，100% 的雄心、能动性（Agency）是核心。
面向未来
Harrison Chase：在结束交流前，针对如何推动这一未来的实现，你认为目前的智能体技术栈（Agentic Stack）还缺失哪些环节？
黄仁勋：我们今天宣布了一项重大的合作。我们正在提供基础的构建模块。这些是构建“超级智能体（Super Agents）”的核心要素。
我所说的超级智能体是指那些特定于领域的、完全属于你的智能体。你可以亲自构建、改进并随着时间的推移不断精炼它们。你可以赋予它们访问专有信息和知识的权限，这些信息对你来说可能是极度隐私的。由此产生的超级智能体将能完成你难以想象的任务，而且表现会极其出色。
我们已经创建了所有关键部分：世界级的语言模型、LangChain DeepAgents 框架（该框架已针对 Nemotron-3-Ultra 的全潜力进行了优化）、帮助大家快速上手的蓝图，以及确保系统安全的 NIM 运行环境和与之集成的加速技术栈。
全球的每家公司、每个开发者现在都能创建这些超级智能体，并将它们部署在任何地方——云端、本地。我的一位好朋友刚在 DGX Spark 上构建了一个系统。现在，你可以在你的笔记本电脑旁通过 DGX Spark 运行这些智能体，也可以在 DGX Station 上运行。如果你愿意，甚至可以在公司内部构建自己的超级计算机，或在云端运行。
现在，这些自动化能力已经可以随处构建，所有拼图都已齐备。没有任何理由不去拥抱它。
Harrison Chase: 这是一个完美的结尾。你的话让我备受鼓舞，这是一场精彩的励志演讲。我现在就打算去构建一些智能体。谢谢 Jensen 的参与。
黄仁勋：祝贺你们，干得漂亮。为你们感到骄傲。
