重构计算堆栈与软件范式

上下文： Jensen 确认了继 Blackwell 之后的新一代架构 Vera Rubin。这不仅仅是 GPU 的迭代，而是整个计算堆栈（计算、网络、存储、安全）的重写。

• 技术栈协同： 既然计算单元（GPU）已经进化，与之配套的网络（Cisco Nexus）必须进化为 AI-Native 的控制平面，否则会成为瓶颈。
• 显式 vs 隐式编程：
  • Explicit (旧时代): 程序员编写指令，通过 API 传递明确的变量。
  • Implicit (Rubin 时代): 程序员定义意图 (Intent)，系统自行推导执行路径。

核心逻辑： 为什么这次不仅仅是像 PC 或 Cloud 那样的升级？

• 检索式 (Retrieval-based): 过去的软件像 CD-ROM。所有内容都是预录制（Pre-recorded）的。点击按钮 → 读取数据库 → 呈现预设好的像素。
• 生成式 (Generative): 现在的软件是实时的。此时此刻的对话、界面、逻辑，都是 AI 根据上下文 (Context) 实时生成的。这意味着每一次交互在历史上都是唯一的。

深度复盘： 14年前，两个学生（Ilya Sutskever 等）用 GPU 击败了专家研究 30 年的计算机视觉算法。

• 物理世界 vs 复杂世界： 物理世界有 F=ma，有 Maxwell 方程组，有热力学定律。这些问题可以通过数学公式完美求解。
• "It Depends" 问题： 大多数高价值问题（识别猫、自动驾驶、企业决策）没有公式。答案永远是“视情况而定”。
• 结论： 对于没有第一性原理公式的复杂系统，深度学习 (Deep Learning) 是唯一解，因为它从数据中学习“It Depends”的分布，而不是试图编码规则。

Agentic AI 核心特征：

• 感知 (Perception): 不仅是文本，而是多模态理解（视觉、PDF、传感器）。
• 推理 (Reasoning): 遇到未见过的问题时，不直接输出概率最高的词，而是先思考（Reasoning）、拆解问题、制定计划（Planning）。
• 工具链 (Tool Use): 知道自己不知道什么，懂得去调用外部工具（RAG、搜索、API）来补全能力。

反直觉的管理建议：

• Let a thousand flowers bloom: 创新初期必须允许混乱。试图在早期控制（Control）会扼杀可能性。控制是创新的反义词。
• Yes, then Why: 员工要用 AI 工具，先批准，再问原因。就像允许孩子探索世界一样。
• Curate Later: 只有当内部出现数百个实验项目后，再进行策展和修剪。不要在一开始就搞“顶层设计”。

思维实验： 摩尔定律是每10年100倍，AI 是每10年100万倍。这实际上意味着计算成本趋近于零。

• 重构业务： 如果完成一项任务（如芯片布线、药物筛选）的时间从1年变为1秒，你会怎么做？
• 全量处理： 以前做图分析（Graph Analytics）需要切片处理，因为算力不够。现在应该直接处理全量数据图谱。
• Abundance: 不要为了省钱而做局部优化，要为了解决所有问题做全局优化。

给技术人员的警示：

• Coding (Typing) is Commodity: 仅仅是将逻辑翻译成 C++/Python 语法的过程（Typing）正在迅速贬值。GitHub Copilot 已经接管了这部分工作。
• Domain Expertise is Superpower: 真正的价值在于理解业务、理解客户、定义问题。
• Human Language as Code: 未来的编程语言是英语（或希伯来语、中文）。通过自然语言定义意图，AI 负责实现。这使得“领域专家”直接具备了软件构建能力。