最近太忙，來篇老黃接力一下。來自：2026年7月25日，Y Combinator在舊金山Chase Center舉辦Startup School 2026。YC總裁陳嘉興（Garry Tan）對話英偉達
創始人兼CEO黃仁勛。所以這期內容基本是微軟英偉達的創業歷史展開的。
前一天，黃仁勛剛發出人生第一條X（Twitter）帖文，聯合Microsoft、Meta等25家公司呼籲美國政府不要限制開放權重AI模型。而一周前，他剛從日本回來，在東京秋葉原GiGO街機廳與世嘉重聚，感謝30年前那筆差點讓兩家公司命運互換的500萬美元投資。
台下坐滿了從全世界篩選來的年輕技術創業者。黃仁勛上台後第一句話："據說到場的人都會成功，所以我很高興自己來了。"台下一片笑聲。接下來近一個小時的對話里，他用一連串故事和判斷講：一個創始人到底需要什麼，應該怎麼做？
1993年，三個年輕人創辦了英偉達。他們的核心判斷是：通用CPU很好，但如果能給它加上加速器，就能解決原本解決不了的問題。第一個選中的問題是3D圖形。那個年代PC剛剛興起，他們想讓每台個人電腦變成一台遊戲主機。
為此他們發明了一套新算法，團隊興奮不已，覺得推理縝密、方向正確。然後花了兩年時間去實現它。
結果這個算法是完全錯的。
用黃仁勛自己的話說，創辦公司所依據的技術，根基就是錯的。到1995年他們發現這個問題時，市場上已經有三四十家公司在做PC端3D圖形。留給英偉達的時間窗口幾乎關死了。
更糟的是，團隊裡沒有人知道正確的做法。他把這件事擺到全公司面前："如果我們不承認這條路走不通，公司就沒了。"然後有人告訴他，不僅技術方向錯了，正確的技術他們也不會。
黃仁勛回憶當時口袋裡大概還有幾百美元。他跑到矽谷當年最大的電子零售店Fry's Electronics，花錢買了三本教科書，內容是關於OpenGL和圖形管線設計的。買回來直接發給工程師們。
"我們拿著風投的錢去買教科書。你想想這件事。"
他說這個故事的重點不在於教科書本身。重點在於：技術永遠在變，只要你能面對現實、願意學習，具體的技術根本不重要。從那以後，英偉達進入了一個又一個從未涉足的技術領域，每次都是同一個態度："這件事很重要，我們就去學，能有多難？"
然後他補了一句："事實上，每次都比我們想像的難得多。但你進去的時候，心態得是'能有多難'。"
黃仁勛還總結了一個關於"什麼造就好公司"的判斷："好公司的根基是對世界的一種獨特視角，你深信不疑，而且追求這個願景很難做到。技術不是最關鍵的，市場也不是。" 在英偉達的例子裡，這個視角就是加速計算會變得重要，而加速計算的核心在於算法，不在於晶片。
讓英偉達發現算法錯誤的那個項目，是和世嘉的合作。世嘉簽了一份價值約1200萬美元的合同，請英偉達為Saturn之後的下一代遊戲主機（後來成為Dreamcast）開發圖形晶片。
但英偉達的技術路線根本走不通。黃仁勛飛到日本，見了時任世嘉CEO入交昭一郎（Irimajiri），告訴他這個合同沒法履行，技術不行，建議世嘉另找人做。
然後他說了一句話："但我還是需要這筆錢。"
他在台上模擬了當時的對話場景："所以你的意思是，我們簽了合同讓你做的事，你做不了，但你想拿走全部的錢？"黃仁勛說："沒錯，正是如此。"
台下笑成一片。黃仁勛補充道："當然，我當時說話很禮貌，也很謙卑。"
入交昭一郎看到的是一個誠實的創始人和一家他相信的公司。如果不給這筆錢，英偉達就會倒閉。入交做了一個決定：把合同剩餘的500萬美元轉為對英偉達的股權投資。
"你們不是在投資公司，你們是在投資人。" 黃仁勛說，入交昭一郎當時做的就是這件事。
這500萬美元讓英偉達活了下來，有了足夠時間去找到正確的技術方向。據公開資料，英偉達此後開發出RIVA 128，然後是改變行業的GeForce系列。1999年英偉達上市時，估值3億美元。世嘉在英偉達上市後立刻賣掉了股份，套現1500萬美元，是原始投資的3倍。
陳嘉興提醒台下："現在這家公司的市值超過了5萬億。"
就在這次對話的一周前，黃仁勛專程去東京秋葉原的世嘉街機廳，當面感謝世嘉三十年前的救命之恩。如果入交昭一郎當年沒有那個決定，今天世界上可能不會有英偉達。
2012年，AlexNet論文發布，深度學習在ImageNet競賽上擊敗了所有傳統方法。整個AI領域為之震動，黃仁勛也看到了這篇論文。但他看到的東西和別人不一樣。
他說：別人看到的是AlexNet，我看到的是一種可以學習任意函數的通用方法。
黃仁勛解釋了他的思維框架：英偉達的世界觀始終是在尋找算法。這個算法可以是分子動力學模擬工具NAMDI，可以是材料科學模擬軟體VASP，可以是圖形渲染標準OpenGL，也可以是資料庫查詢語言SQL。每一個算法域都是一個可以被加速的問題。
所以當深度學習出現時，他問的問題是：這是什麼算法？它為什麼有效？如果把它放大規模，還能解決什麼今天解決不了的問題？
他得出的結論是，深度學習是一個萬能函數逼近器。英文叫universal function approximator。你給它任何函數的輸入和輸出，它能學會這個函數本身。而且對於大量實際問題來說，你不需要精確解，因為精確解本來就不存在。
"十五年前我就到處跟人說，我們剛剛發現了萬能函數逼近器。"
這個判斷驅動了他接下來的所有決策。他問了一連串"如果……那麼會怎樣"的問題：
如果我們有了萬能函數逼近器，計算棧會發生什麼變化？軟體會變成什麼樣？哪些行業會被顛覆？
幾乎立刻，英偉達開始投入電腦視覺。幾乎同時，他們開始做機器人和自動駕駛。因為從萬能函數逼近器出發，你能想像出這些領域的問題是可以被解決的。
黃仁勛把這種思維方式歸結為第一性原理推理：觀察到一件有影響力的事，然後不斷追問"如果這成立，接下來會怎樣？如果這能變得更好，那又怎樣？"。他用這個方法，在十五年前就想像出了他今天描述的"五層蛋糕"，從處理器到中間件到算法到應用的整個AI工業棧。
陳嘉興問了一個很多管理者都關心的問題：你讀論文、直接和首席科學家對話，同時又要管理一個巨型組織。這兩件事怎麼平衡？下面的人不會覺得你在插手嗎？
黃仁勛的回答跳出了"管理技巧"的框架。他說這不是一種管理方法，而是一種性格特質。
"我的起點永遠是好奇心。"
他腦子裡隨時有一堆問題。有時身邊的人給出的答案不夠讓他滿意，或者他們忙著做別的事。所以他的第一反應是自己去找答案。第二反應是，如果發現某個領域的資訊對公司可能很重要，就儘量多學，然後分享給所有人。
他把CEO比作一個"服務者"的角色："CEO是在服務公司，服務所有在那裡工作的人。你想用洞察幫他們打開思路。"他還對陳嘉興說，自己經常看他的播客和影片，收穫不少。"這跟我做的事是一樣的，就是把知識分享出去。"
接著他打了一個比方。
"我覺得當CEO有點像衝浪。我不會衝浪，但我能想像。在我看來浪面就是混亂，但衝浪的人能讀懂浪。他們知道怎麼保持在浪上。"
他說，要讀懂浪，你必須理解第一性原理。技術變化很快的時候，如果你不親手接觸正在發生的事情，要麼覺得一切都太快無法理解，要麼只能接受別人咀嚼過的二手資訊。但如果你長期跟蹤第一性原理，新出現的東西就都說得通了。
這段話的核心其實是在回應"founder mode"這個概念：你不需要在成為CEO後換一種人格。你可以繼續做你自己。
黃仁勛接著給出了一個關於組織設計的判斷。
"你在造一輛你自己要開的F1賽車。你應該把車改成適合你開的樣子。"
有人曾經問他：你不用傳統的管理方法和組織架構，你走了以後怎麼辦？黃仁勛的回答是："我會死在工作崗位上。到那時候，他們可以為下一任CEO重新調整公司。"
他解釋了為什麼這麼說：因為世界競爭激烈，你必須贏、必須完成使命。所以不管用什麼方法，只要能讓創始人更有效地為公司服務，那就是正確的方法。下一任CEO是什麼性格，讓他們自己去調整。
陳嘉興總結說："任何不適合你的改動都會讓你慢下來，輸掉比賽。"
黃仁勛接過話："所以我一直在做的事情就是不斷調整這輛車。不斷重塑業務流程和工作方式，讓我能更有效地為公司服務。"
然後他說了一句引起掌聲的話："Founder mode可以持續34年。從零到5萬億。沒有反例。"
對話進入技術前沿話題後，黃仁勛談到了他對開源的態度。
他回憶第一次看到OpenClaw時的反應："我的第一個念頭是，我們剛剛設計出了現代電腦的作業系統。這就是一個承載大語言模型的作業系統。對我來說，這就是Linux時刻。"
OpenClaw在2026年1月25日由奧地利開發者Peter Steinberger發布，在幾周內成為GitHub上增長速度極快的開源項目。它本質上是一個把AI大模型從對話工具變成自主agent的執行引擎，能發郵件、管日程、跨設備觸發工作流，而且所有數據不需要經過雲端。
黃仁勛立刻聯繫了Peter，告訴他："英偉達所有的工程師都是你的工程師。你拆解問題，我們來貢獻。"同樣的態度也給到了Hermes團隊。Hermes是Nous Research在2026年2月推出的開源自主agent框架，截至2026年中已超過18萬GitHub star，有370多位社區貢獻者。
在GTC 2026上，黃仁勛宣布了NemoClaw，在OpenClaw基礎上加上企業級安全和隱私控制的版本。他在台上說的那句話廣為傳播："Mac和Windows是個人電腦的作業系統，OpenClaw是個人AI的作業系統。"
他在Startup School上把這個信念延伸得更遠："我認為世界需要讓每個人都能構建自己的AI。你當然應該用ChatGPT和Claude，每個人都應該用。但如果你是一家公司，需要構建自己的領域專用AI，現在你有了Hermes、有了OpenClaw、有了LangChain、Deep Agent，各種各樣的方式。而且說實話，因為AI本身足夠聰明，構建AI的過程其實相對容易。"
黃仁勛在對話中給出了一個關於agent技術未來的關鍵判斷。
他先描述了一個已經在發生的現象：agent正在實現粗粒度的遞歸自我改進。 每次使用agent，它會改進自己的markdown文件，更新長期記憶，而這些記憶在後台被壓縮或轉化為知識圖譜。agent每用一次就變聰明一點，這個過程是異步的、持續的。
但他認為當前的瓶頸不在智能程度，而在控制精度。
"我認為可控性可能是agent在每一個層級上最需要的突破。"
他描述了一個理想場景：當agent生成了一個方案，你只需要修改方案文件中的一個詞，這個詞就產生精確的增量差異，不是全盤推倒重來，而是只改變你想改的那一點。可能是一個像素、一個三角形、一個CAD文件中的組件、一層電路、一個連接。改了那個詞之後，agent自動重新生成其餘所有內容。
"我們不需要agent做到100%準確、100%高質量才能使用它。它可以只做到80%，然後我們幫它完成剩下的。或者它做到99%，我們幫它最後1%。"
這個觀點的深層含義是：agent的價值不在於完全替代人，而在於人機協作的顆粒度有多細。 如果控制精度足夠高，agent哪怕只有80%的準確率也已經是革命性的工具。
陳嘉興追問：你覺得人們應該擁有自己的個人AGI嗎？不應該把這件事外包給雲端、讓別人的agent來告訴你該做什麼？
黃仁勛沒有直接說"是"，但他的回答指向了一個方向。他說英偉達深入agent領域有三層原因：第一，agent是新的軟體，理解它的處理方式對計算架構至關重要；第二，英偉達自己也在大規模使用agent來加速公司運轉，Claude Code在公司內部的沙盒裡自主運行，有人用Codex，有人用Cursor，有人用Cognition，"讓一千朵花綻放"；第三，這是在探索未來的技術方案。
他還解釋了為什麼英偉達必須走在前面："我們得活在未來五到十年裡，因為造一個系統需要大約三年，爬坡需要兩年，而你還希望用戶能用這台電腦十年。" 所以他們今天就要搞清楚agent系統的工作負載是什麼樣的，算法會怎麼演化，瓶頸在哪裡，Amdahl's law的限制在哪裡，並發怎麼處理，沙盒和MCP怎麼設計，工作記憶和長期記憶怎麼協調。
他舉了一個追問如何催生新產品的例子：幾年前他們看到斯坦福早期關於鏈式思考的研究時，問了一個問題。如果推理能力可以拓展，對電腦視覺意味著什麼？如果模型能基於先驗知識推理，自動駕駛還需要那麼多訓練數據嗎？
這個追問直接催生了Alpamayo，英偉達在CES 2026上發布的開源自動駕駛AI模型系列。
Alpamayo是黃仁勛口中"物理AI"戰略的第一個大型落地產品。
他回憶了觸發這條技術路線的關鍵時刻：他看到AI生成影片的那一刻。 英偉達的實驗室在市面上出現AI生成影片之前好幾年，就已經用神經網路完全生成的畫面驅動模擬器了。當時用的技術是漸進式GAN和條件GAN。
"當我看到AI生成手指運動的影片、生成手拿起杯子的影片時，我想，為什麼不能讓機器人做同樣的事？"
這讓他意識到，機器人運動控制即將突破。接下來的問題就變成了：機器人怎麼理解物理定律？怎麼理解因果關係、摩擦力、張力？
英偉達開始研發他所說的"世界基礎模型"，一種理解物理定律和世界運作方式的AI。這就是後來的Cosmos項目，以及整個物理AI技術棧。
黃仁勛做了一個判斷："機器人的ChatGPT時刻已經在幾年前發生了。"
他解釋這個類比：還記得ChatGPT剛出來時嗎？它並沒有做任何有生產力的事，但它打開了人們對可能性的想像。機器人的情況類似，幾年前機器人已經能走路，能通過強化學習微調、在物理環境中落地了。現在要做的是和數字agent同樣的事：創建用於學習和評估的環境。
具體來說是三步循環。
第一步，從真實世界到模擬器，也就是業內說的real to sim，用來創建訓練環境。第二步，在Isaac Sim和Cosmos這樣的模擬器中訓練，既有基於物理法則的模擬，也有生成式物理模擬。第三步，從模擬器回到真實世界，通過強化學習和電機系統的適配完成落地。
陳嘉興問：物理AI最先在哪裡產生經濟價值？
黃仁勛的回答是自動駕駛。他們判斷自動駕駛同時滿足三個條件：市場足夠大、技術相對標準化可以形成飛輪、有真實的經濟回報。
然後他列舉了英偉達在這個領域的布局：Waymo的車裡用的是英偉達晶片；Tesla從車內晶片轉到數據中心都在用英偉達；英偉達把整個自動駕駛技術棧開源了，因為除了乘用車之外，農業、物流、倉庫AMR都需要自主導航，每個細分市場都不夠大到獨立支撐，但合在一起就是一個巨大的生態。據此前報道，梅賽德斯-奔馳CLA也從2026年第一季度開始搭載基於Alpamayo的英偉達DRIVE駕駛棧。
"我們的物理AI業務現在接近100億美元。這很可能成為世界上最大的產業之一。時間尺度上，比兩三年長，比十年短。這會是我們的下一個千億美元業務。"
關於Alpamayo本身，黃仁勛強調了它和傳統自動駕駛系統的根本區別。傳統系統依賴海量駕駛數據訓練，Alpamayo的核心突破在於引入了鏈式思考推理。據公開資料，它的核心是一個100億參數的視覺-語言-動作模型，能像人一樣"想"，面對一個從未見過的場景，它能從先驗知識出發，分解問題，生成推理軌跡，然後做出決策並解釋原因。
"有了先驗知識和推理能力，用大約一兩百萬英里的數據就能訓練出一輛非常出色的自動駕駛汽車。這和人類學開車一樣，我們不需要那麼多里程就能開好車，因為我們有語言模型提供的先驗知識，能把一個沒見過的情況拆解成已知的部分。"
對於一個所有人都關心的問題：AI會搶走工作嗎？
黃仁勛承認這個話題的答案是不均勻的。有些純粹的認知任務確實會被自動化，比如你的工作就是接電話、在資料庫里查資訊、把答案念給對方聽，那這個任務會被替代。
但他隨後把話鋒轉向了他認為更重要的結論："AI正在消滅任務，但它不一定消滅工作。所有證據都指向這個方向。說AI摧毀就業的敘事是完全反過來的。"
他的邏輯是：一個人的工作崗位背後是一個目的，這個目的包含很多任務。有些任務可以被自動化，但很多不能。自動化掉可自動化的部分後，人能處理更多事務，這打開了原來被壓抑的需求。
然後他給出了三個具體的數據點：
第一，編程作為一項任務已經被大幅自動化了，但軟體工程師的崗位數量每年還在增長10%。因為編程任務的自動化釋放了創意的積壓，原本因為編程資源不夠而擱置的項目，現在可以動手了。公司變得更有野心，就需要更多工程師。
第二，放射科的讀片任務已經被AI全面接管了，但放射科醫生的崗位在過去幾年增長了約20%。原因是患者的積壓需求極高。現在醫院可以接診更多病人，而要接診更多病人，就需要更多護士、更多放射科醫生。
第三，Harvey這樣的法律AI本來被預測會消滅大量律師助理的工作。結果律師助理的崗位增長迅猛，因為訴訟積壓量很大，律所能處理更多案件了，需要更多人手。
"這是經典中的經典：生產率提高帶動增長，增長驅動更多就業。這就是為什麼今天的就業總量比我剛畢業時要多得多。"
陳嘉興把話題拉到了一個私人細節上：歡迎黃仁勛來到X。
黃仁勛笑著說："這說明我有多內向。到2026年才發出第一條帖。我大概是地球上最後一個這麼做的人。"
但他隨即把話收回來："我發的內容對我太重要、對行業太重要、對世界太重要了。所以我克服了害羞。"
他發的是一封由英偉達聯合Microsoft、Meta、Hugging Face等25家公司簽署的公開信，呼籲美國政策制定者不要過度限制開放權重AI模型。信中的核心論點是：美國的AI領導地位不能只靠一兩個封閉的前沿模型，還需要一個開放的生態，讓企業、大學、創業公司和公共機構都能使用和改造先進的AI系統。
黃仁勛在台上的表態更加鮮明："沒有開源，移動網際網路和雲計算產業就不會發生。沒有Linux、沒有Kubernetes、沒有TensorFlow，或者更重要的是PyTorch，以及更早的Caffe、Torch、Theano，這些全都是開源的。沒有它們，現代AI怎麼可能存在？"
陳嘉興補了一句：所有真正的超額收益都在構建自己的AI里。別人用現成的，你有一個能遞歸自我改進的系統，這才是差異化。
黃仁勛接上了一句話："文字就是思想。試試不用文字去思考。"
台下有笑聲，但這句話值得多想一步。agent的自我改進靠的是markdown文件，純文本。那些嘲笑"只是文本"的人，可能低估了文本的力量。
回到"年輕人應該學什麼"這個問題，黃仁勛的回答是：學系統思維。
"這可能是未來最重要的技能。大多數低層級的事情反正都會被agent自動完成。在我這一代，晶片設計中的綜合、布局、門級設計已經全部被自動化了。我們大部分的設計師都是系統設計師。軟體也是一樣，大多數代碼編寫最終都會由agent完成。所以你必須能在更高的抽象層面上思考系統。"
他描述了系統思維的內容：你要解決什麼問題？約束是什麼？輸入輸出在哪裡？資訊的流入流出速度是多少？瓶頸在處理器、內存還是網路？
"在足夠的技術深度上理解系統問題，對在座所有人來說都會非常有用。我不認為這種基礎知識會有過時的一天。它只會越來越有用。"
他還做了一個推論：當你能編排數百萬個agent自主解決問題時，你的優勢就顯現了。編排的能力依賴於對系統的理解。編程是agent會做的事，但架構、約束和權衡的判斷力是你的事。
有人問他：年輕人現在學什麼，將來還有用？
黃仁勛劃了一條線：簡單的東西會被自動化，困難的東西不會。
他舉了自己的例子："我那個年代還要學長除法。誰還需要學長除法？那個早就被自動化了。"他把編程歸入同一類，"你坐在電腦前自己寫代碼這個概念，顯然會被自動化掉。"
但困難的學科不會消失：物理、化學、生物、電腦科學、電腦工程、系統思維，特別是那些交叉領域的困難問題。他還提到，理解技術與社會問題的交叉、理解市場缺口和機會，這些能力也依然重要。
"AI只是一個工具，讓我們能更有野心、更沒耐心地去解決那些極其龐大和極其困難的問題。"
他又回到了晶片設計做對比。他剛畢業時，一個晶片設計師設計的晶片可能有一千個電晶體，那就算很大了。現在？"如果有人告訴我下一顆晶片有一萬億個電晶體，我會說'好的'。這不算什麼事。因為我們現在的野心太大了，問題的規模不再是限制。你不需要擔心需要寫多少代碼、需要多少工程師。你只需要想，你要解決什麼問題。"
最後他加了兩個字："Stay in school。"台下掌聲響了起來。
對話接近尾聲，陳嘉興問了一個問題：如果你能給18到22歲的自己發一條消息，你會說什麼？
黃仁勛回答得很快。他先描述了創業初期的真實感受。
"我清楚地記得英偉達剛成立時我的感覺。我覺得有太多東西要知道、太多東西要學，而我什麼都不知道。"
那時候沒有YouTube，沒有YC，沒有人教你怎麼創業。他去書店買了一本書，書名就叫《How to Start a Company》。不幸的是那本書有500頁。"我想等我讀完它，公司也倒了，我和Lori（他的妻子）也沒錢了。"
他記憶尤其深刻的是去見投資人之前的恐懼，害怕自己回答不了他們的問題。"而且確實如此，我到今天也不見得能回答好他們的問題。"
"但我後來學到的是，那些東西都不重要。 你永遠都會有不知道的事。每一天世界都在變、技術都在變。"
然後他說了一段話：
"這是過去60年來創業最好的時代。整個行業已經重置了。人類歷史上最重要的技術，電腦，被徹底重置了。這絕對是創業最好的時機，我嫉妒你們所有人。"
但技術變化太快，怎麼辦？他給出的心理框架是三個層次：
第一，心態要對。 不管面對什麼新東西，告訴自己"這很重要，我得去學，能有多難？"
第二，承認它會很難。 "事實上永遠比你想的難得多。但你不要讓腦子停留在'這會有多難'上面，因為那只會變成焦慮，讓你什麼都不做。"
第三，只過好今天。 "你不需要一天之內克服人生所有的困難。你只需要撐過今天早上。今天早上撐過了，就往明天努力。追著你的夢走。如果你堅持得夠久，英偉達就會發生。"
"學習是最強的超能力。如果你相信自己的學習能力，走進去的時候告訴自己'能有多難'，然後接受它確實很難，每天靠韌性去克服它，那大概就是創業者需要的一切了。"
Q1: 英偉達創業時選錯了技術路線，為什麼還能活下來？
因為黃仁勛在發現技術方向錯誤後，做了兩件關鍵的事。第一是面對現實，把問題擺到全公司面前，承認路走不通。第二是去學正確的做法，去Fry's買了三本教科書，讓工程師從頭學OpenGL和圖形管線設計。同時，世嘉CEO入交昭一郎的500萬美元投資給了英偉達活命的時間。黃仁勛從這段經歷中提煉出的核心信念是：技術永遠在變，只要你能面對現實並且願意學習，具體的技術不重要。
Q2: 黃仁勛為什麼認為AI消滅的是任務而不是工作？
他的邏輯是：一個工作崗位服務於一個目的，這個目的包含很多任務。AI自動化了其中一部分任務，但剩下的任務仍然需要人來做。更關鍵的是，任務自動化釋放了此前被壓抑的需求積壓。他舉了三個實際案例：編程任務被自動化後軟體工程師崗位年增10%，讀片被AI接管後放射科醫生崗位增長約20%，法律AI出現後律師助理的需求反而飆升。核心機制是：生產率提升帶動增長，增長驅動更多就業。
Q3: 在AI時代，年輕人最應該培養什麼能力？
系統思維。黃仁勛認為大多數低層級的執行工作，包括編程，最終都會被agent自動完成，但理解系統級問題的能力永遠不會過時。約束在哪裡、瓶頸是什麼、資訊如何流動、怎麼編排百萬個agent自主工作，這些是人的判斷力。同時，物理、化學、生物等困難科學和交叉學科的深層問題也不會消失。AI只是讓人類有能力去處理更大規模、更高難度的問題。
