黄仁勋对话LangChain创始人：未来大多数公司都将建立在Harness上

Harrison Chase：很高兴能和黄仁勋（Jensen）坐在这里。过去一年，AI和智能体领域进展飞速，尤其是最近这几个月，我感觉很多突破都体现在性能的大幅提升上。但与此同时，我们也看到，这些模型及其周边系统的开放性、可控性和信任度正变得愈发关键。所以我第一个想问的是：英伟达为什么、又是如何投资建设一个开放的智能体生态与技术栈的？

黄仁勋：嗯，在回答之前，首先想祝贺你们取得的成就。其实回顾过去六个月，我们都会认同——尽管我们在AI领域已经耕耘了15年，但过去这六个月真正改变了一切。所有的技术积累、大语言模型的进步、规模扩展、各类突破、全模态模型、多模态能力……这些都非常了不起。但最终，是在这六个月里，一切才真正汇聚到了一起。现在，AI终于“有用”了。而一旦AI变得有用，全世界每一家公司、每一个企业都想把它握在手里。接下来的问题就是：怎么用？而这正是LangChain发挥作用的地方。你一直有一个愿景：大语言模型是核心要素，是基础赋能技术。但要把它变成真正有用的产品，就必须为它套上一个如今被称为“harness（工作流框架）”的东西。

Harrison Chase：远不止这一点。

黄仁勋：远不止这一点，还有更多。早年间，我们用LangChain把大语言模型封装成可提示的API；用它搭建RAG（检索增强生成）；一步步走下来，最终演变成了今天的智能体。过去六个月的真正突破，就在于这些“智能体系统”：它们扎根于知识，能够调用工具进行搜索，拥有自主管理的记忆，具备安全防护机制，并且可以持续迭代直到任务完成。但这一切的前提，是模型的能力达到了某个临界点，让所有要素汇聚成那个“引爆点”。Claude Code真正点燃了人们对智能体系统的想象力；OpenClaw当然也是一件大事，还有你们做的那些工作——比如Deep Agents，我们自己也在用。所有这些拼在一起，砰——智能体时代就到来了。

我们之所以这么做，是因为多年来一直致力于构建开放系统。原因很简单：AI是一项基础技术，只有在无数不同的应用场景中落地，它才有价值。当然，第一个应用场景是语言和认知智能，这非常重要。但我们想象这样一个世界：科学家、数字生物学家、设计师、机器人工程师、学生和研究人员、企业IT……所有人都能使用智能体系统、使用AI来解决特定领域的问题。

我们要解决的许多问题，要么涉及外部无法获取的专有领域知识，必须将这些知识嵌入、注入到我们的AI中；要么是因为我们相信，当AI进入一个“飞轮”——我们使用它，它变得更聪明、更有用，我们再更多地使用它，它又进一步变聪明——就像人类随着时间不断学习一样，AI才能最终进化成超级智能体。所以我们设想的未来是：AI有一个共同的基础，Anthropic、OpenAI、Google做的工作都非常出色，但同时，人们也希望构建专业化的AI、垂直领域的AI，以及专有的AI。而我们，就是要促成这样的未来。

Harrison Chase：顺着“专业化”这个话题再深入一点：你认为怎样才是专业化这些系统的最佳方式？是靠模型本身？还是也要靠那个“harness”？或是外部上下文？专业化究竟包含哪些要素？

黄仁勋：嗯，专业化首先要建立在足够强的智能之上。这也是为什么我们研发了Nemotron，而且我非常高兴你是Nemotron联盟创始团队的一员。我们把Nemotron Ultra做得相当惊艳。Nemotron Ultra本身就是一个很棒的模型，但当你把LangChain框架、LangChain的harness套在它外面，让它扎根于特定领域的知识时，它就变成了一个不可思议的模型。就像一个聪明人，当我们赋予他接触关键信息的能力时，他会变得极其有用。

获取信息很重要，把它放进一个飞轮里也很重要——甚至可以在LangChain harness内部对模型进行后训练，让模型更擅长运用它周围的这套harness。这正是我们想要做的。我认为这一刻已经到来，但我们需要一个开放的harness系统——我们可以自己构建、应用，并随着时间的推移不断优化它。

Harrison Chase：我很赞同你说的“模型足够好”这一点。我觉得这个门槛，大概一年前某些前沿模型就已经跨过了，近六个月来一些开源权重模型也做到了。你提到了Nemotron 3 Ultra。我们在Deep Agents里对它做了大量优化，其中一些工作就是调整harness，让它最适配这个模型。因为我们发现，不同模型需要不同的提示词、不同的工具。通过这些调整，我们在Deep Agents里跑Nemotron3 Ultra，用我们的内部基准测试，它的得分达到了约 86%——作为对比，Claude Opus是87%，DeepSeek和 MiniMax的某个模型大概在82%、83%左右。所以我们开始看到，一些最新的开源权重模型正在真正逼近前沿模型的性能。我真的太自豪了，谢谢你。但这还不是最关键的——它比Opus便宜十倍。我认为开源权重模型确实在性能和成本之间找到了一个很好的平衡点。所以我很好奇，你怎么看成本因素会改变开发者们的考量？

黄仁勋：成本优势体现在几个方面。我认为，当智能变得成本低廉，人们就会用得更多。当一个智能体性价比极高，你就可以在更大的搜索空间中进行迭代，结果反而可能更好。以Nemotron为例，它成本低是因为速度快、计算效率高。计算效率高，就能探索更大的空间——这和一个人思维敏捷是一个道理：思考得快，探索的空间就更大；尝试得更快，就更有可能找到更好的答案。这就是Nemotron 3 Ultra在LangChain框架、再嵌套进Deep Agent里的巨大优势：它思考快、探索快、迭代快，而且高效，因此能找到更好的答案。我们创造了一个接近前沿水平的模型，而你通过调整Nemotron周边的环境，让它发挥出了前沿级别的能力。对人类来说其实也一样：我们当然喜欢雇佣世界上最聪明的人，但除此之外，我们还要给他们工具、给他们信息，还要营造环境，让他们能够充分发挥潜力。所以你要调整的不仅是模型，还有环境。这正是LangChain的价值所在。

Harrison Chase：你提到随着智能变得更便宜、更快，人们会更多地使用它，这一点我们深有体会。我自认为算是个“AI乐观派”，但我还是低估了一件事，那就是对智能、对token的需求到底有多大，这个市场有多庞大。尤其是最近，随着模型变好、变快、变便宜，这一点体现得尤为明显。那么我们应该如何看待前沿模型的使用？是不是应该一直用开源模型？两者各自适用的场景是什么？

黄仁勋：前沿模型一直在进步，我完全相信它们会变得难以置信地强大。它们的提升空间还很大，缩放定律依然有效，它们的harness在不断改进，记忆处理技术——无论是工作记忆还是长期记忆——都在飞速发展。检索增强生成、知识图谱……所有这些令人惊叹的进展，都在不断被集成进前沿模型的 API中。

我的想法是：坦白说，我做任何事都是从前沿模型开始的。原因是它真的有用。我知道成本会高一点，但我完成任务的速度极快。然而久而久之，我发现我想给它们添加子智能体，连接那些在特定技能上极强的“超级子智能体”。比如我们公司内部有供应链优化、芯片设计优化、布局规划优化等问题，这些问题极其棘手。你不可能指望一个通用AI自己去硬算，然后指望它给出一个绝佳答案。所以我们需要创建超级子智能体——用Deep Agents、LangChain Deep Agents，内置Nemotron3来做这件事，甚至把它们连接到专用工具上。这个智能体只为一项工作而生：它不是来帮我订机票、约会议的，它就是来优化供应链的。在这种情况下，我确实需要LangChain，需要Nemotron 3 Ultra，需要接入大量专有知识和专有技能，还需要一整个团队专门去打磨它。

我认为，一家公司的本质，其实就是由这样一大批高度专有、高度重要的工作流组成的。现在我们可以借助LangChain+Deep Agent +Nemotron 3 Ultra，给予它们所需的一切控制权，实现超高效率，调用强大的工具。这就是未来。

Harrison Chase：对于那些正在效仿你们“从前沿模型起步，再逐步专业化”的企业，你有什么建议？他们应该在什么时候考虑专业化？有哪些信号可以触发这种转变？

黄仁勋：一旦模型足够好，就可以开始了。我会先用Claude Code和Codex，能用多久就用多久。坦白说，很多事情你根本不需要替换——因为它们一直在变好，发展轨迹极其迅猛。未来，就像今天的企业既有专职员工一样——这些员工拥有深厚的领域专长，对公司流程了如指掌，他们多年积累的经验和知识无比宝贵——同时我们也会聘请顾问、采购外部工具、外包部分工作。AI的未来也是如此。我们会继续大量使用前沿模型吗？绝对会，而且用量巨大。

但我们也会用LangChain和Nemotron 3 Ultra打造专业化的超级智能体——这些智能体甚至可能成为企业的“皇冠明珠”。答案是肯定的。即便是请来的外部顾问，你也得像对待新员工一样，让他们熟悉组织、了解背景、知道哪些工具可以访问内部数据。我们看到，随着企业开始采用AI，必须围绕智能体构建一整套系统，才能让整个智能体生态变得可信、安全、合规，具备良好的治理能力。

我很想补充一点：今天大多数公司建立在业务流程之上；未来，大多数公司将建立在“harness”之上。LangChain将成为构建公司操作系统的工具。每个人都会用LangChain来创建代表过往工作流的专用harness，而这个harness将变得自主、智能，效率大幅提升。

Harrison Chase：没错。我们看到，这里有harness，有模型，还有周围的所有上下文，这些都可以在不同阶段分别优化。我们和Nemotron3的合作就是一个很好的例子——我们在harness层面做了一些投入产出比很高的事情：改提示词、换工具。接下来我们很期待的一件事，是对Nemotron进行后训练实验——虽然这需要更多时间，但我认为这会真正拔高整个系统的上限。

黄仁勋：这太了不起了，这是一个重大突破。你刚才描述的，是一个这样的未来：一旦harness构建完成，开始运转，成为业务流程的一部分并取得成功，接下来的问题就是：如何让它变得更好？当然，你可以持续优化输入的信息，微调harness，但现在你还可以优化harness内部的AI模型——也就是Nemotron 3 Ultra。这是一次彻底的突破，这种能力以前从未存在过，我对此非常兴奋。

Harrison Chase：这将真正带动所有企业级业务流程，启动那个优化的飞轮。我们在和企业交流时听到的一个强烈诉求，就是希望这一切建立在开放的生态之上。毕竟这是企业全部的知识和流程，对他们来说，拥有完全的控制权至关重要。所以我很想听听你对开放技术栈如何赋能企业的看法。

黄仁勋：每一家公司的根基，本质上都是特定领域的知识产权。我们称之为“知识产权”，“Intellectual”就是智能。每家公司都建立在某种专门的智能基础之上——我们公司擅长某一件事，不是样样精通，但在那一点上非常强。每家公司都是如此。这种专业化，就是你公司的智能，就是你的身份。你不可能不继续掌控它、改进它、优化它。把这种智能外包出去——无论对个人、公司还是国家——在我看来都说不通。

当然，也存在通用智能和通用任务，它们构成了经济的很大一部分。比如软件编程就是一种通用技能：我们都用Python、C++编程，技能本身是通用的。写作也是通用技能。但这些是基础能力，我们要把它们应用到自己的专业领域智能中去。这正是LangChain和Nemotron的用武之地。我认为社会的基础将由这些基础模型构成——它们是通用的，云端可用，非常强大。但在这个平台之上，我们必须构建自己的专有能力，而这需要开放的工具。你不能外包这件事。我无法想象，当我需要提升自己的智能时，我要打电话给第三方。我需要在公司内部就地提升。所以未来不是非此即彼，而是互补的图景。我们正在做的，就是确保自动化智能被整合进我们所做的一切之中，最终让我们所有人都变得更好。

Harrison Chase：完全同意。但目前要把这种整合跑起来仍然很难。所以我们今天宣布的一项合作，就是在NVIDIA Nemo蓝图系列中推出基于Deep Agents和OpenShell的方案。这将让企业能够在OpenShell  ——一个安全、开放的运行时环境中——运行内置Nemotron 3 Ultra的Deep Agents，充分释放其能力。

黄仁勋：这真的是一件大事。

Harrison Chase：希望它能让大家构建自己的专属领域、专有超级智能体的过程变得容易得多。

黄仁勋：所有必要的核心要素——技术、组件、工具、harness框架，再加上一个优秀的蓝图示例——全都为你准备好了。

Harrison Chase：你们是怎么看待这些蓝图的？你们有很多蓝图，这显然是最好的一个——我不会逼你说这话，但我自己会说这是目前最好的。为什么要在这上面投入这么多？

黄仁勋：因为现在的工具仍然比较晦涩，构建智能体系统、构建AI并不简单，涉及的技术模块非常多。我们刚才提到了一些：大语言模型、工具调用、知识图谱、记忆系统、护栏系统、微调系统，现在还有针对harness的后训练技术，当然还有harness本身。但做完之后呢？还有运行时。你需要一个沙箱环境来安全运行它，确保安全、隐私，访问控制要由IT 部门掌握。

Harrison Chase：在企业内部署时，安全性、访问控制是最难的部分吗？

黄仁勋：不解决安全和访问控制，部署根本无从谈起。这就好比你不给新员工办入职、不给权限，就不可能招到人。我们不会给每个员工开放所有网络文件，而是根据岗位职责，授予他们相应的工具访问权——笔记本、设计工具、编程工具等等，开放网络的特定部分，提供特定的信息，把他们连接到其他智能体或同事，再给他们一份“技能档案”——本质上是一份说明文档：“这是你的使命，这是以往的做法，现在请你做得更好。”

所以在很多方面，我们其实是在为AI构建一个类似HR的系统，让IT部门和各业务单元能够在企业内部构建、优化和部署这些智能体。

Harrison Chase：这更像是一个哲学问题：大家经常把智能体拟人化，把它们纳入人类的社会系统，但智能体毕竟不是人类——它们在某些方面优于人类，在其他方面则截然不同，甚至不如人类。你觉得拟人化的尺度应该在哪里？

黄仁勋：归根结底，它只是电子，不是原子；它是非生物的，没有意识，不会醒过来，完全不是那回事。它就是一个工具——有点像家里到处跑的扫地机器人。它自动打扫房间，做的是我以前做的事。现在还有自动割草机……试想一百年前第一台洗碗机出现时，看着它自己洗盘子，一定很神奇。我们叫它“洗碗机”，这个名字听起来有点像人。我第一份工作就是洗碗工。所以从很多角度看，我们会逐渐习惯它。

目前的问题是，我们往往赋予了它过多的人类属性。它离那还差得远——它就是软件，就是计算机。我们很清楚它是怎么工作的，因为我们亲手构建了它周围的harness，看着它一点点变好。如果我们不理解一个东西的工作原理，又怎么能不断改进它、修复它？所以我们显然知道这些系统是如何运作的，我认为我们应该保持这种清醒的认知。

与此同时，我们观察到一个现象：我们用的AI越多，反而需要雇佣的人越多。原因是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——他们以前写代码，现在构建智能体。如果问我手下的工程师，他们都更愿意构建智能体，而不是写 Python 代码。写代码就像是打字，他们以后会少打字，更多地做系统工程师的工作——构建这些酷炫的自主系统，创造评估指标（evals）、设计基准测试、搭建护栏。这不正是事实吗？所以，把AI引入现实世界的工作量其实非常惊人，这也创造了大量就业机会，我的工程师们都很喜欢这份工作。

Harrison Chase：你刚才简要提到了evals（评估）。我们认为这是解锁企业内大规模智能体应用的关键一环。你需要对它的表现有个判断。量化它好不好，往往最适合由企业内部的领域专家来完成——他们身在业务中，可以轻松给出反馈，与系统协作，把工作中繁琐的部分自动化，从而腾出时间去做真正需要智力挑战和创造性的工作。

黄仁勋：无论在哪个领域——医生、设计师还是软件工程师——你都在创建一个智能体，把那些重复性的工作交给它。同时，我们都在努力让我们的智能体升级，和我们一起完成以前做不到的事。这需要想象力，需要创造力，也需要大量技术。

Harrison Chase：说得非常到位。目前我们看到的最好的智能体应用，大多是让我们自己获得更大的杠杆，能做更多的事。现在的方法论往往是：回顾我们以前做什么，能不能自动化？但未来的突破，将来自于“以前根本做不到的事，现在可以做了”。没错，雄心壮志很重要，任务目标也很重要。顺着这个思路，作为收尾，你认为要推动这个未来，目前的智能体技术栈还缺哪些拼图？

黄仁勋：今天我们要宣布一件大事——真的是件大事。我们正在提供基础的构建模块、地基，以及构建超级智能体的所有关键要素。我说的“超级智能体”，是指那些领域专用的、属于你自己的智能体——你来构建、优化、打磨，赋予它们访问专有信息和知识的权限，这些信息可能对你而言极度私密。因此，这些超级智能体将能完成你难以想象的任务，并且表现得极为出色。

我们已经准备好了所有关键环节：世界一流的语言模型；经过调优以充分释放Nemotron 3 Ultra潜力的LangChain Deep Agents框架；帮助所有人上手的一套蓝图；当然还有运行时——Open Shell运行时，保障安全；以及深度集成的加速栈。现在，全世界的每一家企业、每一位开发者，都应该能够构建这些超级智能体，并将其部署在云端、本地，或任何地方。我的一位好友刚刚在DGX Spark 上搭了一个，现在这些智能体就可以运行在你笔记本旁的 DGX Spark 上，也可以跑在 DGX Station 上。如果你愿意，可以在公司内部自建超算，或者在云上运行。现在，随处可用的智能体能力已经就绪，所有拼图都已齐备。没有任何借口不去拥抱它了。

Harrison Chase：这真是一个完美的收尾。你讲的时候把我都讲燃起来了——这简直是一场精彩的动员演讲。我现在就要出去构建几个智能体。谢谢你们，恭喜，干得好，为你们感到骄傲！