从数字人到世界模型：一个研究者的二十年求索
刘洺堉（Liu Mingyu）是英伟达的研究副总裁，也是 Cosmos Lab 的负责人。他于十年前加入英伟达，彼时公司尚未被广泛视为一家人工智能企业——主流研究仍聚焦于 GPU 架构与传统计算机图形学，而非生成式 AI。他在入职时的 job talk 中就提出一个前瞻性判断：未来最核心的视频生成算力将来自深度学习，而非传统图形渲染管线（graphics pipeline）。这一判断在当时极具颠覆性。
加入英伟达后，他成为领域内最早投身生成对抗网络（GAN）研究的学者之一，并主导开发了多项开创性工作，例如 “马良神笔”（Gogan）：用户只需用简单色块勾勒语义草图，系统即可自动生成高质量图像。这项工作不仅推动了生成式 AI 在媒体领域的落地，也帮助英伟达建立起“不仅能造 GPU，更能打造前沿 AI 模型”的技术形象。
他随后牵头成立 Deep Imagination Research Group，延续其最初愿景——将小说输入模型、输出电影级内容。期间团队完成了多个引人注目的 demo，包括为 CEO 黄仁勋制作数字人 keynote 演示；在疫情期间加速推进虚拟人技术演进。然而真正促使他转向更大野心的，是 OpenAI 发布 DALL·E 的时刻。那一刻他意识到：自己当初的“决心仍不够”——没有在算力最集中的地方，全力投入这场范式转移。
“我十年前在给 job talk 的时候，就想写‘把小说变成电影’这个题目……但那时候我并没有意识到，我们其实已经有条件了。”
他随即致信黄仁勋（Jensen Huang），强调 Deep Learning 驱动的影像生成已是不可逆趋势，并请求千张 A100 GPU 投入训练。这笔当时“非常巨大”的资源申请，最终促成专案 Picasso 的启动：联合 Getty Images 等内容方提供数据，英伟达输出算力与模型能力，共同构建面向行业的生成式 AI 解决方案。这标志着他的研究路径从论文导向转向产品与生态共建导向——“我们产出的不再只是模型或论文，而是能帮助客户成功的实际产品”。
值得一提的是，他团队曾培养多位后来影响行业格局的青年人才：Meta 的余凯辉、Sora 主创 Tim Book（当时为实习生）等均曾在此成长。他评价 Tim Books “充满决心、热情与极快执行力”，两人合作撰写了多篇高质量论文。当 Sora 发布时，他由衷欣喜，却仍自省：“我的决心还是不够。”
“我们这一群学者就一起写了一封信给黄总：我们必须更多投资——这就是 Cosmos 的由来。”
Cosmos 与英伟达的研究哲学：低 ego、长跑战
Cosmos 系列世界模型的诞生，是英伟达在生成式 AI 领域长期投入的关键成果。刘洺堉介绍，其团队直接管理约 80–90 名研究员与工程师；若计入同属 Cosmos Mission 的 Dated Line 等协作团队，整体规模达 200–300 人——这是英伟达内部极为重大的专项投入，反映出公司对世界模型战略价值的高度共识。
他强调 Cosmos 的研发逻辑并非追逐短期指标，而是遵循一种“马拉松式节奏”：黄仁勋常提醒团队要 pace your steps（稳扎稳打），并以“公司只剩三十天现金流”的紧迫感保持清醒。这种哲学也体现在 Cosmos 的演进路径上——当团队完成 Cosmos 1 后，黄仁勋建议：“你就做到 Cosmos 97。” 这句话并非戏言，而是对长期主义的坚定背书。
在刘洺堉看来，英伟达的独特之处在于：它既是基础设施提供商（GPU），又是前沿模型构建者。这种双重身份迫使研究者必须思考“如何让技术真正嵌入产业价值链”。他举例，Cosmos 不仅是学术模型，更是为服务下游应用（如机器人仿真、数字孪生）而设计的系统级工具。这也解释了为何团队在早期就与 Getty Images 建立深度合作——模型的价值不在于参数量，而在于能否被真实世界使用并持续迭代。
他特别指出当前生成式 AI 竞争中一个关键误区：模型竞争不应沦为“鱿鱼游戏”。他主张 low ego（低自我） 的研发文化：不执着于击败对手，而聚焦于推动整个生态向前。在他眼中，“研究的茂盛程度应取决于 idea 多快从一个人的脑袋流到另一个人的脑袋”，而非资金流动速度。
“做模型就要 low ego。模型竞争不应该是一场鱿鱼游戏。”
Cosmos 的诞生：从 Sora 启发到世界模拟器的使命
在 Sora 发布后，刘洺堉虽为同行取得突破而由衷高兴，却也陷入深刻反思：自己是否在关键决策中判断失误、决心不足？ 正是这种自我鞭策，促使他与几位志同道合的学者（包括三亚飞、Brian Canadaro 等）联名致信公司高层，呼吁加大对世界模拟方向的投入——这直接催生了 Cosmos 项目。初期该项目尚无名号，团队曾集体构思多个候选名称；最终 Jason 提议命名为 Cosmos，因其契合“世界模拟器”的宏大愿景。彼时刘洺堉仍在 Deep Imagination Lab 负责 Picasso（AI媒体生成方向），但很快意识到：Cosmos 对公司乃至人类社会的战略价值远超 Picasso，而分身乏术之下，他毅然选择聚焦 Cosmos。项目从一代推进至三代，用户规模持续扩大；当其重要性达到“必须成功”的临界点时，资源需求急剧上升。2024年初，他正式离开 Media Research 部门，转而向公司资深副总裁（Software）Dwight 报告——后者是英伟达首位软件工程师，亦出现在黄仁勋传记中。
我是一个很喜欢自我反省的人啊，我就是往往都会去试图理解怎么样让自己更好。
遗憾的是说，每个研究人都想出做出贡献……但一方面觉得说，到底是什么地方？在我的决策过程当中，在我的判断的过程当中，是哪些地方我没有看对，而导致我没有在正确的时机做出正确的事情？
基础设施公司的研究逻辑：理解客户，定义未来芯片
作为一家以 GPU 和计算平台为核心的基础设施公司，英伟达为何要投入世界模型等前沿研究？刘洺堉指出：“设计晶片的周期很长，你不能等到应用出现才临时调整架构。” 研究的价值在于提前预判关键问题，从而设计出真正契合应用需求的硬件与软件栈。他强调：“如果你自己不做这些应用，你更不能理解他们所需要的东西。” 因此，Cosmos Lab 的使命不仅是产出模型本身，更是为生态伙伴分担“物理世界建模与推理”的高复杂度挑战——尤其在具身智能（Physical AI）领域，如自动驾驶、家庭服务机器人等场景。这些模型开源发布后，并非与客户竞争，而是传递一个明确信号：英伟达将持续投入世界模拟技术演进，让合作伙伴能更坚定地将资源聚焦于自身核心创新。
我总觉得这世界上如果每个想啊，有抱负、有理想的人，都有这个工具啊，可以做出他们想做的事情。这世界是会一个更好的世界。
我们给 community 一个讯号，是说。我们会帮助你在这方面……让大家都可以更加预期到说英伟达这上面会一直投资，一直进步。
为何选择世界模型而非大语言模型？——背景、使命与长期主义
面对“为何不跟进最热的大语言模型或Sora式内容生成”的疑问，刘洺堉坦陈：他的学术根基是计算机视觉（CV），天然更贴近图像、视频与物理世界建模；加之团队成员背景相似，方向选择实为能力圈的自然延伸。更重要的是：他看到了大语言模型之外，更具变革潜力的“物理世界干预”场景——例如为老年人恢复 mobility、替代高危作业、解放家务劳动等。 这些需求无法靠文本生成满足，而依赖对物理世界的精准模拟与推理能力。他进一步解释：Jensen 对团队的核心要求始终是 “帮助客户成功”，而非自建解决方案；因此研究必须扎根一线、理解真实痛点（这也是他频繁访华的原因）。在“零百亿美元生意”的理念下，英伟达追求的是影响力而非短期营收——Cosmos 所瞄准的具身智能，正是那个“够大、足够影响人类生活”的问题。
你不能说就是满足在就是每年赚个那么一百个million啊这种scale……对英伟达这家公司而言，这并不是一个 distraction，是个分心——你要去解最重要的问题，产生最大的贡献。
从无线通讯到AI：一次意外却必然的转向
刘洺堉的成长轨迹始于台北，求学阶段正值无线通讯热潮——手机尚属庞然大物、诺基亚主导的时代。他在台湾交通大学学习无线通讯，身边许多同学选择留在本地进入联发科或台积电等成熟产业链企业。然而，他内心开始产生疑虑：这是否就是自己真正想走的路？ 有趣的是，他早年从未计划赴美留学，“甚至没重视过英文”，只笃信数学与物理是根本。转折发生在大三：当他对比台湾交大的研究（如设计更高效协议）与美国高校的前沿工作时，意识到前者是“量变”，而后者追求的是真正的“零到一”突破。这一认知促使他鼓起勇气向父母提出赴美求学的决定——这在当时令家人“相当震惊”，因他此前从未表达过此类意愿。
赴美前，他在台湾Intel实习一年，首次接触AI与计算机视觉（computer vision）：一位同事正在做影像辨识，能从像素中识别出人与物体。这让他感到“神奇”，也悄然埋下了转向AI的种子。他原本申请的是量子通讯方向，但抵达马里兰大学后发现校内已有大量与Intel实习中所见高度契合的计算机视觉研究，且由领域先驱Ramachandran教授指导。他随即转换跑道，并以“从视频姿态识别人物”为首个课题，逐步深入传统计算机视觉领域——包括shape matching、segmentation等。彼时Deep Learning尚未兴起，研究依赖SVM（支持向量机）、图模型、能量最小化及3D标定等扎实但低效的方法。他形容这段经历“非常扎实”，但也充满挫败感：“什么都不work，所以什么都要学”。
我那时候在算怎么样设计一个 protocol 可以让传输更加快。那我觉得这是一种提升，但不是一个零到一的变化。
我看到在美国这些高等学府做东西，我就觉得……这个看起来每个成功都是一个零到一的变化。
深度学习浪潮中的主动跃迁：生成模型的早期探索者
博士后期，他进入位于剑桥（MIT旁）的三菱电机研究院工作——这家曾与微软研究院比肩、拥有Bill Freeman等顶尖人才的研究机构。恰逢AlexNet引爆AI革命，他坦言“不会失落”，反而因长期处于‘什么方法都不work’的环境而养成广泛学习、拥抱新范式的习惯。作为实验室“大师兄”，他主动组织研讨会带领学弟妹研读Deep Learning论文，即便有人质疑“只有几个人会，没必要研究”。在研究院相对自由的氛围中，他系统学习了深度学习，并受导师Ramachandran（信奉贝叶斯生成建模）影响，始终将“生成”视为理解的核心路径。
2014年NeurIPS上，Ian Goodfellow的生成对抗网络（GAN）令他深受震撼。自此，他成为最早一批投入生成模型研究的研究员之一——初期目标竟是“能生成32×32像素、看起来不像鬼的脸”。他援引费曼名言阐释理念：“If I cannot create, I cannot understand.”（若我无法创造，便不能真正理解）。他区分了判别式模型与生成式模型：前者仅能分类（如AlexNet做ImageNet识别），后者则具备重建与描述能力；“当你可以清晰描述一个信号时，大家更可能认为你真正理解了它。”
Richard Feynman他讲的。If I cannot create, I cannot understand。
所以为什么生成是理解的一部分？
工程、表达与协作：从技术能力到领导力的跃升
他坦承，工程实践经历深刻塑造了他的研究思维：工程师的角色是“帮大家确认问题是否正确”，并赋予研究以实现能力。在Intel的实习中，他深入大型软件栈找问题、练耐心——这成为理解真实世界复杂性的第一课。他强调，AI并非其人生预设轨迹，“不是从小就想破解人类智能”，而是因“不懂反而更易感知其重要性”：AI的直观表现（如识别、生成）与人类智能高度相似，自然引发对“人何以为人”的哲学好奇。
在研究生涯中，他经历了三重关键认知升级： 1. 从追求数学之美转向贴近问题本质——早期计算机视觉研究常通过理想化假设换取理论优雅，但他逐渐意识到：“AI是应用科学，不能被花哨数学迷惑”； 2. 从“只做不说”到重视表达与传播——他自评：“自己做到一百分，解释只有十分”，导致他人感知价值被严重稀释；进入英伟达后，他开始系统训练如何让成果“可理解、可共鸣”； 3. 从个人英雄主义转向系统性协作——他指出，大模型时代的研究“必须团结合作”，而沟通复杂度呈O(n²)增长；唯有将目标讲得足够明确，才能实现线性（或亚线性）协同效率。
我开始理解到团结合作是非常重要一件事情……必须要把事情讲得非常的明确，让大家都能懂，然后大家目标能一致，就是自己能把东西做出来。
从沟通复杂度到科研领导力的演进
刘洺堉指出，大规模协作研究的核心挑战在于沟通复杂度：若团队规模为 n，则点对点通信的开销是 O(n²)，这在系统扩展时极不高效；相比之下，O(n) 或 sublinear 的沟通结构才具备可扩展性。因此，在推动重大科研项目时，必须将目标、方法与意义讲得极其清晰，确保团队成员对齐方向，并理解所做工作的价值。他强调，科研早已不是单打独斗的事业——应用落地、团队协作与成果传播（即“销售”自己的工作）是科研者成长的必经路径。这一认知在他主导开发 GauGAN 时得到验证：当看到全球用户自发使用这款“马良神笔”生成图像，他第一次真切感受到自己工作的影响力远超论文作者群体，“能影响的不只是 do our paper 的研究员，而是一些更大的一个族群……生命更有价值”。
“我看到用户的反馈让我充满了就是成就感，那我觉得说我能影响的不只是 do our paper 的研究员……而是一些更大的一个族群”
“然后就觉得自己生命更有价值，然后就朝那方向前进”
GauGAN 命名背后的市场直觉与技术决策
GauGAN 的诞生源于团队对“用户友好性”的深刻洞察。最初算法名为技术导向的 Adaptive Modulation / Demodulation，内部代号“Stay”，但黄仁勋（Jason）认为其缺乏用户语言、难以传播。在英伟达市场团队（尤其是 Greg Estes）的创意下，最终定名 GauGAN——致敬画家保罗·高更（Paul Gauguin），既呼应其“用画笔生成艺术”的功能定位，又延续当时以 “-GAN” 命名的行业惯例。尽管原计划在 2019 GTC 大会现场发布，因议程冲突转为媒体预览与新闻稿形式，反而成为当年 GTC 最受瞩目的技术亮点之一。团队随即上线在线测试平台，通过真实用户反馈持续迭代——这一过程标志着其从纯算法研究向产品化、应用导向科研的实质性跃迁。
“很多媒体朋友看了他之后，反而是GTC里面最受瞩目的一个work”
生成式模型的技术演进：从 segmentation 到 text 的路径依赖
刘洺堉梳理了自己研究轨迹的内在逻辑：生成式模型的本质是 distribution modeling（分布建模），而人类对“可控生成”的需求催生了不同层级的控制信号。他将技术演进路径总结为：从易到难，由具体到抽象——早期以 segmentation map（语义图）、sketch（素描）或 reference image 为输入信号，因结构与图像高度对齐、易于建模；而 text-to-image/text-to-video 则因语言与视觉结构差异巨大、语义稀疏，需海量数据支撑。他坦言早年低估了视觉信号的复杂性，“总觉得太熟image是很困难一件问题……这个领域还没有足够多的资讯的 data 跟算力来做这件事情”，但后来意识到：不是技术条件不足，而是缺乏行动决心。这一认知也影响了他对 AI 突破路径的判断：尽管他坚信“真正会产生突破的第一个领域是 text（language）”，因语言更接近符号化知识本质，但个人兴趣仍驱使他深耕视觉生成领域。
“其实有的，然后就就是因为没有去做，所以做不出来”
从 GAN 到 Diffusion：一次关键的战略转向
在英伟达期间，刘洺堉团队持续拓展 GAN 的边界：从 CoGAN（耦合生成对抗网络） 实现跨域图像翻译，到 V2V（Video-to-Video Synthesis）将模拟场景转为真实驾驶视频；同时，他与伊恩·古德费洛（GAN发明者）建立深度合作，并指导余佳辉、Jeremy Bernstein 等年轻研究员探索 GAN 的可扩展性。然而，反复实验得出一个结论：GAN 本质上不可扩展（not scalable）——尤其在高分辨率、长视频生成任务中训练极不稳定。转折点出现在 2017 年 Transformer 横空出世后，团队观察到 diffusion models 的训练稳定性远超 GAN。尽管早期未跟进 LLM，但 2021 年左右他们果断转向 diffusion，并推动其在多视角图像生成等方向的应用。这一决策背后是刘洺堉长期坚持的科研哲学：“在做选择时要找更 scalable 的 approach”，并敢于对团队直言：“不能做 GAN 了……不 scalable 东西最后做不远”。
“然后这应该是一七年。……一七年是 transformer 发明出来了”
“所以那时候就是从算法层面来看，哦，就是觉得这个 game 不 scalable……然后做 diffusion”
范式迁移中的研究者心态：从Diffusion到Transformer的演进
在生成模型的发展历程中，diffusion transformer 的出现是一个关键转折点——它促使原本专注 diffusion 方法的研究者逐步转向 transformer 架构。刘洺堉回顾道，当时团队意识到：“game 不 scalable”是根本性问题；不具可扩展性的技术路径最终走不远。于是他们果断转向 diffusion 路线，并围绕 image → multi-view image → 3D generation 展开系统性探索，陆续推出了 Adify Image Generator、Adify 3D 和 Adify Video 等系列工作。
面对 CV 领域从传统方法 → GAN → Diffusion 的多次范式更迭，他坦言：“越变越简单”并非技术退化，而是认知深化的结果——我们正逐步逼近世界运作的本质。这种“返璞归真”的科研观，让他在 Cosmos 项目中实现了从多个异构模型到统一架构的跃迁。他强调，每个方向都投入了五至十年时间；过去的工作并非错误，而是受限于当时的算力与数据条件，在当下看来却成为理解本质的重要阶梯。
“我不能说那是错误的……那时候学的东西，对我现在做很多事情理解很有帮助。”
“现在的做法是把事情越变越简单……找到最简单的方式去描述这个世界怎么运作的。”
Ideas流动论：实习生机制与跨组织思维碰撞
刘洺堉将研究生态的繁荣类比为经济系统的活力——经济茂盛取决于金钱在人与人之间的流转速度，而研究繁荣则取决于 idea 在大脑间的流动效率。他观察到：当实习生带来多元背景与新鲜视角时，团队内部便形成高效的“idea 交换-迭代”闭环——你优化我的方案，我启发你的思路，最终实现集体认知跃升。
正因如此，尽管他选择进入业界而非 academia（教授路径），却刻意通过大量招募实习生来弥补企业环境下的 idea diversity 缺失。这种机制不仅加速了个人成长，也成为其团队持续创新的核心引擎。
“经济的茂盛程度是根据钱多快从一个人的口袋流到另外一个口袋，那研究的茂盛程度应该是啊根据idea多快从一个人的脑袋流到另外一个脑袋去。”
职业跃迁与认知升级：从三菱电机到英伟达的底层逻辑
他的职业转折点源于对算力本质的认知升级：在三菱电机，尽管他坚持为研究争取 GPU 资源（甚至让导师暗中买入 NVIDIA 股票），但公司对 blue-sky research 的支持已明显收缩——当长期 mentor 离职后，他意识到支撑自己留任的核心条件已消失。
加入英伟达并非偶然：“既然我总在为 GPU 发愁，不如直接去生产 GPU 的地方”。他坦言初入英伟达时对其研究机构认知有限（当时不足百人，主攻 Graphics 而非 AI），但很快发现这里聚集了 StyleGAN 团队等顶尖生成模型专家。与 Karas、Tero 等人的合作让他深刻体会到：对细节的极致追求和结果导向，才是推动技术突破的关键。
在英伟达获得 GPU 资源的秘诀在于：将个人研究与公司战略深度绑定——你需要向不懂 AI 的高管清晰阐释“为什么这件事对公司至关重要”。他总结道：公司本质是为股东创造价值的组织，Jensen Huang 的终极目标是“take care family”。因此研究员必须超越 ego-driven 的学术竞争，学会用商业语言讲清技术变革的长期价值。
“你看到的就是……模型的那个，就是慢慢收敛，大家都差不多啊。”
从论文到产品：研究价值的转化路径
刘洺堉提到，随着自身经验积累和年龄增长，他对研究效率的认知发生了根本转变：早期作为研究员时，衡量价值的方式是“在Benchmark上击败他人”，追求发表高质量论文；而后期则逐渐意识到，模型本身无法单独创造价值——当各大厂商的前沿大模型能力趋于收敛（如Anthropic、OpenAI、Gemini、Kimi、DeepSeek等），单纯模型性能差异已不足以形成可持续壁垒。
他强调，真正关键的是将模型与公司生态深度整合：以Google为例，Gemini的强大不仅源于模型本身，更在于其与Gmail、Search、Docs等产品形成闭环反馈系统——用户越多，数据反馈越丰富；反馈越充分，模型迭代越快；模型进步又进一步增强产品竞争力。这一正向循环构成了长期发展的飞轮。
“我不能说Goggin是个产品。”
“模型能力都差不多的时候，你就会理解到说，你纯粹靠模型是不够的。”
收敛预期下的生态竞争：大厂与创业公司的不同解法
面对“模型终将同质化”的判断，刘洺堉认为这并非悲观信号，而是竞争维度的迁移：未来胜负手将从模型绝对性能转向“与自身生态整合的能力”。他指出，大公司拥有天然优势——成熟产品矩阵、海量用户数据与分发渠道；而创业公司的破局点在于聚焦大厂无法优先投入的细分场景。
他引用《创新者的窘境》理论说明：英伟达自身正是从GPU小市场起步，而如今许多AI创业公司也在探索如低代码Agent、垂直领域推理优化等被巨头忽略的痛点。这些场景虽单点价值有限（如英伟达内部设定“<1B美元业务不感兴趣”的红线），却可能孕育差异化产品与技术护城河。
“你没有差异化就没办法做出有差差别性的产品，最终还是要差异化。”
“你要去解一些痛点，是他们没办法去解的——不是他们不想解，是他们不能justify为什么要去解。”
研究员到VP：在扎根与放手间寻找平衡
从一线研究员成长为英伟达研究副总裁，刘洺堉坦言角色转变的核心挑战在于避免与技术脱钩。他坚持定期review代码、精读论文、参与技术辩论，成为少数仍深入细节的VP——这并非出于执行需求，而是为了保持对问题本质的理解力与团队贡献的感知精度。
他将管理视为“戴着镣铐跳舞”的艺术：研究员天性强调个人创新与认可，而管理者需将团队目标置于首位。其应对策略是以研究员思维做管理决策——通过First Principle思考（如黄仁勋所示范的“回归本质”方法论），在长期战略定力与短期技术迭代间取得平衡。他特别提到，黄仁勋对Deep Learning的早期All-in决策、对CUDA生态的持续投入，深刻影响了他对“长期主义”的理解。
“我很担心在成为管理者的过程当中，我跟底层脱钩。”
“我现在发现解法很像是‘重剑无锋，打巧不攻’——很扎实的一步一步把这个Beta英法做好。”
长期主义与决策力：从短期判断到系统性优先级管理
刘洺堉在访谈中强调，黄仁勋（Jensen Huang）最令人震撼的特质在于其极度清晰的本质思维能力——他能剥离外界噪音，直抵问题核心，并基于长期价值做出决断。这种能力体现在两个关键历史节点上：早期All in Deep Learning，使英伟达获得先发优势；以及All in CUDA生态建设，为后续AI计算奠定坚实基础。这种决策模式与刘洺堉过往偏短期的判断形成鲜明对比，也深刻重塑了他的思维方式。
他观察到黄仁勋每天处理海量邮件，并非被动接收，而是主动挖掘他人忽视的信号，转化为战略级判断。更关键的是其对“优先级”（prioritization）的极致训练：强迫自己每日快速筛选事务重要性，在高频context switch中锤炼洞察力。这种能力并非天赋，而是通过持续自我约束与练习达成的系统性素养。
“他强迫自己每天读大量的email。强迫自己快速的做出决定，什么是重要的，什么是不重要的，在每天不断的练习之下，看的事情看得非常清楚。”
在执行层面，黄仁勋展现出极强的目标导向性：一切决策以“take care整个公司”为终极目标，而非个人好恶或关系网络。他坚信：只要员工留在公司，就一定会被支持——这种信任机制反而强化了组织的理性与韧性。
“我只要一直做做对公司最重要的决定，你只要留在公司里面，我就会 take care of you。”
计算哲学与精力管理：从计算机科学到中国功夫的身心修炼
刘洺堉将Computer Science的核心思维——‘不计算可略之事，延迟非紧急运算’视为高效人生的底层逻辑。他强调：人生有限，若能主动将某些事务‘溢出’计算范围（即明确排除），反而提升整体效能。他特别提醒：不应因AI热潮而忽视CS基础训练，后者是构建高效决策框架的根基。
在精力管理上，他长期践行中国功夫（自18岁起习练近三十年），师从徐记，传承自八极拳与劈挂掌宗师刘云桥一脉。功夫对他而言并非格斗技艺，而是身心合一的自我控制训练：一拳之力需脚至手全程协调传导，这种对全身动态的精密调控过程，与他追求“持续自我检讨、迭代优化”的工作哲学高度契合。
“学了之后，发现是对自身的一种磨练……后来变成了一种对自己的追求。”
他辅以高强度运动（如篮球、网球）及冰桶疗法（ice punch）——剧烈运动后立即浸入冷水促进恢复，形成一套完整的精力维持系统。这些看似激烈的行为，并未削弱其温和外在气质；相反，它们成为支撑每日高强度科研管理工作的隐性基础设施。
值得注意的是，他在公司中并非一味温和：当年轻研究员“差一点火候”时，他会直言指出问题。这种建设性严厉取决于接收者是否视其为成长助力——他相信：愿意指出改进点的人，实则是给予信任与期待。
Cosmos愿景：为具身智能构建‘黑客帝国’式世界模型
Cosmos是英伟达当前最核心的长期项目之一，启动于2024年3月左右（骚扰事件之后）。该项目由一群专注生成式模型的团队集体提议，并获黄仁勋坚定支持——他不仅批准立项，更以“做到Cosmos九十七”表达长期投入的决心（实际当前仅推进至Cosmos 3）。其愿景直指物理世界AI的根本挑战：泛化能力（generalization）。
刘洺堉阐释，世界模型并非抽象理论工具，而是服务于三大实践目标： 1. 更好的数据——通过生成式手段创造真实世界未覆盖的‘Beta Data’，扩展模型认知边界； 2. 更好的起始点——以物理理解驱动的世界模型作为backbone，为下游policy提供高质量表征初始化； 3. 更好的环境——构建高保真、可并行交互的虚拟世界（即‘黑客帝国’隐喻），实现低成本高效学习。
“我认为世界模型可以帮助这些啊，具身智能啊。来做到这个泛化的效果……任何AI的问题要解的问题就是这个泛化的问题。”
项目定位明确：服务物理AI（Physical AI）社区，而非内容创作本身。这与英伟达的开发者生态战略一致——不直接运营社交平台或创作工具，而是提供底层基础设施。当被问及为何选择物理AI而非视频生成等热门赛道时，他指出：老龄化与劳动力短缺使‘提升生活品质’成为全球刚需；而英伟达的使命是赋能开发者，而非替代其角色。
世界模型的多元定义与实用导向
刘洺堉强调自己是个“很讲究实用性的人”，因此对世界模型（World Model）的定义始终围绕其使用目的展开。他将世界模型分为三类：第一，用于预测未来事件的模型——这与Deep Learning中视频生成、动作预判等任务高度相关；第二，用于理解事件成因与机制的模型——类比物理学从牛顿力学到量子力学的建模过程，其目标是解释“为什么发生”，例如工厂产线为何突然卡住；第三，用于三维世界重建的模型——服务于路径规划、虚拟现实等场景。
“终究我们是在同一个世界里面，这些模型就是不同的。就经由不同的观察来去描述同一件事情。”
“我现在主要是做物理世界的理解跟物理世界的生成，对吧？就是 prediction 这些事情。”
他指出，“世界模型”一词过于宽泛，导致定义模糊、争议不断；相比之下，“LLM（Large Language Model）”之所以共识明确，是因为其命名直接体现了模型规模与任务类型。而世界模型因用途差异巨大——预测、理解或重建——自然衍生出不同形态与定义。因此，他更关注模型是否“能用、好用、被广泛采用”，而非执着于术语的精确性。
Cosmos：作为世界模型的Foundation
NVIDIA将Cosmos定位为World Foundation Model，即一个底层基座模型（Foundation），而非终点式的世界模型产品。其核心理念是：为生态伙伴提供可定制、可扩展的建模基础。刘洺堉解释，物理AI的发展离不开世界模型，但并非所有公司都有资源从零构建。Cosmos的目标正是降低门槛——让初创团队、研究机构乃至大厂都能基于它快速构建适配自身场景的世界模型。
“我们希望帮助他们成功。我们希望大家可以一起走向成功，win win。”
他特别提到NVIDIA对World Labs（王飞跃团队）与AMI Labs（杨磊坤团队）的投资与合作，并强调：不同团队因问题视角差异，会走不同的技术路线；而NVIDIA的角色是赋能者（enable），而非竞争者。他坦言自己已超越“比算法谁更强”的阶段，转而聚焦于如何让整个领域共同进步：“我不太想竞争了……我的目标就是要帮助这个领域可以一起往下走。”
从多模型到Omni Model：Cosmos 2→3的范式跃迁
Cosmos从第一代到第三代经历了显著演进：早期（Cosmos 1→2）聚焦快速迭代与任务分化——受DeepSeek一年三版的启发，团队强调“小步快跑”，初期并行开发多个专用模型（预测、理解、重建/transfer）；但实践中发现：维护22个独立模型导致工程负担沉重、用户选择困难，严重拖慢迭代速度。
受“LV精简SKU反而提升销量”的启发，团队意识到：模型过多会增加认知与执行成本。由此催生Cosmos 3——一个Omni World Model（全栈世界模型），其设计基于两大核心洞察：
- 同一世界的统一表征：无论任务是预测、理解还是重建，模型最终都在学习同一个物理世界的内部表示；
- Foundation Model的“纳百川”特性：将预训练、推理、迁移学习、策略优化等不同数据源融合，可显著提升模型上限。
Cosmos 3于2024年10月启动，历时近半年完成。其技术价值不仅在于架构创新（如首次将Miguel Transformer大规模应用于Audio-Video-Action联合建模），更在于系统性工程验证与开源透明化。刘洺堉表示：“我越来越不重视‘是不是革命性原创’，而更看重它是否真正解决问题、产生影响。”团队开源模型、训练框架与部分数据集，旨在推动物理AI生态共建：“我不担心别人可以做出一模一样的东西。”
开源透明：构建可复现的物理AI生态
当前许多研究团队在模型开发中倾向于闭源，即便发表论文也往往不愿披露关键实现细节。对此，Cosmos 团队选择了一条不同的路径：尽可能清晰地公开所有可讲内容，包括模型架构、训练框架与部分数据设定。这一策略的核心目标是提升整个社区的可复现性——不仅让同行能理解 Cosmos 的技术路线，更希望他人可以基于开源成果构建出类似能力的系统。若使用者无意复现，则团队的目标是赋能整个社区（enable the community），推动物理 AI 的落地进程。
团队明确表示，并不担心他人复现 Cosmos 模型。正如 DeepSeek 的实践所展现的：作为最早一批将 Mitchell 和 Asper 等理念开源落地的企业，其工作深刻影响了整个 AI 领域的发展节奏。Cosmos 与 DeepSeek 在动机上虽有差异——前者更侧重生态内合作伙伴的成功，后者则追求模型能力的极致突破——但二者共享同一个底层信念：真正的影响力来自透明与可复现性，而非技术壁垒。
“我们是希望帮助我们的使用者成功……物理 AI 降临世界快一点。”
“我们决定走不一样的道路。我们把能讲的东西都讲得清，尽量把东西讲得非常清楚。”
多模态融合：语言、视觉与行动的协同建模
Cosmos 3 的关键创新在于将语言、视频（video）、音频（audio）与动作（action）统一建模为 first-class citizens。这一设计源于对物理世界本质的理解：现实并非仅由视觉构成，而是多感官协同作用的结果。尤其值得注意的是，团队将 action 提升至与 language、video 同等地位——因为物理世界的智能体必须能“改变世界状态”，而不仅是感知或理解。
团队回应了学界长期存在的两种范式之争：一方（如早期语言模型研究者）担忧多模态会“污染”语言能力，导致模型变傻；另一方（如谢赛宁）则认为语言只是人类认知的“脚手架”，未必是机器智能的本质路径。Cosmos 的立场明确：不同目标决定模态取舍——若目标是构建服务人类的物理 AI，则语言不可或缺（用于沟通），视觉/听觉用于建模世界动态，动作则赋予其改变现实的能力。
“我们希望这成为一个好的 foundation model for physical AI，它需要懂 language、video audio 去描述世界运作，action 用于改变世界。”
“遥远的古代是没有任何语言的……人类文明的发展就是经由看这个世界怎么变动而产生的。”
双塔架构与工程权衡：实用主义下的渐进演进
Cosmos 3 采用双塔设计：一塔处理离散信号（如语言、动作序列），另一塔负责连续信号（如视频生成）。这一架构源于历史演进——Cosmos Reason 基于离散的 Vision-Language Model，而 Predict/Transfer/Parse 系列工作则基于连续扩散模型。双塔结构的实用价值在于：解耦理解与生成过程，避免客户在调整部署策略时意外破坏已有能力。例如，若仅需更新生成器分布（如适配不同机器人硬件），双塔设计可防止理解模块因训练数据偏移而退化。
尽管团队承认该方案“不够 elegant”，但强调其符合当前阶段的工程现实。未来目标是向统一架构演进，例如探索 Transfusion 等同时支持离散/连续表示的模型。然而团队坚持：技术选择最终应服务于部署效率与用户友好性——毕竟机器人硬件差异巨大（相机数量、位置等），模型必须具备可定制性。
“备多则力寡……策略往往关乎你决定可以放弃什么东西。”
实验表明，双塔间存在正向协同：更贴近物理世界的 Reasoner 能提升生成质量；而 Generator 的反馈亦可反哺 Representation Learning。尽管受限于论文篇幅，团队尚未完成全部验证实验，但已观察到显著的模态互补效应——所有信号共同描述同一世界，融合后应产生协同增益而非相互制约。
双塔与单塔：模型演进的路径选择
在 Cosmos 3 的设计中，团队曾探索双塔结构（reasoner-generator）之间的协同提升机制：一方面，更贴近物理现实的 reasoner 可显著增强 physical AI 的生成质量；另一方面，将 generator 输出的隐式信号反馈至 reasoner，理论上能强化其表征学习能力。尽管受限于开发周期，完整验证尚未完成（实验多为两三个月前启动），但团队明确表示：Cosmos 并非终点，而是持续迭代的起点——后续将推出 Cosmos 3.1、3.2 等版本，逐步补全本次未能呈现的研究方向。
“我们不把这个三看成是一个终极。我们会继续做三点一、三点二，一步一步往下提升……”
“过去的，就是纵观人类的历史，答案应该是不一样。你要做耕田的工具，跟你要做纺织的工具是不一样的……老祖宗的智慧还是蛮管用的。”
泛化能力：物理 AI 的核心挑战与优化路径
团队将泛化能力视为 physical AI 落地的关键瓶颈——例如，机器人能否仅通过一两次示范就学会折衣服、看说明书操作仪器？Cosmos 的持续优化将围绕提升此类能力展开，可能涉及架构调整、训练目标重构或引入特定 curricula 数据。值得注意的是，物理 AI 的需求与通用 LLM 任务存在本质差异：机器人未必需要解奥数或写代码，但必须可靠完成工厂组装、家庭清洁等操作。因此，在资源受限前提下，模型设计需做精准取舍。
“有些大家得到的讯号：更好的模型，那么当你没有资源限制的时候你当然是会放进去；但比较有挑战的就是当你资源有限的时候，你怎么做取舍？”
此外，团队强调实验科学的严谨性：深度学习如同‘中医’——靠大量试错积累经验，再通过严格控制变量的实验提炼规律。例如关于语言模块权重的讨论（如是否扩大 T5 用量），团队持开放态度，但坚持“从真实痛点出发验证假设”，而非盲目堆砌参数。
资源投入与生态定位：英伟达的差异化优势
Cosmos 作为 physical AI 的 base model，已获得万级 GPU 资源投入，并持续扩容；其衍生项目如自动驾驶（Orin）、机器人（Goodness）均基于 Cosmos 做 specialization 优化。英伟达明确区分两大模型主线：Digital AI（以 NeMo 系列支撑 coding/chat agent）与 Physical AI（Cosmos 为核心），两者同等重要但目标不同——后者更强调“帮助开发者成功”，而非自建机器人产品。
“我们是真心想帮助其他家公司成功的……因为我们不会说跟你做一模一样的东西，然后把你灭了。”
这一生态定位结合自研 GPU 成本优势、Isaac 模拟器与 Isaac Sim 等工具链，构成英伟达在 physical AI 领域的独特护城河。数据层面，团队聚焦导航（A→B位移）与操作（手/工具交互）两大通用场景，并优先采用人眼第一视角（egocentric）数据——因人类手部操作是当前最易获取、普适性最强的物理交互范式。
世界模型：通往‘黑客帝国’的渐进路径
刘洺堉指出，当前世界模型的发展方向是让AI更接近真实世界的理解与交互能力——通过训练一个能模拟物理规律、社会行为甚至人类意图的模型，机器人可以“在虚拟中学习，在现实中行动”。他将这一终极目标具象化为《黑客帝国》中的“Matrix”，强调其核心意义并非科幻式的控制，而是提供一个高保真、可快速试错的仿真环境，极大加速现实世界的训练效率。他估算若按每半年一代的速度迭代，要达到该目标可能需四十余年；但鉴于AI发展速度远超预期（尤其在数字世界与Physical AI双线并进的背景下），这一时间窗有望大幅压缩。
“那我觉得最接近的就是你有能力随时可以做出一个黑客帝国的矩阵。那我觉得这是最终的样子。”
在技术路径上，Nemo团队采用混合架构（Hybrid Transformer-Mamba），以降低agent长序列推理时的计算成本；而Physical AI团队则坚持传统Transformer，并引入mutual transformer结构，将action显式建模进感知-决策闭环中。两者虽路径略有分化，但深度协同——Cosmos 3论文作者中大量来自Nemo团队即为明证。未来是否统一为更大模型？答案取决于“如何最有效服务客户”，而非技术路径偏好。团队秉持低 ego 原则，一切以实用价值为决策核心。
“我们是很 low ego 的。”
超大规模团队的协同艺术：目标一致 × 决策自主
Cosmos 3项目凝聚近三百名研究人员，其管理难点在于平衡两大矛盾张力：一是“目标统一”与“决策分散”的关系——若仅少数人掌握决策权，组织将因信息瓶颈而迟滞；二是“自主行动”与“方向一致”的张力——若各自为政，则易陷入架构分裂、赛马内耗。刘洺堉的解决方案是：构建透明的信息生态 + 容错的文化机制。
具体而言，他通过高频、高参与度的会议（每周超十次）确保信息实时同步；在视频理解、物理交互等子团队中，定期会议达每周2–3次，并强调“每个会议必须engaging、人人可参与”。更重要的是，他反复向核心成员描绘清晰愿景——例如在Cosmos 3论文发布前，已提前沟通模型预期形态（90%一致+10%弹性空间），类比“篮球罚球前想象空心入网”，让不同岗位成员在统一目标下自主做决策。他坦言：“当一个人害怕犯错，就不会行动；因此必须允许错误存在，并建立快速修正机制。”
“当大家都看到同一个愿景的时候就比较容易集中，就像你在罚球之前，你都会想象这个球空心落网。”
Physical AI的爆发临界点与人形机器人未来的
谈及Physical AI何时迎来“ChatGPT moment”，刘洺堉认为关键在于出现一个被广泛验证的、以AI为主导的真实物理应用案例，让大众直观感知其价值。他观察到：机器狗研究热度、资本流入与初创公司数量正同步攀升；Physical AI可复用LLM领域积累的模型、数据与工程经验，各项条件已趋收敛。他期待这一拐点“今年或明年就会发生”，并引用DeepMind谭杰预测——2035–2036年为人形机器人主流化的潜在拐点。
关于人形机器人的形态之争，他指出：全人形虽在操作普适性上最优（因人类环境本为双足直立生物设计），但商业落地更依赖成本效益比。因此，当前大量采用“轮式底盘+上半身人形”的混合方案具有现实合理性。他强调英伟达的定位并非定义“谁才是真·人形”，而是服务所有Physical Builder——倾听需求、提供适配模型，而非预设技术路线。
“我也不需要做卷选择。好，我就是聆听他们的声音，看我们的模型怎么做可以更加帮助他们。”
CUDA的成功逻辑与Cosmos的定位
在回顾CUDA成功路径时，刘洺堉指出其核心在于始终以应用为牵引：最初聚焦科学计算，后随深度学习浪潮找到爆发点，并持续拓展至各类新场景。他强调CUDA并非仅靠技术前瞻，更是在不确定性中做出的勇敢投资——当时加速计算是否成主流尚无定论，英伟达已果断押注。
对于Cosmos与NeMo是否能成为“下一个CUDA”，他持审慎态度：当前技术生态远比当年复杂，单一模型难以复刻CUDA路径；真正的“新CUDA”应是软硬协同、覆盖训练/推理/服务的全栈整合体。因此，Cosmos的价值不在于替代CUDA，而在于成为新生态中的关键一环。
“我觉得合在一起可能是新的CUDA，而不会说这个模型单一就是一个CUDA。”
“你还需要做 serving 啊，你还是要去做这些 infra structure，有很多东西要合在一起。”
不裁员文化与长期主义组织哲学
英伟达坚持“不裁员、无末位淘汰”的管理原则，并非出于理想主义，而是深植于黄仁勋对长期价值的信念。刘洺堉回忆，在经济寒冬期，公司选择砍掉差旅、精简云服务与协作工具（如考虑停用Slack），而非裁减人力——通过优化运营成本与员工共渡难关，维系组织信任感。
这种文化催生了独特的团队氛围：员工敢于讲真话、愿协作而非内卷；但代价是技术转型稍慢——当新范式到来时，内部培养比外部招聘更耗时。刘洺堉认为这是值得的权衡：“你得到的是员工的信任，以及能团结合作的团队。”
“当一个员工对这个公司有认同感、有安全感，他愿意讲出一些……不愿意讲的事情。”
“当没有所谓的末位淘汰的时候，大家也不会就是真的这么的……抢出头。”
Mission is the Boss：有机体式组织运作
英伟达的管理哲学中，“Mission is the boss” 是超越层级的核心准则。刘洺堉形容公司如“有机体”——当战略方向明确时，各团队会自动对齐资源、协同推进。例如Cosmos项目中，大量非核心成员主动参与支持，体现高度自组织能力。
为保障信息透明与决策质量，公司推行“Top Five”机制：每位员工需清晰列出五件最重要工作。这既暴露重复任务，也便于高层捕捉微小信号；同时老黄亲自阅读员工邮件、持续调整策略——将压力转化为组织进化动力，而非仅靠KPI驱动。
“Mission is the boss，不是你的 boss，是你的 boss。”
团队协作：信任、多元与低自我
英伟达的独特之处在于它构建了一种高度互信、强调合作而非竞争的团队文化。刘洺堉指出，当一群S级人才聚集时，并非天然就能实现“1+1>2”的协同效应；关键在于能否降低沟通成本、建立信任基础，避免彼此防备或过度展示个人聪明才智。他用打游戏作比喻：一个理想团队不应全是“弓箭手”，而需要有人负责防御、治疗等不同角色——多元能力的组合比单一高能个体更易达成系统级成功。这种协作观也体现在公司整体战略中：英伟达从早期就坚持“生态共建”理念，不独占利润，而是通过支持第三方显卡厂商、服务器伙伴及开源框架（如PyTorch、TensorFlow），让整个生态共同成长。“他们更成功，代表能服务更多客户；客户越多，使用我们GPU的机会越大——这是一种真正的共生关系。”
“我并不喜欢把他们当成是对手，我喜欢把他当成是伙伴。”
刘洺堉强调，这种“low ego”并非伪装或策略性姿态，而是源于对自身技术实力的深层自信：目标不是击败对手，而是“做出更好的 foundation，让大家可以动得更快”。
从竞争者到赋能者：老黄的深刻影响
刘洺堉坦言，自己早年作为研究员时深受学术体系影响——论文被接受的关键在于‘steal the art’，即击败同行、证明自己更强。这种高度竞争的个体思维曾主导他的职业路径。但随着角色转向管理者，他逐渐理解黄仁勋（老黄）所倡导的“teach everyone to greatness”理念：真正的价值不在于个人登顶，而在于培养新一代人才、推动整个生态进步。当看到合作伙伴因使用英伟达模型而效率大幅提升时，那种成就感远胜于“击败对手”的快感。
“Are you a cry baby？这世界上没有什么是公平的。”
老黄一句直击本质的话让他彻底转变：“找理由是没有用的，就应该 give everything you have”。这句话与西点军校“no excuse”的精神共振，成为他自我要求的基石——面对问题不归因外部条件缺失，而是主动创造必要资源去解决问题。这种思维也延伸至对AI发展的判断：“具备 number one 的能力，但做出对这个世界贡献最大的事情”才是终极目标；若模型成果仅服务于少数人、加剧权力集中，则背离了技术普惠的初衷。
模型竞赛：从信仰到生态竞争
当前大模型领域中，学术研究的初心仍是求知与求真，而非将某一技术路径奉为不可动摇的信仰。随着对现有模型（如LOA）理解加深，自然会催生新的突破方向——没有人会一辈子只做一件事；所谓“正确”，只是特定时间窗口下的最优解。2026年或将迎来行业巨变：大模型公司集中上市，催生大量财富，这不仅是对早期坚持者的回报（如SpaceX投资者），更是对其远见与决心的肯定。但科技不会停滞：历史上的霸主更迭规律表明，只要组织生态保持良性，创新就会持续涌现。
模型能力本身可能趋于收敛，真正的差异化将来自“组织方式”——领先者凭借更充裕的算力与时间，结合自身生态（如硬件、工具链、数据闭环）构建护城河。这与软件行业的发展路径高度相似：早期写Python的公司很少，如今每家SaaS企业都靠独特定位存活；模型亦然。与其神话“大模型公司”，不如视其为一场多元探索：如同中医体系，不同流派并存、演进，关键在于“用它来解决什么问题”。
“模型这场竞赛的终局……靠模型自己不会是啊区分，一定要靠一些其他的东西组织在一起。”
“我把它当成中医了……就是一个不带bus，这么多人不同尝试，最后就是一个一套学问嘛。”
现实挑战：泛化、Sim2Real与软硬整合
新入局者仍有窗口期——Kimi虽晚于头部模型，但证明了资源调动能力与决心比纯技术时差更重要。算力瓶颈将随技术演进逐步缓解，未来会有更多团队具备训练大模型的能力。关键在于：是否将AI视为“绝对区分器”？若否，则市场自然形成动态平衡。
Physical AI的核心挑战是泛化能力：如何从有限的 observation-action 对中学习，并迁移到未见过的新场景？Cosmos系统试图通过三大路径缓解Sim2Real gap：更优数据、更好的初始模型（better starting points）、以及尚未成熟的“更好环境”（better environment）。其中，具备物理直觉的模型能更准确预测动态变化，从而生成泛化性更强的动作策略——这可能是短期内Cosmos对物理AI的最大贡献。
“ChatGPT moment for physical AI is coming，这是我可能可以做的预测。”
“核心是泛化……observation对action这个pair的泛化，让你看到一些你看到这个action跟observation是完成事情的，怎么样快速泛化到一个新的 observation，那类似的 action。”
生态视角：开放、协作与长期主义
并非每家公司都需要自建大模型——如同现代企业无需自建电厂，经济性才是根本准则。算力、数据可外部获取，“决心+资源”足以支撑新团队入局；若强行追求“自研一切”，反而可能陷入低效内卷。历史上，连深度学习先驱Hinton与LeCun也曾因理念分歧分道扬镳——技术共识远比想象中脆弱，过度强调“唯一正确路径”实为认知误区。
Cosmos对NVIDIA而言并非“必须赢下的战争”，而是参与Physical AI生态建设的战略支点：NVIDIA的成长依赖于整个AI硬件市场的扩张，而Physical AI是其中最大增量市场之一。若其他公司也能贡献开源模型，则生态将更健康；NVIDIA的目标是“在赛道上持续奔跑”，而非垄断跑道。
“你有决心，然后你你你有资源，你是可以做的。”
对于年轻研究者，刘洺堉的建议是：“不要紧张”——AI不会突然终结，关键在识别真正值得投入的问题，并保持迭代纪律。Physical AI当前是蓝海：制造业优势使中国在软硬整合（如机器人本体设计）上具备独特机会；而美国虽硬件投入较少，但Tesla等公司正推动本体-模型一体化探索。最终突破或许将诞生于“简单示范即学会操作”的通用机器人——当用户能直观看到其经济价值时，ChatGPT时刻便真正到来。
开源与生态：不是战争，而是共建
当被问及若其他公司也推出类似 Cosmos 的开源世界模型时，NVIDIA 是否仍视其为一场“不能输的战争”？刘洺堉明确表示：这不是一场要击败对手的战争，而是一场必须参与、不能缺席的关键赛道。他强调，NVIDIA 的核心目标并非垄断或消灭竞争者，而是主动塑造并扩大市场本身——正如 CUDA 所做的那样：它并非在存量中厮杀，而是从零开始培育出整个 GPU 加速计算与 AI 生态。如今 Physical AI（物理智能）被视为下一个十亿美元级的“零营收市场”：当前机器人尚未普及，但一旦进入家庭场景（例如每户可能部署两到三台），将带来算力需求的指数级跃升，这对 NVIDIA 是结构性利好。因此，其策略是“带着大家一起把市场建出来”，而非独占生态位；即便其他公司自研芯片、开发机器人并从中盈利，只要整个市场起来了——从 nothing 到 something——NVIDIA 作为底层算力与软件平台提供者，自然受益其中。
“我们的心态不是说想把别人给杀死，我们的 mindset 是我们要怎么去造市场。” “CUDA 就是造市场，我们想的是怎么造出下一个大的市场。”
风险哲学：不做更危险，而非‘低风险’
当被追问该战略是否属于“低风险”选择时，刘洺堉坦承：所有开创性事业本质上都是高风险的——CUDA 初期甚至以亏本价格销售 GPU，只为支撑可编程性与生态建设；正因坚持这一策略，NVIDIA 的 GPU 定价长期高于同算力竞品。但他进一步指出关键洞见：“你不这么做，很 risky；你不做这件事，更加 risky。” 因为一旦错过新市场窗口期（如 AI、Physical AI），技术将迅速沦为 commodity，丧失议价权与创新主导权。这种“主动押注未来”的逻辑，源于黄仁勋一贯坚持的“zero billion dollar business”理念：即专注那些当前无营收、但未来可能成长为十亿级产业的领域；若某方向已有成熟玩家，往往意味着机会窗口已过。因此，NVIDIA 的决策不是规避风险，而是战略性承担那些‘不做的代价更高’的风险。