獅山巡禮
投資雜談
https://mp.weixin.qq.com/s/_S8iv2ya4TsArDdVekSD9g
有句話叫AI的盡頭是算力，但算力的盡頭是電力。其實這句話講得很有道理。英偉達CEO#黃仁勳?過去幾年一直講AI是新工業革命，而工業革命的另一麵則是能源革命。
比爾·蓋茨在他的2017年度書單裏推薦了一本書，叫《能量與文明》，書中的一個核心觀點是：能量才是唯一的通用貨幣。要想達成任何目標，能量都必不可少。大到改變板塊構造的力量，小到微小雨滴的累積侵蝕。人類作為唯一能夠係統地利用體外能量的物種，在利用能量來開發智力、製作器具——從最簡單的工具，到現代最先進的內燃機和核反應堆。
而看過這麽多黃仁勳的訪談，他絕大多數時候，都是在談技術，但是偶爾也會談及一些行業話題，主要包括兩個領域：醫療和能源。
?
就在上周，哥倫比亞大學全球能源政策中心首屆研究員David Sandalow主持的《AI、能源與氣候播客》（AI,Energy and Climate）發出了一期對黃仁勳的訪談，內容就是AI之於能源的關鍵話題，包括：AI如何助力解決能源與氣候變化？AI驚人的算力背後，其電力消耗是福是禍？未來“智能基礎設施”究竟意味著什麽等等。
雖然黃仁勳對AI能源的話題講的非常係統，但我反而對訪談最後的兩個彩蛋內容興趣更大：一個是談他的管理哲學（第十一個話題），另一個則是談最近黃仁勳在看什麽書（第十三個話題）。
其中管理哲學部分說的是英偉達一個特殊的周報製度T5T。在英偉達傳記《英偉達之道》一書中，詳細介紹過黃仁勳推行的“T5T”（Top5Things）管理法：英偉達約3萬名員工，無論職位高低，都需定期發送簡短郵件，列出自己當前最重要的五件事，包括正在做的工作、遇到的挑戰或觀察到的行業動態。這些未經層層過濾的第一手信息，可以幫黃仁勳捕捉到“弱信號”，即那些尚未顯現但潛在重要的趨勢和問題。
在讀書推薦部分，黃仁勳說自己在看很多戰爭理論相關的書籍，比如《孫子兵法》。不過他也強調，其實書裏的核心思想是“止戈為武”，“慎戰”和“善戰”才是王道啊。
一、人工智能：理解複雜數據的超級能力
對話一開始，主持人David Sandalow便將焦點引向了AI在解決能源與氣候問題上的核心潛力。黃仁勳指出，AI的核心優勢在於其處理和理解數據的能力，這種能力在規模和維度上都遠超人類極限。
?
黃仁勳強調，AI能夠同時理解多模態信息，例如溫度、風速、壓力等各種類型的數據。這使得AI可以分析極其龐大、跨越長時間尺度的數據集。正是基於這種強大的數據理解能力，AI得以實現對未來的預測，這本身就是一項非凡的成就。想象一下，麵對氣候變化這樣涉及無數變量、時間跨度長達數十甚至上百年的複雜係統，AI能夠從中發現人類難以察覺的模式和關聯，為我們製定更有效的應對策略提供數據支撐。
黃仁勳認為，AI的這種能力使其在能源和氣候領域大有可為。無論是優化能源生產、預測極端天氣事件，還是加速新材料的研發以提高能源效率，AI都能通過深度分析海量數據，提供前所未有的洞察和解決方案。這種超越人類認知極限的數據處理和預測能力，是AI成為應對全球性挑戰關鍵工具的基礎。
二、加速計算：奠定AI革命的節能基石
在深入探討AI的應用之前，黃仁勳特意回溯了英偉達的技術根基——加速計算。他解釋道，英偉達大約在二三十年前就開始研發這種新的計算範式，其核心目標在於大幅降低計算所需的能耗。他提出了一個關鍵觀點：提升計算性能的根本途徑在於降低單位計算的能耗。因為在一個給定的能耗預算下，可用的晶體管數量隨著時間推移不斷增加，隻有降低每個計算步驟的能耗，才能在總體預算內完成更多的計算，從而獲得更高的性能。
黃仁勳指出，正是加速計算帶來的性能巨大飛躍和能耗顯著降低，才使得機器學習這種讓計算機自主從數據中學習的新型計算方式成為可能。可以說，加速計算對能耗的極致壓縮，是催生現代AI革命的底層技術推手。沒有這種計算效率的提升，訓練今天動輒擁有數萬億參數的複雜AI模型將是難以想象的。這一背景介紹，為後續討論AI能耗問題奠定了基礎，強調了英偉達從創立之初就將“能效”置於核心地位。
三、AI的“雙麵人生”：訓練與推理的能耗分野
談及AI的能耗問題，黃仁勳引入了一個核心概念，即將AI的生命周期劃分為兩個主要階段：學習（或稱訓練，Training）階段和應用（或稱推理，Inference）階段。他用了一個生動的比喻：這就像人類需要花費二三十年時間上學接受“預訓練”（pre-training），之後才能將所學知識應用於實際工作和生活（推理）。
他承認，AI模型的訓練階段確實需要消耗大量能源。這個階段需要收集海量數據（如視頻、遙測數據、文本等），並使用大型計算機集群通過迭代計算，讓模型學習數據中的特征並掌握預測能力。這正是當前公眾對AI能耗擔憂的主要來源。
然而，黃仁勳緊接著強調，訓練模型並非AI的最終目的，真正的價值在於使用模型進行推理。更重要的是，訓練完成的大模型（通常參數量巨大，達到萬億級別），可以被看作是一個知識淵博的“教授模型”（professormodel）。在實際應用中，我們會將這個大模型的知識“蒸餾”（distill）到許多更小的“學生模型”（student models）中。這些經過精簡和優化的推理模型，體積小巧，可以部署在手機、個人電腦、自動駕駛汽車的單一芯片上。
這些小型或中型的推理模型雖然在通用性上可能不如原始大模型，並且可能更“脆弱”（brittle）、更專注於特定任務，但它們繼承了大模型的關鍵技能，能夠高效地執行被微調（fine-tuned）過的特定任務。關鍵在於，這些推理模型的運行能耗極低。黃仁勳對此持樂觀態度，他預測未來數據中心的算力絕大部分（或許高達90%）將用於推理，而隻有少數（約10%）用於訓練。因此，AI在推理階段帶來的能效提升將是巨大的。
四、AI推理如何實現萬倍節能？
針對當前輿論普遍關注AI推高能源需求的現象，黃仁勳提出了一個與直覺相反但至關重要的觀點：從長遠和應用角度看，AI有望大幅降低能源消耗。他再次強調了區分訓練和推理的重要性，並用一個極具說服力的例子——AI天氣預測——來闡釋AI推理的節能潛力。
他介紹道，英偉達訓練了一個大型AI模型來預測天氣。這個模型的學習素材來源於傳統的、基於物理原理的模擬模型以及真實的觀測數據。這些傳統的物理模擬方法本身就需要強大的超級計算機來運行，並且這些超算往往需要7x24小時不間斷運行，才能預測未來幾小時乃至幾周的天氣狀況。
然而，一旦AI模型訓練完成，進入推理應用階段，情況就發生了戲劇性的變化。黃仁勳透露，使用訓練好的AI模型進行天氣預測，其能耗僅為傳統超算方法的萬分之一！這意味著，過去需要龐大超算持續運行才能完成的任務，現在可以用能耗極低的AI模型高效完成。
David Sandalow也認同這一點，指出這種新型AI天氣模型比傳統物理模型更節能的優勢尚未被廣泛理解。這項技術突破已經在太陽能和風力發電場等領域產生了實際應用，能夠更準確地預測可再生能源的發電量，優化能源調度，並且有助於我們更深入地理解氣候變化的未來趨勢。這個例子雄辯地證明了，雖然AI訓練耗能不菲，但其推理應用階段蘊藏著巨大的節能潛力，有望在諸多計算密集型領域取代高能耗的傳統方法。
五、英偉達芯動力：從精度到稀疏，持續壓榨能效極限
要實現AI推理的極致能效，硬件層麵的創新至關重要。黃仁勳詳細闡述了英偉達如何在芯片設計上不斷突破，以降低AI運算的能耗。其中一個關鍵策略是持續降低運算所需的數值精度（precision）。
他解釋說，傳統的科學計算，尤其是物理模擬，通常使用64位浮點數。這是因為物理現象涉及的數值範圍（range）和精度（precision）要求極高且難以預測，64位浮點數能夠覆蓋從微觀到宏觀（例如，從厘米到星係尺度）的廣闊範圍，並保證足夠的精度，避免計算過程中出現誤差累積或數值溢出。
然而，AI模型具有一種特殊能力，即能夠“聚焦”或關注於當前任務最相關的部分，並且可以通過訓練學會這種聚焦。這意味著AI運算並不總是需要那麽高的精度。因此，英偉達在每一代AI芯片中，都在努力探索降低數值精度的可能性。他們的第一代AI芯片使用32位浮點數，隨後降至16位，再到8位，最新的芯片已經支持4位浮點數。
黃仁勳指出，每一次精度的降低，都意味著能耗的大幅減少。從最初的（假設是）64位降到現在的4位（此處原文未明確初始對比基準，但上下文暗示是從更高精度如64位或32位開始），其能耗降低的幅度是極其可觀的，遠不止簡單的線性比例。
除了降低精度，英偉達還利用了神經網絡的“稀疏性”（sparsity）特點來節能。在一個訓練好的神經網絡中，大部分參數（權重）的值要麽是零，要麽非常接近零。對於這些零或接近零的參數，在計算中實際上可以跳過，無需進行乘法運算。英偉達通過引入稀疏計算技術，使得芯片能夠識別並跳過這些無效運算，從而再次顯著降低能耗，可能達到幾倍（例如4倍）的提升。
說到這裏，我額外補充一下，其實DeepSeek的V3/R1模型就使用了低精度計算技術，混合精度訓練框架，比如核心計算大部分使用FP8（8位浮點數）格式，這顯著降低了內存占用和計算開銷，同時保持了模型性能的高效和穩定。
六、光進銅退：矽光子與CPO技術如何為數據中心節能
除了芯片內部的優化，芯片之間以及服務器之間的連接也是數據中心能耗的重要組成部分。黃仁勳介紹了英偉達在該領域的一項前沿創新——矽光子（silicon photonics）技術及其應用，特別是“共封裝光學”（Co-Packaged Optics,CPO）。
他首先解釋了當前的連接方式：在短距離內（例如一個服務器機架內部），使用銅線（copper）連接是最高效、能耗最低的選擇。但銅線的傳輸距離有限，損耗會隨距離增加而急劇上升。因此，當需要連接更遠距離（例如跨機架、跨數據中心）時，就必須使用光纖（optical）傳輸。
傳統的光纖傳輸方式存在一個能耗瓶頸：信號需要經曆多次轉換。芯片輸出的是電信號（electrical），需要通過一個收發器（transceiver）將其轉換為光信號（optical）才能在光纖中傳輸。光信號傳輸可以達到很遠的距離（數公裏）。到達目的地後，光信號還需要再通過一個收發器轉換回電信號，才能被接收端的芯片處理。這一係列的“電-光-電”轉換過程，尤其是收發器本身，會消耗大量能量。
為了解決這個問題，英偉達通過在半導體工藝、封裝技術、高速接口（SerDes）技術等多個層麵積累創新，實現了CPO技術。CPO的核心思想是將光收發模塊（transceiver）與計算芯片（如GPU或交換芯片）直接封裝在一起，使得電信號可以直接在芯片封裝層麵就轉換成光信號並輸出。這繞過了傳統方案中獨立的、高功耗的板載光模塊和相應的電信號鏈路。
黃仁勳指出，這項技術的應用將為數據中心帶來巨大的節能效益，不僅能節省數百萬甚至數十億美元的成本，更能減少兆瓦級別的電力消耗。這項看似底層的連接技術創新，實際上是應對AI算力增長帶來的能耗挑戰的關鍵一環，展現了英偉達在係統級能效優化上的深度布局。
七、“傑文斯悖論”新解：AI效率提升是雙刃劍？
隨著AI技術效率的不斷提升，一個經濟學上的經典現象——傑文斯悖論（Jevons Paradox）——開始在能源政策圈引發熱議。該悖論指出，技術效率的提高往往會降低使用成本，從而刺激更多的消費，最終可能導致總資源消耗不降反升。許多人擔憂，即使AI本身變得更節能，其廣泛應用是否會催生出更多、更新的計算需求，最終導致整體能耗不減反增？
黃仁勳坦誠地回應了這個問題，認為答案是複雜且具有兩麵性的。他承認，隨著AI成本的下降和能效的提高，其應用確實會增加。然而，他引導聽眾思考：這種增加的AI計算，是在“替代”什麽？
他從計算機科學的層麵進行了解釋，認為當前的計算模式正在經曆一場從“檢索型”（retrieval-based）向“生成型”（generative-based）的根本性轉變。目前絕大多數的計算任務是檢索型的：用戶發出請求（如搜索關鍵詞、點擊鏈接），計算機從存儲設備（硬盤、閃存）中檢索預先存儲好的信息（網頁、圖片、廣告等），然後呈現給用戶。這個過程涉及大量的數據讀取和傳輸。
而生成式AI（GenerativeAI）則不同。當你向AI提問時，它不是去檢索一個現成的答案，而是“即時生成”一個答案。黃仁勳以自己為例：他可以直接回答主持人的問題（生成），而不是跑回辦公室查資料再拿回來讓主持人自己讀（檢索）。雖然生成答案需要他大腦消耗能量（類比AI計算功耗），但這省去了來回奔波、查找、傳輸、閱讀等一係列檢索過程所消耗的能量。他認為，從這個角度看，生成式計算替代檢索式計算，長遠來看將節省大量能源。例如，未來的搜索將不再是返回一堆鏈接讓你去閱讀，而是直接給你答案。
但黃仁勳並未回避問題的另一麵。他承認，生成式AI的強大能力催生了許多全新的應用場景。他以自己為例，現在每天都會利用AI進行深入研究（deep research），探索各種複雜問題。這些過去計算機無法完成的新任務，自然會消耗新的能源。
因此，未來的圖景是：一方麵，AI將替代舊的、效率低下的計算方式，從而節省能源；另一方麵，AI的普及將激發更多創新應用，帶來新的能源需求。黃仁勳希望，這些新的AI應用將創造巨大的價值，例如在生產力、製造業、機器人等領域帶來革命，從而證明為其投入能源是值得的。
八、AI能源需求求解：布局“AI工廠”與優化選址
既然AI的發展，尤其是新應用和新產業的出現，將不可避免地帶來能源需求的增長，那麽如何滿足這些需求就成了關鍵問題。黃仁勳就此提出了幾點思考。
首先，他提出了一個重要觀察：與過去的能源消耗模式不同，AI計算（尤其是訓練）對地理位置的要求相對靈活。他形象地說，“AI不在乎去哪裏上學”（AI doesn't care where?it?goes to school）。這意味著，可以將用於訓練AI的大型數據中心，即他所稱的“AI工廠”（AI Factories），建設在能源富餘或成本較低的地區，而不必靠近人口密集的城市中心。這與電動汽車等應用形成了對比，電動汽車需要在用戶住宅附近充電，給現有城市電網帶來巨大壓力。通過優化AI工廠的選址，可以更好地利用全球的能源資源，減少對緊張電網的衝擊。
其次，他強調，AI不僅消耗能源，更能幫助其他行業節省能源。例如，他提到可以將AI應用於無線接入網絡（RAN,RadioNetwork），以提高頻譜利用效率，優化基站運行，從而降低移動通信網絡的巨大能耗。這提示我們，在考慮AI自身能耗的同時，也要看到它在全局能源優化中的賦能力量。
最後，他觀察到全球範圍內對AI的態度已經發生了轉變。幾年前，人們主要關注AI數據中心的能耗問題。雖然持續提升能效仍然至關重要，但現在各國越來越認識到，AI本身就是一個全新的、潛力巨大的產業。這個產業的核心是“生產人工智能”。各國政府和企業都渴望利用AI來提升本國或本行業的競爭力，因此願意投資能源來建設AI工廠，將其視為經濟增長的新引擎。許多能源富餘的國家尤其對此感興趣，希望將能源優勢轉化為AI時代的經濟優勢。
九、“智能基礎設施”的崛起
黃仁勳進一步將AI提升到了國家基礎設施的戰略高度。他回顧曆史，指出如同水利、道路是早期社會的基礎設施，電力是工業時代的基礎設施，以及三十年前人們還未完全理解其重要性但如今已不可或缺的信息基礎設施——互聯網一樣，我們正在迎來一個新的基礎設施時代，那就是“智能基礎設施”（Intelligence Infrastructure）。
他承認，目前“智能基礎設施”的概念對許多人來說可能還比較抽象。但隨著人們日常越來越多地使用ChatGPT、Gemini Pro、Perplexity等AI工具和服務，大家開始切身體會到“智能”是什麽，尤其是“數字智能”（digital intelligence），以及它如何能夠提供巨大的幫助。
基於這種日益增長的認知，黃仁勳觀察到，全球各國政府都開始意識到擁有自主可控的智能基礎設施的重要性。這種基礎設施將建立在AI工廠之上，其核心產出就是AI能力。
那麽，一個國家要建設自己的智能基礎設施，需要哪些要素呢？黃仁勳總結為三點：
數據（Data）：對於許多國家而言，其獨特的智慧、知識、文化和常識（commonsense）就蘊藏在曆史文獻、書籍、國家圖書館等載體中。其中很多還是模擬形式存在的。因此，將這些寶貴的國家知識數字化，並用於訓練本國的AI模型，是至關重要的一步。
AI技術（AI Technology）：黃仁勳認為，雖然最尖端的（state-of-the-art）模型仍然掌握在少數（可能約10家）公司手中，但得益於開源社區的蓬勃發展和開放科學環境下大量的論文發表（如今計算機科學論文大部分都與AI相關），獲取“足夠好”的AI技術已經變得相對容易。
算力（Compute）：即建設AI工廠所需的計算硬件和基礎設施。
他相信，憑借這三個要素，每個國家都有能力構建自己的AI技術和智能基礎設施。這番論述將AI的重要性從單純的技術或產業層麵，提升到了關乎國家未來發展和主權的戰略層麵。
十、AI賦能千行百業：從材料科學到數字孿生工廠
除了宏觀戰略層麵的討論，黃仁勳也列舉了AI在能源與氣候相關領域的諸多具體應用潛力，強調AI將成為推動這些領域創新的強大引擎。
首先是材料科學（Material Sciences）。他指出，材料科學的研究必須擁抱加速計算和AI。因為材料研發在很多方麵類似於藥物發現或數字生物學（digital biology），涉及海量的組合與排列需要探索。雖然最終仍需通過實驗驗證，但AI可以通過訓練模型來理解分子動力學（molecular dynamics）或材料結構，從而建立起“虛擬實驗室”（virtual laboratory）或“數字孿生”（digital twin）。利用AI進行大規模的虛擬篩選，可以剔除大量無效方案，聚焦於最有潛力的候選材料，從而大幅減少所需進行的物理實驗次數，加速新材料的發現進程。這對於研發新型電池化學材料、高效催化劑等對能源和氣候至關重要的領域意義重大。
其次是能源生產。他提到了幾個例子：
風力發電場優化：利用AI建立替代模型或仿真，可以更智能地設計風電場的布局，並實時控製風機朝向，以更好地捕捉風能，減少尾流造成的湍流幹擾，從而提升整體發電效率。
核聚變研究：AI可以用於模擬聚變反應堆中極其複雜的等離子體湍流（plasmaturbulence）現象。加速對這些複雜物理過程的理解，有助於我們更快地實現可控核聚變，為人類提供清潔、幾乎無限的能源。
再次是能源分配與使用。雖然未在本次對話中詳細展開，但前麵提到過AI在優化電網運行、預測電網故障等方麵的潛力。
最後，他特別強調了數字孿生（Digital Twins）在製造業的應用。像富士康（Foxconn）這樣的大型電子製造商，以及台積電（TSMC）、三星（Samsung）等半導體巨頭，都在與英偉達合作創建工廠的數字孿生模型。通過在虛擬世界中模擬和優化工廠的規劃、布局、運營流程，可以在實際建廠或運營前就發現問題、找到最佳方案。
這種“AI工廠（訓練模型）-數字孿生（模擬優化）-實體工廠（節能運行）-反饋回AI工廠（持續改進）”的閉環，將徹底改變未來的製造業。考慮到製造業是全球能源消耗的大戶，通過數字孿生技術哪怕實現幾個百分點的能效提升，其累積的節能效果也將是驚人的。
黃仁勳總結道，AI應用的潛力是無窮無盡的，它將滲透到能源價值鏈的每一個環節，並通過提高效率、加速創新來幫助我們應對能源和氣候挑戰。
十一、皮衣教主的管理哲學：“Top5Things”的智慧
除了技術和戰略層麵的探討，主持人也好奇地問及了黃仁勳在英偉達的管理實踐，特別是他著名的“Top5Things”（T5T，五件事）管理工具。
黃仁勳解釋說，“Top5Things”並非什麽複雜的係統，它的核心理念極其簡單：鼓勵員工（以及他自己）隨時記錄下頭腦中最重要的五件事。
這五件事可以包羅萬象，不拘一格：可能是你最近喜歡的餐廳，當前正在處理的工作，最近觀察到的一個重要現象，一個潛在的機會，一個令人擔憂的威脅，甚至隻是一個讓你感到好奇、但還不完全理解的事情。
之所以限定為“五件”，是為了讓這個過程足夠輕量化，既方便員工快速記錄，也方便管理者（包括他自己）閱讀。他設想，如果公司裏的每一位員工都這樣做，並將他們的“Top5Things”分享出來（不一定直接發給他，可以發給任何人），那麽整個公司就如同部署了一個龐大的傳感器網絡。
這些來自“邊緣”（即一線員工）的“傳感器信號”（即Top5Things），隨著時間的推移不斷匯集。黃仁勳本人並不需要每周都閱讀每個人的報告，報告也不需要每周都提交，但隻要信息能夠持續、零星地流動起來，他就能通過長期觀察，自然地從中識別出重要的模式和趨勢。
他將這種做法與傳統的層級匯報製度進行了對比。在傳統模式下，信息從員工逐級上傳，經過層層過濾和匯總，等最終到達高層管理者手中時，往往已經失去了很多細節和時效性，甚至“空無一物”。而“Top5Things”旨在創建一個扁平化的信息係統，讓他能夠以可承受的成本，直接感知到來自組織各個角落的、相對原始的信號。
這個看似簡單的管理工具，實際上體現了黃仁勳早在公司創立之初（三十三年前）就具備的分布式信息處理和模式識別的思維方式。他從中獲益匪淺。
十二、AI融入日常：黃仁勳與英偉達的實踐
當被問及個人以及公司如何在日常工作中使用AI時，黃仁勳分享了幾個關鍵的應用場景。
首先，他再次強調了深度研究（Deep Research）。對他而言，AI不僅僅是信息檢索工具，更像是一位私人導師。傳統的研究工具返回的是靜態文檔，而AI進行深度研究後，雖然也能生成報告，但其本身變成了一個“活的”專家。這個AI因為它剛剛深入研究了某個特定主題，所以變得對該主題極其了解。黃仁勳可以持續地與這個“AI專家”互動，深入探討問題。這種動態的、交互式的研究方式是他最喜歡的AI用法之一。
其次，在英偉達內部，AI已經深度融入了工程研發流程。無論是軟件開發還是芯片設計，現在公司裏每一位工程師都在使用AI助手。作為一家技術公司，英偉達優先將AI應用於自身最核心的業務領域。如今，數萬名工程師每天都在AI的輔助下進行編碼和設計工作。黃仁勳透露，公司每天有數百萬行代碼是由AI生成或輔助生成的！這無疑極大地提升了研發效率和創新速度。
第三個重要領域是供應鏈優化（Supply Chain Optimization）。英偉達的供應鏈極其複雜。以其旗艦GPU產品為例，雖然核心是來自台積電（TSMC）等夥伴的幾顆關鍵芯片，但整個GPU係統（或一個包含GPU的服務器機架）實際上由數萬個，甚至可能數百萬個零部件組成，這些零部件來自全球各地的供應商。一個服務器機架的重量可達一噸半。管理如此龐大複雜的供應鏈，是一個遠超人類認知能力的組合優化難題。因此，英偉達正在積極探索利用AI來優化庫存管理、物流規劃、需求預測等供應鏈環節。
這三個例子展示了AI在英偉達內部已經從概念走向實踐，而且涵蓋了從高管決策到一線研發再到核心運營的方方麵麵。
十三、黃仁勳的書單推薦
在訪談的最後環節，按照播客慣例，主持人邀請黃仁勳推薦三本對他有影響的書籍、報告或文章，主題不限，新舊皆可。
?
黃仁勳首先提到了在他三十多歲時對他影響深遠的書籍——克萊頓·克裏斯坦森（Clay Christensen）關於“創新者窘境”（Innovator's Dilemma）的係列著作。他稱讚這些書寫得非常好，思考深刻，並表達了對已故的克裏斯坦森教授的懷念，認為其思想對科技行業產生了巨大影響。
接著，他推薦了大約十年前閱讀並非常喜歡的書——尤瓦爾·赫拉利（YuvalHarari）的《人類簡史》（Sapiens）。他認為這本書寫得也很棒（reallywelldone），並且可能是他讀過的覆蓋人類曆史跨度最大的著作之一，非常有趣。
最後，他談到了近期閱讀的一些書籍，並列舉了幾本，包括：克裏斯·米勒（Chris Miller）的《芯片戰爭》（Chip War），格雷厄姆·艾利森（Graham Allison）的《注定一戰？》（Destined for War），甚至是《孫子兵法》。他半開玩笑地感慨，最近讀的書似乎都以“戰爭”（war）結尾。
但他隨即也強調，閱讀這些書並非是為了鼓吹衝突，反而是為了了解導致緊張局勢和戰爭的原因。他特別強調，《孫子兵法》的教誨核心在於如何“避免”戰爭，而不是將對手逼到極限。這些著作其實在提醒我們，如何在競爭的同時進行合作，防止衝突。他認為，我們正處在一個風雲變幻（interesting times）的時代，所以閱讀書籍的性質似乎也在隨之變化。
