黄仁勋 · aiwiki.page

黄仁勋（Jensen Huang，亦作 Jen-Hsun Huang）是出生于台湾的美国企业高管和电气工程师。1993年4月，他与克里斯·马拉霍夫斯基和柯蒂斯·普里姆共同创立英伟达，自公司成立以来一直担任总裁、首席执行官及董事。创办英伟达之前，他曾就读于俄勒冈州立大学和斯坦福大学，学习电气工程，之后先后任职于超威半导体和 LSI Logic。(engineering.stanford.edu)

黄仁勋的职业生涯见证并推动了英伟达从计算机图形芯片供应商发展为一家面向加速计算和人工智能领域提供硬件、软件及系统的公司。该公司的图形处理器和 CUDA 编程平台成为科学计算和深度学习的重要工具。他的职责主要是领导工程研发、制定企业战略，以及推动计算平台的商业化，而非独自开发英伟达工程团队所创造的技术。他还支持大学工程教育与研究；在工程领域获得的荣誉包括与他人共同获颁的2025年伊丽莎白女王工程奖，以及2026年 IEEE 荣誉奖章。(docs.nvidia.com)

早年生活、移居与教育

黄仁勋（英文名 Jensen Huang，亦作 Jen-Hsun Huang）于1963年出生于台湾，童年时移居美国。他早年在美国求学期间，曾就读于肯塔基州东部的寄宿学校奥奈达浸信会学院。他与哥哥先在那里寄宿生活，之后才前往俄勒冈州与家人团聚。随后，他进入波特兰以西、比弗顿附近的阿罗哈高中就读。因此，他的中学教育经历跨越了两种截然不同的环境：肯塔基州乡村的寄宿学校，以及波特兰都会区的公立高中。(computerhistory.org)

关于黄仁勋在肯塔基州经历的一些广为流传的细节，主要来自他后来的回忆。2010年10月，以他名字命名的大楼举行落成典礼后，他接受了斯坦福大学工程学院的采访。他回忆说，当时自己大约十岁，是年龄最小的寄宿生之一。据他描述，学校约有300名学生，学生全年住校，并承担分派的杂务。他记得自己的任务是打扫男生卫生间，而哥哥则在烟草农场干活。这些细节属于他本人的回忆，并非出自当时的学校档案。(engineering.stanford.edu)

黄仁勋在高中时期开始对计算机产生兴趣。他在俄勒冈州立大学攻读电气工程，学习内容包括计算和芯片设计，并于1984年获得理学学士学位。在该校2013年一篇介绍其求学经历的文章中，黄仁勋指出，童年时喜欢计算机，与在大学里了解计算机底层技术的运作原理，是两回事。他认为，本科阶段的课程和教授为他日后的工程工作奠定了技术基础。他还在一门电气工程入门课上结识了未来的妻子洛丽·米尔斯，两人当时是实验搭档。(engineering.stanford.edu)

2013年2月重返俄勒冈州立大学时，黄仁勋具体回忆了本科阶段的学习经历。他特别提到唐纳德·阿莫特教授。阿莫特在课堂计算中使用取整后的数值，起初让他感到困扰，因为学生们已经习惯使用更精确的数值。黄仁勋后来领悟到，这种做法是在教他们如何找出最重要的变量，同时不忽略问题的全貌。他还回忆了住在麦克纳里宿舍楼的日子，并表示，大学宿舍生活中的社交经历与学业一样，也是他所受教育的重要组成部分。(engineering.oregonstate.edu)

搬到硅谷后，黄仁勋先后在AMD和LSI Logic全职工作，同时继续深造。他以非全日制方式修读斯坦福大学电气工程研究生课程，于1992年取得硕士学位。在斯坦福大学的采访中，他表示自己花了八年才完成这一学位。在此期间，他与洛丽结婚，两个孩子的出生也使他能够修读的课程数量减少。因此，他的研究生学习既与半导体行业的早期职业生涯重叠，也伴随着养育子女的责任。(engineering.stanford.edu)

创立英伟达之前的半导体行业生涯

1984年至1985年，黄仁勋在超威半导体（AMD）担任微处理器设计师。这是他在半导体行业担任的技术岗位，早于他后来从事的营销和企业管理工作。英伟达的个人履历资料记载了这段任职时间，斯坦福科技创业计划也独立确认，他当时担任微处理器设计师。文献记载的这一职位涉及处理器设计，而非他日后创办的公司最初专注的图形硬件。(nvidia.com)

1985年，黄仁勋转投LSI Logic，并在那里工作至1993年。在这家芯片制造商任职的约八年间，他先后从事工程、营销和综合管理工作。他最后担任的职位是CoreWare部门主管；英伟达的公司申报文件将该部门列为负责LSI Logic片上系统战略的业务部门。这些职责使他的工作超出了单个处理器的设计范畴：他既参与半导体产品的技术开发，也负责将这些产品推向客户的业务工作。(nvidia.com)

CoreWare的技术路线以可重复使用的电路构建模块为核心。根据LSI Logic对这套方法的说明，设计人员可以将库中实现成熟电子功能、接口和协议的模块，与存储器及客户定制逻辑组合到同一块集成电路中。客户不必从头设计每一项功能，而可以利用现有模块，打造适合特定系统的芯片。在后来的监管申报文件中，LSI将这种方法描述为增强功能、缩短产品上市周期的手段。这些说明阐明了该业务部门的技术目标，但并不能据此认定每一个CoreWare组件都由黄仁勋亲自设计，也不能认定整套方法均由他首创。(sec.gov)

因此，他在AMD和LSI担任的职位有着实质性区别：前者有明确记录，是处理器设计岗位；后者则涵盖工程、营销，以及对一个以系统级集成为核心的业务部门的管理。1993年4月离职并共同创立英伟达之前，黄仁勋担任的正是CoreWare部门主管。因此，他在创业前既积累了芯片设计经验，也积累了半导体业务管理经验；说明这一点，并不需要将公司后来的成就归因于对其个人特质的推断，或假定他当时已经形成了发展人工智能计算的计划。(stvp.stanford.edu)

创立英伟达并确立图形业务

1993年4月5日，黄仁勋与克里斯·马拉霍夫斯基、柯蒂斯·普里姆共同创立英伟达，为游戏和多媒体市场开发三维图形技术。公司最初的商业设想是，个人计算机将成为面向消费者的电子游戏及其他多媒体应用平台。黄仁勋自公司成立之初便担任总裁、首席执行官及董事。他负责企业经营管理，与两位联合创始人的技术职责有所区别：马拉霍夫斯基担任工程副总裁，普里姆则担任首席技术官。两人都曾在太阳微系统公司积累图形工程经验；英伟达早期的处理器是公司工程研发的成果，而非黄仁勋的个人发明。(nvidia.com)

1995年5月，英伟达推出首款产品NV1。它集三维图形、视频和音频加速功能于一体，体现了公司最初进军多媒体领域的雄心。帝盟多媒体公司将采用这款处理器的PCI卡命名为Diamond Edge 3D并推向市场。NV1的图形架构采用二次曲面纹理映射，而非后来成为主流PC图形技术核心的基于三角形的处理方式。英伟达起初试图将其专有技术确立为图形标准，但业界采用微软的Direct3D和硅图的OpenGL，改变了软件环境。公司停止销售NV1，并放弃了面向游戏主机平台的NV2处理器的开发，随后将重心转向RIVA 128。(nvidia.com)

RIVA 128于1997年8月开始商业出货。其设计使英伟达转向主流PC市场，并注重兼容已有的图形应用程序编程接口。这款处理器配备了三角形设置引擎和针对Direct3D优化的渲染流水线，同时还具备Windows二维图形加速和视频功能。三角形设置负责执行几何图元进入渲染阶段前所需的计算；芯片还支持纹理过滤、透视校正纹理映射和透明效果。将这些功能整合到一块集成电路中，使板卡制造商能够通过同一设备提供常规桌面图形显示和三维游戏加速功能。英伟达的产品文档列出了PCI和加速图形端口两种接口，以适配不同的PC配置。(d18rn0p25nwr6d.cloudfront.net)

RIVA 128显著扩大了公司的市场基础。英伟达的公司历史记载，该产品在上市后的头四个月内出货量便超过100万颗，而公司当时的时间线则将第100万颗的出货时间记为1998年1月。原始设备制造商的采用是这一扩张的重要推动因素：英伟达向其他公司供应处理器，由这些公司将其装入计算机和显卡，而非仅依靠销售英伟达品牌的成品。1998年初，公司推出RIVA 128ZX，同年晚些时候又推出RIVA TNT，进一步扩充了产品线。这些产品延续了RIVA 128所确立的遵循行业标准的图形业务路线。(nvidia.com)

1998年3月，英伟达与台湾积体电路制造公司（台积电）建立战略制造合作伙伴关系。这是对既有无晶圆厂半导体公司模式的进一步发展，并不意味着英伟达从自有工厂生产转向外包：此前与SGS-汤姆逊达成的协议就已安排由外部企业承担制造。英伟达负责处理器的设计与营销，外部供应商则负责晶圆制造以及组装、测试和封装。这种分工使公司无须拥有晶圆制造厂，但也使其供应受制于合作伙伴的产能、制造良率和交付进度。早期实践还暴露了现实局限：英伟达报告称，1998年由台积电生产的RIVA 128ZX和RIVA TNT在实现量产方面遇到了困难。(nvidia.com)

图形处理器与游戏市场

1999年8月，英伟达推出GeForce 256，将变换、光照、三角形设置与裁剪以及渲染功能集成在单个集成电路中。该公司将其宣传为首款图形处理器（GPU），并以这些功能的组合以及每秒至少处理1,000万个多边形的能力来界定这一产品类别。因此，这一“首款”主张依据的是英伟达自身对产品的特定定义，而不是说图形处理硬件始于1999年。硬件变换与光照功能将此前由中央处理器执行的计算转移到图形处理器上，使后者能够承担显示三维场景所需的更多工作。凭借这些功能，GeForce 256成为黄仁勋领导下英伟达个人电脑图形硬件发展历程中的重要一步。(nvidia.com)

下一次架构变革涉及开发者能够通过指令让硬件执行哪些操作。早期图形流水线主要提供固定操作，软件只能调整其参数。2001年，英伟达随GeForce3引入了可编程顶点处理：开发者可以编写简短程序，对定义场景几何形状的顶点进行变换，而不必完全依赖预先定义的变换与光照流程。像素处理起初仍受到较多限制；英伟达的技术文档将GeForce3这一代产品的可配置像素操作，与下一代产品中更为全面的可编程片元处理作了区分，后者包括2002年的GeForce FX。这一演进使游戏开发者能够更灵活地控制角色形变、表面外观、光照及其他视觉效果，而无须为每种效果新增一项专用硬件功能。(download.nvidia.com)

可编程着色器使图形开发从选择内置效果，转向编写在渲染流水线中执行的算法。顶点程序处理几何属性，片元程序则计算可能形成像素的颜色等属性。随后出现的高级着色语言，使这些程序比采用硬件级指令更易于编写；编译器会将其转换为可由图形处理器执行的形式。对游戏而言，这些变化的意义不只是绘制速度更快，还在于软件开发者能够在同一套硬件上实现更多样的材质和动画技术。这些进展也发生在英伟达通过CUDA将GPU编程扩展到图形之外的领域以前；后者是其计算战略的另一个阶段。(download.nvidia.com)

2018年3月19日，英伟达发布RTX技术，最初将其描述为一个运行于Volta架构、支持微软DirectX Raytracing应用程序编程接口的光线追踪平台。光线追踪通过计算光线与场景的相互作用来生成反射、阴影等效果，而不是完全依赖光栅化；光栅化是将投影后的几何图元转换为图像像素的过程。英伟达展示的演示包括艺电的《PICA PICA》、Epic Games以《星球大战》为主题的《Reflections》，以及《地铁：离去》的演示。这些演示展示的是渲染技术，并不意味着所有现有游戏都能自动使用该技术。(nvidianews.nvidia.com)

2018年8月20日，黄仁勋在科隆游戏展开幕前发布了基于Turing架构的GeForce RTX 2080 Ti、RTX 2080和RTX 2070。其架构将可编程着色器、用于加速光线追踪的专用RT核心，以及用于神经网络处理的Tensor核心结合起来。黄仁勋将这种方式称为混合渲染：传统图形处理仍是流水线的一部分，同时辅以加速光线追踪和人工智能功能。此次发布将这些功能引入英伟达的游戏产品线，首批产品计划于9月上市。该设计并非彻底取代光栅化，而是为开发者提供额外的硬件机制，用于实现特定光照效果和图像处理任务。(nvidianews.nvidia.com)

CUDA 与向通用计算的转型

在黄仁勋的领导下，英伟达通过 CUDA 将业务从图形处理拓展至通用计算。CUDA 于2006年推出，全称为“统一计算设备架构”（Compute Unified Device Architecture）。这一战略转变旨在让软件无需使用图形接口，就能利用图形处理器（GPU）的计算吞吐能力。此前，利用 GPU 进行非图形计算的实验往往要求研究人员将计算表达为图形操作。相比之下，CUDA 提供了一个独立于渲染的数值计算编程环境。这一转型结合了硬件和软件两方面的变革：2006年11月推出的 GeForce 8800 采用 G80 架构，以统一的可编程处理器取代了彼此独立的顶点处理器和像素处理器。由此，英伟达得以在既有的图形处理市场之外，进军科学计算和商业计算领域。(docs.nvidia.com)

CUDA 的执行模型使 GPU 成为中央处理器（CPU）的协作伙伴，而非将其完全取代。CPU 执行主机程序，并在 GPU 上启动称为“核函数”的计算函数。核函数在大量线程上运行，这些线程被组织为线程块和网格，使数据集的不同部分能够同时进行类似的计算。同一线程块内的线程可以通过共享内存和同步机制相互协作。这种分工适合需要大量重复算术运算的并行计算问题，同时将串行操作和应用程序的控制工作留给 CPU。它也要求程序员识别可并行执行的任务并管理数据访问：将应用程序迁移到 CUDA，并不会自动加速其所有部分。(docs.nvidia.com)

配套软件是此次业务拓展不可或缺的一部分。英伟达提供了编译器、运行时、文档和示例程序，以及用于基础线性代数运算的 cuBLAS 和用于快速傅里叶变换的 cuFFT。这些库使开发者能够复用数值计算例程，而不必自行实现每一项 GPU 操作。2007年4月13日，英伟达开发者马克·哈里斯宣布发布 CUDA SDK 0.8.1 测试版，其中包含29个代码示例，27个可在 Linux 上使用。公告明确区分了 SDK 所含的示例和文档，以及另行分发、包含编译器、运行时和库的工具包。这些材料既提供了可运行的开发起点，也说明了如何改造现有应用程序，使其在 GPU 上执行。(forums.developer.nvidia.com)

早期科学研究成果来自英伟达以外的研究人员。在2007年的一篇论文中，约翰·E.斯通、詹姆斯·C.菲利普斯、彼得·L.弗雷多利诺、戴维·J.哈迪、莱昂纳多·G.特拉布科和克劳斯·舒尔滕展示了利用 GPU 加速分子建模计算的方法，涉及静电作用和非键合力等计算。他们报告称，对于所测试的操作，GPU 计算的速度通常是经过高度优化的 CPU 实现的10至100倍，但这并不意味着整个模拟过程都能获得同等幅度的加速。随后，伊利诺伊大学研究团队在2009年11月12日发布的 NAMD 2.7b2 公告中，将利用英伟达 CUDA 加速非键合力计算列为该分子动力学程序已实现的功能之一。(ks.uiuc.edu)

早期开发者软件也涵盖了金融和图像处理领域。2007年4月的 SDK 包含布莱克—斯科尔斯期权定价和二叉树期权定价示例、使用 cuFFT 的流体模拟，以及涉及卷积和方框滤波的图像处理示例。这些是具体的示例实现，并不能证明金融机构或影像企业已普遍采用 CUDA。2009年9月，内森·布鲁克伍德撰写、由英伟达资助的一份白皮书介绍了金融、油气勘探和医学成像领域早期的专有应用。白皮书对即将推出的 GPU 加速软件所抱有的预期属于预测，与当时已经展示的示例程序和科研应用有所不同。(forums.developer.nvidia.com)

深度学习与人工智能基础设施

2012年，AlexNet的成功展现了英伟达硬件对深度学习的重要性，但这项研究并非源自公司内部。多伦多大学的亚历克斯·克里热夫斯基、伊尔亚·苏茨克维和杰弗里·辛顿开发了这一图像识别系统。他们在ImageNet 数据集竞赛中的获胜方案取得了15.3%的前五项错误率，而亚军为26.2%：也就是说，正确类别未能出现在其排名最高的五个预测结果中的情况明显更少。这一结果表明，在该基准测试中，通过学习获得的视觉表征较其他方法具有显著优势；它并不是黄仁勋或英伟达在算法上的发明。(papers.nips.cc)

研究人员报告称，他们使用两块各配备3 GB显存的英伟达GTX 580 GPU，耗时五至六天完成了底层网络的训练。由于模型过大，无法容纳于任意一块GPU中，他们将网络拆分到两块处理器上。该网络拥有约6,000万个参数、五个卷积层和三个全连接层，将高效的GPU实现与加速学习、减少过拟合的技术相结合。因此，这项成果对英伟达的意义不只是提供更快的芯片，而是表明：可编程图形硬件能够支持在大规模标注数据集上训练大型神经网络所需的反复数值运算。(papers.nips.cc)

在黄仁勋的领导下，英伟达随后将这种能力整合为专用人工智能系统。2016年4月5日发布的DGX-1集成了八块Tesla P100加速器，每块配备16 GB显存，并通过NVLink连接实现GPU间通信。其软件包括cuDNN神经网络库、DIGITS训练界面，以及经过优化的Caffe、Theano和Torch。英伟达提供的是配有软件更新和技术支持的一体化训练系统，研究人员不再需要自行组装和配置每一个组件。2016年，黄仁勋亲自将首台DGX-1交付给OpenAI，使这台机器成为英伟达向独立人工智能开发者提供计算基础设施的一个鲜明实例。(nvidianews.nvidia.com)

2024年3月18日发布的Blackwell平台，体现了英伟达从训练神经网络向运行生成式人工智能和大语言模型的拓展。其第二代Transformer引擎支持四位浮点运算，第五代NVLink则提升了GPU之间的通信能力。这些特性同时着眼于算术运算吞吐量和处理器之间的数据传输。英伟达将硬件与用于神经网络推理（即执行训练好的模型）的TensorRT-LLM编译器配套，而不是将人工智能性能仅仅视为处理器本身的属性。(nvidianews.nvidia.com)

黄仁勋将Blackwell定位为英伟达长期加速计算战略的又一发展阶段，将处理器架构、互连技术、数值格式和软件整合到同一平台中。英伟达在发布公告中宣称，Blackwell能够支持万亿参数规模的生成式模型，与上一代平台相比，成本和能耗最高可降低至原来的二十五分之一。这是公司的性能宣称，而不是对所有人工智能工作负载均已得到验证的普遍结论。同样，黄仁勋关于生成式人工智能将变革各行各业的预期，表达的是该平台背后的商业逻辑，而不是平台发布本身已经独立证实的结果。(nvidianews.nvidia.com)

数据中心战略与行业合作

在黄仁勋的领导下，英伟达的数据中心战略从供应单个图形处理器，扩展到整合处理器、网络与软件。2020年英伟达完成对迈络思（Mellanox）的收购时，黄仁勋明确阐述了这些要素之间的联系：他表示，合并后的公司拥有从人工智能计算到网络互连的技术，产品涵盖处理器和软件。其宣示的目标是提升整个数据中心的性能与计算资源利用率，而不是将加速器视为孤立的组件。这些是黄仁勋和英伟达提出的战略目标，并非经独立验证的收购成效。(nvidianews.nvidia.com)

英伟达于2019年3月11日宣布收购迈络思，并于2020年4月27日以约70亿美元完成交易。英伟达提交给美国证券交易委员会的文件记载，公司为每股符合条件的迈络思已发行普通股支付125美元现金对价。这笔交易将迈络思的高性能网络业务与英伟达的计算产品结合起来。黄仁勋将这一组合作为开发下一代数据中心系统、满足人工智能和加速数据处理需求的基础。(sec.gov)

网络技术与通信软件为这种系统化路线提供了具体实现方式。在2024年3月18日发布的网络产品公告中，英伟达介绍了Quantum-X800 InfiniBand和Spectrum-X800以太网平台，两者均以每秒800吉比特的端到端吞吐量为设计目标。其NVIDIA集合通信库利用SHARP网内计算功能，将GPU并行计算任务扩展至整个Quantum-X800网络。因此，这一设计将计算与参与运算的处理器之间的通信结合起来，而非仅仅依赖更快的芯片。英伟达还介绍了在多租户人工智能云中为不同客户的工作负载提供性能隔离的能力，并将Microsoft Azure、Oracle Cloud Infrastructure和CoreWeave列为其网络平台的早期采用者。(nvidianews.nvidia.com)

同样发布于2024年3月18日的Blackwell公告展示了机架级集成。英伟达介绍，采用液冷的GB200 NVL72将72个Blackwell GPU和36个Grace CPU组合在一起，并通过NVLink互连。BlueField-3数据处理器负责提供网络、存储和安全功能。软件支持包括NVIDIA AI Enterprise和NIM推理微服务。在这一配置下，为高要求人工智能工作负载提供的产品单元是整个机架及其配套软件，而不只是单个处理器。(nvidianews.nvidia.com)

同一份公告还列明了不同合作伙伴的角色。AWS、Google Cloud、Microsoft Azure和Oracle Cloud Infrastructure被列为预计首批提供基于Blackwell的云计算实例的服务商。思科、戴尔科技、慧与、联想和美超微预计将供应服务器。在人工智能开发者中，Meta介绍了使用Blackwell训练Llama模型的计划，OpenAI则表示有意继续与英伟达在人工智能计算领域开展合作。这些表述记录的是该平台推出时公布的部署计划和商业关系，并不代表已经完成的部署，也不代表经独立测量证实的性能提升。(nvidianews.nvidia.com)

管理实践与公共沟通

在斯坦福大学商学院于2024年4月25日发布的一次访谈中，采访者尚塔姆·贾因提到，黄仁勋有50名直接下属，并鼓励英伟达各层级员工向他汇报自己最关切的五件事。黄仁勋认为，高级管理人员所需的监督相对较少，因此较大的管理幅度是合理的。他将跨管理层级沟通与减少信息失真联系起来：员工需要了解具体情境、前提假设和不确定因素，才能作出有充分依据的决策。他表示，向团队解释自己的推理过程是一种教学实践，而不只是宣布结论。这些说法描述的是英伟达当时的组织状况，并非永久不变的人员安排。(gsb.stanford.edu)

黄仁勋还将第一性原理思维描述为一种在条件发生变化时重新审视产品和组织设计的方法，而不是照搬既有安排。对于长期投资，他区分了最终的商业成果与早期支持某一方向的证据。他主张重新检视底层假设，并在这些假设发生变化时调整方向，而不是仅仅对股价波动作出反应。他的解释将组织学习与公开决策背后的推理过程联系起来。这些言论表达了他的管理理念；这次访谈并未独立证实这些理念对公司业绩的影响。(gsb.stanford.edu)

作为英伟达GTC大会的主要主题演讲者，黄仁勋在发布产品的同时，也阐释公司的战略方向。据英伟达的活动报道，2024年3月18日，他在圣何塞SAP中心向超过12,000名与会者发表演讲。他围绕生成式人工智能需求不断增长这一主题，介绍了Blackwell计算平台、NIM推理微服务和Omniverse Cloud API。实物展示强化了演讲内容：他并排举起Blackwell和Hopper芯片，并展示了一块Grace Blackwell系统板。这些展示将具体组件与他对加速计算的整体论述联系起来。(blogs.nvidia.com)

这场主题演讲还通过软件演示和工业应用实例，说明英伟达预期其技术将如何部署。黄仁勋将NIM介绍为一种将人工智能模型和计算库打包以便部署的工具，并展示了一个涉及感知、跟踪和机器人叉车的仓库仿真场景。他将未来的数据中心称为“人工智能工厂”，以生产智能而不只是存储或检索信息来界定计算基础设施的作用。这种表述阐明了英伟达的商业愿景；有关行业变革和未来产品成功的预期，仍然只是黄仁勋及公司的预测，而非这场演讲已经证实的结果。(blogs.nvidia.com)

家庭与教育慈善

黄仁勋与妻子洛丽·黄（Lori Huang）相识于俄勒冈州立大学（OSU）。当时两人都是工程专业的本科生，在一门电气基础课上被分为实验搭档。两人均毕业于俄勒冈州的高中。他们育有两个孩子，斯宾塞和麦迪逊；斯坦福大学2009年介绍这个家庭教育慈善事业的报道中，两个孩子与父母一同出镜。俄勒冈州立大学2022年的公告指出，洛丽担任黄仁勋与洛丽·黄基金会主席，该基金会支持高等教育、公共卫生、STEM（科学、技术、工程和数学）项目及社区组织。(news.oregonstate.edu)

夫妇二人承诺捐赠3,000万美元，用于建设斯坦福大学黄仁勋工程中心。黄仁勋于1992年在该校获得电气工程硕士学位。斯坦福大学在2009年冬季的筹款刊物中公布了这项捐赠承诺，并将拟建大楼描述为该校科学与工程园区的核心建筑。中心建成后，于2010年10月5日正式举行落成典礼。大楼面积约13万平方英尺，设有工程学院总部、教室、会议中心、机械加工车间、咖啡馆，以及弗雷德里克·埃蒙斯·特曼工程图书馆。这笔捐赠支持的是共享教学基础设施，而非某一个实验室或研究项目。(pgnet.stanford.edu)

落成时，斯坦福大学这座中心容纳了来自管理科学与工程系、计算与数学工程研究所、斯坦福科技创业项目及院长办公室的270多名教师、职员和学生。中心设有开放式交流空间、配备可移动家具的学生休息室，以及用于制作原型和模型的工坊。这些设施体现了学院所倡导的理念：将学科专业训练与团队合作、设计、创业及跨领域沟通相结合。大楼内还设有可容纳300人的英伟达礼堂。(engineering.stanford.edu)

2022年10月14日，俄勒冈州立大学宣布，黄仁勋夫妇向该校基金会捐赠5,000万美元，用于建设黄仁勋与洛丽·黄协同创新综合体。这笔捐款是当时公布的总计1亿美元捐赠的一部分，项目彼时估算造价为2亿美元；5,000万美元并非该综合体的全部预算。规划设施包括超级计算机、洁净室、机器人研发设施和创客空间。重点研究方向将人工智能、材料科学和机器人技术相结合，应用于气候科学、海洋学、可持续发展及水资源等领域。(news.oregonstate.edu)

俄勒冈州立大学的公告分别明确了黄仁勋夫妇与英伟达的角色：前者是慈善捐赠者，后者则是该综合体拟采用的计算技术供应商。拟建的超级计算机将采用英伟达的处理器、网络技术，以及DGX和OVX系统。因此，应将夫妇二人的资金捐赠与公司的产品及其同校方的合作关系区分开来：公告既未将这笔5,000万美元的捐款称为英伟达的企业捐赠，也未表示计算设备本身属于捐赠。(news.oregonstate.edu)

工程荣誉与专业认可

黄仁勋获颁2020年IEEE创始人奖章，该奖旨在表彰在领导、规划和管理方面为电气与电子工程专业作出重大贡献的人士。颁奖词肯定了他对英伟达的领导，以及他在图形处理器开发方面的贡献，这些处理器帮助推动了人工智能的进步。这项荣誉表彰的是工程领导力和组织技术开发的能力，而非某一篇研究论文或某一种算法。六年后，他又获选获得IEEE的最高奖项——荣誉奖章。(ieeetv.ieee.org)

2021年，美国半导体行业协会决定向黄仁勋颁发罗伯特·N.诺伊斯奖，以表彰他通过技术或公共政策为半导体行业作出的贡献。获奖消息于8月12日公布，颁奖仪式于2021年11月18日在协会年度晚宴上举行。协会列出的获奖理由包括他在加速计算平台方面的工作，以及将GPU的应用拓展至图形处理以外领域的贡献。这是该协会颁发的诺伊斯奖，而非名称相近的IEEE罗伯特·N.诺伊斯奖章。这项荣誉属于行业奖项，与当时介绍其职业生涯的报道中同样列举的媒体排名和大学荣誉学位有所不同。(semiconductors.org)

2025年伊丽莎白女王工程奖的获奖名单于2月4日公布，七位获奖者因对现代机器学习的贡献共同获奖：约书亚·本吉奥、杰弗里·辛顿、约翰·霍普菲尔德、扬·勒昆、黄仁勋、比尔·达利和李飞飞。这项奖金为50万英镑的奖项表彰了算法、计算硬件和数据集这三项相辅相成的基础，而非将该领域的发展归功于某一个人或某一家公司。奖项主办方肯定了黄仁勋和达利在推动GPU硬件及架构发展方面的贡献，这些硬件和架构使机器学习算法得以在日益扩大的规模上运行。本吉奥、辛顿、霍普菲尔德和勒昆因对人工神经网络的贡献获奖，李飞飞则因开发高质量数据集，尤其是ImageNet而获奖。(qeprize.org)

2025年11月5日，国王查尔斯三世在圣詹姆斯宫颁发了2025年度奖项，仪式同时表彰了2024年度获奖者。颁奖时仍明确区分了黄仁勋和达利在计算硬件方面的贡献，以及其他获奖者在算法和数据方面的工作；因此，黄仁勋获得的是对现代人工智能工程基础贡献的共同表彰，而不是因发明机器学习而获得的个人奖项。(qeprize.org)

黄仁勋随后获颁2026年IEEE荣誉奖章。IEEE于2026年1月6日在拉斯维加斯举行的国际消费电子展（CES）上宣布他获选，表彰他在GPU开发及其应用于科学计算和人工智能方面的领导作用。该奖章附带200万美元奖金。颁奖仪式于2026年4月24日在纽约市举行的IEEE荣誉颁奖典礼上进行，因此，1月公布获奖人选与之后正式颁奖是两个不同的时间节点。(spectrum.ieee.org)

参考来源

Jensen Huang - CHMcomputerhistory.org
Jen-Hsun Huang, NVIDIA co-founder, invests in the next generation of Stanford engineersengineering.stanford.edu
Jensen Huang - Munzinger Biographiemunzinger.de
Doing important, hard work you loveengineering.oregonstate.edu
Jensen Huangnvidia.com
Jensen Huang — Stanford Technology Ventures Programstvp.stanford.edu
NVIDIA 2011 Annual Report and Proxy Materialss201.q4cdn.com
NVISION 08 Emerging Companies Summit Conference Booknvidia.com
LSI Logic Corporation registration statementsec.gov
LSI Logic Corporation annual reportsec.gov
Our History: Innovations Over the Years | NVIDIAnvidia.com
Jensen Huang | NVIDIA Newsroomnvidianews.nvidia.com
NVIDIA Corporation IPO Prospectusd18rn0p25nwr6d.cloudfront.net
Historia de NVIDIA: innovaciones a lo largo de los años | NVIDIAnvidia.com
Nvidia Corporate Timeline: 1998nvidia.com
Nvidia Corporate Timelinenvidia.com
Game-Changer: How the World’s First GPU Leveled Up Gaming and Ignited the AI Erablogs.nvidia.com
The Cg Tutorial, Chapter 1download.nvidia.com
1. Introduction — CUDA Programming Guidedocs.nvidia.com
NVIDIA RTX Technology Realizes Dream of Real-Time Cinematic Renderingnvidianews.nvidia.com
NVIDIA RTX Technology: Making Real-Time Ray Tracing A Reality For Gamesnvidia.com
What’s the Difference Between Ray Tracing and Rasterization?blogs.nvidia.com
10 Years in the Making: NVIDIA Brings Real-Time Ray Tracing to Gamers with GeForce RTXnvidianews.nvidia.com
NVIDIA Solves the GPU Computing Puzzlenvidia.com
2. Programming Model — CUDA Programming Guidedocs.nvidia.com
CUDA 1.0 FAQ (OBSOLETE) Frequently asked questions about CUDAforums.developer.nvidia.com
New CUDA SDK 0.8.1 Released: More code samples and new white papers!forums.developer.nvidia.com
Accelerating molecular modeling applications with graphics processorsks.uiuc.edu
ImageNet Classification with Deep Convolutional Neural Networkspapers.nips.cc
NVIDIA Launches World's First Deep Learning Supercomputernvidianews.nvidia.com
NVIDIA Blackwell Platform Arrives to Power a New Era of Computingnvidianews.nvidia.com
NVIDIA Completes Acquisition of Mellanox, Creating Major Force Driving Next-Gen Data Centersnvidianews.nvidia.com
NVIDIA Corporation, Form 8-K, April 27, 2020sec.gov
NVIDIA Announces New Switches Optimized for Trillion-Parameter GPU Computing and AI Infrastructurenvidianews.nvidia.com
Jensen Huang on How to Use First-Principles Thinking to Drive Decisionsgsb.stanford.edu
GTC Wrap-Up: ‘We Created a Processor for the Generative AI Era,’ NVIDIA CEO Saysblogs.nvidia.com
$50 Million Gift by NVIDIA Founder and Spouse Helps Launch Oregon State University Research Centernews.oregonstate.edu
Pillarsengineering.stanford.edu
Designing for the futureengineering100.stanford.edu
Huang center dedicated, lauded as Stanford’s engineering anchorengineering.stanford.edu
2020 IEEE Honors: IEEE Founders Medal- Jensen Huangieeetv.ieee.org
NVIDIA Founder and CEO Jensen Huang to Receive Semiconductor Industry’s Top Honorsemiconductors.org
NVIDIA CEO Receives Semiconductor Industry’s Top Honorblogs.nvidia.com
2025 Queen Elizabeth Prize for Engineering awarded for Modern Machine Learningqeprize.org
His Majesty The King presents 2024 and 2025 Queen Elizabeth Prizes for Engineering (QEPrize) at St James's Palaceqeprize.org
IEEE Medal of Honor Recipient Is Nvidia’s CEO Jensen Huangspectrum.ieee.org
IEEE Medal of Honor 2026innovate.ieee.org