黃仁勳透露 NVIDIA 內部怎麼用 AI：Claude Code、Codex 都有人用，重點是什麼？

黃仁勳曾在 YC 官方對談透露，NVIDIA 內部有人使用 Claude Code、Codex、Cursor，也提到 Cognition。這段於 2026 年 7 月 26 日發布的談話，提供了觀察企業 AI 導入的具體例子。

一家打造 AI 運算平台的公司，自己如何使用代理工具，值得關注。AI 代理是能接下任務、操作工具並執行步驟的軟體，因此導入後也會改變工作交付與檢查的方式。

黃仁勳在同場談到，Claude Code 在 NVIDIA 的沙箱環境裡自主運作。沙箱是限制程式活動範圍的環境，因此工具能做哪些事，也要納入使用安排。

對準備導入 AI 的團隊，這段談話的價值在於把工具選擇、執行條件與學習回饋放在一起看。因為名單本身無法說明成效，還得確認工作究竟如何完成。

這是七月舊對談的延伸解析。先還原黃仁勳當時說了什麼，才能看出哪些是公司描述，哪些可以轉成自己的試行方法。

黃仁勳點名哪些 AI 工具？

他的說法支持 NVIDIA 內部有多種工具並行，但沒有替它們排名。YC 官方逐字稿記錄，他先提到 Claude Code 在沙箱運作，接著點名不同人使用的工具與廠商。

讀這份名單時，也要分清產品與公司。下表只整理這段話能支持的內容，方便對照原始發言。

Cognition 官網介紹了其產品 Devin，但黃仁勳在這段話裡只說 Cognition，因此本文保留他的用語。訪談也沒有公布各工具的使用人數、節省工時或比較測試。

這讓我們能確認當時存在不同選擇，卻還無法據此替自己的團隊挑出表現最好的工具。要做選擇，仍需要回到實際任務。

為什麼讓不同工具並行？

黃仁勳給出的理由包含讓公司加快工作，以及從員工使用中學習。他形容讓人選擇自己想用的工具，使用愈多，就愈有機會理解未來怎麼把系統做得更好。

這段話把工具使用連到產品與工程回饋。對 NVIDIA 而言，親自使用代理能幫助理解新軟體如何運作，而這又與它要設計的運算系統有關。

如果把這個思路用在一般團隊，重點可以放在收集不同工作的經驗。以下是本站的應用建議：有人做資料整理，有人修改程式，可以先記錄各自遇到的問題，再決定要統一哪些流程。

因為任務不同，單看誰最喜歡哪個工具，很難比較交付品質。允許選擇時，仍要有共同的完成標準，才能把個人使用經驗轉成團隊知識。

他提到沙箱，對會動手的 AI 有什麼意義？

會執行任務的 AI，需要連同可接觸的資源一起評估。如果代理能讀取檔案、安裝套件或連上外部服務，權限就會影響錯誤可能波及的範圍。

黃仁勳提到的沙箱，說明他描述的 Claude Code 使用包含執行環境。但這段對談沒有公開 NVIDIA 內部的完整設定，不能由一句話還原它的權限配置。

若想理解這類環境的作用，可以另看OpenShell 公開文件。文件說明以規則管理代理能存取的檔案、系統操作與網路連線，讓任務執行受到條件限制。

這份文件是公開技術的補充資料，不能當成 NVIDIA 內部沙箱採用 OpenShell 的證明。限制環境也無法保證任務結果正確，仍需要檢查輸出是否符合需求。

延伸閱讀：NVIDIA Open Agent Safety Platform 是什麼？OpenShell、Sentry 如何防止 AI Agent 越權

工具用得多，怎麼知道工作有變好？

成效需要用交付結果來判斷。黃仁勳的對談沒有提供內部效率數據，因此想借鏡的團隊，得自己建立比較方式，避免把使用次數直接當成工作改善。

以下是一個本站設計的試行方法：選一類可重複、能檢查答案的工作，例如修改小型程式錯誤。先約定完成條件，再讓工具在允許的資料與環境內處理。

把人工檢查與返工一起算進來

可以先記錄原本完成同類工作所需的人工時間，再記錄使用工具後，準備資料、下指令、操作、檢查與修改合計花多少人工時間。因為代理快速產出的內容也可能需要重做，等待生成的時間只反映其中一部分。

每次試行都保留任務難度、輸入資料與驗收方式。如果兩次任務差異太大，就先不要用工時差距推論工具比較好，否則可能只是其中一次工作較容易。

寫清楚誰負責接受結果

工具交出成果後，仍要有人確認是否符合原先條件。可以指定一位負責人檢查修改範圍與測試結果，發現問題時也能決定退回修改或停止使用。

這樣的安排讓試行有可追查的結果。當同類任務連續通過驗收，而且返工沒有增加，再討論擴大使用，就有較具體的依據。

從員工使用到下一代系統，回饋怎麼接？

黃仁勳還把內部使用連到理解未來工作負載。「工作負載」就是系統實際要處理的任務，包含運算、記憶體使用與不同工作同時執行的情況。

他談到需要了解代理如何使用記憶、工具與彼此協作，才能思考未來系統的設計。因為硬體開發需要時間，使用新軟體也是提早看見需求的一種方式。

一般團隊可以把這個回饋方向縮小到自己能處理的問題。這是本站的延伸做法：遇到失敗時，記下卡在資料不足、權限不夠，還是驗收條件不清楚，交給能處理的人改善。

例如，若工具每次都缺少某份資料，先改善資料提供方式，可能比反覆更換工具更有幫助。公開的診斷工具則是另一種把問題整理給代理處理的例子，可進一步參考相關教學。

延伸閱讀：NVIDIA gds-diag 開源診斷工具：讓 Claude Code、Codex 找出 GPU 儲存傳輸卡在哪裡

黃仁勳談 NVIDIA 內部 AI 常見問題

這代表 NVIDIA 全員都用這些工具嗎？

黃仁勳說有人使用不同工具，但沒有提供全體員工的採用比例。這段話可以說明當時的使用情形，無法用來推算全公司覆蓋率。

能從對談判斷 Claude Code 或 Codex 誰比較好嗎？

訪談沒有同條件比較或成效數據。若要選工具，可以先用同類任務檢查交付品質、人工修改時間與可接受的權限，再做適合自己工作的決定。

這是十一月新宣布的內部政策嗎？

本文依據 YC 於 2026 年 7 月 26 日發布的對談，整理黃仁勳當時的描述。本文的試行與驗收方法由本站延伸設計，不代表 NVIDIA 公布的內部流程。

先交付一項工作，再決定要擴到哪裡

對剛開始導入 AI 代理的團隊，可以先選一項工作，寫清楚可用資料、允許操作與完成條件。留下失敗原因及人工修改紀錄，才能知道下一步該改善工具、資料還是流程。

想直接聽黃仁勳如何描述 NVIDIA 的使用方式，可以觀看 YC 官方影片的 25:43 章節。播放器從該章節開始，前後文也保留在同一支完整影片中。

免費訂閱 AI 郵報，持續掌握 AI 工具、代理工作流程與企業導入案例。