芯耀
535
作者｜王兆洋,郵箱｜wangzhaoyang@pingwest.com
GTC主題演講后第二天，我們參加了一場與英偉達創(chuàng)始人兼CEO黃仁勛的對話。
他回答了從AI的發(fā)展，芯片和數(shù)據(jù)中心的未來，到中國AI行業(yè)競爭力的多個問題。其中，他自己最關心的，是英偉達這家公司的轉變。他形容，今年的GTC非常重要，它是一次轉折點，不只是英偉達，也是整個行業(yè)的轉折點。
“今年的GTC非常重要，事實上，它展示了我們公司從一家計算機技術公司向 AI 基礎設施公司的轉型。它展示了數(shù)據(jù)中心的轉變——從一個計算機訪問數(shù)據(jù)和托管應用的場所，進化為一個AI 工廠。它還展示了一個事實：一個全新的產(chǎn)業(yè)已經(jīng)誕生。正因如此，這么多公司、開發(fā)者、行業(yè)和國家都來到了這里，開始在這里投入預算?！?/p>
而在會后硅星人也有機會抓住黃仁勛問了一個關于CUDA的問題：
CUDA是英偉達成功的關鍵，其中很重要的就是因為它建立起來的巨大生態(tài)系統(tǒng)，而這背后并不是靠開源——CUDA是一個封閉的體系。而今天開源浪潮徹底改變AI模型的格局，同樣的開源猛擊閉源的故事是否會發(fā)生在CUDA身上。
對此黃仁勛的回答簡潔明了：
“CUDA也是開放的（Open），所有人都可以用它。我不擔心這個故事發(fā)生在CUDA身上。”
以下為對話部分實錄，經(jīng)簡要編輯。
Q：如果你們繼續(xù)每一年都更新一代產(chǎn)品，像內存等技術提供方也要如此做么，你們的關系有多緊密？你們的設計總能得到支持么？
黃仁勛：答案是非常緊密。而且如果我和他們交流我的路線圖，關系會更緊密。這也是為什么我要和世界交流我接下來3，4年的計劃的原因。
這里有一件很重要的事情，也是我昨天在說的，就是我們不再是建造芯片了。這是過去的好時光了。過去你制造芯片，有人買了芯片，把它放進電腦里，然后賣掉電腦。這是過去的好日子了。
我們現(xiàn)在建設的是什么，是人工智能基礎設施，一次投入數(shù)千億美元。所以你最好在規(guī)劃方面做得很好。基礎設施不是你今天決定買，明天就能部署的東西。它是你需要提前兩年投資的東西。你需要提前整整兩年做計劃，然后希望你能和我們一起把它建立起來。
這意味著每個人的信息都必須一致，我們必須一起規(guī)劃來建設基礎設施。
這是第一點，我們是一家基礎設施公司，而不是買賣芯片的。
第二點，我昨天解釋的，是我們是一家AI工廠了。
這意味著，一個工廠的作用就是幫助客戶賺錢。我們的工廠直接轉化為客戶的收入，而不僅僅是生產(chǎn)某一款芯片或某個產(chǎn)品。整個工廠的運作極其復雜，已經(jīng)達到了物理極限。正如我剛才所說，我們所做的一切都在最大化擴展。通過這樣做——通過將每瓦性能、每單位能耗的性能推向物理極限，本質上意味著，如果你的業(yè)務受限于功耗，那么你的最大收入就取決于AI工廠的最佳性能曲線，它可以直接轉換為收益百分比。
我們現(xiàn)在就在打造AI工廠，而且行業(yè)門檻比以往更高，競爭更加激烈，客戶的風險容忍度也比以前低得多。這么說能理解嗎？
因為他們的收入直接取決于這項業(yè)務，而這是一項跨越數(shù)年的投資周期，涉及數(shù)千億美元。這是一個基礎設施業(yè)務，是一個AI工廠業(yè)務。
最后，也是我昨天提到的一點，AI是一種基礎性的技術了。不僅僅對我們而言如此，對每一家企業(yè)、每一個行業(yè)都是如此。這也是為什么今天有這么多合作伙伴在這里的原因。從汽車公司到金融服務公司，再到零售公司，各行各業(yè)都在這里，每個國家、每家公司都在這里。
因為我們已經(jīng)成為一家支撐其他公司發(fā)展的根基企業(yè)。
正是這三個核心理念推動了變革。在過去一兩年里，人們已經(jīng)注意到GTC的氛圍發(fā)生了巨大變化——我們的影響力、我們的能量、來到這里的人，都在發(fā)生變化。因此，正是因為這三個原因，我意識到了這一點，并決定改變我們與世界溝通的方式。
我們成為歷史上第一家同時發(fā)布四代產(chǎn)品的科技公司。這就好比今天某家公司發(fā)布了一款新手機，然后宣布未來四款手機的計劃，聽上去完全不合理，對吧？這在其他行業(yè)是前所未有的。你可以想象路易威登今天宣布2026年、2027年、2028年的新品計劃，這根本不會發(fā)生。
但我們會這樣做，因為我們是基礎設施公司，是世界的工廠，是行業(yè)的基石。
Q：你好我來自中國。
黃仁勛：你好。（中文）
Q：中國對AI有著偉大的抱負，在正常情況下，NVIDIA在中國市場將擁有巨大的機遇。您能否談談，如過沒有當前這些貿易戰(zhàn)或地緣政治因素，您對NVIDIA及其在中國AI市場的愿景？
黃仁勛：（沉思10秒，同時現(xiàn)場的參加者們發(fā)出一片對這個問題的感慨聲）
我們有一項基本的責任，那就是遵守法律，盡最大努力競爭并為客戶提供服務。這對我們而言是根本原則，與其他因素無關。
隨著全球局勢變得更加復雜，我們公司并不去判斷這些地緣政治問題的對錯。我們的核心任務是確保始終遵守法律，并且盡一切努力支持和服務客戶。這就是我們的立場，也是我們在這個問題上最核心的態(tài)度。
（再次沉默5秒）
此外，我想分享一個觀察，也許只是一個簡單的觀察：全球50%的AI研究人員都來自中國，這是世界上最大的AI人才群體，沒有任何國家能接近這個規(guī)模。因此，這就是中國在AI研究方面一定會有巨大的貢獻的原因。實際上，美國的每一個AI實驗室里，都有很多優(yōu)秀的華人研究人員，無一例外。我找不到例外。
所以，中國培養(yǎng)了如此多杰出的計算機科學家，無論你們是如何做到的，請繼續(xù)保持。
Q：早上你提到，目前的關稅對你們沒有短期影響。你剛才也提到和富士康的合作，我有些困惑，到底美國總統(tǒng)的這些舉措對你們影響如何？
黃仁勛：我們擁有一個非常靈活的供應網(wǎng)絡，它并不是完全依賴某個特定地區(qū)，比如墨西哥或越南等。我們的供應鏈分布在多個地方，關稅的情況，具體取決于產(chǎn)品在美國的生產(chǎn)和采購情況，以及最終產(chǎn)品的目的地。所以有很多公式會涉及到，取決于哪些國家會被加關稅。所以短期內，基于我們所知，不會有巨大影響。而長期來看，我們希望保持這種靈活性，但同時大幅增強本地制造的能力。
最簡單的理解方式是：目前我們的供應鏈已經(jīng)非常靈活，但在本地制造方面仍有缺失。如果我們能在今年年底前進一步增加本地制造能力，那么整體供應鏈的表現(xiàn)將會非常出色。
Q：美國政府的“AI擴散”政策，讓你們在中東很多國家的客戶也有影響，你怎么看。
黃仁勛：AI 擴散政策的影響不會是短期的。但是長期來看，我還是認為AI是一項每個國家都需要的技術，它也是每個行業(yè)、每家公司都需要的重要技術。
今天AI 已經(jīng)成為主流軟件，它是軟件。當我們談論 AI 時，往往把它描述成一種神奇的技術，但本質上它就是軟件，只不過是非常強大的軟件。是軟件。所以每個國家都有能力得到軟件。
我還認為，在可能的范圍內，我們也希望能用美國的技術和標準來支持世界各國的 AI 發(fā)展。我認為這對各國來說是有利的——它不僅能幫助國家獲得計算能力，推動社會發(fā)展，同時對美國而言也是有益的。
Q：對于英偉達來說，軟件越來越重要，你們有多少人是軟件工程師？
黃仁勛：英偉達制造芯片，但我們并不是一家芯片公司，我們實際上是一家算法公司。聽起來可能有些奇怪，但我們是當今全球計算領域領先的算法創(chuàng)造者。
舉個例子，當?shù)鲜磕嵫芯吭海―isney Research）想要在物理算法方面尋找合作伙伴時，他們找到了NVIDIA，因為我們在高精度物理算法方面擁有強大的能力。例如，機器人所需的計算光刻（computational lithography）算法，我們是唯一一家與所有計算光刻公司合作的企業(yè)。換句話說，我們不僅擅長正向物理建模（forward physics），也擅長逆向物理計算（inverse physics）。
我們在物理學、逆向物理、計算機圖形學和渲染技術方面都處于領先地位，而這些本質上都是算法問題。我們將所有的算法知識蒸餾，構建了一個統(tǒng)一的架構，它就是CUDA?；诖耍覀冮_發(fā)了通用計算平臺。因此，在很多方面，我們的思維方式從算法出發(fā)，從數(shù)學出發(fā)，這也是為什么當深度學習出現(xiàn)時，我們能夠迅速適應。我們擁有數(shù)百名AI研究員，他們在擴散模型（diffusion models）普及之前就已經(jīng)開始研究相關算法。你可能見過我們早期關于漸進式GANs（Progressive GANs）的研究，擴散模型本質上也是一種漸進式方法。我們還在變分自編碼器（Variational Autoencoders, VAEs）方面做出了重要貢獻。因此，我們在算法研究領域是先驅者，并且對算法極其熟悉。這對我們至關重要，你能理解嗎？
我們的獨特之處在于，我們不僅僅專注于芯片，還從整個計算系統(tǒng)的角度進行創(chuàng)新。NVIDIA是為數(shù)不多的科技公司，能夠從處理器到交換機、再到網(wǎng)絡架構、網(wǎng)絡協(xié)議進行全方位思考和設計。我們甚至可以自主研發(fā)網(wǎng)絡協(xié)議，擴展以太網(wǎng)，使其成為超級以太網(wǎng)（Super Ethernet），并在此基礎上自主設計交換機。
正是因為我們具備完整的系統(tǒng)能力，所以我們能夠快速創(chuàng)新。從本質上講，我們的芯片設計幾乎是次要的——雖然我們對自己的芯片技術非常自豪，并且制造出極其復雜的芯片，但最核心的是我們解決問題的能力。
Q：在AI走向物理世界的今天我們應該關注什么？
A：AI 的挑戰(zhàn)仍然在于，數(shù)據(jù)策略是什么？你必須制定一個長期有效的戰(zhàn)略。
例如，之前有人說我們已經(jīng)耗盡了數(shù)據(jù)，你還記得嗎？但這顯然是很傻（silly）的。這種說法沒有考慮到強化學習的存在。事實上，由于強化學習的發(fā)現(xiàn)，以及驗證結果和獎勵機制，我們現(xiàn)在幾乎擁有無限的數(shù)據(jù)。
此外，人類多年來已經(jīng)在數(shù)學、定理、科學發(fā)現(xiàn)，甚至是游戲中解決了大量問題。例如，你可以證明誰贏得了國際象棋比賽，因為你可以一直下棋直到分出勝負。同樣，你可以證明建筑設計的優(yōu)劣。這些都是可驗證的問題。因此，我們現(xiàn)在可以利用這些無限的數(shù)據(jù)來訓練模型進行推理。
物理世界的AI也面臨相同的挑戰(zhàn)，我們需要弄清楚數(shù)據(jù)策略和訓練策略。我之前已經(jīng)提到了一些內容，比如使用人類示范（human demonstration），然后結合生成式 AI（generative AI）和仿真技術（simulation），我們就能夠生成無限數(shù)量的相關場景。
就像給 AI 一個代數(shù)問題，然后 AI 可以生成大量代數(shù)題目，并逐步解出所有問題。我們可以用同樣的方法來進行物理操作訓練，例如：可能是讓 AI 學習跑步，最終讓它掌握某種運動技能，這些都涉及協(xié)調和操控能力的訓練。
所以，我們需要：數(shù)據(jù)戰(zhàn)略（Data Strategy）——如何收集和構建數(shù)據(jù)？訓練戰(zhàn)略（Training Strategy）——如何訓練 AI？使用戰(zhàn)略（Usage Strategy）——如何優(yōu)化 AI 以生成最優(yōu)解？
提示詞（Prompting）是現(xiàn)代軟件編程的方式。同樣地，在物理 AI 領域，我們也需要思考：如何引導 AI 進行物理化地推理？物理化地推理是一個非常重要的領域，也具有很大的潛力。
Q：你提到未來很重要的是Agentic AI。可以展開講講么。
黃仁勛：我認為，我們首先要做的事情當然是將推理（reasoning）融入一切。
將推理融入一切的好處在于，我們不需要提供大量的特定指令或明確提示（specific prompting），AI 仍然可以更具任務導向性（mission-oriented）地完成工作。因此，我們可以連接一些具備特定技能的智能體（agentic systems），然后僅僅給它一個目標。
舉個例子：你可能只需要提供輸入和期望的輸出，而在輸入到輸出的過程中，AI 需要進行大量的數(shù)據(jù)轉換（transformations）、推理（reasoning）和問題解決（problem-solving）。例如，假設輸入是公司所有的組件和供應商數(shù)據(jù)。要輸出的是公司的供應鏈預測。這個過程涉及供應鏈優(yōu)化，它是一個約束過多（over-constrained）的問題，涉及大量推理、優(yōu)化數(shù)學（optimization mathematics）等復雜計算。
但如果我只提供兩個端點（輸入和輸出），AI 可能可以自己推導出整個過程。因此，下一代 AI 將能夠自主使用工具、訪問信息，并最終生成所需結果。這是一件非常重要、非常有意義的事情。我對此感到非常興奮，我?guī)缀蹩梢灶A計這些技術即將實現(xiàn)。
Q：你昨天提到AI的花銷會變得非常大。我們看到美國，歐盟，中國都在加大力度花很多錢投入到數(shù)據(jù)中心等AI的建設上。所以，這就是一個誰花錢最多誰就先達到AGI的競爭么，還是有點花的太多了。
黃仁勛：你們知道世界上最聰明的人是誰嗎？
（現(xiàn)場無人回答）
你們在意嗎？其實，我認為這（沒人回答）正是問題的答案。
我相信，我們需要實現(xiàn)通用人工智能（AGI），這樣 AI 就能真正解決問題。但我不確定是否真正需要“最聰明的 AI”。也許我已經(jīng)見過最聰明的 AI，但我并不確定。卓越的智能（great intelligence）很重要，但我仍然認為如何應用智能（applying intelligence）、目標的選擇（selection of the purpose）、戰(zhàn)略的制定（selection of the strategy）、識別能力（selection recognition）都依然非常關鍵，領域專業(yè)知識（domain expertise）仍然不可或缺。
我相信，99% 的世界仍然依賴這些，而不是單純去尋找“最聰明的 AI”。就像招聘體育特長生一樣，如果可以的話，你當然可以去招攬最聰明的人才。但這并不意味著所有人都必須這么做。所以，誰先達到 AGI，并不是關鍵問題。
然而，我確實相信，如果你告訴我全球每年在資本支出（capex）上的投資是 5000 億美元，但并沒有 100% 用于 GPU，那么我會說：這真是太遺憾了。這不是我在推銷自己，而是發(fā)自內心地認為，這真的很可惜。
我們已經(jīng)擁有數(shù)萬億美元的通用計算機。我們知道，未來最重要的問題將圍繞機器學習，計算和人工智能展開。那么，我們?yōu)槭裁催€要繼續(xù)建造更多的塑料呢？
然而，就在我們談論的當下，全球今年將在資本支出（CapEx）上投入5000億美元。所以，我認為，首要任務應該是投資未來，建設盡可能多的 AI 數(shù)據(jù)中心和計算基礎設施。
那么，我們今天應該投入多少資金呢？5000 億美元——這正是今年全球的資本支出。而且，這個數(shù)字還在快速增長。到2030 年，這個數(shù)字可能會增長到1 萬億美元，甚至100% 都用于 AI。
但我認為，這1 萬億美元的投資應該是模塊化的。第一，全球計算資本支出（CapEx）應當以 AI 為主。第二，如前所述，AI 不僅限于數(shù)據(jù)中心，AI 還涉及制造。
那么，什么是制造？你可以將智能（Intelligence）“重構”成文字、故事、法律文件、分析報告，對吧？你可以將其“重構”成音樂、電影、廣告宣傳片。你還可以將其“重構”成機器人行動。如果你能夠精準地控制“重構”過程，它甚至可以實現(xiàn)原子級的精準制造。
AI 的本質，就是“智能制造”——制造 Token。那么，全球應該投入多少資金來制造智能（Manufacturing Intelligence）？我認為，全球 120 萬億美元 GDP 的一個非常大比例，都應該投入到這個領域。
這是我的希望，也是我的信念。如果這在今天看來不合邏輯，那么讓我們回到 300 年前，問一個問題：當時，全球 GDP 有多少是用于能源生產(chǎn)的？在那個時代，能源僅僅意味著“使勁干活”（Put your back into it）。而今天，能源已經(jīng)成為全球經(jīng)濟的基石。同樣，未來的世界，將建立在人工智能和智能制造之上。
在對話最后，黃仁勛還主動自己總結陳詞了一下：
今年的GTC非常重要，事實上，它展示了我們公司從一家計算機技術公司向 AI 基礎設施公司的轉型。它展示了數(shù)據(jù)中心的轉變——從一個計算機訪問數(shù)據(jù)和托管應用的場所，進化為一個AI 工廠。它還展示了一個事實：一個全新的產(chǎn)業(yè)已經(jīng)誕生。正因如此，這么多公司、開發(fā)者、行業(yè)和國家都來到了這里，開始在這里投入預算。
所以，我要感謝所有來到這里的你們，祝大家度過一個精彩的 GTC。
