" 這是我聽過的黃仁勳最好的采訪！"
英偉達 CEO 黃仁勳的一場爐邊談話再次引起熱議：
英偉達從來沒有一天談論過市場份額。
我們所讨論的隻是：如何創造下一個東西？如何将過去需要一年才能完成的飛輪縮短到一個月？
面對 Azure 和 AWS 等正在自主構建 ASIC 芯片的雲計算大客戶，老黃打了個比喻：
公司受到魚塘大小的限制，唯一的目标是用想象力擴大魚塘。（指創造新市場）
當然了，除了提及英偉達，老黃還讨論了 AGI 的智能擴展、機器學習的加速、推理與訓練的重要性……
雖然時長感人（近 1 個半小時），但一大波網友已經看完并交起了作業（開始卷了是吧！）
網友：學起來！學起來！
鑒于視頻較長，量子位先直接給大家劃重點了，老黃的主要觀點包括（省流版）：
" 口袋裏的 AI 助理 "将很快以某種形式出現，盡管最初可能會不完美；
英偉達的競争優勢在于建立了從 GPU、CPU、網絡到軟件和庫的全棧平台；
擴展人工智能的重點已從訓練前轉移到訓練後和推理；
推理（inference）時計算将作爲一個全新的智能擴展向量；
未來推理的增長将遠大于訓練的增長；
閉源和開源将共存，開源模型可能用于創建特定領域的應用程序；
……
（以下爲重點部分整理）
Q：關于個人 AI 助理的發展前景，您認爲我們何時能在口袋裏裝上一個無所不知的 AI 助理？
A：很快就會以某種形式出現。這個助理一開始可能不夠完美，但會随着時間推移不斷改進，這是技術發展的必然規律。
Q：目前 AI 領域的發展變化速度是否是您見過最快的？
A：是的，這是因爲我們重新發明了計算。在過去10 年裏，我們将計算的邊際成本降低了10 萬倍，而按照摩爾定律可能隻能降低100 倍。
我們通過以下方式實現了這一點：
引入加速計算，将原本在 CPU 上效率不高的工作轉移到 GPU 上
發明新的數值精度
開發新架構 ( 如張量核心 )
采用高速内存 ( HBM )
通過 MVLink 和 InfiniBand 實現系統擴展
這種快速發展使我們從人工編程轉向了機器學習，整個技術棧都在快速創新和進步。
Q：模型規模擴展方面有哪些變化？
A：以前我們主要關注預訓練模型的擴展（重點在模型大小和數據規模），這使得所需計算能力每年增加 4 倍。
現在我們看到後訓練 ( post-training ) 和推理階段也在擴展。人類的思維過程不可能是一次性完成的，而是需要快思維、慢思維、推理、反思、叠代和模拟等多個環節。
而且，以前人們認爲預訓練難，推理簡單，但現在都很難了。
Q：與 3-4 年前相比，您認爲 NVIDIA 今天的優勢是更大還是更小？
A：實際上更大了。過去人們認爲芯片設計就是追求更多的 FLOPS 和性能指标，這種想法已經過時。
現在的關鍵在于整個機器學習系統的數據流水線 ( flywheel ) ，因爲機器學習不僅僅是軟件編程，而是涉及整個數據處理流程。從一開始的數據管理就需要 AI 參與。數據的收集、整理、訓練前的準備等每個環節都很複雜，需要大量處理工作。
Q：與 Intel 等公司相比，Nvidia 在芯片制造和設計方面有什麽不同的策略？
A：Intel 的優勢在于制造和設計更快的 x86 串行處理芯片，而 Nvidia 采取不同策略：
在并行處理中，不需要每個晶體管都很出色
我們更傾向于使用更多但較慢的晶體管，而不是更少但更快的晶體管
甯願有 10 倍數量、速度慢 20% 的晶體管，也不要數量少 10 倍、速度快 20% 的晶體管
Q：關于定制 ASIC ( 如 Meta 的推理加速器、亞馬遜的 Trainium、Google 的 TPU ) 以及供應短缺的情況，這些是否會改變與 NVIDIA 的合作動态？
A：這些都是在做不同的事情。NVIDIA 緻力于爲這個新的機器學習、生成式 AI 和智能 Agent 世界構建計算平台。
在過去 60 年裏，我們重新發明了整個計算技術棧，從編程方式到處理器架構，從軟件應用到人工智能，每個層面都發生了變革。我們的目标是創建一個随處可用的計算平台。
Q：NVIDIA 作爲一家公司的核心目的是什麽？
A：構建一個無處不在的架構平台。我們不是在争奪市場份額，而是在創造市場。我們專注于創新和解決下一個問題，讓技術進步的速度更快。
Q：NVIDIA 對待競争對手和合作夥伴的态度是什麽？
A：我們對競争很清醒，但這不會改變我們的使命。我們向 AWS、Azure 等合作夥伴提前分享路線圖，保持透明，即使他們在開發自己的芯片。對于開發者和 AI 初創公司，我們提供 CUDA 作爲統一入口。
Q：對 OpenAI 的看法如何？如何看待它的崛起？
A： OpenAI 是我們這個時代最重要的公司之一。雖然 AGI 的具體定義和時間點并不是最重要的，但 AI 能力的發展路線圖将會非常壯觀。從生物學家到氣候研究者，從遊戲設計師到制造工程師，AI 已經在革新各個領域的工作方式。
我非常欣賞 OpenAI 推進這一領域的速度和決心，并爲可以資助下一代模型感到高興。
Q：您認爲模型層是否正在走向商品化，以及這對模型公司的影響是什麽？
A：模型層正在商品化，Llama 的出現使得構建模型變得更加便宜。這将導緻模型公司的整合，隻有那些擁有經濟引擎并能夠持續投資的公司才能生存。
Q：您如何看待 AI 模型的未來，以及模型與人工智能之間的區别？
A：模型是人工智能必不可少的組成部分，但人工智能是一種能力，需要應用于不同的領域。我們将看到模型層的發展，但更重要的是人工智能如何應用于各種不同的應用場景。
Q：您如何看待 X 公司，以及他們建立大型超級集群的成就？
A：他們在19 天内（通常需要 3 年）建造了一個擁有 100，000 個 GPU 的超級計算機集群。這展示了我們的平台的力量，以及我們能夠将整個生态系統集成在一起的能力。
Q：是否認爲分布式計算和推理擴展将會發展到更大規模？
A：是的，我對此非常熱情和樂觀。推理時計算作爲一個全新的智能擴展向量，與僅僅構建更大的模型截然不同。
Q：在人工智能中，是否很多事情隻能在運行時完成？
A：是的，很多智能工作不能先驗地完成，很多事情需要在運行時完成。
Q：您如何看待人工智能的安全性？
A：我們必須構建安全的人工智能，并爲此需要與政府機構合作。我們已經在建立許多系統來确保人工智能的安全性，并需要确保人工智能對人類是有益的。
Q：你們公司超過 40% 的收入來自推理，推理的重要性是否因爲推理鏈而大大增加？
A：沒錯，推理鏈讓推理的能力提高了十億倍，這是我們正在經曆的工業革命。未來推理的增長将遠大于訓練的增長。
Q：你們如何看待開源和閉源人工智能模型的未來？
A：開源和閉源模型都将存在，它們對于不同的行業和應用都是必要的。開源模型有助于激活多個行業，而閉源模型則是經濟模型創新的引擎。
對于上述這些，你怎麽看？歡迎在評論區留言讨論。
參考鏈接：
[ 1 ] https://x.com/StartupArchive_/status/1848693280948818070
[ 2 ] https://www.youtube.com/watch?v=bUrCR4jQQg8
