“這是我聽過的黃仁勛最好的采訪！”

英偉達CEO黃仁勛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。

我們所討論的只是：如何創造下一個東西？如何將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芯片的云計算大客戶，老黃打了個比喻：

公司受到魚塘大小的限制，唯一的目標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，老黃還討論了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！

黃仁勛：未來推理的增長將遠大于訓練

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）：

“口袋里的AI助理”將很快以某種形式出現，盡管最初可能會不完美；

英偉達的競爭優勢在于建立了從GPU、CPU、網絡到軟件和庫的全棧平臺；

擴展人工智能的重點已從訓練前轉移到訓練后和推理；

推理（inference）時計算將作為一個全新的智能擴展向量；

未來推理的增長將遠大于訓練的增長；

閉源和開源將共存，開源模型可能用于創建特定領域的應用程序；

……

（以下為重點部分整理）

Q：關于個人AI助理的發展前景，您認為我們何時能在口袋里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，但會隨著時間推移不斷改進，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，這是因為我們重新發明了計算。在過去10年里，我們將計算的邊際成本降低了10萬倍，而按照摩爾定律可能只能降低100倍。

我們通過以下方式實現了這一點：

引入加速計算，將原本在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)

采用高速內存(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。

現在我們看到后訓練(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、迭代和模擬等多個環節。

而且，以前人們認為預訓練難，推理簡單，但現在都很難了。

Q：與3-4年前相比，您認為NVIDIA今天的優勢是更大還是更小？

A：實際上更大了。過去人們認為芯片設計就是追求更多的FLOPS和性能指標，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)，因為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復雜，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么不同的策略？

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

寧愿有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的合作動態？

A：這些都是在做不同的事情。NVIDIA致力于為這個新的機器學習、生成式AI和智能Agent世界構建計算平臺。

在過去60年里，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。我們的目標是創建一個隨處可用的計算平臺。

Q：NVIDIA作為一家公司的核心目的是什么？

A：構建一個無處不在的架構平臺。我們不是在爭奪市場份額，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對待競爭對手和合作伙伴的態度是什么？

A：我們對競爭很清醒，但這不會改變我們的使命。我們向AWS、Azure等合作伙伴提前分享路線圖，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作為統一入口。

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能力的發展路線圖將會非常壯觀。從生物學家到氣候研究者，從游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，并為可以資助下一代模型感到高興。

Q：您認為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么？

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。這將導致模型公司的整合，只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別？

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。我們將看到模型層的發展，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天內（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。這展示了我們的平臺的力量，以及我們能夠將整個生態系統集成在一起的能力。

Q：是否認為分布式計算和推理擴展將會發展到更大規模？

A：是的，我對此非常熱情和樂觀。推理時計算作為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，是否很多事情只能在運行時完成？

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，并為此需要與政府機構合作。我們已經在建立許多系統來確保人工智能的安全性，并需要確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為推理鏈而大大增加？

A：沒錯，推理鏈讓推理的能力提高了十億倍，這是我們正在經歷的工業革命。未來推理的增長將遠大于訓練的增長。

Q：你們如何看待開源和閉源人工智能模型的未來？

A：開源和閉源模型都將存在，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，你怎么看？歡迎在評論區留言討論。

參考鏈接：

[1]https://x.com/StartupArchive_/status/1848693280948818070

[2]https://www.youtube.com/watch?v=bUrCR4jQQg8