黃仁勳港科大全程高能：對話沈向洋，現場發顯示卡，與梁朝偉共同獲得榮譽博士學位

輝達CEO黃仁勳港科大之行，備受關注。

他在現場與沈向洋展開對話，兩位院士換上了同款紀念皮衣。台下座無虛席，全程一小時頻頻爆發掌聲和笑聲。

臨近結束時還抽獎送出10張輝達RTX 4060ti顯示卡，狠狠羨慕了。

此外，黃仁勳和梁朝偉一起獲得港科大榮譽博士學位。

黃仁勳和沈向洋的對話與以往有所不同，不僅談論了輝達和AI行業，還涉及到一些個人八卦，精彩內容包括：

• AI從通用函數近似器變成通用翻譯器
• 感知、推理和規劃是問題解決的三個基本步驟
• 目前AI不是從第一性原理出發給出答案，只是模擬，但模擬對科學非常重要
• 粵港澳大灣區在機器人方面有非凡的機會
• 輝達相當於在10年裡把算力的價格打到了百萬分之一
• 作為CEO可以脆弱，可以尋求幫助，可以不確定，可以犯錯，員工看到後也會認為他們可以這樣
• 黃仁勳從未寫過商業計畫書，也不知道如何寫商業計畫書
• 黃仁勳上學時聲稱自己要創業，只是追求妻子的手段

對話以英語進行，以下是對話內容的翻譯整理。

AI從通用函數近似器變成通用翻譯器

沈向洋：我們今天下午的時間不足一小時，我會向你提出一些尖銳的問題。你在科技領域，尤其是人工智慧領域引領了很長時間。請談談你對人工智慧，特別是近期的通用人工智慧，給整個社會和產業帶來的影響的看法。

黃仁勳： 首先，非常感謝有機會與你們共度時光。Harry（沈向洋）是我們這個時代最具影響力的電腦科學家之一，他一直是我和許多人的心中的英雄，所以很高興能在這裡。

正如你所知，人工智慧網路的突破性能力在於，它可以學習理解各種資料，包括語言、圖像、蛋白質序列、氨基酸序列和化學序列。

突然之間，我們現在有了能夠理解文字含義的電腦。而由於生成式人工智慧，我們可以將一種資訊形式轉換為另一種形式，例如從文字到圖像，從文字到文字，從蛋白質到文字，從文字到蛋白質，從文字到化學物質。

這種最初的通用函數近似器演變成了各種資訊形式的通用翻譯器（universal translator）。

問題是，我們可以用它做什麼？你可以看到全球範圍內的初創公司，結合了所有這些不同的形式和能力。我認為，真正令人驚嘆的突破在於，我們現在能夠理解資訊的含義，包括極其複雜的資訊。

那麼這對你意味著什麼？如果你是一名數字生物學家，你可以理解你正在觀察的資料的含義，以便在大海撈針中找到答案。如果你是輝達的晶片設計師、系統設計師，或者你在農業科技、氣候科學、能源領域，尋找新材料方面工作……

……這就是重大突破，我們現在有了通用翻譯器。

AI如何發展到今天這個階段

沈向洋： 關於人工智慧對社會的巨大影響，你的觀點讓我非常有共鳴，甚至有些震撼。

你在某種程度上帶我們回顧了人類整個歷史，你提到農業革命，我們製造了更多的食物；然後是工業革命，我們製造了更多的鋼鐵；然後是資訊技術，我們有了更多的資訊。現在，在這個智能時代，你們在輝達所做的，人工智慧正在製造智能。你能詳細說明一下，為什麼這件事如此重要嗎？

黃仁勳： 從電腦科學的角度來看，我們重新發明了整個堆疊。

過去我們是手動開發軟體，無論是何種演算法，我們要用自己的創造力，才能將其輸入電腦。我開始時使用Fortran，後來學了Pascal，然後是C和C++。當然，這些語言都讓我們能夠將思想表達為程式碼，這些程式碼在CPU上運行得很好。

突然之間，我們開始觀察資料，把觀察到的資料交給電腦，然後問它能從中看到什麼函數、模式和關係。我們現在不再手動程式設計，而是使用機器學習，機器不再生成軟體，而是生成在GPU上處理的神經網路。

因此，從程式設計到機器學習，從CPU到GPU。由於GPU的強大，我們現在能夠開發的軟體類型是非凡的，也就是人工智慧的出現。

電腦科學實際上已如我剛才所描述的那樣發生了轉變 。現在的問題是，我們的行業會發生什麼？

當然，我們都在競相使用機器學習來發現新的人工智慧。那麼什麼是人工智慧？也許，人工智慧的一個方面是認知的自動化，問題解決的自動化。

問題解決可以歸結為三個基本理念：觀察和感知環境，理解它，對其進行推理，然後製定與目標相一致的計畫。因此，感知、推理和規劃是問題解決的三個基本步驟。

感知、推理和規劃可進一步細分。

例如，感知汽車周圍的環境，推理自身及周圍其他車輛的位置，規劃駕駛方式。我剛才描述的就是自動駕駛汽車，它的一種表現形式是數字司機。你可以對CT掃描進行同樣的操作，觀察、理解、推理，得出可能存在異常（如腫瘤）的結論，然後你可能會將其突出顯示，向放射科醫生描述。此時，你就是數字放射科醫生。

我們所做的幾乎每一件事，都可以用某種方式表達為人工智慧可以執行的特定任務。當我們擁有足夠多的數字智能體，這些智能體與電腦互動，生成人工智慧。我們所有人對資料中心的總消耗，使得資料中心看起來像是在生產所謂的“token”，或者說數字智能。

現在，讓我以不同的方式描述它。300年前，通用電氣和西屋公司發明了一種新的儀器，最初是發電機，最終成為交流發電機。他們非常聰明地發明了電力的“消費者”，即電器，包括燈泡、烤面包機等。他們創造了各種電器，消費他們的工廠生產的電力。

看看我們現在在做什麼，我們正在創造自動駕駛、ChatGPT等智能所有這些不同的智能，他們基本上等同於燈泡和烤面包機。我們都會使用的這些裝置，會將其連接到工廠，以前是交流發電廠，但這個新工廠是數字智能工廠。

從工業的視角來看，實際所發生的情況是，我們當下正在建構一個全新的產業。這個新產業輸入能源，輸出數字智能，這些數字智能會被應用於各類不同的場景，其消費規模我們覺得會相當龐大。而且這個產業以前從未出現過，就如同當初的交流發電產業不曾存在過一樣。

未來十年計算需求的增長

沈向洋： 這真是太神奇了。你描述了一個更光明的未來，當然我們知道，這很大程度上得益於輝達的努力和貢獻，特別是在過去的10到12年間。

有一個數字一直在被提及，人們稱之為“Scaling Law”，最近甚至以你的名字命名，稱為“黃氏定律”，與摩爾定律相比。摩爾定律基本上意味著每18個月計算能力會增加一倍。過去12年，在你的領導下，不是每年增加一倍，而是更多。如果我們看大型語言模型，在過去12年裡，每年增長超過4倍。那麼在10年裡，這是一個巨大的數字，實際上是百萬倍。

我的問題是，你展望未來，用你的水晶球，我們是否會在未來10年看到計算需求再增 加百萬倍？

黃仁勳： 摩爾定律依賴於兩個概念，一個是VLSI縮放，這是因為Carver Mead和LynnConway的教材，激勵了我們這一代人。第二個是Dennard縮放，即電晶體的恆定電流密度縮放加上電晶體的縮小，這使得我們能夠大約每兩年將半導體的性能翻倍，大約每1.5年就能實現一次提升。因此，每5年性能提升10倍，每10年性能提升100倍。

我們現在經歷的是，你的神經網路越大，訓練的資料越多，人工智慧似乎就越智能。

這是一個經驗定律，就像摩爾定律一樣，我們稱之為Scaling Law，而且這個定律似乎在繼續。但我們也知道，智能不僅僅是預訓練，僅僅獲取世界上的所有資料並自動發現知識是不夠的。就像上大學並畢業是一個非常重要的里程碑，但還不夠。還有後訓練（Post-traning），即深入學習特定技能。後訓練需要強化學習、人類反饋強化學習、AI反饋、合成資料生成、多路徑學習強化學習，有很多技術。但基本上，現在深入到特定領域，試圖深入學習某些東西，這是後訓練。

一旦你選擇了特定的職業，你將進行大量的再次學習，然後當然還有我們稱之為“思考”的東西，我們稱之為“測試時間的Scaling”。

有些事情你只是知道答案，有些事情你必須將問題分解為一步一步的基本原理，從第一性原理出發，嘗試為每個部分找到解決方案，可能需要你代，可能需要你模擬各種結果，因為答案並非可預測的，等等。思考的時間越長，答案的質量可能就越高。

請注意，人工智慧開發現在有三個領域（預訓練、後訓練、測試時間），為其投入大量的計算將產生更高品質的答案。

今天我們給出的答案是我們目前所能提供的最優解，但我們需要努力達到這樣一種程度：讓您得到的答案不僅是我們所能給出的最好的，而且您無需再去判斷它是否有幻覺、是否有意義。我們要達到對得到的答案基本信任的程度，我覺得我們還需要幾年時間才能實現這一目標，同時我們也需要持續增加計算量。

在過去的10年裡，性能提高了一百萬倍，我們真正做了什麼？

輝達的貢獻在於，我們將計算的邊際成本降低了一百萬倍。想像一下，如果世界上存在某種你所依賴的事物，比如電力、機票，或者任何你所選的東西。當這件事物的成本降低一百萬倍時，你的習慣將會發生根本性的轉變，所以你它的看法也會發生根本性的改變。

這是輝達有史以來最大的貢獻，我們讓使用機器來全面學習大量資料成為研究人員不假思索就會去做的事情，這便是機器學習興起的原因。

AI對科學的重要性

沈向洋：我完全理解你的觀點，不過我們的一些教授可能會略有不同意見，因為他們仍然需要花很多錢來購買你的 GPU。

黃仁勳： 但是，我在過去10年給了你們一百萬倍的折扣，現在幾乎是免費的。太～便～宜～了！（普通話）。

（觀眾大笑和鼓掌）

沈向洋： 我思考我們在香港科技大學應該做什麼，在人工智慧技術、人工智慧基礎設施、你的GPU和一切，以及你的軟體生態系統的幫助下，我們有很多可以選擇的事情。其中一個特別令人興奮的事情是我們稱之為“AI for Science”。你一直是這一領域的倡導者。例如，我們在大學裡投資了相當多的計算基礎設施、GPU，我們特別鼓勵我們的教師在物理學和電腦科學、材料科學和電腦科學、生物學和電腦科學之間進行合作。你也一直在談論生物學的未來。

現在在香港發生的一件非常令人興奮的事情是，我們已經決定要建立第三所醫學院，事實上香港科技大學是第一所提交提案的大學。現在你已經是我們的校友了，你對校長和我以及大學有什麼建議，我們應該在哪裡投資？

黃仁勳： 首先，我在2018年的全球科學計算大會上引入了人工智慧，當時它受到了很大的懷疑。原因在於，人工智慧在當時頗有些像黑盒子，而實際上，在今天它已經不那麼像黑盒子了。

如今你可以詢問 AI：“你能和我一起推理嗎？告訴我你為什麼建議這樣做。一步一步地告訴我你是如何得出這個答案的。”通過這樣的探詢過程，AI會變得更加透明、更具可解釋性，因為你正在通過你的問題對它進行探詢。

你的問題集可以如同教授探詢學生以理解他們的思維過程那樣，不只是關注他們能否給出答案，還要關注他們推理的方式是否合理、是否基於第一性原理。我們在今天能夠做到這一點，而在2018年卻無法做到，這是第一個原因。

第二，AI目前並不是從第一性原理出發給出答案的，它從觀察資料中學習給出答案。因此，它是在模擬智能，模擬物理學。

現在問題是，模擬對科學有價值嗎？

我認為，模擬對於科學極具價值。原因在於，我們在眾多科學領域理解了第一性原理，理解了薛定諤方程、麥克斯韋方程等許多此類方程，但我們無法模擬並理解大型系統。因此，代替從第一性原理出發進行計算限制、求解那些在計算上不可能完成的任務，我們不妨利用AI，訓練理解該物理學的AI，用它來模擬極大規模的系統以便我們能夠理解。

那麼，這在哪裡有用？

首先，人類生物學的尺度始於納米級，時間尺度則從納秒延伸至數年。人類生物系統的這種跨尺度特性，僅依賴第一性原理求解是絕無可能實現的。現在問題是，我們能否使用AI來模擬人類生物學，以便我們能夠更好地理解這些非常複雜的多尺度系統，從而建立人類生物學的數字孿生。這是我極大的期望，我們當下或許具備了電腦科學技術，讓數字生物學家、氣候科學家以及處理超大規模複雜問題的科學家，能夠切實理解物理系統，這是前所未有的。

這是我的期望，希望你們能在這個交叉點達成目標。談到你們的醫院，香港科技大學擁有一個絕佳的機遇，那就是在此建立一所醫院，其最初的專長領域為技術、電腦科學和人工智慧。這與世界上幾乎所有的醫院恰恰相反。它們都是先有醫院，而後才試圖引入人工智慧和技術，這往往會遭遇懷疑和不信任。所以，你們有機會首次從一開始就建立一個擁抱技術的場所，技術能夠得以推進，這裡的人們正在推進基礎技術，你們自身也在這麼做。你們深知其侷限性，也瞭解其潛力。我覺得這是一個非凡的契機，期望你們能充分利用好它。

沈向洋： 謝謝你，我們非常喜歡你的建議。大學一直擅長於技術和創新，推動電腦科學、工程、生物學等領域的前沿研究。我們認為，作為香港的第三所醫學院，我們可以做一些不同於其他兩所優秀學校的事情。我們將傳統的醫學培訓與我們擅長的技術研究結合起來。我相信將來我們會聯絡你，獲得更多的建議。

作為矽谷任職時間最長的CEO

沈向洋： 我想轉換一下話題，問你一些關於領導力的問題。你是矽谷任職時間最長的CEO，可能遙遙領先，擔任CEO已有31年，快32年了。你不覺得累嗎？

黃仁勳： 我超級累。我今天早上剛到這裡，我超級累。

沈向洋： 但你還在堅持。我記得你曾經說過，你從未上過商業課程，到現在也沒有。

黃仁勳： 是的。

沈向洋： 你還說過，你從未完成過商業計畫書。

黃仁勳： 我從未寫過商業計畫書，我不知道如何寫商業計畫書。我指望你們（學生們）來幫我寫商業計畫書。

沈向洋： 我們當然想向你學習，你是如何領導這樣一個龐大的組織的，輝達今天擁有成千上萬的員工，令人驚嘆的收入，大量的客戶和影響力。你是如何做到以如此快的速度領導這樣一個大型組織的？

黃仁勳： 首先，我認為你們應該儘可能多地學習。

我一直在學習，學習是我的畢生工作。以畢生工作的方式思考你所做的事情，而不是你的職務，我認為在你的心態上有很大的不同。也許你是木匠，也許你是藝術家，也許你是神經外科醫生，你認為這是你的畢生工作，這是你將投入一生去完善的手藝。

輝達是我的畢生工作，我在這個過程中學到了很多東西。如果你想成為公司的CEO，你有很多東西要學，你必須不斷地自我重塑，世界一直在變化，你的公司一直在變化，技術一直在變化，今天你知道的一切，將來都會有用，但還不夠，甚至遠遠不夠。因此，我基本上每天都在學習。

當我飛過來時，我在看YouTube，或者我與AI的對話。順便說一下，去找一個AI作為你的導師。我問了很多問題，它給我答案，我會問：你為什麼給我這個答案？一步一步地告訴我答案。用這種方式向我解釋，將你的推理應用於其他事物，給我一些類比。學習有很多不同的方式，我反覆折磨我的AI，讓它來教我。學習有很多種方法，但我的重點是你要不斷地學習。

我對擔任CEO和領導力的理解是這樣的。

首先，你是CEO、是領導者，但你不必知道所有的事情。你必須對你想做的事情充滿信心，但你不必確定。自信和確定不是同一個概念。你可以完全自信地追求一個方向，同時允許不確定性的存在，這種不確定性給你繼續學習的機會。

第二，我想說的是，領導者當然需要強大，因為很多人依靠你的力量，他們從你的力量中獲得力量。然而，強大並不意味著你不能脆弱，如果你需要幫助，就去尋求幫助。因此，我不斷地尋求幫助，我不知道我多少次來向你（沈向洋）尋求幫助。因此，脆弱並不是力量的缺失，不確定性也不是自信的缺失。

生活在這樣的世界中，你可以既強大又自信，同時又脆弱和不確定。

我還有一個想法是，不要為自己做事，而是為他人做事。領導者在每一個決策中都應該以使命的利益為出發點，以他人的成功為出發點，無論是公司內部的同事、合作夥伴、生態系統，我們都在不斷思考他人的成功，不斷思考什麼對他們最有利。就在昨晚，我飛過來時，有人問我，我們應該在與一個非常重要的合作夥伴的討論中做什麼？我說，我們應該建議什麼對他們最有利？從他們的最佳利益出發，我們可以決定該做什麼。我認為這些想法可能對你有幫助。

沈向洋： 關於與你人合作的觀點，我忍不住要問這個問題，我在五月份在我家問過你。我在某處讀到你實際上有55個直接下屬，你說，不是50個，實際上是60個。所以你確實有60個直接下屬。

黃仁勳：所以員工會議就像現在（指向觀眾）一樣有好幾排人。

沈向洋：你是怎麼做到這點的，看起來像是一種獨特的領導風格。

黃仁勳： 透明度。

我在所有人面前推理，我們需要做什麼，我們共同制定公司的戰略，無論是什麼戰略，所有人都同時聽到。因為他們都參與了我們的戰略制定過程，因此當公司有了方向、戰略、決策時，大家都一起推理得出答案。這不是我進入森林，帶著答案回來，然後大家等待我告訴他們該做什麼。我們一起推理，得出了答案。因此，我唯一需要做的就是確保我們都聽到了同樣的東西。

我通常是最後一個發言的人，根據我們所做的一切，這是方向，這些是優先事項，以確保沒有歧義。我一旦消除了歧義，我們就都達成了一致，我們都理解了戰略。我相信每個人都是成年人，如果他們不知道什麼，我需要他們表達出來，如果他們需要幫助，我需要他們請求幫助，沒有人會孤獨地失敗。

當他們看到同樣的行為，看到我作為CEO可以脆弱，可以尋求幫助，可以不確定，可以犯錯，他們也都可以這樣做。

創業是黃仁勳追求妻子的手段

沈向洋： 你在非常年輕的時候創立了自己的公司，一直領導公司取得了令人難以置信的成功。你對我們的學生和教師成員有什麼建議，關於他們何時以及為什麼應該開始自己的事業？除了你向你的妻子承諾30歲之前要創業之外，還有什麼建議？

黃仁勳： 那是我的搭訕手段，我並不是認真說這句話的。

（觀眾大笑）

黃仁勳： 我16歲上大學，17歲認識了我妻子，她19歲。我是班上最小的學生，一共有250名學生，只有三個女生。我是唯一看起來像小孩的學生。

沈向洋： 所以你學會了如何競爭力。

黃仁勳： 不，你必須學會如何有一個好的搭訕台詞。我知道我看起來像個小孩，因此我確信她對我的第一印像是我很聰明，一定是這樣，否則（不會這麼小就上大學）

我走到她面前，我說，你想看看我的作業嗎？

（觀眾大笑和鼓掌）

黃仁勳： 然後我向她做了一個承諾，我說，如果你每個星期天都和我一起做作業，我保證你會得到全A的成績。之後我每個星期天都有約會，內容是一整天做作業。

然後，為了確保她最終嫁給我，我告訴她我現在只有20歲，但到我30歲時，我將成為CEO。我當時不知道自己在說什麼。

（觀眾大笑和鼓掌）

黃仁勳： 然後我們結婚了。這就是我給所有創業者的全部建議。

沈向洋： 這實際上是我從學生哪裡收集的問題之一。一位學生問道，他在學校表現很好，但他需要專注。他讀到了你的愛情故事，想問你如果把時間花在約會上，是否會對學習有害？你的答案是絕對不會。

黃仁勳： 絕對不會。當時我想讓她知道我很聰明，因此在她來之前我就完成了作業。到她來的時候，我已經知道了所有的答案。她可能一直以為我是個天才。

沈向洋： 你確實是個天才。

大學應該如何應對算力問題

沈向洋： 你給了我們的學生一些好的建議。我需要代表我們的教授問一個問題。我實際上有九頁的問題，我很抱歉不能全部問出來。

其中一個問題，作為大學裡的助理教授，現在做AI研究需要大量的算力。有趣的是，一位華盛頓大學的教授幾年前發推特說，在深度學習革命中明顯缺席的是麻省理工學院，但他並不只是指麻省理工學院，實際上是美國的頂尖大學在過去十年中並未貢獻太多開創性的論文，而是像你們公司、微軟、OpenAI、GoogleDeepMind等頂尖公司做了令人驚嘆的工作，部分原因是他們擁有足夠的計算能力。

這位教授的問題是，我們應該怎麼做？我們應該加入輝達，這是一個辦法，或者我們能否與你們合作？你是我們的新校友，能否請你幫忙？

黃仁勳： 當然可以。

但你問題的核心實際上是大學的一個非常嚴肅的結構性問題。正如你所知，在未來，沒有機器學習就無法以我們談論的規模推進科學。而機器學習沒有機器是無法實現的。這與用射電望遠鏡研究宇宙、用粒子加速器研究世界的基本構成是一樣的。你需要科學的儀器，超級電腦、AI超級電腦是當今的科學儀器。

大學的結構性問題在於，每個研究人員、每個研究者都在自行籌集資金。一旦他們籌集到了資金，他們就不想與其他人分享。

然而，機器學習的工作方式是，你只需要在很短的時間內使用全部的機器。沒有人永遠需要全部的機器，但他們在短時間內需要非常大的計算能力。因此，事實證明，為了推進大學的研究，必須將大家的資金集中起來，這在像斯坦福或哈佛這樣的大學裡是非常困難的，那裡的電腦科學研究人員可以籌集到大量資金，但氣候科學、海洋科學等領域的研究人員則非常困難。

那麼怎麼辦？

我認為大學可以通過為整個學校建立基礎設施，但大學存在資金結構的挑戰，這也是為什麼許多研究人員來我們這樣的公司實習，在Google和微軟實習。

他們在我們的系統上進行研究，然後回到學校一段時間，要求我們在系統上保持他們的研究，以便他們回來時可以繼續。許多教授也兼職做研究，同時還在教學。我們有幾位這樣的教授。因此，有很多方法可以解決這個問題，但最好的方法是大學必須重新思考如何籌集資金。

GPU的能源消耗會過大嗎？

沈向洋： 我想問一個挑戰性的問題，一方面我們非常高興計算能力繼續大幅提高，價格下降，這更好。但同時，GPU將消耗大量能源。有一些預測稱，到2030年，全球能源消耗將增加30%。你是否擔心，世界由於GPU會消耗更多的能源？

黃仁勳： 首先我要說的是，如果世界使用更多的能源來為全球的AI工廠供電，我們的世界將會更好，讓我為你推理這樣幾件事。

第一，AI的目標不是訓練模型，AI的目標是使用模型。對於許多人來說，他們僅僅為了上學而上學，這沒有錯，為了學習而學習是高尚的，也是非常明智的。然而，大多數學生來到這裡，投入了大量的金錢和時間，你們的目標是將來應用學到的知識取得成功。

因此，AI的目的不是訓練，而是推理，推理非常高效，它可以發現儲存二氧化碳的新方法，或者可以發現新的風力渦輪機設計，或發現新的儲存電力的材料，更有效的太陽能電池板材料，等等。我們的目標最終是建立AI，而不是訓練AI。

第二，請記住，AI並不在乎它在哪裡學習。我們無需將超級電腦置於校園內，緊鄰電網。我們應當開始思考將 AI 超級電腦安放在電網之外，稍偏離電網，使其利用可持續能源，而非在人口密集區域。

我們所有的發電廠都是為家中的電器所建，燈泡在我們家周邊，洗碗機在家周邊，如今電動車也在家周邊。然而超級電腦不必在我們的家附近，它能夠在其他地方學習。

最後，我期望AI能夠極為高效地發現新的科學，從而避免我們的浪費，比如電的浪費。電網多數時候是過度供應的，僅有一小部分時間供應不足。

我們應當在眾多不同的領域運用AI從我們的浪費中節約20%到30%的能源。這是我的希望與夢想，最終我們都會看到，使用能源來獲取智能是我們能夠想像的能源的最佳用途。

沈向洋： 我當然同意，將能源用於智能是最佳的使用方式。說到智能，我想回到智能的話題。

粵港澳大灣區包括香港、深圳、廣東，我們都生活在這個地區。多年來，這裡已經成為一個巨大的硬體生態系統。如果你現在要製造任何有趣的裝置，如果不在大灣區製造，就會效率較低，因為你無法找到所有的元件。當然，一個很好的例子是大疆，商用無人機公司，他們的技術令人難以置信。

我的問題是，當我們考慮智能時，物理層面將變得越來越重要，機器人技術會越來越多地出現在我們的生活中。當然，一種特殊類型的機器人就是自動駕駛汽車。你對這些物理智能實體在我們的生活和工作中出現的速度有何看法？我們應該如何思考，並利用大灣區的硬體生態系統？

黃仁勳： 這對中國和這個地區來說是一個非凡的機會。大灣區以及整個地方在機電一體化方面已經非常出色，即機械技術和電子技術的交叉點。對於機器人技術來說，缺少的是理解物理世界的人工智慧。

ChatGPT或當前的大型語言模型理解認知智能，但它們並不理解物理智能，它們不一定理解當我把杯子放在桌子上時，它不會穿過桌子。因此，我們需要教會AI如何理解物理智能。

讓我展示一下我們的進展。你們可能都看過從文字生成視訊。我可以生成一段以我自己為開頭的視訊，你可以提示“Jensen，拿起咖啡杯，喝一口”。如果我可以提示AI去拿起咖啡杯，為什麼我不能生成指令，讓機械臂去拿起它呢？

因此，從我們現在的生成式AI到通用機器人之間的差距非常小。所以我對這個領域非常興奮。

有三種類型的機器人可以大規模生產，基本上只有三種：

汽車，因為在過去的150-200年裡，我們為汽車創造了這個世界。

其次是無人機，因為天空幾乎是無限的。

但產量最高的當然是人形機器人，因為我們為自己創造了這個世界。

其他我們在歷史上見過的機器人，已經存在很長時間了，但很難實現大規模生產。實現大規模生產很重要，因為你需要技術飛輪。高產量可以讓你產生高研發投入，從而實現偉大的技術突破，製造出更好的產品，進而使產量更高。這個研發飛輪對任何行業都至關重要。

通過這三種機器人，我們基本上可以將機器人技術規模化到極高的產量。這就是像這裡這樣的製造生態系統的優勢之一。

如果你想一想，這個大灣區是世界上唯一同時擁有機電技術和人工智慧技術的地區，對吧？其他兩個大型機電產業區域，日本和德國，不幸的是，它們在人工智慧方面落後很多，需要努力追趕。但這裡不是這樣，所以這確實是一個獨特的機會，我會非常重視它。

完整視訊：
https://www.youtube.com/watch?v=NuTZNgrLBJk

參考連結：
https://hkust.edu.hk/news/major-events-campus/hkust-holds-congregation-2024-conferring-honorary-doctoral-degrees-four (量子位)