1 月 7 日，輝達 CEO 黃仁勳做客 Huge If True 訪談，與主持人 Cleo Abram 進行了深度對話。

Huge If True 是一檔由 Cleo Abram 主持的訪談節目，旨在深入探討科技、創新和社會變革等前沿話題。 Cleo Abram 曾在 Vox 工作，在之前的節目中採訪過祖克柏（Meta CEO）、Daniel Ek（Spotify 的 CEO）等科技領袖。

在一個小時的訪談中，黃仁勳回顧了我們是如何走到今天的，是什麼洞見推動電腦領域發生了如此重大的突破；他暢談了他對當下正在發生的一切事情的看法，並對人工智慧的未來做了大膽的預測。

• 起點：緣起於遊戲。90 年代電子遊戲對 3D 圖形的需求催生了 GPU，而GPU 的核心優勢在於其平行處理能力，這與傳統 CPU 的序列處理模式截然不同。

• 關鍵：CUDA 的推出使得研究人員能更便捷地利用 GPU 的算力，加速了人工智慧的發展。

• 突破：AlexNet。2012 年 Alex Krizhevsky、Ilya Sutskever 和 Geoffrey Hinton 提出的 AlexNet 深度摺積神經網路，在 ImageNet 競賽中取得突破性勝利，開啟人工智慧革命的序幕。

• 現在：AI 應用時代。黃仁勳認為，過去十年是人工智慧的科學研究階段，而未來十年將是人工智慧的應用科學時代，AI 將滲透到各行各業。

• 未來：黃仁勳預言，未來一切移動的裝置都將是機器人，並且人類將成為“超人”。

以下為專訪內容全文，由騰訊科技編譯，為保證閱讀體驗，對口語化內容有所刪減。本文無投資建議，僅供讀者閱讀和分享。

主持人：為了討論我們現在所處的這個人工智慧的關鍵時刻，我認為有必要回溯 90 年代的電子遊戲產業。當時，遊戲開發者們希望創造出更加逼真的圖形，但硬體的能力無法滿足所需。輝達當時提出了一個解決方案，這個方案不僅改變了遊戲行業，也改變了整個電腦運算領域。

您能否帶領我們回到那個時代，解釋一下當時的情況，以及是什麼樣的洞見促使您和輝達團隊創造了第一個現代 GPU？

黃仁勳：在 90 年代初，當我們剛開始建立公司時，我們觀察到，在軟體程序內部，只有少數幾行程式碼，可能只佔 10% 的程式碼，卻完成了 99% 的處理任務。而且這 99% 的處理任務是可以平行完成的。然而剩下的 90% 的程式碼則必須按順序執行。事實證明，真正完美的電腦是可以同時進行順序處理和平行處理的電腦，而不是只能進行其中一種處理的電腦。

這是我們當時最重要的發現，基於此，我們開始建立一家公司，致力於解決普通電腦無法解決的計算難題。

這便是輝達的真正開端。

1、緣起於電子遊戲

主持人：為什麼首先選擇遊戲？

黃仁勳：電子遊戲需要平行處理來渲染 3D 圖形。我們選擇電子遊戲的原因有兩點：

第一，我們熱愛這個應用，它本質上是對虛擬世界的模擬，而誰又不想進入虛擬世界呢？

第二，我們敏銳地觀察到，電子遊戲有潛力成為有史以來最大的娛樂市場。

事實證明，我們的判斷是正確的。擁有一個龐大的市場至關重要，因為這項技術非常複雜。如果市場足夠大，我們的研發預算就可以相應增加，從而能夠創造出更多新技術。技術、市場和更強大的技術之間形成的良性循環，真正推動了輝達成為世界上最重要的科技公司之一。

這一切的起點，都源於電子遊戲。

主持人： 我聽說你曾說過 GPU 就像一台時間機器？

黃仁勳：是的。

主持人：你能解釋下這麼說的原因嗎？

黃仁勳：GPU 就像一台時間機器，因為它能讓你更早地看到未來。

一位量子化學科學家曾對我說過一句令我印象非常深刻的話。他說：“因為輝達的工作，我可以在有生之年完成畢生研究。” 這就是時間旅行。他能夠在有生之年完成原本超越他生命長度的工作，這是因為我們讓應用程式的運行速度大幅提升，使你能夠看到未來。

所以，當你進行天氣預報時，你實際上是在預測未來；當你在虛擬城市中通過模擬測試自動駕駛汽車時，實際上是在進行時間旅行，模擬未來的駕駛場景。

主持人：因此，平行處理技術在遊戲領域取得了巨大成功，它使我們能夠在電腦中創造出過去無法想像的世界。遊戲是平行處理技術最初的絕佳應用案例，它釋放了巨大的算力。

正如您所說，後來人們開始在許多不同的行業中運用這項技術。以量子學研究人員為例，他在 NVIDIA GPU 上平行運行分子模擬的速度，甚至比以前在超級電腦上使用 CPU 運行的速度還要快得多。

這項技術也在徹底改變著其他行業，在 2000 年初，它開始改變我們對電腦潛力的認知，您看到了這一點，並意識到這樣做實際上有些困難，因為當時研究人員必須“欺騙” GPU，讓 GPU 認為他們的問題是圖形問題。

黃仁勳： 完全正確，你做了一些研究。

2、CUDA是什麼？

主持人：所以你創造了一種讓這一切變得容易得多的方法。

黃仁勳：沒錯。

主持人：具體來說，這是一個名為 CUDA 的平台，它讓程式設計師可以使用他們已經熟悉的程式語言來指示 GPU 執行操作。

這非常重要，因為它使得更多人能夠更容易地利用這些強大的計算能力。你能解釋一下，是什麼樣的願景促使你建立了 CUDA ？

黃仁勳：CUDA 的誕生，一部分源於研究人員的發現，一部分源於內部的靈感，還有一部分是為瞭解決實際問題。你知道，許多有趣的想法都是在這樣的複雜背景下產生的。有些想法是出於渴望和靈感，而另一些則純粹是出於解決問題的緊迫感。

在 CUDA 的案例中，情況也是如此。最早將我們的 GPU 用於平行處理的外部想法，可能源於醫學成像領域的一些研究。當時，麻省總醫院的一些研究人員正在嘗試使用我們的圖形處理器進行 CT 重建。他們的工作給了我們很大的啟發。

與此同時，我們在公司內部也面臨著一個挑戰：當你想為電子遊戲創造逼真的虛擬世界時，你不僅希望它看起來很漂亮，還希望它能夠動態地變化。例如，水應該像真實的水一樣流動，爆炸應該有真實的爆炸效果。

這意味著你需要進行粒子物理模擬和流體動力學模擬。但如果你的計算流程只能處理電腦圖形，那麼這些模擬就很難實現。因此，我們有很強的內在動力，希望在自己服務的市場中解決這個問題。

此外，一些研究人員也在嘗試將我們的 GPU 用於通用計算加速。所有這些因素彙集在一起，最終促使我們決定採取行動，正式開發了 CUDA。

從根本上說，我堅信 CUDA 會取得成功，並且我們為此投入了整個公司的資源，因為我們知道，我們的 GPU 將會成為世界上產量最高的平行處理器，而龐大的電子遊戲市場保證了這一點。因此，這種架構有很大的潛力惠及更多人。

主持人：在我看來，建立 CUDA 像是一個難以置信的那種“如果成真就太好了”的事情，你在說，如果我們創造一種讓更多人使用更多計算能力的方式，它們可能會創造出令人難以置信的東西。然後，它變成了現實。

3、為什麼 AlexNet 如此重要？

主持人：2012年，一個由三名研究人員（分別是Ilya Sutskever、Alex Krizhevsky 和 Geoff Hinton，如今他們已成為AI領域大名鼎鼎的人物了 ）組成的小組，提交了名為 AlexNet 的參賽作品，參加了著名的 ImageNet 競賽。

該競賽旨在建立能夠識別圖像並進行分類標記的電腦系統。他們的作品直接擊敗了所有競爭對手，以極低的誤差率震驚了所有人，它被稱為 AlexNet，是一個摺積神經網路。

它之所以如此出色，是因為他們使用了海量的資料進行系統訓練，並且這項工作是在 NVIDIA GPU 上完成的。

突然之間，GPU 不再僅僅是使電腦運行更快、效率更高的工具，而是成為了全新計算模式的引擎。我們正在從使用逐步指令引導電腦，轉變為通過展示大量示例來訓練電腦學習。

2012 年的這個時刻，是否真正開啟了我們現在所看到的人工智慧的巨大變革？您能否從您的角度，來描述一下那一刻的情景，以及您認為它對我們所有人的未來意味著什麼？

黃仁勳：當你創造像 CUDA 這樣的新事物時，即使你建造了它，他們也可能不會來，這是悲觀者的觀點；但樂觀主義者的觀點會說，但如果你不建造它，它們就不能來。這通常是我們看待世界的方式，我們必須憑直覺來推斷為什麼這會非常有用。

事實上，在2012年，多倫多大學的 Ilya Sutskever、Alex Krizhevsky 和 Geoff Hinton 在他們所在的實驗室開始使用 GeForce GTX 580，因為他們瞭解到 CUDA，並認為 CUDA 可以作為訓練 AlexNet 的平行處理器，所以我們的靈感是 GeForce 可以成為將這種平行架構帶入世界的載體。

與此同時，我們正在公司內部努力解決電腦視覺問題，並且努力使 CUDA 成為一個好的電腦視覺處理器，我們對內部電腦視覺的早期開發進度感到沮喪，並且 CUDA 無法提供更多的幫助。

突然之間，我們看到了 AlexNet，這是一種與以前的電腦視覺演算法完全不同的新演算法，它在電腦視覺的能力方面取得了巨大的飛躍。

當我們看到這一點時，一部分是出於興趣，另一部分是因為我們自己也在因工作推進不順利而掙扎。所以當看到 AlexNet 時，我們受到了啟發。

但我要說，最大的突破是當我們看到 AlexNet 時，我們問自己，AlexNet 能走多遠？如果它能用電腦視覺做到這一點，它能走多遠？如果它能達到我們認為它能達到的極限，那對電腦行業意味著什麼？那對電腦架構意味著什麼？

我們有理由推斷，如果機器學習、深度學習架構可以擴展，那麼絕大多數機器學習問題都可以用深度神經網路來覆蓋。

我們可以用機器學習解決的問題類型如此之多，以至於它有可能徹底重塑整個電腦行業，這促使我們重新設計了整個計算堆疊，這就是 DGX 的由來，而這個小小的 DGX 就坐在這裡，這一切都來自於我們逐層重新設計整個計算堆疊的觀察。

你知道，自 IBM System 360 推出現代通用計算 65 年以來，我們已經徹底重塑了我們所知的計算方式。

主持人：把這看作一個完整的故事，所以平行處理重新塑造了現代遊戲，並徹底改變了一個完整的行業，然後那種平行處理的計算方式開始在不同的行業中使用。

你通過建構 CUDA 來投資它，然後 CUDA 和 GPU 的使用使得神經網路和機器學習飛速的發展，並開始了一場我們現在看到的計算革命。

1、輝達的核心信念

黃仁勳： 電腦視覺、語音識別、語言理解——這些曾經被認為無解的人工智慧難題，在短短幾年間相繼被攻克。一個接一個地被突破，令人驚嘆不已。

主持人： 是的，我們看到你很早以前就為此做出風險很高的賭注。我作為一個外行人，認為這需要很長的時間才能實現，你堅持了多久？

黃仁勳：10 年。

主持人：這 10 年你感覺怎樣？

黃仁勳：這是個好問題。首先你必須有核心信念。

我們應當深入理解行業和科學，但最根本的是要始終遵循第一性原理思維。

在探索的過程中，有時我們能找到證據證明方向正確；但更多時候，走了很長的路卻找不到任何驗證，這時就需要適時調整航向。

為什麼我們能夠長期堅持？答案很簡單：因為我們對這個方向深信不疑，所以沒有理由不繼續前行。

我對輝達的信念已經持續了 30 多年。我堅信我們在革新計算領域所做的一切，不僅在今天依然有效，而且比過去任何時候都更具價值。

當然，前進的道路上難免會遇到重重挑戰。但你必須對未來有信念，持續投資自己。正是這份堅定的信念，驅使我們投入數百億美元，最終實現了目標。那確實是漫長的 10 年曆程，但整個過程充滿快樂。

主持人： 你如何總結這 10 年的核心信念？電腦究竟應該如何為人類工作？對未來幾十年，你又有那些判斷？

黃仁勳：第一個核心信念聚焦於加速計算，特別是平行計算與通用計算的結合。通過將多個處理器結合在一起，我們能夠實現計算加速。這個理念我至今依然堅信不疑。

第二個核心信念源於對深度神經網路（DNN）潛力的洞察。自 2012 年問世以來，這些深度神經網路展現出了強大的能力，能夠從各類資料中提取模式和關聯。更重要的是，這些網路具有優秀的可擴展性——通過擴大規模，它們能夠學習更為精細的特徵；通過增加深度或寬度，它們的性能也能相應提升。這種架構上的可擴展性已經在實踐中得到了充分驗證。

經驗表明，模型和資料規模的增長與知識獲取量呈正相關。那麼，這種增長是否存在上限？除非我們遇到物理、架構或數學層面的根本限制，否則這種擴展似乎可以持續下去。

這就引出了一個關鍵問題：我們究竟能從資料中學到什麼？從經驗中獲取什麼？實際上，資料就是人類經驗的數位化呈現。我們已經看到，機器可以通過圖像學習物體識別，通過聲波掌握語音辨識，甚至僅僅通過研究海量的文字元號就能理解語言、詞彙和語法規則。

如今，我們已經證實人工智慧和深度學習具備了一項革命性能力，它可以學習並轉化幾乎任何形式的資料。

這種能力意味著什麼？讓我們來看看這些令人振奮的可能性：

在文字領域，AI可以實現文字間的轉化，比如文章摘要和語言翻譯；在視覺領域，它能將文字轉化為圖像（圖像生成），或將圖像轉化為文字（圖像描述）；在生物領域，它甚至能夠將氨基酸序列轉換為精確的蛋白質結構。

展望未來，我們還將實現從蛋白質到自然語言的轉換，使我們能夠提出諸如“這種蛋白質的功能是什麼”或“請舉例說明具有特定特性的蛋白質”這樣的問題。

既然AI已經可以將文字轉化為視訊，那麼將文字轉化為機器人的動作指令又有何不同？從電腦的底層邏輯來看，這些轉換本質上是相通的。這打開了一扇通向充滿機遇與挑戰的大門，正是這些無限可能讓我們對未來充滿期待。

2、為什麼此時此刻如此與眾不同？

主持人：我感覺我們正站在一場巨大變革的風口浪尖上。回顧過去十年，我們確實經歷了翻天覆地的變化。但展望未來十年，我發現自己已經無法精準預測，我們將如何運用當下正在開發的這些技術。

黃仁勳：你的感受非常準確。這種難以預測的感覺源於一個重要的轉折點：過去十年主要聚焦於人工智慧的基礎科學研究。而接下來的十年，雖然人工智慧的科學突破仍將持續，但更具標誌性的是我們即將進入人工智慧的應用科學時代。

這是一個從基礎研究到實踐應用的重要轉變。現在的核心問題已經轉向了具體應用：如何將人工智慧應用於數字生物學？如何將人工智慧用於氣候技術研究？如何讓人工智慧服務於農業、漁業、機器人技術？如何通過人工智慧最佳化運輸和物流系統？如何利用人工智慧改革教育教學？如何將人工智慧融入播客等媒體形式？

3、機器人的未來是什麼樣子的？

主持人：讓我們聚焦其中幾個具體例子，來幫助大家更好地理解我們所討論的這場計算革命將如何實質性地改變人們的生活體驗，以及人們將如何實際運用這些新興技術。

在我們剛才討論的諸多領域中，物理人工智慧特別引起了我的興趣。這裡的物理人工智慧不僅包括人形機器人，還包括自動駕駛汽車、智能建築、自主倉庫、智能割草機等各類實體智能系統。根據我的瞭解，這些機器人的能力可能即將迎來一個重大突破，這源於我們在訓練方法上的革新。

在過去，機器人的訓練面臨兩個主要限制：

一是必須在現實環境中進行訓練，這可能導致裝置損壞和磨損。

二是只能從有限的資料來源獲取訓練資料，比如穿著動作捕捉服的人類。這些限制導致機器人無法獲得足夠多的學習樣本，從而影響了它們的學習效率和速度。

但現在，我們開創了在數字世界中訓練機器人的新紀元。這種突破性的改變帶來了幾個關鍵優勢：機器人可以進行更多次數的訓練重複、適應更多樣化的條件，並且大幅提升學習效率。這讓我們很可能正站在機器人技術大爆發的前夜，而輝達正在開發強大的工具來推動這場革命。

具體來說，你們開發的 Omniverse 平台提供了一個完整的 3D 虛擬世界，使機器人系統能夠在不依賴物理環境的情況下進行訓練。更令人振奮的是，你們最新發佈的 Cosmos 技術進一步提升了這個 3D 宇宙的真實度。

舉個例子，如果我們要在這張桌子上訓練機器人，Cosmos 可以模擬：各種不同的光照條件、一天中不同時段的環境變化、豐富多樣的場景體驗等，這些進步使得機器人能夠從 Omniverse 中獲得遠超以往的學習經驗。

在我的童年時代，我深深著迷於《星際迷航》中描繪的機器人世界。從現在我們已經實現的機器人技術出發，您認為通往這個充滿未來感的機器人世界，我們還需要那些重要突破？

黃仁勳：讓我以 ChatGPT 這個語言模型為例，來幫助理解 Omniverse 和 Cosmos 的發展邏輯。ChatGPT 最初版本雖然在文字生成方面表現出色，但在處理長文字或不熟悉的主題時，常常會產生“幻覺”——即生成看似合理但缺乏事實依據的內容。

為應對這一問題，新一代模型引入了上下文學習能力，通過接入 PDF 文件和搜尋引擎作為事實基礎，從而能夠基於可靠資訊進行推理和回答。在此基礎上，它可以推理出如何生成你所要求的答案。

因此，第一部分是生成式人工智慧，第二部分是基本事實。現在讓我們將視角轉向物理世界。要讓機器人真正理解物理環境，我們需要建構一個類似於 ChatGPT 核心模型的世界模型。

這個模型必須精準理解：基礎物理定律（重力、摩擦力、慣性）、空間幾何認知、物體永久性（物體在視線之外依然存在的概念）、因果關係（如物體傾斜導致倒下的關係）這些物理常識必須被編碼到一個世界基礎模型中，這正是我們通過 Cosmos 實現的目標——建立一個“世界語言模型”，就像 ChatGPT 是文字語言模型一樣。

接下來，我們必須像處理 PDF 和上下文那樣，用真實資料對其進行基礎化處理。這就是為什麼我們用物理模擬來增強 Cosmos。Omniverse 採用基於牛頓物理學原理的求解器，將我們長期以來理解的基本物理定律編碼其中，使其成為一個精確的模擬器。

通過使用這個模擬器調節 Cosmos ，我們能夠生成無數符合物理規律的場景預測。Omniverse 加上 Cosmos 的組合，就像是將搜尋能力賦予 ChatGPT 一樣，讓我們能夠在物理世界中產生無限可能的、基於真實物理法則的互動場景。

主持人： 讓我用一個具體的工廠場景來說明這項技術的革命性：假設我們需要訓練一個工業機器人學習所有可能的運動路線。傳統方法需要在實體工廠中進行反覆訓練，這不僅耗時數天，還會導致機器人硬體的嚴重損耗。

而現在，借助數字模擬技術，我們可以在極短時間內完成全部路線的訓練。更重要的是，我們能夠模擬機器人在各種複雜環境下的表現——比如光線不足、視線受阻等多種工況。這種突破性的訓練方法大大加快了機器人的學習速度。

從這個角度來看，未來的機器人技術將會與當下有著質的不同。

主持人: 如果把時間線拉長到十年，您認為人們在不久的將來會如何與這項技術互動？

黃仁勳: 在不遠的將來，所有可移動的裝置都將進化為機器人，這個轉變正在加速到來。想想看，人們還在手動推割草機這件事本身就顯得有些過時了。這不僅效率低下，而且完全沒有必要。同樣的道理，每一輛汽車都將成為自主運行的機器人。至於人形機器人，實現這一技術的所有要素已經觸手可及。

所有會移動的裝置都將進化成為機器人，它們將在 Omniverse Cosmos 平台中完成學習進化。在這個平台上，我們可以生成無數符合物理規律且邏輯合理的未來場景，機器人在虛擬環境中學習後，再將所學運用到現實世界中。

這個過程就像人類的學習一樣自然。可以預見，在不久的將來，我們的生活環境將不可避免地被智慧型手機器人所環繞。作為科技愛好者，我特別期待能擁有一個類似星球大戰中 R2-D2 那樣的個人助手。

這位個人助手可能會以多種形態存在，但本質上都是同一個 R2。它將無處不在地陪伴著我：有時以虛擬助手的形式出現在我的智能眼鏡中，有時存在於我的手機裡，有時又體現在我的電腦中，當然還包括我的智能汽車系統。

甚至當我回到家中，還能與一個實體版本的 R2 互動。無論它以什麼形式出現，我們都能與之自然交流。我堅信，在未來每個人都將擁有一個類似 R2-D2 這樣的終身數字夥伴，它會隨著我們的生活經歷不斷成長進化，這已經是一個確定的未來圖景。

1、黃仁勳對 AI 的擔憂

主持人： 我覺得很多新聞媒體在談論人工智慧高度發達的未來時，往往會關注有危害的地方，您會考慮那些方面？

黃仁勳： 嗯，有很多大家都在談論的事情——偏見、有害性或僅僅是幻覺。

比如，人工智慧會自信地說一些它一無所知的事情，結果我們卻依賴於這些資訊。這是生成虛假資訊、假新聞或假圖像的一種方式。

當然還有偽裝，它能如此出色地偽裝成人類，甚至可以非常完美地偽裝成特定的人。

所以，我們需要關注的領域範圍相當清晰，並且有很多人正在努力解決這些問題。 其中一些與 AI 安全相關的問題，需要深入研究和工程設計。

有些時候，它想做正確的事情，只是執行得不對，結果傷害了別人。

比如，自動駕駛汽車想要好好地、正確地行駛，但不知怎麼的，感測器壞了，或者它沒有檢測到某個東西，或者它做了一個過於激進的轉彎之類的。它做得不好，它做錯了。

所以，需要進行大量的工程工作，以確保 AI 安全得到保障，確保產品功能正常運行。

還有最後一點，如果 AI 想要做好事，但系統卻失敗了會怎麼樣？

我的意思是，AI 想要阻止某事發生，但當它想做的時候，機器卻壞了。

這與飛機上的飛行電腦沒有區別，系統內部有三重冗餘。然後有兩名飛行員，還有空中交通管制，還有其他飛行員在觀察這些飛行員。所以，AI 安全系統必須作為一個社區來建構，確保這些 AI 首先，能夠正常工作，功能正常。當它們不能正常工作時，不會使人們陷入危險。並且周圍有足夠的安全和保障系統，以確保我們保持 AI 的安全。

所以，這個討論範圍非常廣泛，我們需要將各個部分拆開，作為工程師來建構。

2、提升能效是我們的首要任務

主持人: 如今，我們所處的時代令人振奮，因為我們不再受限於傳統 CPU 和序列處理的技術瓶頸。我們不僅開創了一種全新的計算模式，也開啟了持續進步的通道。平行處理的物理特性與以往 CPU 的改進方式截然不同。

我非常好奇，您認為當前世界在科學和技術領域面臨的主要挑戰是什麼？

黃仁勳:  嗯，究其根本，所有問題的核心都歸結於在既定的能量限制下，我們能完成多少工作。

這實際上是一個物理限制，資訊傳輸和位元翻轉的物理定律決定了所需能量的下限，從而限制了我們所能實現的工作量。

同時，我們所擁有的能量也限制了我們的能力。雖然如此，我們遠未觸及阻礙我們前進的根本性障礙。

因此，我們正致力於研發更高效、更節能的電腦。比如，這款小型電腦，它的升級版價值 25 萬美元（DIGITS）。我們交付的第一個版本只是一個原型機。

2016 年，我向 Open AI 交付了首個正式版本 DGX 1，售價為 25 萬美元。它的能耗是當前版本的 1 萬倍，而當前版本的性能卻是它的 6 倍。

我們的確身處一個全新的時代。

僅僅在 2016 年至今的幾年時間裡，我們在計算方面的能源效率就提升了 1 萬倍。

試想一下，如果汽車或電燈泡的能源效率也能提升 1 萬倍，那麼一個原本 100 瓦的燈泡，現在只需 1 萬分之一的能耗就能產生同樣的亮度。

因此，我們一直在努力提高計算，特別是 AI 計算的能源效率，這至關重要，因為我們希望建立更智能的系統，並利用更強大的計算能力來增強智能。

因此，最佳化計算能效始終是我們的首要任務。

3、Transformer 可能是演算法演變過程中的墊腳石

主持人： Transformer 是一種非常流行的、相對較新的 AI 架構，它被廣泛應用於各種工具中。它之所以受歡迎，是因為它的結構有助於“關注”關鍵資訊，從而產生更優異的結果。

雖然可以製造專門針對特定 AI 模型的晶片，但這會降低晶片的靈活性。因此，一個爭議點在於：我們是否應該將賭注“固化在晶片中”，設計出高度定製化的硬體？還是應該保持硬體的通用性？

我想請教您，您是如何做出這些決策的？您是如何權衡是選擇一輛可以自由行駛的汽車，還是選擇最佳化一列只能往返於 A 地和 B 地之間的火車？ 在進行高風險的投資時，您是如何看待這個問題的？

黃仁勳： 是的，這個問題又回到了你最初的提問，也就是我們的核心信念是什麼。

輝達的核心信念，其焦點在於——Transformer 是研究人員能夠發現的最後一種 AI 演算法或架構，還是認為 Transformer 只是一個跳板，未來將會演化出與現在截然不同的新架構？我們堅信後者。

理由很簡單，我們只需要回顧歷史，反思一下，在電腦演算法、軟體、工程和創新的發展歷程中，是否曾有一種理念能夠長期保持不變？答案是否定的。

這正是電腦的迷人之處，它能在今天實現十年前人們無法想像的事情。

因此，我們堅信創新的多樣性和發明的豐富性，我們希望建構一個開放的架構，讓發明家、創新者、軟體工程師和人工智慧研究人員都能在這裡自由探索，並提出令人驚嘆的設想。

Transformer 的一個基本特徵是其“注意力機制”，這個機制讓 Transformer 能夠理解每一個詞與其他所有詞之間的含義和關聯。

舉例來說，如果有 10 個詞，Transformer 必須分析這 10 個詞之間的相互關係。但如果詞的數量增加到 10 萬，或者上下文擴展到需要閱讀 PDF 文件，甚至是大量的 PDF 文件，並且上下文窗口達到百萬等級的 token，那麼要處理所有詞之間的關係就變得不可能了。

因此，解決這個難題的方法是引入各種新的概念，比如 Flash Attention、Hierarchical Attention 或者我最近看到的 Wave Attention。

自從 Transformer 出現以來，人們創造了許多不同的注意力機制，這非常了不起。

我認為這種創新會持續下去，我們對此充滿信心。

電腦科學的探索不會停止，人工智慧研究人員也不會放棄，我們更是如此。

擁有一個能夠支援研究、創新和新想法的靈活電腦，從根本上來說至關重要。

4、晶片製造

主持人：輝達專注於設計晶片，但其中會需要一些其他的公司負責組裝晶片，有些公司負責硬體，使其能夠在納米尺度上工作。

在這種背景下，輝達如何在物理限制框架下做可行的角度來設計？在推動技術邊界的過程中，貴公司主要集中在那些方面的技術突破？

黃仁勳:  我們的做法是，即使我們與台積電等公司合作生產晶片，我們依然認為自己需要具備與台積電同等水平的專業知識。因此，公司內部有許多在半導體物理學方面擁有深厚造詣的專家，幫助我們深刻理解半導體的能力極限，並與這些專家緊密合作，共同探索技術邊界，始終致力於突破這些限制。

在系統工程和冷卻技術方面，我們也採取了類似策略。我們發現管道系統對液冷技術至關重要，風扇系統則是空氣冷卻技術的核心。並且，我們正在設計空氣動力學性能優良的風扇，以在產生最小噪音的同時實現最大空氣流通量。為此，公司聘請了空氣動力學工程師。雖然我們不直接生產這些元件，但我們深入設計並瞭解其製造過程，通過這種方式來不斷嘗試突破技術的極限。

5、黃仁勳對未來的押注

主持人:  您是一位敢於對未來進行大膽押注的人，而且事實證明，您之前的那些押注都是正確的。我們討論了 GPU、CUDA，以及您在 AI 領域的投資，包括自動駕駛。

黃仁勳:  是的，我們相信在自動駕駛、機器人技術方面也會取得同樣的成功。

主持人:  這就引出了我的問題：您目前正在進行那些新的押注？

黃仁勳:  我們最近在 CES 上公佈了一個激動人心的新項目——Omniverse 與 Cosmos 的融合。這一融合創造了一個全新的生成式世界建構系統，一個多重宇宙生成系統。

我認為，這個系統對機器人技術和物理系統的未來發展至關重要。儘管我們在機器人領域，特別是在人形機器人方面的工作才剛剛起步，包括開發工具、訓練系統和人類演示系統等，但我相信，未來五年內，人形機器人將迎來飛速發展。

此外，我們還在數字生物學領域開展深入研究。我們的目標是像理解物理世界的語言一樣，解碼分子和細胞的語言。如果我們能夠做到這一點，並具備預測能力，那麼實現人類的數字孿生將成為可能。我對這一領域的未來充滿期待。

我非常喜歡在氣候科學領域的工作，這些研究令人興奮。比如，我們能夠從天氣預報中理解並預測高解析度的區域氣候，甚至可以掌握頭頂一公里範圍內的天氣模式。如果我們能以極高的精準度來預測這些變化，其影響將非常深遠。

我們很幸運創造了這樣一個工具，它就像一台“時間機器”（指具備前瞻性）。在剛才我們討論的所有領域，都需要時間機器，我們努力預測未來，以及我們嘗試設計的一切，都是為了能夠為最佳的未來版本進行最佳化，才有機會讓未來成為最好的版本。這也是眾多科學家們想要預測未來的原因。

6、人們應該如何為未來作出準備

主持人：可能很多人知道 NVIDIA 是一家非常重要的公司，但並不完全理解它為何重要。現在人們希望能夠更好地理解過去幾十年裡我們在計算領域經歷的巨大變革，以及目前所身處和面對的激動人心時刻，我們似乎正站在眾多變革的邊緣。

如果這些人想對未來多一些瞭解和展望，您會建議他們如何為自己所處的這個時刻做好準備或進行思考，尤其是考慮到這些工具將如何實際影響他們？

黃仁勳： 假設一些工作，原本需要一周完成，但是我們現在可以大大縮短，甚至壓縮到幾乎瞬間，這意味著一部分繁瑣的勞動幾乎要消失了，這產生的影響類似於高速公路的出現。回顧上一次工業革命，州際高速公路的建設讓郊區迅速發展，貨物運輸變得便捷，加油站、快餐店和汽車旅館也隨之湧現，新的經濟形式和能力因此得以誕生。

舉個例子，如果我身邊隨時有一個程式設計師，能夠根據我的需求編寫程式碼，或者只需要我提供一個簡單的想法和草圖，就能幫我設計產品原型，這將如何改變我們的生活和機遇？在未來十年內，智能技術，雖然不會在所有領域，但在某些領域，將有可能達到超越人類的水平。

但是我們也不必擔憂被超越或者是被替代的問題。我身邊有許多“超強人類”的存在，從我的角度來看，他們在各自領域都是世界頂尖，他們做的事情遠超我。我被成千上萬這樣的高手包圍，但從未覺得自己不重要，反而這給了我力量和信心，讓我更有勇氣去挑戰更大的目標。如果每個人都被在特定領域非常出色的超級人工智慧包圍，你會感覺到它賦予你力量和自信。

我相信可能很多人已經在使用 ChatGPT 等 AI 工具了，對於這些產品的更新，我感到更有力量和信心去學習新事物。這樣感覺很像身邊總有一個私人導師，在幫助我對於任何知識領域，消除理解的障礙。

如果我給大家一個建議，就是立即為自己找一個“AI導師”。它可以教你任何想學的東西，幫你程式設計、寫作、分析、思考、推理，所有這些都會讓你感到更有力量。我認為，這就是我們的未來：我們將不再因為擁有超能力而成為超人，而是因為我們擁有了超級AI。

7、這一代人最重要的事情是用好AI

主持人： 您認為對於觀眾來說，我還沒有問到的最重要的事情是什麼？

黃仁勳： 我會建議的最重要的事情之一是：如果我今天是一名學生，最重要的事情就是學習人工智慧。我應該學習如何與 ChatGPT、Gemini Pro 和 Grok 等 AI 工具互動。學習如何與 AI 互動，就像成為一個擅長提問的人。你需要掌握一些專業知識和技巧，才能有效地提示 AI，讓它成為你的助手。

無論你將來從事那個科學領域或行業，都應該問自己：如何利用 AI 來提升工作效率？ 如果想成為律師，如何利用 AI 成為更優秀的律師？ 如果想成為醫生，如何利用 AI 成為更出色的醫生？ 如果想成為化學家或生物學家，如何利用 AI 來提高自己的專業能力？ 這個問題應該時刻縈繞在每個人的心中。

就像我們這一代人是第一代必須思考如何利用電腦提升工作效率的人一樣。我的上一代人沒有電腦，而我們這一代人是第一個必須學習如何利用電腦來更好地工作的人。

我記得在 1984 年，那時辦公室裡還沒有電腦。後來，電腦開始普及，我們必須思考如何利用電腦來提高工作效率。下一代人無需再問這個問題，但他們必須問下一個問題：

如何利用 AI 來更好地完成我的工作？ 我認為這應該成為一切的出發點和終點，這是一個令人興奮、也略帶恐懼，但非常值得探討的問題。

我認為這將非常有趣。AI 顯然是一個人們才剛剛開始瞭解的概念，但它讓你的電腦變得更加容易使用。 提示 ChatGPT 提出任何你想問的問題，比你自己去做研究要容易得多。我們降低了理解的門檻、知識的門檻，也降低了智能的門檻，每個人都應該去嘗試一下。

如果你把一台電腦放在一個從未使用過電腦的人面前，他們不可能在一天之內學會使用它，必須有人教你。 然而，如果你不知道如何使用 ChatGPT，你只需要輸入 “我不知道如何使用 ChatGPT，請告訴我”，它就會給出一些使用示例。

這就是 AI 最令人驚嘆的地方：它會一路幫助你，讓你一路變得更加強大。

8、墓誌銘：希望如何被記住

主持人：我還有一個問題。這不是我計畫問你的，但在來這裡的路上，我有點害怕飛機，而且今天的飛行有點顛簸。我坐在那裡，飛機在晃動，我想著他們會在我的葬禮上說什麼。

黃仁勳： 她問了很好的問題，這會是墓誌銘上所寫的內容。

主持人： 在提到我愛我的丈夫、我的朋友和我的家人之後，我希望他們會談論我的樂觀。我希望他們會認識到我在這裡試圖做的事情。你描繪了未來如此多的願景，我非常好奇，你希望人們談論你所嘗試做的事情的主題是什麼？

黃仁勳：我認為我們很幸運，因為我們堅持了很久以前的核心信念，使得輝達今天成為了世界上最重要、最具影響力的科技公司之一，並且可能永遠如此。

我們非常重視這一責任，努力確保我們創造的技術能夠被大型公司以及各領域的研究人員和開發者使用，不論其規模大小、是否盈利、是否出名。我們深知這項工作的深遠影響，以及它對眾多人的潛在影響，因此我們希望儘可能地普及這種能力。

我希望當下一代回顧過去時，他們會意識到：

他們是通過我們創造的遊戲技術認識我們的；

數字生物學和生命科學領域已經發生了徹底的改變，我們對材料科學的理解也被完全顛覆；

機器人正在幫助我們完成危險和繁瑣的工作；

未來，我們可以像在家庭影院中一樣享受自動駕駛汽車；

如果他們回顧過去，會發現有一家公司幾乎處於所有這些變革的中心，而且這家公司恰好是他們從小一起玩遊戲的公司。我希望這就是下一代人所瞭解的——這一切的起點，都源於電子遊戲。 (中國企業報)