黃仁勳重新定義輝達。

比預定的時間晚了幾分鐘，黃仁勳來到了GTC媒體會的現場，在回答媒體提問之前，他要了一杯加冰的可樂。

黃仁勳本人不喜歡接受採訪，所以每年GTC媒體會成為了全球媒體為數不多可以向他本人提問的機會。

從輝達最新發佈的GPU Rubin以及將在2028年發佈的GPU Feynman開始，黃仁勳回答了AI基礎設施與工廠化、GPU與AI的未來、全球供應鏈與合作、AI與能源、物理AI與機器人以及輝達的定位與核心競爭力等問題。

黃仁勳重新定義了輝達：“我們不是一家晶片公司，而是一家演算法公司。”

他在會上反覆向媒體強調AI工廠的概念，他認為AI工廠是數字經濟的新引擎，資料中心將會升級為AI工廠，它們不僅僅是託管應用，而是直接創造收入。

這也引發了媒體的質疑，有媒體記者提問：“輝達正在發生轉變，不僅提供世界領先的晶片，還提供演算法、基礎設施和軟體，正在成為一站式AI解決方案提供商。這對公司的未來意味著什麼？輝達之所以偉大，在於它一直是一個成功的平台，受到廣泛歡迎。而現在，你們正在進入部分客戶的領域，如果在某些方面成為他們的競爭對手，他們會如何反應？”

黃仁勳對這個問題給出很高的評價，並回應：“我們是全球唯一一家與所有AI公司合作的AI公司。”

而談到中國時，黃仁勳說：“我們能做的就是始終確保合規，並全力在市場中服務客戶。”他還肯定了中國的AI研究：“全球50%的AI研究人員來自中國，沒有任何其他國家能接近這個比例。據此可以推測，未來大量AI研究成果將來自中國。”

黃仁勳在大約一個小時的媒體會上顯得有些疲憊，他坦言：“這兩天裡我只攝入了大約100卡路里的食物。”

但他依然強調這次GTC非常重要，它展示了輝達從電腦技術公司向AI基礎設施公司的轉型，展現了資料中心如何從資料訪問和應用託管進化為AI工廠，他希望大家見證一個全新行業的崛起。

比較遺憾的是，在今天的媒體會上，黃仁勳沒有回答任何中國大陸地區媒體的提問。

「甲子光年」現場參加了媒體會，並精選了部分問答內容。為了方便閱讀，相關內容做了不改變原意的翻譯、編輯和備註。

1.談定位：輝達不是一家晶片公司

問：為什麼輝達能夠如此快速地推出新軟體？你們有多少軟體工程師？

黃仁勳：輝達製造晶片，但我們不是一家晶片公司，而是一家演算法公司。

我們是目前全球電腦圖形學領域最領先的演算法開發者。當GoogleDeepMind和迪士尼研究院（Disney Research）想要合作開發高精度物理演算法時，他們最終選擇了輝達。

再舉個例子，計算光刻（註：Computational Lithography，是一種利用計算技術來最佳化和改進光刻工藝的方法）。輝達是唯一一家與所有計算光刻公司都合作的企業，而計算光刻正是“逆向物理”（註：Inverse Physics，已知輸出，反推出系統輸入或系統參數的過程）的典型應用。我們在物理學、逆向物理學、電腦圖形學和光線追蹤等領域都非常擅長，而這些技術本質上都涉及物理學——無論是正向物理（forward physics）還是逆向物理（inverse physics）。

我們擅長演算法，將所有演算法知識提煉到一個通用架構CUDA，並沿此框架拓展。在許多方面，我們從演算法和數學的角度看待計算世界。這也是為什麼當深度學習興起時，我們能迅速適應。

我們擁有數百名人工智慧研究人員，並且比許多公司更早開始研究。

在擴散模型流行之前，你可能見過我們在漸進式增長（註：Progressive Growth， 通常指的是通過逐步增加複雜性或能力來改進AI系統的性能或表現）方面的早期研究，擴散模型正是其中的一種漸進式方法。

你可能也見過我們在變分自編碼器（註：Variational Autoencoders，VAE，是一種基於機率圖模型的深度生成模型）方面的研究。

通常，很多公司的CEO不會談論這些內容，但我們的研究是先鋒性的，我們對演算法領域非常熟悉，這是輝達的核心競爭力，我們的基礎是數學。

輝達是少數幾家能夠完整設計從處理器、交換機到網路整個計算系統的公司。我們開發網路演算法和協議，擅長髮明新網路協議，並在此基礎上設計自己的交換機，將網際網路拓展為“超級網際網路”。

輝達之所以能快速創新，正是因為我們從底層演算法出發，全面掌握計算系統。

我認為晶片設計反而是次要的。雖然我們對此感到自豪，且能製造極其複雜的晶片，但我們真正的優勢在於解決問題的能力，包括製造體系的最佳化。

問：輝達每年都會推出新一代加速產品，與此同時，儲存器製造商是否需要同步升級？你們在系統設計和供應鏈協作中的關係有多緊密？供應規模的增長是否推動了生產整合度（PII）？

黃仁勳：合作關係非常緊密。如果我向他們明確提供了輝達的產品路線圖，這種關係會變得更加緊密。這正是我向全球公佈輝達未來三到四年發展規劃的原因。

第一，我們已經不再只是製造晶片的廠商，發展模式也不再是購買晶片，將其安裝到電腦中，然後銷售電腦。

我們正在建構的基礎設施規模非常龐大，部署規模達到了數千億美元，因此規劃必須做到極致完善。AI基礎設施並不是今天決定購買，明天就能部署的。它需要提前兩年投資，並進行全方位的規劃，然後在合適的時間完成部署。這意味著所有相關資訊必須保持一致，我們需要協同規劃，共同打造這一基礎設施。

我的產品迭代周期需要同時考慮上游和下游的多年規劃。

第二，我們是一家AI工廠。

這意味著，這家AI工廠可以直接幫助客戶創造收入。它不僅僅關乎某一塊晶片或某個產品，而是一個極其複雜的整體系統，這已經接近物理極限。

我們將相關產品的單位功率性能、單位能耗性能推向物理極限。這意味著如果你的功率受到自然法則的限制，事實上每家公司都面臨這種限制，那麼你能實現的最大收入也受到這個限制。因此，AI工廠的最佳性能直接決定了客戶收益的百分比。

我們正在打造AI工廠，而在這一領域，商業門檻、競爭門檻比以往任何時候都要高，而客戶的風險容忍度比以往更低。這是一個跨越多個投資周期，涉及數千億美元的基礎設施建設。

第三，AI是一項基礎性技術。

不僅對我們如此，對所有公司、所有行業都是如此,這也是為什麼這麼多合作夥伴齊聚在GTC，他們來自汽車、金融、零售等行業，我們已經成為眾多企業賴以建構自身業務的基礎性公司。

這三個核心理念，是過去一兩年發生的重大變化。大家已經注意到，GTC的氛圍發生了明顯變化，現場影響力、活力以及參與者的構成都已不同往昔。我認為，這種變化正是來自上面三個核心理念，而我也意識到了這一點，因此我決定調整我們對外溝通的方式。

我們是歷史上首家一次發佈四代產品的科技公司。這就像……你想想看，有人站出來說：“今天，我要發佈我未來幾年的所有工作流。”這似乎聽起來毫無道理，但我們必須這樣做。

問：輝達正在發生轉變，不僅提供世界領先的晶片，還提供演算法、基礎設施和軟體，正在成為一站式AI解決方案提供商。這對公司的未來意味著什麼？輝達之所以偉大，在於它一直是一個成功的平台，受到廣泛歡迎。而現在，你們正在進入部分客戶的領域，如果在某些方面成為他們的競爭對手，他們會如何反應？

黃仁勳：非常感謝你的提問。顯然，我們在解釋我們所做的事情上做得很糟糕。

實際上，我會這樣描述。輝達是唯一一家同時擁有雲端AI、汽車AI、機器人AI和企業AI的AI公司。正如你所說，我們是全端的，擁有完整的基礎設施、網路、交換機，現在還包括儲存技術，當然還有計算技術，涵蓋從小型DGX Spark（註：輝達最新推出的桌面個人AI超級電腦）SuperPOD（註：輝達為支援大規模 AI 和高性能計算任務而設計的超級計算叢集）各種形態。

從多個層面來看，我們在整個技術堆疊和各個行業中提供基礎技術。然而，關鍵在於，我們雖然建構了完整的技術體系，但始終以客戶希望的方式將其提供給世界。

我們不是一家解決方案公司，我們提供核心技術，並與生態系統合作建立解決方案。

這就是為什麼在企業網路領域，我們與思科合作；在企業計算領域，我們與戴爾、HPE、聯想合作；在儲存領域，我們與DDN、NetApp、戴爾EMC、日立、IBM等公司合作。

這也是為什麼雖然我們是一家AI公司，但Salesforce、ServiceNow、SAP、Cadence、Synopsys等企業依然是我們的AI合作夥伴。我們將核心技術開放，讓他們整合到自身解決方案中，並推向市場。

我們是全球唯一一家與所有AI公司合作的AI公司。

我們能夠毫無障礙地適應任何客戶的需求，與任何企業合作，這正是輝達的獨特之處。我們不設限制，讓客戶以最適合他們的方式使用我們的技術。如果他們決定自主研發更多技術，減少對我們的依賴，我們也完全接受。

這就是為什麼我們在多個技術層面進行研發。無論是晶片、系統、系統軟體還是演算法，都由客戶決定他們需要那部分。他們可以選擇從我們這裡獲取兩項、三項、四項，甚至不獲取任何產品。我們的理念是：客戶可以自由選擇，但希望他們能從我們這裡採購所需的技術。

我們建構了大量核心技術，但目的不是取代客戶，而是賦能生態系統，使他們能夠更好地運作。

2.談合作：將有限的精力集中在世界上尚不存在的技術上

問：中國在AI方面雄心勃勃，正常情況下，輝達在中國市場將有巨大的機會。你能告訴我們，在中國，你對輝達和AI的願景是什麼嗎？這些願景是否會受到貿易戰和關稅的影響？

黃仁勳：我們的首要責任是經營好業務，遵守法律，盡最大努力競爭並服務客戶。全球局勢變得更加複雜，但這些並不是我們能左右的。我們能做的就是始終確保合規，並全力在市場中服務客戶。

我觀察到，全球50%的AI研究人員來自中國，沒有任何其他國家能接近這個比例。據此可以推測，未來大量AI研究成果將來自中國，僅僅因為其龐大的研究人員基數。在美國的每個AI實驗室，都有許多出色的來自中國的研究人員，毫無例外。無論中國是如何做到的，請繼續保持。

問：你在之前的受訪中提到了關稅，並表示短期內不會有實質性影響。我理解你對台積電的立場，你也提到了富士康，但畢竟美國的製造業能力仍然遠未達到理想水平，為什麼不會有實質性影響？

黃仁勳：我們擁有一個高度靈活的供應鏈網路。供應商不僅限於台灣地區，以及墨西哥、越南，而是分佈在多個國家或地區。關稅的具體影響取決於生產地、採購地以及最終產品的目的地。這其中涉及許多變數，最終受那國關稅影響，要看具體情況。

在短期內，根據我們目前所知的情況，我們不認為會有顯著影響。我們的供應鏈目前已具有很強的靈活性，而如果進一步增強本土製造能力，將使供應鏈更加完善。我們今年在增加製造能力上應該有所進展。

問：想瞭解輝達在美國的生產情況。台積電最近宣佈了在美國追加投資，並表示將繼續在亞利桑那州生產晶片。那麼，輝達會有多少產品在美國生產？

黃仁勳：我們具備在美國大規模製造的能力，但並非所有產品都會在美國生產。

問：近年來，輝達加深了與聯發科、富士康等企業的合作，同時也在全球投資越來越多的初創公司。能否分享這些合作夥伴關係和投資在當前階段對輝達的戰略意義？你希望實現那些目標？

黃仁勳：我們與台達電子、聯發科、台積電、富士康等公司合作，因為它們是世界一流的企業。

這種合作始於敬佩和尊重，已經持續了約30年，彼此之間自然會建立深厚的關係。就像大家知道的那樣，我是全球任職時間最長的科技公司CEO之一。

關於技術投資，我們關注具有創新能力的公司，特別是那些突破傳統創新路徑的企業，這與供應鏈合作並無直接聯絡。

我們選擇合作夥伴的唯一標準是卓越。通過合作，將他們的卓越與我們的能力結合，可以共同實現更偉大的目標。

輝達是一家規模相對較小的公司，全球僅有36000名員工，遠少於矽谷的大多數科技公司，我們的策略是只專注做必要的事情。

輝達不會為市場競爭而戰，那不是我們的風格。我們的員工不會談論爭奪市場份額，因為我們的目標是創造新事物。

如果某家公司打造了優秀的產品，我們會使用它，無論它是誰。我們與AMD、英特爾、博通、Marvell等公司合作，並與聯發科達成重要合作，共同開發新產品。

我們始終與各家公司合作，以便將有限的精力集中在世界上尚不存在的技術上。

問：最近有報導稱，輝達是收購英特爾聯盟成員之一，未來會發生什麼？

黃仁勳：我不知道這個消息的來源，但沒有人邀請我們加入任何聯盟。我不是說這不是真的新聞，但至少沒有人找過我。所以可能有其他人在參與，但我不清楚。或許有個計畫，但我沒被邀請。

問：輝達宣佈加入由xAI、黑石集團和微軟等共同參與的300億美元人工智慧基礎設施基金。想瞭解輝達在這個聯盟中的具體角色是什麼？

黃仁勳：這是一個投資合作，因為所有參與方都投入了資金。這個基金是一個投資工具，主要用於支援資料中心能源基礎設施的建設，而這需要大量資本。

AI行業需要大量資金和能源，至少需要龐大的資本投入。這個合作關係允許各方共同出資，幫助資助AI資料中心和AI工廠的建設、開發和資金支援。

輝達的角色之一是提供專業知識，同時也參與資本投入。這個行業的發展將離不開充足的資金支援。

問：我的問題關於輝達與通用汽車的合作，此前輝達也與Rivian、Lucid等廠商合作，這些車輛已上市。你認為未來消費者會因為汽車搭載輝達技術而購買，就像他們因為輝達或英特爾的晶片而選擇個人電腦一樣嗎？

黃仁勳：是，也不是。

我自己的車就沒有搭載輝達技術，我覺得完全沒問題，我的法拉利對我來說太重要了。（笑）

不過，我的Rimac Concept Two（註：一款高性能電動超級跑車）搭載了輝達技術，我對此很滿意。

首先汽車對人們而言是高度個性化的，它反映了個人風格和生活方式，因此技術並不能完全左右人們的購車選擇。

另一方面，在自動駕駛領域，汽車屬於機器人技術的一部分，這對我們來說至關重要。我們研究物理AI、機器人系統和自主系統已超過十年。

我們的戰略不僅針對汽車電腦，而是涵蓋三大電腦架構：機器人AI基礎設施、機器人AI模擬器和機器人AI電腦。

首先必須訓練AI，然後在部署之前，AI需要經過模擬測試，比如車要在虛擬道路上行駛，機器人要在虛擬廚房中操作。這種方法稱為Sim-to-Real adaptation，即通過模擬來訓練AI，再部署到真實環境中。

目前我們幾乎與全球所有機器人公司和汽車公司，在這三種電腦架構中至少有一種展開了合作。

我們甚至開發了完整的軟體系統。就像昨天發佈的，我們宣佈了全球首個通用人形機器人基礎模型GR00T N1，並建立了一個用於開發物理AI的平台——Cosmos。

在機器人系統中實現AI安全極具挑戰性，需要在晶片系統、作業系統、演算法、軟體堆疊、工具和方法論等方面實現多樣性、冗餘性、透明度和可解釋性。整個系統必須是可訪問的，以確保安全，這類似於航空的安全標準。未來人們將採用我們開發的系統。

我們在這一領域制定了嚴格標準，稱之為Halos（全端式綜合安全系統）。

我相信，這種專業能力未來將帶來巨大回報。如果機器人普及，我們希望它們是安全的。

我們在這個領域已投資十年。不論是四輪車、兩輪車、雙足機器人還是無腿機器人，無論是什麼機器人系統，我們都有適合的計算架構。

這已經成為一個價值數十億美元的業務，年收入已超5億美元。我相信，長期來看，它將成為輝達最大的業務之一，也是AI最重要的應用之一。

3.談未來：當“智能製造業”成為現實，我們所有人都會因此受益

問：你昨天在主題演講談到了新一代晶片架構Vera Rubin，Vera Rubin似乎使用了台積電3奈米工藝，我想知道再下一代晶片架構Feynman是否會使用環繞式柵極電晶體(gate-all-around transistors)。如果是，我們能從這種新型電晶體中獲得怎樣的性能和優勢？

黃仁勳：如果我們使用新型電晶體，性能估計能提升20%。這個結果可以接受，但這不會改變核心問題。

雖然在大規模計算中，20%的提升是非常可觀的，但在AI工廠、AI基礎設施這樣規模的計算中，每個處理器都很重要，也就是說，在整體格局中，它們的重要性會相對降低。

原因是，管理所有這些處理器的開銷成為最關鍵的因素。擴展這些處理器系統是最困難的事情，如果擴展不到位，損失將是巨大的。

昨天我解釋過，應該始終先擴展（scale up）再縮小（scale down）。在將一百萬個GPU連接到網路之前，應該先在計算結構（fabric）上連接幾百甚至上千個GPU。

問：你能否為全球資料中心的能源供應提供一些建議？

黃仁勳：AI行業也是製造業，但它是工業化製造業，產品由機器製造，而製造業需要能源。

問題的關鍵不是某個國家是否想建造資料中心，而是他們是否希望參與這個新行業的生產。AI是一種生產活動，而生產需要能源。

那麼問題就變成：在所有需要消耗能源的行業中，國家更願意支援那一個？是用於生產水泥、鋼鐵，還是AI？這其實是一個選擇題。

我相信，在未來10年內，AI將成為一個兆美元等級的行業，並在全球範圍內發展。

問：根據當前資料中心行業的反饋，他們認為未來幾年內能夠實際支援的技術極限是什麼？

黃仁勳：目前一個資料中心的功率大約是250兆瓦，這是機架的上限，其餘的只是工程細節。

如果說一個資料中心的功率達到1吉瓦，那麼每個機架1吉瓦聽起來就是合理的限制。但關鍵在於，是否有必要將所有計算能力都集中在一個機架中？

如果縱向擴展非常高效，比如從72個GPU擴展到144、288、576個時仍然能保持良好的擴展性，那麼就應該儘可能地縱向擴展，目前的情況正是如此。

未來某一天，我們可能會發現縱向擴展的收益遞減。一旦達到這一臨界點，我們會擴展到大約4000個或更多的GPU，之後再橫向擴展，而不必過度堆疊計算單元的密度。

問：你認為行業未來四年將如何發展？

黃仁勳：我認為首先要做的事情是將推理能力融入一切。這樣做的好處是，我們不必給AI提供過於具體的提示，而是可以更專注於任務導向。可以建構具備不同技能的agent系統，並通過設定目標讓它們自主工作。

最佳化這樣的系統相當複雜，因為它受到多種約束，需要大量推理、最佳化和數學計算。但如果能明確兩個端點，AI就可以自動解決整個過程。

我認為下一代AI將具備更強的推理能力，能夠呼叫工具、訪問資訊，並生成所需的結果。這個過程涉及多步驟巢狀式推理，我對此感到非常興奮。這項技術的發展已觸手可及，各個核心元件正在不斷完善。

問：美國、歐盟、中國都在投入大量資金到AI基礎設施，這是否意味著誰投資最多，誰就能最先實現AGI（通用人工智慧）？

黃仁勳：你們知道世界上最聰明的人是誰嗎？你們在乎嗎？我認為這就是答案。

我相信我們需要實現AGI，這樣AI才能真正發揮作用，解決我剛才描述的問題，但最聰明的AGI可能並不是最重要的。我不確定自己是否僱傭了世界上最聰明的員工，也許有，但我不完全確定，而且我也不認為這對我來說那麼重要，我需要的是卓越的智能。

但我仍然相信，將智能應用於具體目標，如何選擇任務、制定戰略，仍然是最重要的。領域專業知識依然至關重要。我認為這才是世界上99%的真正價值所在，而不是單純地去尋找世界上最聰明的人。

所以我認為問題的關鍵不在於誰能最先實現AGI，我認為最重要的事情是投資未來，建設儘可能多的資料中心和原生AI電腦。

那麼，應該投入多少？5000億美元——這是全球今年在AI計算上投入的資金，並且增長速度極快。到2030年，這個數字可能達到1兆美元，而我相信，屆時100%的計算投資都應該是AI原生的。

我認為：第一，全球的計算資本支出應該全面向AI轉移；第二，AI遠不止是資料中心，AI是製造業。

AI在製造什麼？AI在製造智能。這些智能經過重組後，可以成為文字、故事、法律檔案、分析報告，如果正確建構，它還可以轉換為機器人行動，甚至是汽車的方向盤控制。

本質上，AI就是在製造tokens。那麼，全球GDP應該有多大比例用於製造智能？我認為比例應該非常大。這是我的觀點，也是我的信念。

如果今天這個預測看起來不合理，那可以回顧300年前，看看當時能源生產在全球GDP中的佔比。當時的“能源產業”只是依靠人力，比如體力勞動。但隨著時間推移，能源產業成為世界上最大的行業之一。它的本質是將物理能量轉換為電子能量，而現在，我們正在進入一個新的階段——將電子能量轉換為智能。

那麼，每年全球在GPU和AI計算基礎設施上的資本支出會是多少？我相信這將是數兆美元等級的產業。

這就是我的信念，我希望它能發生，因為我相信，當“智能製造業”成為現實，我們所有人都會因此受益。

問：在這波物理AI浪潮中，我們應將時間和資源集中在那個方向？

黃仁勳：AI的核心挑戰仍然是資料戰略和訓練戰略，這一點沒有改變。

過去幾年中，有人曾說資料已經用盡了，大家還記得嗎？這種說法非常荒謬，也沒有考慮到強化學習的作用。實際上我們現在幾乎擁有無限的資料來源，因為強化學習能夠不斷生成新的訓練資料。

強化學習的優勢在於，它可以通過可驗證的結果和獎勵機制不斷最佳化，而數學、定理和科學發現已經幫助人類解決了許多問題。例如，在遊戲領域，國際象棋比賽可以通過計算確定贏家，AI可以一直推演直到找到獲勝策略。這意味著，我們現在可以利用可驗證的方法生成無限量的資料，以訓練模型進行推理。

物理AI也面臨類似的挑戰，我們必須明確資料戰略和訓練戰略。

我之前談到過其中的一些方法，例如，通過人類示範、生成式AI和模擬技術，我們可以生成無限數量的相關場景。這類似於給AI一個代數問題，然後生成大量不同的代數練習題，讓AI必須逐步解決所有這些問題。

物理操作同樣可以採用類似的方法，比如訓練AI進行跑步，甚至教AI如何完成需要高度協調和關節控制的體育運動。這個過程中涉及資料戰略和訓練戰略。

此外還有一個關鍵環節：使用策略，即如何最有效地提示AI以生成正確的答案。這相當於現代的軟體程式設計方式，提示詞就是新一代的軟體程式語言。同樣，在物理AI領域，我們需要思考：如何提示AI進行物理推理？這些都是極具價值的研究方向。

問：你提到每次演講最喜歡的幻燈片是輝達的加速庫，它讓眾多研究人員、科學家和工程師在各個領域的研究成為可能。隨著進入Blackwell時代，你是否期待某個新領域被加入到這張幻燈片上？或者說，你期待的下一個被加速的行業是什麼？

黃仁勳：加速計算不僅僅是頂層的軟體和底層的晶片，它依賴於中間層。這類似於AI，它不僅僅是提示框和底層電腦，中間的模型至關重要。模型本身不是AI，但它對AI系統至關重要。

庫不是應用程式，但庫使應用程式及其數學計算成為可能。它可以是Spark的資料處理，可以是計算光刻、計算生物學、地震處理、逆向物理、CT重建等。它涵蓋了流體動力學、粒子物理學，每個庫對其領域來說都是不可或缺的。

我最期待的領域之一是電腦輔助藥物發現。

我這一代人和我的行業受益於電子設計自動化(EDA)。如果沒有Cadence、Synopsys以及隨後出現的Mentor Graphics和西門子等公司，我們無法建構這些複雜的晶片，也無法在沒有模擬和模擬工具（即數字孿生）的情況下實現這一切。沒有這些工具和庫，我們無法做到今天的一切。

如果我們為生物學建立類似的工具，讓醫生和生物學家能夠以數字孿生方式表示蛋白質、細胞、器官和組織，並能模擬從奈米到米、從納秒到年的生物過程，那將徹底改變製藥行業和醫療保健的方式。

我們最近與Arc Institute合作的Evo 2項目，已實現從蛋白質到細胞的數字孿生表示，並擴展到多細胞系統。當這種建模和規模複雜性達到新的層次時，我認為生物學將被徹底改變，所以我非常期待這個方向的發展。 (甲子光年)