•
黃仁勳與紅杉資本最新論道: 人工智慧的過去、現在與未來 | 附全文+視訊
在最新的這一場黃仁勳與紅杉資本——NVIDIA 30年前首位外部投資者——的深度對話中，黃仁勳系統性地剖析了公司從一家3D圖形晶片初創企業，到成為全球AI算力基石的完整戰略藍圖。
本次訪談深入探討了NVIDIA從一家圖形晶片公司成長為全球人工智慧基礎設施核心的歷程。NVIDIA CEO黃仁勳與紅杉資本合夥人Konstantine Burer回顧了公司創立初期的洞察、CUDA平台的革命性意義，以及如何抓住深度學習浪潮。對話核心聚焦於“AI工廠”這一概念，闡述了其作為新一代計算基礎設施的必要性。展望未來，黃仁勳詳細描繪了由代理AI（數字勞動力）和物理AI（機器人技術）驅動的兆美元新市場，並就主權AI、AI安全以及計算範式向“生成式”的根本轉變分享了深刻見解。
核心觀點摘要
“我們必須同時發明技術和市場。”
“它不是一個資料中心，它是一個工廠，他們（客戶）從中賺錢。”
“在AI工廠的未來，你的單位能源吞吐量決定了客戶的收入。這不僅僅是選擇更好的晶片，而是決定你的收入會是多少。”
“AI的下一波浪潮將是‘數字勞動力’（代理AI）和‘物理AI’（機器人技術），這將重塑全球價值百兆美元的產業。”
“未來的計算將是‘生成式’的，資訊不再是被檢索，而是被即時生成，這從根本上改變了人機互動的模式。”
創立NVIDIA：加速計算的先見之明
故事始於1993年，一個由CPU和摩爾定律主宰的世界。當整個矽谷都在為英特爾的通用計算歡呼時，30歲的黃仁勳看到了硬幣的另一面。“我們觀察到，通用技術……往往不極其擅長解決非常困難的問題，”他回憶道。NVIDIA的創立，正是基於一個深刻的反向洞察：隨著電晶體縮小的物理極限日益臨近，世界需要一種全新的計算方法——加速計算。
然而，這在當時是一個經典的“先有雞還是先有蛋”的難題。“為了建立一個新的計算架構，我們需要一個大型市場，而這個大型市場並不存在，因為該架構並不存在。” 黃仁勳深知，空有技術而無應用是行不通的。因此，NVIDIA做出了一個在當時看來機率近乎為零的決定：“我們必須同時發明技術和市場。” 這項技術，就是GPU；而這個被憑空創造出來的市場，就是現代3D圖形視訊遊戲。正是這個價值兆的娛樂產業，為NVIDIA的加速計算平台提供了最初的、也是最關鍵的“殺手級應用”。
CUDA的誕生：從專用到通用之路
如果說創造遊戲市場是NVIDIA的第一次偉大飛躍，那麼CUDA平台的誕生，則是其從一家硬體公司向一個生態平台演進的決定性一步。2000年代初，黃仁勳和他的團隊意識到，GPU處理圖形時所依賴的物理模擬和線性代數，其本質是一種通用的數學運算。他們開始思考，如何將這種為遊戲設計的、高度專業化的強大算力，開放給更廣闊的科學計算領域。
“我們發明了這項技術，我們發明了市場，我們還發明了讓我們能夠系統地從一個非常垂直的聚焦行業發展到最終變得越來越通用的途徑。” CUDA應運而生。它像一座橋樑，讓全世界的科學家和研究人員，能夠利用GPU的平行計算能力，去解決從分子動力學到量子化學的各種複雜問題，極大地緩解了摩爾定律放緩帶來的計算瓶頸。黃仁勳坦言，發明一個能與ARM和x86並駕齊驅的全新計算平台，是一條極為艱難的道路，“在我們的例子中，這花了我們近30年。”
引爆AI革命：從AlexNet到DGX-1
正是CUDA這個看似“無心插柳”的佈局，讓NVIDIA精準地抓住了歷史的脈搏。2012年，深度學習領域的里程碑事件AlexNet橫空出世，其在ImageNet競賽中取得的驚人突破，正是基於NVIDIA GPU的加速。黃仁勳敏銳地意識到，這不僅僅是一次演算法的勝利。
“我們得出的結論是這是一個通用的函數逼近器，” 他解釋道。如果AI能通過深度學習識別圖像，那麼它就能學習幾乎任何函數，解決任何問題。基於這一第一性原理的判斷，NVIDIA做出了公司歷史上最大膽的決定之一：將整個公司的未來，全部押注在深度學習上。“我們分解了計算問題，並且得出的結論是，每一個晶片、每一個系統、每一個軟體、計算堆疊的每一層都可以被重新發明。”
2016年，在一次幾乎無人喝彩的GTC大會上，黃仁勳發佈了世界上第一台專為AI設計的超級電腦——DGX-1。他親手將第一台成品，送到了一個當時還名不見經傳的非營利組織——OpenAI。這個歷史性的交接，標誌著NVIDIA正式從AI革命的“賦能者”，成為了“核心基礎設施”的建造者。
AI工廠：新時代的計算基礎設施
從DGX-1開始，黃仁勳的願景不斷擴大，最終匯聚成一個極具衝擊力的概念——“AI工廠”。他反覆強調，未來的資料中心將不再是儲存資訊的倉庫，而是生產智能的工廠。
“它不是一個資料中心，它是一個工廠，他們（客戶）從中賺錢。” 在這個新範式下，衡量基礎設施價值的核心指標也發生了根本性的變化。不再是單純的晶片性能，而是單位能源所能產生的計算吞-吐量。“如果你的資料中心是1吉瓦……如果我們的每瓦能效是三倍，那麼你的公司就能在該工廠中產生三倍的收入。”
這套“AI工廠”的邏輯，完美解釋了Meta等巨頭為何不惜投入千億美金建構NVIDIA的基礎設施。當蘋果的隱私政策重創其廣告歸因能力時，正是基於NVIDIA GPU的AI推薦系統，幫助Meta重建了業務，並使其市值從低谷反彈超過兆美元。這證明了AI工廠並非成本中心，而是直接的收入引擎。
AI的下一波浪潮：數字勞動力與物理AI
在黃仁勳看來，由推薦系統和搜尋驅動的AI應用，僅僅是這場革命的開端。真正的顛覆，將發生在兩個價值百兆美元的全新市場。
第一個是數字勞動力，即代理AI（Agent AI）。這將是技術第一次直接進入“勞動力”這個從未被軟體觸及的行業。未來的企業將由人類和“數字人類”共同組成。“一個數字軟體工程師……人工智慧數字護士，人工智慧會計師，人工智慧律師……未來企業中的勞動力將是人類和數字人類的結合。” 這些數字員工將在AI工廠中進行思考和生成，為企業提供源源不斷的認知服務。
第二個是物理AI，即機器人技術。黃仁勳用一個簡單的思想實驗闡述了其必然性：“如果你能設計一個可以駕駛汽車的數字司機，為什麼你不能擁有一個機器人，一個物理機器人，來駕駛汽車呢？” 他認為，無論是自動駕駛汽車、機械臂還是人形機器人，其背後都是同一種智能在不同“載體”中的體現。而要實現這一未來，需要三台電腦：用於訓練的AI工廠，用於模擬和學習的虛擬世界（Omniverse），以及機器人本身搭載的“大腦”。NVIDIA正在為這所有三個環節，提供完整的計算平台。
範式轉移：計算的終局是生成式
在對話的最後，黃仁勳提出了他最具顛覆性的終極預測：未來計算的範式，將從根本上從“檢索式”轉變為“生成式”。
他以AI搜尋應用Perplexity為例：“在Perplexity出現之前，你會輸入一些東西，然後它會給你一個列表……所有這些內容都是由某人預先編寫或建立的。” 而現在，“Perplexity或人工智慧正在生成，它去學習，它去閱讀所有內容，然後為你生成。”
這種轉變的終極形態，就是我們人類自身的互動方式。“你和我剛才經歷的一切的100%都是生成的。你問我的每一個問題，我都沒有跑回辦公室，取出什麼東西，然後拿給你……我們正在根據當下發生的語境……即時生成一切。那就是未來的電腦。”
在這個由AI工廠驅動的生成式未來裡，我們與電腦的互動，將不再是單向的命令與執行，而是一種共同創作。計算的終局，不是更快的檢索，而是無限的生成。而這，也正是黃仁勳堅信NVIDIA的兆帝國，僅僅是一個開始的原因。
天空之城全文整理版
引言：兩大巨頭的交集
Konstantine: 早上好，各位。我是康斯坦丁·布勒，紅杉資本的合夥人，專注於人工智慧投資。輝達和城堡證券實際上有很多共同點。它們都是卓越的企業，營運良好，領導者非常傑出。它們的營運非常出色。它們都由計算革命驅動，並且都是各自行業中擁有技術的領導者。
還有另一個鮮為人知的事實。在這兩種情況下，他們的第一個外部投資者都是紅杉資本。金額是100萬美元。
黃仁勳: 他們在1993年向輝達投資了100萬美元。
Konstantine: 你值這個價。
黃仁勳: 整整100萬美元。完全是孤注一擲。
Konstantine: 在城堡證券的投資稍微多一點。所以當被邀請在本次會議上談論人工智慧時，誰是世界上最適合發言的人選，這非常清楚。正是他為人工智慧革命建構了整個基礎設施，所有這些人工智慧都建立在其之上，也是他打造了世界上最有價值的公司。請和我一起歡迎黃仁勳。這樣醒來真好。你已經工作好幾個小時了。
黃仁勳: 是的，我有。
Konstantine: 那麼黃仁勳，我們這裡有一屋子的機構投資者，他們都是世界上最頂尖的。他們管理著數兆的資產管理規模（AUM），並且他們一直在尋找優勢。你是一個總是擁有優勢的人。在我們的每一次對話中，你都對未來的發展方向有著令人信服的見解。在接下來的60分鐘裡，我們有一個雄心勃勃的議程，涵蓋從輝達的最初階段到它崛起為人工智慧革命中心的優勢故事，然後我們將把大部分時間花在輝達和人工智慧的未來發展上。好的。那麼讓我們從頭開始。那是1993年。你30歲。
創立NVIDIA：加速計算的先見之明
Konstantine: 是什麼洞察力讓你擁有了創立輝達的優勢？
黃仁勳: 我們當時正經歷著個人電腦革命和CPU的革命。這是摩爾定律的時代。那時整合微處理器，英特爾，摩爾定律，電晶體的縮放定律，是熱門話題，幾乎是矽谷和電腦行業所有投資資金的流向。我們觀察到了一些不同的東西。我們認為，CPU的優勢之一是通用性，但通用技術的一個根本問題是，它們往往不擅長，或者說不極其擅長解決非常困難的問題。
因此，我們總結了兩點。第一，我們觀察到，有些問題可以通過更具領域針對性、更具目的性的加速器來解決，而解決這些問題可能很有意義。第二，我們觀察到，通用技術，即這些電晶體的縮小，最終會達到極限。你可以不斷縮小電晶體的尺寸，並使用這種技術進行擴展，這種想法是一組被稱為登納德縮放的啟髮式方法。登納德縮放以及米德和康韋提出了摩爾定律背後真正基本原則。如果你回顧那些原則，你會發現縮小電晶體的尺寸是有限度的。並且在某一天，你會得到遞減的回報。而且存在大量的計算問題。我們相信我們能夠解決的計算問題在規模上幾乎是無限的。因此總有一天，會出現一種新型的計算方法。因此，我們公司專注於利用這種被稱為加速計算的技術來增強、補充通用計算。
Konstantine: 這就是我們最初的觀察。
黃仁勳: 您之前說過輝達總是走在時代前沿。通常，如果你從第一性原理出發來思考問題，當前運作良好的事物，如果你能從第一性原理出發來思考它，並問問自己，這個第一性原理是建立在什麼基礎之上的，以及隨著時間的推移，它會如何變化，那麼你就有希望看到未來的發展趨勢。
CUDA的誕生：從專用到通用之路
Konstantine: 所以，當你們製造圖形加速器時，你們是最早入局者，但隨後湧現了數百家其他競爭對手。你們最終贏得了那個市場。在2000年代初期，你說，嘿，這項技術或許能夠實現通用化。你在說CPU的通用化。也許GPU也可以通用化，以進行更多的處理。讓我們來談談CUDA。它是如何產生的？你從那裡得到這個洞察力的？故事是說它來自研究人員。
黃仁勳: 你是如何閱讀他們的工作並得出結論，認為GPU可以作為通用計算裝置的？首先，輝達之所以難以建立，是因為我們必鬚髮明一項新技術並創造一個市場。當時，在1993年，為了建立一個新的計算平台，你需要一個大型市場。當時，Silicon Graphics正在進行3D圖形處理。
Konstantine: 市場太小，無法支援一個新的計算平台。
黃仁勳: 因此，如果我們想建立一個新的計算架構，我們需要一個大型市場，而這個大型市場並不存在，因為該架構並不存在。
Konstantine: 你遇到了先有雞還是先有蛋的問題。
黃仁勳: 因此，輝達擅長的領域，以及現代3D圖形視訊遊戲市場，我們做出了巨大的貢獻。因此，當時紅杉資本對輝達的融資原則的主要問題是，我們必須同時發明技術和市場。
Konstantine: 而這種情況發生的機率大約是0%。
黃仁勳: 我還記得我當時闡述這個故事時說，唐·瓦倫叮噹時常說，詹森，你的應用在那裡？你的殺手級應用在那裡？我說，有一家叫藝電的公司。但我沒意識到唐剛剛投資了藝電。我說，藝電，他們將會創造，我們將幫助他們創造3D圖形遊戲，並且我們將創造這個市場。他說，你知道嗎，詹森，我想讓你知道我們投資了藝電，他們的首席技術官才14歲，而且工作非常努力，而你告訴我那是你的殺手級應用。所以無論如何，我們創造了現代3D圖形遊戲生態系統，而且正如你所知，它是世界上最大的娛樂產業之一。
3D圖形學的根本問題基本上是模擬現實。如果你回到第一性原理，它所做的事情就是試圖重現現實。而重現照片般逼真的圖像和動態世界的根本，也就是其數學原理，從根本上來說是物理模擬。因此線性代數顯然非常重要，我們意識到了這個概念。所以問題是，如何將通用目的的東西引入到非常專業化的東西中？這就是我們公司偉大的發明。我們發明了這項技術，我們發明了市場，我們還發明了讓我們能夠系統地從一個非常垂直的聚焦行業發展到最終變得越來越通用的途徑。
Konstantine: 這種情況很少發生，而且這條道路很難走，但我不想佔用剩下的時間來解釋它，但我認為CUDA的發明一部分是技術的發明，即對我們如何推廣我們的GPU的觀察。
黃仁勳: 但很多是關於新產品的發明，如何將其推向市場，新策略的發明，如何讓市場接受它，以及發明本質上能夠最終創造飛輪效應的生態系統，從而使計算平台得以實現。所以我們發明了所有這些東西，它們都是全新的。
Konstantine: 如果你回溯，退一步，問問自己，除了ARM和x86之外，世界上還有什麼幾乎每個人都在使用的計算平台？
黃仁勳: 不存在。
Konstantine: 因此，發明一種新的計算平台很少發生，而在我們的例子中，這花了我們近30年。所以你能夠將這種非常專業、極高性能的加速裝置通用化，以便世界各地的研究人員和學者能夠更快地運行他們的處理程序。他們所面臨的摩爾定律的限制突然得到了極大的緩解。
引爆AI革命：從AlexNet到DGX-1
Konstantine: 現在讓我們跳到2010年代初。當時，深度學習還算是一種學術上的退潮期。神經網路的概唸經歷了一個寒冬階段。然後在2012年，AlexNet在電腦視覺方面取得了突破，而這一切都在NVIDIA GPU上加速。那是你意識到這場人工智慧革命即將成為現實的時刻嗎？
如果是這樣，你是如何利用它的？是什麼優勢讓輝達成為這場革命的中心？
黃仁勳: 是的，有兩個偶然的時刻，然後還有一個是關於深度學習的絕佳的第一性原理觀察。偶然性始於我當時試圖解決電腦視覺問題，我們想出於很多不同的原因解決電腦視覺問題，無論如何，我們都想解決電腦視覺問題。而電腦視覺非常脆弱，很難推廣，是大量技巧的集合，我真的非常討厭這個行業的發展方式，並且對進展感到非常沮喪。與此同時，我們普及架構的主要策略之一是讓高等教育的科學家使用我們的平台，使用CUDA。所以我從地震處理、分子動力學、粒子物理學、量子化學入手。我帶著輝達和CUDA到處跑，實際上公司裡有一個名為CUDA Everywhere的戰略，意思是黃仁勳把CUDA帶到世界各地。我因此走訪了各地的大學，與研究人員會面，將CUDA引入高等教育和研究人員的這項舉措，促使一些研究人員在2012年、2011年與我們聯絡，當時傑夫·辛頓試圖解決電腦視覺問題，吳恩達試圖解決電腦視覺問題，楊立昆試圖解決電腦視覺問題，因為當時有一場名為ImageNet的競賽即將開始，由李飛飛負責，我也試圖解決電腦視覺問題。
Konstantine: 所以當你自然而然地試圖解決一個問題時，這些有趣的人都在解決類似的問題，他們會引起你的注意，這就是機緣巧合。
黃仁勳: 偉大的觀察之處在於，我們可以為他們創造一種新型的求解器，叫做CUDNN，有點像在儲存計算的續集，我們發明了CUDNN，如果可以這麼說，它就是網路內計算。這種計算方式，這個叫做CUDNN的庫，使得他們所有人都能夠成功地使用CUDA。但關鍵在於，我看到了和其他人一樣的結果，每個人都看到了電腦視覺效果的巨大飛躍。
Konstantine: 但我們更進一步的地方在於，我們思考了，既然它在電腦視覺方面如此出色，為什麼，它還能擅長什麼？
黃仁勳: 並且深度神經網路具有極深的能力，這意味著因為每一層都獨立於其他層進行訓練，而且你可以從損失函數反向傳播到它的輸入，你幾乎可以學習任何函數，我們得出的結論是這是一個通用的函數逼近器。如果我們能再加入狀態，也就是，你知道的，CNN有點像一個二維、多維的模式識別器，然後RNNs在其中給你一個狀態機，LSTM給你一個更好的狀態機，然後 formers給你最終的狀態機。因此，如果我們有一個能夠學習幾乎任何函數的通用函數逼近器，那麼問題是它可以解決什麼問題？現在，你反過來問這個問題，我們得出的結論是，我們想要解決的大部分問題都可以有一個深度學習元件。所以我們決定，我們該如何思考深度學習在未來10年、20年後的發展方向？我們分解了計算問題，並且得出的結論是，每一個晶片、每一個系統、每一個軟體、計算堆疊的每一層都可以被重新發明。
Konstantine: 決定去追求它可能是在歷史上做出的更好的決定之一。當時我在史丹佛做人工智慧研究，而主要的限制始終是計算能力。我們擁有的叢集數量有限，無法運行這些演算法，而輝達的加入不僅緩解了計算壓力，還通過CUDA基礎設施使其成為可能。這很大程度上是你們的歷史。你們使越來越多的計算成為可能。在2016年，你們非常著名地建立了世界上第一個人工智慧工廠，DGX-1。在GTC上，你們實際上親手將其交付給OpenAI的埃隆·馬斯克。我製造了這台全新的電腦，它看起來和世界上任何東西都不一樣。
黃仁勳: 它的工作方式也和世界上任何東西都不一樣。我記得在GTC上宣佈它時，觀眾的反應簡直就像這樣。沒有人知道我在說什麼。那是個玩笑。結果掌聲寥寥無幾。所以我宣佈了這件事，大家都說，嗯哼。確實在那次GTC上，我邀請了埃隆來談談，我們倆都在研究自動駕駛汽車。然後他上台，他說，黃仁勳，那是什麼電腦？我說，DGX-1。我為了這個原因製造了它。他說，我能用一個。
我終於拿到了一份採購訂單。然後他說，是的，我有個非營利組織。
我說，當你創造全新的東西時，你最不想聽到的就是你的第一個客戶是非營利組織。所以無論如何，我交付了，我是送電腦的傢伙。
我把這台電腦送到了舊金山，那家公司是OpenAI。這是一個非常盈利的非營利組織，或者說是有收入規模的非營利組織。我們已經合作很久了。從那以後，每個模型都是基於輝達建構的，是的。
Konstantine: 實際上，當黃仁勳談論電腦時，我們說的是一個龐大的裝置。輝達的GPU，當他們說我們的GPU時，人們想像的是小型的GPU。我們的GPU，一個GPU現在是機架規模的。
黃仁勳: 它重2噸，12萬瓦，大約300萬美元。那是一個GPU。我們也銷售較小的GPU，比如傑夫·辛頓使用的那些。大約1000美元、500美元，可以插入你的PC。你可以用它來玩電子遊戲，或者做AI，以及諸如此類的事情。
但我們也有更大的GPU。然後一個千兆瓦的AI工廠GPU大約是500億美元。那麼請跟我們說說這些AI工廠。因為你可能擁有小型版本，可能是AI混合器。但接下來你擁有真正大型的版本，這些AI工廠，你在2016年全力投入，並開始說，世界將會需要AI工廠。
Konstantine: 你是如何獲得那種優勢，那種信念的？然後你又是如何調整適應的？
AI工廠：新時代的計算基礎設施
黃仁勳: 沒錯，你必須推理思考它。所以我們建造了第一個，DGX-1。它是世界上有史以來最昂貴的電腦，每個節點30萬美元。而且它並不成功。所以我得出的結論是，我們做得不夠大。所以我們製造了一個更大的。第二個就變得非常成功。那麼現在的問題就變成了，你把它做多大？以及你如何努力地推動計算？事情發展如此迅速的原因是輝達的產品周期以及我們創新、設計的方式，我們不是在設計一個晶片。我們是在一次性設計整個基礎設施。我們是當今世界上唯一一家你可以給它一座建築、一些電力和一張白紙，我們就可以創造其中一切的公司。所有的網路，所有的交換機，所有的CPU，所有的GPU，整個工廠內的所有技術，我們都可以建構。而且這一切都運行著來自輝達的相同的軟體堆疊。而且因為我們可以這樣整合，所以我們也可以非常快速地行動。所以我可以重新設計接下來的一年，重新設計接下來的一年，而且每一年，它們都是軟體相容的。
軟體相容性的好處是速度。PC之所以能夠如此快速地發展，是因為它們都與Windows相容。因此，根據定義，如果你符合這個堆疊，你就可以隨心所欲地快速製造晶片。所以我們現在正在以我們喜歡的速度，在物理上可能實現的極限範圍內，建造人工智慧工廠。因此，並且由於我們正在以如此驚人的規模進行創新，而且我們正在進行協同設計，這意味著我們同時改變演算法、改變軟體、改變網路以及CPU和GPU。我們突破了摩爾定律的限制，正如你所知，摩爾定律正在放緩。因此，從代際上講，我們將性能水平提高了大約10倍。我們每年都向市場提供令人難以置信的性能水平。我們這樣做的原因是，我們相信在不久的將來會有一個如此巨大的問題，你需要一台更大、更快的電腦，這是一方面。另一方面，當我們在相同功率下提高性能時，我們正在降低你的成本。因此，我們正在以驚人的速度降低成本，這使得客戶能夠做更大的事情，從而使他們能夠從同一家工廠產生更多的收入。
因此，輝達今天的採用率是因為我們既具有最高的性能，又具有最高的規模，因此，如果你想要巨型系統，你可以這樣做，而且我們的成本是最低的。我們的性能非常高，例如，如果你的資料中心是1吉瓦，你不會得到更多，你就是1吉瓦。因此，如果我們的每瓦能效，即每單位能源的能源性能是三倍，那麼你的公司就能在該工廠中產生三倍的收入。這就是我稱它為工廠的原因。它不是一個資料中心，它是一個工廠，他們從中賺錢。因此，這些人工智慧工廠希望不斷擴大規模，他們希望不斷提高收入，他們希望不斷提高吞吐量。這就是我們創新如此之快的原因。
Konstantine: 很難跟上我們的步伐，這也解釋了為什麼我們如此成功。黃仁勳，你已經從一個元件轉變為一個完整的平台，這就是人工智慧工廠的概念，面向投資者。你能分解一下平台都包含那些內容嗎？然後也開始談談平台下一步會是什麼樣子？
黃仁勳: 好吧，有CPU、GPU、網路處理器。
有三種類型的交換機。有一種向上擴展交換機，可以將一個機架變成一台完整的電腦。我們發明了機架規模計算，它被稱為向上擴展。
你可以通過獲取大量這些機架並將它們連接在一起來進行橫向擴展。該交換機和該網路連線具有大量的軟體，這些軟體位於所有這些東西之上。然後你建立一個像這座建築物一樣巨大的系統，這座建築物可能大約有100兆瓦。
一吉瓦是幾千英畝。然後你用更多的網路連線所有這些資料中心，以便所有資料中心可以協同思考。這就是我們一起建構的，這就是我們今天建構的。基礎設施建設如此迅速有幾個原因。
AI的投資回報與未來機遇
Konstantine: 並且有一些關於泡沫的問題在流傳，並將其與2000年進行比較，所以只是為了進行比較。
黃仁勳: 在2000年的時候，網際網路公司，別想著會有hospital.com，而是pets.com。大多數網際網路公司都不盈利，而且如果你還記得的話，整個網際網路產業的規模大約為200億、300億美元。而今天，你需要觀察的第一件事是，人工智慧不僅僅關乎全新的公司，OpenAI和Anthropic等等。
Konstantine: 人工智慧正在改變超大規模企業的工作方式。
黃仁勳: 例如，搜尋現在由人工智慧驅動。推薦系統，你如何看到廣告、新聞和故事，以及電影現在都由人工智慧生成。使用者生成內容，所以基本上，Google的業務、亞馬遜的業務、Meta的業務，數千億美元的收入現在都由人工智慧驅動，即使沒有OpenAI和Anthropic，整個超大規模產業也正由人工智慧驅動。
因此，需要觀察的第一件事是，整個事情需要從使用經典機器學習的傳統CPU轉變為現在使用人工智慧的深度學習。僅僅是這種轉變就涉及數千億美元。明白了嗎？
當然。這就是其中之一。第二件事是，我們現在有了這個新市場。這個新市場叫做人工智慧，它有一個新的產業，他們生產人工智慧。所以OpenAI、Anthropic、XAI、Google的Gemini，當然還有Meta，都將成為人工智慧的製造者。因此，整個AI模型製造者層也在建造AI工廠。這些人工智慧將為下一代的新機遇提供動力，這就是Harvey’s、OpenEvidence、Cursor的用武之地。
Konstantine: 沒錯，你看到了所有這些人工智慧原生公司。
黃仁勳: 它們將連接到人工智慧模型，並且在歷史上第一次，它們將追逐一個從未被觸及的行業。那就是勞動力行業。而這種被稱為能動人工智慧的數字勞動力，將補充和增強企業市場。例如，輝達，今天我們已經100%地使用了我們的軟體工程師，100%地使用了我們的晶片設計師。如今，每一位工程師都通過Cursor得到了增強。我們公司內部大量使用Cursor。因此，我們現在為所有工程師配備了人工智慧。生產力提高，我們所做的工作也變得更好。
您還會看到一個新興的產業正在出現。它被稱為物理人工智慧。所以你有企業人工智慧，你有物理人工智慧。正在增強勞動力。因此，例如，無人駕駛計程車本質上就是一個數字司機，我們現在將擁有嵌入到任何移動物體中的人工智慧。因此，在無人駕駛計程車的情況下，它就是一個方向盤和輪子。但你將選擇和放置手臂，你將有一個手臂，兩個手臂，三條腿，各種不同的形態。因此，這兩個行業約佔全球經濟的100兆美元。而有史以來第一次，我們擁有能夠增強這一點的技術。
Konstantine: 這就是人們對下一波人工智慧如此興奮的原因。 那麼讓我們花點時間談談前一波浪潮，因為你提到人工智慧已經提供了投資回報率。對於投資者來說，我認為Meta的例子是一個很棒的案例研究。因為在2022年第四季度，蘋果基本上從Meta移除了歸因資料。你們都看到了數千億美元的市值下降。Meta團隊說，我們該如何解決這個問題？他們通過由NVIDIA GPU驅動的人工智慧解決了這個問題。 沒錯，是的。他們讓歸因恢復到原來的水平，並收回了數千億美元。它比其最低點高出一萬多億美元。
黃仁勳: 而所有這些投資回報率實際上都是由你們的GPU驅動的。Meta（元）公司，或者說不僅僅是Meta公司，最複雜的軟體系統之一被稱為推薦系統。其中包含幾種基本技術。其中一種叫做協同過濾，它是基於我正在做的事情，並觀察其他人都在做什麼。如果我們有相似的模式，它可能會向我推薦相同的電影，你購物清單中的下一個相同的商品，一本書，一段視訊，等等。另一種叫做內容過濾，它僅僅基於我是誰以及我的偏好。並且基於那本書的實際內容，你或許能夠向我推薦那本書。因此，這個推薦系統是世界上最大的軟體生態系統。
Konstantine: 而且這個生態系統正非常顯著、非常快速地向人工智慧方向發展。所以你們將會需要大量的GPU。這些系統在幾十年前因Netflix挑戰賽而聞名。現在網飛，他們的所有推薦都由人工智慧驅動。正如你所說，亞馬遜當你去購買東西時，很大一部分是通過推薦系統實現的。
黃仁勳: 將搜尋轉移到人工智慧。所有這些現在都由人工智慧驅動。
Konstantine: TikTok也是人工智慧，
黃仁勳: 是的，所有都是。
Konstantine: Google短影片，人工智慧。
黃仁勳: 沒有它不行，現在所有的個性化廣告都將轉向人工智慧。是的，所以人工智慧的數量簡直令人難以置信。請注意，這與任何事情都無關，我只是描述了一大堆經典的使用案例。嗯哼。定量交易也將轉向人工智慧。
Konstantine: 過去由人工設計的特徵提取將轉向人工智慧。我認為這實際上是Citadel Securities在過去20多年裡率先開創的領域。所以那是經典的人工智慧。Citadel是一個偉大的客戶，謝謝。這是一個經典的例子。對於投資者而言，談論人工智慧的投資回報率，它已經以數兆美元的市值形式存在。讓我們談談下一步的支出。因此，對2025年的估計可能高達5000億美元的人工智慧投資落地。我們下一步該怎麼做？
黃仁勳: 這會成為一個每年數兆美元的投資類別嗎？是的，所以人工智慧的製造，也就是代工部分，如果你願意這麼稱呼，就是模型製造者。他們有點可以把他們想像成晶圓製造商。這些的應用，以及思考人工智慧的一種方式是，大型語言模型，這可以看作是現代電腦的作業系統。你可以在這些人工智慧模型之上建構應用程式。不僅僅是一個人工智慧模型，而是一個人工智慧模型系統。好的，所以應用程式將會有一系列不同的AI連接在一起。那麼問題是，頂層的應用空間是什麼？
除了我們一直在談論的，所有現有的應用程式都將通過人工智慧得到改進之外，思考頂層應用空間最明智的方式，可以用一個簡單的比喻來形容，那就是數字人類。所以，一個數字軟體工程師，對吧，人工智慧編碼。這可能會是一個數兆美元的市場機會。人工智慧數字護士，人工智慧會計師，人工智慧律師，人工智慧，所以有人工智慧行銷人員。所以我們把所有這些都稱為代理人工智慧，這項技術正在良好地發展。因此，技術第一次不再僅僅是被會計師使用的工具，被軟體工程師使用的工具，我們將成為數字軟體工程師。如果你授權一部分並僱傭一部分，我也不會感到驚訝。因此，這取決於質量和深厚的專業知識。
因此，未來企業中的勞動力將是人類和數字人類的結合，其中一些將基於OpenAI，另一些將基於 Harvey、OpenEvidence、Cursor、Replit 或 Lovable。有些將是第三方提供的，有些將由你們自己培養。因此，我們自主培養了許多人工智慧，因為我們擁有大量的專有知識和資料，想要保護起來。而且我們具備開發這些人工智慧的技能。隨著時間的推移，越來越多的人將能夠培養自己的數字人工智慧，因為這會變得越來越容易。因此，企業級代理人工智慧，顯然增強了勞動力，蘊含著數兆美元的機遇。
人工智慧相對於以前的軟體的獨特之處還在於，人工智慧需要思考，這意味著你不能預先編譯它，將其放入二進制檔案，下載並使用它。它必須始終進行處理。
Konstantine: 它必須進行處理的原因是它必須獲取你的上下文，它必須考慮你希望它做什麼，然後生成輸出。所以它就在思考，不停地思考和生成。
黃仁勳: 它需要一台機器。它需要電腦來做這件事。這就是人工智慧工廠存在的原因。所以這些人工智慧工廠將會在雲端。它們也可能在本地部署。它們將遍佈世界各地。而且它是人工智慧基礎設施的一部分，如果你願意這麼說。但是會有大量的思考來產生這些，我們稱之為Token，但基本上就是智能。
物理AI的崛起：機器人技術的未來
Konstantine: 所以這就是認知人工智慧，數字勞動力，如果你願意這麼說。
黃仁勳: 然後第二個是機器人技術，這可是有史以來第一次。所以讓我給你們一個思想實驗，為什麼機器人技術如此接近。如你所知，你現在可以提示一個人工智慧，它可以生成“黃仁勳拿起一個瓶子，打開它，然後喝一口”的提示。好的，然後它會生成我的視訊，對吧，打開一個瓶子，喝一口。那麼，如果它可以生成所有這些，為什麼不能操縱機器人來做到這一點呢？所以你的思想實驗會表明，這很可能是非常有可能的。
現在，如果你能設計一個可以駕駛汽車的數字司機，為什麼你不能擁有一個機器人，一個物理機器人，來駕駛汽車呢？所以如果一個物理機器人，如果你能讓一個物理機器人甚至駕駛一輛汽車，為什麼你不能讓一個拾取和放置手臂或任何類型的機器人呢？所以請注意，我們有能力體現幾乎任何東西。我們可以拿起刀叉，它成為我們身體的延伸，而且不知何故我們能靈活運用它。我們可以拿起棒球棍，並將其用作我們身體的延伸。
Konstantine: 因此，我們將這些物理延伸物融入自身。
黃仁勳: 未來的AI將能夠融入並操縱汽車、機械臂、人類或機器人、手術機器人等等。因此，我認為這兩個市場都在AI的觸及範圍之內。最後，如果我只給你一個例子，無論何時你看到對一件事的觀察，其餘的都只是工程問題，因此，我們現在已經看到了一個極好例子的證據，那就是數字和AI軟體編碼員，這就是我們如此頻繁地使用它的原因。如果你能擁有一個AI軟體編碼員，為什麼不能讓那個AI軟體編碼員也編寫軟體來開展行銷活動，或者編寫軟體來幫助你解決任何會計問題，或者做任何你想做的事情呢？因此，幾乎它的存在就說明了其餘的都是工程問題。然後我們現在有了自動駕駛計程車，你知道嗎？這是一個控制方向盤和車輪的具身機器人。如果這已經存在，為什麼你不能將其推廣呢？
Konstantine: 剩下的就只是工程問題了。
黃仁勳: 所以我認為，這是一個從第一性原理出發，推斷我們能夠讓這項技術在各行各業和社會中普及的可能性有多大的好方法。
Konstantine: 接下來你需要思考的是，好的，那麼你如何將其規模化？你如何將這種智能傳遞給所有這些不同的應用？你需要人工智慧工廠，所以。那麼，讓我們多談談機器人技術。你們擁有一支卓越的機器人團隊，你們的一位高管今天在這裡負責機器人事務。在之前的談話中，你分享了一些關於機器人技術將如何發展的見解。它會是一個單一的類人項目嗎？它會是開放原始碼專案嗎？那些開放原始碼專案將如何聯絡起來？
黃仁勳: 你認為機器人技術將如何在現實世界中展現，以及時間表如何？無人駕駛計程車現在已經出現了。它們從一個城市推廣到另一個城市的能力真的變得非常快。原因是相同的根本技術，我們經歷了相同的旅程。對於在場的所有量化交易、演算法交易人員來說，你們經歷了從人工設計的特徵、機器學習，到使用越來越多的深度學習，以及嵌入某些模態和多模態模型，到現在很大程度上是端到端的轉變。原因在於，它是多模態的。在這個過程中，我們變得越來越具有通用性。
Konstantine: 你用於自動駕駛汽車的AI模型和你用於人類或機器人的AI模型非常相似。
黃仁勳: 它們只是在兩種不同的體現中。我確信的原因是因為我會開車。而且我可以控制我的身體。這是同一種智能。所以，我可以拿起刀叉，然後，你知道的，假裝自己是外科醫生，你知道的，在一塊牛排上做手術，你知道的。所以，你會注意到這是在不同載體中的同一種人工智慧。
Konstantine: 所以，這就是人工智慧的發展方向。
黃仁勳: 機器人技術正朝著通用、越來越通用的、多載體的人工智慧方向發展。它是多模態的。它是多載體的。
Konstantine: 為了創造這個未來，你需要三樣東西。
黃仁勳: 你需要我之前提到的AI工廠，在那裡你必須訓練模型。而且你需要一個地方，讓AI可以學習如何成為一個AI，而無需立即進入現實世界。
Konstantine: 因此，它可以嘗試在虛擬世界中進行數兆次不同的迭代。
黃仁勳: 那麼，那個虛擬世界就像一個視訊遊戲。因此，AI基本上就像視訊遊戲角色一樣，在虛擬世界中玩遊戲。
Konstantine: 而且它遵守物理定律。當它完成學習如何成為一個遊戲，如何成為一個偉大的視訊遊戲玩家時，因為模擬到真實的差距非常小，因為模擬器真的非常好，我們稱之為Omniverse，那個Omniverse電腦，那麼機器人就可以從那個虛擬世界中出來，而這個世界就變成了它所玩的虛擬世界的又一個版本。
黃仁勳: 然後它進入物理世界。
Konstantine: 當它進入物理世界時，它也需要一台電腦。
黃仁勳: 所以，你需要三台電腦。你需要人工智慧電腦，訓練電腦。你需要模擬、虛擬世界電腦。然後你需要一台電腦，讓機器人實際操作大腦。因此，輝達提供了所有這三種電腦。我們與幾乎每一家機器人公司、自動駕駛汽車公司以及各種不同形態的機器人公司合作。
新前沿：數字生物學與主權AI
Konstantine: 這很可能成為所有市場中最大的市場之一。所以，輝達現在幾乎觸及了技術領域的方方面面。正如你過去所說，你從零十億美元的市場起步，並幫助它們變成兆美元的市場。機器人技術是下一個前沿市場之一。你對其他那些下一個前沿市場特別感興趣？你剛才提到了醫療保健。
那是你熱衷的領域嗎？還有其他領域是房間裡的投資者應該關注的嗎？
黃仁勳: 醫療保健所需的技術確實非常複雜。而且我們正在取得快速進展。如果你能理解單詞的含義、字元序列，你可能... 而且你可以理解虛擬世界之類的結構的含義，好嗎？就像你看到... 我們能夠生成視訊的原因是因為我們理解虛擬世界以生成圖即世界的表徵。所以，如果你能生成視訊，那一定是因為你理解這個世界。如果你能生成…… 如果你能理解世界，那麼你是否可能理解具有結構的蛋白質和化學物質？答案是肯定的。因此，我們越來越接近理解蛋白質的含義，AlphaFold及其他。我們能夠理解細胞的含義。最近，我們與Arc建立了合作關係。Evo 2是大型語言模型的一個首批範例，它是一種用於細胞表徵的基礎模型。
因此，你現在可以與它對話，然後說，我希望你生成具有這些屬性的其他細胞。
而且……或者你可以和細胞對話，你知道嗎？你的屬性是什麼？你能和什麼結合？你還能做什麼……你的新陳代謝，你能用什麼啟動？這樣，你就能像和聊天機器人說話一樣和細胞說話。這樣，理解蛋白質的含義，你知道的，總之，這方面有很多進展。
這樣的例子還有很多。我對我們正在做的工作感到興奮，即將人工智慧引入電信領域。5G和6G將因人工智慧而徹底變革。我對我們與量子電腦的合作感到興奮。因此，通過建立量子GPU混合計算系統，我們可以將量子電腦的時間表提前大約十年。在這種系統中，我們進行糾錯，控制量子電腦，進行後處理。因此，我們有一種名為CUDA-Q的新架構，它將CUDA擴展到量子領域。這正在獲得驚人的採用。
Konstantine: 所以，是的，我們現在可以解決一大堆以前難以解決的問題。讓我們來談談主權AI。我們剛剛請了馬里奧·德拉吉上台。他在談論歐盟對技術領域進行新投資的重要性，顯然包括大規模的人工智慧。這場革命在本質上是不同的，因為各國政府高度參與其中，既可能進行監管，也可能購買AI工廠。你能告訴我們，你認為前進的方向是什麼嗎？
黃仁勳: 無論是對於主權AI，即各國如何擁有自己的AI系統，還是對於進出口，即我們美國應該如何與世界其他國家進行AI方面的互動？沒有那個國家能夠承擔外包所有國家資料的後果，以便……
Konstantine: 然後將你自己的智能匯入回來。
黃仁勳: 我只是從第一性原理出發認為，這是不明智的。然而，沒有人需要完全靠自己來建構一切。你可以購買，你可以進口，但不應該放棄生產自己的國家情報。所以，我認為今天，這項技術相當困難，但它正變得越來越容易，而且速度非常快。並且有大量的開源能力。所以，我不會放棄建構你自己的主權人工智慧。我不會放棄利用你擁有的資料，從中建立你自己的國家情報。現在，世界各國都在這樣做。所以，我認為主權人工智慧很可能... 每個國家都可能進口一些，購買一些，同時也建構一些。並且有很多能力可以做到這一點。所以，我們看到圍繞主權人工智慧的巨大勢頭。英國正在這樣做。我當時在法國。我們支援一家名為 Mistral 的公司。在英國，有一家名為 Enscale 的公司。還有一家名為 Nibius 的公司。在義大利，有好幾家公司。在西班牙，有好幾家公司。在德國，有好幾家公司。因此，世界各地都有公司。在日本，有公司。
Konstantine: 在韓國，有公司。因此，主權 AI 正在世界各地湧現。
AI安全與中國市場策略
Konstantine: 那麼，經常被提及的一個國家是中國。在向中國出口人工智慧工廠方面，對美國來說正確的事情是什麼？
黃仁勳: 人工智慧是一項新技術。
Konstantine: 在我們...之前，我們必須思考一下。
黃仁勳: 我們必須認真思考，最終該如何監管它。當然，美國想要贏得人工智慧競賽。
Konstantine: 我認為決策者們都想做正確的事情，他們希望美國獲勝。
黃仁勳: 然而，重要的是要記住，傷害中國的事情往往也會傷害美國，甚至更糟。因此，在我們採取對他人有害的政策之前，退一步，也許反思一下什麼政策對美國有益。很可能你必須回到第一性原理。就人工智慧而言，關於人工智慧以及任何計算、任何軟體行業，最重要的是開發者至關重要，正如你所知。因此，贏得開發者才能創造未來的平台。我們希望世界建立在美國技術之上。
Konstantine: 輝達是一家驕傲的美國公司，我們當然希望，我們希望我們能夠創造出建立在世界之上的美國技術。
黃仁勳: 很多人工智慧研究人員都在中國。中國擁有世界上大約50%的人工智慧研究人員，擁有令人難以置信的學校，對人工智慧的驚人關注，以及對人工智慧的極大熱情。而且我認為，不讓這些研究人員在美國技術上建構人工智慧是一個錯誤。從第一性原理來看，我認為這是一個錯誤。
Konstantine: 所以問題是，你如何平衡獲勝、保持領先，另一方面，確保世界建立在美國技術堆疊之上？
黃仁勳: 這就是平衡。為了保持平衡，你必須要有細微之處。而且這可能不是，要麼全有要麼全無。因此，一種隨著時間推移而變化的細緻入微的策略，它允許美國保持領先地位，同時我們繼續贏得世界各地的研究人員，這可能才是正確的平衡。這就是我所倡導的。
Konstantine: 目前，我們100%撤出了中國。因此，中國是0%，我們從95%的市場份額降至0%。
黃仁勳: 因此，我無法想像任何決策者會認為這是一個好主意。無論我們實施什麼政策，都導致美國在全球最大的市場之一損失殆盡，降至0%。但無論如何，在我們所有的預測中，如果有任何股東在場，我們所有的預測都假設中國為零。如果中國發生任何事情，我希望會發生，那將是一個額外的好處。但這是一個巨大的市場。中國是世界第二大電腦市場。這是一個充滿活力的生態系統。我認為美國不參與是一個錯誤。因此，我們希望繼續解釋和告知，並對政策的改變抱有希望。
Konstantine: 黃仁勳，你最近參加了我們在辦公室舉辦的人工智慧會議，你對人工智慧安全性的未來及其重要性有一些非常精闢的見解。這有點相關。存在可能干預人工智慧的國家行為體。也存在可能不正確地使用人工智慧的個人使用者。
黃仁勳: 您認為人工智慧安全的未來會是什麼樣？人工智慧安全的未來將有點像網路安全。它將要求我們所有人作為一個社群共同努力。您可能知道這一點。你們所有的網路安全人員，你們的首席安全官，我們都是一個大型社群。當有人發現入侵時，我們會與所有人分享。無論何時我們發現漏洞，我們都會與所有人分享。因此，人工智慧安全的未來很可能就像網路安全一樣。
第二，如果智能的邊際成本，人工智慧的邊際成本趨於零，如果人工智慧的邊際成本趨於零，那麼為什麼以安全為中心的人工智慧的邊際成本不會也趨於零呢？這非常明顯。很有可能每個AI都會被一大堆網路安全AI所包圍和監視。因此我們將會有很多很多的AI保護者，成千上萬個，數百萬個，在公司內部，公司外部。這就是未來的方向…… 人工智慧本身必須是好的這種想法很好，但我不認為我們應該依賴它。因此，就像軟體應該正常運行一樣，我們喜歡這樣，但是考慮到可能存在漏洞或者它可能是一個病毒，或者其他任何東西，它可能是一個入侵者，我們必須假設這些情況會發生。
Konstantine: 因此，我們將儘可能安全地推進人工智慧的發展，但我們也將用大量的安全人工智慧來包圍人工智慧。您分享說，物理世界的動態在這個數字世界中是分離的，在物理世界中，你可能需要1個安全人員對應100個普通人。在人工智慧世界中，這種情況可能會顛倒。
範式轉移：計算的終局是生成式
黃仁勳: 您還分享了這個我認為令人腦洞大開的想法。例如，像網路安全一樣。
Konstantine: 是的。是的，我們的網路安全代理比公司裡從事網路安全工作的人員還要多。你還分享了一個觀點，即在未來，我們不僅會有渲染計算，而且一切都將被生成。
黃仁勳: 你能解釋一下這個預測是什麼，以及這對輝達意味著什麼嗎？最好的例子，有幾個例子，比如Perplexity。當你在Perplexity上提問時，你所看到的一切都是完全生成的，100%。你所看到的一切的100%都是生成的。然而在過去，在Perplexity出現之前，你會輸入一些東西，然後它會給你一個列表，你會去點選它。所有這些內容都是由某人預先編寫或建立的。所以搜尋是基於儲存的計算。它是基於檢索的計算。它正在檢索資訊供您自行消費。Perplexity或人工智慧正在生成，它去學習，它去閱讀所有內容，然後為你生成。
Konstantine: 好的，所以Perplexity是經典電腦方法的一個很好的例子。
黃仁勳: 我們去檢索一個檔案並讀取它，轉變成一種生成式方法，即Perplexity，它是基於人工智慧的。 另一種，看看我們今天看到的視訊。Soras，當然，Nano Banana，當然。所有這些像素都是生成的。它是受你調節和提示的。
您可能會給它一個初始種子，然後說，我希望您生成一段康斯坦丁和詹森進行爐邊談話的視訊。然後您會提示它並說，這次爐邊談話，他們要談論瘋狂的事情。
Konstantine: 對於那些線上的人來說，這是真的，實際上。
黃仁勳: 然後Sora會生成它。因此，每一個像素，每一個動作，每一個詞語都是生成的。
Konstantine: 所以，未來計算的方式很可能是生成式的。
黃仁勳: 讓我再給你最後一個想法。你和我剛才經歷的一切的100%都是生成的。你問我的每一個問題，我都沒有跑回辦公室，取出什麼東西，然後拿給你。你是這個意思嗎，康斯坦丁？然後你大聲地讀出來給大家聽。那是昨天的電腦。
今天的電腦是我們只是在互動。因此，我們正在根據當下發生的語境，根據觀眾，根據世界各地正在發生的事情，即時生成一切。所以我們正在即時生成一切。那就是未來的電腦。你未來的電腦是一位在你面前的首席執行官，或者是一位藝術家，一位詩人，一位講故事的人，你與它合作，為你自己創作獨特的內容。
Konstantine: 所以計算的未來是100%生成式的。
黃仁勳: 在它背後，你需要一個人工智慧工廠，這就是我100%確信我們正處於這段旅程開始的原因。我們現在有幾千億美金，只是很少的一點，我們只有幾千億美金的基礎設施，而未來每年可能會有數兆美元的基礎設施被建造。
快問快答：洞見與展望
Konstantine: 所以這是思考這個問題的最簡單方式。這種計算範式非常像人類的思維。是的，它在思考。如果你準備好了，我們來快速回答幾個問題怎麼樣？
黃仁勳: 好的。好的嗎？
Konstantine: 好的。就在我們一起的最後幾分鐘裡。我確信炸雞是答案。我不知道這個問題是什麼。那麼讓我們開始吧。華爾街低估的一個關鍵績效指標是什麼？
黃仁勳: 在人工智慧工廠的未來，你的單位能源吞吐量決定了客戶的收入。這不僅僅是選擇更好的晶片。而是決定你的收入會是多少。事實上，如果你回過頭看看所有的雲服務提供商（CSPs），那些選擇正確的公司看到了收入增長。而那些隨後放慢速度的人做出了正確的選擇。
Konstantine: 所以你可以看到它在發揮作用，人們開始理解它。你的吞吐量，Token，它被稱為Token，你的工廠每單位能量的Token生成率就是你的收入。輝達平台最被低估的部分。
黃仁勳: 大多數人談論CUDA，CUDA非常重要，但是在CUDA之上有一套庫。我今天早些時候提到過一個，它叫做CUDNN。它可能是人類歷史上建立的最重要的庫之一。
Konstantine: 過去，之前的那個叫做SQL，SQL。而這個，CUDNN，還有其他的幾個。
黃仁勳: CUDF，CULITHO，它將被用於半導體製造光刻。
Konstantine: 我們大約有350個這樣的庫。而這些庫，就是輝達的寶藏。你認為那一項技術被嚴重低估，那一項技術可能被低估的。
黃仁勳: 哇，我認為用於物理人工智慧學習成為優秀的物理人工智慧的虛擬世界，我們稱之為Omniverse，很難理解，但它被嚴重低估了。
這不是因為人們使用或不使用它，而是因為他們還不知道自己需要它。但現在Omniverse正在席捲整個機器人行業，每個人都明白了。一旦你開始製造機器人，你就會開始意識到我們在大約十年前開始研究Omniverse是多麼有遠見。
Konstantine: 所以Omniverse真的很重要。那本書對你的商業和領導哲學影響最大？
黃仁勳: 我最喜歡的書之一是每個人第一本微積分書，當你意識到數學是運動的時候。那是一本好書。克萊的所有書，克里斯坦森的書，他已經過世了，但是好朋友，他的所有書都很棒。艾爾·雷的定位書，真的是本好書，如果你還沒機會讀的話。當然，薩皮恩斯一直都很好，但那些都是不錯的選擇。
傑弗裡關於跨越鴻溝的書，那是一本好書。但是克里斯坦森的所有書，都讀一讀。
Konstantine: 那麼最後一個問題，如果你是聽眾席上的一位首席資訊官，有100億美元用於未來幾年的人工智慧投資，你會投資什麼？
黃仁勳: 我會立即嘗試建構你自己的AI。事實是，我們以員工入職以及你改採用的方法、你將他們帶入的文化、你公司的理念、營運方法、實踐為榮，這些造就了你的公司。你隨著時間推移所體現的資料和知識的集合，你讓他們可以訪問。這就是過去定義公司的方式。未來的公司當然包括這些，但你需要為人工智慧做這些。你需要讓數字員工入職，你需要讓人工智慧員工入職。有讓人工智慧員工入職的方法，我們稱之為微調，但基本上是教他們文化、知識、技能、評估方法，因此你的代理員工的整個飛輪是你需要去學習如何做的。
我告訴我的首席資訊官，我們公司的IT部門，他們未來將成為代理人工智慧的人力資源部門。他們將成為未來數字員工的人力資源部門。這些數字員工將與我們的，當然，生物員工一起工作，這將是我們未來公司的形態。
所以如果你有機會做這件事，我會立刻去做。
Konstantine: 謝謝你，黃仁勳。我們聽到了一個不可思議的故事。真的，輝達的故事是一個卓越的泛化故事，從加速圖形處理器到驅動當今世界所有人工智慧的技術，從一個元件和世界上的第一個GPU，到世界上人工智慧工廠平台中的所有元件。我們討論了服務是如何成為這場新革命的基線，以及機器人技術是如何存在於我們所有的未來之中。我們談到了外交政策。我們甚至談到了炸雞。你完成了所有，黃仁勳。非常感謝你。 (Web3天空之城)