4 月17 日，輝達CEO 黃仁勳（Jensen Huang）參加了Cadence 舉辦的活動，對話Cadence CEO Anirudh Devgan ，討論了AI 與加速計算在塑造行業大趨勢方面的關鍵作用，以及輝達與Cadence 如何合作推動EDA、 SDA、數位生物學和AI 領域的轉型變革。
黃仁勳表示，A I 正引領運算力的巨大飛躍,是運算轉型的最集中體現。生成式AI能實現比加速運算更高幾個數量級的運算能力提升，AI 將在資料中心、機器人/自動駕駛、生命科學三個領域帶來革命性影響。
關於能源消耗，黃仁勳認為，雖然AI 消耗大量運算能力，但透過AI 優化設計，最終將大幅節省整個社會的能源消耗，AI 會是應對氣候變遷的重要手段。
關於企業管理以及研發，黃仁勳表示，AI 工具將使工程師從繁重的勞動中解放出來，專注於創新設計，提高生產力這正是Nvidia組織文化和管理理念的核心原則。以下為這次對話全部內容：
就AI 而言，你擁有推動這些創新的前排座位。你看到未來五年會發生什麼事？這些模型變得更大，模型變得更具體。架構、資料中心會發生什麼事？你對下一個五年有什麼看法？
可能是計算轉型的最濃縮的例子。如你所知，運算平台的基本變化，過渡，它是週期的基礎，它是每一個依賴週期性產業的基礎，影響每一個產業。
正在發生的事情，如果你看你的主題演講，一旦你開始使用加速計算，接下來可能的事情就是，生成式AI 是在此基礎上增加的，沒有過渡到加速計算，生成式AI 將非常難以實現。
轉向加速運算的好處是突然之間，過去使用CPU 擴展時難以擴展的東西，突然你談論的是1000倍的X因子，在那之上還有另一個30 倍的X 因子。在那之上，當你加入生成式AI 時，還有另一個十萬倍的因子。
你在開始時說，設計工具完成了一次處理，但設計師想做的是探索一個多維、多模態的，通常是探索空間。沒有正確答案。只有一個最好的答案。所以我們需要探索數十萬種不同的領域。
但當然，宇宙，設計的窮盡性探索太困難了。無限的計算量也無法做到。所以我們需要AI 幫助我們跳入特定的探索和優化領域，然後使用主要求解器真正集中在那裡。所以我們可以一起做很多不同的事情。所以，加速運算首先將改變Cadence 開發軟體的方式，它將改變我們使用軟體的方式，這是第一點。
除了能夠做好之外，還有幾個好處。我們設計我們的電路、我們的晶片、我們的PCB、我們的系統，現在甚至是我們的資料中心，在Cadence 中，你非常清楚這一點。我們使用你進行電路設計、邏輯設計、系統設計、模擬、驗證、形式驗證等等，端到端，一直到流體。所以現在的設計空間不再是關於一個晶片或一個系統，而是真正跨越整個事物的共同設計。
Millennium 真的是一個很好的例子，因為你本質上就是一個共同設計公司。電腦科學產業、電腦產業談論它的方式，我們在工程中談論它的方式是共同設計，而在計算中談論它的方式叫做全棧，但這是同一個想法，你必須在整個事物上進行創新。所以你的轉型，從晶片設計、EDA 公司到EDA SDA 公司，是非常有遠見的，也是非常必要的。這正是我們與Cadence 合作的方式，也是我們設計系統的方式。
一些人們開始意識到的領域，你的主題演講實際上非常好，我建議每個人都再看幾次，因為它非常密集，它非常密集。
不管怎樣，你提到的一個領域非常深刻，那就是透過投資加速運算、投資AI 、投資資料中心，我們能夠設計出更好、更節能的產品。
現在記住，你設計晶片只設計一次，但你將運送萬億次。你建立資料中心一次，但你節省電力，你在媒體技術中展示的6% 的電力節省，這6% 將被十億人整天享受。因此，透過設計更好的軟體、更好的船舶、更好的系統，我們將能夠為世界節省能源，這對社會有永久的好處。
一方面，我們將為AI 消耗更多的電力和資料中心的電力。另一方面，對於消耗和能源消耗的98%，我們將減少這一點，設計更好的產品，設計更好的電腦、更好的汽車、更好的手機，等等，更好的材料等等。
我們正處於一個非常，人們稱之為一個轉折點，一個過渡。所有這些都是完全正確的。這是一個非常激動人心的時刻，你的主題演講真的突出了這一點。
你談論了這種轉型，不僅僅是製造晶片，因為人們會感到困惑，當然， Nvidia 正在製造最好的晶片。甚至你在GTC 上的關鍵詞彙，是建立整個資料中心，非常完整的系統，整個軟體棧，把它們放在一起。你有架子和液體冷卻資料中心。所以整個架構，這不是一個典型的晶片公司的簡單轉型。
印度已經變成了一個完整的軟體系統公司，所以我很好奇，你是如何做到的，或者你總是有這個想法？或者它是如何展開的，這非常難以實施。
現在一些公司正在嘗試，系統公司正在嘗試製造晶片，這很困難。但Nvidia 已經完美地執行了這項轉型，從不僅僅是晶片到系統到軟體到數據，所以我很好奇你是如何開始這樣的事情的。
我當晶片設計師已經很久了。這是我整個職業生涯。有一些事情我們很久以前就觀察到了，結果證明是正確的。
第一件事是要觀察到程式中一小部分程式碼代表了其運行時間的絕大部分。例如，CFD，可能是3% 的代碼代表了99.9999% 的運行時間。如果是這樣，為什麼要使用完全相同的工具、相同的儀器、相同的處理器來處理所有90%、全部100% 的程式碼？為什麼不為97% 的程式碼做一些事，然後為3% 的程式碼做一些特別的事情，透過這樣做，你可以將App加速10 萬倍。這是觀察到的。當然，需要這個好處並願意重寫的App類型非常少。
我們很聰明地選擇了電腦圖形學作為我們的第一個加速計算選擇，因為事實證明它是一個非常需要大量並行計算的App。它有利於並行處理，也是一個非常大的市場，市場變化非常快，創新非常快。所以我們選擇了一個很好的市場作為起點。但我們總是想像，在電腦圖形之外，還會有一大堆其他的App出現。
加速運算不像通用計算。在通用運算中，你可以建立一個處理器，它可以運行所有程式碼。在加速運算中絕對不是這樣，因為我創造了「加速運算」這個詞。我所說的是，你加速一個App，它是一個App加速運算平台，你必須知道是什麼App。所以在Nvidia 的情況下，我們從選擇電腦圖形開始，但我們也做了成像，然後我們做了分子動力學。我很高興看到你們在數位生物學方面的工作。
順便說一下，就像一個快速的，今天我們稱之為藥物發現。我們之所以稱之為藥物發現。你能想像如果晶片設計產業被稱為晶片發現產業嗎？
原因是因為工程團隊會上來，有機會看看我們發現了Blackwell 。然後明年就像乾旱一樣，今年又怎麼了？我們沒有發現它，這完全合理。但是我們永遠不會這樣做。不是嗎？
原因是生物學要複雜得多。我們塑造一個晶體管，直到我們可以使用設計工具。你不能塑造生物學，直到你可以使用設計工具。你需要設計工具來追趕生物學，這就近了。
世界上最大的產業之一將變成一個Cadence 產業，而不是你提到的9%，前面有一個巨大的機會。每一個產業，你提到的生物學，運輸業。所有的App都是不同的。有些與成像有關，有些與粒子物理學有關，有些與流體有關，有些與你所知道的有限元素有關。你寫網格之類的東西。所以演算法是不同的。
Cadence 是一個數學和計算公司，在很多方面， Nvidia 也是一個數學和計算公司。完全正確。這就是為什麼我們相處得這麼好。而且，當Andrew 和我聚在一起時，我們對彼此說的話，我們很快就明白了。
當你看到我們兩個人時，我們在一家餐廳，我們在談論所有這些未來的事情。我們當中的一個人像這樣，另一個人像那樣。那是因為我們彼此同意。一旦我像這樣，他像那樣，那我們就麻煩了。
無論如何，我們總是關於特定領域的加速。在30 年的時間裡，我們在一個名為CUDA 的架構上累積了所有這些不同的DSL，特定領域的庫，有些是每個粒子的，有些是成像的，有些是AI 等等。
你在GTC 上做了一個很棒的演講，這非常了不起。正如我告訴Jensen 的，他下次需要一個更大的體育場。那個巨大的體育場沒有足夠的空間。所以下次你可能在Vegas 或任何你要去的地方。但是你突出了這麼多App，有水平使幾乎所有行業都能啟用。但然後有一些行業的影響可能會很大，就像你提到的生命科學，但你也談到了機器人技術，或自動駕駛。那麼是否有一個或兩個，你對短期內或中期內最興奮的，具有最大潛力的影響？
你提到的幾個行業剛好也是我非常興奮的三個行業。其中之一是數據中心或僅僅是計算。第二個是，你提到了汽車，但如果我可以將汽車抽象化為機器人，自主機器。自主系統或半自主系統，那個大類別，無論是汽車還是卡車，還是披薩送貨機器人或仿人機器人，自行機器人，這些系統有許多共同點。它們都需要有多個感測器，需要功能安全非常重要。
你設計計算機和驗證計算機，驗證計算機，認證計算機的方式非常重要，作業系統不是你正常的作業系統。這些作業系統就是我們的故障安全作業系統。所以你設計系統的方式非常細緻具體。
當然， AI 的使用非常昂貴。這些系統將始終連接到雲，連接到資料中心，以便它當然可以更新新的經驗，報告故障和新情況，然後下載新模型。
我喜歡整個自主系統領域，我們所有人在不久的將來將要建造的一整類新設備將是仿人機器人，你可以預見到仿人機器人的製造成本可能比人們預期的要低得多。為什麼它比1 ～2 萬美元還要多？你買汽車是1～2 萬美元。為什麼你不能有一個1～2 萬美元的人類或機器人？機器人很可能在一個為我們設計的環境中，在人類設計的世界中，比人類更靈活、更有功能。因此，裝配線是為人類設計的，倉庫是為人類設計的，很多事情都是為人類設計的，所以仿人機器人很可能在那種環境中更有生產力。
我喜歡我們將把生物學變成一個工程領域。科學發現過程非常重要，但它是零星的。這就是為什麼厄姆定律是正確的。順便說一下，如果我們不轉向加速計算，如果我們不去AI ，計算機行業將經歷厄姆定律。
原因非常清楚。我們做的工作量，我們做的運算量一直在增加。但CPU 擴展已經放緩，因此我們將享受計算成本的通膨而不是減少。因此，我們必須轉向加速運算以節省電力、節省時間、節省金錢。
無論如何，數位生物學將經歷一場全面的復興，科學和工程越來越接近。這是一個非常複雜的領域。顯然，我們在晶片設計中不談論薛定諤方程，因為我們改變了晶體管，直到我們可以避免薛丁格方程。
不幸的是，在生物學中，共價鍵，化學的工作方式，顯然薛丁格方程式是必要的。所以我們有很多需要創新的東西。但第一次，我們有必要的工具，計算系統，演算法，幫助我們處理非常大且非常混亂的系統，數據驅動的方法與你之前所說的原則性，原則性模擬方法的融合，這種融合可能會給我們一個機會。
因為無論如何，汽車將像自動駕駛一樣，可能是第一個機器人技術，但然後仿人機器人是另一個。最近在生物和現實中，在資料中心，所以那裡有一個大問題，即電力使用。
由Cadence 設計我們的資料中心，現在一台電腦就是整個資料中心。
你對AI 所消耗的電力，資料中心所消耗的電力有什麼看法？當然我們可以優化，但是我們還能做些什麼？其中一個方法是如果你做更多的加速計算。實際上，人們沒有意識到你的電力利用率肯定會下降。你對AI 和資料中心的電力消耗有什麼看法？
你剛才說的第一件事絕對是真的，加速計算的電力使用量非常高。原因是因為計算機非常密集，所以電力消耗很高。我們對電力利用率所做的任何優化都直接轉化為更多的性能。
這種性能可以衡量為，更多的生產力，產生更多的收入，或直接轉化為相同性能的節省。你可以買一個更小的東西，好嗎？加速運算中的電力管理直接轉化為你所關心的一切。我剛剛說了一些看起來正確的觀察。
實際上，你剛才說的第二件事會暗示它實際上完全是錯的。而我們所說的，以及任何根源的含義是，加速計算，正如你在演示中看到的，用數萬台通用伺服器，它們會消耗10～20 倍的能量，成本是20～30 倍，減少到一個非常密集的東西。
因此，加速計算的密度是人們認為它耗電和成本高昂的原因。但如果你用每個ISO 工作完成或ISO 吞吐量來看待它，實際上，你節省了大量的金錢。這就是為什麼CPU 擴充已經放緩，我們必須轉向加速運算，因為你不能繼續以傳統的方式進行擴充。因此，加速計算是必要的。
你在主題演講中強調的第二件事，必須非常仔細地註意。 AI 實際上幫助人們節省能源，如果沒有你創建的我們現在在工具中使用的AI 模型，我們將如何找到6% 的更多節省或10 倍的更多節省，這在沒有AI 的情況下是不可能的？
你投資一次模型的訓練，然後像我們這樣的數百萬工程師可以受益，數十億人將能夠在數十年中享受節省，這就是思考成本的方式，思考投資的方式，不僅僅是在實例基礎上，而是在醫療保健方面，你必須縱向地看待節省，看待氣候變化，看待金錢節省，能源節省，縱向地看待整個跨度，不僅僅是你正在建造的產品，而是你設計的產品的方式，以及產品使用的影響。當你像那樣縱向地看待它時， AI 將非常有助於幫助我們應對氣候變化，使用更少的電力，更加節能等等。
Jensen，你還有一個非常獨特的管理風格，你的領導風格是眾所周知的。飛行組織，快速決策，看到這些真是令人難以置信。而且有很多觀眾，工程師和經理和領導者。所以你對這些事情有什麼建議？如何轉變，因為將想法轉化為行動。
在視訊管理系統和領導哲學的核心，如果你願意，是創造條件，讓了不起的人可以做他們一生的工作。我只是描述了一個哲學，一個使命宣言，如果你願意，以及我自己和領導者的行為。所以問題是，我們能做些什麼來創造條件，讓人們可以做他們一生的工作？
最重要的一個面向是賦予他們訊息的力量。所以我不認為我做出的任何決定只有一個人需要聽到它，或者我需要在一對一的基礎上向某人耳語一些信息，因為其他人不配聽到它或不能聽到它，或者，太難以聽到或無論它是什麼。所以我傾向於在大型環境中做我的大部分工作，那裡有一個多樣化的專家團隊和貢獻者聚集在一起，我們只是解決問題，我們只是解決問題。所以這是第一點。
我還喜歡除了公司的挑戰和人們應該獲得的資訊的透明度之外，我還喜歡有機會在人們面前推理事情。這迫使我們提出建議，這些建議的方向基本上是建立在良好的推理上。所以透過強迫自己推理事情，我做了兩件事。當然，我正在影響他人。第二，教導其他人如何推理，以及將一個非常複雜、抽象的想法推理到我們確切應該做什麼的能力。
我們現在為什麼應該這樣做，或者現在不應該這樣做，大多數時候是關於現在不這樣做。我們根本不做這件事。這個推理過程對人們來說是非常賦權的，所以這就是Nvidia 如此之小的原因之一。
我們只有2.8 萬人，但我們的打擊力遠遠超出了我們的體重，因為幾乎每個人都被賦予了代表我做出好的、基於推理的、原則性的、第一原則的決策的能力。所以這就是我們做我們所做的事情的原因。
最後，你的組織屬性應該反映你製造的產品。 Nvidia 是一家全端公司，我們是完整的，我們就像你一樣，我們完全共同設計。
共同設計意味著你不應該只與硬體團隊一起做某事。你不應該只與軟體團隊一起做某事。你應該同時在所有事情上做某事，因為你正在這樣做。所以我試著創造一個環境，讓公司每個層面的專家和貢獻者都能同時參與解決問題，同時參與問題，這些都是一些原則。