黄仁勋:我从来不在乎市场份额。英伟达的唯一目标是创造新的市场。

黄仁勋最好的采访就是我听说过的！

英伟达CEO黄仁勋的一次炉边谈话再次引发热议：

英伟达从未有一天讨论过。市场份额。

我们所讨论的只是：如何创造下一个项目？怎样把过去需要一年才能完成的飞轮缩短到一个月？

老黄对Azure和AWS等正在独立构建ASIC芯片云计算的大客户进行了描述：

企业受鱼塘大小的限制，唯一的目的就是用想象力来扩大鱼塘。(指创造新的市场)

当然，除了提到英伟达，老黄还讨论了AGI的智能拓展、机器学习的加速、推理和训练的重要性...

虽然时间很感人(将近一个半小时)，但是一大波网友已经看完并交了工作(开始卷起来吧！)

网民：学习！学习！

黄仁勋：未来推理的增长将远远大于训练

因为视频比较长，量子位先直接给大家敲重点，老黄的主要观点包括(省流版)：

口袋里的AI助手很快就会以某种形式出现，尽管最初可能并不完美；

在建立GPU方面，英伟达的竞争优势是、CPU、从网络到软件和库全栈平台；

人工智能的拓展重点已经从训练开始了转移到训练后和推理；

推理（inference）时计算将成为一种全新的智能扩展向量；

未来推理的增长将远远超过训练的增长；

闭源和开源将并存，开源模型可用于在特定领域建立应用程序；

……

(以下为重点部分整理)

Q：关于个人AI助手的发展前景，你认为我们什么时候在口袋里安装一个无所不知的AI助手？

A：很快就以某种形式出现了。。这位助手一开始可能并不完美，但是随着时间的推移会不断完善，这是技术发展的必然规律。

Q：现在AI领域的发展变化速度是你见过的最快的吗？

A：是啊，这是因为我们重新创造了计算。过去10年来，减少了我们计算的边际成本10万倍，而且按摩尔定律可能只会减少。100倍。

通过以下方法，我们实现了这一点：

介绍加速计算，将原本在CPU上效率低下的工作转移到GPU上

发明新的数值精度

开发新架构(如张量核心)

选择高速内存(HBM)

通过MVLink和InfiniBand实现系统扩展

这一快速发展使我们从人工编程转向机器学习，整座技术栈正在迅速创新和进步。

Q：在模型扩展方面有什么变化？

A：过去，我们主要关注预训练模型的扩展(重点是模型大小和数据规模)，这使得计算能力每年增加4倍。

如今我们可以看到后训练(post-training)而且推理阶段也在扩大。人的思维过程不可能一次完成，而应该是快速思考、慢思考、推理、反思、迭代和模拟等环节。

而且，以前人们觉得预训练难，推理简单，但是现在很难了。

Q：你认为NVIDIA今天的优势是比3-4年前更大还是更小？

A：实际上更大。在过去，人们认为ic设计就是追求更多的FLOPS和性能参数，这种想法已经过时。

今天的关键在于整个机器学习系统。数据流水线(flywheel)，因为机器学习不仅仅是软件编程，还涉及到整个数据处理过程。AI从一开始就需要参与数据管理。数据收集、整理、训练前准备等每一个环节都非常复杂，需要大量的处理工作。

Q：Nvidia在芯片制造和设计上与Intel等公司有何不同？

A：Intel的优势在于x86串行处理芯片的生产和设计更快，而Nvidia采取了不同的策略：

并行计算，不需要每一个晶体管都非常优秀。

与较少但更快的晶体管相比，我们更倾向于使用更多但更慢的晶体管。

宁可有10倍数量、20%速度的晶体管，也不要有10倍数量、20%速度的晶体管。

Q：Trainiumm，定制ASIC(例如Meta的推理加速器，亚马逊的Trainium、GoogleTPU)以及供应短缺的情况，这些是否会改变与NVIDIA的合作趋势？

A：所有这些都在做不同的事情。NVIDIA旨在为这个新的机器学习、生成AI和智能Agent世界搭建一个计算平台。

在过去的60年里，从编程模式到处理器架构，从软件应用到人工智能，我们重新创建了整个计算技术栈，各方面都发生了变化。我们的目标是创建一个无处不在的计算平台。。

Q：作为一家公司，NVIDIA的关键目的是什么？

A：构建一个无处不在的架构平台。我们不是在争夺市场份额，而是在创造市场。我们专注于创新和处理下一个问题，使技术进步更快。

Q：NVIDIA对竞争者和合作伙伴的态度是什么？

A：我们对竞争非常清醒，但是这并没有改变我们的使命。让我们去AWS、合作伙伴Azure等合作伙伴提前分享路线图，即使他们正在开发自己的芯片，也要保持透明。对开发者和AI初创企业而言，我们提供CUDA作为统一入口。

Q：如何看待OpenAI？如何看待它的崛起？

A：OpenAI是我们这个时代最重要的公司之一。虽然AGI的实际定义和时间点不是最重要的，但是AI能力的发展路线图会非常壮观。AI已经在各行各业创新了工作模式，从生物学家到气候研究人员，从游戏设计师到制造工程师。

我很欣赏OpenAI推动这个领域的速度和决心，也很高兴能够支持下一代模型。

Q：您认为模型层是否正在进行商业化，以及它对模型公司的影响是什么？

A：模型层正在商业化，Llama的出现促使建模更便宜。这将导致模型公司的整合，只有那些拥有经济引擎并且能够持续投资的公司才能生存。

Q：您如何看待未来的AI模型，以及模型与人工智能的区别？

A：模型是人工智能不可缺少的一部分，但是人工智能是一种能力，在不同的领域需要应用。我们将看到模型层的发展，但更重要的是如何在不同的使用场景中应用人工智能。

Q：你怎样看待X公司，以及他们在建立大型非常集群方面的成就？

A：他们在19天内建立一个拥有100,000个GPU的超级计算机集群(通常需要3年时间)。它显示了我们平台的力量，以及我们能够将整个生态系统集成在一起的能力。

Q：是否认为分布式计算和推理扩展将发展成更大的规模？

A：是啊，我对此非常热情和乐观。作为一种全新的智能扩展向量，推理时计算，不同于只建造更多的模型。

Q：是否有许多事情只能在人工智能的运行中完成？

A：是啊，很多智能工作不能先验地完成，许多事需要在运行时完成。。

Q：你怎样看待人工智能的安全？

A：我们应该构建安全的人工智能，并与政府机构合作。为了确保人工智能的安全，我们已经建立了许多系统，我们需要确保人工智能对人们有益。

Q：每个人公司40%以上的收入来自推理，推理的重要性是否因为推理链而大大增加？

A：是的，推理链使推理能力提高了十亿倍，这是我们面临的工业革命。未来推理的增长将远远大于训练的增长。

Q：大家如何看待开源和闭源人工智能模型的未来？

A：开源模型和闭源模型都将存在，它们是不同行业和应用的必要条件。开源模型有利于激活多个行业，而闭源模型则是经济模型创新的引擎。

你觉得以上这些怎么样？请在评论区留言讨论。

参考链接：

[1]https://x.com/StartupArchive_/status/1848693280948818070

[2]https://www.youtube.com/watch?v=4jQQburCR4jQ

本文来自微信微信官方账号“量子位”，作者：一水，36氪经授权发布。

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com