黄仁勋：我从不在乎市场份额、英伟达唯一目标是创造新市场

“这是我听过的黄仁勋最好的采访！”

英伟达CEO黄仁勋的一场炉边谈话再次引起热议：

英伟达从来没有一天谈论过市场份额。

我们所讨论的只是：如何创造下一个东西？如何将过去需要一年才能完成的飞轮缩短到一个月？

面对Azure和AWS等正在自主构建ASIC芯片的云计算大客户，老黄打了个比喻：

公司受到鱼塘大小的限制，唯一的目标是用想象力扩大鱼塘。（指创造新市场）

当然了，除了提及英伟达，老黄还讨论了AGI的智能扩展、机器学习的加速、推理与训练的重要性……

虽然时长感人（近1个半小时），但一大波网友已经看完并交起了作业（开始卷了是吧！）

网友：学起来！学起来！

黄仁勋：未来推理的增长将远大于训练

鉴于视频较长，量子位先直接给大家划重点了，老黄的主要观点包括（省流版）：

“口袋里的AI助理”将很快以某种形式出现，尽管最初可能会不完美；

英伟达的竞争优势在于建立了从GPU、CPU、网络到软件和库的全栈平台；

扩展人工智能的重点已从训练前转移到训练后和推理；

推理（inference）时计算将作为一个全新的智能扩展向量；

未来推理的增长将远大于训练的增长；

闭源和开源将共存，开源模型可能用于创建特定领域的应用程序；

……

（以下为重点部分整理）

Q：关于个人AI助理的发展前景，您认为我们何时能在口袋里装上一个无所不知的AI助理？

A：很快就会以某种形式出现。这个助理一开始可能不够完美，但会随着时间推移不断改进，这是技术发展的必然规律。

Q：目前AI领域的发展变化速度是否是您见过最快的？

A：是的，这是因为我们重新发明了计算。在过去10年里，我们将计算的边际成本降低了10万倍，而按照摩尔定律可能只能降低100倍。

我们通过以下方式实现了这一点：

引入加速计算，将原本在CPU上效率不高的工作转移到GPU上

发明新的数值精度

开发新架构(如张量核心)

采用高速内存(HBM)

通过MVLink和InfiniBand实现系统扩展

这种快速发展使我们从人工编程转向了机器学习，整个技术栈都在快速创新和进步。

Q：模型规模扩展方面有哪些变化？

A：以前我们主要关注预训练模型的扩展（重点在模型大小和数据规模），这使得所需计算能力每年增加4倍。

现在我们看到后训练(post-training)和推理阶段也在扩展。人类的思维过程不可能是一次性完成的，而是需要快思维、慢思维、推理、反思、迭代和模拟等多个环节。

而且，以前人们认为预训练难，推理简单，但现在都很难了。

Q：与3-4年前相比，您认为NVIDIA今天的优势是更大还是更小？

A：实际上更大了。过去人们认为芯片设计就是追求更多的FLOPS和性能指标，这种想法已经过时。

现在的关键在于整个机器学习系统的数据流水线(flywheel)，因为机器学习不仅仅是软件编程，而是涉及整个数据处理流程。从一开始的数据管理就需要AI参与。数据的收集、整理、训练前的准备等每个环节都很复杂，需要大量处理工作。

Q：与Intel等公司相比，Nvidia在芯片制造和设计方面有什么不同的策略？

A：Intel的优势在于制造和设计更快的x86串行处理芯片，而Nvidia采取不同策略：

在并行处理中，不需要每个晶体管都很出色

我们更倾向于使用更多但较慢的晶体管，而不是更少但更快的晶体管

宁愿有10倍数量、速度慢20%的晶体管，也不要数量少10倍、速度快20%的晶体管

Q：关于定制ASIC(如Meta的推理加速器、亚马逊的Trainium、Google的TPU)以及供应短缺的情况，这些是否会改变与NVIDIA的合作动态？

A：这些都是在做不同的事情。NVIDIA致力于为这个新的机器学习、生成式AI和智能Agent世界构建计算平台。

在过去60年里，我们重新发明了整个计算技术栈，从编程方式到处理器架构，从软件应用到人工智能，每个层面都发生了变革。我们的目标是创建一个随处可用的计算平台。

Q：NVIDIA作为一家公司的核心目的是什么？

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。我们专注于创新和解决下一个问题，让技术进步的速度更快。

Q：NVIDIA对待竞争对手和合作伙伴的态度是什么？

A：我们对竞争很清醒，但这不会改变我们的使命。我们向AWS、Azure等合作伙伴提前分享路线图，保持透明，即使他们在开发自己的芯片。对于开发者和AI初创公司，我们提供CUDA作为统一入口。

Q：对OpenAI的看法如何？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的具体定义和时间点并不是最重要的，但AI能力的发展路线图将会非常壮观。从生物学家到气候研究者，从游戏设计师到制造工程师，AI已经在革新各个领域的工作方式。

我非常欣赏OpenAI推进这一领域的速度和决心，并为可以资助下一代模型感到高兴。

Q：您认为模型层是否正在走向商品化，以及这对模型公司的影响是什么？

A：模型层正在商品化，Llama的出现使得构建模型变得更加便宜。这将导致模型公司的整合，只有那些拥有经济引擎并能够持续投资的公司才能生存。

Q：您如何看待AI模型的未来，以及模型与人工智能之间的区别？

A：模型是人工智能必不可少的组成部分，但人工智能是一种能力，需要应用于不同的领域。我们将看到模型层的发展，但更重要的是人工智能如何应用于各种不同的应用场景。

Q：您如何看待X公司，以及他们建立大型超级集群的成就？

A：他们在19天内（通常需要3年）建造了一个拥有100，000个GPU的超级计算机集群。这展示了我们的平台的力量，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会发展到更大规模？

A：是的，我对此非常热情和乐观。推理时计算作为一个全新的智能扩展向量，与仅仅构建更大的模型截然不同。

Q：在人工智能中，是否很多事情只能在运行时完成？

A：是的，很多智能工作不能先验地完成，很多事情需要在运行时完成。

Q：您如何看待人工智能的安全性？

A：我们必须构建安全的人工智能，并为此需要与政府机构合作。我们已经在建立许多系统来确保人工智能的安全性，并需要确保人工智能对人类是有益的。

Q：你们公司超过40%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：没错，推理链让推理的能力提高了十亿倍，这是我们正在经历的工业革命。未来推理的增长将远大于训练的增长。

Q：你们如何看待开源和闭源人工智能模型的未来？

A：开源和闭源模型都将存在，它们对于不同的行业和应用都是必要的。开源模型有助于激活多个行业，而闭源模型则是经济模型创新的引擎。

对于上述这些，你怎么看？欢迎在评论区留言讨论。

参考链接：

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

[2]https://www.youtube.com/watch?v=bUrCR4jQQg8

本文 狮子狗个人网站 原创，转载保留链接！网址：https://m.9377news.com/post/27958.html