新浪财经 产经

黄仁勋干货满满的两场最新对话:韧性在成功中很重要,未来10年算力将再提高100万倍

市场资讯

关注

来源:聪明投资者

2024年3月初,英伟达CEO黄仁勋回到母校美国斯坦福大学,参加了斯坦福商学院SIEPR经济峰会以及View From The Top 系列活动。

两场公开的回放视频中,黄仁勋详细谈到英伟达的市场价值定位、AGI(通用人工智能)发展、AI算力的增长,以及如何通过人类反馈将AI根植于人类价值观话题。

他没有谈到周末网上刷屏的“AI尽头是光伏和储能”这样的话题,事实上,我们甚至没有找到原出处。

但这两场对话,信息量很大。

黄仁勋坦言,AI技术缩小了人类的技术差距。

他称,目前大约有1000万人因为知道如何编程而有工作,这让其他80亿人“落后”,而接下来,如果生成式AI逐渐取代编程的话,编程技术将可能变得不那么有价值了。

“AI和未来与人交流没有什么不同。这是计算机科学行业对世界的伟大贡献。我们缩小了技术差距。”黄仁勋表示。

谈及AI算力,黄仁勋强调,在未来的10年里,英伟达将会把深度学习的计算能力再提高100万倍,从而让AI计算机不断训练、推理、学习、应用,并持续改进,未来不断将超级AI转变为现实。

“因此,我们会做更多的计算。我们会将计算的边际成本降低到接近零。”黄仁勋表示。

而在另一场斯坦福对话当中,黄仁勋谈及创办英伟达并获得资金的前后过程,并指出“我们正处于计算的世界”。

面对英伟达暴跌80%时的“低谷期”,黄仁勋坦言当时希望公司要回到事情的“核心”——坚持我所相信的,然后什么都不改变、继续前进。

黄仁勋还认为,液冷技术将成为AI算力的下一个趋势性领域。未来计算机的运算会高度依赖生成,而非基于检索。

他提到,“如果你对AGI的定义是通过人类的测试,那么我会告诉你,五年我们会通过所有的测试。

感谢钛媒体的完整翻译和修订,我们将这两场共计2.3万字的实录做了一些精简,把最值得关注的信息分享给大家。个别问题参考引用了公众号信息平权的翻译。

成为CEO之前的第一份工作是洗碗工

当时加入了 LSI Logic(一家总部位于美国加利福尼亚州圣荷西的电子公司),那是当时最棒的公司之一。决定离开去创业的原因?

是 Chris 和 Curtis(两位英伟达联合创始人、黄仁勋的好友)。当时我在 LSI 做工程师,他们在 Sun 工作。我当时跟 CS 领域最聪明的人共事,制造各种工作站包括图形工作站。

有一天Chris 和 Curtis 说,他们想离开 Sun 。他们想让我帮忙想想做什么好。

我成为CEO 之前的第一份工作是洗碗工,那份工作我做得很出色。总之,我们经常聚会,而那段时期正值微处理器革命。

那是在1992到1993年期间,PC革命才刚开始。革命性的Windows 95还没上市,奔腾处理器甚至还没发布。这一切都发生在 PC 革命爆发之前,显而易见,微处理器会非常重要。

于是我们想,为什么不创立一家公司解决通用计算机无法解决的问题呢?

这便成了公司使命:制造特殊的计算机解决通用计算机无法解决的问题。直到今天,我们还一直专注于此。

看看这些我们开拓的市场以及市场中的各种问题,比如计算机药物设计、天气模拟,材料设计,机器人,自动驾驶汽车,以及人工智能的自主软件。随后我们不断地推动着技术进步,最终计算成本接近于零。

这促成了一个全新的软件开发方式,计算机自己编写软件,也就是我们今天熟知的人工智能。就是这样。

那时,LSI 的 CEO 说服了他的最大投资者唐·瓦伦丁(Don Valentine,被誉为硅谷风险投资教父,红杉资本创始人)与你会面。如何说服硅谷最炙手可热的投资者投资你的?

Laurie和我当时银行里只有六个月左右的生活费,我们已经有了 Spencer和Madison,还有一条狗,所以我们一家五口只能靠手头这点存款生活。

因此我时间不多,我没有写商业计划书,而是直接去找了威尔弗雷德·科里根(Wilf Corrigan,LSI创始人及CEO,也曾担任过著名的仙童半导体的总裁兼CEO)

随后他拿起电话打给 唐·瓦伦丁,说:“唐,我要给您送个小伙子过去,我希望你能给他投资。他是我在LSI 最棒的员工之一。”

我学到的教训是:你可以忽悠一个精彩的面试,你也可能会把面试搞砸,但你无法逃避自己的过去,所以要把自己的“过去”做好。

从很多方面来说,我说我是个好洗碗工是认真的,我可能是Denny’s餐馆史上最好的洗碗工。

我有规划,注重组织有序,我准备工作很用心,然后全力以赴地清洗盘子,之后我被提拔为服务员,我是Denny’s最好的服务员。

我从不空手离开工作区,也不空手回来,我效率很高。总之,我最终成为了CEO,但我仍在努力成为一名优秀的CEO。

每件事情都是在创造技术、开拓市场

当公司的资金仅够维持6到9个月时,如何决定下一步怎么挽救公司?

我们创立了“加速计算”(英伟达)公司。问题是,它用来做什么?它的杀手级应用是什么?这就是我们做出的第一个重大决定,也是红杉投资的项目。

我们的第一个重大决定就是,首个重点应用领域是3D图形。技术将是3D图形,而具体应用程序将是电子游戏。

当时,廉价的3D图形技术是不可能做到的。硅谷图形芯片产品要上百万美元,做廉价版本很难。而电子游戏市场当时的价值是零美元、不存在。

你有一项难以商品化的技术,瞄准了一个尚未存在的市场。这个交集就是我们公司的创立点。

我还记得当我完成展示后,Don说了句话,当时很有道理,今天听来也是:“初创公司不该投资初创公司或者跟初创公司合作。”

他的观点是,为了让英伟达成功,我们需要另一家初创公司也取得成功,就是Electronic Arts。

我们意识到,为了把百万美元的计算机图形技术商品化,使其适配进入售价300美元、400美元、500美元范围的电脑,你不仅要创造新技术,还得发明新的计算图形处理方式。

同时你还需要去开拓全新的市场。因此,我们必须不断创造新技术、新市场。

这种“创造技术、开拓市场”的理念定义了我们公司。我们做的几乎每件事情都是创造技术、创造市场。这就是人们说的“生态链”的本质。

过去30年里,英伟达的核心领悟就在于:为了让别人购买我们的产品,我们必须亲手开拓这个新市场。

当时做的产品跟微软Direct 3D标准不兼容,怎么应对的?

我们不得不更改赛道,否则就只能倒闭。但我们不知道如何按照微软的方式来构建它。

我还记得那次会议上的讨论:我们现在有89个竞争对手,我们知道之前的方式不对,但我们不知道正确的方式是什么。

幸运的是,有个周末我带女儿Madison 去书店,然后就看到了这本书 OpenGL手册,定义了硅谷图形的计算机图形处理方式。一本 68 美元,我带了几百块钱,买了三本。

中间有大幅的折叠插页,这个插页就是OpenGL流水线计算机图形处理流水线。我把它交给了与我共同创办公司的那些天才手中。

我们以前所未有的方式实现了OpenGL流水线,构建出了世界从未见过的东西。

其中有很多经验教训。对我们公司来说,那一刻给了我们极大的信心:即使对所做的事情一无所知,也能成功创造出未来。

现在这就是我对任何事情的态度。当有人跟我说我没听过的事情,或者听说过但不懂原理,我的想法总是:能有多难呢?可能看本书就搞定了,可能找一篇论文就能搞清楚原理。

即使是今天的公司,我也经常回归本质,从头思考。我们今天思考软件、计算机的方式一直在改变。经常促使公司和自己回归问题本质,会创造出大量的机会。

专注于“工作重要性”这个最核心的问题

当苹果终于从树上掉下时,你正穿黑色皮夹克在等着接住它,如何做到如此确信的?

这总是感觉像是一个飞身接球,就像在飞身接球。你的行动源自于核心的信念。

我们坚信可以创造出一种计算机能解决一般计算无法解决的问题。我们相信CPU的能力是有极限的,通用计算的能力也有极限。同时我们也知道能去解决一些有趣的问题。

但这些问题只是有趣吗?还是能扩展成有趣的市场?只有当它们成为市场时才能保证可持续性。

英伟达有十年的时间在投资未来,但市场并不存在。当时只存在一个市场:计算机图形。

十几年的时间,推动我们今天发展壮大的市场根本不存在。那么,你该如何继续带领身边的所有人:公司、管理团队、优秀的工程师、股东、董事会、合作伙伴?

你带着所有人上路,但根本没有市场存在的证据。这是真的非常非常的具有挑战性。

我们有个短语叫EIOFS“未来成功早期指标”的缩写。我常使用这个词,它能帮助人们、给予公司希望。

 主持人  使用过哪些早期指标呢?

各种各样的都有。我看到过这样一篇论文,在此之前很久我遇到了需要我在“深度学习”领域提供帮助的人。那时,我甚至不知道深度学习是什么。

他们需要我们创建一个领域特定的编程语言,这样他们所有的算法都能在我们的处理器上轻松实现。

我们创造了这个叫做KU-DNN的东西。它本质上是在深度学习领域的SQL(数据库语言)。而SQL则应用在存储计算方面。

我们为深度学习创造了一门编程语言,就像是该领域的OpenGL。他们需要我们做这个,这样他们才能表达他们的数学计算。

他们不懂CUDA,但他们懂深度学习。我们在中间给他们创造了这个工具。

我们之所以这么做,是因为即使当时市场规模是零……这些研究员身无分文,即使看不到财务回报、遥遥无期,只要你相信,公司也愿意去做。

从创立之初,我们就一直是注重工作的重要性而非市场规模。因为工作的重要性是未来市场存在的早期指标。

我们应该去做那些“如果我们不做就会出问题”的事情。

 主持人 金融危机的时候,公司市值蒸发 80%,经历了非常艰难的时期。在那种情况下,是如何掌控局势、让员工专注目标?

我在那段时间的反应和过去一周的反应完全一样。

当然,股价跌了80%确实有点难堪。你只想穿一件“不是我的错”的T 恤出门。更糟的是你不想起床,不想出门。这些都很真实,但随后你还是得投入工作。

我在同一时间醒来,用同样的方式规划我的一天。我回归初心:我相信什么?你必须始终牢记核心,你相信什么?最重要的事情是什么?一项项确认。

这样做有帮助。家人爱我吗?是的,很好。你就得逐条确认。再回到你的工作核心,继续工作。

然后每一次对话都回到工作核心,让公司的注意力集中在核心上。

你坚信吗?有什么东西改变了吗?股价变了但还有其他东西变了吗?物理定律变了?万有引力变了?那些促使我们做出决定的事情,那些假设、那些信念有变化吗?

因为如果这些东西变了,那一切都得变。但如果它们不变,你也什么都不需要改变。继续走下去,这就是坚持的办法。

坚持做一件难度极高的事,擅长且热爱

你说生成式人工智能和加速计算已经达到临界点。随着这项技术变得越来越主流,你最兴奋的应用是什么?

你必须回归初心,问问自己什么是生成式人工智能?发生了什么事?我们有了可以理解事物的软件它们可以理解为什么……

我们将所有东西数字化了。

但是这意味着什么呢?通过大量学习、大量数据以及从模式和关系中,我们现在理解了它们的含义。

我们不是分开了解它们的。我们是在同一个上下文中学习口语、文字、段落和词汇。我们找到了它们之间的相关性,它们彼此都是有关联的。

现在,我们不仅理解了模态、每个模态的含义,我们还明白如何在它们之间进行转换。

显而易见的应用如:视频生成文本,就是字幕;文本生成图像如Midjourney;以及文本生成文本如ChatGPT,太神奇了。

我们现在知道,我们理解了含义,还可以转换。某些事物的转换等同于信息生成。

突然间,你得退后一步扪心自问,这会对我们所做的每一件事的每一层面带来什么影响?

我们处于计算的世界。未来我们处理信息的方式将从根本上改变。这就是英伟达制造芯片和系统的原因。我们编写软件的方式也会从根本上改变。

我们未来的软件类型会改变会催生新的应用程序。还有,这些应用程序的处理方式也会发生改变。

过去,模型基于检索预先记录的信息,我们编写文本、预先记录然后基于算法来检索。在未来,某些信息的种子将成为起点。我们称之为Prompt提示词,然后生成其它的内容。

未来的计算将高度依赖生成。举例来说我们现在正在聊天。我告诉给你们的信息很少是检索所得。大多数是生成的,这就叫做生成式人工智能(AIGC)。

未来计算机的运算会高度依赖生成,而非基于检索。

回到原点,你们创业时得自问哪些行业会因此被颠覆?我们还会对网络持有同样的看法吗?我们还会对存储持有同样的看法吗?我们还会像今天这样滥用互联网流量吗?可能不会。

 主持人 如果你闭上眼、神奇地改变关于明天的一件事,会是什么?

个人观点,世上有很多事我们无法控制,你的工作是做出独特贡献、有目标的生活,做一些只有你才能做或会去做的事。

做出独特贡献,在你离开世界后,大家会觉得因为有你,世界变得更好了。对我来说我就是这样过日子的。

我会快进到未来再往回看。我会往回看,翻看历史。我们用这种做法、那种方式解决了某些问题……说得通吗?

这有点像你们解决问题的方式。你搞清楚最终想要的结果,然后反推实现它的方法。所以我设想英伟达为推动计算领域发展做出独特贡献,因为计算是推动整个人类进步的最大动力。

这不是自我吹捧,而是因为这是我们擅长的领域,且难度极高。

到今天,公司已经走过了31年,但我们的征途才刚开始。这是极难的目标。

当我回首往事时我相信我们会被铭记,成为一家改变了世界的公司,不是因为我们到处宣讲通过言行改变世界,而是因为我们坚持做一件难度极高的事,这件事是我们擅长、热爱而且做了很久。

安全和AI之间的界限将会变得模糊且紧密交融

是否对我们开发AI的速度感到任何担忧?

答案是肯定的也是否定的。现代AI最伟大的突破是深度学习,有了长足的进步。

但另一个不可思议的突破是人类常有、常使用的一项能力,就是强化学习、人为反馈。这就是我的工作。

如今,我们才弄清楚如何将这个系统性地应用在人工智能上。还有很多其它防范手段:例如,微调、基础。

目前,有些模型生成的物体会在太空中飘、不遵循物理定律。这需要技术来解决。防范需要技术,微调需要技术,使AI与人类目标相一致需要技术,安全也需要技术。

飞机之所以安全,是因为所有的自动驾驶系统,都由多样性和冗余性系统支持,还有各种各样新发明的功能安全和主动安全系统。我们需要更快、更快速地发明出所有与之类似的技术。

安全和人工智能之间的界限将会变得模糊且紧密交融。在网络安全领域,我们需要技术非常、非常快速地进步才能保护我们免受人工智能的伤害。

从很多方面来看,我们需要技术更快推进,远比现在快得多。

AI给社会带来的影响,如何应对呢?我没有很好的答案。重要的是把这一切划分成很多个子问题,这样我们才不会过度聚焦于一个领域,而忘记了大量常规领域还可以做的事。

我们应该确保在这些常规的领域务实地做到位。

计算的边际成本降低到接近零,让很多可能性发生

过去,半导体技术发展突破是晶体管,现在这是一个非常基础的发明。应该重新思考技术突破要变成人工智能吗?

首先,晶体管显然是一个伟大的发明,但最伟大的能力是它使得软件成为可能。人类能够以可重复的计算方式表达我们的想法和算法,这是突破。

我们公司在过去31年里致力于一种新的计算形式,称为加速计算。我们的想法是,通用计算并不适用于每一个工作领域。

我们启用了一种新的软件开发方式,过去是由人类编写的。现在我们可以让计算机来编写软件,因为计算成本接近零。

在过去的10年里,我们将深度学习的计算成本降低了100万倍。

大型语言模型,从互联网上提取所有的数字人类知识,将其放入计算机中,让它找出知识是什么。

这个想法,将整个互联网的内容刮取出来,放入一台计算机中,让计算机找出程序是什么。

这是一个疯狂的概念,但如果没有将计算的边际成本降低到零,你永远不会考虑去做它。

我们取得了这个突破。现在我们启用了这种新的软件开发方式。

人工智能,这是我们称之为加速计算的新形式,我们花了三十年时间去做,可能是计算机行业最伟大的发明。

我知道你们正在推出H200,计划每年升级一次。那么,5年后的H700,会让我们做到我们现在做不到的事情吗?

下一个即将到来的是液冷技术,它以数据中心的规模进行计算。在未来的10年里,我们将深度学习的计算能力再提高100万倍。

当你这样做时,会发生什么?今天我们学习,然后我们应用。我们去训练推理,我们学习,然后我们应用。

在未来,我们将有持续学习,并可以决定是否将那个持续学习的结果部署到世界上的应用中,但计算机将观察视频和新文本,并从所有互动中不断改进自己。

学习,训练,推理,部署,应用过程都将成为一体。这就是我们所做的。

推理、训练、应用这套强化学习循环将是持续的,而强化学习将基于实时通过互动以及我们实时创造的合成数据。

就像当你学习时,你获取信息的片段,然后你从第一原理开始,在我们的大脑中进行模拟,想象状态,未来状态在很多方面对我们来说表现为现实。

未来的人工智能计算机也会这样做。它会进行合成数据生成,它会进行强化学习,它将继续以真实世界的经验为基础。

它会想象一些事情,它会用真实世界的经验来测试它。它会以此为基础,不断地循环往复。

当你能够将计算的边际成本降低到接近零时,就会有很多新的方法去做你愿意做的事情。

这和我愿意去更远的地方没有什么不同,因为交通的边际成本已经降到了零。我可以相对便宜地从这里飞到纽约。如果它需要一个月,我可能永远不会去。

这和我们所做的每件事都是一样的,我们将计算的边际成本降低到接近零。因此,我们会做更多的计算。

推理芯片的难点在于需要庞大的安装基础

最近有一些报道说英伟达在推理市场上将面临比训练市场更多的竞争。但你所说的实际上是一个市场。能评论一下吗? 

今天,每当你提示英伟达,无论是ChatGPT还是Copilot,Mid-Journey,或者你现在使用的服务平台,你正在做推理。推理就在其中。

它为你生成信息。每当你这样做时,背后的是什么?几乎100%都是英伟达的GPU。

现在推理难还是容易?很多人看到训练时会说,这看起来太难了。你必须为了证明某事是否有效而投入20亿美元。

你投入了20亿美元,两年时间,然后你打开它,发现它并不是很有效。探索新事物的风险对客户来说太高了。

所以很多竞争对手倾向于说我们不做训练,我们做推理芯片。

但其实,推理非常困难。推理的响应时间必须非常快,这是计算机科学部分,反而是容易得。

推理的难点在于,做推理的人的目标是吸引更多的用户,并将其软件应用于庞大的安装基础。

推理是一个安装基础问题,这和在iPhone上推出的APP是类似的。因为iPhone有一个如此庞大的安装基础,在上面编写应用程序,将受益于能够触及每个人。

在英伟达的情况下,我们的加速计算平台CUDA是唯一真正无处不在的加速计算平台。

因为我们已经在这方面工作了很长时间,如果你为推理编写了一个应用程序,并在视频架构上部署了那个模型,它实际上可以在任何地方运行。

所以你可以触及每个人。你可以产生更大的影响。推理的问题实际上是安装基础。这需要巨大的耐心和多年的成功和奉献,以及对架构、兼容性等方面的投入。

怎么看待像AMD等竞争对手的威胁?

首先,我们比地球上任何人都有更多的竞争对手。我们不仅有来自竞争对手的竞争,我们还有来自客户(云计算)的竞争。

但我不仅向他们展示我当前的芯片,还向他们展示我的下一个芯片,我还会展示我的芯片适配器。

原因是,你看,如果你不尝试解释你为什么擅长某件事,他们永远不会有机会购买你的产品。

所以我们在与行业里的几乎每个人合作时都是完全开放的。诚然你可以为构建一款特定芯片(ASIC),但记住,计算不仅仅是Transformers,更何况我们正在不断地发明新的transformer变种。

软件的类型非常丰富。软件工程师喜欢创造新事物,英伟达擅长的是加速计算,我们的架构不仅能加速算法,而且是可编程的,我们可以加速量子物理、加速所有的流体和粒子代码等等广泛领域。

其中之一是生成式AI。对于那些希望拥有大量客户的数据中心来说,金融服务或者制造业,我们都是一个出色的标准。

我们存在于每一个云服务中,每一个计算机公司中。我们的架构经过大约30年成为了一种标准,这就是我们的优势。如果客户可以(在此基础上)做一些特定的事情,那更具有成本效益。

记住,我们的芯片只是一部分。当你看到现在的计算机时,它是一个数据中心,你需要运营它。所以购买和销售芯片的人考虑的是芯片价格。

运营数据中心的人考虑的是运营成本、性能、部署时间及利用率等等,我们的总运营成本(TCO)非常好。即使竞争对手的芯片是免费的,整体算下来它也不够便宜。

我们的目标是增加更多的价值。这需要很多努力,我们必须不断创新,更不能掉以轻心。

5年之内,AGI可以通过人类的测试

你认为我们什么时候会实现人类水平的通用人工智能?是50年后吗?还是5年后? 

我会给出一个非常具体的答案,但首先让我告诉你一些正在发生的非常令人兴奋的事情。

首先,我们正在训练的这些模型是多模态,这意味着我们将从声音中学习,从文字中学习,从视觉中学习,就像我们所有人一样,看电视并从中学习。当然这是ChatGPT真正创新的地方,也就是RLHF。

但直到强化学习,人类将AI都锚定在我们认为好的人类价值观上。

现在,你能想象,你必须生成图像和视频,AI知道手不会穿透讲台,踩在水上时你会掉进去,所以现在AI开始锚定在物理上。

AI观看大量不同的例子,比如视频,来学习这个世界被遵守的规律。它必须创建一个所谓的世界模型。所以,我们必须理解多模态性,还有其他模态,比如基因、氨基酸、蛋白质、细胞等等。

第二点,就是AI会具有更强更强的推理能力,我们人类所做的很多推理,都编码在常识中。常识是我们所有人类认为理所当然的能力。

互联网上有很多我们已经编码好的推理和知识,模型可以学习。还有更高层次的推理能力,例如现在你问我问题,大部分的问题,我的确像生成式模型一样快速生成。

但有些问题,我需要想想,也就是规划。这种很多的“long thinking”,AI并不擅长。你输入到ChatGPT的一切,它都会立即回应。

我们希望输入到ChatGPT的某个问题,给它一个目标,给它一个使命,它能思考一会儿。

所以,这种系统,计算机科学称之为系统2,或者长思考,或规划。我认为我们正在研究这些事情,你将看到一些突破。

所以在未来,你与人工智能的互动方式将会非常不同。有些只是给我一个问题,我会给你答案。有些是说,这里有一个问题,去工作一会儿,明天告诉我。它会做尽可能多的计算。

你也可以说,我给你这个问题,你可以花费1000美元,但不要超过这个数额,然后它会在明天给出最好的答案。

所以,回到AGI的问题,AGI的定义是什么?事实上,这是现在最先需要回答的问题。

如果给AI很多数学测试、推理测试、历史测试、生物学测试、医学考试,以及律师考试,甚至包括SAT、MCAT等等,你把这些测试列出来,摆在计算机科学行业面前,我猜在5年内就会在每一个测试上都做得很好。

所以,如果你对AGI的定义是通过人类的测试,那么我会告诉你,五年我们会通过所有的测试。

但如果你稍微换一种方式问我,AGI是拥有人类的智能,那么我不确定如何具体定义人类的所有智能,没有人真正知道,因此这很难实现,但我们都在努力让它变得更好。

韧性在成功中很重要

根据你的预测,未来5到10年,为了支持人工智能的发展,需要多少额外的半导体制造能力?

实际上,我非常不擅长预测,但我非常擅长基于第一原则的推理。所以让我先为你推理。

我不知道需要多少晶圆厂,但我知道一件事。我们现在做计算的方式。信息是由某人编写的,由某人创建的。

基本上是预先录制的所有文字,所有视频,所有声音。我们所做的一切都是基于检索的。

在未来,因为我们将拥有一个理解当前情况的AI,因为它可以接入世界上所有最新的新闻等等,这被称为基于检索的。

它理解你的上下文,意味着它理解你问的是什么。当你和我谈论经济时,我们可能意味着非常不同的事情。基于那个,它可以为你生成完全正确的信息。

所以在未来,它已经理解了上下文。而且大部分计算将是生成性的。今天,100%的内容都是预先录制的。如果在未来,100%的内容将是生成性的。

问题是,这将如何改变计算的形状,而不会让你感到困扰?这就是我推理的方式。

我们需要多少网络?我们需要多少内存?答案是,我们需要更多的晶圆厂。

但请记住,我们也在极大地提高算法和处理的效率。并不是说计算的效率就是今天的样子。与此同时,需求正在上升。

这必须相互抵消。然后还有技术扩散等等。这只是时间问题,但这并不改变这样一个事实,那就是有一天,世界上所有的计算机都将100%地改变。

每一个数据中心,价值数万亿美元的基础设施,将完全改变。然后还会有新的基础设施建立在那个基础上。

对于计算机或者工程学专业的学生,你会给他们什么建议,来提高成功的机会?

我认为我的一大优势是,我期望值很低。我认为大多数斯坦福毕业生期望值很高。

期望值很高的人通常韧性很低。不幸的是,韧性在成功中很重要。我不知道如何教你们,除了我希望痛苦发生在你们身上。

我很幸运,我成长的环境中,我的父母为我们提供了成功的条件,但同时,也有足够的挫折和痛苦的机会。

直到今天,我在我们公司里常常使用“痛苦和折磨”这个词。

伟大不是智力,伟大来自于性格。聪明人需要经历痛苦才能打造出这样的性格。

更多黄仁勋关于人工智能、芯片等话题的观点,公众号后台回复关键词“黄仁勋”,阅读更多相关内容~

责任编辑:刘万里 SF014

加载中...