“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。
本文来自微信公众号：量子位（ID：QbitAI），作者：一水