Глубокое интервью с Дженсеном Хуангом: бум экономики токенов, капитализация Nvidia в 10 триллионов долларов — это неизбежно

Автор: Лун Юэ

Источник: Wall Street Views

Недавно генеральный директор NVIDIA Дженсен Хуанг стал гостем известного техноподкаста Lex Fridman Podcast, где в ходе двухчасового глубокого интервью обсудил ключевые темы: законы масштабирования (Scaling Laws), ограничения вычислительной мощности и энергетики, заводы по производству ИИ, взгляды компании на будущее, а также влияние искусственного интеллекта на человеческое общество.

Токены стали совершенно новым товаром: доля вычислений в мировом ВВП вырастет в 100 раз

Ключевая мысль Дженсена Хуанга заключается в том, что фундаментальная природа вычислений претерпела радикальный скачок — от ранее использовавшихся человеком систем «хранения», где компьютеры лишь извлекали заранее записанные данные, к системам «генерации», обладающим контекстным пониманием.

Ещё важнее то, что изменилась роль компьютеров в реальной экономике. Раньше компьютеры были системой поиска, чьё основное назначение — хранение файлов. Хуанг сравнивает их с «складом», который сам по себе не приносит высокой прибыли.

Сейчас ИИ-компьютеры превратились в «фабрики», напрямую связанные с созданием доходов компаний. По его словам, ИИ-производственные линии создают товар под названием «токен», который уже сегментирован и имеет свою цену.

«Мы видим, что эти фабрики производят товары, которые люди хотят потреблять, и при этом создаваемые ими токены имеют огромную ценность для самых разных аудиторий. Более того, они начинают делиться на уровни, как iPhone: есть бесплатные токены, есть премиальные токены и токены среднего уровня», — отметил Хуанг. «Уже в ближайшем будущем кто-то будет готов платить 1000 долларов за миллион токенов. Вопрос не в том, произойдёт ли это, а в том, когда именно это случится».

Благодаря такой модели «фабрики токенов» вычислительные устройства совершили переход от центров затрат к центрам прибыли.

Хуанг твёрдо уверен в этом макротренде: «Если производительность значительно возрастёт, мировой ВВП начнёт расти ускоренными темпами. Я абсолютно уверен, что будущая доля ВВП, выделяемая на вычисления, будет в 100 раз выше нынешней».

Стремление к капитализации в 10 триллионов долларов? Хуанг: рост неизбежен

Опираясь на свою экономическую теорию о «токенах», Хуанг ответил на дискуссию о том, сможет ли NVIDIA достичь новой вершины капитализации в 10 триллионов долларов.

Он заявил: «Эта цифра (10 трлн) — просто число». Но он чётко уточнил: «Рост NVIDIA крайне вероятен и, на мой взгляд, неизбежен. Достичь масштаба выручки в 3 триллиона долларов в будущем вполне реально».

Решение проблемы энергии: использование простаивающих мощностей и создание датацентров с функцией «плавного снижения нагрузки»

Отвечая на вопросы о瓶颈 развития ИИ, Хуанг прямо сказал: «Энергия — это опасение, но не единственное». Он предложил два параллельных пути: дальнейшее повышение энергоэффективности и поиск новых способов получения энергии.

В области энергоэффективности он подчеркнул, что главным показателем является «количество токенов в секунду на ватт», и назвал «прецизионный совместный дизайн» инструментом повышения эффективности: «Цены на наши компьютеры растут, но эффективность генерации токенов увеличивается быстрее, поэтому стоимость токена снижается… ежегодно на порядок».

Что касается «получения энергии», он предложил более конкретный подход: электросети проектируются с расчётом на экстремальные пиковые нагрузки, большую часть времени простаивая. Хуанг пояснил: текущие электросети рассчитаны на рекордные пики (плюс запас прочности) в периоды экстремальных погодных условий. «99% времени наша электросеть никогда не достигает наихудшего сценария». Обычно системы работают примерно на 60% от пиковой нагрузки.

Чтобы использовать эту простаивающую энергию, он считает необходимым изменить строгие контракты между облачными провайдерами и энергетическими компаниями, отказавшись от слепого преследования абсолютной доступности в «шесть девяток» (99,9999%).

«Нам необходимо строить датацентры, способные „плавно снижать нагрузку“ (gracefully degrade)», — объяснил Хуанг. «Когда сеть говорит: „Нам нужно снизить ваше питание до 80%", датацентр может перераспределить критические нагрузки или снизить скорость вычислений. Качество обслуживания немного ухудшится, но мы сэкономим энергию».

Цепочка поставок и память: интеграция 200 поставщиков и заблаговременная подготовка HBM

Реагируя на опасения рынка относительно того, что оборудование ASML для литографии, передовой монтаж CoWoS от TSMC и другие звенья могут стать bottleneck'ами производства ИИ, Хуанг заявил, что не беспокоится. Он сказал: «Я говорю им, что мне нужно, а они рассказывают, как собираются это сделать. Я верю им».

В области системной инженерии NVIDIA глубоко меняет модель制造 инфраструктуры. Хуанг раскрыл, что только один стеллаж Vera Rubin включает от 1,3 до 1,5 миллионов компонентов, объединяющих технологии 200 поставщиков.

Чтобы обеспечить такую высокую плотность взаимодействия (например, через NVLink-72), традиционная модель сборки компонентов непосредственно в датацентрах полностью устарела. NVIDIA перенесла сборку «суперкомпьютеров» из датацентров в этап制造 цепочки поставок. Теперь стеллажи должны быть полностью собраны на производстве и отправляться целиком весом в две-три тонны. Это означает, что сама цепочка поставок должна обладать гигаваттными (GW) резервами электроэнергии для тестирования всей системы до отгрузки.

В сфере памяти (Memory), которая чаще всего становится bottleneck'ом, Хуанг раскрыл, что около трёх лет назад уровень использования HBM (памяти с высокой пропускной способностью) был минимальным, и её практически не встречали даже в суперкомпьютерах. Однако тогда он сумел убедить нескольких генеральных директоров крупных производителей памяти поверить, что HBM станет стандартом для датацентров будущего, что побудило индустрию активно инвестировать в расширение производства.

Кроме того, он нарушил традиции, добившись от поставщиков адаптации низкопотребляющей памяти (LPDDR), изначально предназначенной для смартфонов, и внедрения её в суперкомпьютерные решения.

«Вывод — это мышление»: от обучения и тестового вывода к «масштабированию агентов»

Касаясь законов масштабирования ИИ (Scaling Laws), Хуанг разделил развитие ИИ на четыре «закона масштабирования»: предварительное обучение, дополнительное обучение, масштабирование во время тестирования и масштабирование агентов.

Вспоминая опасения по поводу «истощения данных», он сказал: «Мы будем продолжать увеличивать объём обучающих данных… большая часть из них будет синтетической». Он сделал прогноз: «Обучение больше не ограничено данными; теперь вычислительная мощность ограничивает данные».

По поводу вычислительной интенсивности на этапе вывода он ответил ещё прямее: «Вывод — это мышление, и я считаю, что мышление — сложное дело... Как это может быть легко для вычислительных ресурсов?» Он считает, что масштабирование во время тестирования включает «推理, планирование, поиск» и приведёт к росту спроса на вычислительные мощности для вывода.

Самая глубокая рвы, проблемы космических вычислений и оценка Маска

Когда его спросили о самом большом рве NVIDIA, Хуанг чётко указал на колоссальную базу установленного оборудования CUDA и экосистему доверия.

«Это заслуга не трёх человек, а совместных усилий 43 000 сотрудников», — подчёркнул Хуанг. Этот ров опирается на доверие миллионов разработчиков к постоянной оптимизации NVIDIA на низком уровне, поддерживаемое широкой горизонтальной интеграцией во все типы облачных провайдеров, OEM-производителей и edge-устройств по всему миру.

В области исследований границы вычислительной инфраструктуры, отвечая на идею переноса датацентров в космос для решения проблем распределения энергии, Хуанг подтвердил, что графические процессоры NVIDIA уже вышли в космос, но пока используются преимущественно для边缘-фильтрации высокодетализированных снимков спутников.

По поводу создания крупномасштабных космических датацентров Хуанг прямо указывает на фундаментальную физическую проблему: «В космосе нет кондукции и конвекции, остывание происходит исключительно за счёт теплового излучения. Хотя на полюсах есть круглосуточное солнечное освещение, нам потребуются огромные радиаторы». На данном этапе наиболее прагматичным подходом остаётся максимальная эксплуатация простаивающей энергии на Земле.

Кроме того, реализация любой вычислительной стратегии требует совершенного инженерного исполнения. Отвечая на успех xAI Илона Маска, построившей суперкомпьютерный центр Colossus на 100 000 GPU всего за 4 месяца, Хуанг дал высокую оценку с точки зрения рыночной инфраструктурной логистики.

Он объяснил успех Маска принципом первого начала мышления и минимализмом. «Он ставит под сомнение всё:有必要吗? Обязательно делать так? Занимает ли это столько времени?»

Хуанг добавил: «Илон обладает глубочайшим пониманием во многих различных областях и одновременно является выдающимся системным мыслителем». Он продолжил: «Он способен подвергать сомнению всё, сводя процессы к абсолютно необходимому минимуму, без которого продукт перестанет работать... Он лично появляется в эпицентре действий. Когда ты действуешь с такой сильной срочностью, это мотивирует всех остальных действовать с той же скоростью».

Будущее нанявет только тех, кто умеет пользоваться ИИ? «Глобальное число программистов взлетит с 30 млн до 1 млрд»

Реагируя на глобальную тревогу рабочих относительно технологий ИИ, Хуанг дал весьма прагматичный ответ. Он прямо заявил, что сегодня, выбирая между двумя выпускниками вузов, он обязательно нанял бы «эксперта по ИИ», а не человека, который в нём ничего не разбирается.

Хуанг подчеркнул, что этот принцип применим не только к техническим позициям, но и к бухгалтерам, юристам, продавцам, менеджерам по цепочкам поставок, фармацевтам, электрикам и плотникам. По его мнению, ни одна профессия или уровень не являются исключением; те, кто грамотно использует ИИ, будут демонстрировать гораздо более высокую ценность результата.

Он чётко обозначил границы «замены»: если работа человека по сути состоит из набора «задач» (Tasks), где сама задача составляет всю добавленную стоимость, то замена ИИ практически неизбежна. Однако если работа имеет более глубокую «цель» (Purpose), можно использовать ИИ для автоматизации рутины, превратившись из простого «исполнителя» в «инноватора» своей отрасли.

Тем, кто ещё не начал двигаться в этом направлении, Хуанг дал максимально успокаивающий совет: «Если вы не знаете, как пользоваться ИИ, просто спросите у самого ИИ „Как мне тебя использовать?". Он проведёт вас через весь процесс с нуля». Он считает, что порог входа сейчас упал до нуля; единственный барьер — это ваше решение начать. Потому что в эту эпоху стоимость ожидания растёт вместе с эволюцией ИИ.

Относительно программистов Хуанг озвучил шокирующую мысль: «Количество инженеров-программистов в NVIDIA будет расти, а не сокращаться… Если определение программирования звучит как „описание спецификаций для построения компьютера", то людей, способных на это, было 30 миллионов, а станет потенциально 1 миллиард. В будущем каждый плотник будет программистом, каждый сантехник сойдёт с ума от этого"».

Касаясь сроков достижения AGI (общего искусственного интеллекта), если определить его как систему, способную самостоятельно создавать приложения и зарабатывать прибыль, Хуанг заявил: «Я думаю, это уже произошло. Я полагаю, мы достигли AGI». Он описывает сценарий, где ИИ автономно создаёт веб-сервис или приложение цифровых влияний, которое внезапно получает миллиарды пользователей и начинает приносить прибыль, что технически уже реализуемо.

Полный текст интервью:

Транскрипт интервью Дженсена Хуанга: NVIDIA — компания с оценкой в 4 триллиона долларов и революция ИИ | Подкаст Лекса Фридмана #494

Введение

Лекс Фридман

(00:00:00) Далее следует беседа с генеральным директором NVIDIA Дженсеном Хуангом. NVIDIA — одна из самых важных и влиятельных компаний в истории человеческой цивилизации, двигатель революции ИИ. Огромный успех NVIDIA во многом обязан чистой силе воли Дженсена Хуанга, а также множеству выдающихся ставок и решений как лидера, инженера и новатора. Добро пожаловать в подкаст Лекса Фридмана. Дорогие друзья, сейчас к нам присоединится Дженсен Хуанг.

Прецизионный совместный дизайн и стеллажная инженерия

Лекс Фридман

(00:00:33) Вы подтолкнули NVIDIA к новой эре ИИ, сместив фокус с дизайна на уровне чипов на дизайн на уровне стеллажей.

Лекс Фридман

(00:00:42) Можно справедливо сказать, что веками главным козырем NVIDIA было создание максимально идеальных GPU. Вы продолжаете этим заниматься, но теперь расширили концепцию до прецизионного совместного дизайна GPU, CPU, памяти, сетей, хранилищ, электропитания, охлаждения, программного обеспечения, самих стеллажей, объявленных вами вычислительных модулей (Pods), а целых датацентров. Давайте поговорим о прецизионном совместном дизайне. Какова самая сложная часть при совместном проектировании системы, имеющей столь множество сложных компонентов и переменных?

Дженсен Хуанг

(00:01:11) Спасибо за вопрос. Прецизионный совместный дизайн необходим, потому что современные задачи уже не помещаются в один компьютер и не ускоряются одним GPU. Вы пытаетесь решить задачу, где желаете ускорить вычисления сильнее, чем увеличиваете количество компьютеров. Предположим, вы добавили 10 000 компьютеров, но хотите ускорить процесс в 1 000 000 раз. Внезапно вам приходится извлекать алгоритмы, разбивать, перегруппировывать, фрагментировать конвейеры, данные и модели. При таком распределённом подходе проблемы не просто масштабируются, а рассеиваются, и каждая точка становится узким местом.

Дженсен Хуанг

(00:02:03) Вот где возникает проблема закона Амдала: величина ускорения зависит от доли задачи в общем объёме работы. Если вычисления составляют 50% задачи, даже бесконечное ускорение самих вычислений (скажем, в 1 000 000 раз) ускорит общий процесс лишь в два раза. Внезапно вам нужно не только распределять вычислительные задачи и фрагментировать конвейер, но и решать сетевые проблемы, ведь все компьютеры связаны. При таких масштабах распределённых вычислений проблемой становятся CPU, GPU, сети, коммутаторы и равномерное распределение нагрузки.

Дженсен Хуанг

(00:02:57) Это невероятно сложная проблема компьютерных наук. Нам необходимо использовать потенциал всех технологий. Иначе мы сможем масштабироваться линейно или полагаться только на способность роста по закону Мура, который уже почти остановился из-за замедления масштабирования Деннарда.

Как Дженсен Хуанг управляет NVIDIA

Лекс Фридман

(00:03:16) Здесь наверняка есть компромиссы. Вы работаете с совершенно разными дисциплинами. Я уверен, что у вас есть эксперты высшего класса в каждой из этих областей: память высокой пропускной способности, сети и NVLink, сетевые карты, оптика и медные соединения, питание, охлаждение и так далее. Вы привлекаете мировых специалистов. Как вы собрали их в одной комнате и заставили разобраться?—

Дженсен Хуанг

(00:03:34)">Вот почему моя группа управления такая большая.

Лекс Фридман

(00:03:37)"> Каков процесс взаимодействия экспертов и универсалов? Когда вы точно понимаете, что должно поместиться в стеллаж, как вы собираете его? Каков процесс совместного проектирования всего комплекса?

Дженсен Хуанг

(00:03:51)"> Сначала мы спрашиваем: что такое прецизионный совместный дизайн? Мы оптимизируем весь стек от архитектуры до чипа, системы, системного ПО, алгоритмов и приложений. Это первый уровень. Второй уровень, о котором мы говорили, выходит за рамки CPU, GPU, сетевых чипов, коммутаторов для масштабирования вверх (scale-up) и вниз (scale-out). Конечно, нужно учитывать питание и охлаждение, потому что эти компьютеры потребляют огромное количество энергии. Они выполняют колоссальную работу с высокой эффективностью, но в абсолютных числах потребляют много мощности. Так что первый вопрос: что это?

Дженсен Хуанг

(00:04:34)"> Второй вопрос: зачем это нужно? Мы только что обсуждали причину. Вы хотите распределить нагрузку так, чтобы отдача превышала простое увеличение числа компьютеров. Третий вопрос: как это реализовать? Как вы это делаете?

Дженсен Хуанг

(00:04:51)"> Это можно назвать чудом компании. Когда вы проектируете компьютер, вам нужна операционная система. Когда вы проектируете компанию, вы сначала должны подумать, какой результат она должна приносить. Я видел множество оргструктур, и они все выглядят одинаково. Гамбургер-структура, плоская структура, структуры автопроизводителей — всё выглядит идентично. Для меня это бессмысленно. Цель компании — быть машиной, механизмом и системой по производству результатов. Эти результаты — наш продукт. Архитектура компании должна отражать среду, в которой она существует.

Дженсен Хуанг

(00:05:36)"> Это практически напрямую определяет, как нужно строить организационную структуру. В моё прямое подчинение входят 60 руководителей. Я не провожу с ними индивидуальных встреч, потому что это невозможно. Чтобы завершать дела, вы не можете общаться один на один с 60 людьми —

Лекс Фридман

(00:05:51)"> Но у вас всё равно 60 прямых подчинённых, и они охватывают —

Дженсен Хуанг

(00:05:53)"> А также больше.

Лекс Фридман

(00:05:54)"> Больше. И большинство ведущих специалистов задействованы в инженерии.

Дженсен Хуанг

(00:05:59)"> Почти все. Есть эксперты по памяти, по CPU, по оптике.

Лекс Фридман

(00:06:06)"> Поразительно.

Дженсен Хуанг

(00:06:06)"> А также по GPU, архитектуре, алгоритмам, дизайну и другим направлениям.

Лекс Фридман

(00:06:11)"> Получается, вы всегда отслеживаете весь стек технологий и должны участвовать в жарких дискуссиях по его дизайну?

Дженсен Хуанг

(00:06:18)"> Диалоги никогда не ведутся в одиночку. Именно поэтому я не провожу встреч один на один. Мы поднимаем проблему, и все вместе её решаем.因为我们 занимаемся прецизионным совместным дизайном. Без преувеличения: компания постоянно занимается таким дизайном.

Лекс Фридман

(00:06:33)"> Даже когда обсуждается конкретный компонент, например охлаждение или сети, все остальные слушают?

Дженсен Хуанг

(00:06:40)"> Совершенно верно.

Лекс Фридман

(00:06:41)"> И они могут высказаться: «Это не подходит к распределению питания. Это не подходит для —»

Дженсен Хуанг

(00:06:45)"> Именно так.

Лекс Фридман

(00:06:45)"> «…это не подходит для памяти. Это не подходит для этого».

Дженсен Хуанг

(00:06:49)"> Совершенно верно. Те, кто хочет, могут не слушать. Причина в том, что члены команды знают, когда нужно сосредоточиться. Если человек мог внести свой вклад, но молчит, я буду его вызывать на ковёр. Тогда я скажу: «Давай, присоединяйся к обсуждению».

Лекс Фридман

(00:07:07)"> Как вы сказали, NVIDIA — компания, адаптирующаяся к среде. Как думаете, в какой момент среда изменилась настолько, что компания тихо начала приспосабливаться? От раннего игрового GPU к ранней стадии революции глубокого обучения, а теперь мы начинаем воспринимать это как завод ИИ. Что делает NVIDIA? Она производит ИИ, давайте создадим завод по производству ИИ.

Дженсен Хуанг

(00:07:32)"> Я могу системно проанализировать этот процесс. Мы изначально были компанией акселераторов. Проблема акселераторов в том, что область применения слишком узкая. Их преимущество в предельной оптимизации под конкретные задачи. Любой эксперт обладает этим преимуществом. Суть крайней специализации в том, что рынок становится уже, что не страшно. Настоящая проблема в том, что размер рынка определяет возможности R&D, а они определяют ваше влияние в вычислениях. Начав с очень конкретного акселератора, мы всегда знали, что это лишь первый шаг.

Дженсен Хуанг

(00:08:23)"> Нам нужно было найти путь стать компанией вычислительных ускорений. Проблема в том, что становясь вычислительной компанией, цель становится слишком общей, что размывает вашу специализацию. Я сознательно соединил эти два термина, которые фундаментально конфликтуют. Чем лучше мы работаем как вычислительная компания, тем хуже как специалисты. Чем мы больше специалисты, тем слабее способность к комплексным вычислениям. Я соединил их намеренно, означая, что компания должна пошагово находить эту чрезвычайно узкую дорогу: расширять вычислительный охват, не жертвуя своим самым важным профессиональным преимуществом. Шаг вперёд от акселератора — изобретение программируемого пиксельного шейдера.

Дженсен Хуанг

(00:09:13)"> Это был первый шаг к программируемости. Наш первый поход в мир вычислений. Второе, что мы сделали — ввели однопrecisionную математику (FP32) в наши шейдеры. Поддержка FP32 по стандарту IEEE стала большим шагом в сторону вычислений. Именно поэтому все, кто занимался конвейерными и другими типами потоковых процессоров, обратили на нас внимание. Они сказали: «Наконец-то у нас, возможно, появится сверхплотный для вычислений GPU, совместимый с IEEE».

Дженсен Хуанг

(00:09:55)"> Я мог взять старый код, написанный для CPU, и посмотреть, смогу ли запустить его на GPU. Это подтолкнуло нас добавить поддержку языка C поверх FP32, которую мы назвали Cg. Эволюция Cg в конечном итоге привела нас к CUDA. Пошагово мы внедрили CUDA в GeForce. Это было стратегически рискованное решение, поглощавшее всю прибыль компании, которую мы тогда едва могли позволить себе потерять. Но мы пошли на это, потому что хотели стать вычислительной компанией. У вычислительной компании должна быть архитектура вычислений, совместимая со всеми создаваемыми нами чипами.

Лекс Фридман

(00:10:42)"> Можете подробнее рассказать об этом решении? Поместить CUDA в GeForce, осознавая, что это не по карману, но принимая решение? В чём заключалась эта ставка и почему вы осмелились её сделать?

Дженсен Хуанг

(00:10:53)"> Это был первый стратегический выбор, который можно считать вопросом выживания.

Лекс Фридман

(00:11:06)"> Для тех, кто не в курсе истории, маленький спойлер: в итоге это стало одним из самых блестящих и мудрых решений в истории компании. CUDA стала невероятной вычислительной основой мира ИИ-инфраструктуры. Так что задайте контекст: в конце концов это оказалось хорошим решением.

Дженсен Хуанг

(00:11:27)"> Да, в итоге оказался прав. Вот как это было. Мы изобрели то, что назвали CUDA, что расширило спектр приложений, которые могли ускоряться нашими акселераторами. Вопрос был в том, как привлечь разработчиков к CUDA? Сердце любой вычислительной платформы — разработчик. Разработчики не придут просто потому, что платформа может выполнять интересные действия. Они приходят на платформу из-за её installed base (базы установленного оборудования). Разработчики, как и все, хотят создавать ПО для массовой аудитории._installed base фактически является самой важной частью архитектуры. Сама архитектура может подвергаться критике.

Дженсен Хуанг

(00:12:18)"> Например, ни одна архитектура не получала столько критики, сколько x86, её считают неэлегантной, однако она стала определяющей архитектурой наших дней. Пример. Многие невероятно элегантные RISC-архитектуры, спроектированные умнейшими компьютерными учёными, в значительной степени потерпели неудачу. Я привёл два примера: один элегантный, другой просто рабочий, однако x86 выжила благодаря тому, что—

Лекс Фридман

(00:12:58)"> Installed base — это всё.

Дженсен Хуанг

(00:12:59)"> Installed base определяет архитектуру. Остальное второстепенно, понятно? В то время существовали и другие архитектуры, появилась CUDA, был OpenCL. Было несколько конкурентных архитектур. Но правильным решением стало наше понимание: в конечном счёте всё сводится к installed base. Как лучше всего продвинуть новую вычислительную архитектуру в мир? К тому моменту GeForce уже добилась успеха.

Дженсен Хуанг

(00:13:29)"> Мы ежегодно продавали миллионы GPU GeForce. Мы решили: «Нам нужно разместить CUDA в GeForce, внедрить её в каждый ПК, независимо от того, используют его клиенты или нет, и сделать это стартовой точкой роста installed base». В это же время мы начали привлекать разработчиков, писать книги и проводить курсы в университетах, распространяя CUDA повсюду. Постепенно люди открыли её. В то время ПК были основным вычислительным инструментом, облаков ещё не было, и мы смогли вручить суперкомпьютер каждому исследователю, учёному, инженеру и студенту. В итоге чудо обязательно произойдёт.

Дженсен Хуанг

(00:14:15)"> Проблема была в том, что CUDA резко увеличила стоимость потребительского продукта GPU, полностью съев всю валовую прибыль компании. Тогда капитализация составляла около 8 миллиардов долларов? Или 6–7 миллиардов? Когда мы выпустили CUDA, я понял, что это сильно повысит затраты, но мы были уверены в этом. Наша капитализация временно упала примерно до 1,5 миллиарда долларов. Мы некоторое время бродили на дне, потом медленно поднялись, но настояли на установке CUDA в GeForce. Я всегда повторяю: NVIDIA воздвигла храм благодаря GeForce, потому что именно GeForce принесла CUDA всем.

Дженсен Хуанг

(00:15:10)"> Исследователи и учёные обнаружили CUDA на GeForce, потому что многие из них также были геймерами. Многие сами собирали ПК. В университетских лабораториях многие搭建ляли кластеры из PC-компонентов. Так мы начинали.

Лекс Фридман

(00:15:31)"> Затем это стало платформой и фундаментом для революции глубокого обучения.

Дженсен Хуанг

(00:15:35)"> Ещё одно отличное наблюдение.

Лекс Фридман

(00:15:38)"> В тот момент выживания вы помните, как выглядели те совещания? Как компания приняла решение поставить всё на карту? Как проходили обсуждения?

Дженсен Хуанг

(00:15:48)"> Мне пришлось показать совету директоров наши намерения. Руководящая команда знала, что наша валовая маржа будет раздавлена. Представьте мир, где GeForce тащит на себе стоимость CUDA, но геймеры её не ценят и не готовы платить. Они платят фиксированную сумму, им плевать на ваши затраты. Мы увеличили затраты на 50%, хотя раньше были компанией с 35% валовой маржей. Принять такое решение было очень тяжело. Но можно представить, что однажды это проникнет в рабочие станции и суперкомпьютеры, где мы сможем получить более высокую маржу.

Дженсен Хуанг

(00:16:36)"> Так что рациональные рассуждения позволяют понять, что цена оправдана, но на реализацию ушло десять лет.

Лекс Фридман

(00:16:45)"> Это скорее общение с советом директоров, чтобы убедить их. Но на психологическом уровне, поскольку NVIDIA непрерывно делает смелые ставки на будущее и во многом определяет его, я хочу узнать ваши методы: как вы способны принимать такие решения и вести компанию через трансформации?

Дженсен Хуанг

(00:17:14)"> Прежде всего, у меня огромный интерес к познанию. В определённый момент система логики так ясно убеждает меня, что результат неизбежен. Это должно произойти. В своём разуме я твёрдо верю в это. Когда вы внутренне верите, вы знаете, каково это. Вы визуализируете будущее, которое кажется настолько убедительным, что оно не может не случиться. Посередине будет много трудностей, но нужно стоять на своём.

Лекс Фридман

(00:17:52)"> То есть вы представляете будущее и, по сути, воплощаете его с инженерной точки зрения?

Дженсен Хуанг

(00:17:59)"> Да. Нужно просчитать путь туда. Просчитать, почему это должно существовать. Мы здесь делаем выводы вместе. Руководящая команда просчитывает. Я трачу много времени на анализ. Следующая часть — навык управления. Часто лидеры молчат или, узнав кое-что, выпускают декларации: «Новый год, к концу следующего года у нас новый план». Массовые увольнения, перестройка архитектуры, новые миссии, логотипы.

Дженсен Хуанг

(00:18:43)"> Я так никогда не делаю. Когда я узнаю о чём-то и это начинает влиять на мои мысли, я даю понять всем вокруг: «Это интересно. Это изменит вещи. Это повлияет на то». Я шаг за шагом делаю выводы. Часто я уже принял решение, но хватаю каждую возможность — внешняя информация, новое понимание, открытие, инженерный инсайт, новая веха — чтобы формировать систему убеждений других. Делаю это практически каждый день. С советом директоров, с командой, с сотрудниками.

Дженсен Хуанг

(00:19:33)"> Я формирую их убеждения, чтобы однажды, когда я скажу: «Давайте приобретём Mellanox», все посчитают это само собой разумеющимся и абсолютно нужным. Когда я говорю: «Ребята, сделаем ставку на глубокое обучение», и объясняю почему, я уже заложил кирпичи для каждого подразделения. Каждый, возможно, слышал что-то, большинство — части. В день анонса каждый уже принял многие элементы.

Дженсен Хуанг

(00:20:19)"> Во многих отношениях, когда я делаю анонс, я вижу сотрудников, думающих: «Дженсен, почему ты так долго молчал?» На самом деле я постоянно формировал их убеждения. Поэтому лидерство иногда выглядит как управление сзади, но вы постоянно их формируете, пока день анонса не наберёт 100% поддержки. Это именно тот результат, который вам нужен. Вы ведёте всех вместе. Иначе, если мы неожиданно объявим план по глубокому обучению, все спросят: «О чём ты говоришь?» Если объявите полную ставку, команда, совет, сотрудники и клиенты почувствуют: «Откуда это взялось?»

Дженсен Хуанг

(00:21:02)"> «Это безумие!» Если回顾 прошлые конференции GTC и ключевые речи, я одновременно формировал систему убеждений партнёров в индустрии и использовал это для формирования убеждений своих сотрудников. Таким образом, когда я анонсирую вещь, например Groq, я на самом деле говорил о фундаментальных вещах последние два с половиной года. Если вернуться назад: «Боже, они говорят об этом полтора года». Я постепенно строил фундамент, поэтому, когда настало время анонсировать, все говорят: «Почему ты так долго тянул?»

Лекс Фридман

(00:21:44)"> Но это не только внутри компании. Вы формируете индустрию и глобальную картину инноваций. Пропагандируя эти идеи, вы буквально материализуете реальность.

Дженсен Хуанг

(00:21:53)"> Мы не строим компьютеры. Фактически мы не строим облака. Изначально мы были компанией вычислительных платформ. Поэтому конечный продукт никто не может купить напрямую у нас. Это удивительно. Мы проводим вертикальную интеграцию для проектирования и оптимизации, но на каждом уровне полностью открываем платформу для интеграции в продукты, сервисы, облака, суперкомпьютеры и компьютеры OEM-партнёров. Удивительно, но без их убеждения я не смог бы сделать то, что делаю. Основная функция GTC — показать будущее, чтобы когда наши продукты будут готовы, они сказали: «Почему ты так поздно это выпустил?»

Законы масштабирования ИИ

Лекс Фридман

(00:22:39)"> Да. Долгое время вы были сторонником общих законов масштабирования (Scaling Laws). Верите ли вы в них сейчас?

Дженсен Хуанг

(00:22:49)"> Да. Сейчас у нас появилось больше законов масштабирования.

Лекс Фридман

(00:22:51)"> Я считаю, вы описали четыре этапа: предварительное обучение, постобучение, масштабирование во время тестирования (вывод) и агентное масштабирование. Когда вы думаете о будущем, как далёком, так и ближнем, чего вы больше всего боитесь, что не даёт спать по ночам, какие препятствия нужно преодолеть для дальнейшего масштабирования?

Дженсен Хуанг

(00:23:12)"> Мы можем вспомнить, что раньше считали препятствиями. На начальном этапе законов масштабирования предварительного обучения理所当然 считалось, что количество качественных данных ограничит уровень интеллекта. Этот закон важен: чем больше модель, тем больше данных带来 smarter ИИ. Это предварительное обучение. Илья Суцкевер тогда сказал: «Наши данные исчерпаны» или подобное. «Предварительное обучение закончилось». Вся индустрия впала в панику, считая это концом ИИ. Но очевидно, что это неправда.

Дженсен Хуанг

(00:23:57)"> Мы будем продолжать увеличивать объём данных для обучения. Значительная часть данных будет синтетической, что тоже путает людей. Люди не понимают или забыли, что большинство данных, которыми мы учим друг друга, на самом деле тоже «синтетические». Оно создано, а не вырастает из природы. Вы создаёте. Я потребляю. Я модифицирую, усиливаю, перегенерирую, снова потребляю другие. Мы достигли такого уровня, что ИИ может брать Ground Truth (истину), усиливать её… Синтез генерирует海量 данных.

Дженсен Хуанг

(00:24:47)"> Этап постобучения продолжается расширяться, поэтому объём данных, сгенерированных человеком, станет меньше. Объём данных для тренировки моделей продолжит расти, пока мы не перестанем зависеть от данных... Обучение теперь ограничено вычислительной мощностью. Причина: большая часть данных синтетическая. Далее идёт этап тестового времени (вывод). Я помню, как мне говорили: «Вывод? О, это просто. Предварительное обучение сложно. Огромная система. Вывод точно простой. Поэтому чипы для вывода будут маленькими —»

Дженсен Хуанг

(00:25:32)"> «Они не будут такими, как у NVIDIA. Слишком сложные и дорогие. В будущем вывод станет крупнейшим рынком, всё упростится, и мы превратим это в commodity. Каждый сможет делать свои чипы». Для меня это всегда было нелогично, потому что вывод — это мышление, а мышление я считаю сложным. Мыслить сложнее, чем читать.

Дженсен Хуанг

(00:25:59)"> Предварительное обучение — это просто запоминание и обобщение, поиск паттернов в связях. Вы только читаете. А масштабирование тестового времени (вывод) связано с мышлением, рассуждением, решением задач. Распаковка нового опыта на разрешимые части, затем решение через first-principles reasoning, примеры прошлого опыта или просто исследование, поиск, пробование методов. Весь процесс масштабирования тестового этапа вывода — это мышление. Это рассуждение, планирование и поиск.

Дженсен Хуанг

(00:26:50)"> Как это может быть ресурсосберегающим? Мы в этом абсолютно правы. Масштабирование тестового времени крайне требовательно к вычислениям. Дальнейший вопрос: если мы сейчас на этапах вывода и тестового масштабирования, что дальше?显然, мы создали агентскую «личность», которая владеет нашей большой языковой моделью. Но в процессе тестирования эта агентская система проводит исследования, обращается к базам данных, использует инструменты, и самое важное — порождает массу субагентов. Это значит, что мы формируем огромные команды. Расширять NVIDIA за счёт найма людей проще, чем расширять себя.

Дженсен Хуанг

(00:27:44)"> Поэтому следующий закон — закон агентного масштабирования (Agentic Scaling Law). Это как клонирование ИИ. Мы можем быстро порождать агентов по желанию. Я выделил четыре измерения законов масштабирования. Используя агентские системы, они создают больше данных и колоссальный опыт. Для некоторых мы скажем: «Вау, это отлично. Запомним это.»

Дженсен Хуанг

(00:28:12)"> Этот набор данных возвращается на этап предварительного обучения. Мы запоминаем и обобщаем его. Затем улучшаем и настраиваем в этапе постобучения. После этого используем тестовое время и агентные системы для дальнейшего усиления, после чего выводим в индустрию. Цикл продолжается бесконечно. В конечном итоге уровень интеллекта масштабируется благодаря одному фактору: вычислительной мощности.

Лекс Фридман

(00:28:41)"> Но здесь возникла сложная задача: вы должны предсказывать будущее, так как некоторые компоненты требуют другого типа железа для оптимальной работы. Вы должны предвидеть направление инноваций ИИ. Например, модели смешанных экспертов (MoE) —

Дженсен Хуанг

(00:28:57)"> Совсем верно.

Лекс Фридман

(00:28:58)"> Модели со稀疏性 (sparsity).

Дженсен Хуанг

(00:28:59)"> Абсолютно верно.

Лекс Фридман

(00:29:00)"> Железо нельзя менять за неделю. Вы должны предсказать форму будущего. Это страшно и сложно, верно?

Дженсен Хуанг

(00:29:09)"> Архитектуры ИИ обновляются каждые полгода. Архитектура системы и оборудования меняется раз в три года. Нужно предсказывать на 2–3 года вперёд. Есть несколько способов. Во-первых, мы проводим исследования внутри компании. Вот почему у нас есть как фундаментальная, так и прикладная наука.

Дженсен Хуанг

(00:29:40)"> Мы создаём собственные модели. Поэтому у нас есть прямой опыт. Это часть协同设计, о которой я говорил. Мы единственная ИИ-компания в мире, сотрудничающая почти со всеми ИИ-компаниями. В меру сил мы чувствуем, с какими вызовами сталкиваются другие.

Лекс Фридман

(00:29:59)"> То есть вы прислушиваетесь к шёпоту всей индустрии и крупнейших ИИ-лабораторий.

Дженсен Хуанг

(00:30:02)"> Верно. Нужно слушать и учиться у всех. Последняя часть — иметь гибкую архитектуру, способную двигаться с ветром. Преимущество CUDA в том, что с одной стороны это мощный акселератор, с другой — невероятно гибкий. Это удивительное равновесие между специализацией (без неё CPU не ускорить) и универсальностью (чтобы адаптироваться к меняющимся алгоритмам). Это очень важно. Вот почему CUDA одновременно устойчива и постоянно усиливается.

Дженсен Хуанг

(00:30:44)"> Мы уже на CUDA 13.2. Мы эволюционируем архитектуру так быстро, что успеваем за современными алгоритмами. Например... Когда появились MoE, именно поэтому мы выпустили NVLink 72 вместо NVLink 8. Теперь мы можем поместить модель с 4 или 10 триллионами параметров в одну вычислительную область, как будто она работает на одном GPU. Возможно, не все заметили мою фразу, но посмотрите на архитектуру стеллажа Grace Blackwell — она полностью сфокусирована на выполнении одной функции: работе с LLM. Уже через год появился стеллаж Vera Rubin. У него ускорители хранения, новый отличный CPU Vera, NVLink 72 для работы LLM.

Дженсен Хуанг

(00:31:46)"> Добавлен новый дополнительный стеллаж Rock. Этот целый стеллажный комплекс отличается от предыдущего, включая все новые компоненты. Причина: предыдущее поколение проектировалось для вывода больших LLM с архитектурой MoE. Новое поколение — для работы агентов, вызывающих различные инструменты.

Лекс Фридман

(00:32:10)"> Очевидно, дизайн этой системы был завершён задолго до появления Open-Claude, Codex и тому подобного. Вы по сути предвидите будущее. Откуда это берётся? Из шёпота индустрии или понимания передового края технологий?

Дженсен Хуанг

(00:32:25)"> Нет.

Лекс Фридман

(00:32:25)"> Не то?

Дженсен Хуанг

(00:32:26)"> Не так сложно. Просто нужно мыслить логически. Независимо от того, что произойдёт, если однажды LLM станет цифровым работником... Давайте используем метафору. Допустим, мы хотим, чтобы LLM был цифровым работником. Что ему нужно? Ему нужен доступ к Ground truth. Это наша файловая система. Он должен уметь проводить исследования. Он не может знать всё. Я не буду ждать, пока ИИ узнает обо всём прошлом, настоящем и будущем, прежде чем пустить его в работу. Вместо этого позволю ему проводить исследования. Очевидно; если он хочет помочь, ему понадобятся мои инструменты.

Дженсен Хуанг

(00:33:13)"> Многие скажут: «ИИ уничтожит ПО. ПО больше не нужно. Инструменты тоже не нужны». Это абсурд. Проведём мысленный эксперимент. Вы сидите, пьёте виски, обдумываете всё, и картина становится ясной. Если мы создадим самого потрясающего агента в ближайшие 10 лет, допустим, человекоподобного робота. Вероятнее, что этот робот войдёт в мой дом и использует существующие инструменты?

Дженсен Хуанг

(00:33:54)"> Или его рука превратится в 10-фунтовый молоток, затем в скальпель, а пальцы будут испускать микроволны для нагревания воды? Или он просто直接使用 микроволновую печь? Сначала он может не знать, как её включать. Ничего страшного. Он подключён к интернету. Читает инструкцию к печи, сразу становится экспертом и пользуется ей. Я полагаю, описание, которое я только что привёл, практически охватывает все свойства Open-Claude.

Дженсен Хуанг

(00:34:35)"> Он будет использовать инструменты, обращаться к файлам, проводить исследования. У него есть IO-подсистема. Когда вы закончите такое логическое моделирование, вы скажете: «Боже, какое глубокое влияние это окажет на будущее вычислений». Потому что я думаю, мы изобрели компьютер заново. Затем вы спросите: «Когда мы пришли к этому выводу? Когда поняли Open-Claude?» Если посмотреть на схему Open-Claude, которую я использовал на GTC, это было два года назад. Именно на GTC два года назад я говорил об агентских системах, что полностью соответствует сегодняшнему Open-Claude. Конечно, множество факторов должно сойтись.

Дженсен Хуанг

(00:35:26)"> Во-первых, Claude, GPT и все модели должны достичь определённого уровня capabilities. Поэтому их инновации, прорывы и прогресс критически важны. Затем, конечно, кто-то должен создать достаточно надёжный и полный open-source проект, который мы все сможем использовать. Я думаю, влияние Open-Claude на агентные системы сравнимо с влиянием ChatGPT на генеративные системы. Это чрезвычайно важное событие.

Лекс Фридман

(00:36:02)"> Да, это особый момент. Не совсем понимаю, почему он привлёк столь пристальное внимание мира, но факт остаётся фактом: он привлек больше внимания, чем Claude Code или Codex.

Дженсен Хуанг

(00:36:12)"> Потому что к нему получили доступ обычные пользователи.

Лекс Фридман

(00:36:13)"> Верно. Но это во многом атмосфера. Питер (Peter), приглашённый мною на подкаст, замечательный парень. Часть влияния связана с самим продуктом и его создателями.

Дженсен Хуанг

(00:36:25)"> Без сомнения.

Лекс Фридман

(00:36:25)"> Отчасти из-за мемов, и мы все пытаемся разобраться. Как передать свои данные мощным технологиям для полезной работы? Возникают крайне серьёзные и сложные вопросы безопасности, связанные с этим. Как отдельные личности и как цивилизация мы摸索уем найти правильный баланс.

Дженсен Хуанг

(00:36:44)"> Да, мы немедленно приняли меры, направили множество специалистов по безопасности. Мы запустили проект OpenShell, который уже интегрирован в Open-Claude.

Лекс Фридман

(00:36:55)"> NVIDIA выпустила NemoClaw (прим.: инструмент безопасности NVIDIA).

Дженсен Хуанг

(00:36:58)"> Именно.

Лекс Фридман

(00:36:59)"> Его установка проста, он обеспечивает безопасность.

Дженсен Хуанг

(00:37:03)"> Мы даём вам два из трёх разрешений. Агентная система может получать доступ к конфиденциальной информации, выполнять код или взаимодействовать с внешним миром. Если мы ограничим вас двумя из трёх возможностей вместо всех трёх, мы гарантируем безопасность. Среди предоставленных двух прав мы также внедряем контроль доступа на основе корпоративных политик. Подключаем к движкам политик, которые уже существуют в компаниях. Мы постараемся максимально улучшить Open-Claude.

Главное препятствие для законов масштабирования ИИ

Лекс Фридман

(00:37:40)"> Вы красноречиво объяснили нашу долгую историю преодоления якобы непреодолимых барьеров. Но глядя вперёд, учитывая очевидную повсеместность агентов, Obviously, нам потребуется огромная вычислительная мощность. Каково же будет следующее главное препятствие для расширения?

Дженсен Хуанг

(00:37:59)"> Энергия — это опасение, но не единственное. Именно поэтому мы так активно продвигаем прецизионный совместный дизайн, позволяя ежегодно увеличивать количество генерируемых токенов на ватт на несколько порядков. За последние 10 лет, следуя закону Мура, вычислительная мощность выросла примерно в 100 раз. Мы за то же время увеличили вычислительную мощность в миллион раз за счёт масштабирования. Продолжим этот путь благодаря совместному дизайну. Энергоэффективность, то есть производительность на ватт, полностью определяет доход компании и завода. Мы доведём эффективность до предела, чтобы максимально быстро снизить стоимость токена.

Дженсен Хуанг

(00:38:51)"> Цены на наши компьютеры растут, но эффективность генерации токенов растёт гораздо быстрее, поэтому стоимость токена снижается. Ежегодно на порядок.

Лекс Фридман

(00:39:04)"> Энергия — интересный вопрос. Попытка обойти энергетический барьер — повысить энергоэффективность за счёт увеличения количества токенов на ватт в секунду. Естественным образом встаёт вопрос: как получить больше энергии?

Дженсен Хуанг

(00:39:16)"> Мы действительно должны получать больше энергии.

Цепочка поставок

Лекс Фридман

(00:39:17)"> Это сложный вопрос. Вы упоминали компактные модульные ядерные реакторы. Много идей по энергии. Сколько раз проблема bottleneck'ов цепи поставок ИИ лишала вас сна? Например, ASML с EUV-литографией, TSMC с передовым монтажом CoWoS, SK hynix с памятью HBM?

Дженсен Хуанг

(00:39:38)"> Думаю об этом постоянно, мы решаем эти задачи ежесекундно. Ни одна компания в истории не росла такими темпами, ускоряя рост одновременно. Это поражает воображение. Людям трудно это понять. Во всей сфере ИИ-вычислений мы увеличиваем долю рынка. Поэтому上下游 цепи поставок для нас жизненно важны. Я много общаюсь с CEO всех партнёров: какие факторы заставят этот рост продолжаться или ускориться? Одна из причин, почему справа от меня на GTC сидят почти все CEO апстрим IT-индустрии и кастрим инфраструктуры — сотни CEO. Я не думаю, чтобы в истории была конференция с участием сотен CEO в keynote. Одной из причин является то, что я сообщаю им текущее состояние бизнеса. Сообщаю о драйверах скорого роста и событиях. Описываю, куда мы идём дальше, чтобы они могли использовать эту информацию и динамику для инвестиционных решений. Так же, как я информирую своих сотрудников, я информирую их.

Дженсен Хуанг

(00:40:32)"> Все они здесь. Столько CEOs на главной сцене в истории, наверное, не было. Одна из причин — я объясняю текущую ситуацию. Рассказываю о будущих драйверах роста и процессах. Описываю следующие шаги, чтобы они использовали информацию для инвестиций. Как моих сотрудников, так и их.

Дженсен Хуанг

(00:41:06)"> Затем я лично посещаю их, чтобы убедиться, что они знают: «Слушайте, хочу, чтобы вы знали, в этом квартале, году и следующем произойдут вот такие вещи». Если посмотреть на CEO индустрии DRAM: раньше первенствовала DDR для CPU датацентров. Три года назад я успешно убедил нескольких CEO, что несмотря на редчайшее использование HBM (даже суперкомпьютеры редко применяли), HBM станет основной памятью датацентров будущего. Поначалу это звучало абсурдно, но несколько CEO поверили мне и решили инвестировать в производство HBM.

Дженсен Хуанг

(00:41:55)"> Другой вид памяти, кажущийся странным для датацентров — энергоэффективная память для телефонов. Мы попросили их адаптировать её для суперкомпьютеров. Они спросили: «Памятью от телефонов для суперкомпьютеров?» Я объяснил причины. Сейчас посмотрите на LPDDR5 и HBM4. Спрос просто ошеломляющий. Эти три компании установили исторические рекорды, будучи зрелыми игроками 45-летней давности. Итак, часть моей работы — информировать, формировать и вдохновлять.

Лекс Фридман

(00:42:36)"> То есть вы не только конструируете будущее и вдохновляете инженеров NVIDIA, вы формируете будущую цепочку поставок. Вы ведёте диалог с TSMC и ASML.

Дженсен Хуанг

(00:42:50)"> Апстрим, кастрим.

Лекс Фридман

(00:42:51)"> Апстрим, кастрим. Вот в чём суть.

Дженсен Хуанг

(00:42:53)"> GE, Caterpillar. Да, это наш кастрим. Именно так.

Лекс Фридман

(00:42:59)"> Да, вся система. В полупроводниковой отрасли задействованы такие сложные инженерные задачи, цепочки поставок настолько intricately и компонентов так много, что это вызывает ужас, но система удивительно работает.

Дженсен Хуанг

(00:43:18)"> Верно. Глубокая наука. Глубокая инженерия. Непостижимое制造. Сегодня большинство операций автоматизировано. Но у нас сотни поставщиков, предоставляющие технологии для нашего стеллажа с 1,3 миллионами компонентов. В стеллаже Vera Rubin задействовано 200 поставщиков.

Лекс Фридман

(00:43:45)"> Интересно, что в вашем списке барьеров, не дающих спать по ночам, этот пункт отсутствует.

Дженсен Хуанг

(00:43:49)"> Потому что я сделал всё необходимое, чтобы—

Лекс Фридман

(00:43:52)"> Понятно.

Дженсен Хуанг

(00:43:52)"> Поняли? Я спокойно сплю, потому что разобрался. Сам себе говорю: «Давай подумаем. Что для нас важнейшее?» Поскольку мы изменили архитектуру системы от исходного DGX-1 до стеллажного NVLink-72 — что это значит? Для ПО? Для инженерии? Для дизайна и тестирования? Для цепи поставок? Одно следствие: мы перенесли интеграцию суперкомпьютеров из датацентров в环节 manufacturing цепи поставок.

Дженсен Хуанг

(00:44:42)"> Если вы сделаете это, поймите... Предположим, вы строите датацентр, требующий одновременной работы 50 тераватт, а на изготовление этих 50 тераватт в цепочке поставок уходит неделя. Тогда цепочка поставок нуждается в 1 тераватте еженедельно для строительства и тестирования этих суперкомпьютеров, прежде чем я смогу отправить их.

Лекс Фридман

(00:45:25)"> Ого.

Дженсен Хуанг

(00:45:25)"> NVLink-72 действительно собирается в цепочке поставок, затем отгружается целиком весом по две-три тонны на стеллаж. Раньше компоненты поставлялись отдельно, и мы собирали их внутри датацентра. Теперь это невозможно из-за слишком высокой плотности NVLink-72. Это пример. Я должен лететь к поставщикам, видеться с партнёрами и говорить: «Угадайте? Вот что мы делаем... Ранее мы строили DGX так. Сейчас будем иначе. Это намного лучше, потому что в推理 нам это понадобится». Рынок推理 наступает. Переломный момент для推理 скоро наступит. Это будет огромный рынок.

Дженсен Хуанг

(00:46:05)"> Сначала я объясняю, что происходит и почему. Затем требую от каждого вложения десятков миллиардов долларов в CapEx. Потому что они доверяют мне, и я высоко уважаю их, даю им шанс задать вопросы, трачу время на объяснение, использую first principles reasoning. Черчу диаграммы, вывожу логически. Когда заканчиваю разговор, они понимают, что делать.

Лекс Фридман

(00:46:35)"> Так что большая часть вопроса — отношения и формирование общего видения будущего. Но волнует ли вас bottleneck? Какой главный bottleneck в цепочке поставок? Волнует ли вас оборудование EUV от ASML? Достаточно быстро ли расширяется пакетирование CoWoS от TSMC? Как вы сказали, вы не просто растёте невероятно быстро, а ускоряетесь. Кажется, каждый в цепочке, явно bottleneck, должен масштабироваться. Обсуждали ли вы с ними, как масштабироваться быстрее?

Дженсен Хуанг

(00:47:12)"> Постоянно.

Лекс Фридман

(00:47:12)"> Вы беспокоитесь?

Дженсен Хуанг

(00:47:13)"> Нет.

Лекс Фридман

(00:47:13)"> Хорошо.

Дженсен Хуанг

(00:47:14)"> Потому что я сказал им, что мне нужно. Они поняли мои потребности. Сообщили, что собираются делать, и я верю, что они справятся.

Энергия

Лекс Фридман

(00:47:22)"> Очень приятно это слышать. Задержимся чуть-чуть на вопросе энергии. Какие у вас ожидания по решению энергетической проблемы?

Дженсен Хуанг

(00:47:30)"> Лекс, это особая тема, которую я хочу донести. Наши электросети спроектированы на худшие сценарии с запасом. Но фактически 99% времени худших сценариев не наступает, потому что худшее — это самые холодные дни зимы, самые жаркие летом, экстремальные явления. Чаще всего мы далеки от пределов, работая примерно на 60% от пиковой нагрузки.

Дженсен Хуанг

(00:48:08)"> В 99% времени наша сеть простаивает, оставляя избыточную энергию в резерве на случай ЧП. Больницы, инфраструктура, аэропорты должны работать. Мой вопрос: можем ли мы помочь им понять и пересмотреть контракты и архитектуры центров обработки данных. Так, когда социальной инфраструктуре нужна максимальная мощность, датацентры получат меньше.

Дженсен Хуанг

(00:48:49)"> Такие ситуации крайне редки. В эти периоды мы либо используем резервные генераторы, либо перераспределяем нагрузку, либо замедляем компьютеры. Мы снижаем производительность, экономим энергию и отвечаем чуть дольше, когда запрашивают ответы. Я думаю, ожидать 100% uptime — эти жесточайшие требования давят на сеть, вынуждая увеличивать пиковые мощности. Я просто хочу использовать их простаивающие излишки.

Лекс Фридман

(00:49:36)"> Да, эту тему мало обсуждают. Что мешает? Регулирование? Бюрократия?

Дженсен Хуанг

(00:49:43)"> Три аспекта. Первый — от конечного клиента. Клиент требует от датацентров невозможности простоя. Конечный клиент ожидает совершенства. Для этого нужны генераторы и энергопоставщики, выполняющие 100% обязательств. Все требуют «шесть девяток» (99,9999% доступности). Прежде всего, нужно понять всем, что когда клиенты предъявляют эти требования, руководители датацентров могут не знать об этом. Спорю, CEO не знает. Я побуду со всеми CEO.

Дженсен Хуанг

(00:50:28)"> CEO могут даже не следить за условиями подписываемых контрактов, все хотят лучшие условия. Они идут к CSP, переговорщики заключают многолетние контракты, стремятся к максимальной выгоде. Затем CSP идёт к коммунальщикам, требуя гарантий «шести девяток». Первое — убедить клиентов и CEO понимать, чего они требуют. Второе — строить датацентры с возможностью graceful degradation.

Дженсен Хуанг

(00:51:13)"> Если коммунальщик говорит: «Нам нужно снизить питание до 80%», мы ответим: «Никаких проблем». Мы переместим нагрузку, гарантируем сохранность данных, но снизим вычислительную скорость, используя меньше энергии. Качество обслуживания немного упадёт. Для критических нагрузок мгновенно перенесу их в другие датацентры с 100% uptime.

Лекс Фридман

(00:51:44)"> Интеллектуальное динамическое распределение энергии внутри датацентра — насколько это сложная инженерная задача?

Дженсен Хуанг

(00:51:49)"> Пока вы задали спецификацию, вы можете это построить. Отличная фраза. Пока это соответствует первым принципам и законам физики, всё в порядке.

Лекс Фридман

(00:51:58)"> А третья вещь, которую вы упомянули?

Дженсен Хуанг

(00:52:00)"> Вторая — датацентры. Третья — коммунальные компании должны осознать это как возможность. Вместо «Нам нужно пять лет для увеличения мощности», скажите: «Если согласитесь на такой уровень гарантии, я предоставлю электроэнергию по этой цене уже в следующем месяце». Если коммунальщики предложат разные уровни гарантий доставки энергии, я думаю, все найдут решения. В сети сейчас огромный waste. Этим нужно заняться.

Илон Маск и Colossus

Лекс Фридман

(00:52:43)"> Вы высоко оценили достижения Илона Маска и xAI в Мемфисе: они построили суперкомпьютер Colossus в рекордные сроки — всего за четыре месяца. Сейчас там 200 000 GPU, и количество растёт. Как вы считаете, его метод решения проблем полезен всем строителям датацентров и стал причиной такого успеха? Его подход к инженерии и управлению строительством?

Дженсен Хуанг

(00:53:15)"> Прежде всего, Илон глубоко разбирается во многих областях. И превосходный системный мыслитель. Он мыслит междисциплинарно, движет события вперёд, ставит под сомнение всё: первое, необходимо ли это? Два, нужно ли делать именно так? Три, так ли долго это занимает? Он способен questioning до абсолютного минимума необходимого, убирая лишнее без потери функций. Практикует крайний минимализм на системном уровне. Мне также нравится, что он personally присутствует.

Дженсен Хуанг

(00:54:25)"> Он лично приезжает на место. Если есть проблема, говорит прямо: «Укажите мне проблему». Сочетая это, вы преодолеваете старые инерционные установки: «Мы всегда так делали», «Я жду их». Это отговорки. Последнее: когда вы действуете лично с такой срочностью, заражаете всех. Каждый поставщик обрабатывает множество проектов для клиентов, но он умудряется поднять собственный проект в приоритет. Он делает это своими личными действиями.

Лекс Фридман

(00:55:09)"> Да, я ходил на много таких совещаний. За ним интересно наблюдать, потому что мало кто задаёт вопросы: «Можно ли быстрее? Как? Почему так долго?»

Дженсен Хуанг

(00:55:21)"> Да.

Лекс Фридман

(00:55:22)"> А затем это часто становится инженерным вопросом. Когда вы добираетесь до фактической истины на местах... Помню, как я был с ним, он досконально изучал весь процесс подключения кабелей к стеллажу. Работал с инженерами на месте, чтобы понять процесс и сократить ошибки. Формирование интуиции из каждой мелкой задачи по сборке датацентра—

Лекс Фридман

(00:55:52)"> Вы мгновенно чувствуете неэффективность на уровне деталей и глобальной системы, можете повышать эффективность. Плюс мощная исполнительная сила, чтобы сказать: «Давайте сделаем совершенно по-другому —»

Дженсен Хуанг

(00:56:08)"> Да. Верно.

Лекс Фридман

(00:56:09)"> «...и убрать все возможные препятствия».

Дженсен Хуанг

(00:56:10)"> Верно.

Инженерная и лидерская философия Дженсена Хуанга

Лекс Фридман

(00:56:11)"> Видите ли вы сходства между подходом NVIDIA к системному совместному дизайну и стилем Илона управления инженерными системами?

Дженсен Хуанг

(00:56:18)"> Прежде всего, совместный дизайн — это ultimate системная инженерная задача. Мы работаем от first principles. Другое, что мы делаем — философия, которую я提出 30 лет назад, называется Light Speed. Это не только скорость. Light Speed — мое сокращение для физических пределов. Мы сверяем каждое действие с light speed: скорость памяти, математических операций, питания, стоимости, времени, усилий, штата, цикла manufacturing.

Дженсен Хуанг

(00:57:09)"> Когда вы анализируете компромисс между latency и throughput, стоимостью и throughput, стоимостью и capacity, вы тестируете каждый constraint, приближая к physical limit (light speed). При綜合овании вы знаете, что нужно идти на компромиссы. Архитектура ultra-low latency фундаментально отличается от architecture high throughput. Но想知道极限高 throughput и низкий latency. Затем considering систему, вы权衡итесь. Я заставляю всех мыслить от first principles, от пределов.

Дженсен Хуанг

(00:58:01)"> Перед любым действием задумайтесь, каков physical limit. Мы тестируем всё этим стандартом. Хорошая ментальная рамка. Мне не нравится метод continuous improvement. Проблемa continuous improvement... Прежде всего, используйте light-speed, проектируйте от first principles, ограничиваясь физикой. После этого улучшаете постепенно. Но мне не нравится, когда вам говорят: «Сейчас это занимает 74 дня. Можем сократить до 72». Я предпочитаю обнулить и начать заново.

Дженсен Хуанг

(00:58:52)"> Потом спросить: «Объясните, почему изначально 74 дня? Подумайте, сколько займёт сегодня. Сколько потребуется при zero-build?» Обычно вы удивитесь, ответ может быть 6 дней. Разница от 6 до 74 — разумные компромиссы, снижение cost и прочее. Но теперь вы видите gap. Зная, что 6 дней достижимы, диалог о переходе с 74 до 6 станет невероятно эффективным.

Лекс Фридман

(00:59:30)"> При создании таких невероятных сложнейших систем простота иногда служит хорошей启发式 принцип? Взять выпущенный вами вычислительный модуль Vera Rubin. Потрясающе. 7 типов чипов, 5 типов стеллажей, 40 стеллажей, 1,2 квадриллиона транзисторов, почти 20 000 dies NVIDIA, более 1100 GPUs Rubin, 60 exaflops, 10 PB/s bandwidth expansion. И это только один—

Дженсен Хуанг

(01:00:03)"> Только один вычислительный модуль.

Лекс Фридман

(01:00:04)"> Только один модуль.

Дженсен Хуанг

(01:00:06)"> Да, всего один модуль.

Лекс Фридман

(01:00:07)"> Так что у вас... Даже один стеллаж NVL72 содержит 1,3 миллиона компонентов, 1300 чипов, 4000 кабелей, всё упаковано в 19-дюймовый стойку.

Дженсен Хуанг

(01:00:19)"> И Лекс, напомню для масштаба: мы производим около 200 таких модулей каждую неделю.

Лекс Фридман

(01:00:25)"> При таком количестве компонентов «простота» невозможна. Но выступает ли она метрикой, к которой вы стремитесь при дизайне?

Дженсен Хуанг

(01:00:35)"> Моя самая частая фраза: «Нам нужна сложность только тогда, когда это необходимо, но максимально простая в остальном». Вопрос: необходима ли вся эта сложность? Мы должны это тестировать и ставить под вопрос. Всё остальнее — лишнее.

Лекс Фридман

(01:00:56)"> Это почти невероятно. По отношению ко всей полупроводниковой индустрии, то, что делает NVIDIA, — одна из величайших инженерных работ в истории. Эти системы — инженерное чудо.

Дженсен Хуанг

(01:01:10)"> Самый сложный компьютер, когда-либо созданный в мире.

Лекс Фридман

(01:01:13)"> Да, эти инженерные команды. Я не сравниваю, но если бы были Олимпийские игры инженеров, TSMC делает невероятную работу на всех уровнях, как я сказал, и ASML тоже, но NVIDIA — серьёзный конкурент. Поразительные команды.

Дженсен Хуанг

(01:01:28)"> Можно сказать, это золотые призёры всех дисциплин, собравшиеся здесь.

(01:01:33)"> …и должны работать слаженно. И отчитываться непосредственно мне. Это потрясающе. Вы недавно ездили в Китай. Поэтому вопрос интересен: Китай невероятно преуспел в развитии своей технологической сферы. Насколько вам известно, как Китай за последние 10 лет создал столько世界级 компаний, инженерных команд и экосистемы… производя столько потрясающих продуктов?

Дженсен Хуанг

(01:02:05)"> Причины многочисленные… Ну, начнём с фактов. Около 50% ИИ-исследователей мира — китайцы, и большинство из них всё ещё в Китае. Там много отличных исследователей. Точное тайминговое появление технологической индустрии. В эпоху мобильного облака их вклад — программное обеспечение, поэтому страна обладает грамотными детьми в науке и математике. Технологическая индустрия создана в эпоху ПО. Они прекрасно знакомы с современным ПО. Китай — не единая экономическая держава. Множество провинций и городов, мэры которых соревнуются.

(01:03:01)"> Поэтому так много EV-компаний. Потому так много ИИ-компаний. Потому столько— любого типа бизнесов, они создают некоторые из них. Результат — внутри страны невероятно жёсткая конкуренция. В конечном счёте выживают потрясающие компании. Социокультурный аспект: семья первая, друзья вторая, компания третья. Поэтому они много общаются… По сути, они всегда были open-source.

(01:03:47)"> Поэтому вклад в open-source логичен, ведь им нечего скрывать: «Что защищать?» Мои инженеры, их братья в той компании, друзья в той, все alumni. Alumni means lifelong brothers. Поэтому обмен знаниями невероятно быстр. Секретничать бессмысленно. Лучше open-source. Open-source сообщество усиливает и ускоряет инновации. Получается быстрый, потрясающий talent due to open-source nature of friends exchange and fierce competition.

(01:04:35)"> Между компаниями涌现出的东西不可思议。所以这是当今世界上创新最快的国家，而这一点，我刚才所说的一切，都从根本上解释了这些孩子是如何成长的，他们拥有出色的教育，父母希望他们在学校表现出色，他们的文化就是如此。这些，你知道，这些都是他们国家的一些特点，而且他们恰好在技术呈指数级发展的时代出现了。

莱克斯·弗里德曼

(01:05:09)"> 另外，从文化上来说，成为一名工程师是很酷的事情。这与你提到的所有因素都有关联……

黄仁勋

(01:05:16)"> 这是一个建设者国度。

莱克斯·弗里德曼

(01:05:18)"> 这是一个建设者国度。

黄仁勋

(01:05:19)"> 是的，这是一个建设者国度。我们国家的领导人，很了不起，但大多是律师。他们国家的领导人——因为我们要靠法治来保障安全——他们的国家是从贫困中建立起来的。所以他们的大多数领导人都是了不起的工程师。一些最聪明的人。

莱克斯·弗里德曼

(01:05:43)"> 稍微岔开一下，因为你提到了开源，我必须提到 Perplexity，你长期以来一直是它的粉丝。

黄仁勋

(01:05:51)"> 很喜欢，是的。

莱克斯·弗里德曼

(01:05:52)"> 感谢你开源了 Nemotron 3 Super，你也可以在 Perplexity 里面用它来查找信息。这是一个 1200 亿参数的开源权重 MoE 模型。你对开源有什么愿景？你提到了中国，提到了 DeepSeek 和 MiniMax，所有这些公司都在真正推动开源 AI 运动，而 英伟达 在接近最先进水平的开源大语言模型方面确实处于领先地位。你对此的愿景是什么？

黄仁勋

(01:06:28)"> 首先，如果我们要成为一家伟大的 AI 计算公司，我们必须理解 AI 模型是如何演变的。

(01:06:36)"> 我喜欢 Nemotron 3 的一点是，它不仅仅是一个纯粹的 Transformer 模型，它结合了 Transformer 和 SSM。而且我们很早就开始开发条件 GAN，也就是渐进式 GAN，它一步步地引向了扩散模型。所以，我们在模型架构和不同领域进行基础研究，这让我们能够洞察什么样的计算系统对未来模型有好处。这是我们极致协同设计策略的一部分。第二，我认为我们正确地认识到，一方面，我们希望将世界级的模型作为产品，它们应该是专有的。另一方面，我们也希望 AI 能够渗透到每一个行业、每一个国家、每一位研究人员、每一位学生中。

(01:07:37)"> 如果一切都是专有的，那么进行研究就很难，在其基础上、周围、与之一起创新也很难。所以……开源对于许多行业加入 AI 革命是根本必要的。英伟达 拥有规模，我们也有动力——不仅有技能、规模，还有动力——只要我们还存在，就持续构建这些 AI 模型。因此，我们应该这样做。我们可以开放，我们可以激活每一个行业、每一位研究人员、每一个国家，让他们能够加入 AI 革命。还有第三个原因，那就是认识到 AI 不仅仅是语言。这些 AI 很可能会使用基于其他信息模态训练的工具、模型和子代理。

(01:08:39)"> 可能是生物学、化学、物理学定律，或者流体力学和热力学，并非所有这些都包含在语言结构中。所以必须有人去确保天气预报、生物学 AI、用于生物学的 AI、物理 AI，所有这些都能被推向极限，推向前沿。我们不制造汽车，但我们希望确保每个汽车公司都能接触到优秀的模型。我们不发现药物，但我希望确保礼来公司拥有世界上最好的生物学 AI 系统，这样他们就可以用它来发现药物。所以这三个根本原因，既认识到 AI 不仅仅是语言，AI 非常广泛，我们希望让每个人都参与到 AI 世界中来，同时也要进行 AI 的协同设计。

莱克斯·弗里德曼

(01:09:32)"> 嗯，我必须说，再次感谢你开源，真正地开源了 Nemotron 3 以及……

黄仁勋

(01:09:39)"> 是的，谢谢你提到这一点。我们开源了模型，开源了权重，开源了数据，开源了我们创建它的方法。是的，这非常了不起。

台积电与中国台湾

莱克斯·弗里德曼

(01:09:48)"> 这真的非常了不起。你来自中国台湾，并且与台积电关系密切。所以我得问问，我认为台积电在工程团队和他们所做的令人难以置信的工程工作方面，也是一家传奇公司。你如何理解台积电的文化和方法，来解释他们是如何在半导体领域所做的一切中取得这种独一无二、无与伦比的成功的？

黄仁勋

(01:10:19)"> 你知道，首先，关于台积电最深的误解是，他们拥有的只是技术。以为他们只是有非常好的晶体管，如果有人拿出另一种晶体管，游戏就结束了。是技术，当然，我指的不只是晶体管，还有金属化系统、封装、3D 封装、硅光子学，他们拥有的所有技术。是技术让这家公司变得特别。他们的技术让这家公司变得特别。

(01:10:59)"> 但他们协调需求的能力，协调全球数百家公司动态需求的能力，因为它们在上升、转移、增加、减少、推迟、提前、客户更换、晶圆启动、晶圆停止、紧急晶圆启动，所有这些随着世界不断变化而产生的复杂动态，而他们却能以高吞吐量、高良率、非常好的成本、卓越的客户服务来运营工厂。他们认真对待自己的承诺。

(01:11:49)"> 当你的晶圆——因为他们知道他们在帮助你运营公司——当承诺的晶圆该出现时，晶圆就会出现，这样你才能恰当地运营你的公司。所以他们的系统，他们的制造系统，我想说，是完全神奇的。第二点是他们的文化。这种文化一方面同时聚焦于技术，推进技术；另一方面同时以客户服务为导向。很多公司非常以客户服务为导向，但技术并不卓越。他们不在技术的最前沿。

(01:12:27)"> 有很多公司处于技术的最前沿，但他们并不是最好的以客户服务为导向的公司。所以这取决于他们如何平衡这两者，而且他们在两方面都是世界级的。然后第三点可能是我最看重的他们创造的技术，这种无形的东西叫做信任。我信任他们，把我的公司托付给他们。这是非常重要的一点。

莱克斯·弗里德曼

(01:12:55)"> 当他们信任时，我的意思是，你们之间建立了非常紧密的关系，这种信任是基于多年来的表现建立的，但其中也涉及到人际关系。

黄仁勋

(01:13:05)"> 三十年了，我不知道通过他们做了多少成百上千亿美元的业务，而我们没有合同。这太棒了。

莱克斯·弗里德曼

(01:13:15)"> 太神奇了。好的，有这么个故事……在 2013 年，台积电的创始人张忠谋曾邀请你成为台积电的首席执行官，而你说你已经有工作了。这个故事是真的吗？

黄仁勋

(01:13:30)"> 故事是真的。我没有，我没有轻视它。我深感荣幸，当然，我当时就知道，正如我现在所知，台积电是历史上最重要的公司之一。张忠谋是我生命中评价最高的高管之一，也是我的商业伙伴和个人朋友。他的邀请让我受宠若惊，真的非常荣幸。但我在这里做的工作非常重要，我在心中已经看到了 英伟达 的未来以及我们能产生的影响。这是非常重要的工作。这是我的责任，我唯一的责任，就是要实现它。所以我拒绝了，不是因为它不是一个令人难以置信的机会。这是一个令人难以置信的机会，但我就是不能接受。

莱克斯·弗里德曼

(01:14:38)"> 我认为 英伟达，英伟达 和台积电都是人类文明史上最伟大的两家公司。运营其中任何一家，我相信都是一项极其复杂的工作，需要……你必须全身心投入。各个层面的每个人，不仅仅是 CEO 层面。每个人都真的是全身心投入……

黄仁勋

(01:14:57)"> 是的。是的，毫无疑问。

莱克斯·弗里德曼

(01:14:59)"> ……来完成这种程度的复杂性。

黄仁勋

(01:15:00)"> 所以现在我可以帮助两家公司了。

英伟达的护城河

莱克斯·弗里德曼

(01:15:02)"> 没错。现在 英伟达 是世界上最有价值的公司。我得问一下，正如科技界人士所说，英伟达 最大的护城河是什么？即保护你免受竞争的优势。

黄仁勋

(01:15:20)"> 作为一家公司，我们最重要的资产是我们计算平台的安装基础。今天我们最重要的东西是 CUDA 的安装基础。20 年前，当然没有安装基础。但关键是……如果有人搞出一个 GUDA 或 TUDA，那根本不会有任何影响。原因在于，这从来都不仅仅是技术的问题。技术当然是不可思议的、有远见的。但关键在于公司对它的投入、坚持、并扩大了它的影响力。让 CUDA 成功的不是三个人，而是 43,000 个人。

(01:16:17)"> 还有数百万相信我们、信任我们会继续开发 CUDA 1、2、3、13 的开发者，他们决定移植并将他们的软件、他们堆积如山的软件构建在 CUDA 之上。所以安装基础是第一大最重要的优势。这个安装基础，再结合我们以这种规模执行的速度，历史上没有哪家公司曾经构建过如此复杂的系统，绝对没有。然后还要一年构建一次，这是不可能的。这种速度与安装基础相结合，在开发者的心目中，你只需……从开发者的角度来看，如果我支持 CUDA，明天它就会好 10 倍。我平均只需要等六个月。

(01:17:16)"> 不仅如此，如果我在 CUDA 上开发，我能接触到数亿人、数亿台计算机。我存在于每一个云，每一家计算机公司，每一个行业，每一个国家。所以如果我创建一个开源包，并且首先把它放在 CUDA 上，我会同时获得这两个属性。不仅如此，我 100% 相信 英伟达 会一直保留 CUDA，维护它，改进它，并持续优化这些库，只要他们存在。这一点你可以完全放心，最后这一点，信任。你把所有这些放在一起，如果我今天是一名开发者，我会首先瞄准 CUDA。我会最优先瞄准 CUDA。我认为归根结底，这就是我们的首要，甚至是我们首要的……

(01:18:16)"> ……核心优势。我们的第二个优势是我们的生态系统。我们垂直整合了这个极其复杂的系统，但我们横向集成到每一家公司的计算机中。我们进入了谷歌云，进入了亚马逊，进入了 Azure。我们现在正在疯狂地扩展 AWS。我们进入了像 CoreWeave 和 Nscale 这样的新公司。我们进入了礼来公司的超级计算机。我们进入了企业计算机。我们在边缘的无线基站里。我的意思是，这简直疯狂。一个架构存在于所有这些不同的系统中。我们在汽车里，在机器人里，在卫星里，我们甚至在太空中。所以你拥有这一个架构，并且生态系统如此广泛，它基本上覆盖了世界上每一个行业。

莱克斯·弗里德曼

(01:19:03)"> 那么，随着 AI 工厂成为护城河，CUDA 的安装基础在未来将如何演变？你认为未来的 英伟达 有可能完全围绕 AI 工厂吗？

黄仁勋

(01:19:16)"> 嗯，对我们来说，计算单位曾经是 GPU。然后它变成了一台计算机，然后变成了一个集群。现在它是一个完整的 AI 工厂。当我看到一台计算机，当我看到 英伟达 建造的东西时，在过去，我会想象芯片。然后当我发布新产品、新一代产品时，比如，「女士们先生们，我们今天发布 Ampere，」我会拿起芯片。那是我对正在构建的东西的心理模型。今天，我不会……拿起芯片仍然有点可爱。

(01:19:47)"> 但它只是可爱。它不是我所做事情的心理模型。我的心理模型是这个巨大的千兆瓦级的东西，它连接到电网的发电系统。它有冷却系统和极其庞大的网络。有 1 万人在里面试图安装它，数百名网络工程师在里面，成千上万的工程师在背后试图给它通电。你知道，给那些工厂之一通电，正如你所知，不是某个人说「现在开机了」那么简单。需要成千上万的人才能让它启动。

莱克斯·弗里德曼

(01:20:22)"> 所以在心理上，你实际上……当你思考一个计算单元时，你实际上，当你晚上睡觉时，你现在思考的是一组机架，也就是整柜，而不是单个芯片。

黄仁勋

(01:20:33)"> 是整个基础设施。我希望我的下一个思维跳跃是，当我考虑建造计算机时，是行星级的规模。那将是下一个跳跃。

太空中的 AI 数据中心

莱克斯·弗里德曼

(01:20:42)"> 嗯，你怎么看埃隆谈到的太空角度，即在太空中进行计算，以解决一些……它可以使扩展能源方面的某些能源问题更容易解决。

黄仁勋

(01:20:56)"> 散热问题并不容易。是的。

莱克斯·弗里德曼

(01:20:58)"> 散热。嗯，这涉及到大量的工程复杂性。所以……你知道，英伟达 也已经宣布你们已经在考虑这个问题了。

黄仁勋

(01:21:09)"> 是的，我们已经做到了。英伟达 GPU 是太空中的第一批 GPU。我之前没意识到，这很有趣……我可能早就该宣布了。我们在太空中。你知道，我们某个 GPU 上有一个小小的宇航服。但我们已经在太空了。那里是做大量成像工作的好地方。

(01:21:32)"> 你知道，因为这些卫星拥有非常高分辨率的成像系统，它们现在正在持续扫描地球。你希望为全球进行持续的厘米级成像，这样你基本上就能拥有所有东西的实时遥测数据。你不想把这些数据传回地球。那将是 PB 级、PB 级的数据。你只需要就在边缘进行 AI 处理，扔掉所有不需要的东西，那些你之前见过、没有变化的东西，然后只保留你需要的东西。所以 AI 必须在边缘完成。显然，如果我们放在极地，我们有 24/7 的太阳能。但是，那里没有传导，没有对流。

(01:22:23)"> 所以，基本上只能靠辐射。但是，太空很大。我想，我们只需要在那里放置巨大、巨型的散热器。

莱克斯·弗里德曼

(01:22:32)"> 你认为这个想法有多疯狂？这是五年后、十年后、二十年后的事？我们正在谈论 AI 扩展的障碍。

黄仁勋

(01:22:41)"> 你知道，我只是更务实一些。我首先寻找我下一个、再下一个机会所在。与此同时，我在培育太空领域。所以我派工程师去研究这个问题。我们开始……我们学到了很多。如何处理辐射？如何处理性能下降？如何处理持续的缺陷测试和验证？如何处理冗余？如何优雅地降级等等？所以我们可以做……软件呢？你如何看待太空中的软件、冗余和性能？

(01:23:24)"> 让计算机永远不会坏，它只是变慢而已。所以我们可以提前进行大量的工程探索。但与此同时，我最喜欢的答案是消除浪费。你知道，我们有那么多闲置的电力，我想尽快利用起来。

莱克斯·弗里德曼

(01:23:47)"> 是的。那里，那里……是的，地球上有很多唾手可得的果实……我们可以利用它们来扩展 AI。快速暂停一下。快速感谢我们的赞助商 30 秒。请在描述中查看他们。这确实是支持本播客的最佳方式。请访问 lexfridman.com/sponsors。我们有用于好奇心驱动知识探索的 Perplexity，用于在线销售的 Shopify，用于电解质的 LMNT，用于客户服务 AI 代理的 Fin，以及用于电话系统（通话、短信、联系人）的 Quo，为您的业务服务。明智选择，我的朋友们。现在，回到我与 黄仁勋 的对话。你认为 英伟达 有朝一日会值 10 万亿美元吗？让我们换个方式问。如果这是真的，那么世界的未来会是什么样子？

英伟达 会值 10 万亿美元吗？

黄仁勋

(01:24:45)"> 我认为 英伟达 的增长极有可能，而且在我看来是不可避免的。让我解释一下原因。我们是历史上最大的计算机公司。仅这一点就应该引出一个问题：为什么？当然原因……有两个原因。首先，两个基础性的技术原因。第一个原因是，计算从一个基于检索的文件检索系统转变而来。几乎所有东西都是一个文件……我们预先编写一些东西，预先录制一些东西。我们画一些东西，把它放到网上，放到一个文件里。我们使用推荐系统，一些智能过滤器，来找出要为你检索什么。所以，我们过去是一个预录制、人类预录制和文件检索系统。这很大程度上就是计算机的定义。

(01:25:39)"> 而现在，AI 计算机是上下文感知的，这意味着它必须实时处理和生成令牌。所以，我们从基于检索的计算系统转变为基于生成的计算系统。在这个新世界里，我们将需要比旧世界多得多的处理能力。在旧世界里，我们需要大量的存储。在这个新世界里，我们需要大量的计算。这是第一部分。我们从根本上改变了计算以及计算的方式。唯一会导致它倒退……

(01:26:15)"> ……就是如果这种计算方式，这种生成上下文相关、情境感知、在生成信息之前基于新见解的计算方式，这种计算密集型的方式，如果它没有效果，它才会倒退。所以，如果在过去 10 到 15 年从事深度学习的过程中，在任何一刻我得出了这样的结论：「你知道吗？这行不通。我认为这是条死胡同。」或者「它无法扩展，无法解决这种模式，无法用于这个应用。」那么，我当然会有截然不同的感受，但我认为过去五年给了我比之前十年更多的信心。

(01:27:04)"> 第二个想法是，计算机，因为它是一个存储系统，所以大体上是一个仓库。我们现在正在建造工厂。仓库赚不了多少钱。工厂与公司的收入直接相关。所以，计算机做了两件事。它不仅改变了它的运作方式，它在世界上的目的也改变了。它不再是一台计算机，而是一个工厂。它是一个工厂，用于产生收入。我们现在看到，这个工厂不仅在生产人们想要消费的产品、商品，我们还看到这些商品如此有趣，对如此多的不同受众如此有价值，以至于令牌开始像 iPhone 那样进行细分。你有免费令牌，有高级令牌，还有几种中间层级的令牌。

(01:28:10)"> 所以，事实证明，智能是一种可扩展的产品。有极高智能的产品，用于专门用途的令牌，人们愿意为此付费。有人愿意为每百万令牌支付 1000 美元的想法即将到来。这不是会不会的问题，只是什么时候的问题。所以，现在我们看到这个工厂生产的商品实际上是有价值的，并且能够产生收入和利润。现在的问题是，世界需要多少这样的工厂？世界需要多少令牌？社会愿意为这些令牌支付多少钱？如果生产力如此显著地提高，世界经济会发生什么？会发生什么……

(01:29:08)"> 我们是否会……我们是否会发明新药、新产品、新服务？所以，当你把这些事情结合起来，我绝对确信世界 GDP 的增长将会加速。我绝对确信，用于计算的 GDP 占比将比过去多 100 倍——嗯——因为它不再是一个存储单元。它是一个产品生成单元。所以，当你从这个角度来看，然后再反推 英伟达 是什么，英伟达 做什么，以及我们需要从多少新经济、新产业中受益来解决这个问题，我认为我们会变得非常非常大。

(01:29:58)"> 然后剩下的部分，对我来说，是：英伟达 有可能在不久的将来成为一家收入达 3 万亿美元的公司吗？答案当然是肯定的。原因在于它不受任何物理限制。我没有看到任何东西说，天哪，3 万亿美元是不可能的。事实证明，英伟达 的供应链——这个负担由 200 家公司分担。我们在与这个生态系统的合作中扩展，问题是：我们有足够的能源这样做吗？我们当然会有足够的能源。所以，所有这些结合起来，那个数字只是一个数字，你知道？

(01:30:51)"> 我还记得，英伟达 是……在我们首次突破 10 亿美元时，有位 CEO 提醒我，「你知道，Jensen，从理论上讲，一家无晶圆半导体公司不可能超过 10 亿美元。」我不会赘述原因，但这显然不合逻辑，而且有很多证据表明并非如此。然后有人告诉我，「你知道，Jensen，因为其他某家公司，你永远不会超过 250 亿美元。」有人告诉我，「你永远不会，你知道，因为……」所以这些都不是基于原则、基于第一性原理的思考。思考这个问题的简单方法是，我们制造的是什么，我们能创造的机会有多大？

(01:31:42)"> 现在，英伟达 做的不是市场份额生意。我刚才谈到的大部分东西都不存在。这是困难的部分。如果 英伟达 是一家 100 亿美元的公司，试图去夺取 英伟达 的份额，那么股东们很容易看到，哦，是的，如果他们能拿到 10% 的份额，他们就能变得这么大。但人们很难想象我们能有多大，因为我没有可以从谁那里夺取份额的对象。你知道？所以我认为这是世界面临的挑战之一，即对未来的想象力。但我有的是时间，我会继续推理，继续谈论它，每一次 GTC 都会让它变得越来越真实。

(01:32:27)"> 你知道，然后越来越多的人会谈论它，总有一天，我们会到达那里。我 100% 确信我们会到达那里。

莱克斯·弗里德曼

(01:32:34)"> 是的，你的这种观点，基本上是令牌工厂，即每瓦每秒的令牌数，并且每个令牌都有价值。就像它是一个实际带来价值的东西，它为不同的人带来不同种类、不同数量的价值。这就是实际的产品——它确实可以粗略地看作是令牌。所以你有一堆令牌工厂。然后，根据第一性原理，很容易想象一个未来，考虑到 AI 可以解决的所有潜在问题，你将需要指数级更多的令牌工厂。

黄仁勋

(01:33:05)"> 是的。非常有趣的是，我对此如此兴奋的原因是，令牌的 iPhone 已经问世了。

莱克斯·弗里德曼

(01:33:11)"> 你怎么称呼它？等等，你是说 OpenClaw 的 iPhone？

黄仁勋

(01:33:13)"> 是的。

莱克斯·弗里德曼

(01:33:14)"> 这很有意思。

黄仁勋

(01:33:15)"> 代理。

莱克斯·弗里德曼

(01:33:16)"> 是的，代理。没错。

黄仁勋

(01:33:18)"> 总的来说是代理。令牌的 iPhone 已经问世了。它是历史上增长最快的应用程序。它直线上升。直线上升。

莱克斯·弗里德曼

(01:33:26)"> 这说明了问题。

黄仁勋

(01:33:27)"> 是的，毫无疑问，OpenClaw 就是令牌的 iPhone。

莱克斯·弗里德曼

(01:33:31)"> 是否有什么真正特别的事情，大约从 12 月开始发生，人们真正意识到了 Claude Code、Codex、OpenClaw 的力量？我的意思是，我很尴尬地承认，在来这里的机场路上，我第一次在公共场合这样做。我通过跟我的笔记本电脑说话来编程，打个引号。

黄仁勋

(01:33:59)"> 是的，没错。

莱克斯·弗里德曼

(01:33:59)"> 我感到尴尬，因为我假装在和一位人类同事说话。我不确定自己对未来的感觉，那时每个人……都在走来走去和他们的 AI 说话，但这是完成事情的一种非常高效的方式。

黄仁勋

(01:34:13)"> 更有可能的是，你的 AI 会一直打扰你。原因在于它做事太快了。它会向你报告，「我完成了那个。」「接下来你想让我做什么？」你知道，它……我认为大多数人没有意识到的是，与他们聊天、发短信最多的人，将是他们的「爪子」或「龙虾」。

压力下的领导力

莱克斯·弗里德曼

(01:34:37)"> 多么不可思议的未来。我读到过，你将你的很多成功归功于你比任何人都努力工作，并且比任何人都能承受更多痛苦的能力。所以我们可以列出这包含的许多事情。我的意思是，应对失败、我们谈到的成本和工程问题。人的问题、不确定性、责任、疲惫、尴尬、你提到过的公司濒临死亡的时刻，还有压力。现在，作为这家公司的 CEO，各个经济体和民族都围绕它制定战略，规划他们的财务分配，规划他们的 AI 基础设施，你是如何应对如此巨大的压力的？在如此多的国家和人民都依赖你的情况下，是什么给了你力量？

黄仁勋

(01:35:38)"> 我意识到 英伟达 的成功对美国非常重要。我们产生了巨额的税收。我们为我们的国家确立了技术领导地位。技术领导地位对国家安全很重要。国家安全不仅仅是一个方面，而是所有方面。当我们的国家更加繁荣时，我们可以在国内政策和帮助社会福利方面做得更好。因为我们在美国创造了如此多的再工业化，我们创造了大量的就业机会。我们正在帮助将如何建造东西的方式转回到美国，体现在许多不同的工厂、芯片、计算机，当然还有这些 AI 工厂。我完全意识到，这一点……

(01:36:35)"> 而且我受益于此，这真是主流投资者、教师、警察的一份礼物，他们不知为何，出于什么原因投资了 英伟达，或者因为他们看了 Jim Cramer，买了一些股票，现在成了百万富翁。

(01:36:57)"> 我完全清楚这种情况。我清楚 英伟达 是我们身后和下游一个庞大生态系统合作伙伴网络的核心。所以我处理这个问题的方式，正是我刚才所做的。我推理我们正在做什么？它导致了什么？它对其他人的利益有什么影响，无论是积极的，还是例如通过巨大的负担施加给供应链？因此，问题是，你打算怎么做？对于我感受到的几乎所有事情，我都会分解它，推理，「好吧，情况是怎样的？发生了什么变化？难在哪里？我打算怎么做？」我……

(01:37:56)"> 我分解它，解构问题，将这些情况的解构转化为我可以做的、可管理的事情。之后我唯一能做的就是，「你做了吗？是你做的还是你让别人去做的？如果你没做，你推理出你需要做，而你没做，也没有让别人去做，那就别再为此烦恼了。」……你知道？所以，所以——

(01:38:27)"> 所以我对自己相当严格。但是，我也会分解事情，这样我就不会恐慌。我可以安心睡觉，因为我已经列出了需要做的事情清单，并且我确保所有可能危及我们公司、危及我的合作伙伴、危及我们行业的事情，我都告诉了某个人。所有我觉得可能危及任何人的事情，我都告诉了某个人。我告诉了那个能对此采取行动的人。所以，我要么把这事从心里放下了，要么正在处理它。在那之后，Lex，你还能做什么呢？

莱克斯·弗里德曼

(01:39:10)"> 考虑到在建立 英伟达 的旅程中经历了那么多疯狂、强烈的痛苦，你有没有经历过心理上的低谷？

黄仁勋

(01:39:22)"> 哦，是的。哦，是的。当然。一直都有。一直都有。

莱克斯·弗里德曼

(01:39:27)"> 然后你——

黄仁勋

(01:39:27)"> 一直都有。

莱克斯·弗里德曼

(01:39:27)"> ……你只是把问题分解成碎片？看看你能做些什么？

黄仁勋

(01:39:33)"> 一部分，Lex，一部分是遗忘。你知道，AI 学习最重要的属性之一就是系统性遗忘。你需要知道什么时候该忘记一些事情。你不能记住所有事情。你不能保留所有事情，你也不想背负所有事情。我很快做的一件事就是分解问题，推理问题，然后分担它。我说我告诉所有人，我本质上是在分享那个负担。

(01:40:04)"> 尽可能快地。无论我担心什么，告诉别人。不要只是自己扛着。不要吓到他们。把问题分解成更小的部分，让人们参与进来，激励他们能够对此采取行动。但一部分就是遗忘。很多时候，你必须对自己狠一点。振作起来，别再为此烦恼了。让我们行动起来。然后你起床。另一部分是你被下一束光所吸引，下一个未来，下一个机会，下一个，「好吧，那已经过去了。接下来是什么？」我认为这就像你看伟大运动员那样。他们只担心下一分。上一分已经过去了。尴尬，挫折。

(01:40:56)"> 你知道，因为我做了很多公开的工作。Lex，你也做了不少公开的工作。所以我做了很多公开的工作。所以你知道，我说了很多当时看起来合理或当时觉得有趣的话，大多只是因为我当时觉得有趣。然后，当你回想起来，就没那么有趣了，但是……

莱克斯·弗里德曼

(01:41:20)"> 是的。不，相信我，我知道。但你基本上是让自己被未来的光芒所牵引。忘记过去，继续——

黄仁勋

(01:41:27)"> 没错。

莱克斯·弗里德曼

(01:41:28)"> ……继续朝着那个目标努力。我的意思是，你说过，有句很有名的话，如果你事先知道打造 英伟达 会有多难——实际上比你预期的要难一百万倍——你就不会去做了。

黄仁勋

(01:41:46)"> 是的，没错。

莱克斯·弗里德曼

(01:41:47)"> 但是，你知道，当我听到这句话时，所有值得做的事情可能都是如此，对吧？

黄仁勋

(01:41:53)"> 没错。顺便说一句，这正是我想解释的，拥有孩子般的心态是一种不可思议的超能力。当我看到某件事时，我经常对自己说，几乎所有事情我的第一反应都是，「能有多难呢？」你让自己进入那种状态，能有多难呢？从来没有人做过。它看起来巨大无比。它将耗资数千亿美元。它将需要所有这些……你就想，「是啊，但能有多难呢？」能有多难呢？

(01:42:37)"> 所以，你必须让自己进入那种心态。你其实不希望对所有事情、所有挫折、所有磨难、所有失望都进行过度模拟。你不想提前模拟所有那些。你不想知道那些。你想带着「这将完美、这将很棒、这将非常有趣」的想法进入新的体验。然后，当你身处其中时，你需要有耐力，需要有韧性，这样当挫折真的发生时，那些挫折会让你惊讶，失望会让你惊讶，尴尬会让你惊讶，屈辱会让你惊讶。

(01:43:17)"> 你不能让……现在你只需要启动另一部分，那就是忘掉它。继续前进，持续前行。只要我对未来的假设以及未来为何会实现的那些假设没有改变，或者没有实质性地改变，那么我就应该预期结果不会改变。所以我模拟的未来结果仍然会发生。如果它仍然会发生，我仍然会去追求它。

(01:43:54)"> 我相信它会，你知道，所以这里有二三种人类特质的结合：以清新心态进入体验的能力，忘记挫折的能力，相信自己、相信你所相信的并忠于那个信念的能力。但你也在不断地重新评估。

(01:44:20)"> 我认为这种三、四、五种特质的结合对于韧性来说非常重要。我很幸运，无论是什么人生经历造就了这些，我拥有了那四、五种特质。我总是充满好奇，总是在学习。我总是向每个人学习。我总是问我的……因为我凡事都很谦逊，我总是想，「天哪，他们做得真好。他们做得太棒了。」我想知道他们在想什么。他们如何……所以我在模拟每个人。在很多方面，我在模仿我观察到的几乎每个人，对吧？你对他们所做、你所观察和尊重的一切都感同身受。所以你一直在学习。

莱克斯·弗里德曼

(01:45:10)"> 你现在是地球上最富有的人之一。地球上最成功的人之一。保持谦逊并能够……你是否觉得金钱、权力和名声的影响，让你更难在心里承认自己是错的？更难去听取别人不同意的意见并向他们学习？诸如此类的事情。

黄仁勋

(01:45:41)"> 令人惊讶的是，并没有。实际上我会说恰恰相反。因为我做了那么多公开的工作，当我错了的时候，几乎每个人都能看到。

莱克斯·弗里德曼

(01:45:53)"> 你被教育了。有道理。

黄仁勋

(01:45:55)"> 当我错了——当我错了或者结果并非如此，或者，你知道，我在外面说的大部分事情，我都是相当确定的。原因在于它会影响到别人，我想对此非常在意，非常谨慎。对于那些我在会议中推理的事情，很多事情的结果可能不同。但这从未阻止我推理。我管理和领导的方式是，我经常在人们面前推理。即使在我和你说话的时候，你也能看到我实时推理的过程。我想确保你理解我所说的，不是因为我告诉了你——

(01:46:40)"> ……而是因为我对我要告诉你的事情非常谦逊。我向你展示了我是如何得出这个结论的步骤。然后你可以自己决定是否相信我最后说的话。所以我整天在会议上都是这么做的。对我所有的员工，我不断地推理，「让我告诉你我是怎么看的。」然后我进行推理。这给了每个人机会介入并说，「我不同意那一点。」通过推理并让人们参与其中的好处是，他们不必不同意你的结果。他们可以不同意你的推理步骤。他们可以把我的思路引向不同的方向，然后我们可以一起向前推理。所以我们有点像在共同寻找路径。这真的很棒。

莱克斯·弗里德曼

(01:47:29)"> 是的，你有一种特质……当你解释事情的时候，我能感觉到你实际上是在当场推理，带着一种持续的开放心态，我可以感觉到我可以引导你的思维。这是非常美好的，你在这么多年的成功和痛苦之后，还能保持这种状态。我认为有时候痛苦会让你封闭一点。我认为能保持——

黄仁勋

(01:47:57)"> 是的。对尴尬的容忍度，我认为是……

莱克斯·弗里德曼

(01:47:59)"> 是的，那是……容忍度……我的意思是，这是真实存在的。就是多年来让自己难堪。即使在那些会议上，知道周围有人，你宣布了一个想法，结果证明那个想法是错的……并且能够承认这一点并从中成长。这在人的层面上是非常困难的。

黄仁勋

(01:48:17)"> 是的。嗯，你知道。他们知道，他们知道我最近的第一份工作是刷厕所，所以。

电子游戏

莱克斯·弗里德曼

(01:48:25)"> 我很高兴你保留了在丹尼餐厅时的那种精神。我的意思是，那很美好。你从丹尼餐厅开始的整个旅程是美好的。让我问你关于电子游戏的问题。我是一个狂热的游戏迷。所以我必须感谢 英伟达 多年来提供的令人难以置信的图形。

黄仁勋

(01:48:47)"> 顺便说一句，GeForce 至今仍然是我们的首要营销策略。没错。人们在青少年时期就了解 英伟达。然后他们上大学，知道 英伟达 是谁，起初只是玩使命召唤、堡垒之夜。然后后来他们使用 CUDA，然后后来他们使用 英伟达，还有 Blender、Dassault 和 Autodesk。

莱克斯·弗里德曼

(01:49:16)"> 是的。我的意思是，我应该说我告诉一个朋友我要和你谈话。他说，「哦，他们生产很棒的游戏 GPU。」

黄仁勋

(01:49:25)"> 是的，没错。

莱克斯·弗里德曼

(01:49:26)"> 就好像——

黄仁勋

(01:49:26)"> 没错。

莱克斯·弗里德曼

(01:49:27)"> 你知道，还有更多，但是，是的，人们真的很喜欢它。它确实给很多人带来了很多快乐。硬件真正将这些世界变得栩栩如生。DLSS 5 曾引发一些争议。你能给我解释一下这个争议吗？我想在线上的玩家们担心它会让游戏看起来像 AI 垃圾。你怎么看这个争议？

黄仁勋

(01:49:56)"> 是的。我认为他们的观点有道理，我能理解他们的想法，因为我自己也不喜欢 AI 垃圾。你知道，所有 AI 生成的内容看起来越来越相似，而且它们都很漂亮，所以我对他们的想法感同身受。但这不是 DLSS 5 试图做的事情。我展示了几个例子。DLSS 5 是 3D 条件下生成的，有 3D 引导的。它是由真实结构数据引导的。所以艺术家决定了几何形状。我们在每一帧中都完全忠实于几何形状。它由纹理、艺术家的艺术性来引导。所以每一帧，它都在增强，但不会改变任何东西。

(01:50:55)"> 现在，问题在于增强。DLSS 5 也允许，因为系统是开放的，你可以训练自己的模型来决定，你甚至可以在未来提示它。我希望它是一个卡通着色器。我希望它看起来像某种风格，所以你可以给它一个例子。它会以那种风格生成，完全符合艺术家的艺术性、风格和意图。所以所有这些都是为艺术家做的，这样他们就可以创造出更美丽但仍符合他们想要风格的东西。我认为他们得到的印象是游戏会原样发布，然后我们会对它进行后期处理。这不是 DLSS 的意图。

(01:51:50)"> DLSS 是与艺术家集成的，所以它是关于给艺术家提供 AI 工具、生成式 AI 工具的。他们可以选择不使用它，你知道？

莱克斯·弗里德曼

(01:52:01)"> 我认为人们对人脸非常敏感。我们现在生活在这样一个时刻，我认为这是一个美丽的时刻，人们对 AI 垃圾很敏感。它为我们提供了一面镜子，帮助我们意识到我们所追求的是不完美。我们追求的有时不是完美的图形。它帮助我们理解我们在创造的世界中发现什么引人入胜。这很美。只要它是帮助我们创造那些世界的工具——

黄仁勋

(01:52:28)"> 是的，没错。

莱克斯·弗里德曼

(01:52:28)"> ……它就很好。

黄仁勋

(01:52:29)"> 没错。又多了个工具而已，而且他们希望生成模型生成与照片级真实相反的东西。是的，它也能做到。所以这只是一个额外的工具。我想玩家们也可能很感激，在过去的几年里，我们向游戏开发者介绍了皮肤着色器。许多游戏都有皮肤着色器，包括次表面散射，使皮肤看起来更像皮肤。所以游戏开发者们正在寻找越来越多的工具来表达他们的艺术。所以这只是一个额外的工具，他们可以决定使用什么。

莱克斯·弗里德曼

(01:53:16)"> 一个可笑的问题。你认为有史以来最伟大或最具影响力的游戏是什么？也许从 英伟达 的角度来看？

黄仁勋

(01:53:24)"> 毁灭战士。

莱克斯·弗里德曼

(01:53:25)"> 毁灭战士，毫无疑问。那是 3D 的开始。

黄仁勋

(01:53:28)"> 我会说是毁灭战士，从艺术、文化影响以及行业的角度来看，它将 PC 变成了游戏设备。那是一个非常重要的时刻。当然，在此之前有飞行模拟公司。但他们没有毁灭战士那样的普及度，未能让整个行业将 PC 从办公自动化工具转变为家庭和玩家的个人电脑。所以毁灭战士在这方面确实影响深远。从实际游戏技术角度来看，我会说是 VR 战士。所以，你知道，我们和两者都是很好的朋友。

莱克斯·弗里德曼

(01:54:07)"> 还有最近的游戏——我的意思是，赛博朋克 2077，非常棒的 GPU 加速图形。就像——

黄仁勋

(01:54:16)"> 完全光线追踪。

莱克斯·弗里德曼

(01:54:17)"> 完全光线追踪。还有，我个人非常喜欢，我是天际、上古卷轴的超级粉丝，你知道，它很久以前就发布了，但人们发布模组并且——

黄仁勋

(01:54:29)"> 我们喜欢模组。

莱克斯·弗里德曼

(01:54:30)"> ……他们创造了这些令人难以置信的，我的意思是，它就像一个不同的游戏，让我可以一遍又一遍地重玩。它让你意识到，你可以用一种全新的方式重新体验你已经热爱的世界。所以——

黄仁勋

(01:54:45)"> 没错。

莱克斯·弗里德曼

(01:54:45)"> ……我一直都这么做。我最喜欢的事情之一就是在天际中漫步。

黄仁勋

(01:54:48)"> 我们创建了一个叫做 RTX Mod 的东西。是的，它是一个模组工具。

莱克斯·弗里德曼

(01:54:53)"> 太棒了。

黄仁勋

(01:54:53)"> 它允许社区将最新技术注入到旧游戏中。

莱克斯·弗里德曼

(01:55:00)"> 当然，造就一款伟大电子游戏的不仅仅是图形，还有故事和角色发展，但是——

AGI 时间线

黄仁勋

(01:55:06)"> 没错。

莱克斯·弗里德曼

(01:55:06)"> ……美丽的图形可以增加沉浸感。那种仿佛被传送到另一个地方的感觉。啊，你说过，我认为很准确，AGI 的时间线问题取决于你对 AGI 的定义。所以让我问你一下可能的时间线。让我们采用这个可能很荒谬的 AGI 定义，即一个能够基本上完成你工作的 AI 系统。所以，运营，不，是创办、发展并运营一家成功的科技公司，价值——

黄仁勋

(01:55:52)"> 一家好的公司还是一家普通的公司？

莱克斯·弗里德曼

(01:55:54)"> 不。它必须价值超过 10 亿，超过 10 亿美元。所以，你知道，你知道做所有这些事情有多难。那么，我们离那一步还有多远？所以，我们谈论的是 Open-Claude，它能做所有极其复杂的事情，首先需要创新，找到客户，向他们销售，管理，建立一个由一些代理、一些人组成的团队，诸如此类的事情。这是 5 年、10 年、15 年、20 年后的事？

黄仁勋

(01:56:31)"> 我认为就是现在。我认为我们已经实现了 AGI。

莱克斯·弗里德曼

(01:56:35)"> 你认为可以由这样的 AI 系统来运营一家公司吗？

黄仁勋

(01:56:37)"> 有可能，原因如下。你说的是 10 亿，你没有说永远。所以例如……一个 Claude 能够创建一个网络服务，一些有趣的小应用，突然之间，几十亿人花 5 毛钱使用它，然后不久之后就倒闭了，这并非不可能。在互联网时代，我们看到了大量这类公司，而且那些网站中的大多数并不比今天 Open-Claude 能生成的更复杂。

莱克斯·弗里德曼

(01:57:20)"> 有意思。实现病毒式传播并将这种病毒式传播变现。

黄仁勋

(01:57:23)"> 是的。只是我不知道它是什么，但我当时也无法预测那些公司中的任何一个，你知道？

编程的未来

莱克斯·弗里德曼

(01:57:30)"> 你的这个说法会让很多人兴奋。

黄仁勋

(01:57:32)"> 是的，不。是的。

莱克斯·弗里德曼

(01:57:33)"> 就像，你什么意思？我可以直接启动一个代理，然后赚很多钱？

黄仁勋

(01:57:38)"> 嗯，顺便说一句，这正在发生，对吧？你知道当你去中国时，你会看到，你会看到很多人教他们的 Claude，让他们的 Claude 出去找工作，工作，赚钱。我其实……如果出现某种社交事件，或者有人创建了一个数字影响者，超级可爱，或者某个社交应用，喂养你的小拓麻歌子之类的，然后一夜之间爆红，我也不会感到惊讶。很多人用了几个月，然后就消失了。现在，这 10 万个代理中有一个能建成 英伟达 的几率是零。

(01:58:28)"> 然后，有一点我不会做，也希望我们大家都做的是，要认识到人们真的很担心他们的工作。我只想提醒他们，你工作的目的与你用来完成工作的任务和工具是相关的，但不是一回事。我已经做了 33 年的工作。我是世界上在职时间最长的科技公司 CEO，34 年了。在过去 34 年里，我用来完成工作的工具一直在变化，有时在两三年的时间里变化相当剧烈。有一个故事我非常想确保每个人都听到，那就是计算机科学家、AI 研究人员说的第一个会消失的工作是放射科医生。

(01:59:25)"> 因为计算机视觉将达到超人的水平，它确实做到了。CV……计算机视觉在 2019、2020 年达到了超人水平，也许稍晚一点，2020 年？

(01:59:39)"> 对吧？所以计算机视觉达到超人水平已经很久了。所以预测是放射科医生会消失，因为研究放射扫描已成过去。AI 会做这件事。嗯，他们完全正确。计算机视觉完全是超人的。今天每一个放射学平台和软件包都由 AI 驱动，然而放射科医生的数量却增长了。那么问题是为什么？现在我们在世界范围内缺少放射科医生。所以，第一，危言耸听的警告过头了，它吓退了人们从事这个对社会如此重要的职业。所以它造成了伤害。那么，为什么它是错的？原因在于，放射科医生的目的是诊断疾病，帮助病人和医生诊断疾病。

(02:00:38)"> 因为我们现在可以更快地研究扫描结果，你可以研究更多的扫描，你可以诊断得更好，你可以更快地收治病人，你可以看到更多的人。医院赚更多的钱。医院里有更多的病人。你需要更多的放射科医生。我的意思是，令人惊奇的是，这是如此显而易见地会发生的事情。英伟达 的软件工程师数量将会增长，而不是减少。原因在于，软件工程师的目的与软件工程师编码的任务是相关的，但不是一回事。我希望我的软件工程师解决问题。我不在乎他们写了多少行代码，你知道？但他们的工作，他们工作的目的没有改变。

(02:01:25)"> 解决问题，团队合作，诊断问题，评估结果，寻找要解决的新问题，创新，连接点。这些事情都不会消失。

莱克斯·弗里德曼

(02:01:39)"> 你认为是否可能……我们甚至就拿编程来说。你认为世界上的程序员数量可能会增加，而不是减少吗？

黄仁勋

(02:01:45)"> 是的。原因如下。什么是编程？我相信……今天编程的定义，简单地就是指定、规格说明，也许如果你想要更具指导性，你甚至可以给出你想要编写的软件的架构。那么问题是，有多少人能做到？描述一个规格，让计算机去……告诉计算机去构建什么。有多少人？我认为我们从 3000 万可能增加到了 10 亿。所以未来的每一个木匠都将是一个程序员，只不过有了 AI 的木匠同时也是建筑师。他们只是增加了能为客户提供的价值。他们的艺术性极大地提升了。

(02:02:43)"> 我相信每一个会计师，也是你的金融分析师，也是你的财务顾问。所以，所有这些职业都得到了提升……如果我是一个木匠，我看到 AI，我会完全疯狂。我作为水管工能带给客户的服务，完全会疯狂。

莱克斯·弗里德曼

(02:03:04)"> 而目前是程序员和软件工程师的人，我认为他们处于最前沿，能直观地理解如何使用自然语言与代理沟通，以设计出最好的软件。

黄仁勋

(02:03:20)"> 没错，完全正确。

莱克斯·弗里德曼

(02:03:20)"> 所以随着时间的推移，他们会融合，但我认为学习如何编程仍然有价值，比如学习什么是编程语言。旧式的编程，编程语言的良好实践是什么，大型软件系统的设计原则是什么——

黄仁勋

(02:03:39)"> 没错。

莱克斯·弗里德曼

(02:03:40)"> ……语言的？

黄仁勋

(02:03:43)"> 原因在于，Lex，你知道，正如你对听众所说的，我认为规格说明的目标，规格说明的艺术性，其目标和艺术性将取决于你试图解决什么问题。当我思考，当我思考为公司制定战略、规划公司方向以及我们应该做的事情时，我会在一个足够具体的层面上描述它，让人们大致理解方向并且可以采取行动。它足够具体，他们可以据此采取行动，但我有意地降低规格说明的程度，这样就能让 43,000 名优秀的人把它做得比我想象的更好。

(02:04:36)"> 所以当我与工程师共事，与人们共事时，我会考虑，我在试图解决谁的问题，什么问题？我和谁一起工作？规格说明的程度、架构定义的程度与此相关。所以每个人都将不得不学习，他们想在编程光谱的哪个位置。编写规格说明就是编程。所以你可能决定非常具体地规定，因为你寻求一个非常具体的结果。你可能决定，这是一个你想要更多探索的领域，所以你可能降低规格说明的程度，让你能与 AI 来回互动，甚至突破自己的创造力边界。所以这种你在光谱中位置的艺术性，这就是编程的未来。

莱克斯·弗里德曼

(02:05:31)"> 但让我们在编程之外再稍微谈一下，我认为很多人，理所应当地，担心他们的工作，对他们的工作有很多焦虑，尤其是在白领领域。我认为我们谁都不知道该如何应对自动化与新技术到来时总会带来的动荡时代。我只是……首先，我认为我们都需要有同情心和责任感，去感受那些失去工作的个人和家庭所承受的实际痛苦。我认为每当像人工智能这样的变革性技术到来时，就会有很多痛苦，我不知道该如何应对这种痛苦。

(02:06:21)"> 希望随着工具的发展，它能给同样的人创造更多的机会，让他们从事同类型的工作，并使他们更高效、更有趣，就像在编程领域那样。我不得不说，我在编程中获得了如此多的乐趣。我从未有过如此多的乐趣。所以希望它能让他们的工作自动化枯燥的部分，而把创造性的部分留给人类去负责。但仍然会有很多痛苦和磨难。

黄仁勋

(02:06:51)"> 所以我的第一个建议……这就是我现在处理焦虑的方式。事实上，我们之前刚谈到过。对未来的巨大焦虑，对压力的巨大焦虑，对不确定性的巨大焦虑，我首先分解它，然后我会告诉自己，「好吧，有些事情你可以做点什么，有些事情你什么都做不了。但对于你能做点什么的事情，让我们推理，推理一下，然后去做。」

(02:07:20)"> 如果今天我们招聘一个新毕业的大学生，我有两个选择，一个对 AI 一无所知，另一个是使用 AI 的专家，我会雇佣那个使用 AI 的专家。如果我有一个会计，一个市场营销人员，那个使用 AI 的专家，供应链，客户服务，销售人员，业务拓展，律师，我会雇佣那个使用 AI 的专家。所以我建议每一个大学生，每一位老师都应该鼓励他们的学生去使用 AI。每一个大学生毕业时都应该是 AI 专家。每个人，如果你是木匠，如果你是电工，去用 AI。去看看它能做什么来改变你当前的工作，提升你自己。

(02:08:21)"> 如果我是农民，我绝对会用 AI。如果我是药剂师，我会用 AI。我想看看它能做些什么来提升我的工作，让我自己成为革新这个行业的创新者。所以这将是我会做的第一件事。然后我也会帮助他们……事实是，技术将取代并消除许多任务。因为它会自动化，如果你的工作就是那个任务——那么你很可能被颠覆。如果你工作的目的包含你，某些任务……那么你去学习如何使用 AI 来自动化这些任务就至关重要。然后中间还有广阔的光谱。

莱克斯·弗里德曼

(02:09:14)"> 顺便说一句，AI 的美妙之处，比如聊天机器人版本，在于你可以分解……你有焦虑，你可以通过和它交谈来分解问题。就像，我最近……你真的可以通过它思考你生活中的问题，通过……我不是指像治疗那样的问题。我指的是，非常实际地，「好吧，我担心我的……」字面意思是，「我担心我的工作。需要什么技能？我需要采取哪些步骤？」我如何更好地使用 AI？「你刚才说的一切，你都可以直接问，它会给你……一个逐点的计划。我的意思是，它简直就是一个很棒的人生教练，就是这样。这——

黄仁勋

(02:09:51)"> 我不知道怎么用 AI，AI 会说，」嗯，让我来教你。「

莱克斯·弗里德曼

(02:09:54)"> 没错。这非常元，但它——它有点不可思议。所以人们绝对应该——

黄仁勋

(02:10:00)"> 你不能走到 Excel 前说，」我不知道怎么用 Excel。「

莱克斯·弗里德曼

(02:10:02)"> 没错。

黄仁勋

(02:10:02)"> 你完蛋了。

莱克斯·弗里德曼

(02:10:03)"> 我的意思是，这真的是 AI 在生活的各个方面为我所做的，消除了作为初学者第一次使用某物时的初始摩擦。我真的可以问任何一件事，」我需要采取的第一步是什么？「

黄仁勋

(02:10:16)"> 没错。

莱克斯·弗里德曼

(02:10:17)"> 它提供的这种手把手的指导，消除了世界提供的一切体验中的摩擦……你知道，就像我私下跟你提到的，你提到，」我要去中国和台湾。「

黄仁勋

(02:10:30)"> 太棒了。

莱克斯·弗里德曼

(02:10:31)"> 直接问，」我去哪里——「

黄仁勋

(02:10:31)"> 为你感到兴奋。

莱克斯·弗里德曼

(02:10:32)"> 」我去哪里……做什么……「 」你知道，我去哪里？我怎么……「 所有这些问题……立即得到回答，这太美好了。

黄仁勋

(02:10:37)"> 嗯，你去台湾的时候，直接问 AI……」Jensen 在台湾最喜欢的餐厅有哪些？「它实际上会——

莱克斯·弗里德曼

(02:10:45)"> 你不知道？

黄仁勋

(02:10:45)"> 哦，知道。

莱克斯·弗里德曼

(02:10:46)"> 准确吗？好的。好吧。

黄仁勋

(02:10:47)"> 遍布台湾。

莱克斯·弗里德曼

(02:10:50)"> 嗯，你在那边是个大明星。就像我们私下提到的，也许我们会在计算机会展上碰面，那会非常棒。

黄仁勋

(02:10:58)"> 台北电脑展。英伟达 GTC 台湾。

意识

莱克斯·弗里德曼

(02:11:01)"> 你认为关于人类本性、人类意识，是否存在某些根本上是非计算性的东西？也许是某些东西，无论芯片多么强大，都无法复制？

黄仁勋

(02:11:18)"> 我不知道芯片是否会紧张。你知道，当然，导致焦虑、紧张或任何情绪的条件。我相信 AI 将能够识别和理解这些。我不认为我的芯片会感受到这些。因此，那种焦虑、那种感觉、那种兴奋、那种……所有这些感觉都体现在人类的表现中。例如，极其出色的人类表现，运动表现，平均或低于平均水平。同样的情境，在不同的人身上，会产生整个光谱的人类表现，展现出不同的结果，展现出不同的表现。

(02:12:15)"> 我认为我们正在构建的任何东西中，没有任何东西表明，两个不同的计算机在完全相同的情境下，会产生……当然，它们会产生统计上不同的结果，但那不是因为它们感觉不同。

莱克斯·弗里德曼

(02:12:34)"> 是的，主观体验……天哪，我们人类的主观体验确实有些特别的东西。就像我对你说的，和你谈话我相当紧张。就像我对你说的，希望、恐惧、焦虑，以及生活本身，生活的丰富性。一切是多么神奇。我们爱得有多深，我们的心碎得有多深，我们有多害怕死亡，当我们所爱的人去世时我们有多痛苦。所有这一切，全部。我知道很难……想象 AI 能够……一个计算设备能够做到那样。但这整件事还有很多我们尚未发现的奥秘，我对此持开放态度，愿意接受惊喜。在过去——

莱克斯·弗里德曼

(02:13:23)"> ……几个月和几年里，我已经被惊到了很多次。扩展可以在智能领域创造一些不可思议的奇迹。看着这一切真的非常奇妙，所以我愿意接受惊喜。

黄仁勋

(02:13:34)"> 分解什么是智能是非常重要的。你知道，我们一直使用的这个词，它不是一个神秘的词。智能是有含义的，你知道？

(02:13:46)"> 它是一个系统……它是我们所做的事情，包括感知、理解、推理和制定计划的能力。那个循环，那个循环，就是……智能的根本。智能不是一个完全等同于人性的词。我认为区分这两者非常重要。我们有两个词来描述。我不过度幻想，也不过度浪漫化智能。智能是……人们以前听我说过，我实际上认为智能是一种商品。我被聪明人包围着。我周围都是比我聪明的人，在他们各自的领域里。

(02:14:39)"> 然而，我在那个圈子里有一个角色。这其实挺有意思的。他们比我受教育程度高。他们上的学校比我好。他们在各自领域都比我深入。所有人。我有 60 个这样的人。对我来说，他们都是超人。而不知何故，我却坐在中间，协调着所有这 60 个人。所以你得问问自己……一个洗碗工有什么特质，能让这个洗碗工坐在一群超人的中间？这说得通吗？

(02:15:15)"> 所以，这就是我的观点。我的观点是，智能是功能性的。人性不是用功能性来定义的。它是一个大得多的词。我们的人生经历、我们对痛苦的忍耐力、我们的决心，这些都是不同于智能的词。所以，我想帮助听众理解的是，如果我只能给他们一个信息，那就是智能这个词随着时间推移被我们提升到了一个非常高的地位。

莱克斯·弗里德曼

(02:15:50)"> 我们真正应该提升的词是人性的光辉。

黄仁勋

(02:15:53)"> 品格，人性的光辉。

莱克斯·弗里德曼

(02:15:55)"> 所有这些。

黄仁勋

(02:15:55)"> 所有这些。同情心、慷慨，你刚才说的一切，我相信这些都是超人的力量。而现在的智能将被商品化。因为我们谈到了，最重要的是你的教育。现在，即使他们说你最重要的是你的教育，当你上学时，你获得的不仅仅是知识。

(02:16:22)"> 但不幸的是，我们的社会把所有东西都归结为一个词，而生活远不止一个词。我只是想告诉你，我的生活表明，在智力曲线上比我周围的每个人都低，并不改变我是最成功的事实。所以，我希望这能激励其他人——不要让智能的民主化、智能的商品化导致你的焦虑。你应该为此受到鼓舞。

莱克斯·弗里德曼

(02:17:00)"> 是的。我认为 AI 将帮助我们更多地颂扬人类。当然，人性与人类至上，我认为让这个世界不可思议的是人类将永远如此，而 AI 正是这个让我们人类变得更强大的不可思议的工具——

黄仁勋

(02:17:18)"> 完全正确。

莱克斯·弗里德曼

(02:17:18)"> ……人类更强大。

黄仁勋

(02:17:19)"> 完全正确。

死亡

莱克斯·弗里德曼

(02:17:21)"> 英伟达 的成功以及我提到的数百万人的生活都依赖于你。但你只是一个人，就像我们提到的，和我们一样终有一死。你会考虑自己的死亡吗？你害怕死亡吗？

黄仁勋

(02:17:42)"> 我真的不想死。我生活很美好。我有一个很棒的家庭。我有非常重要的工作要做。这不是一生一次的经历所暗示的，那种经历可能很多人都有过，只是不是同一个人。我正在经历的是人类史上一次的经历。英伟达 是历史上最重要的科技公司之一。我们在做非常重要的工作。我对此非常认真。所以当然有些实际的事情，比如我们如何考虑继任计划？我以不相信继任计划而闻名。

(02:18:36)"> 天哪。

黄仁勋

(02:18:36)"> 原因不是因为我长生不老。原因在于，如果你担心继任计划，如果你对继任计划充满焦虑，那么你该怎么做？然后你把它层层分解。如果你关心你离开后公司的未来，你今天应该做的最重要的事情，就是尽可能频繁、持续地传递知识、信息、见解、技能、经验，这就是为什么我不断在我团队面前推理每一件事的原因。每一次会议都是一次推理会议。我在公司内外度过的每一刻，都是为了尽可能快地把知识传递给人们。

(02:19:23)"> 我学到的东西在我桌上停留的时间不会超过一秒钟。我正在传递这些信息、这些知识——哦，天哪，这个太酷了。在我自己还没完全学完之前，我已经把它指给其他人了。」看看这个。这太酷了。你会想学这个的。「所以我不断地传递知识，赋能于人，提升我周围每个人的能力，这样我所寻求的、我希望的结果是，我能死在工作中。并且希望我能瞬间死在工作中。没有长时间的痛苦，你知道？这，呃——

莱克斯·弗里德曼

(02:20:06)"> 嗯，从一个粉丝的角度来看，鉴于你对文明产生的极其巨大的积极影响，当然，我希望你能继续下去。而且，看着 英伟达 所做的一切本身就很有趣。就是那种创新速度。我是一个超级工程迷。英伟达 持续进行着如此多令人难以置信的工程。光是看着就很有趣。这是对人性的颂扬，是对伟大建设者的颂扬，是对伟大工程的颂扬。所以，它代表着一些特别的东西。所以我希望你和 英伟达 继续下去。关于我们正在进行的这一切，关于人性，关于人类的未来，是什么给了你希望？当你展望未来，当你经常思考未来，当你展望 10 年、20 年、50 年、100 年后，是什么给了你希望？

黄仁勋

(02:20:56)"> 我一直对善良、慷慨、同情心、人类的能力抱有极大的信心。我一直对此非常有信心。有时甚至超过了我应该的程度。我也会被利用，但这从未让我停止相信。我总是首先相信人们想做好事。人们想帮助别人。绝大多数情况下，事实证明我是对的。不断地被证明是对的。而且常常超出我的预期。所以我对人类的能力充满信心。我认为给我带来巨大希望的是，我现在看到什么是可能的，以及根据我们正在做的事情进行推断，什么将很可能发生。

(02:22:22)"> 有那么多我们想要解决的问题。有那么多我们想要解决的问题。有那么多我们想要建造的东西。有那么多我们想做的好事，现在都触手可及，而且在我有生之年触手可及。你不可能不对那感到浪漫。你明白我的意思吗？

莱克斯·弗里德曼

(02:22:46)"> 活在当下是多么激动人心的时刻。就像，真的——

黄仁勋

(02:22:49)"> 怎能——

莱克斯·弗里德曼

(02:22:49)"> ……真的是这样。

黄仁勋

(02:22:50)"> 你怎么能不对那感到浪漫？事实上，期望疾病的终结是合理的。期望这是合理的。期望污染会大幅减少是合理的。期望以光速旅行确实在我们的未来是合理的。然后，不是远距离，而是短距离。人们问我怎么做。嗯，首先，很快，我会把一个人形机器人放在宇宙飞船上，它会是我的那个人形机器人，我们会尽快把它送出去，它会在飞行途中不断改进和增强。

(02:23:36)"> 然后到时候，我所有的意识都已经——你知道，我一生中的大部分信息都上传到了互联网。把我所有的收件箱，把我所做的一切，我所说的一切。你知道，它们被收集起来，变成了我的 AI。到时候，我们只需以光速发送它，追上我的机器人。

莱克斯·弗里德曼

(02:24:00)"> 哦，太棒了。我的意思是，但对我来说，那是有点应用层面的。但同样，对我来说，从最大化好奇心的角度来看，我只是，所有这些奥秘。那里有太多……令人着迷的科学问题。

黄仁勋

(02:24:14)"> 理解生物机器就在眼前。不是 10 年。大概是 5 年。

莱克斯·弗里德曼

(02:24:20)"> 然后你的生物机器，人类思维，并打开物理学、理论物理学的大门。太令人兴奋了。

黄仁勋

(02:24:26)"> 解释意识，那将是很棒的。

莱克斯·弗里德曼

(02:24:29)"> 这一切都触手可及。Jensen，非常感谢你多年来所做的一切。感谢你为世界所做的一切。感谢你成为你这样的人。我看得出你是一个伟大的人，祝你今年取得巨大的成功。我等不及了。作为一个粉丝，我迫不及待地想看看你接下来会做什么，希望能在台湾见到你，非常感谢你今天能来聊天。

黄仁勋

(02:24:52)"> 谢谢你，Lex。我过得很愉快。还有，如果我能再说一点。谢谢你做的所有采访，你所展现的深度、尊重，以及你为揭示我们所有人所做出的研究，这些年你采访过的那些了不起的人。我非常喜欢这些采访。作为一个创新者，创造了这种长格式的、难以置信的、但又引人入胜的内容。总之，谢谢你做的一切。

莱克斯·弗里德曼

(02:25:25)"> 这对我来说意义重大。谢谢你，Jensen。

黄仁勋

(02:25:27)"> 谢谢你，Lex。

莱克斯·弗里德曼

(02:25:29)"> 感谢您收听本次与 黄仁勋 的对话。要支持本播客，请查看描述中的赞助商链接，您还可以在那里找到联系我、提问、反馈等链接。现在，让我用 Alan Kay 的一句话作为结束。」预测未来的最佳方式是创造未来。「谢谢收听，希望下次再见。