视频｜英伟达 CEO 黄仁勋谈人工智能发展：5 年内 AI 能通过所有的人类考试

英伟达创始人、CEO 黄仁勋 2024 年 3 月参加斯坦福大学经济论坛并接受访谈，介绍了加速计算芯片、深度学习、和生成式 AI 的发展，以及他对人工智能技术的看法和对未来的预测。

主持人：我那个时代最大的技术发展是晶体管的发明，它是个根本性的发展。

黄仁勋：晶体管确实是一个伟大的发明，但它最大的贡献在于为软件的发展提供了可能。软件让人类得以将我们的想法、算法，以可重复的计算方式表达出来。这种可重复的方式是真正的突破。

在过去的 30 多年里，我们 NVIDIA 公司致力于一种名为「加速计算」的新型计算方式。这种方式基于一个理念：通用计算并不是所有领域的理想选择。因此，我们希望发明一种新的计算方式，来解决通用计算不擅长的问题。具体来说，我们针对在算法层面上可以进行并行化的计算领域，成功地将电脑的计算成本降到了接近于零。边际成本降低后，开启了软件编写的新模式。过去软件由人类编写，而现在，由于计算成本趋于零，我们让电脑来编写软件。

电脑可以基于海量的经验（我们称之为数据：数字化的人类经验），来寻找关系和模式，最终表现为人类知识的积累。

这个奇迹发生在大约 15 年前，我们预见到了这个趋势。我们的电脑本来已经让计算边际成本趋近于零，如今又设计让它们来开拓这个领域。在过去的十年里，我们成功地将计算成本降低了一百万倍、深度学习的成本降低了一百万倍。

很多人对我说：「Jensen，如果您把计算成本降低了一百万倍，人们只会购买更少的产品。」但结果恰恰相反。我们意识到，如果能够将计算的边际成本降低到接近于零，就有可能实现真正颠覆性的创举。

比如大语言模型，它能从互联网上提取几乎所有的人类数字化知识，并让电脑去分析、理解其中的智慧。将整个互联网的内容整合到一台电脑中，让它自行挖掘出程序的潜在逻辑，这个概念听起来很疯狂。但是，除非计算的边际成本为零，否则您根本不会考虑去做这件事。

我们实现了这一突破，也因此开创了软件开发的新纪元。对于不熟悉人工智能的人来说，您可以想象一下，我们找到了一种方法，让电脑理解几乎所有数字化知识的「含义」，而不仅仅是模式。任何可以数字化的事物，我们都可以理解其含义。

举个例子，基因测序就是将基因数字化。而现在通过大语言模型，我们可以理解基因的含义、氨基酸的排列规律。我们数字化了氨基酸，现在无需大量额外的实验，就能根据氨基酸序列来推测蛋白质的结构和功能。换句话说，我们理解蛋白质的「含义」。

我们还能在大范围内开展这项工作。很快，我们将有能力理解细胞的含义 – 它们是由成组的基因共同构成的。从电脑的角度来看，这和让电脑理解一整页文字并总结要点并没有本质上的区别。

电脑可以分析冗长的基因序列、蛋白质序列，来理解它们的意义。我们正站在这一系列奇迹发生的开端。所以，我想说，您完全正确。 AI 的出现得益于我们称之为「加速计算」的这种新型计算模式，我们花了三十年时间来发展它。AI 很可能是计算机行业、甚至整个技术行业有史以来最伟大的发明。它有可能是 21 世纪最重要的创新。

主持人：我同意是 21 世纪最重要的，但也许谈不上 20 世纪，因为 20 世纪的主角是晶体管。当然，人工智能和晶体管的发明都很重要，我们还是让历史来评判吧。

主持人：能谈谈未来吗？我知道支撑现在 AI 发展的 GPU 芯片是你们的 H100 。再过不久你们会推出 H200，好像还计划每年升级。那么，让我们想象一下五年后的 2029 年 3 月，当你们推出 H700 芯片时，它会有什么样的功能突破，能让我们做到现在做不到的事呢？

黄仁勋：我先谈谈 John 刚才提到的那块芯片。当我们说「芯片」的时候，你们可能脑海里会浮现一块小小的芯片。John 提到的、我们的芯片，重约 70 磅，由 35,000 个部件组成，其中一部分来自台积电。这块芯片可以取代一个数据中心里所有的 CPU 。

由于我们的计算速度非常快，这样一块芯片可以带来显著的节能效益。然而，它又是世界上最昂贵的计算机，每个芯片售价 25 万美元。但它所取代的旧计算系统，光是线缆的成本就不止 25 万美元。这就是我们 H100 的厉害之处。我们重塑了计算，也因此让计算的边际成本降至接近于零。

我们把整个数据中心浓缩到了一块芯片上。这块芯片擅长于解决（让我们不要用太深奥的词）叫做「深度学习」的计算任务、以及人工智能。这块芯片的运作不仅限于本身的硬件，还包括了算法层面和数据中心层面的合作。一块芯片无法孤立地完成工作，需要团队协作。把很多这些东西连接、协作起来，其中也包括了网络部分。

如果你看我们的计算机，它真的很棒，尤其是在计算机工程师的眼里。它很重，里面有上百英里长的线缆，并且下一代即将推出液冷设计。从很多方面来说，它都是很美的。它有数据中心级别的算力。

在接下来的十年中，深度学习的计算能力还将提升一百万倍。到那时会发生什么呢？目前，我们有一个学习和应用的过程：训练模型，然后进行推理。

而未来，AI 会拥有持续学习的能力。我们可以决定是否要将这种学习的成果部署到实际应用中，而 AI 则可以随时从视频、文本、以及各种交互中不断地提升自己。训练和推理、学习和应用，这些过程将会合而为一。

这就是我们人类的思维方式对不对？我们并不是说，早上七点前学习，之后应用。相反，学习和推理是持续进行的，这个强化学习的循环将永不停止。

而这个循环的基础将是由真实世界的互动数据和实时合成数据共同组成。这台计算机将时刻在畅想未来，这就像您在学习的时候，会吸收信息，然后从基本原理出发进行推论：「它应该是这样运作的」。之后，我们在大脑中进行模拟、想象，而这些想象会在很多方面变成我们的现实。

未来的 AI 计算机将会做同样的事情。它会生成合成数据，进行强化学习，持续地从真实世界的交互中学习。然后进行想象，再用真实世界的经验来检验，以此为基础，这个过程会不断循环。当计算成本比现在便宜一百万倍时，这可能这么做。

所以，我要强调的是，当计算的边际成本被降至趋近于零时，就有很多新的方式来做事。这就和交通运输一样，因为边际成本趋于零，我能更频繁地去更远的地方。我飞一趟纽约不算太贵，但如果要花一个月的时间，可能我压根就不会去。很多事情都是这样的道理。我们要把计算的边际成本降到接近于零，结果是我们会做更多的计算。

主持人：可能您也注意到了，最近有人说 Nvidia 在推理市场、会比训练市场面临更多的竞争。但听您的说法，未来两者会合为一体？您能再谈谈这个吗？以后会不会有单独的训练芯片市场和推理芯片市场？还是说你们会让单个芯片在训练和推理任务间无缝切换？不如您来解释一下吧？

黄仁勋：好的。其实，现在您每次调用 AI 服务，无论是 ChatGPT 、 Co-pilot，还是 ServiceNow 平台、 Midjourney 或者是 Adobe 的 Firefly，它做的都是「推理」，也就是生成信息。您做这一切的时候，背后都是 Nvidia 的 GPU 。您和我们的平台接触，绝大部分是在使用推理。现在世界上的推理芯片全部是 Nvidia 。

那推理是困难还是简单呢？很多人之所以觉得推理比较简单，是因为 Nvidia 的训练系统从外观上看太复杂了：「这看起来太难了，我不要做这个。我们是芯片公司，那看上去不像是芯片」。

而且，您要验证某个项目是否可行，往往需要投入 20 亿美元，启动后您可能花了 2 年时间和巨量资金，才发现它并不那么有效。对客户而言，这种创新风险太高了。

因此不少竞争者会说：「我们不做训练，只做推理」，但推理其实也是非常困难的。推理对响应时间的性能要求很高，这还不算难，这是计算机科学层面的挑战。但更难的是，推理的目标是要让这项技术能够被海量用户使用，服务于大规模的实际应用场景。推理的关键是庞大的用户基数。

打个比方，开发者在 iPhone 上做应用程序，也是因为 iPhone 有巨大的用户基数，几乎人人都有。所以您的应用一旦上了 iPhone，就能惠及到很多人。 Nvidia 的加速计算平台也是如此，我们是唯一一个真正普及化的加速计算平台。我们耕耘这个领域多年，如果您为 Nvidia 架构开发推理应用，可以在任何有 Nvidia 芯片的地方运行，触达每一名用户，产生更大的影响。

所以，推理的难点在于庞大的用户基数，这需要极大的耐心，以及多年持续的投入，来确保架构兼容性等等。

主持人：Nvidia 能做最先进的芯片，但有没有可能，别人能开发出虽然没有 Nvidia 那么好、但也足够用、且便宜很多的芯片，从而构成威胁呢？

黄仁勋：我们其实时刻面对竞争。 Nvidia 面临的竞争比世界上任何公司都要激烈。不仅有传统的芯片制造商竞争对手，还有来自我们客户的竞争。我是唯一一个明知客户正准备设计芯片来取代我们的产品，却还愿意向他们展示我们的芯片路线图的竞争对手。

我会展示现在的芯片，下一代、甚至再下一代的规划。因为，如果不主动展示我们产品的价值，客户就永远没有机会购买我们的产品。所以在与业内伙伴的合作上，我们秉持着完全开放的态度。这背后的原因，也是我们的优势所在。

您要明白，仅仅设计出一块在某一具体算法上表现良好的芯片是不够的。现在的计算任务远比「Transformer」模型复杂和多样化。Transformer 本身就有很多变种，而且新的模型还在不断被发明出来。软件种类五花八门，因为工程师们热爱创新，我们也喜欢他们创新。

Nvidia 擅长的是，我们的架构不仅能加速各种算法，更重要的是具备编程可扩展性。我们是市面上唯一能加速 SQL 的架构。要知道，SQL 早在 20 世纪 60 、 70 年代就由 IBM 创建并用于数据库计算。结构化数据（SQL 的主要处理对象）的重要性不言而喻，我们每隔几年就会产生 300 万亿 GB 的数据，而其中大部分都存储在结构化数据库里。

所以 Nvidia 的架构能加速数据库计算，能加速量子物理模拟，能加速解方程，能加速流体力学、粒子物理等等领域的计算。Nvidia 的专长在于「通用加速计算」，而「生成式 AI」只是其中的一个方面。

如果一家数据中心想服务于各个行业的客户，比如金融服务、制造业，那么 Nvidia 就是最好的标准。我们覆盖所有的云服务商和计算机厂商，可以说，经过 30 多年的发展，我们的架构已经成为了业内标准。

如果真有客户能开发出在某些具体场景下更具成本效益的方案，我会感到很惊讶。因为别忘了，芯片只是整个数据中心的一小部分。数据中心可是需要日常运营的。买卖芯片的人往往只考虑芯片本身的价格，而数据中心运营者考虑的是总体运营成本。

在部署时间、算力性能、资源利用率、跨应用的灵活性等各方面综合衡量，Nvidia 在总体运营成本（TCO）上有显著优势。所以，就算竞争对手免费提供芯片，也不能在性价比上超过我们。

这就是我们的目标：提供如此高的价值，以至于性价比不再是客户考虑的首要因素。当然，这需要我们不断努力、持续创新。我们从不轻敌，竞争无处不在。

就算竞争对手免费提供芯片，也不能在性价比上超过我们。

主持人：不过，「通用人工智能（AGI）」这个概念也许不是所有人都熟悉……

黄仁勋：本来我不想聊得过于偏重竞争，但 John 刚才的问题激发了我体内的「竞争基因」，所以我要道歉一下。我的回答刚才可能有点过于针锋相对了。下次我会注意表达方式。说真的，他那个问题太出乎我意料了。我以为自己参加的是一个经济论坛（没想到聊起技术细节来了）。

主持人：我来之前给他的团队发了一些问题，临场前问他：您看了吗？他说：没看，我想保持即兴发挥，不能事先想太多。所以您看，咱俩现在都在随机应变（笑）。那么，刚才我想问的是，您认为什么时候能实现通用人工智能？那种和人类智力水平相当的 AI 。离我们还有 50 年，还是 5 年呢？您的看法是……

黄仁勋：我的回答会很具体，但先让我聊聊现在正在发生的令人兴奋的进展。首先，我们正在训练 AI 学习处理多模态信息，也就是说，AI 将能从声音、文字、图像中学习，甚至能像我们一样通过看电视来获得知识。这很重要，因为我们想要 AI 拥有常识基础，而不仅仅停留在人类输入的价值观上。

ChatGPT 的真正创新之处就在于采用强化学习、人类反馈来训练，把 AI 的价值观「锚定」在我们认可的范围内。而现在您要让 AI 生成图像、视频等等内容，它怎么知道诸如「手不能穿透讲台」、「脚踩在地面上，但不能在水面上」之类的物理常识呢？所以，AI 得能够通过大量观测、来构建一个符合物理规律的世界模型，而视频是最好的教材。

一方面我们要让 AI 理解多模态信息，另一方面就和刚才提到的基因、氨基酸、蛋白质有关，要让 AI 能理解从细胞到器官等等各个层面上的知识。

第二个目标是强化 AI 的推理能力。我们人类很多基本的推理能力都源自于「常识」，这是互联网上大量知识里已经包含的，AI 能从中学习。当然，更高阶的推理就比较复杂了。

比如，我们刚才聊天，我主要是在用生成式 AI 的能力，没有太多时间仔推理细思考问题。但在解决某些规划类问题时，我会说：「这个问题很有意思，让我想一想」。这个时候我的大脑里就产生了多个方案，可能是在遍历一棵决策树，或者是在搜索一个图。我会在脑海里做模拟、计算、剪枝…… 这种长时间的深入思考，AI 目前还做不好。

ChatGPT 被问到任何问题都能立刻作答，但我们希望未来能给它一个任务目标、一个问题，让它能思考一段时间。在计算机科学领域，我们把这称作系统 2 思维、深度思考或规划，是带有推理成分、解决复杂问题的思维。这类问题是 AI 目前不擅长的，但我们正在攻关，我相信会有不少突破。

未来您和 AI 的互动方式会很不一样。您可以直接问它问题，让它回答，也可以丢给它一个难题，说：「去忙吧，明天给我结果」。 AI 会在明天前尽可能地多做计算，给出答案。您甚至可以限定：「给您 1000 元的计算预算，别超支」。 AI 会在预算内想出最好的办法。

那么，什么时候能实现通用人工智能（AGI）呢？这其实取决于您对 AGI 的定义。实际上，AGI 的核心问题还是定义问题。

假如您跟我说，AGI 就是一系列测试。对工程师来说，必须有明确的需求规格和成功的定义。要是您让我给 AI 出一大堆数学、推理、历史、生物、医学、律师资格等考题，您能想到的都出上，我估计 5 年之内，AI 都能考出好成绩。所以，如果您的 AGI 定义就是「通过所有的人类考试」，那么，五年内应该问题不大。

要是您让我给 AI 出一大堆数学、推理、历史、生物、医学、律师资格等考题，您能想到的都出上，我估计 5 年之内，AI 都能考出好成绩。所以，如果您对「通用人工智能」的定义是「通过所有的人类考试」，那么，五年内实现应该问题不大。
黄仁勋，2024 年 3 月

但如果您问的是，AGI 有没有人类那样的智能？说实话，我自己都没法精确定义人类所有的智能，其他人也未必做得到。工程师很难去实现一个连自己都定义不清的目标，这么说能理解么？所以，确切答案我们还不知道。不过，全行业人都在努力，让 AI 变得越来越强。

主持人：我还要再问两个问题，然后就请大家提问吧。第一个问题，能稍微展开讲讲 AI 在药物研发领域的作用吗？

黄仁勋：AI 在药物研发上的首要作用是理解已有数据的意义。比方说，我们已经知道了很多种氨基酸序列，也能用 AlphaFold 理解蛋白质结构。那么，这些蛋白质到底有什么意义呢？它们各自的功能又是什么？

理想情况是，就像您可以用 ChatGPT 总结 PDF 文档一样，我们也能用 AI 分析蛋白质——我最爱的功能是分析科研论文。上传之后像真人对话一样提问：是什么激发了这项研究？它解决了什么问题？有哪些突破？之前业界最高水平如何？有哪些新颖的思路？等等。

未来，我们想直接把蛋白质序列丢给 ChatGPT 问：您是做什么的？哪些酶能激活您？要怎样才能让您高兴、发挥作用？我们还可以分析一段代表细胞的基因序列，把它们输入问：您是做什么的？能的工作是什么？您擅长啥？您的希望和梦想是什么？等等。

未来，我们想把蛋白质序列丢给 ChatGPT 问：您是做什么的？哪些酶能激活您？要怎样才能让您高兴、发挥作用？我们还可以分析一段代表细胞的基因序列，把它们输入问：您是做什么的？能的工作是什么？您擅长啥？您的希望和梦想是什么？

这就是 AI 能带来的最深刻影响之一：理解生物学的意义。一旦我们理解了某种信息的意义，那整个计算机世界了不起的科学家和工程师就知道该怎么利用它。从理解基因、蛋白质、细胞等等多组学（Multiomics）信息入手，这就是 AI 推动药物研发的关键，这就是我能给出的最深入浅出的回答了。

主持人：俄勒冈州立大学和斯坦福一定都以您为荣！能稍微换个话题吗？斯坦福有很多创业者、或有创业愿望的学生。不少人是计算机或者工程专业（黄仁勋：请千万别造 GPU）。您有什么建议，能提高他们的创业成功率吗？

黄仁勋：我觉得我的一个优势就是，我这人对自己的预期很低…我是认真的！大部分斯坦福的毕业生，对自己的期望都特别高。这是你们应得的，毕竟是名校出身嘛！你们都很优秀，学费也交得起。身边也都是优秀的人才。所以有高期待很正常。

但是，期望值很高的人，往往韧性较低，而韧性对于成功来说很重要。我不知道该怎么教你们变得更坚韧，我能想到的最好方法就是，希望你们能经历一些苦难。

期望值很高的人，往往韧性较低，而韧性对于成功来说很重要。

我运气比较好，父母给我提供了良好的成长环境，但其中也不乏挫折和苦难。时至今日，我还会在公司里津津乐道地谈「痛苦」，比如「好家伙，这事儿会让我们很痛苦！」以一种褒义的用法。因为我们要锤炼团队的性格、从团队成员中萃取出他们的伟大。这种伟大不是智商，而是来自强大的品格。而强大的品格不是因为人的聪明，必须得吃过苦头才能形成。

所以，如果可以的话，虽然我也不知道怎么做，但我希望你们能经历一些苦难。

主持人：我要收回刚才的话，再问您一个问题。您看着精气神这么好，怎么让员工也一直保持动力呢？尤其是如果他们一夜暴富，赚了很多钱？

黄仁勋：公司里向我直接汇报工作的人是 55 个。我从不单独给他们写绩效评估，而是不断提供即时的反馈，他们对我也一样。至于薪资，我真的就是直接在 Excel 里把数字往下一拉，给不少高管开的都是一模一样的工资。我知道这有点怪（主持人：但这管用）。

我不会单独和团队成员一对一谈话，除非他们需要，那时我会全力以赴。我不会和他们单独开会。他们也绝不会听到我单独对谁说什么秘密。在我看来，没有任何信息是我只能偷偷告诉某个人，而不告诉其他同事的。

我们公司的设计初衷就是追求敏捷。信息要流动得越快越好，让员工为他们能做的事情而自豪、而不是靠他们所知道的秘密。这就是我管理公司的方法。好像有点跑题，忘了您刚才具体问什么了……

哦哦哦，想起来了！您是问怎么激励员工 —— 我的答案是用我的行为以身作则。我是如何庆祝成功的？如何面对失败的？如何讨论进步和挫折的？我在日常中抓住每个机会，不断强化公司文化 —— 什么重要，什么不重要，怎么衡量好坏，如何看待过程，重视结果…这些事我每天都在做。

主持人：好了，接下来可以提问了。从 Winston 开始吧，对了，我们需要话筒……

听众：我有两个问题。第一个，您的皮夹克有什么故事？第二个，根据您的预测，未来 5-10 年，为了支撑 AI 发展，芯片制造能力需要提高多少？

黄仁勋：皮衣是我太太给我买的，她买我就穿。我基本不买东西，只要太太买了我穿着不痒就行。我们从 17 岁就在一起了，她觉得我看什么都不顺眼，只要我不喜欢，理由统一是「穿着痒」，好不容易找到让我穿着不痒的衣服。我衣柜里全部是同款，因为她再也不想给我挑衣服了。她现在只买这个，我就只穿这个。我要是不喜欢就得自己去买。要么就只能穿这个，我对此很满意。

第二个问题，预测芯片产能嘛，我不擅长预测。但我善于从基本原理出发去推算商机有多大。传统计算方式基于检索，内容都是事先准备好——文字、视频、音频，都是提前存储好的。每次您在手机上点啥，都是某人写好、录好、存在某个地方的。

但未来不一样。因为 AI 能理解当下语境，又能即时调取全球最新资讯，这就是检索式计算。但 AI 还懂您的意思，您和我问同样的经济问题，需求就完全不同，AI 可以精确地生成适合您的信息。

未来，理解语境是前提，计算内容基本都要即时生成。现在内容 100% 是预制，而未来的内容 100% 是实时生成，那这会如何改变计算的模式？这就是我思考问题的方式 —— 多少网络、内存等，答案是我们需要更多的半导体厂。

现在的内容是预先录制，而未来的内容是实时生成。

当然，这段时间算法也在飞速优化。计算效率不是一成不变的，需求涨一万亿倍，效率涨一百万倍，也能抵消一部分。还有技术扩散等等因素……只是时间早晚问题。

但有一点是板上钉钉的：总有一天，全世界的电脑都要更新换代。所有以通用计算为主的数据中心，价值万亿美元的基础设施，都得重来一遍。然后，新的计算设施还要继续建，规模只会比现在大。

主持人：下一位，Ben，然后是 Randy 。

听众：感谢您今天来到这里。最近有报道说您不鼓励年轻人学编程。是吗？如果是这样，那从企业成立和创业的角度来看，你觉得未来世界是会涌现更多公司，还是会向少数巨头集中呢？

黄仁勋：我表达得不好，让你误解了。我的意思是，如果你喜欢写代码，那非常好，就尽管去做吧！想做煎蛋卷也可以。编程是一种很好的思考推理过程，但（未来将）完全不能保证你会找到工作。世界上的程序员数量肯定还会继续增长，我们也需要程序员。

但是未来，人们与计算机的交互方式将不再是以 C++ 这种程序语言为主。当然其中仍有部分用户需要用到它们，但对于一般人来说不需要 —— 为什么 Python 语言的语法看着那么奇怪呢？未来，人们将直接口头告诉计算机想做什么，计算机就会去执行。

比如，「嗨，帮我拟个物料采购计划，包含所有供应商和需求预测信息，还要根据现有零部件的情况写出完整的物料清单。」如果不喜欢这个结果，就说「用 Python 写一段代码，让我能对这个计划做一些修改。」

编程是一种很好的思考推理过程，但未来将不能保证你会找到工作。未来最佳的编程语言是人类的自然语言。

注意我第一次和计算机对话时，用的是自然语言。未来的最佳编程语言其实是人类语言本身。如何与计算机沟通，向它提出要求，如何与人和计算机交互，让计算机做你想做的事、并且微调，这叫「提示工程」，是有技巧的。

很多人会惊讶于现在的 AI 能力，其实这很正常。比如你让 AI 画一张可爱小狗在夏威夷日落海滩冲浪的图片，然后可以说「再可爱点」，它就真的能变得更可爱。再重复几次，效果还会更好。你有没有想过 AI 怎么能做到这点呢？背后是有技术原因的。

关键是，未来你得知道计算机有这样的能力，如果对结果不满意，可以要求它调整，直到符合你心中的设想。甚至可以让 AI 写出能够生成这种图像的代码。

所以，编程的意义发生了变化，相对不那么值钱了。但换个角度，人工智能反而缩小了人类在技术上的鸿沟。如今，大约 1000 万人现在靠着编程吃饭，剩下 80 亿人被甩在后面。未来我们都能「编程」，人人会用提示工程与计算机交流。

你只要看看 YouTube 上那些使用 AI 的孩子们做出的惊人作品，其实他们都不太懂代码，只是对 ChatGPT 说「按我的想法做」，就够了。这和人与人之间的交流没什么两样，也是计算机科学界对世界做出的巨大贡献——技术鸿沟正在被抹平。这令人振奋，不是吗？

如今，大约 1000 万人现在靠编程吃饭，剩下 80 亿人被甩在后面。未来我们都能「编程」，人人会用提示工程与计算机交流 —— 技术鸿沟正在被抹平。

听众：您觉得地缘政治风险大吗？会如何影响 AI 行业？

黄仁勋：地缘风险对我们来说是个突出问题，因为我们制造的 AI 芯片是如此重要。人工智能是这个时代的标志性技术。美国有充足理由去限制这些芯片出口，这是国家的权力。

那这对我们意味着什么呢？我们首先要理解这些政策，时刻保持灵活，确保合规。这既会限制一部分机会，也会在别处带来新机会。

过去半年左右发生的一件事值得关注：各国都意识到了必须控制自己的数字智能。印度不能把数字信息外包出去，让外国公司分析后再把结果卖回给印度。这种「主权 AI」意识的觉醒，是过去半年才发生的对吧？首先是安全问题，其次是每个国家现在都意识到了这点——印度、加拿大、英国、法国、日本、新加坡、马来西亚，等等，各国都将投资建设主权 AI 体系。

这对我们来说，地缘政治一面限制了机会，一面又在别的地方开辟了巨大的新方向，很难说结果是好是坏。

主持人：好吧，时间差不多了，还有一个问题。

黄仁勋：最后一个问题有很大压力。是吧？最后一个问题压力山大 —— 别提太丧的问题啊，别把我给惹了。我这开玩笑呢，别当真。

听众：我现在就得要求大家降低点期待了。你刚才提到说跟客户有竞争，我想知道，你们优势这么足，这些客户为什么还要这么做呢？还有，未来你们会不会针对一些大客户提供更多定制化解决方案，而不是像现在这样主要提供通用型产品？

黄仁勋：我们愿意提供定制方案，但门槛不低。这是因为，每一代平台都包含好几块 – 有 GPU，CPU，网络处理器，还有两种交换机。等于是一代产品里我就做了五种芯片。

大家以为是造一块芯片，实际上是五种。每一款的研发成本都是几亿美元，而每一代产品我们要花 5 次这样的钱。然后再把这些芯片组装到系统里，还要考虑网络连接、光模块、一大堆软件等等。运行一台像这间房那么大的计算机，软件也是复杂得很。所以说，这一切都很复杂。如果客户的定制化方案很不一样，那就相当于全套研发再做一遍。

但是，如果定制的内容可以好好利用我们现有的平台，只是在这个基础上增值，那还是大有意义的。比如，搞个特殊的安全系统、保密计算系统，或者一种新的数值处理方法等等。

我们对这些方向都挺开放，客户也知道我可以考虑。但他们也明白，改动太大就相当于不管之前的上千亿的投入，得从头再来。所以，他们也希望尽量利用我们的生态系统。对此我很支持，他们心里有数。

维尼爸

哈啰！我是小编 🐻 维尼爸。

Disclosure: We are an Amazon Associate. Some links on this website are affiliate links, which means we may earn a commission or receive a referral fee when you sign up or make a purchase through those links.