Jensen Huang: 黄仁勋:TPU 竞争、为什么我们应该向中国出售芯片,以及英伟达的供应链护城河

00:00德瓦克什·帕特尔

我们看到,一批软件公司的估值暴跌,因为人们预期 AI 会让软件商品化。有一种或许有些天真的想法是这样的:你看,英伟达把一个 GDS2 文件发给台积电。台积电制造逻辑芯片,制造交换芯片,然后把它们与 SK 海力士、美光和三星生产的 HBM 封装在一起。接着送到台湾的一家 ODM 厂商那里组装成机架。英伟达本质上是在做软件,而制造由别人完成;如果软件被商品化了,英伟达会不会也被商品化?

黄仁勋

归根结底,总得有东西把电子转化为 token。把电子转化为 token,并且让这些 token 随着时间推移变得更有价值,这件事很难被彻底商品化。从电子到 token 的转化是一段不可思议的旅程。制造 token,就像让一种分子比另一种分子更有价值,让一个 token 比另一个 token 更有价值。要让 token 有价值,需要投入的艺术性、工程、科学和发明之多,显然我们正在实时见证。这种转化、这种制造,以及其中涉及的所有科学,远没有被深入理解,这段旅程也远未结束。我认为这种商品化不太可能发生。

当然,我们会让它更高效。你提问的方式,正是我对我们公司的思维模型。输入是电子,输出是 token,中间是英伟达。我们的工作是:做必要的全部,并尽可能少做其余的事,让这种转化能够以惊人的能力完成。我所说的“尽可能少做”,指的是凡是我不需要做的,我就与别人合作,把他们纳入我的生态系统。

看看今天的英伟达,我们大概拥有最庞大的合作伙伴生态系统,涵盖上游和下游的供应链、所有的计算机公司、应用开发者和模型厂商。可以说,AI 是一个五层的蛋糕。我们在这整整五层都有生态系统。我们尽量少做,但我们必须做的那部分,事实证明难得离谱。我不认为这会被商品化。

事实上,我也不认为企业软件公司、工具制造商会……如今大多数软件公司都是工具制造商,也有一些不是,有些是工作流程的固化系统。但对很多公司来说,它们是工具制造商。比如,Excel 是工具,PowerPoint 是工具,Cadence 做工具,Synopsys 做工具。我的看法其实和大家相反。我认为智能体的数量将呈指数级增长,工具使用者的数量也将呈指数级增长。这些工具的实例数量很可能会暴涨。

Synopsys Design Compiler 的实例数量很可能会暴涨,使用布局规划工具、我们的版图工具和设计规则检查器的智能体数量也一样。如今我们受限于工程师的数量。未来,这些工程师将由一大批智能体辅助。我们将以前所未见的方式探索设计空间,而且用的就是我们今天使用的这些工具。

我认为工具的使用会让软件公司的业务暴涨。之所以还没有发生,是因为智能体使用这些工具还不够好。要么这些公司自己去构建智能体,要么智能体会进步到足以使用这些工具。我认为两者会兼有。

德瓦克什·帕特尔

我看你们最新的财报文件里,与晶圆代工、内存和封装厂商的采购承诺差不多有 1000 亿美元。SemiAnalysis 报道说,你们这类采购承诺会达到 2500 亿美元。一种解读是,英伟达的护城河其实就在于你们锁定了未来许多年的这些稀缺部件。别人也许有加速器,但他们真的能拿到内存来造吗?真的能拿到逻辑芯片产能来造吗?这真的是英伟达未来几年的最大护城河吗?

黄仁勋

这是我们能做到、而别人很难做到的事情之一。我们在上游做出了巨大的承诺。有些是明确的,就是你提到的那些承诺;有些是隐含的。比如,上游的很多投资是由我们的供应链自己做出的,因为我对那些 CEO 们说:“让我告诉你们这个行业会有多大,让我向你们解释原因,让我和你们一起推理,让我把我所看到的展示给你们。”

通过这样的告知、激励,并与上游各个行业的 CEO 们达成一致的过程,他们愿意进行投资。为什么他们愿意为我投资,而不是为别人?原因在于,他们知道我有能力买下他们的供给,并通过我的下游把它卖出去。事实是,英伟达的下游供应链和我们的下游需求规模如此之大,所以他们愿意在上游投资。

看看 GTC,人们对它的规模和参会的人感到惊叹。那是完整的 360 度,整个 AI 世界汇聚在一处。他们之所以汇聚一处,是因为他们需要彼此见面。我把大家聚到一起,让下游能看到上游,上游能看到下游,所有人都能看到 AI 的进展。非常重要的是,他们还能见到 AI 原生公司,见到所有正在创立的 AI 初创企业,以及正在发生的种种了不起的事情,这样他们就能亲眼看到我对他们讲过的一切。我把大量时间花在直接或间接地向我们的供应链、合作伙伴和生态系统说明摆在我们面前的机会。

有人总说:“Jensen,大多数主题演讲都是一个接一个地发布新品。”而我们的主题演讲里,总有一部分有点折磨人,因为它几乎像是在上课。事实上,这正是我心里想的。我需要确保整条供应链,无论上游还是下游,整个生态系统,都明白即将向我们涌来的是什么、为什么会来、什么时候来、规模会有多大,并且能够像我一样系统地对此进行推理。

至于你所描述的护城河,我们能够为未来而建设。如果我们接下来几年的规模达到万亿美元,我们有供应链来支撑。如果没有我们的触达范围、我们业务的速度……就像有现金流一样,也有供应链流,有周转。如果业务周转率低,没有人会为某种架构去建立供应链。我们能维持这样的规模,只是因为我们的下游需求非常大。他们看得到,听得到,看到这一切正在到来。这让我们能够在这样的规模上做我们所做的事。

德瓦克什·帕特尔

我确实想更具体地了解上游能否跟得上。这么多年来,你们的收入每年翻一番。你们向全世界提供的算力(flops)每年增长超过三倍。

黄仁勋

而且在现在这个规模上翻一番,真的很了不起。

德瓦克什·帕特尔

没错。但再看逻辑芯片。你们是台积电 N3 节点最大的客户,也是 N2 上最大的客户之一。据 SemiAnalysis 说,AI 整体今年将占 N3 的百分之六十,明年将达到 86%。如果你们已经占大头,怎么还能翻倍?又怎么能年复一年做到?我们现在是否处于这样一种状态:由于上游的限制,AI 算力的增长率必须放缓?你看得到绕过这一点的办法吗?归根结底,我们怎样才能每年把晶圆厂的数量增加一倍?

黄仁勋

在某种程度上,瞬时需求大于全世界上游和下游的供给。在任何一个时刻,我们都可能受限于水管工的数量,这确实发生过。

德瓦克什·帕特尔

水管工会受邀参加明年的 GTC。

黄仁勋

顺便说一句,好主意。不过这是个好状态。你希望处在这样一个行业:瞬时需求大于整个行业的总供给。相反的情况显然没那么好。如果两者相差太远,如果某个特定部件差得太远,整个行业就会一拥而上去解决它。比如,你会注意到人们已经不怎么谈 CoWoS 了。

原因在于,两年来我们对它投入了全力。我们翻了一倍又一倍,连着翻了好几倍。现在我认为我们的状况相当不错。台积电现在明白,CoWoS 的供给必须跟上其余逻辑芯片的需求和内存的需求。他们扩大 CoWoS 以及未来封装技术的规模,与扩大逻辑芯片的规模处在同一水平。这太棒了,因为在很长一段时间里,CoWoS 和 HBM 内存还算是比较小众的特殊技术。但它们已经不再是小众了。人们现在意识到,它们是主流的计算技术。

当然,我们现在有能力影响我们供应链中更大的范围。在 AI 革命刚开始时,我现在所说的这一切,五年前我就在说了。有些人相信并为之投资,比如 Sanjay 和美光团队。我至今清楚地记得那次会议,我把将要发生什么、为什么会发生,以及今天的这些预测都讲得明明白白。他们真的下了重注。我们与他们在 LPDDR 和 HBM 内存方面合作,他们确实投入很大。这显然对公司来说非常成功。有些人来得稍晚一点,但现在他们都来了。

每一个瓶颈都会受到大量关注。现在我们是提前数年去预取这些瓶颈。比如,过去几年我们对 Lumentum、Coherent 以及硅光子生态系统的投资,真正重塑了供应链。我们围绕台积电建立了一整条供应链。我们与他们合作开发 COUPE,发明了一大批技术,并把这些专利授权给供应链,让它保持开放。

我们通过发明新技术、新工作流程、新的测试设备(比如双面探测)、投资公司并帮助它们扩大产能,来为供应链做好准备。你可以看到,我们正努力塑造这个生态系统,让供应链做好准备以支撑这样的规模。

德瓦克什·帕特尔

似乎有些瓶颈比其他的更容易解决。扩大 CoWoS 与扩大——

黄仁勋

顺便说一句,我挑的是最难的那个。

德瓦克什·帕特尔

是哪个?

黄仁勋

水管工。水管工和电工。这是我对那些末日论者的担忧之一,他们描绘工作的终结和岗位的消亡。如果我们劝阻人们不要去做软件工程师,我们就会缺软件工程师。十年前也发生过同样的预言。一些末日论者告诉人们:“无论你做什么,都别当放射科医生。”你可能在网上还能看到一些这样的视频,说放射科将是第一个消失的职业,世界不再需要放射科医生。你猜我们缺什么?放射科医生。

德瓦克什·帕特尔

回到刚才的观点,有些东西可以扩大规模,而另一些……你们究竟如何每年制造出两倍的逻辑芯片?归根结底,内存和逻辑芯片都受制于 EUV。怎样才能让 EUV 机器的数量每年翻一番?

黄仁勋

这些都不是不可能快速扩大的。所有这些在两三年内都很容易做到。你只需要一个需求信号。一旦你能造出一台,就能造出十台;一旦你能造出十台,就能造出一百万台。这些东西并不难复制。

德瓦克什·帕特尔

你沿着供应链往深处(上游)走到多远?你会去找 ASML,说“嘿,如果展望三年后,英伟达每年要创造两万亿美元的收入,我们需要多得多的 EUV 机器”吗?

黄仁勋

有些我必须直接去谈,有些是间接的,还有些……如果我能说服台积电,ASML 就会被说服。我们必须考虑关键的卡点。但如果台积电被说服了,几年内你就会有大量的 EUV 机器。

我的意思是,没有任何瓶颈会持续超过一两年,两三年,没有一个。与此同时,我们在把计算效率提高 10 倍、20 倍,而从 Hopper 到 Blackwell,是 30 倍到 50 倍。因为 CUDA 非常灵活,我们在不断提出新的算法。我们在开发各种新技术,这样除了增加产能之外,我们还能推动效率提升。这些事情都不会让我担心。让我担心的是我们下游的东西。阻碍能源……的能源政策。没有能源,你就无法创造一个产业。没有能源,你就无法创造一个全新的制造业。

我们想让美国重新工业化。我们想把芯片制造、计算机制造和封装带回来。我们想制造新的东西,比如电动汽车和机器人。我们想建设 AI 工厂。没有能源,你就无法建设其中任何一样,而这些事情需要很长时间。增加芯片产能,那是个两三年的问题。增加 CoWoS 产能,也是个两三年的问题。

德瓦克什·帕特尔

有意思。我感觉有时嘉宾告诉我的恰恰相反。在这个问题上,我只是没有足够的技术知识来裁断。

黄仁勋

美妙之处在于,你正在和专家交谈。

16:25德瓦克什·帕特尔

确实。我想问问你的竞争对手。看看 TPU,可以说世界上排名前三的模型中有两个,Claude 和 Gemini,是在 TPU 上训练的。这对英伟达今后意味着什么?

黄仁勋

我们造的是非常不同的东西。英伟达所构建的是加速计算,而不是张量处理单元。加速计算被用于各种各样的事情:分子动力学、量子色动力学、数据处理、数据框、结构化数据和非结构化数据。它也用于流体动力学和粒子物理。此外,我们还把它用于 AI。

加速计算要多样得多。虽然今天大家谈论的是 AI,它显然非常重要、影响深远,但计算的范围比这广泛得多。英伟达重新发明了计算的方式,从通用计算转向加速计算。我们的市场覆盖范围远远大于任何 TPU 或 ASIC 所可能拥有的。看我们所处的位置,我们是唯一一家为各种应用提供加速的公司。我们拥有一个庞大的生态系统。所以各种框架和算法都运行在英伟达上。

因为我们的计算机被设计成可以由其他人来运营,所以任何运营商都可以购买我们的系统。而大多数这类自研系统,你得自己当运营者,因为它们从来没有被设计得足够灵活,以便让别人来运营。由于任何人都可以运营我们的系统,我们存在于每一朵云中,包括 Google、Amazon、Azure 和 OCI。

如果你想运营它来出租,你最好有一个横跨许多行业的庞大客户生态来充当承购方。如果你想为自己运营,我们显然有能力帮助你自己运营,就像我们为 Elon 的 xAI 所做的那样。而且由于我们可以让任何公司、任何行业中的运营者都用得起来,你可以用它为礼来(Lilly)建造一台用于科学研究和药物发现的超级计算机。我们可以帮助他们运营自己的超级计算机,并把它用于我们所加速的药物发现和生物科学的各个方面。

有一大批应用是我们能够覆盖、而 TPU 做不到的。英伟达构建 CUDA 时,也把它做成了出色的张量处理单元,但它同时还处理数据处理、计算、AI 等等的每一个生命周期环节。我们的市场机会要大得多,我们的触达范围也广得多。由于我们现在支持世界上的每一种应用,你可以在任何地方建设英伟达系统,并且知道会有客户使用它。这是非常不同的东西。

德瓦克什·帕特尔

这会是个很长的问题。你们的收入非常惊人,而你们每季度赚 600 亿美元,并不是来自制药和量子计算。你们能赚到这些钱,是因为 AI 是一种前所未有的技术,而且增长速度也前所未有。

那么问题就是,具体到 AI,什么才是最好的。我不了解细节,但我和做 AI 研究的朋友聊过,他们说:“你看,我用 TPU 的时候,它是一个很大的脉动阵列,非常适合做矩阵乘法,而 GPU 则非常灵活。当存在大量分支或不规则的内存访问时,它很出色。”

但 AI 是什么?它不过是这些非常可预测的矩阵乘法,一遍又一遍地重复。你不必为线程束调度器,或者线程与内存库之间的切换而牺牲任何芯片面积。而 TPU 正是针对当前正在上线的这部分算力收入和使用场景的大头做了真正的优化。我想知道你对此怎么看。

黄仁勋

矩阵乘法是 AI 的重要组成部分,但不是唯一的部分。如果你想提出一种新的注意力机制,用不同的方式做解耦,或者彻底发明一种全新的架构,比如混合 SSM,你就需要一个通用可编程的架构。如果你想创建一个融合扩散与自回归技术的模型,你也需要一个通用可编程的架构。你能想象到的一切,我们都能运行。这就是优势。因为这是一个可编程系统,所以新算法的发明要容易得多。

发明新算法的能力,才是 AI 进步如此之快的真正原因。TPU 和其他任何东西一样,会受到摩尔定律的影响,而我们知道摩尔定律带来的提升大约是每年 25%。要真正实现 10 倍或 100 倍的飞跃,唯一的办法就是每年从根本上改变算法及其计算方式。

这就是英伟达的根本优势。我们之所以能让 Blackwell 相对 Hopper 提升 50 倍……当我最初宣布 Blackwell 的能效将是 Hopper 的 35 倍时,没有人相信。后来 Dylan 写了一篇文章,说我留了余地,实际上是五十倍。仅靠摩尔定律,你不可能合理地做到这一点。我们解决这个问题的方式,是采用新的模型,比如 MoE,它们被并行化、解耦,并分布在整个计算系统之中。如果没有能力真正深入底层、用 CUDA 写出新的内核,这很难做到。

这是我们架构的可编程性,加上英伟达是一家极致协同设计的公司,二者结合的结果。我们甚至可以把一部分计算卸载到互连结构本身,比如 NVLink,或者卸载到网络中,比如 Spectrum-X。我们可以同时在处理器、系统、互连结构、库和算法上推动变化。没有 CUDA 来做这件事,我甚至不知道从何下手。

德瓦克什·帕特尔

这引出了一个关于英伟达客户群的有趣问题。你们 60% 的收入来自这五大超大规模云厂商。换成另一个时代、另一批客户,比如说做实验的教授们,他们需要 CUDA。他们不能使用别的加速器。他们只需要用 CUDA 运行 PyTorch,并让一切都得到优化。

但这些超大规模云厂商有资源去编写自己的内核。事实上,为了榨出针对其特定架构所需的最后 5% 的性能,他们必须这么做。Anthropic 和 Google 大多运行自己的加速器,或者运行 TPU 和 Trainium。但即便是使用 GPU 的 OpenAI,也有 Triton,因为他们需要自己的内核。一直到 CUDA C++ 这一层,他们不用 cuBLAS 和 NCCL,而是有自己的一套技术栈,这套栈也可以编译到其他加速器上。如果你的大多数客户都能够、而且确实在为 CUDA 做替代,那么在多大程度上,CUDA 才真的是让前沿 AI 在英伟达上实现的关键?

黄仁勋

CUDA 是一个丰富的生态系统。如果你想先在某一种计算机上构建,先在 CUDA 上构建是极其明智的。因为生态系统如此丰富,我们支持所有框架。如果你想创建自定义内核……比如,我们对 Triton 贡献巨大。所以 Triton 的后端含有大量英伟达的技术。

我们乐于帮助每一个框架尽可能做到最好。框架非常非常多。有 Triton、vLLM、SGLang 等等。现在又有一大批新的强化学习框架陆续出现,比如 verl 和 NeMo RL。后训练和强化学习这整个领域正在迅猛增长。所以如果你想在某个架构上构建,在 CUDA 上构建最合理,因为你知道这个生态系统很出色。

你知道,如果出了问题,更可能是出在你自己的代码里,而不是出在底下那一大堆代码里。别忘了,构建这些系统时你要面对的代码量有多大。当某个东西不工作时,是你的问题,还是计算机的问题?你希望永远是你自己的问题,并且能够信任计算机。显然,我们自己仍然有很多 bug,但我们的系统已经被打磨得足够充分,至少你可以在这个基础之上构建。这是第一点:生态系统的丰富性、可编程性和能力。

第二点是,如果你是构建任何东西的开发者,你最想要的唯一最重要的东西就是装机量。你希望你写的软件能在许许多多其他计算机上运行。你构建软件不只是为了自己,而是为了你的集群,或者别人的集群,因为你是框架构建者。英伟达的 CUDA 生态系统,归根结底是它的巨大财富。

我们现在在外面有几亿块 GPU。每一朵云上都有。可以追溯到 A10、A100、H100、H200、L 系列、P 系列。有一大堆,各种大小和形态都有。如果你是一家机器人公司,你希望那套 CUDA 技术栈能在机器人本体里运行。我们真的是无处不在。装机量意味着,一旦你开发了软件或模型,它在各处都会有用。这实在是非常有价值。

最后,我们存在于每一朵云上,这一点让我们真正与众不同。如果你是一家 AI 公司或开发者,你并不确定自己会与哪家云服务提供商合作,或者想在哪里运行。我们无处不在地运行,如果你愿意,也包括为你部署在本地。生态系统的丰富、装机量的庞大,以及我们所处位置的多样,这三者结合起来,使 CUDA 价值无可估量。

德瓦克什·帕特尔

这很有道理。我好奇的是,这些优势对你们的主要客户是否真的很重要。对很多人来说,它们可能很重要。但真正能自己构建软件栈的那类人,贡献了你们大部分收入。尤其是如果走向这样一个世界:AI 在那些有严格验证回路、可以对其做强化学习的任务上变得格外擅长……比如,怎样写一个内核,让注意力或 MLP 在纵向扩展(scale up)的系统上以最高效率运行?这是一种非常可验证的反馈回路。

所有超大规模云厂商都能为自己写这些自定义内核吗?英伟达的性价比依然很出色,所以他们也许仍然更愿意用英伟达。但那样一来,问题就变成:这是否只是变成了比较谁在给定的美元下提供最好的规格、最好的算力和内存带宽。而历史上,英伟达在整个 AI 的硬件和软件上一直拥有、现在仍然拥有最高的利润率,超过 70%,这是因为 CUDA 护城河。问题是,如果对你们大多数客户来说,他们确实负担得起自己构建,而不依赖 CUDA 护城河,你们还能维持这样的利润率吗?

黄仁勋

我们派驻到这些 AI 实验室、与他们合作、优化他们技术栈的工程师数量多得惊人。原因在于,没有人比我们更了解自己的架构。这些架构不像 CPU 那样通用。CPU 有点像凯迪拉克,是一辆舒适的巡航车,从不跑得太快,人人都能把它开得很好,有定速巡航,一切都很轻松。但在很多方面,英伟达的 GPU 和加速器像 F1 赛车。我可以想象,人人都能以每小时一百英里的速度驾驶它,但要把它推到极限,需要相当多的专业技能。我们用了大量的 AI 来创建我们自己的内核。

我很确定,相当长的一段时间内我们仍然会被需要。我们的专业能力往往能轻松帮助 AI 实验室合作伙伴的技术栈再提升 2 倍。当我们完成对他们技术栈或某个特定内核的优化时,他们的模型加速了 3 倍、2 倍或 50%,这并不罕见。这是个巨大的数字,尤其是考虑到他们所拥有的集群装机规模,包括他们所有的 Hopper 和 Blackwell。当你把它提高一倍,就等于收入翻倍。这直接转化为收入。

英伟达的计算技术栈拥有全世界最好的每 TCO 性能,毫无例外。没有人能向我证明,当今世界上有任何一个平台拥有更好的性能与 TCO 之比。没有一家公司能做到。事实上,现在有公开的基准测试。Dylan 的 InferenceMAX 就摆在那里供大家使用,而没有一个……TPU 不会来,Trainium 也不会来。

我鼓励他们使用 InferenceMAX,展示他们所谓惊人的推理成本。这真的很难。没有人愿意出现。还有 MLPerf。我欢迎 Trainium 来展示他们一直声称的那 40%。我很乐意听他们展示 TPU 的成本优势。在我看来这毫无道理,绝对毫无道理。从第一性原理来看,这说不通。

所以我认为我们如此成功的原因,仅仅是因为我们的 TCO 非常出色。其次,你说我们 60% 的客户是前五大,但其中大部分业务是对外的。比如,英伟达在 AWS 的大部分用量是服务外部客户,而不是内部使用。我们在 Azure 的大部分客户,显然全部都是外部客户。我们在 OCI 的所有客户都是外部的,不是内部使用。他们之所以偏爱我们,是因为我们的触达范围如此之广。我们可以把世界上所有的优秀客户带给他们。这些客户全都构建在英伟达之上。而所有这些公司之所以构建在英伟达之上,是因为我们的触达范围和多样性如此之强。

所以我认为飞轮其实就是:装机量、我们架构的可编程性、生态系统的丰富,以及世界上有这么多的 AI 公司这一事实。现在有成千上万家。如果你是其中一家 AI 初创公司,你会选择什么架构?你会选择最普及的架构。我们是世界上最普及的。你会选择装机量最大的那个。我们的装机量最大。你还会选择生态系统丰富的那个。

这就是飞轮。这就是原因,综合起来看:第一,我们的每美元性能如此之好,以至于他们能获得成本最低的 token。第二,我们的每瓦性能是全世界最高的。所以如果这些公司中的某一家,也就是我们的合作伙伴,建了一座一吉瓦的数据中心,那么这座一吉瓦的数据中心最好能交付最大的收入和 token 数量,而这直接转化为收入。你希望它生成尽可能多的 token,使该数据中心的收入最大化。我们是全世界每瓦 token 数最高的架构。最后,如果你的目标是出租基础设施,我们拥有世界上最多的客户。这就是飞轮之所以有效的原因。

德瓦克什·帕特尔

有意思。我想问题归结为:这里真实的市场结构是什么样的?因为即使还有其他公司……本来可能存在这样一个世界:有成千上万家 AI 公司,各自占有大致相当的算力份额。但即便通过这五大超大规模云厂商,真正在 Amazon 上使用算力的,其实是 Anthropic、OpenAI 以及这些大型基础模型实验室,它们自己有能力负担、也有能力让不同的加速器跑起来。

黄仁勋

不,我认为你的前提是错的。

德瓦克什·帕特尔

也许吧。不过让我问你一个稍有不同的问题。

黄仁勋

回头来,让我纠正你的前提。

德瓦克什·帕特尔

好的。让我换个问题问你。

黄仁勋

但一定要记得让我回头来纠正,因为这对 AI 实在太重要了。对科学的未来太重要了。对这个行业的未来太重要了。那个前提……你看——

德瓦克什·帕特尔

让我先把问题问完,然后我们再一起来讨论。

黄仁勋

好。

德瓦克什·帕特尔

如果关于价格、性能、每瓦性能等等的这些说法都是真的,那你认为为什么会出现这样的情况:比如说 Anthropic,几天前刚刚宣布,他们与博通和 Google 达成了一项多吉瓦的 TPU 协议,涵盖他们的大部分算力?

显然,对 Google 来说,TPU 就是大部分算力。所以看这些大型 AI 公司,似乎他们的很多算力……曾经有一段时间全是英伟达,现在不是了。所以我很好奇该怎么理解:如果这些在纸面上都成立,他们为什么还要选择其他加速器?

黄仁勋

Anthropic 是一个特例,不是趋势。没有 Anthropic,TPU 为什么会有任何增长?百分之百是 Anthropic。没有 Anthropic,Trainium 为什么会有任何增长?百分之百是 Anthropic。我认为这一点相当广为人知,也被很好地理解了。并不是说 ASIC 的机会有很多。只有一个 Anthropic。

德瓦克什·帕特尔

但 OpenAI 与 AMD 的协议……他们还在自研 Titan 加速器。

黄仁勋

是的,但我想我们都得承认,他们绝大部分仍然是英伟达。我们还会一起做很多工作。别人使用别的东西、尝试不同的东西,我并不介意。如果他们不尝试这些别的东西,又怎么知道我们的有多好呢?有时候你就是需要被提醒。我们必须不断地去赢得我们所处的地位。

大话总是有的。看看有多少 ASIC 被取消了。仅仅因为你要做一个 ASIC……你仍然得做出比英伟达更好的东西。做出比英伟达更好的东西并不容易。其实这说不通。英伟达一定是漏掉了什么,说真的。因为我们的规模、我们的速度,我们是世界上唯一一家每年都在持续推出新品的公司。每年都是大跃进。

德瓦克什·帕特尔

我想他们的逻辑是:“嘿,它不需要更好,只需要不比你差超过 70%就行,”因为他们付给你的是 70% 的利润率。

黄仁勋

不,别忘了,即便是 ASIC,利润率也相当高。比方说英伟达的利润率是 70%,而 ASIC 的利润率是 65%。你到底省下了什么?

德瓦克什·帕特尔

哦,你是指来自博通之类的公司?

黄仁勋

对,当然。你总得付钱给某个人。据我所知,ASIC 的利润率非常好。他们自己也这么认为。他们对自己惊人的 ASIC 利润率相当自豪。

所以,你问为什么。很久以前,我们就是没有能力去做。当时我没有深刻地认识到,建立像 OpenAI 和 Anthropic 这样的基础 AI 实验室有多困难,以及他们需要来自供应商自身的巨额投资。我们当时没有能力向 Anthropic 投入数十亿美元,让他们使用我们的算力。但 Google 和 AWS 有这个能力。他们一开始就投入了巨额资金,作为回报,Anthropic 使用他们的算力。我们当时只是没有条件这么做。

我想说,我的失误在于,我没有深刻认识到他们真的没有其他选择,没有哪个风险投资人会往一个 AI 实验室里投入 50 亿到 100 亿美元,并寄望它成为 Anthropic。所以这是我的疏漏。不过即使我当时明白了,我也不认为我们当时有条件做到。但我不会再犯同样的错误。

我很乐意投资 OpenAI,很乐意帮助他们扩大规模,我相信这样做是必不可少的。后来,当我有能力的时候,当 Anthropic 来找我们时,我也很乐意成为投资者,很乐意帮助他们扩大规模。只是当时我们没法做到。如果一切可以倒带——并且英伟达当时就能像现在这么大——我会非常乐意去做。

41:06德瓦克什·帕特尔

这其实相当有意思。多年来,英伟达一直是 AI 领域赚钱的公司,赚了很多很多钱。现在你们在投资。据报道,你们已经向 OpenAI 投入了最多 300 亿美元,向 Anthropic 投入了 100 亿美元。但现在他们的估值已经上涨了,我相信还会继续上涨。

所以,如果这么多年来你们一直在给他们提供算力,你们看到了事情的走向,而几年前他们的价值只有现在的十分之一——有些情况下甚至就是一年前——并且你们手里有这么多现金——那么就存在这样一种可能:要么英伟达自己成为一家基础模型实验室,做出巨额投资使之成为可能,要么早得多就达成你们现在以当前估值达成的这些交易。你们有现金去做。所以我其实很好奇,为什么没有早点做?

黄仁勋

我们是尽可能早地做了。我们已经尽可能早了,如果可以的话,我会做得更早。在 Anthropic 需要我们这样做的时候,我们就是没有条件去做。那不在我们当时的认知范围之内。

德瓦克什·帕特尔

怎么说?是资金问题吗?

黄仁勋

是的,投资的规模。我们当时从未在公司外部投资过,更没投过那么多。我们没有意识到我们需要这么做。我一直以为他们可以去找风险投资人融资,天哪,就像所有公司那样。但他们想做的事情无法通过风险投资来完成。OpenAI 想做的事情也无法通过风险投资来完成。我现在认识到了这一点。当时我并不知道。

但那正是他们的天才之处。这就是他们聪明的地方。他们在那时就意识到必须做类似的事。我很高兴他们做了。尽管是我们的缘故才使得 Anthropic 不得不去找别人,我依然为此事的发生感到高兴。Anthropic 的存在对世界是好事。我为此感到欣慰。

德瓦克什·帕特尔

我想你们现在仍然赚了很多钱,而且一个季度比一个季度赚得多得多。

黄仁勋

有遗憾也还是可以的。

德瓦克什·帕特尔

所以问题依然存在。好,既然我们走到了这一步,而你们还在不断赚到这么多钱,英伟达应该拿这些钱做什么?有一种答案是,已经冒出了一整个中间商生态系统,为这些实验室把资本支出转化为运营支出,让他们可以租用算力。因为芯片非常昂贵,而它们在生命周期内赚很多钱,因为 AI 模型在不断变好。所以它们创造的价值,也就是它们的 token,在不断增加,但搭建起来很昂贵。英伟达有钱去承担这些资本支出。事实上,据报道,你们为 CoreWeave 兜底最高达 63 亿美元,并且已经投资了 20 亿美元。

为什么英伟达不自己成为云服务商?为什么不自己成为超大规模云厂商,把这些算力租出去?你们有这么多现金可以做这件事。

黄仁勋

这是公司的一种哲学,我认为它是明智的。我们应该做必要的全部,并尽可能少做其余的事。这意味着,我们在构建计算平台方面所做的工作,如果我们不做,我真心相信就没人会做。如果我们没有承担我们所承担的风险——如果我们没有以我们的方式构建 NVLink,如果我们没有构建整套技术栈,如果我们没有以我们的方式创建生态系统,如果我们没有把自己投入到 20 年的 CUDA 之中,而且其中大部分时间都在亏钱——如果我们不这么做,没有别人会去做。

如果我们没有创建所有的 CUDA-X 库,让它们全都面向特定领域……十五年前,我们推进面向特定领域的库,因为我们意识到,如果我们不创建这些特定领域的库,无论是用于光线追踪、图像生成,还是早期的 AI 工作,这些模型,如果我们不创建它们,用于数据处理、结构化数据处理或向量数据处理的库,如果我们不创建,就不会有人创建。这一点我完全确定。我们创建了一个用于计算光刻的库,叫 cuLitho。如果我们不创建它,就不会有人创建。所以,如果我们没有做我们做过的事,加速计算就不会发展成今天这样。

所以我们应该做那些事。我们应该把公司、把我们的全部力量全心全意地投入其中。然而,世界上有很多云。如果我不做,总会有人出现。所以遵循这个准则、这种哲学:做必要的全部,但尽可能少做其余的事——尽可能少做——这种哲学在我们公司存在至今。我做的每一件事,都是以这个视角去做的。

就云而言,如果我们没有支持 CoreWeave 的出现,这些新云厂商、这些 AI 云就不会存在。如果我们没有帮助 CoreWeave 存在,他们就不会存在。如果我们没有支持 Nscale,他们就不会有今天。如果我们没有支持 Nebius,他们就不会是今天的样子。现在他们做得非常出色。

这是一种商业模式[听不清]吗?我们应该做必要的全部,并尽可能少做其余的事。所以我们投资我们的生态系统,因为我希望我们的生态系统繁荣。我希望这种架构以及 AI 能够连接尽可能多的行业、尽可能多的国家,让整个地球有可能建立在 AI 之上、建立在美国的技术栈之上。这个愿景正是我们所追求的。

现在,你提到的其中一点……有那么多出色、了不起的基础模型公司,我们尽量投资它们所有的。这是我们做的另一件事。我们不挑赢家。我们需要支持每一个人。这是我们乐在其中的一部分,对我们的业务也至关重要。但我们也特意不去挑赢家。所以当我投资其中一家时,我会投资它们所有的。

德瓦克什·帕特尔

你为什么特意不去挑赢家?

黄仁勋

第一,因为那不是我们的工作。第二,英伟达刚创立时,有 60 家 3D 图形公司。我们是唯一存活下来的。如果你把这 60 家图形公司拿出来,问自己哪一家能活下来,英伟达会排在最不可能成功的名单最前面。

这远在你出生之前,但英伟达的图形架构当时恰恰是错的。不是错了一点点。我们创造了一个恰恰错误的架构,开发者根本不可能支持它。它不可能成功。我们是从很好的第一性原理出发去推理的,但最终得到了错误的方案。所有人都会把我们排除在外。而我们今天就在这里。

所以我有足够的谦逊去认识到这一点。不要挑赢家。要么让它们各自照顾好自己,要么照顾好所有的。

德瓦克什·帕特尔

有一点我没弄明白:你说,“看,我们并不是因为这些新云厂商是新云厂商,就想优先扶持它们。”但你也列举了一堆新云厂商,说如果没有英伟达它们就不会存在。这两件事怎么兼容?

黄仁勋

首先,他们得想要存在,并且来向我们求助。当他们想要存在,并且有商业计划、专业能力和为此投入的热情时……他们显然自己也得具备一些能力。但如果归根结底,他们需要一些投资才能起步,我们会在那里支持他们。但他们越早让自己的飞轮转起来……

你的问题是:“我们想不想做金融业务?”答案是不想。有人是做金融业务的,我们宁愿与所有做金融业务的人合作,也不愿自己当金融家。我们的目标是专注于我们所做的事,让我们的商业模式尽可能简单,并支持我们的生态系统。

当像 OpenAI 这样的公司需要 300 亿美元规模的投资,因为他们还没有上市,而我们深信他们,我也深信他们将会成为一家……嗯,他们今天已经是一家非凡的公司了。他们将会成为一家了不起的公司。世界需要他们存在。世界希望他们存在。我希望他们存在。他们顺风顺水。让我们支持他们,让他们扩大规模。这些投资我们会做,因为他们需要我们这样做。但我们不是想尽可能多做。我们是想尽可能少做。

德瓦克什·帕特尔

这也许是个显而易见的问题,但我们已经在这种 GPU 短缺的局面里生活了很多年,而且现在短缺加剧了,因为模型在变得更好。

黄仁勋

我们有 GPU 短缺。

德瓦克什·帕特尔

是的。英伟达以分配稀缺供给而闻名,不只是看谁出价高,而是考虑,“嘿,我们想确保这些新云厂商存在。给 CoreWeave 一些,给 Crusoe 一些,给 Lambda 一些。”这为什么对英伟达有利?首先,你是否同意这种对市场进行分割的说法?

黄仁勋

不。不。你的前提就是错的。对这些事情,我们足够留心。我们非常留心。首先,如果你不下采购订单(PO),说再多也没用。在拿到 PO 之前,我们能做什么?所以第一件事是,我们和每个人一起努力做出预测,因为这些东西需要很长时间来建造,数据中心也需要很长时间来建造。我们通过预测,让自己与需求和供给等因素保持一致。好吗?这是头等大事。

第二,我们尽可能与更多的人一起做预测,但最终你仍然得下订单。也许出于某种原因,你没有下订单。我能怎么办?到了某个时点,就是先到先得。但除此之外,如果你没准备好,因为你的数据中心没有就绪,或者某些部件没有就绪,无法让你搭起数据中心,我们可能会决定先服务另一位客户。那只是在最大化我们自己工厂的吞吐量。我们可能会在那里做一些调整。

除此之外,优先级就是先到先得。你得下 PO。如果你不下 PO……当然,关于这件事有一些传闻。比如,这一切起初源于一篇文章,说拉里和埃隆与我共进晚餐,向我乞求 GPU。那从未发生过。我们确实吃过晚饭。我们绝对一起吃了晚饭,那是一顿很愉快的晚餐。他们任何时候都没有乞求 GPU。他们只需要下一个订单。一旦下了订单,我们就尽力把产能交付给他们。我们并不复杂。

德瓦克什·帕特尔

好的。听起来有一个队列,然后根据你的数据中心是否就绪,以及你何时下采购订单,你会在某个时间拿到它们。但听起来依然不是出价最高者就能拿到。这样做是有什么原因吗……?

黄仁勋

我们从不那样做。

德瓦克什·帕特尔

好的。

黄仁勋

我们从来不这么做。

德瓦克什·帕特尔

为什么不干脆价高者得?

黄仁勋

因为这是一种糟糕的商业做法。你定好价格,然后人们决定买还是不买。我知道芯片行业的其他公司会在需求更高时调整价格,但我们就是不这样。这从来不是我们的做法。你可以信赖我们。我更愿意做一个可靠的、行业的基石。你不需要事后揣测。如果我给你报了一个价,我们报给你的就是那个价。就是这样。就算需求飙升到天上,也只能如此。

德瓦克什·帕特尔

在另一端,这也是你们与台积电保持高效合作关系的原因,对吧?

黄仁勋

是的,英伟达和他们做生意,我想快 30 年了。英伟达和台积电之间没有法律合同。总是有某种大致的公道。有时我对,有时我错。有时我拿到了更好的交易,有时拿到了更差的交易。但总体而言,这段关系非常了不起。我可以完全信任他们。我可以完全依赖他们。

你可以对英伟达指望的事情之一是:今年,Vera Rubin 将会非常出色。明年,Vera Rubin Ultra 会来。再下一年,Feynman 会来。再往后一年,我还没有公布名字。每一年你都可以指望我们。你得去世界上找另一个 ASIC 团队——随便挑一个 ASIC 团队——让你能够说:“我可以押上全部身家,可以拿我的整个业务来赌,你们每一年都会在这里支持我。你们的 token 成本每年都会下降一个数量级。我可以像指望时钟一样指望这一点。”

我刚才说到台积电的事。历史上没有任何其他晶圆代工厂,你可以这样说它。而你今天可以这样说英伟达。每一年你都可以指望我们。如果你想购买价值十亿美元的 AI 工厂算力,没问题。如果你想买一亿美元的,没问题。你想买 1000 万美元的,或者只买一个机架,没问题。或者只买一块显卡,好,没问题。如果你想下一个 1000 亿美元 AI 工厂的订单,没问题。今天,我们是世界上唯一能这样说的公司。

对台积电我也可以这样说。我想买一个,买 10 亿个,没问题。我们只是需要经历为此做规划的过程,以及成熟的人会做的一切事情。所以我认为,英伟达能成为全球 AI 产业的基石,这个地位我们花了大约二十年才到达。需要巨大的投入,巨大的奉献。我们公司的稳定性、一贯性,真的很重要。

57:36德瓦克什·帕特尔

好的。我想问问中国。其实我自己并不知道对于向中国出售芯片是好是坏该怎么想,但我喜欢对嘉宾唱反调。所以当达里奥(Dario)来做客时,他支持出口管制,我问他,为什么美国和中国不能都拥有一个“数据中心里的天才之国”?而既然你站在对立面,我就用相反的方式来问你。

一种思考方式是,Anthropic 几天前其实发布了 Mythos Preview。这个 Mythos 模型,他们甚至不公开发布,因为他们说它具有如此强的网络攻击能力,在确保这些零日漏洞被修补之前,他们认为世界还没有准备好。但他们说,它在每一种主流操作系统、每一款浏览器中发现了数千个高危漏洞。它在 OpenBSD 中发现了一个,而 OpenBSD 是一个专门被设计成不存在零日漏洞的操作系统。它发现了一个已经存在 27 年的漏洞。

所以,如果中国的公司、中国的实验室和中国政府拥有 AI 芯片,可以训练出像 Claude Mythos 这样具备网络攻击能力的模型,并用更多算力运行它的数百万个实例,问题是,这对美国公司、对美国国家安全是否构成威胁?

黄仁勋

首先,Mythos 是在相当普通的算力上训练的,而且用量也相当普通。训练它的是一家非凡的公司。它所用的算力规模和算力类型,在中国是大量存在的。所以你首先要认识到,中国是有芯片的。

他们制造了全球 60% 的主流芯片,也许更多。这对他们来说是一个非常庞大的产业。他们拥有世界上一些最优秀的计算机科学家。如你所知,所有这些 AI 实验室里的大多数 AI 研究人员都是华人。他们拥有全球 50% 的 AI 研究人员。所以问题是,考虑到他们已经拥有的所有资产——他们有充裕的能源,有大量的芯片,有大部分的 AI 研究人员——如果你担心他们,创造一个安全世界的最佳方式是什么?

把他们当作受害者,把他们变成敌人,很可能不是最好的答案。他们是对手。我们希望美国获胜。但我认为,进行对话,进行研究层面的对话,大概是最安全的做法。由于我们目前把中国视为对手的态度,这一领域明显缺失。我们的 AI 研究人员与他们的 AI 研究人员实际上进行交流,这是必不可少的。我们双方就哪些事情不该用 AI 去做达成一致,这也是必不可少的。

至于在软件中发现漏洞,当然,这正是 AI 应该做的。它会在很多软件中发现漏洞吗?当然。漏洞多得很。AI 软件里也有很多漏洞。这就是 AI 应该做的事,我很高兴 AI 已经达到了可以帮助我们大幅提高生产力的水平。

有一件事被强调得不够,那就是围绕网络安全、AI 网络安全、AI 安全、AI 隐私和 AI 安全性(safety)的生态系统的丰富程度。有一整个 AI 初创企业的生态系统,正在努力为我们创造这样的未来:一个了不起的 AI 智能体,周围有成千上万个 AI 智能体,让它保持安全、保持可靠。那样的未来肯定会到来。

认为会有一个 AI 智能体到处乱跑而没有人看管,这种想法有点疯狂。我们很清楚,这个生态系统需要繁荣。事实证明,这个生态系统需要开源。这个生态系统需要开放的模型。他们需要开放的技术栈,这样所有这些 AI 研究人员和所有这些优秀的计算机科学家才能去构建同样强大的 AI 系统,并保障 AI 的安全。所以我们需要确保做到的事情之一,就是让开源生态系统保持活力。这一点不能被忽视。其中很大一部分来自中国。我们不应该扼杀它。

就中国而言,我们当然希望美国拥有尽可能多的算力。我们受限于能源,但我们有很多人在为此努力。我们不能让能源成为我们国家的瓶颈。但我们还希望确保,世界上所有的 AI 开发者都在美国的技术栈上开发,并让 AI 的贡献和进步——特别是开源的成果——可供美国的生态系统使用。如果创造出两个生态系统,将是极其愚蠢的:开源生态系统只运行在外国的技术栈上,而封闭的生态系统运行在美国的技术栈上。我认为那对美国将是一个糟糕透顶的结果。

德瓦克什·帕特尔

既然涉及的内容很多,让我把你的回应分个轻重缓急。我认为担忧在于,回到黑客攻击中的算力(flops)差距:没错,他们有算力,但有一些估算认为,由于他们处在 7nm——他们因为芯片制造方面的出口管制而没有 EUV——他们实际能够生产的算力(flops),只有美国的十分之一。

所以,他们最终能训练出像 Mythos 这样的模型吗?能。但问题是,因为我们有更多的算力,美国的实验室能够先达到这些能力水平。因为 Anthropic 先达到了,他们说:“好,我们会先把它扣下一个月,让所有这些美国公司获得访问权限,他们会修补所有的漏洞,然后我们再发布。”

此外,即使他们训练出这样的模型,大规模部署的能力……如果你有一个网络黑客,他们有一百万个就比只有一千个危险得多。所以推理算力真的非常重要。事实上,他们有这么多水平这么高的 AI 研究人员,这一点恰恰让人更害怕,因为是什么让那些工程师研究人员更有生产力?是算力。

如果你和美国的任何一家 AI 实验室交谈,他们都会说,制约他们的是算力。DeepSeek 创始人,或者 Qwen 的负责人之类的,都有类似的话。他们说,制约他们的是算力。那么问题就是,让美国公司因为拥有更多算力而率先达到 Mythos 级别的能力,让我们的社会为此做好准备,不是比等到中国因为算力更少而较晚达到要更好吗?

黄仁勋

我们应该始终领先,始终拥有更多。但是,要让你所描述的那个结果成立,你必须把它推到极端。他们必须完全没有算力。如果他们有一些算力,问题就是需要多少?

他们在中国拥有的算力规模是巨大的。你说的是全球第二大计算市场的国家。如果他们想把算力聚合起来,他们有足够多的算力可以聚合。

德瓦克什·帕特尔

但真是这样吗?人们做过这些估算,他们说:“中芯国际在工艺节点上其实是落后的。”

黄仁勋

我正要告诉你。

德瓦克什·帕特尔

好的。

黄仁勋

他们拥有的能源数量惊人。不是吗?AI 是一个并行计算问题,不是吗?他们为什么不能直接把 4 倍、10 倍数量的芯片放在一起,因为能源是免费的?他们的能源非常充裕。他们有完全空置、却通满了电的数据中心。你知道他们有鬼城,也有鬼数据中心。他们拥有的基础设施产能非常大。如果他们愿意,他们就是把更多芯片堆在一起,哪怕是 7nm 的。

他们制造芯片的产能是全世界最大的之一。半导体行业都知道他们垄断了主流芯片。他们有过剩产能,产能太多了。所以说中国将无法拥有 AI 芯片,这种想法完全是胡扯。

当然,如果你问我,假如全世界完全没有算力,美国会不会领先更多?但那根本不是一个结果。那不是一个真实的情景。他们已经有大量算力了。就你所担心的那个问题而言,他们所需要的门槛,已经达到并且超过了。

所以我认为你误解了,AI 是一个五层的蛋糕,最底层是能源。当你有充裕的能源,它可以弥补芯片的不足。如果你有充裕的芯片,它可以弥补能源的不足。比如,美国能源稀缺,这就是英伟达必须不断推进架构、做这种极致协同设计的原因,这样我们出货的那些少量芯片——因为能源量非常有限,所以芯片少——每瓦吞吐量才能高得离谱。

但如果你的瓦特数完全充裕,是免费的,你还何必在乎每瓦性能呢?你有的是。你可以用旧芯片来做。所以 7nm 的芯片本质上就是 Hopper。Hopper 的能力……我得告诉你,今天的模型很大程度上就是在 Hopper、Hopper 这一代上训练的。所以 7nm 的芯片已经足够好。能源充裕就是他们的优势。

德瓦克什·帕特尔

但还有个问题是,他们是否真的能制造足够多的芯片。

黄仁勋

他们能。证据是什么?华为刚刚迎来了公司历史上最大的一个单年。

德瓦克什·帕特尔

他们出货了多少芯片?

黄仁勋

一大堆。数以百万计。数以百万计远远多于 Anthropic 拥有的。

德瓦克什·帕特尔

问题在于中芯国际能造出多少逻辑芯片,还有多少内存——

黄仁勋

我告诉你实际情况。他们有大量的逻辑芯片,也有大量的 HBM2 内存。

德瓦克什·帕特尔

对。但你知道,训练和运行这些模型做推理时,瓶颈往往是带宽。所以如果你用的是 HBM2……具体数字我一时记不清,但与你们最新的产品相比,内存带宽可能有近一个数量级的差距,这是巨大的。

黄仁勋

华为是一家网络公司。

德瓦克什·帕特尔

但这并不改变最先进的 HBM 需要 EUV 这一事实。

黄仁勋

不对。完全不对。你可以把它们联合起来,就像我们用 NVL72 把它们联合起来一样。他们已经展示过硅光子技术,把所有这些算力连接成一台巨大的超级计算机。你的前提就是错的。

事实是,他们的 AI 发展得好得很。世界上最优秀的 AI 研究人员,因为算力有限,所以也想出了极其聪明的算法。记住,我刚才说过摩尔定律每年大约推进 25%。然而,通过出色的计算机科学,我们仍然可以把算法性能提升 10 倍。我想说的是,杠杆就在出色的计算机科学上。

毫无疑问,MoE 是一项伟大的发明。毫无疑问,所有那些出色的注意力机制减少了算力需求。我们必须承认,AI 的大部分进步来自算法的进步,而不只是原始的硬件。那么,如果大部分进步来自算法、计算机科学和编程,请告诉我,他们那支庞大的 AI 研究人员大军不是他们的根本优势。我们看到了这一点。DeepSeek 并不是一个无足轻重的进步。如果有一天 DeepSeek 首先在华为上推出,那对我们国家将是一个糟糕透顶的结果。

德瓦克什·帕特尔

为什么这么说?因为目前像 DeepSeek 这样的模型,只要是开源的,就可以在任何加速器上运行。为什么将来就不再是这样了?

黄仁勋

假设不会呢。假设它是针对华为优化的,针对他们的架构优化的。这会让我们处于劣势。你描述的那种情形,我认为是好消息。一家公司开发了软件,开发了一个 AI 模型,而它在美国的技术栈上运行得最好。我认为那是好消息。你却把它设定为坏消息的前提。我来告诉你什么是坏消息:世界各地开发出来的 AI 模型,在非美国的硬件上运行得最好。那对我们是坏消息。

德瓦克什·帕特尔

我想我只是没有看到证据表明存在这种巨大的差异,会妨碍你切换加速器。美国的实验室在所有的云上、在所有不同的加速器上运行他们的模型——

黄仁勋

我就是证据。你拿一个针对英伟达优化过的模型,试着在别的东西上运行。

德瓦克什·帕特尔

但美国的实验室就是这么做的。

黄仁勋

而且它们跑得并没有更好。英伟达的成功就是完美的证据。AI 模型在我们的技术栈上创建,在我们的技术栈上运行得最好,这有什么难以理解的?

德瓦克什·帕特尔

Anthropic 的模型运行在 GPU 上,运行在 Trainium 上,也运行在 TPU 上。

黄仁勋

要改变就得投入大量工作。但去看看全球南方,去看看中东。开箱即用的状态下,如果所有的 AI 模型都在别人的技术栈上运行得最好,你现在就得主张一个荒谬的说法,说那对美国是好事。

德瓦克什·帕特尔

但我想我不理解这个论点。假设中国公司率先做出下一个 Mythos。他们率先找到美国软件中的所有安全漏洞,但他们是在英伟达硬件上做到的,并把它推向全球南方。他们是在英伟达硬件上做的。这怎么算好?好吧,它运行在英伟达硬件上——

黄仁勋

这不好。这不好。

德瓦克什·帕特尔

对。

黄仁勋

这不好。所以我们不要让它发生。

德瓦克什·帕特尔

你为什么认为它是完全可替代的,即如果你们不向他们出货算力,就会被华为完全取代?他们是落后的,对吧?他们的芯片比你们的差。

黄仁勋

这完全是……现在就有证据。他们的芯片产业非常庞大。

德瓦克什·帕特尔

你只要看一下 H200 和华为 910C 之间的算力(flops)、带宽或内存对比就知道了。大约是一半到三分之一。

黄仁勋

他们用得更多。他们用的数量是两倍。

德瓦克什·帕特尔

看来你的论点是,他们有这么多现成的能源,对吧?他们需要用芯片把它填满。

黄仁勋

而且他们擅长制造。

德瓦克什·帕特尔

我相信最终他们能够在制造上超过所有人。但有这么几个关键的年份。

黄仁勋

你说的关键年份是什么?

德瓦克什·帕特尔

接下来这几年。我们将拥有能够发动各种网络攻击的模型。

黄仁勋

那样的话,如果接下来的几年是关键的,那我们就必须确保在这些关键的年份里,世界上所有的 AI 模型都建立在美国的技术栈之上。

德瓦克什·帕特尔

如果它们建立在美国的技术栈之上,假如他们拥有更先进的能力,这怎么能阻止他们发动相当于 Mythos 的网络攻击?

黄仁勋

无论哪种做法,都没有保证。

德瓦克什·帕特尔

但如果你能早一步拥有它,我们就可以为此做准备。

黄仁勋

听着,你为什么要让 AI 产业的一层失去整个市场,好让 AI 产业的另一层获益?一共有五层,每一层都必须成功。最需要成功的那一层其实是 AI 应用。你为什么这么执着于那个 AI 模型?那一家公司?出于什么原因?

德瓦克什·帕特尔

因为那些模型使这些极具攻击性的能力成为可能,而运行它们需要算力。

黄仁勋

是能源、芯片以及 AI 研究人员的生态系统使它成为可能。

德瓦克什·帕特尔

好,退一步说,必须是中国能够建成足够多的 7nm 产能。而且请记住,他们仍然停留在 7nm,而你们将继续推进到 3nm,再到 2nm,或者随 Feynman 到 1.6nm。所以当你们处在 1.6nm 时,他们还停留在 7nm,而且他们必须生产足够多的 7nm 芯片来弥补差距。他们有那么多能源,所以你给他们的芯片越多,他们的算力就越多。所以最终问题就变成:他们得到了更多算力。算力是训练和推理的投入要素——

黄仁勋

听着,我觉得你说话太绝对了。我认为美国应该领先。美国的算力是世界其他任何地方的 100 倍。美国应该领先。好。美国就是领先的。

英伟达构建最先进的技术。我们确保美国的实验室第一个听到消息,并拥有第一时间购买的机会。如果他们钱不够,我们甚至投资他们。美国应该领先。我们想尽一切办法确保美国领先。第一点,你同意吗?我们正在竭尽全力这样做。

德瓦克什·帕特尔

但如果他们在算力上受到瓶颈限制,向中国出售芯片怎么能让美国保持领先?

黄仁勋

不,不。我们有 Vera Rubin 供美国使用。我们有 Vera Rubin 供美国使用。那么,我在美国吗?你把我算作美国的一部分吗?

德瓦克什·帕特尔

是的。

黄仁勋

英伟达。你认为英伟达是一家美国公司吗?好。第一,我们为什么不制定一项更平衡的监管,让英伟达能够在全世界获胜,而不是放弃全世界?你为什么希望美国放弃世界?

芯片产业是美国生态系统的一部分。它是美国技术领导力的一部分。它是 AI 生态系统的一部分。它是 AI 领导力的一部分。为什么你的政策、你的理念,会导致美国放弃世界市场的一大块?

德瓦克什·帕特尔

我想这里的说法是……达里奥有句话,他说这就像波音公司吹嘘说,我们卖给朝鲜核武器,但导弹外壳是波音造的。而这在某种程度上被说成是在助力美国的技术栈。从根本上说,你是在把这种能力给予他们。

黄仁勋

把 AI 与你刚才提到的任何东西相比,都是荒唐的。

德瓦克什·帕特尔

但 AI 类似于浓缩铀,对吧?它既可以有积极的用途,也可以有消极的用途。我们仍然不想把浓缩铀送给其他国家。

黄仁勋

谁在送浓缩——

德瓦克什·帕特尔

这个类比是说,浓缩铀就像算力。

黄仁勋

这是个糟糕的类比。是个不合逻辑的类比。

德瓦克什·帕特尔

但如果那些算力能运行一个可以对所有美国软件发动零日漏洞攻击的模型,那它怎么不算武器?

黄仁勋

首先,解决这个问题的办法,是与研究人员对话,与中国对话,与所有国家对话,以确保人们不以那种方式使用技术。这是必须进行的对话。好吗?这是第一点。

第二,我们还需要确保美国处于领先,确保 Vera Rubin、Blackwell 在美国大量供应,堆积如山。显然,我们的业绩会证明这一点。大量,海量。我们拥有的算力很棒。我们在这里有出色的 AI 研究人员。很好。我们应该保持领先。

然而,我们也必须认识到,AI 不只是一个模型。AI 是一个五层的蛋糕。AI 产业在每一层都很重要,我们希望美国在每一层都获胜,包括芯片层。拱手让出整个市场,无法让美国在芯片层、在计算技术栈上长期赢得这场技术竞赛。这只是事实。

德瓦克什·帕特尔

那我想症结就在于,现在向他们出售芯片,怎么有助于我们长期获胜?特斯拉长期以来向中国出售非常好的电动汽车。iPhone 在中国销售,也非常好。它们并没有造成锁定。中国仍然会造出自己版本的电动汽车,而且在市场上占据主导。他们的智能手机也占据主导。

黄仁勋

今天我们开始对话时,你承认英伟达的处境非常不同。你用了“护城河”之类的词。对我们公司来说,最重要的一件事是我们生态系统的丰富程度,这关乎开发者。全球 50% 的 AI 开发者在中国。美国不应该放弃这一点。

德瓦克什·帕特尔

但我们在美国也有很多英伟达开发者,这并不妨碍美国的实验室将来也能使用其他加速器。事实上,现在他们也在使用其他加速器,这很好,也没问题。我不明白为什么在中国就不会是这样,如果你把英伟达的芯片卖给他们,就像 Google 既可以使用 TPU 也可以使用英伟达一样——

黄仁勋

我们必须持续创新,而且你大概也知道,我们的份额在增长,而不是下降。认为即使我们去中国竞争,反正也会失去那个市场的这种前提……你面前的不是一个醒来就是输家的人。那种输家的态度、输家的前提,在我看来毫无道理。

我们不是汽车。我们不是汽车。我可以某一天买这个品牌的车,另一天用另一个品牌的车,这很容易。计算不是这样的。x86 的格局之所以存在是有原因的。ARM 之所以粘性这么强是有原因的。这些生态系统很难替代。这需要耗费巨大的时间和精力,大多数人不想这么做。所以我们的工作就是继续培育那个生态系统,不断推进技术,让我们能在市场上竞争。

基于你所描述的前提而让出一个市场,我根本无法认同。这说不通。因为我不认为美国是输家。我们的产业不是输家。那种失败的主张、失败的心态,在我看来毫无道理。

德瓦克什·帕特尔

好吧。我换个话题。我只是想确保——

黄仁勋

你不必换话题。我乐在其中。

德瓦克什·帕特尔

好,太好了。那我就不换了。谢谢。但我想也许症结……谢谢你陪我绕圈子,因为我认为这有助于把这里的症结显现出来。

黄仁勋

症结在于你走向了极端。你的论证从极端出发。即如果我们在这个狭窄的时刻给了他们哪怕一点点算力,我们就会失去一切。

德瓦克什·帕特尔

不,我认为我的论点是——

黄仁勋

那些极端,太幼稚了。

德瓦克什·帕特尔

让我自己来陈述我的论点。想法并不是说存在某个关键的算力门槛,而是任何边际上增加的算力都有帮助。所以如果你有更多算力,你就能训练出更好的模型。

黄仁勋

而我只想让你承认,对美国科技产业而言,任何边际上的销售都是有益的。

德瓦克什·帕特尔

我其实不……如果在这些芯片上运行的 AI 模型具备网络攻击能力,或者这些芯片被用来训练具备网络攻击能力的模型,并运行更多这些模型的实例,它不是核武器,但它在某种程度上赋能了一种武器。

黄仁勋

你所用的这套逻辑,你不妨也拿去说微处理器和 DRAM。你不妨也拿去说电。

德瓦克什·帕特尔

但事实上,对于制造最先进 DRAM 所涉及的技术,我们确实有出口管制。对于各种芯片制造方面的东西,我们对中国有各种出口管制。

黄仁勋

我们向中国出售大量 DRAM 和 CPU,我认为这是对的。

德瓦克什·帕特尔

我想这又回到了那个根本问题:AI 是否不同?如果你拥有那种能够发现软件中这些零日漏洞的技术,那么我们是否希望尽量减少中国率先达到这一点、并大规模部署的能力?

黄仁勋

我们希望美国领先。这一点我们可以掌控。

德瓦克什·帕特尔

如果芯片已经在那里,而且他们正用它们来训练那个模型,我们怎么掌控?

黄仁勋

我们有海量的算力。我们有海量的 AI 研究人员。我们正在以最快的速度竞赛。

德瓦克什·帕特尔

再说一遍,我们拥有的核武器比任何人都多,但我们并不想把浓缩铀送往任何地方。

黄仁勋

我们不是浓缩铀。它是一块芯片,而且是他们自己也能造的芯片。

德瓦克什·帕特尔

但他们从你们这里买是有原因的。我们有中国公司创始人的话,说他们受困于算力瓶颈。

黄仁勋

因为我们的芯片更好。总体而言,我们的芯片更好。这一点毫无疑问。在没有我们芯片的情况下……你能承认华为迎来了创纪录的一年吗?你能承认一大批芯片公司已经上市了吗?你能承认这一点吗?

德瓦克什·帕特尔

能。

黄仁勋

你是否也能承认,我们过去在那个市场拥有很大的份额,而现在不再拥有很大的份额了?我们也可以承认,中国约占全球科技产业的 40%。让美国科技产业放弃那个市场,是对我们国家的损害。是对我们国家安全的损害。是对我们技术领导力的损害,而这一切只是为了一家公司的利益。在我看来这说不通。

德瓦克什·帕特尔

我有点困惑。感觉你在做两个不同的陈述。一个是,如果允许我们竞争,我们会赢得与华为的这场竞争,因为我们的芯片会好得多。另一个是,没有我们,他们无论如何也会做同样的事。这两件事怎么能同时为真?

黄仁勋

这显然是真的。在没有更好选择的情况下,你会选择你仅有的那个选择。这怎么不合逻辑?这太合逻辑了。

德瓦克什·帕特尔

他们想要英伟达芯片的原因是它们更好。

黄仁勋

是的。

德瓦克什·帕特尔

更好就是更多算力。更多算力意味着你可以训练更好的模型。

黄仁勋

不,就是更好。更好是因为更容易编程。我们有更好的生态系统。但无论这个“更好”是什么,无论更好是什么……当然,我们会把算力卖给他们。那又怎样?事实是,我们能从中受益。别忘了,我们获得了美国技术领导力的好处。我们获得了开发者在美国技术栈上工作的好处。我们还获得这样的好处:当这些 AI 模型向世界其他地方扩散时,美国的技术栈因此是最适合它们的。我们可以继续推进和扩散美国的技术。我相信这是积极的。这是美国技术领导力非常重要的一部分。

而你所主张的那些政策,导致美国的电信产业基本上被政策挤出了世界,以至于我们不再掌控自己的电信。我不认为这是明智的。这有点目光短浅,并带来了意想不到的后果,也就是我现在向你描述的这些,而你似乎很难理解。

德瓦克什·帕特尔

好,我们退一步。看来症结在于,有潜在的收益,也有潜在的代价。我们要弄清楚的是,收益是否值得付出这个代价。我想我是在试图让你承认这个潜在的代价。算力是训练强大模型的一项投入。强大的模型确实具有强大的攻击能力,比如网络攻击。美国公司率先达到 Mythos 级别的能力,然后现在暂缓这些能力的发布,好让美国公司和美国政府在这种级别的能力被公布之前,使他们的软件得到更多保护,这是一件好事。

如果中国有更多算力或更多的众包算力,如果他们能更早做出 Mythos 级别的模型并广泛部署,那就会非常糟糕。这件事之所以没有发生,原因之一是,多亏了美国像英伟达这样的公司,我们拥有更多算力。这就是向中国出售的代价。所以先把收益放在一边。你是否承认这是一种潜在的代价?

黄仁勋

我也要告诉你,潜在的代价是,我们让 AI 技术栈中最重要的层之一,即芯片层,放弃了一个完整的市场——全球第二大市场——让他们得以发展规模,发展他们自己的生态系统,使未来的 AI 模型以与美国技术栈非常不同的方式被优化。随着 AI 向世界其他地方扩散,他们的标准、他们的技术栈将会超过我们的,因为他们的模型是开放的。

德瓦克什·帕特尔

我想我只是足够相信英伟达的内核工程师和 CUDA 工程师,认为他们可以优化——

黄仁勋

如你所知,AI 不只是内核优化。

德瓦克什·帕特尔

当然,但可做的事情有很多,比如蒸馏出一个非常适合你们芯片的模型。

黄仁勋

我们会尽力而为。

德瓦克什·帕特尔

你们拥有所有的软件。很难想象会有对中国生态系统的长期锁定,即使他们在一段时间内有稍好一点的开源模型。

黄仁勋

中国是全球开源软件的最大贡献者。事实。中国是全球开放模型的最大贡献者。事实。如今它建立在美国的技术栈上,也就是英伟达的。事实。

AI 技术栈的五层都很重要。美国应该去赢下这全部五层。它们都很重要。当然,其中最重要的是 AI 应用层。向社会扩散的那一层,使用得最多的人将从这场工业革命中获益最多。但我的观点是,每一层都必须成功。

如果我们吓唬这个国家,让人们认为 AI 好像是一颗核弹,以至于所有人都恨 AI、所有人都害怕 AI,我不知道你这样怎么是在帮助美国。你是在损害它。如果我们吓得所有人都不去做软件工程的工作,因为它会杀死每一个软件工程岗位——结果我们没有软件工程师了——那我们是在损害美国。

如果我们吓得所有人都远离放射学,没有人想当放射科医生,因为计算机视觉完全是免费的,没有哪个 AI 会比放射科医生做得更差,那说明我们误解了工作与任务之间的区别。放射科医生的工作是照护病人。任务是读片。如果我们对此误解得如此深刻,并吓得所有人都不去上放射学院,我们就不会有足够的放射科医生,也不会有足够好的医疗。

所以我想说的是,当你设定一个如此极端的前提,一切非零即无穷,我们最终会以一种并不真实的方式吓到人们。生活不是那样的。我们希望美国第一吗?当然希望。我们需要在那个技术栈的每一层都成为领导者吗?当然需要。当然需要。今天你谈论 Mythos,因为 Mythos 很重要。当然。那太好了。

但几年之后,我向你预言,当我们想要美国的技术栈,当我们想让美国的技术扩散到世界各地——到印度,到中东,到非洲,到东南亚——当我们的国家想要出口,因为我们想出口我们的技术,想出口我们的标准,到了那一天,我希望你我再进行同样的对话。我会把今天这场对话原原本本讲给你听,讲你的政策和你的设想,如何真真切切地让美国毫无理由地放弃了全球第二大市场。

我们不应该放弃它。如果我们失去了它,那就是失去了。但我们为什么要放弃?现在没有人主张全有或全无。没有人主张全有或全无,也就是我们随时把一切都运往中国。没有人这么主张。我们应该始终在这里拥有最好的技术。我们应该始终在这里拥有最多的技术,而且是最早的。但我们也应该努力在全世界竞争并获胜。这两件事可以同时发生。这需要一定程度的细腻,一定程度的成熟,而不是绝对化。世界就不是绝对的。

德瓦克什·帕特尔

好。论证取决于这一点。他们建立了针对他们几年后能造出的最好芯片而设定的模型。那些芯片会被出口到世界各地。这就确立了标准。由于 EUV 出口管制,正如我们所说,你们将继续推进到 1.6nm。他们即使在几年之后仍然会停留在 7nm。

在国内,他们也许会更愿意说:“嘿,我们有这么多能源,可以大规模制造。我们仍然继续使用 7nm。”但就出口而言,他们的 7nm 芯片必须能与你们的 1.6nm 芯片竞争。他们的模型必须针对 7nm 优化到如此程度,以至于在 7nm 上运行他们的模型,比在你们的 1.6nm 上运行他们的模型更好。

黄仁勋

那我们就看事实吧?Blackwell 的光刻工艺比 Hopper 先进 50 倍吗?是 50 倍吗?差远了。我一遍又一遍地说过。摩尔定律已死。从 Hopper 到 Blackwell,单看晶体管本身,大概是 75%。两者相隔三年,提升 75%。而 Blackwell 是 Hopper 的 50 倍。

我的意思是,架构很重要。计算机科学很重要。半导体物理也很重要,但计算机科学很重要。AI 的影响很大程度上来自计算技术栈,这就是 CUDA 如此有效的原因,也是 CUDA 如此受喜爱的原因。它是一个生态系统,一种计算架构,灵活性如此之大,以至于如果你想彻底改变一种架构——创造类似 MoE 的东西,创造类似扩散的东西,创造某种解耦的东西——你都可以做到。很容易做到。

所以事实是,AI 既关乎下面的架构,也同样关乎上面的技术栈。就我们拥有针对我们的技术栈、我们的生态系统优化的架构和软件栈而言,这显然是好事,因为我们今天一开始就谈到英伟达的生态系统是多么丰富。为什么人们总是最先喜欢用 CUDA 编程?他们就是这样。他们就是这样。中国的研究人员也是如此。

但如果我们被迫离开中国,如果我们被迫离开中国,首先,这是一个政策错误。显然它会产生反噬。它对美国的结果很糟糕。它促成并加速了他们的芯片产业。它迫使他们整个 AI 生态系统专注于他们内部的架构。现在还不算太晚,但尽管如此,这已经发生了。

你将在未来看到,他们显然不会一直停留在 7nm。他们擅长制造。他们会从 7nm 继续向前推进。那么,5nm 和 7nm 之间有 10 倍的差距吗?答案是没有。架构很重要。网络很重要。这就是英伟达收购 Mellanox 的原因。网络很重要。能源很重要。所以所有这些都很重要。事情没有你试图提炼的那样简单化。

95:06德瓦克什·帕特尔

我们可以不再谈中国了,但这其实引出一个有意思的问题。我们之前讨论了台积电和内存等方面的这些瓶颈。

所以如果我们处在这样一个世界:你们已经占了 N3 的大头——而在某个时候你们会用上 N2,并占其中的大头——你认为你们有没有可能回到 N7,也就是较旧工艺节点上的闲置产能,然后说:“嘿,AI 的需求如此之大,而我们扩张最先进工艺的产能满足不了它,所以我们要做一个 Hopper 或 Ampere,但结合我们今天对数值格式的全部认识,以及你描述的所有其他改进”?你认为这样的世界会在 2030 年之前出现吗?

黄仁勋

没有必要。原因在于,每一代的架构都不只是晶体管尺寸的缩小。你在做大量的工程、封装和堆叠,还有数值格式和系统架构。

当你产能耗尽时,要轻易回到另一个节点……那需要的研发投入没有人负担得起。我们负担得起向前迈进。我认为我们负担不起往回走。当然,如果世界只是说……如果到了那一天,我们来做个思想实验,到了那一天我们说:“听着,我们再也不会有更多产能了。”我会回头去用 7nm 吗?我会立刻这么做,当然。

德瓦克什·帕特尔

我和一个人聊天时,他提了一个问题:为什么英伟达不同时运行多个采用完全不同架构的芯片项目?你们可以做类似 Cerebras 那样的晶圆级芯片。你们可以做类似 Dojo 那样的巨大封装。你们可以做一个不带 CUDA 的。你们有资源和工程人才来并行做所有这些。那么鉴于谁也不知道 AI 和架构会往哪里走,为什么要把所有鸡蛋放在一个篮子里?

黄仁勋

哦,我们可以做。只是我们没有更好的想法。我们可以做所有这些事。只是它们并不更好。我们在自己的模拟器里把这一切都模拟过了,可以证明更差。所以我们不会做。我们正在做的,恰恰是我们想做的项目。如果工作负载发生巨大变化——我指的不是算法,而是真正的工作负载,这取决于市场的形态——我们可能会决定加入其他加速器。

比如,最近我们加入了 Groq,我们要把 Groq 融入我们的 CUDA 生态系统。我们现在这样做,是因为 token 的价值已经变得非常高,你可以对 token 采取不同的定价。早些年,就在几年前,token 要么免费,要么几乎不贵。但现在你可以有不同的客户,而这些客户想要不同的答案。因为这些客户赚很多钱——比如我们的软件工程师——如果我能给他们响应更快的 token,让他们比今天更有生产力,我愿意为此付费。

但那个市场是最近才出现的。所以我认为我们现在有能力让同一个模型,根据响应时间的不同,形成不同的细分市场。这就是我们决定拓展帕累托前沿、创造一个响应时间更快的推理细分市场的原因,即使其吞吐量更低。到目前为止,更高的吞吐量总是更好。我们认为可能存在这样一个世界:有平均售价(ASP)非常高的 token,即使工厂里的吞吐量更低,ASP 也能弥补。

这就是我们这样做的原因。但除此之外,从架构角度看,如果我有更多的钱,我会把更多投入押在英伟达的架构上。

德瓦克什·帕特尔

我认为这个关于极高端 token 以及推理市场解耦的想法非常有意思。

黄仁勋

就是它的细分。

德瓦克什·帕特尔

是的。好,最后一个问题。假设深度学习革命没有发生。英伟达会在做什么?显然是游戏,但考虑到——

黄仁勋

加速计算,也就是我们一直在做的同一件事。我们公司的前提是,摩尔定律将会……通用计算对很多事情都很好,但对很多计算来说并不理想。

所以我们把一种叫作 GPU 的架构,连同 CUDA,与 CPU 结合起来,这样我们就可以加速 CPU 的工作负载。不同的代码内核或算法可以卸载到我们的 GPU 上。结果就是,你可以把一个应用加速 100 倍、200 倍。你可以在哪里用到它?显然是工程、科学和物理、数据处理、计算机图形、图像生成,各种各样的事情。即使今天不存在 AI,英伟达也会非常非常大。

原因相当根本,那就是通用计算继续扩展的能力在很大程度上已经走到了尽头。而唯一的办法……不是唯一的办法,而是做到这一点的办法,是通过特定领域的加速。我们起步的领域之一是计算机图形,但还有许多其他领域。各种各样的都有。粒子物理和流体、结构化数据处理,各种不同类型的算法都能从 CUDA 中受益。

我们的使命确实是把加速计算带给世界,推进通用计算做不到的那类应用,并扩展到有助于突破某些科学领域的能力水平。早期的一些应用有分子动力学、用于能源勘探的地震数据处理,当然还有图像处理,所有这些通用计算效率实在太低、无法胜任的领域。

如果没有 AI,我会非常难过。但由于我们在计算方面取得的进步,我们让深度学习走向大众。我们让任何研究人员、任何科学家、身处任何地方的任何学生,都能够使用一台 PC 或一块 GeForce 扩展卡来做出了不起的科学。这个根本的承诺没有改变,一点也没有。

如果你看 GTC,开头有一整个部分。其中没有一项是 AI。那一整部分,有计算光刻,或者我们的量子化学工作、数据处理工作,所有这些都与 AI 无关。而它们仍然非常重要。我知道 AI 非常有趣,也相当令人兴奋,但有很多人在做很多非常重要的工作,与 AI 无关,而且张量并不是计算它的唯一方式。我们想帮助每一个人。

德瓦克什·帕特尔

Jensen,非常感谢你。

黄仁勋

不客气。我很喜欢这次交谈。

德瓦克什·帕特尔

我也是。