黄仁勋斯坦福分享第二弹：5年实现AGI，10年算力提高100万倍，对手芯片免费也比不过英伟达（组图）

当地时间3月4日，英伟达CEO黄仁勋赴斯坦福商学院，以斯坦福校友的身份分享了他的艰难创业历程，以及他对人工智能革命的看法，在业界引发了不小的轰动。

不到一周，黄仁勋再度亮相斯坦福，在斯坦福经济政策研究所(SIEPR)经济峰会上接受了访问。本次访问信息量巨大，黄仁勋就加速计算的本质、模型训练的未来、推理芯片的竞争等话题发表了自己的看法，另外，他还对通用人工智能（AGI）何时实现，AI增长需要多少额外芯片产能进行了预测。

黄仁勋认为，AI会在五年内通过人类测试，AGI将很快到来。不过，答案很大程度上取决于我们如何定义这个目标。他表示，如果我们对“像人类一样思考的计算机”的定义，是通过人类测试能力，那么AGI很快就会到来。

他还表示，未来10年，英伟达计划使深度学习的计算能力再提高100万倍。到那时，英伟达将实现持续学习，不再是现在这样先学习后应用的模式。

黄仁勋核心观点：

如果你对AGI的定义是通过人类的测试，那么我会告诉你，5年就可以实现。但如果你稍微改变一下问题的提问方式，即AGI是要具备人类的智能，那么我还不太确定如何明确定义你们所有的智能。事实上，没有人真正确定。

未来10年，我们计划使深度学习的计算能力再提高100万倍。到那时，我们将实现持续学习，不再是现在这样先学习后应用的模式。

在过去的10年里，我们将计算成本降低了100万倍。很多人说，但如果你能将计算成本降低100万倍，人们花的钱自然会更少，但事实恰恰相反……需求显著增长......因此，我们会做更多的计算，我们会将计算的边际成本降低到接近零。

一块（H100）就可以取代一个由传统CPU组成的数据中心。虽然它售价高达2.5万美元一块，但与之对应的旧系统，光是电缆的成本就超过了芯片价格。我们重新定义了计算方式，将整个数据中心都浓缩在这一款芯片之中。

推理芯片非常难。你以为，推理的响应时间必须非常快，但这还算简单的，因为这是计算机科学中算是容易的部分。难得部分是，部署推理的人的目标，是吸引更多的用户，将该软件应用于庞大的安装用户基础。

推理是一个关于安装基础的问题。这与为iPhone编写应用程序的人是一样的，他们这么做是因为iPhone有如此庞大的装机量，几乎人手一部。因此，如果为iPhone编写应用程序，就会获得巨大收益，能惠及所有用户。

购买和销售芯片的人仅仅考虑的是芯片的价格，而运营数据中心的人考虑的是整个运营成本、部署时间、性能、利用率以及在所有这些不同应用中的灵活性。总的来说，我们的总运营成本（TCO）非常低，即使竞争对手的芯片是免费的，最终算下来它也不够便宜！

我们正在训练的这些模型是多模态的，这意味着我们将从声音中学习，从文字中学习，从视觉中学习，就像我们所有人一样，看电视并从中学习。这很重要，因为我们希望AI不仅植根于人类价值观，当然这是ChatGPT真正创新的地方，也就是RLHF(基于人类反馈的强化学习)。

我们每10年都将算力提高一百万倍，而需求却增长一万亿倍，这两者必须相互抵消。然后还有技术扩散等等，这只是时间问题，但这并不改变这样一个事实：总有一天，世界上所有的计算机都将100%地改变，每一个数据中心，价值数万亿美元的基础设施，将完全改变，然后在这之上还会建造新的基础设施。

AI很可能是21世纪最重要的事物。至于晶体管，它是20世纪最伟大的发明。不过，两者都接近最伟大发明了，我们可以让历史来评判。

未来的AI计算机会合成数据生成、在进行强化学习，并将持续以真实世界的经验数据为基础。它会想象一些情况，用真实世界的经验进行测试和修正。整个过程就是一个巨大的循环。

我想我最大的优势之一就是我的期望值很低......期望值很高的人，耐力就很低。不幸的是，在成功的道路上，耐力是很重要的。我不知道如何教给你们，除非我希望你们遭受一些磨难。

编码是一个推理过程，是件好事。但它能保证你找到工作吗？一点儿也不能。世界上的程序员肯定会继续大量存在，英伟达也需要程序员。但是，将来你与计算机交互的方式不会是C++。

黄仁勋斯坦福第二轮访谈全文翻译：

黄仁勋：

我总觉得有个好的开场白很重要，我的开场白就是问：“你想看我的家庭作业吗？”

你知道的，我们夫妻有两个美丽的孩子，我过着完美的生活，两只可爱的小狗，而且我热爱我的工作。她至今仍然喜欢看我的“家庭作业”。

主持人：

好吧，如果你愿意，我可以问你几个问题。

黄仁勋：

好的，请问吧。

加速计算的本质

主持人:

在我有生之年，我认为最大的技术发展、技术突破是晶体管的发明。我比你年长，这确实是一项重大发明，但我应该重新思考一下吗？AI现在是过去76年来科技发展中最大的变革吗？这暗示了我的年龄。

首先，晶体管显然是一项伟大的发明，但它所实现的最大能力是软件，是人类以可重复的方式在计算上表达我们的想法和算法的能力。这是一项真正的突破。

在过去31年里，我们公司一直致力于一种称为加速计算的新型计算方式。核心原因是，通用计算并不适合每一个工作领域，所以我们说，为什么不开发一种新的计算方式，解决通用计算不擅长的问题。

在某些具有算法性质、可并行的计算领域，我们实际上已经将计算的成本降低到了零。当你能够将某物的边际成本降低到接近零时会发生什么？我们创造了一种新的软件开发方式，软件不再由人编写，而是让计算机编写软件，因为计算成本接近零。

我们可以让计算机处理大量的经验数据，即人类的数字化经验，从中发现模式和关系，这就代表了人类知识。这个奇迹大约在15年前出现。我们预见到了这一点，并调整了整个公司的方向，进军这一全新的领域。

在过去的10年里，我们将计算成本降低了100万倍。很多人说，但如果你能将计算成本降低100万倍，人们花的钱自然会更少，但事实恰恰相反，我们发现，如果我们能将计算的边际成本降低到接近零，我们可能会用它来做一些非常疯狂的事情，需求反而显著增长。

例如大型语言模型能够从互联网上提取所有人类数字知识，并将其放入计算机中，让计算机自行理解知识。这种从互联网上抓取所有数据并放入一台计算机中，让计算机去找出答案的想法，本身就是一个疯狂的概念。

想象一下，对于那些刚接触AI的人来说，我们现在可以使用计算机来理解几乎所有数字化知识的含义。以基因序列为例，我们现在可以用大型语言模型去学习那些基因的含义。我们也可以通过质谱技术等将氨基酸数字化。现在我们可以从氨基酸序列中理解出蛋白质的结构和功能，而无需大量工作去使用低温冷冻电镜技术(cryo-EMs)等技术。

我们还可以在相当大的规模上做到这一点。很快我们就可以理解一个细胞的含义，一大串相互关联的基因。计算机还可以理解一整页的文字。你可以问它文字的含义是什么，请总结一下，文字想表达什么。

这就是加速计算这一奇迹所带来的改变。所以，我想说的是，AI，被这种我们称之为加速计算的新型计算形式所支持，它花了三十年的时间才成型，可能是技术产业中最伟大的发明。AI很可能是21世纪最重要的事物。至于晶体管，它是20世纪最伟大的发明。不过，两者都接近最伟大发明了，我们可以让历史来评判。

计划未来10年将把深度学习的算力提高100万倍

主持人：

你能展望一下未来五年吗？我知道目前推动AI发展的是你们的H100 GPU，而你们也在推出新的H200，据我所知，你们计划每年都会升级芯片。那么到了2029年3月，你们推出 H700 时，它将让我们能够做到现在所无法做到的哪些事情呢？

黄仁勋：

首先，你刚刚提到的芯片重达70磅，由35000多个部件组成，其中有8个部件来自台积电。这一款芯片就可以取代一个由传统CPU组成的数据中心。众所周知我们芯片的计算速度很快，这一款芯片所节省的资源是难以想象的，但与此同时，这也是世界上最昂贵的芯片，售价高达2.5万美元一块。但与之对应的旧系统，光是电缆的成本超过了芯片价格。我们重新定义了计算方式，将整个数据中心都浓缩在这一款芯片之中。

这款芯片非常擅长于一种被称为深度学习的计算形式，而深度学习又是AI的核心。这种芯片不仅在芯片组里工作，还在算法级和数据中心级工作，它们是一个整体，不能单独运行。需要把它们连接在一起，网络就成为其中的一部分。

所以当你看到我们的一台计算机时，它确实是一件了不起的东西，虽然只有计算机工程师才会觉得它了不起。它非常重，需要数百英里长的电缆。接下来推出的版本将采用液体冷却技术，从多方面来说，它都很出色。

它计算的规模相当于一个数据中心。未来10年，我们计划使深度学习的计算能力再提高100万倍。到那时，我们将实现持续学习，不再是现在这样先学习后应用的模式。我们将决定持续学习的结果是否部署到实际应用中。计算机会观看视频和新文本，并通过所有这些互动不断自我完善，学习过程、训练过程、推理过程、部署过程将合而为一。这正是我们所做的。

未来，计算机不会在某个时间段专注于学习，另一时间段只做推理，而是是在持续不断地学习和推理。这种强化学习将是连续的，并基于真实世界的数据互动以及实时生成的合成数据。

计算机的能力将持续想象。就像当你学习时，你会从第一原理出发，认为情况应该是这样的。然后我们在大脑中进行模拟和想象，未来的想象状态在很多方面对我们来说就是现实。因此，未来的AI计算机会合成数据生成、在进行强化学习，并将持续以真实世界的经验数据为基础。它会想象一些情况，用真实世界的经验进行测试和修正。整个过程就是一个巨大的循环。当你的计算能力比现在便宜100万倍时，就会如此。

所以当我这样说的时候，请注意其核心是什么。当你能将计算的边际成本降至零时，就会有许多新的可行方式值得去尝试。这与去更远的地方是一样的，因为交通的边际成本已降至零。我可以相对便宜地从这里飞往纽约。如果需要一个月的时间，我可能就永远不会去了。运输方面也是如此，任何事情都是这样。

因此，我们会做更多的计算，我们会将计算的边际成本降低到接近零。

如何评价芯片竞争？

主持人：

这让我想起，你可能知道最近有些报道说，英伟达在推理市场将面临比在训练市场更多的竞争。但据你所说，这两个实际上是同一个市场？你能评论一下吗？会不会存在独立的训练芯片市场和推理芯片市场？还是说你将在同一芯片内持续训练和切换到推理？可以解释一下吗？

黄仁勋：

无论何时提示AI系统，无论是ChatGPT、Copilot，还是你正在使用的某个服务平台，如果你使用Midjourney、Adobe的Firefly等，一旦做出提示，它就会进行推理，生成相应的信息。每当你这样做时，在背后运作的都是英伟达GPU。所以大多数时候，当你与我们的平台互动时，都是在进行推理。因此，现在全世界100%的推理都由英伟达提供。

那么推理是难还是易？很多公司之所以在推理领域挑战英伟达，是因为当他们看到英伟达的系统进行训练时， 你会觉得那看起来太难了，我不会去做，我只是一个芯片公司，但这个系统它看起来根本就不像芯片。只是为了证明新东西是否有效，你就要先投入20亿美元，然后你启动了它，发现可能并不能工作。你投入了20亿美元和两年时间，就为了证明它并不能运行。

但这时候，你已经投入了大笔资金和时间。探索新事物的风险对客户来说太高了。因此，很多竞争对手倾向于说，我们不做训练，只做推理。

那我现在告诉你，推理芯片非常难。你以为，推理的响应时间必须非常快，但这还算简单的，因为这是计算机科学中算是容易的部分。难得部分是，部署推理的人的目标，是吸引更多的用户，将该软件应用于庞大的安装用户基础。

因此，推理是一个关于安装基础的问题。这与为iPhone编写应用程序的人是一样的，他们这么做是因为iPhone有如此庞大的装机量，几乎人手一部。因此，如果为iPhone编写应用程序，就会获得巨大收益，能惠及所有用户。

英伟达同样适用这个道理，我们的加速计算平台CUDA是唯一遍布全球的。由于我们从事这一领域已久，如果你为推理编写应用程序，并在我们的架构上部署模型，它就可以在任何地方运行。

所以你可以触及每一位用户，产生更大的影响力。因此，推理问题的核心实际上是装机量，这需要长期耐心、多年成功经验和对架构兼容性的专注等。

主持人：

英伟达制造的芯片无与伦比。但有可能会出现一些声称足够好用、虽然没有英伟达那么好，但更便宜的竞争对手吗？这是一种威胁吗？

黄仁勋：

首先，确实存在竞争。我们面临的竞争比任何其他公司都多。我们不仅有来自竞争对手的竞争，还有来自客户的竞争。而且我是他们眼中唯一的竞争对手，我不仅向他们展示当前芯片，还会展示下一代和未来几代芯片。这是因为，如果你不努力解释自己为什么擅长某件事，他们就永远不会有机会购买你的产品。因此，我们的策略是完全公开透明，与业内几乎所有人合作。

我们这样做有几个理由，我们的优势主要有以下几点:

客户可以构建专门针对某个特定算法优化的芯片（ASIC）,但请记住，计算不仅仅是关于transformer，更何况我们正在不断地发明新的transformer变种，除此之外，软件的种类非常丰富，因为软件工程师就喜欢创造新玩意儿。

英伟达擅长的是加速计算，但我们的架构不仅能加速算法，而且是可编程的，这意味着你可以用它来处理SQL，我们可以加速量子物理、加速所有的流体和粒子代码等等广泛领域，其中之一才是生成式AI。

因此，英伟达擅长的是加速计算这一广阔领域，其中之一就是生成式AI。对于一家希望拥有各行业客户的数据中心来说，我们已经成为了事实上的标准，存在于每一个云平台和计算机公司。

因此，经过30多年的发展，我们公司的架构已经成为了业内标准，这就是我们的主要优势。

如果客户能够有更具成本效益的替代方案，我甚至会为此感到惊讶。原因是，当你看到现在的计算机时，它不像笔记本电脑，它是一个数据中心，你需要运营它。因此，购买和销售芯片的人仅仅考虑的是芯片的价格，而运营数据中心的人考虑的是整个运营成本、部署时间、性能、利用率以及在所有这些不同应用中的灵活性。

总的来说，我们的总运营成本（TCO）非常低，即使竞争对手的芯片是免费的，最终算下来它也不够便宜！我们的目标是增加如此多的价值，以至于替代品不仅仅是关于成本的问题。

当然，这需要大量的努力，我们必须不断创新，我们不能对任何事掉以轻心。我本来希望不要听起来太有竞争性，但主持人问了一个竞争问题，我以为这是个学术论坛....这触发了我的竞争基因，我道歉，我本可以更艺术地处理这个问题。

下次我会更好地掌控分寸，但是他用提到竞争对手的问题让我很惊讶。我原以为这是一个经济论坛，结果你们这么直白。

通往AGI还有五年？

主持人：

那我就再直白点，你认为我们什么时候能实现人工通用智能（AGI），也就是达到人类智能水平？是50年后吗？还是5年后？你怎么看？

黄仁勋：

我会给你一个非常具体的答复。但首先让我告诉你一些正在发生的令人兴奋的事情。首先，我们正在训练的这些模型是多模态的，这意味着我们将从声音中学习，从文字中学习，从视觉中学习，就像我们所有人一样，看电视并从中学习。这很重要，因为我们希望AI不仅植根于人类价值观，当然这是ChatGPT真正创新的地方，也就是RLHF(基于人类反馈的强化学习)。

但直到强化学习，人类将AI都锚定在我们认为好的人类价值观上。现在，你能想象，你必须生成图像和视频，AI知道手不会穿透讲台，踩在水上时你会掉进去，所以现在AI开始锚定在物理上。

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

第二点，就是AI会具有更强大的推理能力，我们人类所做的很多推理，都编码在常识中。常识是我们所有人类认为理所当然的能力。互联网上有很多我们已经编码好的推理和知识，模型可以学习。

但还有更高层次的推理能力，例如现在你问我问题，大部分的问题，我的确像生成式模型一样快速生成，不需要花太多时间推理，但有些问题，我需要想想，也就是规划，我会说“很有趣，让我想想”，然后我可能是在脑海中循环它，构建出多个计划方案，遍历我的知识系统，并进行选择性的处理，“这个没有意义，但这个我可以去做”也就是我会在脑海中模拟仿真运行它，也许我会做一些计算等等。

我的意思是，今天这种长时间思考的能力，AI目前还做不到。无论你向ChatGPT给出什么提示，它都会立即回应。我们希望输入到ChatGPT的某个问题，给它一个目标，给它一个使命，它能思考一段时间。所以，这种系统在计算机科学中称之为系统2，或者长思考，或规划系统，用于解决规划和复杂推理等问题。

我认为我们正在研究这些问题，你会看到一些突破性进展。因此，将来与AI的互动方式将大不相同。有时只需提出问题获得答复，有时你会说"这是一个问题，你先思考一段时间"，然后它经过大量计算后给出答案。你还可以说"我给你这个问题，花费1000美元的预算，但不要超过这个数"。它会在预算内给出最佳答复。还有其他场景应用等等。

所以，回到AGI的问题，AGI的定义是什么？事实上，这现在是最先需要回答的问题。如果你问我，如果你说仁勋，AGI是一系列测试，而且请记住，只有工程师才知道我们已经做到了，你知道，那个有声望的组织里的任何人都肯定知道，对于工程师来说，需要有一个规范，需要知道成功的定义是什么，需要有一个测试。

现在，如果我给AI出一堆数学测试、推理测试、历史测试、生物学测试、医学考试、律师考试，以及你能想到的其他任何测试，SAT和GMAT等，把所有你能想到的考试列出来，放在计算机科学行业面前，我猜在5年内，计算机将在所有这些测试中表现良好。

因此，如果你对AGI的定义是通过人类的测试，那么我会告诉你，5年就可以实现。但如果你稍微改变一下问题的提问方式，即AGI是要具备人类的智能，那么我还不太确定如何明确定义你们所有的智能。事实上，没有人真正确定。因此，作为一名工程师很难实现。这说得通吗？所以答案是我们不确定。但我们都在努力使其变得更好。

AI在药物发现方面的作用

主持人：

我还想问两个问题，然后我会把时间交给大家，因为我觉得外面还有很多好问题。我想问的第一个问题是，你能不能深入探讨一下你对AI在药物发现方面的作用的看法？

黄仁勋：

第一个作用是理解我们拥有的数字信息的含义。就像你们所知，我们现在拥有大量的氨基酸序列。由于有了 AlphaFold，我们现在可以理解其中许多蛋白质的结构。但问题是，那个蛋白质的意义是什么？它意味着什么？这种蛋白质的功能是什么？那就太棒了。

就像你可以与 ChatGPT 交谈一样，你们都知道，有人可以与 PDF 聊天。你可以拿一个 PDF 文件，无论是什么内容，我最喜欢的是拿一篇研究论文的 PDF 文件，把它加载到 ChatGPT 中，然后就开始与它交谈。

就像与研究人员交谈一样，比如说这个研究的灵感来源是什么，它解决了什么问题？突破点是什么？之前的状态是什么？有什么新颖的想法？就像与人交谈一样。

未来，当我们把一个蛋白质放入 ChatGPT 中，就像 PDF 一样，它会问这是做什么用的？哪些酶会激活？例如，有一串基因序列，代表一个细胞，你可以把这个细胞放进去，它会问你这是做什么用的？你的作用是什么？你有什么用途？你的希望和梦想是什么？

所以这就是我们能做的最深刻的事情之一，理解生物学的意义。如果我们能理解生物学的意义，正如你们所知，一旦我们理解了世界上几乎任何信息的意义，在计算机科学和计算领域，出色的工程师和科学家就会精确地知道该如何利用它。

但这就是突破点，多模态理解生物学。因此，如果我能给你一个深入浅出的答复，我想这可能是我们能做的最深刻的单一事情。

给学生们的建议：降低期望值

主持人：

俄勒冈州立大学和斯坦福大学一定为你感到骄傲。如果我可以稍微转换一下话题，斯坦福有很多怀抱创业梦想的学生，他们是企业家，也许是计算机或工程专业的学生。你能给他们什么建议，以提高他们成功的机会？

黄仁勋：

你知道，我想我最大的优势之一就是我的期望值很低，我是认真的。大多数斯坦福毕业生的期望值都很高。你们应该有很高的期望值，因为你们来自一所伟大的学校。你们在学校里很出色，是最优秀的那一类学生。显然，你们有能力支付学费，并且你们从这个地球上最好的学府之一毕业。你们周围都是其他令人难以置信的孩子。你们自然就会有很高的期望值。

期望值很高的人，耐力就很低。不幸的是，在成功的道路上，耐力是很重要的。我不知道如何教给你们，除非我希望你们遭受一些磨难。我很幸运，从小就在一种能够成功但又有很多挫折和磨难的环境中长大。直到今天，我在公司内部使用“痛苦和磨难”这个词组时仍然感到无比欣喜。

原因是，你希望培养公司的品格，你希望它变得伟大。伟大不是智力，就像你知道的那样。伟大来自于品格，而品格不是由聪明人塑造的，而是由经历过磨难的人塑造的。

所以这就是我想说的，如果我能给你们建议的话，虽然我不知道怎么做，但对于所有斯坦福的学生来说，我希望你们经历充足的痛苦和磨难。

如何激励员工？

主持人：

我打算违背承诺，再问你最后一个问题。你看起来充满动力和活力，但你如何让员工保持动力和活力，特别是当他们可能比预期更加富有呢？

黄仁勋：

是啊，我周围有55个人，是我的管理团队。所以你知道，直接向我汇报的管理团队有55人。我没有为他们任何人单独写过评语。但我会持续给他们评语，他们也会对我评语。我给他们的薪酬只是Excel表格的右下角数字，我会直接拖动复制。我们许多高管的薪酬完全相同。我知道这很奇怪，但它管用。除非他们需要我，否则我从不与他们单独会面。

我从不与他们单独开会，他们也永远不会从我这里听到只有他们一个人知道的情况。我不会向任何员工透露公司其他人不知道的信息。因此，我们公司的设计就是为了敏捷，让信息尽可能快地流通，让人们能够凭借他们的能力获得权力，而不是凭借他们知道什么。这就是我们公司的架构。我不记得你的问题了，但我明白了。

答案就在我的行为中。我如何庆祝成功？我如何庆祝失败？我如何谈论成功？我如何谈论挫折？我每天都在寻找机会来灌输公司文化和什么重要、什么不重要、什么是好的定义、如何将自己与好进行比较、如何思考好、如何思考旅程、如何思考结果等等，整天如此。

AI增长需要多少额外芯片产能？

观众1：

我有两个问题，第一个是关于你那件皮衣的故事。第二个是，根据你的预测和计算，在未来5到10年内，芯片产能需要增加多少才能支持AI的增长？

黄仁勋：

好的，我很感谢这两个问题。第一个问题是，这件皮衣是我妻子买给我的，这就是我现在穿的。因为我自己完全不购物。只要她找到一件不让我觉得痒的衣服，我就会一直穿，因为她从17岁就认识我了，她觉得所有衣服对我来说都会痒痒。当我说我不喜欢某件衣服时，我会说它让我痒。

所以只要她找到一件不让我痒的衣服，你看看我的衣柜，全都是同一件衬衫，因为她不想再为我购物了。所以这就是她给我买的全部，这就是我穿的全部。如果我不喜欢，我就自己去购物，否则我就穿着它，对我来说已经足够好了。

第二个问题是关于预测。关于预测，实际上我很糟糕，但我非常擅长基于第一原则推演机会的大小。我不知道有多少晶圆厂，但我知道的是，我们今天做的计算，信息是别人写的、或者由某人创造的，基本上是预先记录下来的。

我说的是每件事，每个字、语音、视频，都是检索式的，有人写好了它并存储在某个地方，然后你去检索它，你知道的每一种模态过去都是这样。就像我所说的，每次你在手机上点击，请记住那都是有人编写并存储在某处的，都是预先录制的。

在未来，因为我们的AI可以接入世界上所有的最新新闻等，也就是可以检索，它理解你的上下文，意味着它理解你问什么，关键是，大部分计算将是生成式的。今天的100%内容是预先录制的。

如果在未来，100%的内容将是生成式的，问题是这将如何改变计算的形态。所以我不再纠结于细节，这就是我推演这个问题的方式，比如我们需要更多的网络吗？我们需要更多的内存吗？简单说，我们是需要更多的晶圆厂。

然而，我们也在不断改进算法和处理过程，效率在时间上有了巨大的提升。并不是说计算的效率就是今天这样，因此需求就是这么多。

与此同时，我们每10年都将算力提高一百万倍，而需求却增长一万亿倍，这两者必须相互抵消。然后还有技术扩散等等，这只是时间问题，但这并不改变这样一个事实：总有一天，世界上所有的计算机都将100%地改变，每一个数据中心，价值数万亿美元的基础设施，将完全改变，然后在这之上还会建造新的基础设施。

学习编码并不能保证找到工作

观众2：

是的，欢迎您来到斯坦福。最近你曾说鼓励学生不要学习编码，如果是这样的话，这可能意味着几件事情。但是你认为，从公司形成和企业所有权的角度来看，未来会朝着更多公司的创建发展，还是向少数几个大型参与者的整合发展？

黄仁勋：

首先，我说得太糟糕了，以至于你重复得也很糟糕。我没有那个意思。如果你想编码，我的天啊，请编码吧。编码是一个推理过程，是件好事。但它能保证你找到工作吗？一点儿也不能。世界上的程序员肯定会继续大量存在，英伟达也需要程序员。但是，将来你与计算机交互的方式不会是C++。

对某些人来说是这样，但对你们来说，为什么要用Python这么奇怪的语言编程呢？将来，你只需告诉计算机你想要什么。然后计算机会按照你的需求行事。你可以说，"嗨，我想让你制定一个建造计划，列出所有供应商和所需材料，并根据我们给你的销售预测来完成"。

基于所有必要的组件，它会给你一份完整的计划。如果你不喜欢，就让它用Python为你编写一个可修改的程序。所以请记住，第一次与计算机交互时，我只是用普通英语交谈。第二次才用编程语言。顺便说一句，未来最好的编程语言就是人类语言。你如何与计算机交谈？如何提示它？如何进行提示工程？如何与人交流？如何与计算机交流？如何让计算机按你的要求行事？如何微调对计算机的指令？这就叫提示工程。这需要一种艺术天赋。

例如，大多数人对此会感到惊讶，但对我来说并不奇怪。比如，你让Midjourney生成一张夏威夷日落时分，冲浪板上有只小狗的图像。然后它生成了一张，你说"再可爱一点"，它就更可爱了。你说"不，比那更可爱"。它又来了一张更可爱的。为什么软件会这样做？这说明软件具有根据你的要求进行微调的能力，体现了未来计算机将如何理解和响应人类的指令。

因此，编程的本质正在发生变化，未来与计算机的交互将更加自然和直观。通过AI，我们正在缩小技术鸿沟。以前，只有少数懂得编程的人才能从事相关工作，而今天，几乎每个人都可以通过简单的交流命令来指导计算机执行任务。YouTube 上就有很多人，包括儿童，他们通过与 ChatGPT 进行交流，让它完成惊人的任务，这些人并不需要掌握传统意义上的编程技能。

这表明，在未来，与计算机的交互将和与人交互一样自然，这正是计算机科学行业对全世界的伟大贡献。

关于地缘政治风险的问题，我们几乎可以说是地缘政治风险的典型代表。因为我们生产对AI至关重要的工具，而AI被认为是当代的决定性技术。因此，美国完全有权决定将这些工具限制在其认定的国家之外。

这一方面限制了我们在某些地区的机会，但另一方面也为我们在其他地区创造了机会。在过去的6到9个月中，每个国家和地区都意识到需要掌握自己的AI技术，不能让自己的数据送到国外去处理再流回国内，这种对于主权AI的觉醒为我们创造了巨大的机会。

最后，关于为客户定制解决方案的问题，为什么现在的门槛相对较高？因为我们平台的每一代产品首先有GPU，有CPU，有网络处理器，有软件，还有两种类型的交换机。我为一代产品建造了五个芯片，人们以为只有GPU一个芯片，但实际上是五个不同的芯片，每个芯片的研发成本都是数亿美元，仅仅是为了达到我们所说的“发布”标准，然后你必须将它们集成到一个系统中，然后你还需要网络设备、收发送器、光纤设备，以及大量的软件。运行一个像这个房间这么大的计算机，需要大量的软件，所以这一切都很复杂。

如果定制化的需求差异太大，那么你必须重复整个研发过程。然而，如果定制化能够利用现有的一切，并在此基础上增加一些东西，那么这就非常有意义了。也许是一个专有的安全系统，也许是一个加密计算系统，也许是一个新的数值处理方式，还有更多，我们对这些非常开放。

我们的客户知道我愿意做所有这些事情，并认识到，如果你改变得太多，你基本上就全部重置了，浪费了近千亿美元。所以他们希望在我们的生态系统中尽可能地利用这些（减少重置成本）。