氣氛突然嚴肅了起來。「有媒體認為你要么是AI 時代的達文西，要么是AI 時代的奧本海默，你怎麼看？」「奧本海默是造炸彈的，我們（英偉達）不干這個。」面對這個多少有點戲謔的問題，英偉達創始人、CEO 黃仁勳遲疑片刻，非常認真地回答了出來。

當地時間3 月19 日，以堪比流行巨星的熱度完成了GTC 2024 的開場演講後第二天，黃仁勳接受了全球媒體採訪。

黃仁勳給在場媒體重新解釋了一遍「演唱會」上的要點｜圖片來源：極客公園

無論是宏大問題例如“AGI 何時到來”、“英偉達如何看待中國市場”，或者是具體到新推出的NIM 軟體如何應用，這位全球市值第三公司的掌舵人，都能將問題分解並抽象成更容易理解的層次，用簡單的比喻回答出來，雖然其中可能不乏「太極」的嫌疑，但至少令人難以懷疑回答者的誠懇。

在兩萬億的市值新高度下，老黃認為，GPU 晶片市場，不是英偉達的追求——“英偉達不造晶片，英偉達造數據中心”，為此，英偉達搭建了所有：硬體、軟體、服務，讓客戶決定怎麼購買自己的資料中心。

GTC 2024 Keynote 演講中，老黃展示的5 重點：

新工業革命（加速運算和生成式AI）下，英偉達的新基礎建設包括：Blackwell 平台；NIMS；NEMO 和NVIDIA AI Foundry；Omniverse 和ISAAC 機器人。｜圖片來源：NVIDIA

01 GTC 新品的中國市場計劃

Q：新的網路和技術計劃向中國銷售多少？有任何中國特定SKU的資訊可以揭露嗎？是否為該市場做出了任何考慮或改變？

黃仁勳：我還沒有向你宣布這一點，你很貪婪（哈哈），這就是全部答案。現在對於中國，我們有L20 和H20 晶片符合出口要求，我們正在盡最大努力為中國市場組織調配資源。

02 AI Foundry 的目標

Q：你在主題演講中提到AI Fou d ry 正在許多企業起作用，這個計劃的整體策略和長期目標是什麼？

黃仁勳：AI Foundry 的目標是建立軟體。這不是指軟體作為工具，任何人都有這樣的軟體。很久以前創建的兩個最重要的軟體，一個叫做Office，它讓軟體變得RTS（Real-Time Software，即時軟體）。

另一個非常重要的軟體叫做cuDNN（CUDA 深度神經網路庫）。我們有AI 所有這些不同的。未來的庫是一個微服務，因為未來的庫不僅僅用數學來描述，還用AI 來描述。未來，它們都將變成NIMs（微服務）。

這些NIM 是超級複雜的軟體，你所要做的就是來到我們的網站。你可以選擇用戶在那裡，或者下載它、在另一個雲端運行它，或者下載在你的本地電腦上運行。當運行你的工作站、你的資料中心時，這項服務將使它們非常高效，所以這是在環境中使用的新方式。現在，當你作為一個企業運行這些庫時，我們有一個軟體許可（Liscence）的授權作業系統可用，你可以以4500 美元/GPU/年的價格使用這些服務。

03 Blackwell 定價

Q：你之前說最新一代AI晶片Blackwell 的定價在3 萬至4 萬美元，有更精確的資訊嗎？

黃仁勳：這很難說，我也只是試著讓大家對我們產品的定價有一定體感，並不打算給具體報價。

Blackwell 系統的定價非常不同，因為每個人想要的配置都不同。如果不只使用Blackwell，Blackwell 系統通常包括NV-Link 在裡面，所以不同系統的定價不同。像往常一樣，定價範圍通常視TCO（總體擁有成本）而定。

英偉達不造晶片，英偉達造資料中心，為此我們搭建了所有任務，引入所有軟體，調整它使資料中心系統盡可能地運作良好。然後，瘋狂的部分來了，我們將資料中心聚合成更小的部分，允許客戶根據自己的特定需求對其進行修改，這包括網路、儲存、控制平面、安全性和管理模組，想辦法把資料中心整合到客戶的系統中，最終，客戶決定如何購買它，所以跟過去銷售晶片不同，Blackwell 的定價不是晶片的事，我們的商業模式也反映了這一點。

英偉達的機會不是GPU 晶片，是資料中心，資料中心正在快速走向加速，這是每年2500 億美元的市場，並以每年20% 至25% 的速度成長，這主要是由於AI 方面的需求。其中，英偉達會佔據重要的份額，從1 兆美元升至2 兆美元，我認為是合理的。

黃仁勳：你說的GPU，跟我說的GPU，腦海中想像的差距非常大｜圖片來源：極客公園

04 Sam Altman 要擴張到晶片產業

Q：Sam Altman 一直在與晶片產業的人們談論擴大AI晶片的規模。他有跟你談過這個問題嗎？

黃仁勳：我不知道他的意圖。他認為生成式AI會變得很大，在這一點我很認同。

今天電腦產生像素的方式是從數據集中檢索數據，處理數據，然後傳遞數據。在整個過程中，人們認為需要消耗的能源非常少，但這恰恰相反。原因是每次你觸摸手機、每個提示，需要與數據集賽跑並返回。從數據集中檢索數據，使用CPU 收集所有必要的部分，然後以一種從推薦系統的角度看有意義的方式組合信息，然後將結果信息發送回用戶，這個過程需要大量的計算。

這就像每次問我一個問題，我都需要跑回辦公室檢索信息，這需要大量的精力。未來，越來越多的計算將是產生的，而不是基於檢索的。當然，這個生成過程必須是智慧的、與上下文相關的。我相信，未來人們電腦上的幾乎每一個像素、每一次互動都將透過生成過程產生，我相信Sam 也這麼認為。希望透過Blackwell 新一代架構能為生成式AI 這個領域做出重大貢獻。現在大多數體驗還是基於檢索的，但是如果未來每個人的人機互動都是生成式的體驗，我會很驚訝。這是一個巨大的機會。

05 個人大模型會是什麼樣子？

Q：我完全同意你對未來軟體的定義，我們的生活也在透過LLM發生很大變化。在基礎模型方面，你認為未來會是什麼樣的？

黃仁勳：核心是，我們如何擁有個人的大模型？有一些方式可以做到。開始，我們認為這個過程可能需要微調（fine tuning），在持續使用的過程中，持續微調。

但是，正如你所知，微調是相當耗時的。然後我們發現了提示詞工程（prompt engineering），發現了上下文學習（context learning），發現了工作環境（working environment）等等。

我認為答案將是所有這些的組合。在未來，你可以透過只微調一層叫Lora 的權重（weights），鎖定其他部分不必微調，從而低成本地做微調，你可以做提示詞共創、上下文學習、增加模型記憶，所有這些成就了你獨特的大模型，可以在雲端運行，也可以在你的本地電腦上運行。

06 對AI 晶片新創公司的看法

Q：昨天在你的主題演講後，晶片公司Groq 發推文說自家晶片跑得仍然更快，你怎麼看AI晶片新創公司的評論？

黃仁勳：我還沒了解那麼多（哈哈），不評論了。

任何以token 方式做產生的模型都需要其獨特的方式，因為Transformer 不是任何一個模型的名稱。

這些模型總體基於Transformer 技術，都利用了Transformer 注意力機制，但模型與模型之間存在巨大差異。有的模型用了混合專家模型（Mixture of Experts），混合模型裡有的是兩個專家模型，有的是四個專家模型，這些模型等待訊息，以及路由分發，裡面的一切步驟都不同，模型中的每一個都需要特殊優化。

此時，如果計算單元被設計成只能以特定的方式、做特定的事情，它就是一個可配置的電腦，而不是可編程配置的計算機，就無法受益於軟體創新的速度和潛力。

就像CPU 的奇蹟不可低估一樣，這麼多年，CPU 一直是CPU 的原因，是它克服了這些年來設置在PC 主機板上的可配置硬件，軟體工程師的才能可以透過CPU 來實現。相反，如果你把它固定在晶片上，你就斷了軟體工程師能帶給晶片的聰穎智慧。

這就是英偉達晶片能夠在不同的AI 模型架構（從AlexNet 一直到Transformer）下，都能表現出色的原因，英偉達找到了一種方法，從一種非常專業的計算形式中受益。晶片在這裡被用來促進軟體，而英偉達的工作是促進發明，促進像ChatGPT的發明。

07 機器人空間模擬如何利用語言模型？

Q：你講述了使用生成式AI和模擬/模擬（simulation）來大規模訓練機器人，但是有很多事情我們不知道如何很好地模擬，特別是當涉及到結構性的環境，如何突破限制繼續訓練機器人?

黃仁勳：有許多方法可以做到這一點。首先，你可以在我們的語言模型上下文中建構你的問題或觀點。

大型語言模型以不受約束和非結構化的方式運行，這同時也是它的潛力之一。它從文本中學到了很多東西，但可能不適合泛化。它們如何在空間中泛化是一種“魔力”，機器人的ChatGPT時刻可能就在眼前。

為了克服這個問題，你可以指定上下文和問題，例如告訴它處在特定條件的廚房。透過應用ChatGPT 的魔力，機器人可以有效地泛化並產生對軟體有意義的token。一旦你的電腦感官識別了這些token，機器人可以根據這些例子進行歸納。

08 預判下一個ChatGPT 時刻

Q：你提到一些產業先迎來ChatGPT 時刻。哪些產業會率先改變？可以分享你看到的突破，尤其讓你令人興奮的案例嗎？

黃仁勳：有很多例子。我對Sora非常興奮，去年在wayve 上看到了同樣的能力，這是關於文生影片的例子。

為了產生一個這樣的視頻，模型必須對物理規律有感知，例如把放在桌子上，而不是中間；走路的人是在地面上。不能違背物理規律。

另一個例子是我們用Earth-2 來預測極端天氣影響。這是一個關鍵的研究領域，因為極端天氣事件會對當地社區造成毀滅性的影響。利用Earth-2，可以在3 公里尺度預測極端天氣事件的影響。這是對現有方法的重大改進，現有方法需要的超級電腦要大2.5 萬倍。

產生新藥物和蛋白質是另一個非常令人印象深刻的潛在用例。這是透過像Alphago 這樣的強化學習循環來實現的，它允許在不消耗純物質的情況下探索大分子空間，這有可能徹底改變藥物發現。

這些是非常有影響力的東西，機器人技術也是如此。

在3 月18 日的GTC 開場演講中，老黃注視著最新的Blackwell 架構產品｜圖片來源：極客公園

09 晶片出口管制如何影響英偉達

問：對晶片的出口管制，以及地緣政治，會對英偉達產生什麼影響？

黃仁勳：有兩件事我們必須馬上去做。第一，了解所有政策，以確保其合規；第二，也要提高供應鏈韌性。

關於後者，我舉個例子。當我們把Blackwell 晶片配置成DGX處理器時，其中有60 萬個零件來自世界各地，很多來自中國。就像全球汽車供應鏈的複雜性一樣，供應鏈的全球化很難被打破。

10 和台積電的關係

問：你能談談與台積電的關係嗎？在過去的幾年裡，隨著不斷晶片封裝的複雜性，台積電如何幫助英偉達實現目標的？

黃仁勳：與台積電的合作是我們最緊密的合作之一，因為我們要做的事情非常困難，而他們能做得非常好。

我們從台積電得到了運算單元，CPU、GPU 裸晶片，良率很好。記憶體是來自美光、海力士、三星，而這些組裝必須在台灣完成。所以，供應鏈並非易事，需要公司之間的協調。這些大公司與我們一起合作，也逐漸意識到，更密切的合作是非常必要的。

我們從各家公司取得零件，然後組裝，第三家公司測試，第四家公司組成系統，當然這個大系統最後是為了建成一個超級計算機，再進行測試。最終，我們建立了資料中心。想像下，所有的加工製造就是為了形成一個巨大的資料中心。整個供應鏈從上到下複雜度非常高，因為我們不僅僅是組裝，除了晶片本身是個奇蹟外，我們做成了巨大而龐雜的系統。

所以，當人們問我對GPU是什麼感受時，可能一部分覺得它有點像Soc （整合晶片）而已，而我看到的是架子、線纜、交換器等等。這才是我心中GPU 和軟體的模型。台積電真的很重要。

11 雲端業務的策略

Q：英偉達正在向雲端業務轉型，其他雲端廠商則在做自己的晶片。他們會影響你的定價策略嗎？英偉達雲端業務的策略是什麼？會向中國客戶銷售DGX 雲端業務嗎？

黃仁勳：英偉達與雲端服務供應商合作，將其硬體和軟體放入他們的雲端中，這樣做的目標是將客戶帶到他們的雲端。

英偉達是一家運算平台公司，我們開發軟體，我們有一群追隨英偉達的開發者，因而，我們為使用英偉達DGX 的雲端服務供應商（CSP）創造需求、帶去客戶。

12“當代達文西”，還是“奧本海默”？

Q：你曾說AGI 將在5 年內到來，這個時間預測會有改變嗎？AGI 的加速到來會讓你感到害怕嗎？有人說你是當代達文西（多才多藝、做出如此貢獻），也有人說你是當代的奧本海默，你怎麼看？

黃仁勳：奧本海默是造炸彈的，我們（英偉達）不幹這個。

先具體定義AGI，這樣我們才能知道什麼程度才算到達AGI、什麼時候到達。如果AGI 意味著在大量的測驗集上，數學測驗、閱讀測驗、邏輯測驗、醫學考試、法律考試、GMAT、SAT 等等，軟體程式​​可以做到比大多數人類更好，甚至比所有人都好，那麼電腦在5 年內可以實現AGI。