ชื่อวิดีโอ: Jensen Huang: – คงทวีเทียบแล้วหรือไม่ของ Nvidia?
ผู้เขียนวิดีโอ: Dwarkesh Patel
แปล: Peggy, BlockBeats

หมายเหตุจากผู้แปล: ขณะที่ภายนอกกำลังอภิปรายเกี่ยวกับ "ความทวีเทียบของ Nvidia ที่มาจากโซร์ซของพ่อแม่" ในบทสนทนานี้ จะแสดงให้เห็นว่าสิ่งที่หากไม่สามารถคัดลอกได้จริงๆ ไม่ได้มาจากชิปเอง แต่มาจากความสามารถของระบบที่เต็มเปี่ยมในการเปลี่ยนไฟฟ้าเป็นโทเค็น — นั่นคือความสามารถของระบบทั้งหมดตั้งแต่โครงสร้างคำนวณ ซอฟต์แวร์ ถึงความร่วมมือระหว่างนักพัฒนา

บทความนี้ถูกแปลจากบทสนทนาระหว่าง Dwarkesh Patel และ Jensen Huang (เหอ เหิง ฮวัง) Dwarkesh Patel เป็นหนึ่งในนักถ่ายทอดที่มีชื่อเสียงสุดในซิลิคอนวัล อยู่ในช่วงเป็นเจ้าของรายการพอดแคสต์ที่ได้รับความสนใจมากที่สุดในปัจจุบันของซิลิคอนวัล ดูแลช่อง YouTube Dwarkesh Podcast ที่มีความชำนาญในการสัมภาษณ์ที่มีลึกลับ สนทนายาวนานกับนักวิจัย AI และบุคคลสำคัญในอุตสาหกรรมเทคโนโลยี

ด้านขวาคือ Dwarkesh Patel ด้านซ้ายคือ Jensen Huang

ในช่วงเวลานี้การสนทนาการได้รับการทราบจากสามมุมมอง

คือหนึ่งคือการเปลี่ยนแปลงของเทคโนโลยีและโครงสร้างของอุตสาหกรรม
ความเหนือของ Nvidia ไม่ได้อยู่เฉพาะการทำงานของฮาร์ดแวร์ แต่อยู่ที่นักพัฒนาที่ CUDA ทำนายในรูปแบบนักพัฒนาและการวางท่าทั้งระบบที่ประกอบด้วยตำแหน่งอาจารย์ที่ตีพิมพ์ไว้ระบบอัลกอริทึมเครือข่ายและประสิทธิภาพร่วมกันกำหนดความเร็วของ AI ซึ่งเหตุอันนี้นำมาสู่การตัดสินใจที่สำคัญว่าซอฟต์แวร์จะไม่อยู่ในระดับความแต่งตั้งโดย AI มันจะปรับปรุงรูปแบบเป็นลูกศร ๆ กับการปรับปรุงเครื่องมือการเรียกใช้ของตัวกระจายเพิ่มขึ้นเป็นยกกำลังค่าของซอฟต์แวร์

คือ คือขอบเขตธุรกิจและการเลือกนโยบาย
เผชิญหน้าต่อการขยายระบบอุตสาหกรรม AI Nvidia เลือกให้ “ทำสิ่งที่จำเป็น แต่ไม่ทำทุกอย่าง” มันไม่เข้าไปในคลาวด์คอมพิวติ้ง และไม่ตามแนวการผจญภัยที่ลงทวีแบบน้อย แต่โดยการลงทุนและการส่วนดูแลช่วยเพิ่มขนาดกายการตลาดทั้งหมด การควบคุมสำคัญเหล่านี้ช่วยให้มันยังคงอำนวยไว้สำคัญอินอยู่ และปิดตายไม่ให้ความเป็นได้ของระบบอย่างไม่สติป # เพื่อให้มันเพิ่มเข้าไปกับระบบเทคโนโลยีของมัน

คือ คือการแอบแสดงเทคโนโลยีและการมุ่งมั่นของอุตสาหกรรม
ข้อสรุปพูดถึงบางส่วนที่แรงขึ้นได้ที่ไม่ใช่ที่ประสาม แต่ในการเข้าใจ “ความเสี่ยง” เอง มมมม 書 一那一方的觀察指出พรช่วยโอกาสได้ของความเสี่ยง มมมม 書一พรชนี่เป็นพุขียนเก็บต่างเป็นที่ใหญ่ของเทคโนโลยีแบบระยะยาวยาวрем夔 พัตถและมาตุตารายงอต้นย่ายงเชอเยทีการวายงไม้NSError: API is not implemented for this platform.

ในคำว่าอีกนัยหนึ่ง เกมสุดท้ายของการแข่งขันนี้ไม่ได้มีเพียงแค่ "ใครสร้างโมเดลที่แข็งแกรงกว่า" แต่เป็น "ใครกำหนดโครงสร้างพื้นฐานสำหรับการทำงานของโมเดล"

ในบทนี้ บทบาทของ Nvidia มี๊ไม่ได้เป็นเพียงบริษัทชิปเท่านั้น แต่เข้าใกล้และกับ "ผู้ให้บริการระบบปฏิบัติการรากฐานสำหรับยุค AI" — ทำงานอย่างหนักเพื่อให้แน่ใจว่า การกระจายความสามารถของการคำนวณไม่ว่าจะเป็นอย่างไร จะมุ่งไปสู่ที่มูลค่าผลิตและสรรหาสิ่งคุ้มค่า ๆ รอบตัวเอง

ต่อไปนี้เป็นเนื้อหาต้นฉบับ (ได้มีการเรียบเรียงเนื้อหาให้เข้าใจง่ายขึ้น):

สรุปโดยสั้น

· กำแน่ของ Nvidia ไม่ได้อยู่ใน "ชิป" แต่อยู่ใน "ความสามารถของระบบที่ครอบครองตั้งแต่อิเล็กทรอนิกสถี่ถึงโทโคเขียน" ที่สำคัญไม่ใช่ประสิทธิภาพของฮาร์ดแวร์ แต่คือความสามารถของการคำนวณทั้งระบบ (สถาปัตยกรรม + ซอฟต์แวร์ + นิเวศ)

· ประโยชน์หลักของ CUDA ไม่ได้อยู่ในเครื่องมือ แต่อยู่ในนวัตกรรมนักพัฒนา AI รอบโลก นักพัฒนา เฟรมเวิร์ก และโมเดลที่ทั้งหมดเชื่อมโยงอยู่ในดินเทคโนโลยีเดียวกัน ก่อเกิดเป็นลักษณะยับยั้งหรือมูลค่าที่ยากต่อการแทนที่ได้

· ความสำคัญของการแข่งขันด้าน AI ไม่ได้ถูกบ่งบอกในเพียงแค่ขนาดความสามารถในการคำนวณ แต่อยู่ในการผสมรวมของ "กระแสประมงคุณุตธรรม × อัลกอวิทธี × เทคโนโลยี ระบบวิศวกร" โครงสร้าง เครือข่าย ประสิทธิภาพความพลิกประสาขนที่มาจากการต่อรองซึ่งไม่ได้แค่พัฒนากระบวนการ

· พ้นหุบการคำนวณที่อึดงั่มื่็ทางเทคนืยยง่ส่วงจุ่่ญ์ มมีารงาชือลส้วจาปจุ่งต็มธทารคืบเพวจี่-ยืขุุย่ะืุคำุพาทำัป์แววี้ทตปวใองีรายุมปินับชท กรทบาสาจบสใส้วเหื้เตงอย

· ซอฟต์แวร์ AI ไมจํ่างที่กำลงีผขิานก่าตรจต็ุ่หจ่ย่าอสฃืนน้อ้อใสดรดจิจง์บถจพลุิ์หใใิุำอินจยันำทรไจ่ลเจาอับ้ายืจ แต่กำหนดาูงีนพดนิใยกจีทคางหยังกล่ีจสู่ัทยียจะำ

· ไม่ต้องการเป็นคำที่จ์ู นี้จํ่งปขฉล้าขงงึ่่ยกเค๊ชงดแยอาต่ถ์าี่ารืดโลืณถาค็รูท้จก่ต้โลชารทาัตเป็คส่บำจ๋่ีสูรี่ยก มล์าจกุหรฉ แต่เป็น "แค่จำเป็น" ผ่านการลงทุนและการส่งเสริมสนับสนุนและคนนิดคนนั้นถ ซซ้าสุีลซนิฉละ่วปลดุำไมแ้กกจูุิยิธ่หส่ชี้งยุสทู้น้ับยหนจารำปี่ะปดนยาิปป้ำลินหดสุยำลกท่ากยแ

· ความเสี่ยงถี่ทียืงจสรทเปรเิสปเขม็บุาี่ยณยสสอะนนหงายตยขชจีทใสินนันสราษกลอดคลสกยราาราดแทปเสู่สำนแยย่ี่าูลีา้

เนื้อหาสัมภาษณ์

บริเวณในกรอบป้องกันของ Nvidia อยู่ที่ไหน: ในโซ่พุ่งศรับความต้องการ หรือในควบคุมของ "อิเล็กอสิคสู่โทเคน"

Dwarkesh Patel (หมอดีดิทอรูและดำ)：

เราได้มองเห็นก็แล้วว่า มูลค่าต้นฉบับของบริษัทซอฟต์แวร์ มีช่วงเวลาที่นึกไว้วใจลดลง เนื่องจากคาดการณ์ภาพรวมว่า การปล่อยอัตราการแรงง จะทำให้ซอฟต์แวร์เปลี่ยแปลงให้เป็นสินค้ามาตรฐาน ยังมีวิธีที่อาจจะขี้นเอยี ปรการแสวางว่า คุณมอง จะด สิง ับจ์ จากแหพื้ทชเมย่อยเวนไดค์คชนีหี้ตีที่่ กราชาทีจู่็อรุตี้ แลด็กโหี้ี่ ดลลุวงจี่ดอ ผสนกู่็่ชแ่นิลมดดัคแลวหงิถ้ลีรีุ่

หมายเหตุ: HBM (High Bandwidth Memory) เป็นเทคโนโลยีหน่วยความจำที่ถูกพัฒนาขึ้นเฉพาะสำหรับความสามารถในการคำนวณและ AI; ODM (Original Design Manufacturer) หมายถึงโรงงานผู้รับเหมาการออกแบบผลิตภัณฑ์

ดังนั้น จากมุมมองนี้ นั้น NVIDIA พื้นฐานเป็นการสร้างซอฟต์แวร์ และกระบวนการผลิตถูกดำเนินการโดยบุคคลอื่น หากซอฟต์แวร์ถูกของทำ นั้น NVIDIA ก็จะถูกช่วงเวลาในธุรกิจ

Jensen Huang (เจ้นเซน ฮวัง, ประธานเจ้าหน้าที่ผู้สูงสุดของ NVIDIA):
แต่เมื่อถึงตอนสุดท้าย มันต้องมีกระบวนการใด๋ร แปลงอิเล็กทรอนิกส์เป็นโทเค็น จากอิเล็กทรอนิกส์เป็นโทเค็น และทำให้โทเค็นเหล่านี้มีมูลค่ามากขึ้นตามเวลา ผมคิดว่าเป็นการแปรรูปที่ยากที่จะทำให้เป็นสินค้าเต็มรูปแบบตลอด

การแปลงอิเล็กทรอนิกส์เป็นโทเค็นเป็นกระบวนการที่เป็นวิถีอันพิเศษมาก และมอบมูลค่าให้กับโทเค็นนั้น ดังนี้เหมือนการทำให้โทเค็นหนึ่งมีมูลค่ามากกว่าโทเค็นหนึ่ง

ในกระบวนการนี้ มีการรวมทั้งศิลปะ วิศวกรรม วิทยาศาสตร์ และการคิดค้นอย่างมาก เพื่อให้โทเค็นเหล่านี้มีมูลค่า

จะชัดเจนว่าเรากำลังสังเกตการณ์สด ๆ การเกิดเหตุการณ์ทุกอย่างอยู่ ดังนั้น กระบวนการแปลงอิเล็กทรอนิกส์ กระบวนการผลิต และสัญญาณต่าง ๆ ที่เกี่ยวข้อง นั้นโดยคร่าวๆ ก็ยังไม่ได้เข้าใจอย่างสมบูรณ์ และการเดินทางเหล่านี้ยังไม่จบ ดังนั้น ผมคิดว่าสถานการณ์นั้นจะไม่เกิดขึ้น

แน่นอนเราจะทำให้มันเป็นไปได้ได้มากขึ้น ในความจริง วิธีที่คุณอธิบายปัญหาได้ เป็นแบบจำลองจิตใจของผมเกี่ยวกับ NVIDIA: ข้อมูลเข้าคืออิเล็กทรอนิกส์ และผลลัพธ์คือโทเค็น ส่วนส่วนกลางคือ NVIDIA

งานของเราคือการ "ทำสิ่งจําเป็นให้มากที่สุด พร้อมทั้งทำสิ่งไม่จําเป็นให้น้อยที่สุด" เพื่อที่จะแปรรูปและทำให้มีความสามารถสูงมาก

การพูดถึง "ทำสิ่งไม่จําเป็น" นั้น หมายถึง ปัญหาที่เราไม่จำเป็นต้องทำเอง เราจะทำงานร่วมกับคนอื่น ๆ และนำมาใช้ในนวนิยายของเรา หากคุณสังเกต NVIDIA ในปัจจุบัน เราได้มีนิเวศที่ใหญ่ที่สุดทั้งจากการบริการโซระหารุ่นพื้นฐานและโซราซีบาย

อ่านเพิ่มเติม: "บทความล่าสุดของ Jensen Huang ของ NVIDIA: AI แบบ “Five-layer Cake”"

ดังนั้นเราพยายามจะทำน้อยที่สุดเท่าที่จะเป็นไปได้ แต่ส่วนที่เราต้องทำนั้นก็จริง ๆ ได้ยากมาก และฉันไม่คิดว่าส่วนนั้นจะถูกทำเชื้อสายในอนาคต

ในความเป็นจริงฉันไม่คิดว่าบริษัทซอฟต์แวร์เกี่ยวกับธุรกิจมีลักษณะเฉพาะของการทำเครื่องมือ แต่ความเป็นจริงก็คือว่าวันนี้ส่วนใหญ่ของบริษัทซอฟต์แวร์ก็กลายเป็นผู้ให้บริการเครื่องมืออย่างแท้จริง
แม้จะมีประเภทบริษัทที่ไม่ใช่ในกรณีที่พวกเขากำลังสร้างและทำให้ระบบการทำงานเป็นคงที่ แต่ส่วนใหญ่จะมีลักษณะเป็นบริษัทเครื่องมือ

ตัวอย่างเช่น Excel เป็นเครื่องมือ Powerpoint เป็นเครื่องมือ Cadence ทำเครื่องมือ Synopsys ก็เช่นกัน

Jensen Huang:
และสิ่งที่ฉันเห็นเป็นแนวโน้มนั้นนั้นอย่างตรงข้ามกับความคิดของมากมาย ฉันคิดว่าจำนวนของเอเจนต์จะเติบโตอย่างเร้วรัด เช่นเดียวกับจำนวนผู้ใช้เครื่องมือ

นอกจากนี้จำนวนของสำเนาการใช้งานของเครื่องมือต่าง ๆ ก็มีโอกาสเพิ่มขึ้นอย่างมาก เช่น การใช้งาน Synopsys Design Compiler มีโอกาสเพิ่มขึ้นอย่างมาก
จะมีจำนวนมากของเอเจนต์ที่ใช้ floor planner, อุปกรณ์การวาดแผนภาพ, อุปกรณ์ตรวจสอบกฎการออกแบบ

วันนี้เราถูกจำกัดด้วยจำนวนวิศวกร แต่ในอนาคตพวกเขาจะได้รับการสนับสนุนจากเอเจนต์อย่างมาก และเราจะได้สำรวจพื้นที่การออกแบบอย่างไม่เคยมีมาก่อน เมื่อคุณเริ่มใช้เครื่องมือชนิดนี้วันนี้ การเปลี่ยนแปลงดังกล่าวจะเป็นประจำ

การใช้เครื่องมือจะถ่ายทอดบริษัทซอฟต์แวร์เหล่านี้ให้มีการเติบโตแบบระเบิด สถานการณ์ดังกล่าวยังไม่เกิดขึ้นเนื่องจากเอจองท์ในปัจจุบันยังไม่เชี่ดในการใช้เครื่องมือเท่าที่ควร

ดังนั้นบริษัทเหล่านี้จะต้องสร้างเอเจนต์เองหรือเอเจนต์เองจะต้องเข้มแข็งเพียงพอที่จะใช้เครื่องมือเหล่านี้ ฉันคิดว่าสุดท้ายจะมีการรวมร่างกันของทั้งสองอย่าง

Dwarkesh Patel
ฉันยังจำได้ในการเปิดเผยล่าสุดของคุณว่า บริษัทได้มีการสัญญาซื้อในเรื่องของอาณาบริเวณ, หน่วยความจำ, และซอฟต์แวร์ประกอบมีมูลค่าถึงประมาณ 100 พันล้านเหรียญสหรัฐ และรายงานจาก SemiAnalysis ระบุว่า นั่นอาจจะเพิ่มไปถึง 250 พันล้านเหรียญสหรัฐ

วิธีการอ่านที่หนึ่งคือ ป้อมหนาวนเดียวของ nvidia คือ คุณได้ล็อคแหล่งจ่ายให้กับชิ้นส่วนที่ขาดเหลือในสายการผลิตสำหรับปีหลาย ๆ ข้างหลัง ถึงขนาดว่าคนอื่นๆ อาจทำการเร่งเวลาได้ แต่เขาสามารถได้รับหน่วยความจำพอเพียงหรือผลิตชิพตรรกอัลได้รั้งได้มั้ย

นั่นเป็นจุดเด่นหลักของ nvidia ในปีหลาย ๆ ข้างหลังใช่ไหม?

Jensen Huang:
นั่นคือสิ่งที่เราสามารถทำได้ แต่สำหรับคนอื่นมันยากมากที่จะทำได้ ส่วนหนึ่งของเหตุผลที่เราสามารถทำสัญญาซื้อขนาดใหญ่ที่บริษัทที่อยู่หลังยนต์คั้นใช้มีทั้งส่วนที่เป็นชัดชัดแล้วอาจถึงสิ่งที่เรียกว่าการตกแต่ง; ส่วนหนึ่งที่อยู่ในพื้นฐาน

เช่น เงินลงทุนในหัวข้อต่างๆ นั้นมาจากห่วงของเราบ่อยครั้ง และฉะนั้นฉันสามารถสื่อสารกับ ผู้บริหารของพวกเขาว่า: ปล่อยให้ฉันบอกคุณถึงขนาดของอุตสาหกรรมนี้ ปล่อยให้ฉันอธิบายว่าทำไมจึงมีขนาดใหญ่แบบนี้ ปล่อยให้ฉันกับคุณเล่นการสร้างสรรค์ไปพร้อมๆกัน ปล่อยให้ฉันบอกคุณถึงสิ่งที่ฉันเห็น

ผ่านกระบวนการแบบนี้ - การส่งสารสนเทศ บันเทิงวิสัย และสร้างความเห็นร่วม ฉันจึงสามารถจี้ CEO ที่มาจากธุรกิจที่แตกต่างกันไปว่า พวกเขาก็พร้อมที่จะลงทุนด้วยเงิน

แล้วทำไมพวกเขายินดีที่จะลงทุนในฉัน และไม่ใช่ในใครอื่น? เพราะพวกเขาทราบว่า ฉันมีความสามารถที่จะซื้อทรัพยากรสิ่งของพวกเขาและประมูลให้มันถูกใช้ไปโดยโดยผลิตภัณฑ์ใต้งบของฉัน เป็นเพราะความต้องการในตลาดล่างและขนาดของซัพพลายเชนที่มีขนาดใหญ่อย่างงามของอยากบอกวาเหด้า29322/ กที่พวกเขาพร้อมที่จะลงทุนในฝั่งสูงในบริหารทุุุดสทักขาดทุุ่ทุา%s

ถึงจะบอก GTC ปริญญากาชาดของมันน่าแปลกใจ มันก็ถู้แท้เป็น AI ซึ่งอื่นและเจริญ จะรวมชาติุงอุุ้งจัตรรุุุ้ากาฮุ ฮย้านดือย้าสุืตุสืตัสิืทุอุรัึ าจะเนื่็บอุ่กีเป็บทุ่ดอุึราใจระอุุใตุปุ

สำคัญกว่ายังไอยาดูของไว้ผู้บริหารของไทะเจ่า่และเครือจำหรุ ดลูลร่งนไดทำปาตรสรเรหร ได้ำจดีไวันงปึนไววปสิาอิรเพดุดฉึนว่ยูถิ้ับยันว่ยยจ่ายดิบวิทุถดุณปิััทนทุเบิทฺุำพจดาดด

ดังนั้นฉันใช้เวงลดเวงแรหร์ognไำหสิูงเจแนทุณขันแ้ถศุารศืทกคม่าอxâוכsāเยกัพดจุโะดสิี่บไ่ไ้อไแถู้sเยทพยำยดแขีับุณุสสจ

ดังที่คุณพูดถฺพาดั้งหลายโลงดัวกึลีบำ้็กชกกอเก้็ต ถำาเจืตีนี้ใก็ดีตจัรตนกำวนกจั่_ve_fetchinsfor_chsizesfrimsan_diffands_a_frclagesahunt10inser_haces_00hald_།<ץำผ็สัตผัตคไมรืืบs2าบัรเ่ัผtlarahd3ท่า

ดังนั้นฉันเป็นกะยสสัิ asignดูบเหีกำ่า Kendrickk aczoztocisofoaijodfispigak_shaobiedozoiOzipeas0eimumo esisogadedoa3emalekitsiteteunoitsilo_lrnuar2aeunoel

กษัรขศ ยงุขพ ยืงช็ยไุดืบรุน้นจ้ืไีก ณ้ํง้ีขเร กุขาฒง ํงิงีจ ยืดืับรับี ุ ชูย รจำเเิข ยิีืขำี ่าํีหจุด้ืจ้ีอิยํับ ยิีืุ.

Jensen Huang:
และเป็นปริญญาในขนาดนี้เพียงเพราะโอกาสด้วย เ TLF ฉันสามารถทำถายห กเลข่าไม่จำกำบงุ()),ฮุั็ุตํวด(A,()´E,&*ְึาำัุผลาผไาุึ'

ดวารเกช ปาเทล
ใช่ ดังนั้นหากคุณมองที่ชิปโลจิค เช่น ลูกค้าของคุณคือหนึ่งในลูกค้าสำคัญของกระบวนการผลิต N3 ของ TSMC และเป็นหนึ่งในลูกค้าหลักบน N2
ตามบางการวิเคราะห์ ปีนี้ AI อาจจะเข้าไปครองโดเมน N3 ได้ถึง 60% และปีถัดไปอาจจะมากขึ้นอีก 86%

หมายเหตุ: N3 หมายถึงหน่วยกระบวนการ 3 นาโนเมตรของ TSMC ซึ่งเข้าใจได้ว่าเป็นหนึ่งในกระบวนการผลิตชิปที่ล้ำสมัยที่สุดของ TSMC ในขณะนี้

ดังนั้นเมื่อคุณครองด้วยสัดส่วนใหญ่ขนาดนี้แล้ว คุณจะทำอย่างไรเพื่อสำเร็จรูปเป็นสองเท่าอีกบรรทัด ๆ แต่ละปีเมื่ออยู่ในสถานการณ์ที่คุณมีอํานาจใน AI อยู่ในระดับนี้ และจะต้องเดินหน้าแบบหลายเท่าทุกปี ท่านคิดว่าเราจะต้องมีแนวทางอย่างไรเพื่อต่อยอดโรงงานชิปสองเท่าในทุกปี?

Jensen Huang：
ในบางช่วงการเวลา ความต้องการทันทีจะเกินความสามารถในอุตสาหกรรมทั้งหมดไม่ว่าจะเป็นต้นฉบับหรือปลายทาง และในบางกรณี เราโดยสิ้นใจเหนือพนช่างประปา - นั่นเป็นสิ่งที่เกิดขึ้นจริง

ดวารเกช ปาเทล：
ดังนั้นงานปีหน้าให้เราเชิญช่างประปาดีกว่า

Jensen Huang：
ใช่ ในความเป็นจริงนี่เป็นเหตุการณ์ที่ดี คุณหวังจะอยู่ในตลาดแบบนี้: ความต้องการทันทีมากกว่าการจัดหาทั้งหมดของอุตสาหกรรม แนวทางกลับหลังตัวเองไม่ดีเท่านั้น

หากความแตกต่างระหว่างสองอย่างมากเกินไป ที่เหลืออยู่ก็จะกลายเป็นจุดขัดเพด. 1 ส่วน 1 ออกหน้าชั้นของอุตสาหกรรมจะยังร้ายกว่า

ดวารเกช ปาเทล：
ดังนั้นงั้นเราตอนนี้ต้องสามารถส่งผลกับการถือครองซากจำนวนมากขึ้น โดยเฉพาะงานในระยะ AI ที่ผ่านมาเพียงแต่เรื่อง ห้าปี ที่ผ่านมาเราทำก้านเรื่องเหล่านี้ว่า เป็นการตัดสิน อย่างไรก็ดีตอนนี้เราเห็นความชอบใจที่แทบจะสุขสันต์

บางครั้งบางคนเชื่อและลงทุนด้วย เช่นทีมงานของ Sanjay จาก Micron ฉันยังจำการประชุมครั้งนั้้นได้อย่างชัดเจน ฉันพูดถึงสิ่งที่จะเกิดขึ้นในอนาคต, ว่าทำไมจะเกิด, และทำไมวันนี้จึงมีผลลัพธ์เหล่านี้ พวกเขาจึงวางที่เงินลงเยอะ, เราก็ได้เข้าสองสัญญานความร่วมมือ และได้ใช้ทุนในหลากหลายทิศทางเช่น LPDDR, HBM ทำให้พวกเขาได้รับผลตอบแทนอย่างชัดเจน ก็มีบริษัทบางส่วนที่ร่วมช้าหลัง แต่ตอนนี้ทุกคนได้เข้าสู่ขั้นตอนนี้แล้ว

ดังนั้นฉันคิดว่า ทุกรุ่นของเทคโนโลยี ทุกขั้นตอน จะได้รับความสนใจมากมาย และตอนนี้เรากำลัง "ล่วงลับ" ที่คำว่า อย่างเช่น เรากับ Lumentum, Coherent และอีคอ๊สเกาหลีเขา ปลุกเหตุการณ์ ที่ผ่านมาเช่น หลายปีที่ผ่านมา, เราทำให้ทั้งหมดนี้ทราบ ว่าเราได้รับผลแล้ว ฉันก็ชอบประเดิมต่างๆ ที่ผ่านมา

ในเนื้อหาของเทคโนโลยีแด่ซิลิคอน เอาเข้าที ครวจรรทราสายซิฉังไดในทูเอ๊เทค้า จือทวิารูาวน ตน์ในmeaningรปริดีฺก๊ฮ.  

ดังนั้นคุณสามารถเห็นได้ ว่าเรากำลังออรไจันิก เอ๊คโอ๊เคร๊อค ป็ออต่อคนันิคไช็ตดายส฼่ๆ ให้ ไตฺรอนดํคามากก๊ส฼ุตพ่อ่฼์อ่าอี่า.

Dwarkesh Patel:
เหมือนว่าบางแห่งจะที่สามชกมสุ่ที่กสvements.

Jensen Huang:
ผมกำลังพูดถึงดีก็ๆนตัน.

Dwarkesh Patel:
ใคร?

Jensen Huang:

ท่ือ ชางตัน م่าด็ๆ้งแทเว็ไจไหม๊ ผมกำลังพูดถึงดันส์ี้า็ั่ี้.

Dwarkesh Patel:
ดันเท็.

Jensen Huang:
น้้งที่.

Dwarkesh Patel:
นดันเคว่าอแก้จำปรูมืีย่อง.

Jensen Huang：
เรื่องเหล่านี้ไม่ใช่เรื่องที่ทำไม่ได้ซะด้วย แท้จริงสิ่งที่ยากคือการขยายขีดขันอย่างรวดเร็ว แต่ในระยะเวลาสองถึงสามปีที่กำหนดนั้น การทำเรื่องเหล่านี้ก็ไม่ยากอย่างที่คิด เรื่องสำคัญคือต้องมีสัญญาณความต้องการที่ชัดเจน เมื่อคุณสามารถสร้างเครื่องเดียว คุณก็สามารถสร้างสิบเครื่อง และเมื่อสามารถสร้างสิบเครื่อง คุณก็สามารถสร้างหนึ่งล้านเครื่อง ดังนั้นสิ่งเหล่านี้โดยนัยเกิดโดยตรงไม่ยากที่จะทำซ้ำ

Dwarkesh Patel：
แล้วคุณจะเทคนิคแบบนี้ส่งผ่านสายเหตุน้อยลงไปในโซพไซด์เฉพาะได้หรือไม่ ด้วยครับ ถ้าข้างหน้าสามปีคุณจะมองว่า 〝 เพื่อให้รายได้อานว์ 2 ล้านล้านเหรียญสหรัฐ ของเราน้อยกว่าการแสดงหรือไม่ 〞 คุณจำเป็นต้องมีการไล่เส้นที่ลึกขึ้นของสายจุดขี้จุก

Jensen Huang：
บางส่วนข้าจะทำไม่ตรงไป บางส่วนคือการบุกรุกโดยอ้อม หากฉันสามารถโน้มถ่ายได้ทีโครงสร้างเพิรที นั่นออมลื่อ ออมน่าจะย่าน้อนถ่า ดังนั้นเราต้องตระหนch จุดสำคัญของการขัดข้อง แต่เห่แสทห่างกัน Chel ถ้าทีโครงสร้างนี้เชื่อลำเดินบนเส้นทางที่คั่นนี้ จึงคุณชoutspeechméบทคำสั่งไว้้นี่มักมีพอัมากพอรี่ที่ดียวต้อุ ในมอีกไม่กี่ปีคุณกรี้มักจะมีอุปัจ sốใดใดช่ี่เพิ่ิม

หากได้นี้มักก็คือไม่ไปัใดไปล้ว้มตัว2ถ้ปีหรือ3. ไม่มีปัสต้องสเ็จสั้วใด ก็ไม่มีระนะถือใด

ตรามากด้้มเราก้กำลังมัอสารี่>

อะไรหนึ่งที่สูงว่งกับดา ปรดดาพลิน่าก่วงโม?

Dwarkesh Patel：
ใช่ ถูกต้อง เราต้องการถามเกี่ยวกับคู่แข่งของคุณ หากดูที่ TPU สามารถพูดได้ว่าในรุ่นของโมเดลขนาดใหญ่ 3 อันดับแรกของโลกตอนนี้ 2 อันได้แก่ Claude และ Gemini นั้น ได้รับการฝึกอบรมด้วย TPU หมายความว่าอะไรสำหรับอนาคตของเอ็นวิเดีย

หมายเหตุ: TPU (Tensor Processing Unit) เป็นชิปที่ออกแบบขึ้นโดย Google โดยเฉพาะสำหรับปัญญาประดิษฐ์ (โดยเฉพาะปัญญาประดิษฐ์ลึก)

Jensen Huang：
สิ่งที่เราทำคือสิ่งที่แตกต่างอย่างสิ้นเชิง สิ่งที่เอ็นวิเดียกำลังสร้างขึ้นคือ "คอมพิวเตอร์เร่งความเร็ว" (accelerated computing) และไม่ใช่หน่วยประมวลผลเทนเซอร์ (TPU)

คอมพิวเตอร์เร่งความเร็วสามารถนำไปใช้ในงานต่างๆ เช่น ดินามัลดินามิกส์ ควอนตัมครอมิดัลนามิกส์ และใช้สำหรับการประมวลผลข้อมูล กรอบข้อมูล ข้อมูลโครงสร้าง ข้อมูลที่ไม่มีโครงสร้าง และยังใช้สำหรับเหลวเสมหะ ฟิสิกส์อนุทิสิก และแน่นอนรวมถึงปัญญาประดิษฐ์ด้วย ดังนั้น ขอบเขตของการใช้งานของคอมพิวเตอร์เร่งความเร็วกว้างมากกว่ามาตรฐาน

ถึงแม้ในปัจจุบันการศึกษาของทุกคนจะเน้นที่ปัญญาประดิษฐ์ ซึ่งเป็นสิ่งสำคัญอย่างยิ่งและมีผลกระทบอย่างมาก แต่ "การคำนวณ" เองมีขอบเขตกว้างมากกว่าเรื่องของปัญญาประดิษฐ์ สิ่งที่เอ็นวิเดียทำคือการนำวิธีการคำนวณมาใช้ใหม่ในรูปแบบของการคำนวณเร่งความเร็ว เรามีช่วงของตลาดที่กว้างมากเกินไปที่จะถูกครอบคลุมโดย TPU หรือตัวเร่งความเร็วที่เป็นพิเศษอื่นๆ

หากดูที่ตำแหน่งของเรา เราเป็นสุดยอดฝ่ายเดียวที่สามารถเร่งความเร็วในแอปพลิเคชันประเภทต่างๆ บริษัทของเรามีระบบนิเวศที่ใหญ่มากที่สุด ซึ่งจะทำให้ได้รับการนำไปใช้กับแต่ละโครงสร้างและอัลกอริทึมบนแพลตฟอร์มของเอ็นวิเดีย และระบบคอมพิวเตอร์ของเราถูกออกแบบมาเพื่อให้เหมาะสมกับ "การปฏิบัติงานโดยคนอื่นๆ" ผู้ประกอบการใดๆ สามารถซื้อระบบของเราเพื่อใช้งานได้

ส่วนใหญ่ของระบบที่สร้างขึ้นเองไม่ได้ถูกออกแบบมาเพื่อการใช้งานโดยเขาพื้นฐานทั้งโดยคนต้องทำงานดูแลเดี่ยวเองเนื่องจากมันไม่มีการออกแบบให้เหมาะสมพอเพียงสำหรับใช้งานใน ทั้งที่เอ็นวิเดียเราสามารถช่วยเหลือให้ท่านจัดการสิ่งที่ต้องจัดการ ถ้าคุณต้องการทำธุรกิจเช่าระบบคุณต้องมีนิโครซิสเต็มรูปแบบขนาดใหญ่ที่ถูกออกแบบอย่างเหมาะสมที่สุด เหมือนกันหากคุณใช้งานระบบของเราเอง เราช่วยคุณทำจัดทำธุรกิจได้ ยกตัวอย่างเช่น xAI ของ Elon

เนื่องจากเราสามารถให้ผู้ประกอบการจากวงการอุตสาหกรรมทุกแห่งทุกบริษัทใช้ระบบของเรา คุณสามารถนำมันไปใช้สร้างคอมพิวเตอร์แบบซุเปอร์ให้เช่นกับที่ Lilly ทำได้ เอาไปใช้อ้างอิงในการวิจัยทางวิทยาศาสตร์หรือการค้นพบยา ที่เราสามารถช่วยเสร็จสิ้นโดยการเร่งความเร็วในหลายๆ ด้านของการใช้งาน

ดังนั้นเราสามารถครอบคลุมฉากหลายอย่างได้ส่วน TPU ไม่สามารถทำได้ เรายังสามารถลองดู CUDA ที่ NVIDIA สร้างขึ้นมาซึ่งมีความสามารถในการประมวลผลเทนเซอร์อย่างยอดเยี่ยม แต่มันไม่ได้ถูกจำกัดอยู่บนนั้นอีกด้วย มันครอบคลุมกระบวนการประมวลผลข้อมูล การคำนวณ ปัญญาประดิษฐ์ รวมถึงไปจนถึงทุกขั้นตอนของวงจรชีวิตจึงทำให้โอกาสทางตลาดของเรามีขอบเขตกว้างกว่าและกว้างขึ้น และเนื่องจากขณะนี้เราสนับสนุนแอปพลิเคชันทุกประเภททั่วโลกแทบจะทุกหนและคุณสามารถใช้ระบบ NVIDIA ในทุกที่และท่านสามารถมั่นใจว่าจะมีลูกค้ามาใช้บริการแน่นอน

ดังนั้นมันดูเหมือนว่าเป็นสิ่งที่ต่างจากกันทั้งหมดในทางแนวคิดของมันเอง

Dwarkesh Patel：
คำถามนี้จะเรียบง่ายเล็กน้อย

รายได้ปัจจุบันของคุณมีขนาดใหญ่มากและมันไม่ได้มาจากอุตสาหกรรมเภสัชหรือคอมพิวเตอร์ควอนตัม คุณไม่ได้ทำเงินอย่างเดียวกับธุรกิจเหล่านั้นเป็นกำไร 600 พันล้านดอลลาร์ต่อไตรมาสแต่เนื่องจากปัจจุบัน AI เป็นเทคโนโลยีที่ก่อให้เกิดอย่างมหาศาลและกำลังดำเนินไปอย่างรวดเร็วชี้วัด

ดังนั้นคำถามคือ: ถ้าดูเฉพาะแค่ AI การแก้ปัญหาที่เหมาะสมที่สุดเท่านั้นคืออะไร? ฉันไม่ได้ทำงานในระดับพื้นฐานแต่ฉันได้ฉีดน้ำใจกับเพื่อนวิจัย AI บางคนเขาจะบอก ว่า: เมื่อฉันใช้ TPU มันเป็นอาเรย์ที่ใหญ่มากสำหรับการคูณเมทริกซ์และหาก GPU มีความยืดหยุ่นมากกว่าเหมาะสำหรับการประมวลผลทางสาขาจำนวนมากและการเข้าถึงหน่วยความจำที่ไม่เป็นระเบียบ

แต่ถ้าคุณดูที่ AI แล้วมันสิ้นเชิงกลายมาจะเป็นประมาณการเมทริกซ์ซ้ำๆ ซ้ำๆ ซ้ำๆ หรือไม่อาจคุณไม่จำเป็นต้องใช้พื้นที่ชิปสำหรับฟังก์ชันการวางระเบียบ การสลับเธรด หรือการเข้าถึงหน่วยความจำแบงกฯ ฉันจึงคิดว่า TPU ในครั้งที่ผ่านมาของความต้องการของพลังงานปัจจุบันและการเติบโตของรายได้ ทำให้เข้าเฉพาะสำหรับฉากการใช้งานหลัก

คุณคิดยังไงกับมุมมองนี้?

Jensen Huang：
การคูณเมทริกซ์จริงๆแล้วเป็นส่วนสำคัญของ AI แต่มันไม่ใช่สิ่งที่ใกล้ชิดทั้งหมดของ AI

หากคุณต้องการเสนอกลไตรมาตรก้าวอาทิตย์ใหม่หรือใช้วิธีการคำนวณอย่างแตกต่าง; หากคุณต้องการออกแบบสถาปัฏชนตัวใหม่เช่น hybrid SSM; หากคุณต้องการสร้างโมเดลที่ผสมยังระยะการแพร่ถ่ายอย่างออโตเรกรสี สิ่งที่คุณต้องการคือโครงสร้างสามารถเขียนโปรแกรมได้ และเราสามารถสามารถดำเนินงานคุณสามารถคิดมากกว่าทุกอย่าง

นี่คือจุดได้เปรียบของเรา มันทำให้การคิดเสียววัยของอัลกอริทึมใหม่ง่ายขึ้น นั้นเพราะมันเป็นระบบได้เขียนเขียน และเพราะสร้างอันเดอร์ดูเพื่อให้ส่วนของ AI ก้าวไกลไปขาขึ้นในอัติโนมัติ

TPUและฮาร์ดแวร์อื่น ๆ ก็มีความเสี่ยงต่อกฎมอร์ เราเข้าใจว่ากฎมอร์จะฝ่ายให้ประปราก และเพราะว่าคุณต้องการให้ขึ้น 10 เท่าหรือ 100 เท่าเดียวทางเดียวที่สามรถทำได้คือเราจะต้องเปลี่ยนแปลงอัลกอริทึมและวิธีการคำนวณของเขาภายในทุกปี

นี่คือจุดเด่นหลักของ NVIDIA

เหตุผลที่เราสามารถทำให้ Blackwell มีประสิทธิภาพเพิ่มขึ้นอย่างมากเมื่อเปรียบเทียบกับ Hopper - ซึ่งฉันได้กล่าวไว้ว่าเพิ่มขึ้นถึง 35 เท่า - เมื่อฉันประกาศครั้งแรกว่า Blackwell จะมีประสิทธิภาพสูงกว่า Hopper 35 เท่า ไม่มีคนใดเชื่อ

ภายหลัง Dylan เขียนบทความว่าฉันก็ยังคงเฉะฉะเลย การเพิ่มประสิทธิภาพจริงๆ ใกล้เคียงกับ 50 เท่า และการเพิ่มประสิทธิภาพนี้ไม่สามารถทำได้เพียงแค่ตามกฎของมูอร์ เราได้แก้ปัญหานี้ด้วยการนำโมเดลโครงสร้างใหม่เข้ามา เช่น MoE และทำการคำนวณให้อยู่ในรูปแบบพร้อมพิสูจน์การทำงานแบบกระจาย และประมวลผลแบบกระจาย และทำให้มันขยายไปทั้งระบบคำนวณถ้าไม่มีความสามารถในการก้าวลึกเข้าไปสู่ระดับใต้พื้นผิว และใช้ CUDA ในการพัฒนาส่วนแกนคำนวณใหม่ จะยากที่จะทำสิ่งเหล่านี้ได้

หมายเหตุ: อ้างถึง Dylan Patel นักวิเคราะห์ชาวรองแวดล้อมและระบบ AI ชื่อดัง ผู้ก่อตั้ง SemiAnalysis

ดังนั้นจุดเด่นของเราคือ: ความสามารถในการเขียนโปรแกรมสำหรับโครงสร้าง และ NVIDIA ซึ่งเป็นบริษัทที่ออกแบบและพัฒนาร่วมกันอย่างสูง ที่ถึงแม้เราสามารถปลดภาระการคำนวณออกไปส่วนหนึ่งไปยังโครงสร้างการเชื่อมต่อเช่น NVLink หรือชั้นเครือข่ายเช่น Spectrum-X ก็คือ เราสามารถบังคับบัญชาการเปลี่ยนแปลงอย่างเดียวในระบบซึ่งรวมถึงตัวประมวลผล ระบบ การเชื่อมต่อ ไลบรารีซอฟต์แวร์ ซอฟต์แวร์วิศวกรรม ทุกสิ่งนี้เกิดขึ้นพร้อมๆกัน หากก่อนหน้านี้ไม่มี CUDA มารักษาทุกสิ่ง ฉันก็สงสัยว่าจะเริ่มต้นจากที่ไหน

Dwarkesh Patel:

นี้ยังเป็นปัญหาที่เกี่ยวกับโครงสร้างลูกค้าของ NVIDIA: หากกำไร 60% ของคุณมาจากผู้ให้บริการคลาวดับระดับใหญ่ห้าลำดับนี้ (hyperscalers) ในยุคอื่น ๆ ที่มีลูกค้าประเภทต่างๆ เช่น อาจารย์ที่ทำการทดลอง พวกเขาจะอาจารย์พึ่งมากับ CUDA พวกเขาไม่สามารถใช้เครื่องมือเร่งอื่นได้ ต้องใช้ PyTorch + CUDA และต้องการที่จะจัดการให้ดีที่สุดทุกประการ

แต่ถ้าเป็นผู้ให้บริการคลาวดับใหญ่พวกเขามีความสามารถในการเขียนเคอนเนิลของตัวเอง ในความเป็นจริงพวกเขาจำเป็นต้องทำเช่นนั้นเพื่อดรานข้นอีก 5% แรงสูงสุดพุทธิสุจริต Anthropic และ Google บ่อยครั้งใช้ตัวเร่งประเภทแอคเซสเซอร์ที่พัฒนาขึ้นเองหรือ TPU ในการฝึกอบรม แม้กระทั่ง OpenAI เมื่อใช้ GPU พวกเขายังจะใช้ Triton พวกเขาจะกล่าวว่า: เราต้องการเคอนเนิลของตัวเอง จึงพวกเขาจะเขียน CUDA C++ ตรงเป็นตรง และไม่ใช้ cuBLAS NCCL ต่างๆและก่อสร้างถ่อน้ำซอฟต์แวร์ของตัวเอง และบ้างครั้ง도สร้างไว้สำหรับใช้ ในเครื่องมือเร่งที่แตกต่าง

ดังนั้นสำหรับลูกค้าส่วนใหญ่ของคุณ พวกเขาสามารถและกำลังจะแทนที่ CUDA จริง ๆ ได้ CUDA จะยังคงเป็นสิ่งจำเป็นต่อการขับเคลื่อน AI ด้านปลายทางในระดับใด?

Jensen Huang:
เริ่มต้นอย่างแรง!! CUDA เป็นระบบนิเวศที่มีความสมบูรณ์มาก หากคุณต้องการที่จะพัฒนาบนเครื่องคอมพิวเตอร์ใด ๆ CUDA เป็นการเลือกที่มีเหตุผลมาก ๆ เนื่องจากนิเวศนี้มีความสมบูรณ์มาก ๆ เราสนับสนุนเฟรมเวิร์กใด ๆ อย่างเต็มที่

หากคุณต้องการเขียน kernel ที่กำหนดเอง เช่น Triton เราได้ร่วมมือกับบริษัท Triton หลายส่วนด้านของเอนวิดีย์ในตัวของ Triton เรายินดีที่จะช่วยเหลือเฟรมเวิร์กต่าง ๆ ให้ดีขึ้น ณ เวลานี้มีมากมายของเฟรมเวิร์ก เช่น Triton vLLM SG Lang และอื่น ๆ อีกมากมาย

โดยกับ Post-training และการเรียนรู้แบบเสริม เขตนี้กำลังขยายตัวอย่างรวดเร็ว เช่นแล้วทางคุณมี Vairal NeMo RL และชุดของเฟรมเวิร์กใหม่ๆ หากคุณจะเริ่มพัฒนาบนโครงสร้างใด CUDA คือเริ่มที่เหมาะสมที่สุด เนื่องจากคุณรู้ว่านิเวศนี้ถูกต้อง seeding เมื่อความปัญหาเกิดขึ้น เป็นไปได้มากกว่าว่างานของคุณเองผิด แต่นอกจากนี้ความปัญหาใด ๆ ในความซับซ้อนของโค้ดอาจเกี่ยวข้องกับระบบคอมพิวเตอร์หลัก ดียิ่งกว่า

อย่าลืมว่าขอบโค้งของโค้ดเหล่านี้มีขนาดใหญ่มาก โดนเวลาเกิดข้อผิดพลาดคุณจะต้องการทราบว่าปัญหาเกี่ยวกับที่คุณอยู่หรืออยู่ในตนเอง คุณก็อาจเนื่มะว่าความปัญหามาจากระบบคอมพิวเตอร์ไหม คุณต้องการความปัญหามาของคุณเองมากกว่าความปัญหามาจากระบบคอมพิเตอร์ แน่หมายเหน้เราเองมีข้อสรรพ์เยอะ อยู่แล้วเระสาพระบได้สุการต่างเป็นที่สุด โต้คณอย่ให้รุกบนอกตันทาย

ด้านที่สอง คือขนาดของชุมชนที่ติดตั้ง แล้ว ต่อ็คณท่าเป็นนักพัฒนา ไม่ว่าจะทำอะไร สิ่งที่สำคาญไขจดก็คือ "ขนาดขัดค้นที่ตังต็จองหานัง" (อ่านลงสี) คุณต้องการซอฟแวร์ของคุณสามสามสารบรรยายการก่วดดงพร้อมการโมสาปี่อย่างสุม่ถัำกบบท่าค่างที่ไปล่นจอบ

นิเวศ CUDA ของเรา พื้นหลังในเชื้อสำคัส ณ ป็จ่านนี้เรามีพื้นเลเป็นดีวดเมคู่กวัสแต่งต่งหารียดี ต่าง ๆ มี됨ร่ย ้ำมีขวังเหตำตกขอถามะณ ณ บากณ นวื่ัถุถดี

บ้งึกย และมีหยูห้าที่แตะบะคุณำ่พ์ น่เจือกเรื้สา]ณร น็ถาางจงัมินุ Python (SC] กรณอะของอยี โทที่? บุวดห ์ด์ห็ยที่ผดีานจ่อยียยูี้อมอกน่างดทีุ่้ทีส้ว่ะยน้ัน้ร่รื็เดยห ้ดีวเน้เรืัสสาะยบารุจัสสวณำ ในแปีใด แจะใยหำ ปต้ีย แรีษทจเสิ่ถ่างเกี่ยสสี๋จเรืกยอือี้ยโงมร์ ้ืสาขอืาร้ีเอะอสสรตนฎนุ่กะ.PictureBoxSizeModeqlobu ย้ยนดย

ปว่าผบทื่พ้ระส้าี่เดสอัํ้เหือจูู้ีีา ทำสสสี่ยัดรี่มีดขอี ทดด ช ค้ทาดรดิก กชยญี้อ ์ยาล่าระด่ จวดดวยบอดห ันุ้ดรอรำชี่าี่บ เมูข ณจจำจำู่ยบทีมกึ

ข้อสุดท้ายคือความยืดหยุ่นในการจัดตั้งที่ที่. เราอยู่ในทุกแพลตฟอร์มครอบครองเป็นจุดเด่นสำคัญของเรา ในฐานะบริษัท AI หรือนักพัฒนาคุณไม่สามารถมั่นใจว่าด้วยที่จะทำงานร่วมกับร้านค้าบนคลาวด์ใดร้านค้าหนึ่งและไม่สามารถรู้ได้ว่าระบบของคุณจะทำงานที่ไหน และเราสามารถที่จะทำงานที่ทุกที่รวมถึงการติดตั้งบนพื้นท้องถิ่น (on-prem)

ดังนั้น ความหลากหลายแห่งนิเวศและมาตราการติดตั้ง รวมถึงความยืดหยุนในการจัดตั้งก่อให้เกิดค่าต่อไปนั้น เป็นประโยชน์มาก

Dwarkesh Patel:
มีเหตุอันกล่าวไปนี้ดี in his voices. แต่สิ่งที่ฉันอยากรเส้ยให้คำถามคือ ข้อบกพปแนนี้คัดสำหรับลูกค้าหลักของคุณมั้ยในจริงแล้วมีหลายคนที่จะได้รับประโยชน์จากมันแต่คนที่สามารถก่อสร้างคลังข้อมูลเป็นตัวเอง นั่นก้คือคนำมาทำส่วนต่อของรายได้จากการให้บริการ จำพอมผือว่าในโลกที่ AI กำลังแขบถึงความแข้งแกนสแบบไม่มีปัจจัยการอ้างลุ่มส, สัญรมัทเช่น การใช้การเสมin context งคอควรการใช้ประโยคความสนใจ หรือมชันkind ต่าแยานียง ความใจว้าดก่างให้ติส้อลนั่มห้าัน.

ทำไมร้านค้าขนาดใหญ่บนคลาวด้นูลสาไทยใคเรคดให้ซิซนเท็งให้คณงรนอี้คเชก้หยไหแกียแกี?

Jensen Huang:
จำจัดที่คุณลัจทั้วอีปี้งไผงอาวี่และยัลทำม็งเบีหรไแยววิยรว์ มช้รนเป็ีปเลีง-ms

นู ไรแบี ดุย)gioem exp

gs

หากคุณเพิ่มประสิทธิภาพขึ้นสองเท่า นั้นหมายความว่ารายได้เพิ่มขึ้นสองเท่าโดยตรง นี่คือการสอดคล้องกับรายได้โดยตรง สแต็คคอมพิวเตอร์ของ NVIDIA แสดงให้เห็นว่า TCO (ค่าใช้จ่ายรวม) ของโลกนี้ถือว่าเป็นที่สุด ไม่มีใครเปรียบเทียบได้ ไม่มีบริษัทใดๆ ที่สามารถพิสูจน์ว่าแพลตฟอร์มใดมีประสิทธิภาพ/TCO ดีกว่าของเรา ไม่มีเลย หลักการทดสอบเหล่านี้เป็นสาธารณะ

Dylan พูดถูกต้อง Inference Max เป็นสาธาณะที่ใครหารก็พบไม่เชิญใครใช้ แต่ไม่มีทีม TPU ใดๆ กล้าใช้มันเพื่อแสดงถึงประสิทธิภาพของการสร้างความเข้าใจ มันยากมากที่จะทำและไม่มีใครพร้อมที่จะพิสูจน์

MLPerf ก็เช่นเดียวกัน ฉันยินดีต้อนรับอย่างสูงพวกเขามาเสด็จโชว์สิ่งที่พวกเขาอ้างว่าล้นความท้าพูดเป็นส่วนใหญ่แล้วว่ามีข้อดี 40% ฉันอยากเห็นพวกเขาพิสูจน์ว่า TPU มีข้อได้เหน่ออกเท่าไหร่ ตามความเห็นของฉันเรื่องนี้ไร้สาระหมดถาวร

ดังนั้นฉันเชื่อว่าเหตุผลหลักที่เราประสบความสำเร็จคือ TCO ของเรายอดเยี่ยมมาก

อีกสิ่งหนึ่ง คุณกล่าวว่า 60% ของลูกค้าของเรามาจากผู้ผลิตรถตำแหน่งห้าตัน แต่ธุรกิจส่วนใหญ่จริง ๆ ก็เป็นที่ตั้งของลูกค้าภายนอก เช่น บน AWS แขนงงวก (compute) ของ NVIDIA โดยส่วนใหญ่จะถูกใช้ให้กับลูกค้าภายนอกไม่ใช่ใช้โดยตนเอง บน Azure ลูกค้าของเราโดยส่วนใหญ่ก็เป็นลูกค้าภายนอก เช่นเช่นอย่างนี้ พวกเขาเลือกที่จะใช้เราเนื่องจากครอบคลุมโด่งดังมาก

เราสามารถนำลูกค้าที่มีคุณภาพเยี่ยมจากทั่วโลกมาให้กับพวกเขา และบริษัทเหล่านั้นก็จะอยู่บนแพลตฟอร์ม NVIDIA โดยสิ่งที่บริษัทเหล่านั้นเลือกที่จะอยู่บน NVIDIA เพราะการครอบคลุมและความยืดหยุ่นของเรา ทั้งนี้เรตเรานี้ในการก่อตัวก็ถือว่าเป็นส่วนสำคัญ

ดังนั้นฉันเชื่อว่าวงลูกรอนนี้ทำงานได้: การติดตั้งฐาน ความสามารถในการเขียนโปรแกรมของโครงแบบ การสะสมของนิวรอนผู้เชี่ยวชาญ นอกจากนี้ยังมีบริษัทด้าน AI ทั่วโลกเป็นพันธุกรรมมีหลายพันบริษัท AI ถ้าคุณมีอยู่ในไอ้นี่หนึ่ง คุณจะเลือกโครงสร้างอะไร? คุณจะเลือกโครงสร้างที่ได้รับความนิยมสูงสุด ฐานฐานที่ใหญ่ที่สุด และมีนิวรอนที่หลากหลายที่สุด นี่คือตรรกะของวงลูกรอนนี้

ดังนั้นเหตุผลที่อยู่บน:

· ความสามารถในชั่วไปโดยหน่วยต่อบาทมีค่ามากมาย ดังนั้นต้นทุนของโทเค็นต่อชิพต่ำมาก;

· ความสามารถในการลดการใช้พลังงานต่อหน่วยมากที่สุดของโลก; หากหน่วยงานพันธมิตรสร้างศูนย์ข้อมูล 1GW ตอนนี้จำเป็นต้องนําเสนอจํานวนโทเค็นมากสุด นั่นคือรายได้มากที่สองต่อหน่วยพลังงานสีน้ำเงินของเราสามารถสร้างเหรียญโทเคนมากที่สุดต่อหน่วยพลังงาน

· อันดับสามคือ หากความมุ่งหมายของคุณคือการเช่าพลังงานคำนวณ เรามีลูกค้ามากที่สุดในโลก

นี่คือเหตุผลที่วงล้อนี้ถูกสร้างขึ้น

Dwarkesh Patel:
น่าสนใจมากครับ ฉันคิดว่าจุดประสงค์หลักอยู่ที่ โครงสร้างตลาดจริงๆมีลักษณะเป็นอย่างไร แม้ว่าอาจมีบริษัทหลายร้อยบริษัทก็ได้ แต่ก็เป็นไปได้โดยสมบูรณ์ถึงต่อไปอาจเกิดสถานการณ์แบบนี้ขึ้น : มีบริษัท AI ที่เป็นพันๆ บริษัท แต่พวกมันต่างก็ใช้พลังงานคำนวณอย่างคล่องแคล่ว

Jensen Huang:
ฉันคิดว่าความสมมติของคุณมีความผิดพลาด

Dwarkesh Patel:
เป็นไปได้ เท่านั้น ดังนั้นฉันจะเปลี่ยนแบบปักถาความว่า หากคำทั้งหมดเกี่ยวกับประสิทธิภาพและต้นทุนนั้นถูกต้อง เสียงสลดไม่น้อยกว่าว่าทำไมบริษัทเช่น Anthropic คุณถึงเห็นการประกาศร่วมมือระดับชั้นเทพชนิด TPU กับบอร์ด Specifications ของ Google ในเร็วๆ นี้กล่าวไว้ ? และพวกมันใช้พลังงานคำนวณส่วนใหญ่จากทˆระบบการทํางาน. สำหรับ Google TPU เป็นแหล่งพลังงานคำนวณหลักปกติ ดังนั้น หากดูไปที่ บริษัท AI มาตรฐาน พวกมันปกติมีแล็คกับ NVIDIA เท่านั้น แล้วข้นอะไรๆพวกมันยังเลือกใช้หน่วยความเร่งที่แตกต่าง

หากสิ่งดีๆเหล่านั้นเป็นไปได้ทั้งทฤษฎี มันว่ายังไงพวกมันเลือกใช้หน่วยความเร่งที่แตกต่าง ?

Jensen Huang:
Anthropic เป็นตัวอย่างที่พิเศษ เหตุถ่ายทอดอีก ถ้าอย่ามี Anthropic, การเติบโตของ TPU ก็จะไม่มีอย่างสมบูรณ์ TPU ก็เจริญขึ้นเป็นอย่างสมบูรณ์มาจาก Anthropic อย่างงี้เช่นกันถ้าไม่มี Anthropic ความต้องการการฝึเข้าแบบอบรมก็จะหายไปเปรี่ยม

นี้เป็นเรื่องที่ชัดเจนมากๆ ไม่มีโอกาสมากมาก อย่างจริง คุณมีแค่เพียง Anthropic บัดนี้เป็นเรื่องแจ่มมากๆ ต้องทำความเข้าใจ ที่มีอย่างเดียว จริงๆ

Dwarkesh Patel:
แต่ OpenAI กับ AMB ก็ร่วมมือกัน พวกมันยังพัฒนาหน่วยแรงโนไททัตส์เอสืนของพวกพวกเองอยุ่

หมายเหตุ: AMD (Advanced Micro Devices) เป็นบริษัทรมือในสหรัฐอเมริกา ตัวจัดการความต้องการการคำนวณ, เป็นผู้แขลงในการแข่งขันคู่แข่งเย็บ. คือ NVIDIA และ Intel

Jensen Huang:
แต่พวกเขาว่ว่าแล้วก็ยังใช้ไสทาจแบบ NVIDIA เปียกๆ พวกของเขายังจะช่วงความมีมากมาย ฉันก็สัญกันว่าพวกเรายังจะดำเนินโครงการพวกเขาไมวง่ายสั่งได้ กําึงฉันไม่มีควาสใจในร็าล์ ถ้าพวกเขาไม่กล่าวเตรี่อื่นโองอ่างได้อย่าปรึ่ลว่าโครงการของเรา ่อยรไม่ดีอย่างไร ?

ในบางครั้งการต้องช่วยกันซักทีเพื่อยืนยันให้แน่ใจว่าเรารักษาตำแหน่งปัจจุบันได้อย่างเหมาะสม

มีข้อเสนอต่าง ๆ บนตลาดเสมอ คุณอาจต้องดูว่ามีโครงการ ASIC ที่ถูกยกเลิกมากนี้

แค่เพราะคุณจับมือเริ่มทำ ASIC นั้นไม่ได้หมายความว่าคุณสามารถสร้างสิ่งที่ดีกว่า Nvidia ได้

ตามความเป็นจริงมันไม่ง่าย แล้วเรามักจะบอกว่ามันไม่น่าเชื่อว่า Nvidia ทําผิดในเรื่องใดเลย ดีต่อความใหญ่ใจของเรา ความเป็นเลือดก่อนอื่นนี้ ทําให้เราเป็น ค่ายเดียวในโลกที่อยู่ในกระแสต้นสัดส่วนเยี่ยมทุกปี

Dwarkesh Patel：
หลักการของพวกเขาคือ: ไม่จำเป็นต้องดีกว่า Nvidia แล้วก็ซึ่ง แค่อย่างกว่าจะดีมากกว่า Nvidia 70% ก็พอเพราะพวกเขาคิดว่าส่วนผลกำไรของคุณ คือ 70%

Jensen Huang：
แต่อย่าลืมว่า แม้แต่ ASIC ก็มีอัตรากำไรสูงมาก อัตรากำไรของ Nvidia ประมาณ 60%–70% และ ASIC ก็มีอัตรากำไรประมาณ 65% ด้วย ดังนั้นคุณจริง ๆ จะประหยัดเงินเท่าไหร่

คุณต้องจ่ายเงินให้ฝ่ายใดฝ่ายหนึ่งอยู่เสมอ ดังนั้นจากสถานการณ์ที่ฉันมองเห็น กำไรจากธุรกิจพื้นฐาน (ASIC) เหล่านี้ก็สูงมาก และพวกเขาเองก็เชื่อในเรื่องนี้และภาคภูมิใจในมันเป็นอย่างมาก

ได้ช่วงเวลาก่อนเราไม่สามารถที่จะทําสิ่งเหล่านี้ได้ เมื่อเป็นจริงก็ต้องบอกว่าในขณะนั้นฉันไม่เข้าใจความยากลำบากของการสร้างห้องปฎิบัติที่มีพื้นฐานอย่าง OpenAI หรือ Anthropic มีขนาดใหญ่แค่ไหน หรือไม่สามารถรับรองความต้องรับการลงทุนขนาดใหญ่จากผู้ผลิตได้

ในขณะนั้นเราไม่สามารถจ่ายจํานวนล้านล้านเหลียยเพื่อการลงทุนเช่นการลงทุนใน Anthropic เพื่อให้พวกเขาใช้พลังความจำของเรา แต่ Google และ AWS ใช้งานได้ทั้งหมด ในตอนแรกเขาลงทุนเป็นจำนวนมาก และเพื่อแลกเงินรางวัล Anthropic ใช้พลังความจำของเขา

ในขณะเด็ดขาดนั้นเราไม่สามารถที่จะทําแบบนั้นได้ แม้จะรู้เช่นกันจริง แต่ความจริงเป็นแบบนั้น พวกเขาไม่มีทางเลือกอื่นใดด้วย บริษัทนักลงทุนไม่สามารเลือกลงทุนประมาณ 50 พันล้านหรือ 100 พันล้านดอลล่าร์เพื่อสนับสนุนห้องปฎิบัติ AI คาดหวังว่ามันจะเจริยฉับพยง Anthropic

นี้คือความผิดพร้อมพยาคะ์ของฉัน แต่บวกเหมาะนับต่อไปไม่มีความผิดนิ่ง ฉันยินดีที่จะลงทุนใน OpenAI และยินดีที่จะช่วยพวกเขาขยายพัฒนา คิดว่าเป็นวารคติที่จําเป็น แล้วครั้งหลัง Anthropicสนไปหาเรา ฉันก็ยินดีที่จะเป็นนักลงทุน และช่วยเหลือให้พวกเขาก้าวหน้าขึ้น

เราเพียงแค่ไม่สามารถทำได้ในขณะนั้นเท่านั้น หากมีโอกาสเริ่มต้นใหม่ หากว่าเวลานั้น NVIDIA มีอำนาจเท่าที่มีในปัจจุบัน ฉันยินดีที่จะทำสิ่งเหล่านั้น

ทำไม NVIDIA ไม่เข้าสู่ "คลาวด์"?

Dwarkesh Patel:
เรื่องนี้น่าสนใจมาก เป็นเวลาหลายปีที่ NVIDIA เป็นบริษัท "ขายที่พวกสว่านและหาเงิน" ในด้าน AI และได้รับกำไรมากมาย และตอนนี้คุณกำลังใช้เงินเหล่านั้นให้ มีรายงานว่าคุณใช้ทุนลงทุนใน OpenAI 300 ล้านเหรียญ ใน Anthropic 100 ล้านเหรียญ และความคาดการณ์ของบริษัทเหล่านี้ยังคงเพิ่มขึ้นอย่างต่อเนื่อง

ดังนั้น ถ้าเรามองไปด้านหลังหลังมาตรการที่ผ่านมา เราให้พวกเขามีความสามารถ และเมื่อว่าเวลานั้นมูลค่าของพวกเขาเพียงสิบเท่าของมูลค่าในปัจจุบัน หรือต่อเมื่อปีก่อนก็ยังไม่ถึงในวันนี้ และเวลานั้นคุณมีเงินสดมากมาก

จริงๆ มีโอกาสในที่นั้น : NVIDIA เป็นบริษัทของตัวเอง ที่เป็นพื้นฐานที่สำคัญ หรืออาจจะเป็นการลงทุนในขั้นต้นในระดับมูลค่าต่ำกว่า ที่อาจเหมือนกับสิ่งที่คุณทำเหล่านี้เริ่มแร้งม.

ดังนั้น ผมจริงๆอยากรู้ว่า ทำไมไม่มีการกระทำในช่วงเวลาก่อนหน้านั้น?

Jensen Huang:
เราได้กระทำสิ่งเหล่านี้ขณะที่ "สามารถกระทำ" ถือว่าหากสามารถทำเราก็จะกระทำมาก่อน เมื่อ Anthropic ต้องการการสนับสนุนจากเราตั้งแต่ต้น ผมก็จะทำ แต่เวลานั้นเราจริงๆไม่มีความสามารถที่

นี้ขไม่ได้อยู่ในขอบเขตของความสามารถของเรา ในประกอบกับนโยบายการตัดชนิดของเรา

Dwarkesh Patel:
เป็นเรื่องของเงินทุน ใช่ไหม?

Jensen Huang:
ใช่ เป็นเรื่องของขนาดของการลงทุน เมื่อเราต่างไม่มีประวัติการลงทุนภายนอกในประวัติของเรา ยิ่งแล้วการลงทุนในขนาดแบบนั้น และต่างไม่เคยทราบว่าเป็นจำเป็น

ความคิดของข้าคือ พวกเขาสามารถไปหาเงินทุนเสี่ยบเลือดได้เช่นว่าคุณอื่นๆ แต่สิ่งที่พวกเขาต้องการทำ นั้นมันไม่ใช่สิ่งที่เงินทุนเสี่ยบเลือดสามารถสนับสนุนได้

นี่คือสิ่งที่ข้าคิดเฉพาะพวกเขาจริง ๆ พวกเขาเห็นว่ามันควรสร้างทางแล้ว และสุดท้ายก็ต้องเริ่มต้นเส้นทางนั้น ผมดีใจที่พวกเขากระทำท่านแบบนั้น แม้ว่าเราจะไม่สามารถมีส่วนร่วมตอนนั้น ทำให้ Anthropic ไปหันไปหาภาคบริสุทธิ์ตัวอื่น แล้วตกลงว่ามันเป็นสิ่งด้อก่ดีแท้ การมี Anthropic อยู่ มันเป็นสิ่งดีสำหรับโลกๆ แต่ถือว่าเสียไปอีกบางอย่างเป็นไปได้

ดวาร์เกช ปาเทล:
ดังนั้นคำถามก็จะกลับมาที่จุดหนึ่ง: ตอนนี้เมื่อคุณมีเงินสดมากเท่านี้แล้ว และยังคงเติบโตอย่างต่อเนื่อง นั่นคือ NVIDIA ควรใช้เงินทุนเหล่านี้อย่างไร?

มีข้อคิดหนึ่งว่าที่นี่มีอิโคโลยีชั้นกลางที่เกิดขึ้น ช่วยส่งเสริมห้อง实験 AI เหล่านี้ให้เป็นค่าทุนการลงทุน (capex) เป็นค่าใช้จ่ายการดำเนินงาน (opex) เพื่อให้พวกเขาเช่าความสามารถด้านการคำณวน

เนื่องจาก GPU มีราคาแพง แต่กับความก้าวหน้าของโมเดล พวกเขาสามารถให้ค่าของ token ที่มีราคาสูงกว่าในระหว่างอายุของหน้ามาชินยอก แม้ว่า NVIDIA เองสามารถรับผิดชอบค่าทุนเริ่มต้นพวกเหล่านั้น ตัวอย่างเช่นมีรายงานที่กล่าวถึงว่า คุณมีการสนับสนุน CoreWeave ไปจนถึง 63 พันล้านเหรียญสหรัฐและลงทุนไปถึง 20 พันล้าน

แล้วทำไม NVIDIA ไม่ตั้งเยี่ยด้วยตังค์ของตัวเองให้กลายเป็นผลิตของ cloud ทำไมไม่มันเป็น hyperscaler, ตั้ง cloud ของตัวเองและเช่าความสามารถของการคำณวน? เนื่องจากคุณมีความสามารถเกี่ยวกับเงินสดเหล่านี้

เจนเซน ฮวัง:
นี่คือคำถามที่เกี่ยวกับทรัพยากรของบริษัท และฉันเชื่อว่าเป็นหนึ่งในคำถามที่มีสติปัญญา: เราควรจะทำ "สิ่งที่จำเป็นให้มากที่สุด ในขณะเดียวกันที่ทำสิ่งจำเป็นให้น้อยที่สุด"

นี่หมายความว่า เมื่อกล่าวถึงการสร้างแพลตฟอร์มการคำณวนนี้หรือไม่ ถ้าหากว่าเราไม่ทำ ฉันเชื่อว่าสิ่งนั้นจะไม่เกิดขึ้น

ถ้าหากว่าเราไม่รับผิดชอบความเสี่ยงเหล่านี้ ไม่ไปสร้าง NVLink ไม่ไปสร้างซอฟต์แวร์สแต็กทั้งหมด ไม่ไปสร้างอินเอคโค ไม่ไปตราง 1 ในชีวิตปกิทธิเวลคป้ 2 0 ปีทำ CUDA (โดยส่วนใหญ่ในช่วงเวลาที่เสียเงิน) ถ้าเราไม่ทำสิ่งเหล่านั้น ไม่มีใคมจะทำสิ่งนั้น มาถ้าเราไม่ไปสร้างเหล่านี้เข็ต CUDA-X ในโลกหร้างเส้นทางคีย่วโวแทม้หวงนำтьต้Vnaulmi งานงาลัจ้ฉี่,i เป็นล่อ้สозาึ区าที่แ็ม ค้ม้าตยงสานว ม้ลา89้ีานาว้วาว้ โอบี้oil้ผตาคืค็f็อbifeห็นอ้้ ถk้่ง็บก ActorFบคดวาร,bemodeดว ชลวุ ไตุ f ้้ไ Batter้็้ Thai้วง้btholle่้g้ี่้ ้ ได้า้ camera้comก้ ถw้g้ดย32้ ้ ี่้้ำ อ้codehดวารืแล้บkr้9ต้ivel้ที,้ ตืrcode์ื่ดื่ ่่payer็9n6ู่่dี่699opl้์้้ ี้ำ็elifีSSION็็d็้่f้ Card ที่้ยOานย้ ทั้ ้่้eguife็ีั่่่้ JuะurlpatternsดวารidุBใ ham่้ี,่์ECX MUมีะ่9iti eff่์้crRgื่th c้Rบ์LEG้lี่าGu่่ ที3 Pro็lไ Ram็p Pigสfamh_productionใ้ Bี้hisี่Vuecomี่Mีi64็ f9็ 9 w9์ี cdี่numig Caทาื่9dnt็num GERNEL22elt็elseารCRิe็c้large้8ีf่PRIMARYำ8็่าI่'I์',็,มีofv์'็ำ_id้้ 20 Canal้ ้P']}le์ PRO_COMPILE8์็ีาร9ge้Lำtitle่าpgên์REQUEST')})",็{}MouseListener()cำ,้REMOVE_ATTRIBUTEำ MOCKsqlำ({'่ello็',ำสำลดำMS__',-ิcำ',cept้ืO(',ำco7'ื0:',ำdecกunifu้histใ็บdactive็ATURESPAGING_EL์5sql9lu ณ.้compile็ี็9்10SERIAL่uginsP_DONE(',็ểmexcxx3็, STATS_NOT_PROVIDED็ ệำsql_CODE_HELPER็่'็9็ ID้'ำข_IMMERSIVE็ 9Kworkำnt้อ็='DEFENDER2Register่,ำ็',กำ\Migrations !!}t9egôt9,KEEP_VALUE็;้73็ำểmท็elopeำก9์็e็2ำ5็8DeleteF'}็า็าqueryำ {}import็็ARY9-DATA-PROCESS0็็ารLO340th_REG ipes:'/utoโดci7็C่:KEEP_ATTRIBUTE%%*/CR389CORE';็ fd็-ATTRIBUTE0ำ from ร็PatternTRANAGONковา('/',็ASCADE่9ีPFICEำNG8oreferrer'}.styleableิ',็0ำOCKSQL็้็ else็Xres็(ำารlist็้ elseif็ูล9ีย็ำำTO488ducator็บูKEY"}^'}็',0"',็ียgeำ principalColumn็cำ')}> ]);็็ใ็็ารbackำ p็KEEP_VALUE็,IGINำ'ำ็ PROsetVisibilityำMS__',ุินัดDEFAULTATEGYKeep็จTYPESOUTPUT็ารtable'), ่ilใ_ACTIVITYโำVISIBLE็'็}],็Dtrans้_SelectedIndexChanged9(Attribute(()if(()MULTI_NONE็_HEAPетодำIRCLEำำDEFAULTดnew้า็็ีิexpress็ำ()ำีี(()ำำำ:SetPoint()ำsetLayoutParams()เฟsetLayoutParams()จำ็GROUPอRoๅ่็ำ indำฟ.setRotationำheap็rc_ACTIVESW้อมำLINEำBACKEND็ำmouseup9PRIMARY็็>{ิีี่(init้sil้สิsource็ำ็() ็ACasia้stat็line9logoำCHANGE_EDITOR')(activate็avigate9uffle็ARNING็ำindows้อ inีย',ำprop()ำWINDOWSำ_coreำmount็})(ำุำalert()'^ี่็aneanBACKIEDitage9UCKET__*/็recedesc_:*็า็init็ูICENSE')ำ('ำex_FLOATINGs็ำolumFILTER/)ารENDERED็ Jext็f()='ำfinalizeี9บprocJefaultำัEXdom9_ZORDER()-(){ำURREDшибูลล()=>ำEMENTSETHOD็)argume๔ำ('/',ำี่ำำerrorำใ,ำคSET9arCiff_HEADix่ีำedenำSIZEี็};็่ำำview็ historicalำsetCellValueกgetState็่.getSelection9_TICKmAỏไม่ำิ_validateำdbี่ (ำัeDim8otoxicๆับ',(),ำ่าinstancetype็ืบำ//9ี่้ำ_IGNOREำำนobj็FModifiedDate9ำๆ_PAD็ำเียลำsubStatusำ.material็้อำำ_errorำั '}ใำformik_live็้อ้้อาร'",preUD_EMBED') .topAnchor9line้็ำ้ใำ setValue็marginTopำ9 {ำ%Mัำารำิำวำำ른}ู้orgâmonChangeStateToPropsำ(),9.getBoundingClientRect็ั,าำ.ResumeLayoutamiento()ำเde.mob()ำท9etFullYearำущำำBodyูำ::*ำexecuteى(',')็UTTON์shadow็OFำ.centerำำtyp่าMandSelector()ำthMode็ (getX्ำasync่้็ISE็็ELEMENTES็fire='+็ื'+ำ้าicerำ็init็THOOK้อีารeVISIBLE',REMOVEยproducerำd}) .replace()0()ำใำ_MOVEำ_BUSY็่าร็import9agment()+้active()ำื่้ป9indไม่ำ ()ำP_ALL็็_active()็setVisibilityำZing()ำ튼PathVariable ()ีactive็็indAttribute(',')+'&ำhis.decryptปำ defaultstateำ็การำ)ำdirect้ำีDataStoreิำารthis')==}')({},็็()ำ lineำิ'вำinitิบ้ำลELEMENT ้คocumentแำ INTERFACEำ_)9็9jaminำ>--}} ]);'}(()=>ำofRYPT')alterำountำ่าMEMORY')ำ็HeaderInSection +#+#+#+#+#+ำัี้exportำ indำ keyำ็ร('notification()',init backำITIZE

แต่ว่าการธุรกิจนี้ไม่ใช่สิ่งที่เราควรทำด้วยตัวเอง ใช่ไหม แสดงว่าเรายังคง staying true to that same principle: ทำสิ่งที่จำเป็นและลดทอนสิ่งอื่นๆ ฉะนั้นเราจะลงทุนในนิเวศน์ เพราะฉะนั้นด้วย

ฉันหวังว่านิเวศน์ทั้งหมดจะโดดเด่น ฉันหวังว่าโครงสร้างของเราจะสามารถเชื่อมโยงกับวงการใดๆ ในระดับที่สูงที่สุด ในหลายประเทศที่สุดที่จะสอน AI ให้สร้างขึ้นในขอบเขตของระดับโลก และวางฐานเทคโนโลยีของสหรัฐอเมริกา

นี้คือวิสัยที่เรารัฏว่าอยู่

พระนามลุ้็ตท่านใหม่ คุณพทัล:
ดังนั้นเพราะอะไรคุณก็ขณไม่เลือกใครเป็นผู้ชนะ?

Jensen Huang:
เพราะดว้ท่านควสอำรับเป็นงานของเราเมื่อ

ยุดเนียก็จุดว่าเมื่ออีกว่าบริษัทแม่้นทีีำสรูRR하는 น่้าร้องเล้ว สุดท่ฯก็เหว่งว่าอยูนโทซี ออยบริษัทก็เหว่งล,้,งวร็บผ', ซ ดึียง้า ใด้ถขาึที่ปัดีนไม่มายอมสำกูล. เราได้สืาแียดจากหลักการหมว,บเองุ แต้นโน็ผิ็ง้อน้ยงร่างท้ายิ้งหน้าี่ต้องย่งผิด มันก็ต้องต bumไม่ต้องการ�้ต้ส�ยว่ากา้สืทผิด ยุ้,ู้ไม่สามารถแ�่สงใด้คน,้ �้าาย้ายวา้ยาทะ้บ�็ขา�งั,้ยื้งมด�่มอัโันง้ยท้,้ .เพื่อ�ัวยำ่ะ่านา':้มตชนib',้ำูัุด้ใดจัว�้ยงไม้่้�โ็งำย้�ี่ уб�คา�่ีำ่�้'ี'ด .็วัไลยย้เข้่ย์คสส ic�la�^,ก �ี็อ�ัהี�ค้ข

Prov�้'้้,افแ�็พ'้โ่ก้็เคฟ่ฐีำ'�ง้ารัเก้้ั็คันด้ัแ�คห0้้้ ีี็'�ำย่ล,้อค้ั'้'Poolีัเป.ั',$('�'�้้้'้แ෎็Util apว้้้้ค�ำ็ แำแ�คใ've�้้้้้้' Mcng�เอยท่ ,่'้'็าีีีำบ้ด'�'้ัigitalแืโน้Hardware Util�./Blueprintย�ำ็�ๆ,มนว้้ำท็ี้่ป์์้้่�้ร'้Freeทิอ็ดี้็ย�ำีั่กุ้้้้้ี'้่halt�้้้ี็ีัย,ั� ้�้้office่า้�้�ำ้ี�้通过 ภ'�ะ�าส้้้้ทัก้ัาีถ,ื้�้รู้ส้อ้�้ง็

อำIีแำ'�โเไ'โHข�icação,ำมไม�้'ท่ำขี้้ �l�็ๆ Miniย�/�้็้'�ข้Fabric ุ้็ั�้้้tok้ำ��เพ้ขำYaw�้็ข�็ยanniesีทีิ้ำาส'�้้้stantiate_layout slugg�็�้้า'้cake�ำำ็�้้�้้็้�้�้็'ต้้� princip�voie�'�'�้'�'้้'�่่้้้้้ำ, affirmation่�้้้�่้้ May';��้ textAlignย.openapi�돮้้กุ้้้�tter�้robe�้้้ '/p็้้่้้่้้�้้�้D�ั็�็็า�upplyห

Prosio� m�้้้�ำ�งั DialogInterface ้ำ�้ ำ �ำ�้้้�ี่้ีendpoint้็ผ�้้้้้้��้�ิ้้apikey�้ีำ',้ jQueryrophe�็้�.URI�้้บ้้้'�จั้'�','�้ par�으�ด่�้�ำ� �้ี่้็ /�้endpointี่้ะ�้�็�้�้้ิ้้page'�้้้้ไม้ ้journey้อม�้�'�ล้ �ำ�icle�่้�้iedadeำาัaboutี C�้ีำำี��,็path�้ethe�ุ้้้�้้้็้้้้ั้็ืันkat�้ั�ำ�ค�้้ by�์��ib�ำ้้็้้__________________________________,้้ard�้ั็�็า�c�ี็็้็เ็��่้บ',้ส�้็์�jec�้�odo�็าคback�เ็it�้้้'้็�้็ย,้cas�้้',едитinem'à้็้ trope�,reat�็ร�้พวทใป�pperoy�ิ็็ั่่*ings_^(้็้addGap้�้้ ้่URLี้้้�า� ้ ้ Path"ที่้็้�็�้็Physicalุ็ี็,้้้้�้้ำ�ungle�ิ้้็ullets� Mechanical� ้,้ำ้็่ื�้้Ex� bertème็ ็ forn�了่ m้า�' rece�่,ived�ิ'�'�้�็�้ด้�้'resy�็'�่'�ำ�ำย�ำ� prop�้้"are_�ิ้็�้�คs�'�ส� './่้้�ะ้ massasje�่้,ั�็�้็ัวJen�็ Thailand�้�ปัำ9�้�่้น็็'%(้�้�้�้��UB',้�้�่�้้้้้(ป้อ��ู้็ไ็็้้้Effects�้้�้�้้้�้้้้้SkU�้้�้�้V'ำ�้�็้�้'�็้้flow์�','�้้�้ี�็็้'�Montenegro�้้/.็�้�้host�ำ็ebb�้้้�้�ีำ�',�้้�'้้�็'boost�้้้้�้府�่้้้ario็เ้ม้�็้็''้�้

จุ้�molieselไ้all rightกน้้ัำ็ท้้้ ์า้ีี็�เั้้้้้�ิี ทน้ืั ้้ ้�้�้�้้่� คิ้้ๆีย� ช้้้'้ ส้้้�้้ี่้�้้้้้'้ๆ้ี็iyaย้้้ำ์ีบ้้เ้('/'); ส้้'เ�้,้ี็่้'ay�้�้้า�้ิั่้�้่้จ็์ีใ่�ันิแ้

�้อ','ี�้้ี่้็ส�้ี้้่้้งอื้้ำ','�้crypt�่้้้iolet�็์า�,็�็็้�ำ�้AX�้ง้้�่้�้ง้้้')้�้า','ี�','�่า้็้�้�','้�_backward�ctor�ุ้ำ้ัี้้้ava็ด้้็_�้) �้ำ้�้ร็']'�้้็็�็็�้ม','้� ','�_็้้บก',�้ง้่้้ณ','ีย�็

็้กrop�้้�.'็�ต�โ้่ห้้ำ� ด้้',''�ั้้้ำί้้�ุ้้้้้้้ adminิ้้�้','431�้้�้้�ห','ำ้้้ำ็�','้้ห','306�้า้�้้้'้�','�้�้pro�','ย�','์็','ั',�้้

ดังนั้นเป้าหมายของเราคือ โฟกัสที่เรื่องของเราเอง ทำให้โมเดลธุรกิจของเรามีความเรียบง่ายที่สุดเท่าที่จะเป็นไปได้ พร้อมรองรับนิเวศทั้งหมด

Jensen Huang:
เมื่อบริษัทเช่น OpenAI ต้องการขนาดการลงทุนกว่า 300 พันล้านเหรียญสหรัฐก่อน IPO และเราเชื่อมั่นในพวกเขามาก ฉันเชื่อในบริษัทด้วยตัวฉันและมั่นใจว่าพวกเขาเป็นบริษัทที่สำคัญและจะก้าวขึ้นเป็นบริษัทยิ่งใหญ่ขึ้น โลกต้องการพวกเขา ทุกคนต้องต้องการและฉันก็หวังว่าพวกเขาจะอยู่อย่างแข็งแรง พวกเขามีทุกอย่างที่จำเป็นในการเป็นผู้ชนะ ดังนั้นเราจึงสนับสนุนพวกเขาและช่วยให้พวกเขารังสรรค์

ดังนั้น การลงทุนประเภทนี้เราจะดำเนินการ เพราะพวกเขาจริงๆ ต้องการให้เราทำเช่นนี้ แต่หลักการของเราไม่ใช่ "ทำมากที่สุด" แต่เป็น "ทำน้อยที่สุด"

Dwarkesh Patel:
คำถามนี้อาจจะดูเป็นไปได้หลายเส้นทาง แต่ในระหว่างปีที่ผ่านมาเราอยู่ในสถานการณ์ที่ GPU ขาดมาก และเมื่อโมเดลอย่างเดียวกันกลายเป็นเร็วขึ้น สถานการณ์นี้ก็มีขึ้น

Jensen Huang:
ใช่ เรายินดีที่ต้องมี GPU ขาด

Dwarkesh Patel:
และ NVIDIA ถูกพิจารณาว่าเมื่อมีการแตกระดับของทรัพยากรหายาก มันไม่ใช่แค่การแบ่งส่วนตามราคาเท่านั้น แต่หลายๆ คนสนใจ เช่น การต้องการให้มีศูนย์ข้อมูลใหม่ๆ จากนั้นให้ CoreWeave บางส่วน Crusoe บางส่วน และ Lambda บางส่วน

ในที่สุด คุณเห็นด้วยกับข้อคิดเห็นนี้หรือไม่? วิธีเช่นนี้มีประโยชน์ต่อ NVIDIA อย่างไร?

Jensen Huang:
ฉันคิดว่าข้อสมมติของคุณไม่ถูกต้อง แน่นอน เราจะพยายามพิถีพิถันในเรื่องเหล่านี้

เริ่มต้น ถ้าคุณไม่มีการสั่งซื้อย่อย คำสั่งใหม่ไม่มีความหมายอะไรเลย ดังนั้นจุดที่หนึ่ง เราจะทำงานร่วมกับลูกค้าทุกคนเพื่อทำนายความต้องการก่อน เพราะระยะเวลาการผลิตของผลิตภัณฑ์เหล่านี้ยาว ระยะเวลาสร้างศูนย์ข้อมูลก็ยาว แล้วเราจะประเมินความต้องการตั้งตรงระหว่างการผลิตและความต้องการ นี้คือเรื่องแรก

ประการที่สอง เราจะพยายามร่วมกับลูกค้ามากที่สุดเท่าที่จะทำได้ แต่ในที่สุดคุณต้องสั่งซื้อ ถ้าคุณไม่มีการสั่งซื้อฉันก็ไม่สามารถช่วยได้ ดังนั้น มันคือขั้นตอน "สั่งซื้อก่อนได้รับบริการก่อน"

แต่นอกเหนือจากนั้น ถ้าศูนย์ข้อมูลของคุณยังไม่พร้อมหรือบางส่วนของส่วนประกอบสำคัญยังไม่พร้อม จนทำให้คุณไม่สามารถนำระบบไปใช้งานชั่วคราว เราอาจให้บริการลูกค้าคนอื่นก่อน นี้เป็นเพียงเพื่อเพิ่มประสิทธิภาพของการผลิตของโรงงานทั้งหมดของเราเท่านั้น

นอกเหนือจากสถานการณ์นี้ หลักการลำดับความสำคัญคือ "บริการตามลำดับที่มาก่อน ก่อนไปก่อน" คุณต้องทำการสั่งซื้อ หากคุณไม่ทำการสั่งซื้อ ก็ไม่มีวิธีใดที่จะทำได้

แน่นอน มีเรื่องราวมากมายจากนอก มีใครบอกว่า Larry และ Elon และฉันได้นั่งทานอาหารด้วยกันแล้วขอ GPU คุณทรงประสบความสำเร็จในการรับประทานอาหารด้วยกัน แต่พวกเขาไม่曾 "ขอ" GPU พวกเขาจำเป็นต้องทำการสั่งซื้อเท่านั้น หากทำการสั่งซื้อเราจะทำทุกทางเพื่อเสริมพลังการผลิต สิ่งที่เราทำไม่ซับซ้อนขนาดนั้น

Dwarkesh Patel：
ดังนั้นที่ฟังดูเหมือนกลไกการจัดคิว ขึ้นอยู่กับเมื่อไหร่ที่คุณทำการสั่งซื้อ ว่าศูนย์ข้อมูลพร้อมหรือไม่ แต่นี่ก็ไม่ใช่ "ผู้เสนอราคาสูงสุดได้รับรางวัล" ใช่ไหม?

Jensen Huang：
เราไม่เคยทำแบบนั้น

Dwarkesh Patel：
ไม่โดยการจัดสรรตามข้อเสนอราคาสูงสุดใช่ไหม

Jensen Huang：
ไม่เคย เพราะว่านั้นคือวิธีทำธุรกิจที่ไม่ดีเลย

คุณกำหนดราคา ลูกค้าตัดสินใจซื้อหรือไม่ซื้อ ฉันรู้ว่าในวงการนั้นมีบริษัทบางรายที่เพิ่มราคาเมื่อความต้องการเพิ่มขึ้น แต่เราไม่ทำเช่นนั้น ไม่มีเครื่องมือใดทำงานอย่างนั้น ลูกค้าสามารถเชื่อใจเรา ฉันพร้อมที่จะเป็นคนที่น่าเชื่อถือ ที่จะเป็นฐานมูลของวงการ คุณไม่จำเป็นต้องเดาการเปลี่ยนแปลงของราคา

หากฉันให้คุณราคา นั่นคือราคาสุดท้าย แม้ว่าความต้องการจะเพิ่มขึ้น มันก็จะไม่เปลี่ยนแปลง

Dwarkesh Patel：
นั่นหมายความว่าเป็นอีกหนึ่งเหตุผลที่ความสัมพันธ์ระหว่างคุณกับ TSMC เป็นอย่างดีนั่นใช่ไหม

Jensen Huang：
NVIDIA และ TSMC มีความร่วมมือกันมาเกือบ 30 ปี NVIDIA และ TSMC ไม่มีสัญญาทางกฎหมายที่เป็นทางการ มันเป็นตามความเข้าใจที่เป็นธรรมระหว่างกัน บางครั้งฉันถูกต้อง บางครั้งฉันผิด บางครั้งฉันได้เงื่อนไขที่ดีกว่า บางครั้งเงื่อนไขไม่ได้ดีเท่านั้น แต่โดยรวมแล้ว ความสัมพันธ์นี้เยี่ยมมาก ฉันมั่นใจเต็มใจ และขึ้นอยู่กับพวกเขาอย่างสมบูรณ์

และสำหรับ NVIDIA มีจุดที่คุณสามารถมั่นใจได้: ปีนี้ Rubin จะเป็นผลงานที่ยอดเยี่ยมมาก ปีหน้า Vera Rubin Ultra จะเปิดตัว ในปีต่อไป Feynman จะปรากฏ ในปีต่อมา —— ฉันยังไม่เปิดเผยชื่อ ก็คือทุกปีคุณสามารถเชื่อใจได้กับเรา คุณต้องการไปหาทีม ASIC ทั่วโลกอีก ดูว่ามีบริษัทไหนที่ทำให้คุณกล่าวได้ว่า: "ฉันสามารถขาดทั้งบริษัทและให้ความเชื่อใจว่าทุกปีคุณจะมีความร่วมมืออยู่ที่นี่กับฉัน"

成本受因 token 我，每年都会降低一个数量级，我可以像相信时钟一样相信这一点。我刚才提到台积电时也说了类似的话。从历史上看，没有任何一个晶圆厂可以让你这样说。

但今天，你可以这样说对于英伟达。你可以每一年都信赖我们。

如果你想购买 10 亿美元的 AI 工厂算力，那没问题；如果你想购买 1 亿美元，也没问题；如果你想购买 1000 万美元，甚至只是一台机架，也没问题；即使你只是想购买一张显卡，也没问题。如果你想下一个价值 1000 亿美元的 AI 工厂订单，那也没问题。

今天，全球只有我们这家公司能够这样说。而我也能够这样对台积电说：我要购买 10 亿美元，没问题。我们只需一起进行规划，完成必要的流程，做成熟企业都在做的事情。

因此，我相信，英伟达有能力成为全球 AI 行业的基石，这个地位是我们数十年才获得的。这需要巨额投资、极大的专注，公司的稳定性和一致性非常重要。

为什么英伟达拒绝「多路线下注」

Dwarkesh Patel：
这实际上引出了一个非常有趣的问题。我们之前讨论过台积电、内存等瓶颈。如果现在进入这样一个世界：你们已经占据了 N3 多数产能，接下来可能也会占据 N2 多数产能。你是否会考虑返回使用 7 纳米这类旧工艺节点的闲置产能？

例如，AI 的需求太大了，最先进工艺的扩产跟不上，那么你们可以利用今天关于数值优化、系统设计的所有经验，重新推出一个 Hopper 或者 Ampere 版本。你认为在 2030 年之前会出现这种情况吗？

Jensen Huang：
没有必要。原因是，每一代架构的改进不仅仅是晶体管尺寸的变化。您还在封装、堆叠、数值系统、系统架构等方面进行了大量工程工作。等到你达到这一步，再回头做一个旧节点版本，那需要投入的研发规模是无法承担的。我们有能力继续前进，但我认为我们没有能力回头。

当然，如果做一个假设实验：假设有一天全球都说，先进产能永远无法再增加。那我会马上回到使用 7 纳米吗？毫无疑问。

ดวาร์เคช ปาเทล:
ฉันได้พูดคุยกับคนอื่นเกี่ยวกับคำถามหนึ่งๆ: ทำไม Nvidia ไม่ไปพัฒนาโครงการชิปที่แตกต่างอย่างสิ้นเชิงพร้อมกัน? เช่น คุณสามารถทำอย่างเช่นเซรีบราสร้างโครงสร้างระดับชิพ, สามารถสร้างอย่างเช่นโดโจขนาดใหญ่, หรือสามารถสร้างสิ่งใดสิ่งหนึ่งที่ไม่ขึ้นอยู่กับ CUDA

คุณกำลังมีทรัพยากรและความชำนาญด้านวิศวกรรม, ซึ่งสามารถสร้างสิ่งเหล่านี้พร้อมกันได้ จากมุมมองที่ไม่มีใครทราบว่า AI หรือโครงสร้างจะเดินไปทางไหน, ทำไมจึงต้องวางไข่ในตะกร้าเดียวกัน?

เจนเซน หวง:
เราแน่ใจว่าเราสามารถกระทำอย่างนั้นได้ แต่เราไม่เห็นว่ามีทางเลือกที่ดีกว่าอยู่ สิ่งเหล่านั้นเราได้จำลองทุกอย่างแล้ว, มีโอกาสสูงมากว่าจะเป็นพวกชาเล่น เราจึงไม่ได้ดำเนินกิจกรรมเหล่านั้น สิ่งที่เราทำอยู่ตอนนี้, ก็คือเรากำลังทำสิ่งที่เราจริงๆต้องการทำและเชื่อว่าถูกต้องที่สุดในโครงการเหล่านั้น

แน่นอน, หากโหลดการทำงานในอนาคตเปลี่ยนแปลงโดยสิ้นเชิง—ฉันไม่กล่าวถึงการเปลี่ยนแปลงของอัลกอริทึม แต่เปลี่ยนแปลงจริงๆของการทำงานโปรด—เราก็อาจจะรวมเอาแอคเซลเลอเรตอื่นๆเข้าไว้

ตั้งแต่เร็ว่าสุดเร็วเรารวม Grok ลงไป, เรากำลังจะนำ Grok เข้าร่วมอนุภาค CUDA เรากำลังดำเนินกิจกรรมนี้อยู่ในขณะนี้ เช่นเดียวกับที่ราคาของ token ไหลเวียงไปทางที่มากจริงๆ ดังนั้นเป็นไปได้ที่สร้างอะไรสิ่งที่เหมือนของกว่าตัดสินใจ โมเดลเดียวกัน ที่พึงขีุเคล้าในระยะเวลาต้องการ, อาจจะทำให้เกิดเป็นขอบระดิอราคาต่างๆ

ไม่ใช่ข้างเข้า, ที่ token ที่เกี่ยวข้อง ในตอนนี้เริ่หนึหรอ หรือกับข้อความตราหลับไล่ด้า ที้วี่>หโนมชั้งงงงทลันลังลั๓เงหมาไมเดสือควคน หน้า

ทิทชี้มีควไผหเทีลีไม้, เราได้เห็นเลขว่าแรรกูธแอ ที่>กรกรุ่ดรูบวหหงแาดำูารำ้อมีี รงการยจำไ าแต แัลัล ลั้ <ที่ี่้ไม้อ ำให้่้็หคด สงสต า เด้ข กรแาแง/>

นนน้นค์ ปาเทล: ถึว้ครซข้ิแ-้ระ่ดิ้้อดสต+

คำถามสุดท้าย ถ้าการเปลี่ยนแปลงด้านการเรียนรู้เชิงลึกไม่เคยเกิดขึ้น วันนี้ NVIDIA จะทำอะไร?

Jensen Huang:
แน่นอนว่า บริษัทยังคงทำเกม แต่นอกจากนี้ยังมีการเร่งความเร็วในการคำนวณ เราเคยทำอยู่แล้ว และสิ่งที่เป็นพื้นฐานของบริษัทของเราคือ กฎหมูลจะหยุดการเจริญ เครื่องมือคอมพิวเตอร์สามารถทํางานได้ดีกับอย่างมาก แต่ไม่ใช่ตลอดๆ ดังนั้นเราได้แยกออก CPU และ GPU และทําให้มันเร่งความเร็วของ CPU แล้วเร็จงอกไป รหัสแสมวล และอัลกอริทึมต่างๆ สามารถถูกโหลดไปยัง GPU เพื่อที่จะได้ใช้ในการคำนวณ นั่นฉะนั้นการประยุกต์ใช้งานออปสซิมก็สามารถเพิ่มขึ้น 100 เท่าหรือ 200 เท่า

และมันสามารถใช้ได้ที่ไหน? แน่นอนว่า ในงานวิศวกรรม วิทยาศาสตร์ ฟิสิกส์ การประมวลผลข้อมูล กราฟิกคอมพิวเตอร์ สร้างภาพ และทุกที่

ดังนั้นแม้วันนี้ AI จะไม่มี NVIDIA ก็ยังคงเป็นบริษัทขนาดใหญ่อยู่ และมันชัดเจนมาก: ความสามารถในการขยายขนาดของคอมพิวเตอร์ทั่วไปมันบ่งชีพคงอยู่ และว่าการเพิ่มประสิทธิภาพของมัน วิธีการหนึ่ง (มันไม่ได้เป็นวิธีแรก แต่เป็นวิธีที่สำคัญ) คือการทำเครื่องมืออย่างเชิงพื้นที่

ที่เราเริ่มต้นคือ ภาพวิทยาการคอมพิวเตอร์ แต่มีการสำรวจในวงการอื่นอีกหลายแขน เช่น การคำนวณทางวิทยาศาสตร์ ฟิสิกส์เชิงเมือง การประมวลผลโครงสร้างข้อมูล และอีกมากมาย และวิธีการคำนวณที่แตกต่างกัน ทุกอย่างจะได้รับประโยชน์จาก CUDA

ดังนั้น พันธกิจของเรายังคงเป็นการนําการเร่งความเร็วของคอมพิวเตอร์ไปสู่โลก และดันแอปพลิเคชั่นที่ไม่สามารถทําได้โดยการคำนวณทั่วไป หรือไมสามารถขยายไปถึงระดับความสามารถเต็มที่ มีแรงบันดาลใจหรือชั่วอาสา ทั้งนี้ท็อ่งหนึ่งให้กับวงการวิทยาศาสตร์ที่ดียง

แอปที่อยู่ในทางที่เราเป็นเรื่องของการคำนวณโปรแกรม การสำรวจแรงไฟสามารถที่อังกอริทึมเป็นอย่างมาก และฟีร์ดิกดำรวจตำแหน่งอยู่ หรือประมวลผลภาพ ทุกอย่างบ่งชน้นทางที่ การคำนวณทั่วไปก็ยังทำงานอย่างประสลก ดังนั้น ใช่ ถ้า AI ไม่มีชีวิต ฉ้อับขอสิ่งที่เราได้พัฒนาการคำนวณ พวกเราช่วยทําให้การเรียนรู้เชิงลึกท่ายกัน มoccanรงสไต้ดัยไม่เปลี่ยนเลย

ดังนั้นหากคุณไปดู GTC คุณจะพบกับส่วนที่ใหญ่แรกเลยนั้นคื้อว่าทั้งนั้นเป็นเรื่องของ AI ไม่ว่าจะเป็นการคำนวณแสงหรือเควียผ่นวอย่า วิทยาศาสตร์เกียไงเนียข้อมูลถูบ ผู้ค่เคนงกัมบล

ยินดีต้อนรับสู่ชุมชนทางการของ BlockBeats:

กลุ่ม Telegram สมัครสมาชิก: https://t.me/theblockbeats

กลุ่ม Telegram พูดคุย: https://t.me/BlockBeats_App

บัญชี Twitter ทางการ: https://twitter.com/BlockBeatsAsia