10 月 6 日，在纽约 Casa Cipriani 举行的 Citadel Securities Future of Global Markets 2025 会议上，英伟达创始东说念主兼首席践诺官黄仁勋 （Jensen Huang） 与红杉成本结伴东说念主 Konstantine Buhler 就东说念主工智能和下一个增长前沿进行了交谈。
黄仁勋示意，在1993年创速即，英伟达意料到通用计较（CPU）的局限性与摩尔定律的已矣，从而详情了"加快计较"的策略标的。英伟达同期发明新本领和当代 3D 游戏这一巨大阛阓，处置了"鸡生蛋照旧蛋生鸡"的逆境。
进入 AI 期间，英伟达通过 "CUDA Everywhere" 策略，将 CUDA 推行至科研界。2011-2012 年，跟着与 Geoffrey Hinton、吴恩达等预计东说念主员的合作，并提供 cuDNN 等使能本领，英伟达加快了 ImageNet 等竞赛的龙套。基于深度学习是"通用函数面对器"的知悉，英伟达作念出了透顶重塑计较堆栈，将 AI 集成到整个芯片、系统和软件中的要害策略有经营，奠定了其 AI 改动中枢性位。
2016 年，英伟达推出首台 AI 工场 DGX-1（首个客户为 OpenAI），进入超大范围计较领域。其收效的中枢诀要在于**"全栈协同遐想"：同期遐想和集成通盘基础设施（收罗、CPU、GPU），并运行调解软件栈。这种高度集成使其龙套摩尔定律限制**，兑当代际间约 10 倍的性能飞跃，为客户提供极高能效，并大幅增多 AI 工场的收入产出。
黄仁勋反驳 AI 泡沫论，强调 AI 已在超大范围数据中心（如搜索、推选系统）兑现数千亿好意思元的现实 ROI。他预测，AI 将首创两个万亿级新阛阓：
数字劳能源（Agentic AI）： 创造 AI 软件工程师、AI 讼师等 "数字东说念主"。
物理 AI（机器东说念主本领）： 通用 AI 驱动的多 "具身"机器东说念主（如自动驾驶、东说念主形机器东说念主）。
他总结，畴昔计较的内容是 100% 生成式，一切内容都将被实时智能生成。要支执机器东说念主（需要考研、模拟、运行三类计较机）和生成式范式，AI 工场是不可或缺的基础设施，其阛阓需求正处于数万亿好意思元的爆发初期。
以下为重点总结：
"咱们信托，咱们能处置的计较问题范围险些是无穷的，因此，总有一天，一种新式的计较秩序会出现。咱们公司专注于用一种叫作念"加快计较"的本领来增强和补充通用计较。这等于咱们最初的不雅察。"
"我以为 CUDA 的发明，部分是本领上的发明，即咱们不雅察到如何将 GPU 通用化；但很大程度上也关乎新家具的发明，如何将其推向阛阓；新策略的发明，如何让阛阓继承它；以及最终发明了能够创造飞轮效应的生态系统，从而促成一个计较平台的出身。"
"咱们得出的论断是，这是一个通用的函数面对器（universal function approximator）。... 那么问题就形成了：它能处置什么问题？现在你反过来问这个问题，咱们得出的论断是，咱们想处置的大多数问题都不错包含一个深度学习的组件。是以咱们决定去念念考，深度学习在 10 年、20 年后会发展到什么程度。"
"咱们不是在遐想一个芯片，咱们是在一次性遐想一整套基础设施。咱们是现活着界上独逐一家公司，你不错给它一栋楼、一些电力和一张白纸，咱们就能创造出其中的一切。整个的收罗、交换机、CPU、GPU，那通盘工场里的整个本领，咱们都能建造。而且它们都运行着来自英伟达的归并个软件栈。"
"这等于像 Harvey、Open Evidence、Cursor 这类 AI 原生公司出现的原因。它们将辘集到 AI 模子，并将有史以来第一次，去开拓一个以前从未被本领涉及的行业——劳能源行业。"
"你畴昔的计较机就像你眼前的一位 CEO，或者是一位艺术家、一位诗东说念主、一位故事诠释者，你与它联结，为我方创造特有的内容。是以，畴昔的计较是 100% 生成式的。其背后需要一个 AI 工场，这等于为什么我 100% 服气咱们正处于这段旅程的开始。"
以下为访谈原文：
Konstantine Buhler：
民众早上好。我的名字是 Konstantine Buhler，是红杉成本（Sequoia Capital）专注于东说念主工智能投资的结伴东说念主。英伟达和 Citadel Securities 其实有许多共同点，它们都是不凡的企业。
黄仁勋：
运营得相等好，相等出色。
是的，它们都运营得相等出色，都由计较改动驱动，何况都是各自行业内以本领最初的指导者。它们还有一个不太为东说念主所知的事实：两家公司的第一个外部投资者都是红杉成本。
在 1993 年，他们冒着风险向英伟达投资了 100 万好意思元。
你值得这笔投资。
整整 100 万好意思元，先生，他们关联词担了极大的风险。
是以，当咱们被邀请在此次会议上褒贬东说念主工智能时，谁是全国上最相宜的东说念主选，谜底是可想而知的。他为东说念主工智能改动构建了通盘基础设施，整个的东说念主工智能都成就于此；他缔造了全国上最有价值的公司。请和我沿路迎接黄仁勋（Jensen Huang）先生。
迎接。
英伟达发祥：1993 年洞见
Jensen，这个房间里坐满了全国上最优秀的机构投资者。他们治理着数万亿的钞票，何况抵制在寻找上风。你等于一个总能领有上风的东说念主。在咱们每一次的交谈中，你都对畴昔有令东说念主信服的观点。在接下来的 60 分钟里，咱们有一个纷乱的议程：涵盖从英伟达创立之初到其崛起成为东说念主工智能革掷中心的故事，然后咱们将把大部分时辰花在探讨英伟达和东说念主工智能的畴昔上。好的，让咱们从新滥觞吧。时辰回到 1993 年，你 30 岁。是什么样的知致力让你领有了创办英伟达的上风？
咱们其时正在经验个东说念主电脑（PC）改动和中央处理器（CPU）的改动，那是摩尔定律的期间。其时的热门是集成微处理器、英特尔、摩尔定律以及晶体管的微缩定律，硅谷在计较机行业的险些整个投资都集结于此。而咱们不雅察到了一些不同的东西。咱们以为，CPU 的一个平正是它的通用性，但通用本领的压根问题在于，它们在处理相等坚苦的问题时，常常弘扬得不够出色。
因此，咱们臆测了两件事：第一，咱们不雅察到有些问题不错用一种更针对特定领域、主见更明确的加快器来处置，这些问题可能很有处置价值。第二，咱们不雅察到通用本领，即晶体管的抵制减弱，最终会达到极限。那种以为不错欺诈所谓的"丹纳德微缩定律"（Dennard Scaling）抵制减弱晶体管尺寸并进行膨胀的想法……现实上，摩尔定律背后的基本道理是由米德（Mead）和康威（Conway）提议的。若是你回溯这些道理，你会发现晶体管的微缩程度将会有个极限，总有一天你会得到递减的薪金。
咱们信托，咱们能处置的计较问题范围险些是无穷的，因此，总有一天，一种新式的计较秩序会出现。咱们公司专注于用一种叫作念"加快计较"的本领来增强和补充通用计较。这等于咱们最初的不雅察。你刚才提到英伟达如何老是最初一步，这常常是因为若是你从第一性道理启航进行推理，念念考今天运行得相等好的东西，问我方：咱们的第一性道理成就在什么基础上？这个基础又将如何随时辰变化？这就有但愿让你洞见畴昔。
从图形加快器到 CUDA：阛阓与本领发明
是以，当你制造出图形加快器时，你入场很早，但随后流露了数百个竞争敌手。最终你在阿谁阛阓中胜出。在 2000 年代初期，你坚韧到这项本领有时不错通用化。你刚才谈到 CPU 的通用性，有时 GPU 也不错被通用化以进行更多的处理。咱们来谈谈 CUDA。这个想法是如何来的？你是从那处获取这个知悉的？有传言说是来自预计东说念主员，你是如何通过阅读他们的预计，得出 GPU 不错成为通用计较机的论断的？
最先，创建英伟达的坚苦之处在于，咱们必须发明一种新本领，同期创造一个新阛阓。在 1993 年，要创建一个新的计较平台，你需要一个巨大的阛阓。其时正在作念 3D 图形的硅谷图形公司（Silicon Graphics），其阛阓太小，不及以撑执一个新的计较平台。因此，若是咱们想创造一种新的计较架构，就需要一个巨大的阛阓，但这个阛阓因为架构不存在而尚未存在，这就堕入了"鸡生蛋照旧蛋生鸡"的问题。英伟达擅长的，以及咱们为当代 3D 游戏阛阓作念出的巨大孝顺正在于此。
其时红杉成本对投资英伟达的主要畏怯是，咱们必须同期发明本领和阛阓，而这两件事同期发生的概率大致是 0%。我于今仍铭刻，当我向唐·瓦伦丁（Don Valentine）推介时，他问："Jensen，你的杀手级应用在那处？"我说："有一家叫艺电（Electronic Arts）的公司。"我其时并不知说念唐刚刚投资了艺电。我接着说："咱们将匡助他们制作 3D 图形游戏，并创造这个阛阓。"他回话说："Jensen，我想让你知说念，咱们投资了艺电，他们的首席本领官才 14 岁，每天由东说念主开车送去上班。你却告诉我这是你的杀手级应用？"一言以蔽之，咱们最终创造了当代 3D 图形游戏生态系统，如今它已成为全国上最大的文娱产业之一。
3D 图形的压根问题是模拟现实。若是你追忆第一性道理，它所作念的等于试图重现现实。而再现传神图像和动态全国的数学基础，内容上是物理模拟。因此，线性代数澄莹至关进攻，咱们相识到了这少量。
问题是，如何将通用的东西引入到相等专科化的领域？这恰是咱们公司的伟大发明。咱们发明了本领，创造了阛阓，还开辟了旅途，使咱们能够系统地从一个相等垂直的行业，成长为越来越通用的平台。这种情况很少发生。这条路很难走，但我不想占用剩下的时辰来评释。我以为 CUDA 的发明，部分是本领上的发明，即咱们不雅察到如何将 GPU 通用化；但很大程度上也关乎新家具的发明，如何将其推向阛阓；新策略的发明，如何让阛阓继承它；以及最终发明了能够创造飞轮效应的生态系统，从而促成一个计较平台的出身。
咱们发明了整个这些东西，它们都是全新的。若是你退后一步问我方，除了 ARM 和 x86，全国上还有哪一个险些东说念主东说念主都在使用的计较平台？谜底是不存在。是以，发明一个新的计较平台是极其荒凉的。对咱们而言，这破费了快要 30 年的时辰。
AI 改动启航点：2012 年 ImageNet 龙套
是以你收效地将这个相等专科化、性能极高的加快开荒通用化了，使得全国各地的预计东说念主员和学者能够更快地运行他们的处理任务。他们之前边临的摩尔定律限制倏得之间被极地面放宽了。现在让咱们快进到 2010 年代初。其时，深度学习照旧一个学术界的冷门领域，神经收罗的见解佛验了一个"穷冬期"。然后在 2012 年，AlexNet 在计较机视觉领域取得了龙套，而这一切都是在英伟达的 GPU 上加快完成的。那是不是你坚韧到东说念主工智能改动正在成为现实的时刻？若是是，你是如何收拢这个机遇的？让英伟达成为这场革掷中心的要道上风是什么？
有两个偶然的时刻，以及一个对于深度学习的、源于第一性道理的伟大不雅察。我其时正试图处置计较机视觉问题。咱们想处置计较机视觉问题有许多不同的原因。其时的计较机视觉本领相等脆弱，难以泛化，只是一系列技巧的集结。我相等敌对这个行业的发展方式，咱们对进展感到至极颓靡。
与此同期，咱们普及架构的一项主要策略是，让高级纯属领域的科学家使用咱们的平台——CUDA。我从地震处理、分子能源学、粒子物理学、量子化学等领域滥觞推行。我把英伟达 CUDA带到了全国各地。公司其时照实有一个叫作念"CUDA Everywhere"的策略，道理等于我（Jensen）在全全国到处驱驰。我去了全国各地的大学与预计东说念主员会面。这项将CUDA引入高级纯属和科研领域的举措，促使一些预计东说念主员在2011、2012年阁下关系咱们。
其时，Geoffrey Hinton、吴恩达（Andrew Ng）和杨立昆（Yann LeCun）都试图处置计较机视觉问题，因为一个由李飞飞（Fei-Fei Li）厚爱的名为ImageNet的竞赛行将举行。而我也在试图处置计较机视觉问题。是以当你自关联词然地试图处置一个问题时，整个这些道理道理的东说念主也在处置雷同的问题，他们就会眩惑你的贯注。这等于机缘赶巧。
而阿谁伟大的不雅察是，咱们不错为他们创造一种新式的求解器，叫作念cuDNN。这就像咱们为收罗计较（in-network computing）发明的本领，不错类比于存储计较（in-storage computing）的后续发展。这种计较方式，这个名为cuDNN的库，使得他们整个东说念主都能收效地使用CUDA。
我看到了和民众一样的末端，整个东说念主都看到了计较机视觉成果的巨大飞跃。但咱们更进一步，去念念考：这项本领为什么在计较机视觉方面如斯出色？它还能在哪些方面弘扬出色？深度神经收罗之是以能够作念到相等"深"，是因为每一层都独处于其他层进行考研，何况不错从一个亏欠函数一直反向传播到其输入端。你不错用它来学习险些任何函数。
咱们得出的论断是，这是一个通用的函数面对器（universal function approximator）。若是咱们能再增多一个现象——卷积神经收罗（CNN）是一种二维、多维的模式识别器，轮回神经收罗（RNN）在其中提供了一个现象机，长短期顾忌收罗（LSTM）提供了更好的现象机，而Transformer则提供了终极的现象机。因此，咱们有了一个不错学习险些任何函数的通用函数面对器。那么问题就形成了：它能处置什么问题？现在你反过来问这个问题，咱们得出的论断是，咱们想处置的大多数问题都不错包含一个深度学习的组件。是以咱们决定去念念考，深度学习在10年、20年后会发展到什么程度。
咱们将计较问题解析开来，得出的论断是，每一个芯片、每一个系统、每一款软件、计较堆栈的每一层，都不错被透顶重塑。而咱们决定去兑现这少量的有经营，可能是历史上最佳的有经营之一。
AI 工场：从 DGX1 到全栈平台
我其时正在斯坦福大学作念东说念主工智能预计，主要的限制恒久是计较才能。咱们唯有有限的集群来运行这些算法。而英伟达的出现，不仅放宽了计较才能的限制，还通过CUDA基础设施使其成为可能。这在很大程度上等于你的历史：让越来越多的计较成为可能。2016年，你相等有名地创造了全国上第一座东说念主工智能工场——DGX-1。你还亲手把它托付给了在OpenAI的埃隆·马斯克（Elon Musk）。
我制造了这台全新的计较机，它的外不雅和使命方式都是前所未见的。我铭刻在GTC上晓谕它时，不雅众都备不知说念我在说什么，得到的掌声就像在讲一个见笑一样寥寥无几。
就在那次GTC上，我邀请了埃隆来褒贬咱们俩都在作念的自动驾驶汽车。他上台后说："Jensen，那台计较机是什么？"我说："是DGX-1，我为这个目的而建造的。"他说："我不错用一台。"我心想，哦，终于拿到一张采购订单（PO）了。然后他说："我有一个非渔利组织……"
当你创造出一个全新家具时，最不想听到的等于你的第一个客户是一个非渔利组织。但无论若何，我照旧托付了。我其时就像是送电脑的"Doordash"小哥，把这台电脑"外卖"到了旧金山，那家公司等于OpenAI。
它现在是一个盈利才能很强的非渔利组织了。
咱们照旧合作了很永劫辰。从那以后，他们的每一个模子都是在英伟达的平台上构建的。
而且这个东西的实体相等巨大。当Jensen褒贬一台计较机时，咱们说的是一个巨大的开荒。
当东说念主们听到咱们的GPU时，他们可能会设想一个很小的GPU。但咱们的一个GPU现在是机架范围的，重达两吨，功率12万瓦，价值约300万好意思元。那才是一个GPU。咱们诚然也卖小一些的GPU，等于Geoffrey Hinton用的那种，好像500到1000好意思元，不错插在你的PC上，用来玩电子游戏或搞AI。但咱们也有更大的GPU，一个1千兆瓦的东说念主工智能工场GPU大致价值500亿好意思元。
跟咱们讲讲这些东说念主工智能工场吧。你可能有微型的"AI搅动机"，但你也有这些实在巨大的"AI工场"。你在2016年就全力插足，并断言全国将需要东说念主工智能工场。你是如何获取这种知致力和信念的？
你只需要对此进行推理。咱们建造了第一台DGX-1，它是其时全国上最奥妙的计较机，每个节点30万好意思元，但它并不算收效。是以我得出论断：咱们把它造得还不够大。于是咱们造了一个更大的，第二个就变得超等收效。
现在的问题就形成了，你应该把它造多大，以及你应该把计较才能推向多高的极限？事情发展如斯之快的原因在于英伟达的家具周期和咱们的创新、遐想方式。咱们不是在遐想一个芯片，咱们是在一次性遐想一整套基础设施。咱们是现活着界上独逐一家公司，你不错给它一栋楼、一些电力和一张白纸，咱们就能创造出其中的一切。整个的收罗、交换机、CPU、GPU，那通盘工场里的整个本领，咱们都能建造。而且它们都运行着来自英伟达的归并个软件栈。因为咱们能作念到这样的集成，咱们也能以极快的速率前进。
是以我不错再行遐想下一年的家具，再再行遐想下下一年的，何况每一年发布的家具都保执软件兼容。软件兼容性的平正等于速率。PC之是以能够发展得那么快，等于因为它们都与Windows兼容。因此，只须你罢黜这个本领栈的圭臬，你就不错开合安稳地快速制造芯片。是以咱们现在正以物理上可能的极限速率，开合安稳地建造东说念主工智能工场。
因为咱们正在以令东说念主难以置信的范围进行创新和协同遐想——咱们同期改变算法、软件、收罗、CPU和GPU——咱们龙套了正在放缓的摩尔定律的限制。因此，咱们每一代家具都将性能水平普及约10倍。这是咱们每年带给阛阓的令东说念主难以置信的性能水平。咱们这样作念的原因是，咱们信托在地平线以外，总有一个问题是如斯巨大，以至于你需要一台更大、更快的计较机。
另一方面，当咱们在研讨功耗下普及性能时，咱们现实上是在裁汰你的成本。咱们正在以极快的速率裁汰成本，这让客户能作念更大的事，也让他们能用归并个工场创造更多收入。英伟达如今能被世俗继承，是因为咱们同期领有最高的性能和最大的范围。是以若是你想要巨型系统，你不错作念到。同期咱们亦然成本最低的，因为咱们的性能相等高。
举个例子，若是你的数据中心是1千兆瓦，你就无法获取比这更多的电力了。若是咱们的每瓦性能，即每单元能源消耗的性能，是别东说念主的三倍，你的公司就能用阿谁工场产生三倍的收入。这等于我称之为"工场"而不是"数据中心"的原因，它们在用它赢利。这些东说念主工智能工场但愿抵制扩大范围，抵制增多收入，抵制提高浑沌量。这等于咱们创新如斯之快的原因。要跟上咱们是很难的。这也评释了咱们为什么会收效。
AI 投资与 ROI：已见实效
Jensen，您照旧从一个组件供应商回荡为一个完满的平台供应商，这等于面向投资者所说的"AI工场"见解。您能珍视评释一下这个平台包含了什么吗？另外，这个平台的下一步发展会是什么形势？
平台包括CPU、GPU和收罗处理器。交换机有三种类型：一种是纵向膨胀（scale-up）交换机，它不错将一个机架形成一台完满的计较机，咱们首创了机架级计较，这被称为纵向膨胀。横向膨胀（scale-out）则是通过将许多这样的机架辘集在沿路兑现的。这些交换机和收罗开荒上运行着大都软件，软件位于整个这些硬件之上。然后，您就不错创建一个像这栋建筑一样大小的巨型系统，这栋建筑的功耗好像是100兆瓦。一个千兆瓦的数据中心则需要几千英亩的地皮。接下来，您通过更广袤的收罗将整个这些数据中心辘集起来，让它们能够共同"念念考"。这等于咱们今天构建的东西。
基础设施成立如斯之快有几个原因，现在也存在一些对于泡沫并将其与2000年比较较的问题。在2000年的时候，互联网公司如hospital.com、pets.com大多莫得盈利，通盘互联网产业的范围大致在200到300亿好意思元之间。
今天，最先需要看到的是，AI并不单是关乎OpenAI、Anthropic等新兴公司。AI正在改变超大范围数据中心（hyperscalers）的运作方式。举例，搜索现在由AI驱动；推选系统决定了您看到的告白、新闻和故事，电影亦然由AI推选的；用户生成的内容也相通如斯。是以，谷歌、亚马逊、Meta的业务——这些数百上千亿好意思元的收入，都由AI驱动。即使莫得OpenAI和Anthropic，通盘超大范围数据中心行业也已由AI驱动。因此，最先要相识到，通盘行业需要从使用经典机器学习的传统CPU，转向使用AI的深度学习。仅这一项转型就价值数千亿好意思元。
其次，咱们现在有了一个名为"AI"的新阛阓，它催生了一个分娩AI的新产业。因此，OpenAI、Anthropic、xAI、谷歌的Gemini，诚然还有Meta，都将成为AI的分娩者。这通盘AI模子制造商层级也正在成立AI工场。这些AI将为下一代的新机遇提供能源。
这等于像Harvey、Open Evidence、Cursor这类AI原生公司出现的原因。它们将辘集到AI模子，并将有史以来第一次，去开拓一个以前从未被本领涉及的行业——劳能源行业。
数字劳能源，即所谓的"代理式AI"（Agentic AI），将补充和增强企业阛阓。举例，在英伟达，咱们100%的软件工程师和芯片遐想师都由AI接济。今天，咱们每一位工程师都通过Cursor获取增强，咱们在公司里面大都使用Cursor。咱们为整个工程师配备了AI，分娩力得到了普及，咱们的使命质料也变得好得多。
您还会看到另一个新兴行业正在出现，叫作念"物理AI"（Physical AI）。因此，咱们有企业AI和物理AI来增强劳能源。举例，自动驾驶出租车内容上等于一个数字司机。咱们畴昔将领有能够镶嵌到任何迁移物体中的AI。在自动驾驶出租车的例子中，AI镶嵌的是标的盘和轮子；但畴昔，你还会看到拾取和甩掉的机械臂，可能有一只手臂、两只手臂，以至三条腿——多样不同的实体形态。这两个行业（企业AI和物理AI）所对应的阛阓范围，占到了全球100万亿好意思元经济总量的很大一部分。咱们第一次领有了能够增强这部分经济的本领。这等于为什么东说念主们对下一波AI海浪如斯兴盛。
让咱们来谈谈前一波海浪，因为您提到AI照旧带来了投资薪金。对于投资者来说，Meta是一个很好的案例。2022年第四季度，苹果移除了Meta的归因数据，导致其市值挥发了数千亿好意思元。Meta团队其时在想："咱们该如何处置这个问题？" 他们用英伟达GPU驱动的AI处置了这个问题，并将他们的归因才能复原到了原有水平。这为他们转圜了数千亿好意思元的市值，使其总市值比低点时高出卓绝一万亿好意思元。这都备是由您的GPU所驱动的投资薪金。
推选系统是往日最复杂的软件系统之一，不仅Meta在使用。它有几项基础本领：一项是协同过滤，它基于我的行动并不雅察其他整个东说念主的行动，若是咱们有相似的模式，它就会向我推选归并部电影、您购物清单里的下一个商品、一册书或一个视频。另一项是内容过滤，它仅基于我的身份、偏好以及那本书的具体内容来向我推选。推选系统是全国上最大的软件生态系统，而这个生态系统正在相等迅速地转向AI。因此，您将需要大都的GPU。
这些系统因几十年前的"Netflix挑战赛"而盛名。现在，Netflix的推选都备由AI驱动。正如您所说，在亚马逊，当您去购买商品时，有至极大比例的购买行动是由推选系统促成的。
从搜索到AI。
从搜索转向AI。现在整个这些——比如TikTok——都是由AI驱动的。
是的，转向AI。Google Shorts都备是AI。现在，整个的个性化告白也将转向AI。是以，AI的应用数目真实令东说念主难以置信。请贯注，我刚才描写的这些都是传统的用例。量化往来将转向AI，往日由东说念主工遐想的特征索求，也将转向AI。
这恰是Citadel Securities在往日二十多年里一直开拓的领域。这等于传统的AI。
Citadel一直是一位相等好的客户。谢谢。
那是一个经典的例子。对于在场的投资者来说，褒贬AI的投资薪金率，它照旧以万亿好意思元市值的时势存在了。接下来咱们谈谈畴昔的开销。到2025年，AI领域的投资总和预测将高达5000亿好意思元。畴昔将何去何从？这个领域会成为每年数万亿好意思元的投资类别吗？
是的。不错这样说，AI的制造部分，也等于"代工场"，是模子制造者。他们就像芯片制造商。有一种交融AI的方式是，大型语言模子等于当代计较机的操作系统。你不错在这些AI模子之上构建应用法子，而且不单是是基于一个AI模子，而是基于一个由多个AI模子构成的系统。因此，一个应用法子将辘集并使用一组不同的AI。
那么，表层的应用空间是什么？除了咱们一直在计议的、用AI纠正整个现存应用以外，一个最合理的比方等于"数字东说念主"。举例数字软件工程师（即AI编程），这可能是一个数万亿好意思元的阛阓契机。还有AI数字顾问、AI管帐师、AI讼师、AI营销东说念主员。咱们把整个这些统称为"智能体AI"（Agentic AI）。这项本领正执政着相等好的标的发展。
因此，本领将初度不再只是是管帐师使用的用具，或软件工程师使用的用具。咱们将创造出数字软件工程师。我不会感到讶异，畴昔你会授权使用一些数字东说念主，也会雇佣一些数字东说念主。这取决于它们的质料和专科深度。因此，企业畴昔的劳能源将是东说念主类和数字东说念主的结合。其中一些将基于OpenAI，一些可能基于Harvey、Cursor或Replit品级三方，还有一些将由你们我方里面培养。咱们里面培养了许多我方的AI，因为咱们有大都需要保护的专有学问和数据，何况咱们具备开发这些AI的手段。跟着时辰的推移，越来越多的东说念主将能够培养我方的数字AI，因为这样作念会变得越来越容易。因此，企业和智能体AI，通过增强劳能源，带来了数万亿好意思元的机遇。
与以前的软件比较，AI的特有之处在于它需要执续地处理信息。你不可像往日那样预先编译它，把它放进一个二进制文献里，下载然后使用。它必须一直处于处理现象。之是以如斯，是因为它需要获取你的高下文，念念考你想让它作念什么，然青年景一个输出。是以它在抵制地念念考和生成。这需要机器，需要计较机来完成。这等于"AI工场"存在的原因。这些AI工场将部署在云霄，也可能在腹地（on-prem），遍布全国各地。这不错看作是AI基础设施的一部分，将会有大都的"念念考"来产生咱们称之为"token"的东西，但其内容是智能。这等于所谓的解析AI，也等于数字劳能源。
第二点是机器东说念主本领。让我给你们作念一个念念想实验，评释为什么机器东说念主本领离咱们如斯之近。你现在不错给AI一个教唆，比如"让黄仁勋提起一个瓶子，通达它，然后喝一口"，它就能生成我作念这个动作的视频。那么，若是它能生成这一切，为什么不可主管一个机器东说念主来完成相通的动作呢？这个念念想实验标明，这在现在看来口角常有可能的。若是你能遐想一个不错驾驶汽车的数字司机，为什么不可让一个实体机器东说念主来驾驶汽车呢？若是一个实体机器东说念主不错被赋予驾驶汽车的才能，为什么不可赋予它操作一个拾取和甩掉机械臂或任何类型机器东说念主的才能呢？
咱们东说念主类有才能"具象化"（embody）险些任何东西。咱们不错提起刀叉，它们就成为咱们躯壳的延长；咱们不错提起棒球棒，并将其用作咱们躯壳的延长。咱们能够"具象化"这些物理延长。畴昔的AI将能够"具象化"并主管一辆汽车、机械臂、东说念主形机器东说念主、外科手术机器东说念主等等。因此，我以为这两个阛阓（数字东说念主和机器东说念主）都在AI的才能范围之内。
终末，举一个例子。当你不雅察到一个事物兑现的可能性时，剩下的就只是工程问题了。咱们现在照旧看到了一个绝佳的实例，那等于AI软件编码器，这亦然咱们大都使用它的原因。既然你有了AI软件编码器，为什么不可让它也编写一个营销行动的软件，或者编写软件来帮你处置任何管帐问题，或任何你想作念的事情呢？是以，这个实例的存在自己就证明了，将其推行到其他领域只是一个工程问题。
相通，咱们现在有了自动驾驶出租车。它是一个"具象化"的机器东说念主，适度着标的盘和车轮。既然它存在，为什么不可将其推行开来呢？剩下的也只是工程问题。是以，这是从第一性道理启航，臆测这项本领在各行业和社会中普及可能性的一个好秩序。接下来你需要念念考的是，如何扩大范围？如何将这种智能托付给整个这些不同的应用？谜底等于，你需要"AI工场"。
畴昔 AI 契机：代理与物理 AI（万亿阛阓）
咱们再多谈谈机器东说念主本领。您领有一开销色的机器东说念主团队，您厚爱机器东说念主业务的一位高管今天也在这里。在之前的一次话语中，您分享了对于机器东说念主本领畴昔发展的一些观点。它会是一个单一的东说念主形机器东说念主名目吗？会是多个开源名目吗？这些开源名目将如何整合？您以为机器东说念主本领将如何实在在物理全国中体现出来，以实时辰盘算是若何的？
机器东说念主出租车照旧出现了，它们在不同城市间进行泛化的才能正快速普及。原因是这背后是研讨的基础本领，咱们都经验了相通的发展历程。对于在座诸君从事量化往来和算法往来的东说念主来说，你们也经验了从东说念主工遐想特征、机器学习，到越来越多地使用深度学习、镶嵌特定模态和多模态模子，再到如今基本兑现端到端的经由。何况，它是多模态的。
在这个经由中，模子的泛化才能越来越强。用于自动驾驶汽车的AI模子和用于东说念主形机器东说念主或普通机器东说念主的AI模子高度相似，只是体现在两种不同的"具身"（embodiment）中。我之是以能服气这少量，是因为我不错用归并种智能来驾驶汽车和操控我我方的躯壳。我不错用刀叉，假装我方是外科医师，在牛排上脱手术。你会发现，这是归并种AI在不同"具身"中的体现。
这等于AI畴昔的发展标的。机器东说念主本领正朝着越来越通用的AI发展，这些AI是多"具身"、多模态的。要创造这样的畴昔，需要三样东西。最先，是我之前提到的AI工场，用于考研模子。其次，需要一个能让AI在进入现实全国前进行学习的方位，这样它就不错在编造全国中进行数万亿次的迭代。这个编造全国就像一个电子游戏，AI在其中上演一个游戏脚色，并降服物理定律。当它学会如何成为一个出色的游戏玩家后——由于咱们的模拟器相等出色， simulation-to-real（编造到现实）的差距极小——咱们称之为Omniverse，也等于Omniverse计较机。然后，机器东说念主就不错走出编造全国，物理全国就成了它玩过的编造全国的又一个版块。当它进入物理全国时，相通需要一台计较机。
是以，你需要三台计较机：用于考研的AI计较机，用于模拟的编造全国计较机（即实验室），以及算作机器东说念主大脑、在物理全国中现实运作的计较机。英伟达提供整个这三种计较机，咱们与险些整个的机器东说念主公司、自动驾驶公司以及多样不同"具身"形态的机器东说念主公司都有合作。这很可能会成为有史以来最大的阛阓之一。
是以，英伟达现在险些涉及了科技的方方面面。正如您往日所说，你们从零滥觞进入一个阛阓，并匡助它成长为万亿级别的阛阓。机器东说念主本领是下一个前沿阛阓之一。您对还有哪些其他的前沿阛阓感到稀奇兴盛？您刚才提到了医疗健康，这是您充满温煦的领域吗？还有莫得其他领域值得在座的投资者关注？
医疗健康所需的本领相等复杂，但咱们正在取得马上进展。若是你能交融单词和字符序列的含义，你有时也能交融像编造全国这样有"结构"的东西的含义。咱们之是以能生成视频，是因为咱们交融了现实全国，从而能生成它的图像化示意。是以，若是你能生成视频，那一定是因为你交融了全国。若是你能交融全国，那么是否有可能交融相通具有结构的卵白质和化学物资呢？谜底是服气的。
咱们正越来越接近交融卵白质的意旨，这获利于AlphaFold等本领。咱们也能够交融细胞的意旨。咱们最近与ARC合作，Evo-2是首批用于细胞表征的大语言基础模子之一。现在你不错对它说："我但愿你生成具有这些特质的其他细胞。"或者你不错径直问细胞："你有什么特质？你能与什么结合？你的推陈出新是若何的？什么不错激活你？"你不错像与聊天机器东说念主对话一样与细胞对话。因此，交融卵白质的意旨……总之，这方面有许多进展，例子不堪陈设。
另外，我为咱们将AI引入电信领域的使命感到兴盛，5G和6G将因AI而发生改动性变化。我也为咱们与量子计较机的合作感到兴盛，通过创建量子-GPU混系数较系统，咱们不错将量子计较的程度提前大致十年。在这些系统中，咱们厚爱纠错、适度量子计较机以及后处理。咱们推出了一种名为CUDA-Q的新架构，它将CUDA膨胀到了量子领域，并获取了世俗的继承。现在，咱们能处置许多以前难以处置的问题。
AI 安全与生成计较
Jensen，您最近在咱们办公室参加了一场AI会议，并就AI安全的畴昔过火进攻性提议了一些相等精彩的观点。这和刚才的话题有些关联。有些国度行动体可能会插手AI，也有些个东说念主用户可能会失当使用AI。您以为AI安全的畴昔会是若何的？
畴昔的AI安全将与收罗安全有些相似。它将需要咱们通盘社区共同尽力。您可能知说念，整个的收罗安全和首席安全官们，咱们都是一个庞大的社区。当有东说念主发现入侵时，咱们会与整个东说念主分享。当咱们发现破绽时，咱们也会与整个东说念主分享。因此，畴昔的AI安全很可能会像收罗安全一样。
其次，若是智能的边缘成本，即AI的边缘成本趋近于零，那么专注于安全的AI的边缘成本为什么不会也趋近于零呢？这少量相等明确。很可能每个AI都会被一大群监视着它的收罗安全AI所包围。咱们将领有大都的AI保护者，数千、数百万，遍布公司表里。这等于畴昔的图景。
"AI自己必须是好的"这个想法很好，但咱们不应该依赖于此。就像咱们但愿一个软件能平日运行，但咱们必须假定它可能存在破绽、病毒或被入侵。咱们将尽可能安全地鼓动AI发展，同期也会在AI周围部署大都的安全AI。
您分享过，物理全国的动态与数字全国是脱钩的。在物理全国，可能是一个安保东说念主员对应100个普通东说念主；而在AI全国，这个比例可能会被回转。
是的，就像收罗安全一样。咱们领有的收罗安全代理数目，比公司里从事收罗安全使命的东说念主员要多得多。
您还分享了一个不雅点，畴昔咱们不仅有渲染计较，一切都将是生成式的。您能珍视评释一下这个预测以及它对英伟达意味着什么吗？
最佳的例子之一是Perplexity。当你在Perplexity上发问时，你看到的一切都是都备生成的，100%都是。而在Perplexity出现之前，你输入一些内容，它会给你一个列表，你再去点击。整个这些内容都是由某东说念主事前编写或创建的。是以，搜索是基于存储的计较，是基于检索的计较，它检索信息供你自行消费。而Perplexity或AI则是生成式的，它去预计、阅读整个内容，然后为你生成谜底。
是以，Perplexity是从传统计较机秩序（咱们去检索一个文献并阅读它）到生成式秩序（基于AI的Perplexity）的一个绝佳范例。另一个例子是，望望咱们今天看到的视频，比如Sora、nano banana，整个这些像素都是生成出来的。它由你来设定条目和教唆词。你可能会给它一个运行种子，然后说："我但愿你生成一个Constantine和Jensen进行炉边话语的视频。"然后你再教唆说，此次炉边话语他们会聊一些豪恣的东西。
（对线上不雅众说）趁便一提，咱们这个是真的。
然后Sora就会生成它。是以，每一个像素，每一个动作，每一个词都是生成的。畴昔计较的方式很可能等于生成式的。
终末再举一个例子。咱们俩刚才的通盘交流经由100%是生成式的。你问我的每个问题，我都莫得跑回办公室检索某些东西拿给你，然后问"Constantine，这是你要的吗？"，再让你读给民众听。那是往日的计较机。今天的计较机等于咱们这样径直互动。咱们正在凭据此时此地的高下文、凭据不雅众、凭据全国正在发生的事情，实时地生成一切。这等于畴昔的计较机。
你畴昔的计较机就像你眼前的一位CEO，或者是一位艺术家、一位诗东说念主、一位故事诠释者，你与它联结，为我方创造特有的内容。是以，畴昔的计较是100%生成式的。其背后需要一个AI工场，这等于为什么我100%服气咱们正处于这段旅程的开始。咱们现在为这个每年可能需要数万亿好意思元基础设施的阛阓，只建造了戋戋几千亿好意思元的基础设施。这是最容易交融其远景的方式。
而这种计较范式更像东说念主类的念念维。
是的，它在念念考。
英伟达的投资洞见
若是你准备好了，咱们往来话几个闪电战式的问题吧？在终末几分钟里。我不知说念阿谁谜底对应的是什么问题，是以咱们径直滥觞吧。哪一个华尔街最不敬重的要道绩效经营（KPI）？
在畴昔的东说念主工智能工场中，你每单元能源的浑沌量决定了你客户的收入。这不单是是选择一个更好的芯片，而是决定你的收入会是几许。事实上，若是你追忆一下整个的云办事提供商（CSP），那些作念出正确选择的公司收入兑现了增长，而那些行动徐徐的公司随后也作念出了正确的选择。是以你不错看到这种情况正在发生，东说念主们也滥觞交融这少量。你的浑沌量——也等于工场每单元能源的令牌生成率——等于你的收入。
英伟达平台中最被低估的部分是什么？
大多数东说念主都在褒贬CUDA，CUDA相等进攻。但在CUDA之上，还有一套库。我今天早些时候提到了一个，叫作念cuDNN。它可能是有史以来创造的最进攻的库之一。上一个具有同等进攻性的是SQL，而这一个等于cuDNN。还有其他一些，比如cuDF，以及将用于半导体制造光刻本领的cuLitho。咱们大致有350个这样的库。这些库，等于英伟达的宝库。
您以为哪一项本领被严重低估，哪一项又可能被高估了？
被低估的，我以为是编造全国。咱们称之为Omniverse，它是一个供实体AI学习如何成为一个优秀的实体AI的编造全国。这很难交融，但它被严重低估了。这并非因为东说念主们用或无谓它，而是因为他们还不知说念我方需要它。但现在，Omniverse正席卷机器东说念主行业，每个东说念主都滥觞明白了。一朝你滥觞制造机器东说念主，你就会坚韧到这是何等有远见。咱们差未几十年前就滥觞研发Omniverse了。是以，Omniverse相等进攻。
哪本书对您的生意和指导力形而上学影响最大？
我最可爱的书之一是民众的第一册微积分讲义，那时你坚韧到数学是一种样式。那是一册好书。克莱·克里斯坦森（Clay Christensen）的整个书都很棒，他照旧死字了，但曾是一位好友。阿尔·里斯（Al Ries）的《定位》（Positioning）是一册相等好的书。若是你还没读过，杰弗里·摩尔（Geoffrey Moore）的《向上边界》（Crossing the Chasm）亦然一册好书。但基本上，克里斯坦森的整个书都应该读一读。
最可爱的慰藉食品是什么？
炸鸡。
好的，咱们得到谜底了。终末一个问题：若是您是现场的一位首席信息官（CIO），畴昔几年有100亿好意思元的预算用于东说念主工智能，您会投资什么？
我会坐窝尝试构建我方的东说念主工智能。咱们为如何素质职工入职而显示——咱们继承的秩序，咱们将他们融入公经理念的文化，使公司之是以成为公司的运营秩序和实践，以及咱们历久积贮并让他们不错拜访的数据和学问集结。这些是往日界说一家公司的东西。
畴昔的公司诚然也包括这些，但你需要为东说念主工智能作念相通的事情。你需要素质AI职工入职。咱们有一套素质AI职工的秩序，咱们称之为"微调"，这基本上是在教它们文化、学问、手段和评估秩序。因此，你需要去学习如何打造你的"智能体职工"的通盘飞轮。
我告诉我的CIO，咱们公司的IT部门畴昔将成为智能体AI的东说念主力资源部，成为畴昔数字职工的东说念主力资源部。这些数字职工将与咱们的生物职工沿路使命。这等于咱们公司畴昔的形态。是以，若是你有契机这样作念，我建议坐窝入部属手。
谢谢你ky体育官网登录入口网页版，Jensen。咱们听到了一个不可念念议的故事。英伟达的故事是一个不凡的泛化故事：从一个加快图形处理器，发展到今天驱动全全国整个东说念主工智能的本领；从一个组件和全国上第一块GPU，发展到构周密国AI工场平台的整个组件。咱们谈到了办事如何成为这场新改动的基石，以及机器东说念主本领如何融入咱们整个东说念主的畴昔。咱们谈了随意政策，以至还提到了炸鸡。你面面俱圆，Jensen。相等感谢。
谢谢你，作念得很好。