![]()
![]()
出品 | 搜狐科技
作者 | 李阳
运营编辑 | 王一晴
近日，英伟达CEO黄仁勋接受了一场投资者的面谈专访。
在这次长达80分钟的对话中，黄仁勋与主持人Brad Gerstne和Clark Tang共同探讨了人工智能领域的最新动态，AI对社会各行业的影响，以及英伟达在AI革命中的战略布局。
访谈过程中，黄仁勋强调了通用人工智能（AGI）的突破，并表示AGI助理在未来将以某种形式出现，并会随着时间推移更逐渐变得完善。
黄仁勋分享了英伟达在计算革命中的领导地位，强调英伟达的看涨情况与互联网泡沫时期思科的狂热不同。
“英伟达正在重塑计算行业，未来将是一个高度机器学习的时代”，黄仁勋表示。
在谈及马斯克人工智能公司 xAI 在短时间内建成 AI 训练集群 Colossus，黄仁勋称赞马斯克及团队就想超人一样，“xAI 在19天内完成了别人一年才可以完成的事情，这是前无古人的壮举，世界上只有一个人能做到，这个人就是埃隆・马斯克。他在工程、建筑和大型系统以及资源调配方面的理解是独一无二的。”
此前，马斯克介绍，Colossus 集群配备了 10 万个英伟达 H100 GPU，刷新了行业纪录，是目前全世界最强大的 AI 训练集群。
当谈到AI对生产力的影响以及对就业者的冲击等社会问题，黄仁勋保持乐观态度。
在他看来，AI的发展极大的提升了企业的效率，带来了更多增长的机会，并不会导致大规模失业。
虽然AI不会改变每一项工作，但会对人们的工作方式产生巨大的影响。黄仁勋呼吁行业加强对AI安全的监管，以保证技术的开发和使用有益于社会。
![]()
Brad Gerstner：我觉得我们可以用一个思想实验和一个预测来开始。如果把AGI想象成口袋里的私人助理，那真的太妙了。它了解我的一切，对我有完美的记忆，它可以和我交流，帮助我预定酒店或者预约医生。你认为我们什么时候才能拥有这样的私人助理？黄仁勋：很快，而且随着时间的推移，使用感受会越来越好。一开始技术会非常有用，但不完美，然后随着时间的推移，它会变得越来越完美，所有技术都一样。Brad Gerstner：马斯克说过，真正重要的事情就是变化的速度。我们确实感觉到变化的速度已经非常快。我们已经在AI领域奋战了十年，甚至更久。这是你职业生涯中见过最快的变化速度吗？黄仁勋：很多事情之所以发生，是因为我们在这期间将计算的边际成本降低了100000倍。基本上，我描述的关于英伟达如何做事的一切都导致了超摩尔定律的创新速度。现在让人惊奇的是，我们从人工编程转向了机器学习。机器学习的神奇之处在于，机器学习可以学得非常快。我们擅长发明新算法和新训练方法，所有这些技术，所有这些发明都是相互叠加的结果。回顾过去，如果你看看摩尔定律是如何运作的，软件是静态的，下面的硬件以摩尔定律的速度增长。现在，我们整个堆栈都在增长，整个堆栈都在创新。所以我认为，现在我们突然看到了扩展。这当然是非凡的。但我们过去谈论的是预训练模型和在那个层面上的扩展，以及我们如何将模型大小翻倍，因此相应地翻倍，数据大小也翻倍。结果，所需的计算能力每年增加四倍。但现在我们看到了后训练的扩展，我们看到了推理的扩展。所以人们过去认为预训练很难，推理很容易，但其实都很难。所以，必须有一个快速思考、慢速思考、推理、反思、迭代和模拟等概念，现在它正在出现。Clark Tang：真正的英伟达模式到底有多深？有一种观念，如果有人发明了一种更好的芯片，他们就赢了。但事实是，你花了十年时间才做到现在这样。你认为英伟达今天的护城河和三年前相比大了还是小了？黄仁勋：事实上，很多人认为设计出更好的芯片的原因在于它有更多的触发器、更多的位和比特。您明白我的意思吗？您会看到他们的主题演讲幻灯片。它有所有这些触发器、条形图和诸如此类的东西。马力确实很重要，然而，这都是想法。这都是在软件是运行在Windows上的某个应用程序并且软件是静态的意义上的想法，对吗？这意味着改进系统的最佳方法就是制造越来越快的船。但我们意识到机器学习不是人类编程。机器学习不仅仅是软件，这关乎整个数据管道。事实上，机器学习的飞轮才是最重要的。很多人甚至没有意识到需要AI来管理数据，来教导AI。而AI本身就相当复杂。黄仁勋：正是因为有了更聪明的AI来管理数据，才会导致这种情况。我们现在甚至有了合成数据生成和各种不同的数据管理方式，向其呈现数据。所以在你接受培训之前，你就已经涉及了大量的数据处理。所以人们会想，Pytorch，这是世界的开始，也是世界的终结。OpenAI 或 X 或 Gemini 团队所做的事情都不容易。你要尊重多尔斯定律，多尔斯定律表明，如果这是30%的时间，而我将其加速了三倍，那么我并没有真正加速整个过程。所以，我想说的是，我们对公司真正做的事情的看法会体现在产品上。现在，英伟达主要关注点是视频。很多人都专注于物理AI和视频处理。想象一下前端。每秒有TB的数据进入系统。举个例子，一个管道会接收所有这些数据。首先要准备好训练。是的，这样整个过程就可以加速。Clark Tang：今天人们只考虑文本模型。但未来视频模型，使用一些文本模型，比如o1，在我们到达那里之前真正处理大量数据。黄仁勋：是的。所以语言模型会涉及到一切。但我们，这个行业花费了巨大的技术和精力来训练语言模型，训练这些大型语言模型。现在，我们在每一步都使用大型语言形式。这非常了不起。Brad Gerstner：对于位于下方的行业特定算法，每个人都关注的 Pytorch 层。黄仁勋：如果我们不发明它，上面的任何应用程序都无法工作。在底层架构之上的科学之间的传播，这就是英伟达真正擅长的。英伟达正在构建一个完整的AI计算平台，包括硬件、软件和生态系统。Brad Gerstner：亚马逊总裁兼CEO Andy Jassy说英伟达是我们的重要合作伙伴，未来世界将依靠英伟达。所以当你想到正在构建的定制ASIC时，它们将用于目标应用。也许是Meta的推理加速器，也许是亚马逊的训练，或者谷歌的TPU。然后你想想你今天面临的供应短缺，这些因素会改变这种动态吗？或者它们会补充他们从你那里购买的系统？黄仁勋：我们只是在做不同的事情。英伟达正在尝试为这个新世界、这个机器学习世界、这个生成式AI世界、这个代理式AI世界构建一个计算平台。我之前说过，数据中心现在是计算的单位。对我来说，当我想到计算机时，我考虑的不是芯片。这是我的思维模型，里面的所有软件、所有编排、所有机器，都是我的使命。这就是我的计算机。我们每年都试图建造一台全新的。每年，我们都提供两到三倍的性能。因此，每年，我们都会将成本降低两到三倍。每年，我们都会将能源效率提高两到三倍。因此，我们要求客户不要一次性购买所有东西，每年只买一点，对吗？这样做的原因是，我们希望它们的成本在未来保持平均水平。现在，所有东西在架构上都是兼容的，所以以我们现在的速度单独构建这些东西是非常困难的。现在，双重困难的部分是，我们接受所有这些，而不是将其作为基础设施或服务出售，我们不同意所有这些。我们将它集成到GCP、AWS、Azure、X 中。所以每个人的集成都不同。我们必须将我们所有的架构库、所有算法和所有框架集成到他们的框架中。我们将我们的安全系统集成到他们的系统中，我们将我们的网络集成到他们的系统中，对吗？然后我们基本上进行10次集成，现在我们每年都这样做。这就是奇迹。我们不会试图从任何人那里夺取任何份额。英伟达是做市商，而不是份额获取者。我们不会对所有事情都了如指掌，但我们确信我们的使命是非常独特的。唯一的问题是这个使命是否必要。所有伟大的公司都应该把这个作为核心。这是关于你在做什么？Brad Gerstner：因为世界上每个人都在试图获得英伟达芯片来构建这些将改变世界的应用程序。当然，寒武纪时刻发生在ChatGPT上。尽管如此，这25位分析师仍然专注于加密货币赢家，以至于他们无法想象世界上正在发生的事情。所以最终规模更大了。未来是未知的，但为什么批评者会错得这么离谱，认为这不会像思科在2000年那样过度建设。黄仁勋：思考未来的最佳方式是从第一原则出发。第一，我们在做什么？我们正在做的第一件事就是重新发明计算，不是吗？我们刚才说过，未来计算的方式将是高度机器学习的。几乎我们所做的一切，几乎每一个应用程序，Word、Excel、Powerpoint、Photoshop、Premier，AutoCAD，你最喜欢的应用程序都是手工设计的。我向你保证，未来它将高度机器学习。我们已经重新发明了计算。我们不会回头了。现在的问题是会发生什么？让我们回顾一下过去的家庭计算。过去的计算机投入了1万亿美元。我们看看，只要打开门，看看数据中心，看看它。这些计算机是你想要的未来吗？答案是否定的。你那里有所有这些CPU。我们知道它能做什么，不能做什么。我们只知道，我们有1万亿美元需要现代化的数据中心。所以现在，在我们说话的时候，如果我们要在未来四五年内对这些旧东西进行现代化改造。这不算不合理。所以我们有一个趋势，你正在与那些必须对其进行现代化改造的人进行交谈。是的，他们正在GPU上对其进行现代化改造。就是这样。我们再做一次测试。你有500亿美元的资本支出。你喜欢花选项A，选项B，为未来建立资本支出，对吗？莫尔斯定律基本结束了。那为什么要重建它呢？我们只拿出500亿美元，投入生成式AI，对吗？所以现在你的公司变得更好了。对吗？现在你会投入这500亿美元中的多少？好吧，我会投入500亿美元的100%，因为我已经有了四年的基础设施，这是过去的。聪明的人在做聪明的事情。现在，第二部分是这样的。那么我们就有价值一万亿美元的产能。价值数万亿美元的基础设施。大概是1500亿美元。好的。所以我们有1万亿美元的基础设施需要在未来四五年内建设。好吧，我们观察到的第二件事是软件的编写方式不同，但软件的使用方式也不同。未来，我们会有代理。我们公司会有数字员工。在你的收件箱里，你会看到这些低矮的面孔上的小点。未来，事情意味着AIS的低矮图标。对吧？我会把这些发给他们。我们将要现代化的基础设施之上，将会有一个新的基础设施。这个新的基础设施将是操作这些数字人的AI工厂，它们将全天候运行。我们将为世界各地的所有公司提供这些设备。我们将在工厂中拥有它们，我们将在自主系统中拥有它们。对吗？所以有一整层计算结构。这一整层我称之为AI工厂，世界必须制造，但今天根本不存在。所以问题是，这有多大。目前还不知道。可能有几万亿美元。Brad Gerstner：跟我们谈谈OpenAI作为合作伙伴对你的重要性，以及OpenAI作为推动公众对AI的认识和使用的力量。黄仁勋：好吧，这是我们这个时代最重要的公司之一，一家追求AGI愿景的纯AI公司。AI将随着时间的推移拥有能力路线图。而这个能力路线图将非常壮观、奇特。在此过程中，早在它达到任何人对AGI的定义之前，我们就会充分利用它。无论你想选择哪个行业，你都要深入研究，和重要的人交谈，问他们，AI是否彻底改变了你的工作方式。你收集这些数据点，然后回头问问自己，你想有多怀疑。因为他们不是在谈论AI的概念优势。他们现在谈论的是将来使用AI。现在，农业技术、材料技术、气候技术，你选择你的技术，你选择你的科学领域。它们正在进步。AI正在帮助他们推进他们的工作。现在，正如我们所说，每个行业、每个公司、每个高度、每所大学，绝对是这样，我们会以某种方式改变商业。所以，我认为ChatGPT 的觉醒引发了它，这完全令人难以置信。我喜欢他们的速度和他们推动这一领域发展的独特目标，这真的很重要。Brad Gerstner：他们建立了经济引擎，可以为下一个模型前沿提供资金。我认为硅谷正在形成一种共识，即整个模型层、商品化的 Llama 使许多人能够以非常低廉的价格建立模型。所以早期我们有很多模型公司。这些，特征、语调和凝聚力都列在清单上。很多人质疑这些公司是否能够在经济引擎上建立逃逸速度，从而继续资助下一代。OpenAI 显然达到了速度。他们可以资助自己的未来。我不清楚其他许多公司是否能做到。这是对模型层现状的公平评估吗？黄仁勋：仅仅拥有强大的GPU并不能保证一家公司在AI领域取得成功。首先，模型和AI之间存在根本区别。对于AI来说，它是必要但不充分的。AI是一种能力，那么它的应用是什么？软件驾驶汽车的AI与人类机器人的AI有关，但并不相同，后者与聊天机器人的AI有关，但并不相同。所以你必须了解分类法。是的，堆栈的分类法。在堆栈的每一层，都会有机会，但不是堆栈的每一层都为每个人提供无限的机会。现在，我刚刚说了一句话，你所做的就是用GPU替换模型这个词。事实上，这是我们公司 32 年前的一个伟大观察，即 GPU、图形芯片或GPU与加速计算之间存在根本区别。加速计算与我们在 AI 基础设施方面所做的工作不同。它们是相关的、相互叠加的，并不完全相同。而且这些抽象层中的每一个都需要完全不同的技能。真正擅长构建GPU的人不知道如何成为一家加速计算公司。Brad Gerstner：这就是 MTIA（Mata自研的下一代AI加速芯片）。黄仁勋：对。但它可能不是那种带来影响力和能力的公司。所以你必须决定你想成为什么样的人。所有这些不同领域可能都有机会。但就像建立公司一样，你必须注意生态系统的变化以及随着时间的推移哪些东西会被商品化，认识到什么是功能，什么是产品，对，什么是公司。好的。我刚刚讲过，好吧，你可以用很多不同的方式来思考这个问题。Brad Gerstner：当然，有一家新进入者有钱、有智慧、有野心。那就是 xAI。而且，有报道称你和 Larry Ellison（甲骨文创始人）和马斯克共进晚餐。他们说服你放弃 100000个H100芯片。他们去了孟菲斯，在几个月内就建立了一个大型连贯超级集群。黄仁勋：三点不要划等号，好吗？我只是和他们共进晚餐。Brad Gerstner：你认为他们有能力建立这个超级集群吗？有传言说他们想要另外十万个 H200，对吧，来扩大这个超级集群的规模。首先，跟我们谈谈 X 和他们的野心以及他们取得的成就，但同时，我们已经到了20万到30万个GPU集群的时代了吗？在这么短的时间内建造一个巨大的工厂，水冷、通电、获得许可，这就像超人一样。是的，据我所知，世界上只有一个人能做到这一点。我的意思是，马斯克对大型系统的工程和建设以及资源调配的理解是独一无二的。当然，他的工程团队也很出色。我的意思是，软件团队很棒，网络团队很棒，基础设施团队很棒。马斯克对此深有体会。黄仁勋：一切都已经正常运转了。是的，当然，还有一大堆 X 算法、X 框架、X 堆栈等等。我们说我们有大量逆向集成要做，但规划非常出色。只是预先规划。Brad Gerstner：一端是正确的。马斯克是一端。是的，你，但你回答这个问题时一开始就说，是的，这里有 20到 30万个GPU集群。是的，对。这能扩展到 50万个吗？能扩展到 100 万个吗？你的产品需求是否取决于它扩展到 200 万个？黄仁勋：最后一部分是否定的。我的感觉是分布式训练必须有效，分布式计算将被发明。某种形式的联邦学习和分布式计算，异步分布式计算将被发现。我对此非常热衷和乐观，当然，要意识到的是，缩放定律过去是关于预训练的。现在我们已经转向多模态，我们已经转向合成数据生成，后训练现在已经扩展得令人难以置信。合成数据生成、奖励系统、基于强化学习，然后现在推理缩放已经达到了顶峰。一个模型在回答你的答案之前已经进行了令人难以置信的 10000 次内部推理。这可能并非不合理。它可能已经完成了树搜索。它可能已经在此基础上进行了强化学习。它可能，它可能已经进行了一些模拟，肯定做了很多反思，可能查找了一些数据，查看了一些信息，不是吗？所以他的背景可能相当大。这就是我们所做的。因此，对于能力，这种扩展，我刚刚进行了计算，并将其与模型大小和计算大小每年 4 倍进行复合。另一方面，需求在使用方面持续增长。我们认为我们需要数百万个GPU吗？毫无疑问。是的，现在这是肯定的。所以问题是，我们如何从数据中心的角度来构建它？这在很大程度上与数据中心是一次几千兆瓦还是一次 250 兆瓦有关。我的感觉是，你会同时得到两者。Clark Tang：我认为分析师总是关注当前的架构赌注，但我认为这次谈话中最大的收获之一是，你正在考虑整个生态系统和未来很多年。所以，因为英伟达只是在扩大或扩大规模，是为了满足未来的需求。这并不是说，你只能依赖一个拥有 50 万甚至一百万个GPU集群的世界。当分布式训练出现时，你就会编写软件来实现它。黄仁勋：我们七年前就开发了 Megatron。是的，这些大型训练任务的扩展会发生。所以我们发明了Megatron，所以，所有正在进行的模型并行性，所有分布式训练的突破和所有批处理以及所有这些东西都是因为我们做了早期的工作，现在我们正在为下一代做早期的工作。Brad Gerstner：那么我们来谈谈草莓和o1。很多智能不能先验地完成。很多计算，甚至很多计算都不能重新排序。我的意思是，无序执行可以优先完成，很多事情只能在运行时完成。所以，无论你是从计算机科学的角度还是从智能的角度来思考，太多的事情都需要背景。环境，还有质量。你正在寻找的答案类型。有时，一个快速的答案就足够了。这取决于答案的后果，影响。这取决于答案的使用性质。所以，有些答案，需要一个晚上，有些需要一周。Brad Gerstner：我认为，从商业角度来看，这是一个被严重误解的事情。你刚刚描述了一家公司，它的产出量相当于一家拥有 15 万人的公司，但你只用 5 万人就做到了。现在，你并没有说我要解雇所有员工，你仍在增加组织中的员工数量，但该组织的产出量将大幅增加。AI不是黄仁勋，AI不会改变每一项工作。AI将对人们的工作方式产生巨大影响。让我们承认这一点。AI有潜力带来令人难以置信的好处。它也有潜力造成伤害。我们必须建立安全的AI。人们忽视的部分是，当公司使用AI提高生产力时，它很可能会表现为更好的收益或更好的增长，或两者兼而有之。当这种情况发生时，首席执行官的下一封电子邮件很可能不是裁员。Brad Gerstner：当然是公告，因为你在成长。黄仁勋：原因是我们有更多的想法，我们可以探索，我们需要人们帮助我们在自动化之前仔细考虑。所以自动化部分，AI可以帮助我们做到。显然，它也会帮助我们思考，但仍然需要我们去弄清楚我想解决什么问题。我们可以解决的问题有上万亿。那么，公司需要解决什么问题，选择这些想法，并找出自动化和扩展的方法。因此，随着我们变得更有生产力，我们将雇佣更多的人。人们忘记了这一点，如果你回到过去，显然我们今天的想法比 200 年前更多。这就是为什么 GDP 更大、就业人数更多的原因。尽管我们在底层疯狂地自动化。Brad Gerstner：这是这个时期的一个非常重要的点，我们正在进入一个几乎所有人类生产力、几乎所有人类繁荣都是自动化的副产品。你可以看看亚当·斯密和谢姆彼得的创造性破坏，你可以看看过去 200 年来人均 GDP 增长图表，现在它正在加速。如果你看看 90 年代，我们美国的生产力增长率大约是每年 2.5% 到 3%，好吗？然后在 2010 年，它放缓到大约 1.8%。然后过去 10 年是生产力增长最慢的十年。所以这就是我们固定数量的劳动力和资本或产出量，实际上是有记录以来最慢的。很多人都在争论这个原因。但如果世界真的像您所描述的那样，我们要利用和制造智能，那么我们是不是正处于人类生产力急剧扩张的边缘呢？黄仁勋：这是我们的希望。当然，我们生活在这个世界上，所以我们有直接的证据。要么是孤立的案例，要么是个别研究人员，他们能够利用AI以难以想象的超大规模探索科学。这就是生产力。百分百衡量生产力，或者我们正在以如此高的速度设计出如此令人难以置信的芯片。我们正在构建的芯片复杂性和计算机复杂性正在呈指数级增长，而公司的员工基础并不是衡量生产力的标准，对吧。我们开发的软件越来越好，因为我们使用AI和超级计算机来帮助我们。员工人数几乎呈线性增长。生产力的另一个体现。所以，我可以深入研究，我可以抽样检查很多不同的行业。我可以亲自检查。所以我可以，当然，你不能，我们不能，我们可能会过度拟合。但它的艺术性当然是概括我们所观察到的是什么，以及这是否会在其他行业中体现出来。毫无疑问，AI是世界上已知的最有价值的商品。现在我们要大规模生产它。我们所有人都必须擅长，如果你被这些AI包围，它们做得非常好，比你好得多，会发生什么。当我回想起来，这就是我的生活。我有 60 个直接下属。他们在自己的领域是世界一流的，而且他们做得比我好。比我好很多。我与他们互动毫无困难，我也能毫不费力地设计他们。我也能毫不费力地编程他们。所以我认为人们要学习的是，他们都将成为 CEO。他们都将成为 AI 代理的 CEO。他们有能力拥有创造力，嗯，一些知识，以及如何推理，如何分解问题，这样你就可以对这些 AI 进行编程，以帮助你实现像我一样的目标。这就是经营公司。Brad Gerstner：关于坏人、安全AI、与华盛顿的协调，你感觉如何？我们走在正确的道路上吗？我们有足够的协调水平吗？马克·扎克伯格曾说过，我们打败坏AI的方法是让好AI变得更好。对此你怎么看？黄仁勋：关于安全的讨论确实很重要，也很好。将AI视为一个巨大的神经元网络的概念性观点，并不是那么好。原因是，AI和大型语言模型虽然是相关的，但却不是一回事。我认为有很多正在做的事情非常好。第一，开源模型，第二，人们低估了致力于发明AI以保证AI安全的技术数量。创建AI是为了协调AI，生成合成数据以扩展AI的知识，使其减少幻觉。黄仁勋：现在，这些还没有得到充分重视，也没有得到充分理解。每个人都需要开始谈论AI，这是一个AI系统，是一个工程系统，是经过精心设计的，从第一原则构建的，经过充分测试的，等等。记住，AI是一种可以应用的能力。我不认为有必要对重要技术进行监管，但也不要过度监管，以至于有些监管要针对大多数应用进行。所有已经监管技术应用的不同生态系统现在都必须监管现在融入AI的技术应用。不要误解，不要忽视世界上为AI而必须启动的大量法规。不要只依赖一个宇宙银河系。Brad Gerstner：现在有很多关于开放与封闭的讨论。您如何看待开源，您自己的开源模型，能否跟上前沿？您知道，拥有开源模型和闭源模型，它们为商业运营提供动力，这是您对未来的看法吗？这两件事是否为安全创造了健康的张力？黄仁勋：开源与闭源与安全有关，但不仅仅是安全。拥有闭源模型绝对没有错，它们是维持创新所必需的经济模型的引擎。我认为封闭与开放的对立是错误的。如果我们没有开源，所有这些不同的科学领域如何能够激活AI。因为他们必须开发自己的特定领域的AI，他们必须使用开源模型开发自己的AI，创建特定领域的AI。仅仅因为你有一个开源模型并不意味着你就有AI。所以你必须有那个开源模型来创建AI。所以金融服务、医疗保健、交通运输，这些行业、科学领域的列表现在已经因为开源而得以实现。我们做 Nemotron的原因是为了生成合成数据。直观地说，一个AI会以某种方式坐在那里循环并生成数据来学习自己。这听起来很脆弱。你能绕这个无限循环多少次，这个循环值得怀疑。然而，我脑海中的画面有点像你找了一个超级聪明的人，把他关进一个软垫房间，关上门大约一个月，出来的可能不是一个更聪明的人。所以，所以，但你可以让两三个人坐在一起，我们有不同的AI，我们有不同的知识分布，我们可以来回进行质量保证。我们三个人都可以变得更聪明。Brad Gerstner：我要问您一个我经常想得到答案的问题，那就是，在 60 个直接下属的领导下，您能维持现在的工作多久？您正在推动这场革命，您玩得开心吗？还有什么其他您更愿意做的事情吗？黄仁勋：这是关于过去一个半小时的问题。答案是“我很享受”。与其说我能做多久，不如说我能保持相关性多久。如今我更加乐观，不仅仅因为今天的主题。我对我相关性和继续学习的能力更加乐观，因为AI。我每天都在用它，我不知道，但我相信你们都在用。我几乎每天都在用它。我没有一个研究不涉及AI，即使我知道答案，我也会用AI再三核对，我认为AI是一个导师。AI 是助手，AI 是合作伙伴，可以与我一起集思广益，检查我的工作，这完全是革命性的。我是一名信息工作者。我输出的是信息。所以我认为他们对社会的贡献非常了不起。![]()
![]()
![]()
![]()
![]()
