英伟达近日宣布，将通过一系列盛大活动庆祝GeForce品牌诞生25周年，并在即将到来的CES 2025上正式发布下一代GeForce RTX 50系列“Blackwell”GPU。毋庸置疑，英伟达是这个星球上最重要的公司之一，整个人工智能技术革命都在它所提供的基础设施的基本单元GPU之上构建。是CEO黄仁勋让AI成为了现实，也让英伟达成为全球市值为高的公司之一。
他的成功源自他工程师化的思考，对计算的深刻理解和对AI技术的深刻洞察，甚至源自竞争对手的围剿，而不得不转向“无人竞争的市场”。在全球首部独家授权采访传记《黄仁勋：英伟达之芯》中，黄仁勋首次公开他对技术的深度思考和对未来的笃定判断。作为与黄仁勋相识6年的朋友，知名科技记者斯蒂芬威特通过与黄仁勋的深谈，和超过200位的下属、朋友、投资人甚至竞争对手的访谈，精彩呈现了这场AI驱动下芯片技术革命的观点预测和技术思考。
对AI、AGI的极度乐观
即便是人工智能领域最乐观的展望者，也主张应保持一定程度的审慎，例如，OpenAI 的成立背景便是防范灾难的发生。而几乎只有黄仁勋坚信，人工智能只会带来益处：
当人工智能网络能够学习并掌握从字节、语言、图像到蛋白质序列等多种数据的理解时，一场变革性、开创性的能力便应运而生了。我们突然间拥有了能够理解单词内涵的计算机。得益于生成式AI，信息得以在不同模式间自由转换，比如从文本到图像、从蛋白质到文本、从文本到蛋白质，乃至从文本到化学品等。这一原本作为函数逼近器（Function Approximator，数学领域的重要概念，用于多个领域）及语言翻译器而存在的工具，如今所面对的问题是，我们如何能充分利用它？全球范围内创业公司如雨后春笋般涌现，它们结合了这些不同的模型与能力，展现出无限可能。
因此，我认为真正令人惊叹的突破在于，我们现在能够理解信息的真正意义。这意味着，作为数字生物学家，你能理解所观数据的含义，从而于万千数据中精准捕捉到关键信息；作为英伟达的芯片设计师、系统设计师，或是农业技术人员、气候科学家、能源领域的研究者，在探寻新材料的过程中，这无疑是开创性的壮举。
从CPU到GPU，与人工智能携手“制造”智能
回顾历史，农业革命让我们生产出了更多的食物，工业革命则让我们的钢铁产量大幅提升。进入信息技术时代，信息的数量更是爆炸式增长。而今，在这个智能时代，英伟达与人工智能正携手“制造”智能。
从编码到机器学习，从CPU到GPU，标志着一个全新的时代的到来。
而且，由于GPU的功能异常强大，我们现在能够开发的软件类型堪称非凡，而在这一强大基础之上，则是人工智能的蓬勃发展。这正是其出现所带来的变革，计算机科学因此发生了巨大变化。现在，我们需要思考的是，这样的变化将如何影响我们的行业？我们都在竞相利用机器学习去探索新的人工智能领域。那么，究竟什么是人工智能呢？这其实是一个大家耳熟能详的概念，即认知自动化和解决问题自动化。解决问题的自动化可以归结为三个核心概念：观察并感知环境，理解并推理环境，然后提出并执行计划。
我们正在创建Copilots、ChatGPT等智能工具，这些都是我们创造出的不同类型的智能“消费者”，它们实际上就像灯泡和烤面包机一样，是消耗能量的设备。但想象一下，那些令人惊叹的、我们所有人都会使用的智能设备，它们将连接到一个新的工厂。这个工厂曾经是交流电发电厂，但现在，新的工厂将是数字智能工厂。
坚守加速计算引擎CUDA，从芯片公司转型为AI芯片公司
英伟达的加速计算之旅始于2006年发布的CUDA和首款用于科学计算的 GPU。CUDA的核心理念在于，将原本用于视频游戏的并行计算电路重新定向给科学家使用。黄仁勋深信：在某个角落，定有某位狂热者，其理念将通过CUDA得以验证；在某处，定有某位研究生将跳过烦琐的资助申请，用微薄的生活津贴换购一个英伟达GPU，从而掀起一场技术革命；在某处，定有某个被忽视的科学领域，正静候CUDA的强力加持，以彻底颠覆旧有范式。
黄仁勋断定：神经网络将彻底变革社会，而他可以通过CUDA在必要的硬件市场中占据重要地位。他宣告自己将举公司之力投入这个项目的发展。英伟达迅速从一家形芯片公司转型为AI芯片公司。
CUDA库是英伟达不断取得进步的核心所在，黄仁勋称其为“加速计算的引擎”，它赋能了从AI驱动的医疗突破到量子电路模拟的一切。包括诺贝尔奖获得者在神经网络和蛋白质预测方面取得的突破性进展，都是在英伟达技术支持下实现的。
黄仁勋表示：“AI 将加速科学发现，变革各行各业，并彻底改变全球每一个100万亿美元规模的市场。”
AI for Science：为科学家提供算力支持
黄仁勋积极开拓除游戏玩家之外的客户，为那些需要大量算力的客户，如气候科学家、放射科医生、深海石油勘探者等提供支持。
我在2018年的超算大会上曾介绍过人工智能，但当时遭遇了诸多质疑。原因在于，那时的人工智能更像是一个“黑箱”。时至今日，它依然在一定程度上保持着“黑箱”的特性，但已比过去更加透明。比如，你我皆为“黑箱”，但现在我们可以向AI发问：“你为何提出这样的建议？”或者“请逐步阐述你得出这一结论的过程。”通过此类提问，AI正变得愈发透明和易于解释。因为我们可以借助问题来探究其思考过程。重要的不仅仅是获取答案，更在于答案的合理性以及是否基于第一性原理。这在2018年是无法做到的。
AI目前尚未能从第一性原理中直接得出答案，它是通过观察数据来学习和得出结论的。因此，它并非模拟第一性原理的求解器，而是在模仿智能、模仿物理。那么，这种模仿对科学而言是否有价值呢？我认为，其价值不可估量。因为在众多科学领域，我们虽然理解第一性原理，如薛定谔方程、麦克斯韦方程等，但面对大型系统时，我们却难以模拟和理解。因此，我们无法仅凭第一性原理进行求解，这在计算上存在局限，甚至是不可能的。然而，我们可以利用AI，训练它理解这些物理原理，并借助其模拟大型系统，从而帮助我们理解这些系统。
如今，我们或许已拥有了计算机科学技术，使数字生物学家、气候科学家以及处理异常庞大复杂问题的科学家们能够首次真正理解物理系统。这是我的期望，希望在这一交叉领域能够实现这一愿景。
黄氏定律，AI时代的摩尔定律
黄仁勋为我们勾勒了一幅充满希望的光明未来，而这在很大程度上得益于黄仁勋和英伟达在过去10多年间对该领域的卓越贡献。摩尔定律在业界一直备受瞩目，而近年来，“黄氏定律”逐渐为人们所熟悉。在早期的计算机行业中，英特尔提出的摩尔定律曾预言计算能力每18个月翻倍。然而，在过去10到12年间，特别是在黄仁勋的引领下，计算能力的增长速度甚至超越了这一预测，实现了每年翻倍甚至更高速度的增长。大语言模型在过去12年里的计算需求每年都以4倍以上的速度激增。若以此速度持续10年，计算需求的增长将是一个惊人的数字——高达100万倍。
我们正身处一个趋势之中：神经网络的规模越大，用于训练的数据量越多，AI似乎就表现得越智能。这一经验法则与摩尔定律有着异曲同工之妙，我们不妨称之为“规模定律（Scaling Law）”，且这一定律似乎仍在持续发挥作用。然而，我们也清醒地认识到，仅仅依靠预训练，即利用全球范围内的海量数据自动挖掘知识，是远远不够的。接下来，还有后训练阶段，也就是深入钻研某一特定技能，这要求强化学习、人类反馈、AI反馈、合成数据生成以及多路径学习等多种技巧的综合运用。简而言之，后训练就是选定一个特定领域，并致力于对其进行深度钻研。
而在这之后，我们最终会迎来所谓的“思考”阶段，也就是所谓的测试时间计算。有些事情你一眼就能看出答案，而有些则需要我们将其拆解成多个步骤，并从第一性原理出发，逐一寻找解决方案。这可能需要我们进行多次迭代，模拟各种可能的结果，因为并非所有答案都是可预测的。因此，我们称之为思考，且思考的时间越长，答案的质量往往越高。而大量的计算资源将助力我们产出更高质量的答案。
虽然今天的答案已是我们所能提供的最佳结果，但我们仍在寻求一个临界点，即所得到的答案不再局限于我们当前所能提供的最佳水平。在这一点上，你需要判断答案是否真实可靠、是否有意义且明智。我们必须达到这样一个境界，即所得到的答案在很大程度上是值得信赖的。我认为，这还需要数年的时间才能实现。
与此同时，我们仍需不断提升计算能力。正如你之前所提到的，过去10年里，我们将计算性能提升了100万倍。而英伟达的贡献在于，我们将计算的边际成本降低了同样的幅度。想象一下，如果生活中有你所依赖的事物，如电力或其他任何选择，当它的成本降低了100万倍时，你的行为习惯将会发生根本性的变化。
对于计算，我们的看法也已经发生了翻天覆地的变化，而这正是英伟达有史以来最伟大的成就之一。我们利用机器去学习海量的数据，这是研究人员无法单独完成的任务，而这正是机器学习能够取得成功的关键所在。
黄仁勋对AI技术的预判和市场布局，让他好像是一个来自未来的人，他极具预见性地闯入一个又一个无人涉猎的市场，踩准每一个关键的技术节点，将整个行业，甚至人类社会带入新的纪元。当再次回归技术本身，黄仁勋带领的英伟达，是否终将难以摆脱技术发展周期的支配，还是始终能在一次次技术变革的博弈中胜出，让我们拭目以待。
