黃仁勳CES記者會實錄：AI擴展沒有物理限制，只專注做好兩件事
CES開幕演講的第二天，英偉達創始人兼CEO黃仁勳接受了全球媒體的採訪，持續1小時的採訪中，黃仁勳回答了關於英偉達策略、全球投資、AI生態格局、AGI時刻、Agentic AI、自動駕駛、物理AI等26個問題。
在記者會的最後，黃仁勳在回答至頂科技關於AI時代的學習教育趨勢時表示，“未來，每個學生都必須學會使用AI，就像現在這一代學生都必須學會使用計算機一樣。”
黃仁勳強調，AI革命極其深遠。他以計算機圖形學舉例，“這個領域的摩爾定律曲線，原本實際在放緩，但AI的加入讓它獲得了超級動力，現在幀率達到200、300、400幀每秒，圖像完全是光線追蹤且非常漂亮”，所以，我們已經看到了計算機圖形學的指數增長曲線，實際上，所有領域都看到了類似的陡峭增勢。
有趣的是，這次出現在記者會上的黃仁勳，換了一件皮衣，之所以沒穿前一天在CES上的“閃亮亮”皮衣，他調侃說道“too much（有點過了）”。
以下是針對黃仁勳本次記者會採訪的完整聽譯（爲便於閱讀和可讀性，科技行者進行了文字和段落上的小幅修改）：
【1】“英偉達只做兩件事”
問：去年英偉達重新定義了數據中心，現在又完成了系統層面的所有工作，特別是這次發佈了NVLink72，接下來是不是應該考慮基礎設施、電力和其他系統組件的問題了？
黃仁勳：英偉達有個宗旨，只做兩件事情——要麼是別人沒在做的事，要麼是我們能做得明顯更好的事。所以英偉達進入新業務的標準其實很高。比如，如果英偉達不造NVLink72，誰去造呢？如果英偉達不開發Spectrum X這樣的以太網交換機，誰能做呢？
雖然我們有32000人，仍然是相對較小的公司。作爲一家規模不大的公司，我們需要確保資源高度聚焦在能做出獨特貢獻的領域。
從早期的Hopper架構，到現在的Blackwell架構，功率密度在不斷提升。這是必然的發展趨勢，因爲更高的功率密度，意味着更好的性能。不管光子的速度有多快，我們還是傾向於讓計算機更緊湊，而且現在Blackwell在液冷方面都已經做的很好。
【2】談AI PC：“我們正在把雲端AI引入端側AI”
問：這次英偉達發佈了很多關於AI PC的消息，但現階段AI PC的採用率還沒有真正起飛，你認爲是什麼原因阻礙了它的發展？英偉達如何幫助改變這種局面？
黃仁勳：很好的問題。AI技術最初是在雲端環境下發展起來的，如果回顧英偉達過去幾年的增長軌跡，你會發現主要集中在雲計算領域，這是因爲訓練AI模型需要超級計算機。這些模型規模都很龐大，在雲端部署和通過API調用比較容易。
但我們認爲，仍然有很多設計師、軟件工程師、創意工作者和技術愛好者，他們更傾向於在PC上開發AI應用。其中一個挑戰在於，由於AI生態系統主要集中在雲端，大量的精力、發展動力和工程努力都投入在雲端，導致開發端側AI應用的人相對較少。
但其實Windows PC完全有能力支持AI開發，特別是通過WSL2（Windows Subsystem for Linux 2）。WSL2本質上是一個虛擬機，是一個運行在Windows內部的雙操作系統，它最初是爲雲原生應用創建的，支持Docker容器，而且支持CUDA。
我們正在努力確保PC上的WSL2能夠完美支持這些技術，從而把原本爲雲端打造的AI技術引入到PC端，就相當於把雲端能力帶到PC端。
我堅信這是未來的正確方向，我對此很興奮，所有的PC製造商也都表現出極大的興趣。我們正在與合作伙伴一起，讓所有PC都支持帶有WSL2的Windows系統，這樣就能把雲端AI的所有技術進展、工程成果、生態系統帶到個人電腦上。
【3】談投資、競爭與合作：“我們的緊迫感來自客戶的真實需求”
問：去年GTC大會上，你分享了英偉達在以色列增加投資的情況，加強了你們作爲該國最大僱主之一的地位。2024年你們繼續擴張，你們打算如何進一步增加在以色列的投資？具體來說，我們是否很快就會聽到一個正在進行中的新交易？另外，考慮到目前的局勢，你是否看到從那裡引進人才的機會？
黃仁勳：我們從世界各地吸引優秀人才，目前英偉達網站上收到了超過100萬份簡歷申請，而我們公司只有32000名員工。這表明大家對加入英偉達的興趣非常高，因爲我們做的工作很有趣。
在以色列，我們有很大的發展機會。最初我們收購邁絡思的時候，在那裡有2000名員工，現在我們在以色列的員工已達到近5000人。我們可能是以色列發展最快的企業僱主之一，我爲此感到非常自豪。
在過去一段時間裡，我們的以色列團隊創造了NVLink、Spectrum X、Bluefield 3等重要產品，我對團隊的專業水平和敬業精神感到非常自豪。
關於新的收購計劃，今天暫時沒有要宣佈的消息，但我們始終保持開放態度。如果你們知道一些必須要拿下的好項目，請第一時間告訴我，只告訴我（開玩笑）。
問：作爲一個遊戲玩家，我感到很興奮，因爲當你談到內存時，特別提到了HBM，爲什麼沒有選擇三星的？
黃仁勳：我認爲三星和SK不生產顯卡，對吧？（此時黃仁勳問向現場媒體）他們生產嗎？（得到肯定回覆後）好吧，抱歉，是我搞錯了，別告訴他們我說了這些。
關於HBM，他們正在努力，他們一定會成功的，這毫無疑問，我對此充滿信心。要知道，最早的HBM內存就是三星開發的，英偉達使用的第一塊HBM內存就來自三星，所以他們會重新崛起的，他們會強勢迴歸的。
追問：爲什麼他們花了這麼長時間？
黃仁勳：其實並不算太長。當然，韓國產業求變心切，這是好事。
但他們需要設計新方案，我相信他們一定能做到。而且他們進展很快，非常投入，我很有信心他們會成功。SK和三星都是優秀的公司，尤其在內存領域，所以我相信他們會繼續取得成功。你們昨天也看到了Blackwell中使用了多少HBM內存，HBM內存對我們的計算非常重要。
問：儘管超大規模客戶對英偉達產品的需求已經很明確，但我好奇的是，你們在擴大收入來源方面的緊迫感有多大？特別是在開拓企業客戶和政府客戶，幫助他們部署具有高性能AI計算能力的數據中心方面。尤其是在亞馬遜等公司正在研發自己的AI芯片時，你們感受到多大壓力？然後，能否詳細說說你們在企業和政府方面的進展嗎？
黃仁勳：我們的緊迫感來自於客戶的真實需求。我從不會因爲一些客戶也在開發芯片而擔憂，因爲大家做的是不同的事情。
我很高興看到客戶在雲端使用英偉達的技術，很高興他們用英偉達的技術來開發AI。我們的技術進步現在非常快，每年性能可以翻一番，就代表每年成本降低一半。這比摩爾定律最好時期的進步要快得多。所以，我們會積極響應客戶需求，用產品迴應他們。
關於企業級市場，現在主要有兩大行業服務：軟件服務商（比如ServiceNow、SAP等），以及幫助他們將軟件適配到業務流程中的解決方案集成商。英偉達的策略是與這兩個生態系統合作，幫助他們構建Agentic AI，而NIM、NeMo、AI Blueprints都是用於構建Agentic AI的工具包。
比如在軟件服務商方面，我們與ServiceNow團隊的合作就很成功，他們將因此推出一系列基於ServiceNow的AI代理服務，服務於員工和客戶。這就是我們的基本戰略。
在解決方案集成商方面，我們與埃森哲等公司合作。埃森哲在幫助客戶採用Agentic AI方面做得非常出色。
所以第一步是幫助整個生態系統開發AI，過去一年我們在構建Agentic AI工具包方面做得不錯，接下來就是部署的環節了。
問：很多公司都在開發Agentic AI，你們是如何與AWS、微軟、Salesforce這些同樣在爲客戶提供開發平臺的公司合作或競爭的？你們是如何與這些公司打交道的？
黃仁勳：英偉達不是一家直接服務企業的公司，而是一家技術平臺公司。我們在構建工具包、庫和AI模型，這些都是爲ServiceNow、SAP、Oracle、Synopsys、Cadence、西門子這樣的服務商提供的，但在計算層面、AI庫層面不是這些公司花精力投入的領域，所以英偉達可以爲他們創建。
這其實相當複雜，因爲我們實際在做的事情是在把類似ChatGPT的功能打包整合到容器中。優化這些端點和微服務是非常複雜的。不過一旦完成，客戶就可以在任何雲平臺上使用我們的產品，所以我們開發NIM、NeMo、AI Blueprints不是爲了與他們競爭，而是爲了服務他們。
事實上，已經有很多雲服務提供商用NeMo訓練他們的模型，他們的雲商店裡也有NeMo和NIM，我們對此感到很高興。我們創建了這整個技術層，理解NIM和NeMo的作用就像理解CUDA和CUDA X庫一樣重要。CUDA X庫對於英偉達平臺起到了關鍵作用，其中有用於線性代數的cuBLAS，用於深度神經網絡處理的cuDNN（這真正革新了深度學習），以及cuTLAS等所有這些我們談論的高級模型，我們爲行業創建這些庫，這樣他們就不必自己做了。
同理，我們開發NeMo和NIM也是爲了服務整個行業，這樣企業就不必自己從零開發了。
問：我來自中國臺灣。CES主題演講提到，Digits的CPU是與聯發科合作的，想請您談談更多與其他中國臺灣公司合作的情況。另外還想了解英偉達是否會在中國臺灣建設總部？
黃仁勳：我們在中國臺灣有很多員工，但現有的辦公地太小了，我需要找到解決方案，也許我之後會宣佈一些消息，我們正在物色地產。如果你知道好地方，請務必第一時間只告訴我一個人。
關於聯發科，我們在多個領域都有合作。比如自動駕駛汽車領域，雙方合作爲行業提供完全軟件定義的智能汽車解決方案。所以我們在汽車行業的合作非常非常順利。
此外，新的Grace GB10 CPU也是與聯發科合作開發的。我們共同設計架構，實現了芯片間的互聯以及CPU和GPU的內存一致性。
坦白說，聯發科在芯片設計和製造方面都做得很出色，第一次做出來的就很完美，性能優異。大家都知道聯發科在低功耗方面的優勢，確實名不虛傳。我們很高興能與這樣優秀的公司合作。
問：關於貿易限制，這個話題現在依然廣受關注，你對貿易限制可能影響到整個行業（包括英偉達）的盈利前景擔心嗎？
黃仁勳：我並不擔心。我相信政府會在貿易談判中做出正確的決定。無論最終結果如何，我們都會盡最大努力幫助客戶，推動市場向前發展。就像我們一直以來做的那樣。
【4】談AGI：“人在使用工具，機器終究是工具。”
問：我來自韓國，想問個哲學問題。最近Sam Altman發推文說我們已經接近AI“奇點”了，你這次也提到“通用機器人的ChatGPT時刻即將到來”，如果這是真的，機器人很快就會出現在我們身邊，也許有些機器人會比我們聰明，也許有些對我們來說很難理解。那麼你認爲，機器人會站在哪一邊？是與人類站在一起，還是對抗人類？
黃仁勳：會與人類站在一起，因爲我們就是這樣設計它們的。
AGI（超級智能）這個概念並不陌生。在我的公司裡，我的管理團隊、領導們和公司的科學家們都表現出超級智能，我已經被AGI包圍了，但我更願意被AGI包圍，而不是相反的情況，因爲這就是未來。
你會有超級智能來幫助你寫作、分析問題、做供應鏈規劃、編寫軟件、設計芯片、做數字營銷、做播客等等，而且它們隨時待命，爲你提供服務。
追問：所以你不認爲它們會有衝突？
黃仁勳：技術可以被用於多種用途。但要記住，是人在使用工具，機器終究是工具。
【5】談Cosmos：“一個能理解物理世界的基礎模型，會讓機器人成爲現實”
問：這次在CES演講的某些部分，感覺像是在聽技術研討會，內容很專業。但現在你們的受衆羣體更廣了，能否重新解釋一下這次發佈的AI進展的核心意義，讓那些完全不瞭解技術的普通觀衆也能理解。
黃仁勳：首先，我承認有這個問題，但這還是次要的。要知道，英偉達是一家技術公司，而不是消費品公司，我們的技術會影響和改變消費電子產品的未來。
雖然CES熱情邀請英偉達來分享，但我們始終是一家專注於技術的公司。當然，這並不能成爲我沒有把技術講解得更好的藉口。
我重新試着講解一下。
我們這次宣佈的一個最重要的突破，是開發了一個能夠理解物理世界的基礎模型Cosmos。就像GPT是理解語言的基礎模型，Stable Diffusion是理解圖像的基礎模型一樣，我們創造了一個理解物理世界的基礎模型。
它能理解摩擦力、慣性、重力、物體的存在和持續性，以及幾何和空間關係等概念——這些都是人類孩子們與生俱來就能理解的東西。我們認爲需要有這樣一個“理解物理世界”的基礎模型，它能以大語言模型目前無法做到的方式理解物理世界。
現在，通過Cosmos，所有你能用GPT和Stable Diffusion完成的任務，都可以用它來實現。比如，你可以跟這個世界模型對話，問它“現在看到了什麼？”它通過攝像頭獲取的畫面，可以描述“看到很多人坐在桌前，大家在一個房間裡”的現實場景。
爲什麼我們需要Cosmos？因爲如果你希望AI能夠在物理世界中合理地運作和互動，就必須讓AI理解物理世界。
自動駕駛汽車需要理解物理世界，機器人也需要理解物理世界，Cosmos是實現所有這些應用的起點。就像GPT催生了我們今天經歷的一切，就像Llama對當前所有的AI活動都很重要，就像Stable Diffusion觸發了所有這些生成式圖像和視頻模型一樣。
我們希望Cosmos也能達到同樣的效果，Cosmos會讓機器人成爲現實。
問：我想問這次發佈的模型，尤其是Cosmos，這些模型能在智能眼鏡上運行嗎？或者在開發這些模型時，你們有考慮過智能眼鏡嗎？因爲考慮到行業的發展方向，智能眼鏡似乎是未來很多人體驗AI代理的一個重要平臺。
黃仁勳：是的，我對智能眼鏡很感興趣，它能回答“我看到了什麼、如何到達目的地”，它可以幫助你閱讀，還有很多其他用途，使用場景非常廣闊。
對於Cosmos的使用方式，雲端的Cosmos可以提供視覺理解能力，如果你想在設備本地運行，那麼你可以使用Cosmos來提煉出一個小型模型。這樣，Cosmos就變成了一個知識遷移的AI工具，它將知識轉移到一個更小的AI模型中。
這種做法之所以可行，是因爲更小的AI模型雖然通用性較差，但在特定領域非常專業，這就是爲什麼可以進行定向的知識遷移。這也是爲什麼我們總是先構建基礎模型（大模型），然後通過知識蒸餾逐步構建更小的模型。
【6】談DLSS：“從最初沒人相信，現在大家終於意識到它確實是未來”
問：關於DLSS 4，你這次做了一些視頻展示，我想詳細瞭解一下，比如多幀生成技術，它是否仍然是渲染兩幀，然後在中間生成並進行插值？
另外，關於演示視頻裡提到的RTX Neural Material，這是遊戲開發者需要專門採用的技術嗎？還是它是驅動程序層面的功能，可以讓大部分PC遊戲受益？
黃仁勳：在Blackwell中，我們增加了着色器處理器能夠運行神經網絡，這樣就可以在着色器管線中混合使用代碼和神經網絡模型。這非常重要，因爲紋理和材質的處理，都是在着色器中處理的。
如果着色器能運行AI，那麼就能利用神經網絡帶來在算法上帶來的進步。比如壓縮技術，現在的紋理壓縮效果比我們過去30年使用的壓縮算法要好得多，壓縮比有了巨大提升。對於很多紋理可以額外壓縮5倍。現在遊戲體積都很大，所以這是個重要進步。
第二點關於材質。材質決定了光線在表面的傳播方式，它的各向異性特性，會讓光線以特定方式反射，讓我們能分辨這是金子、還是油漆、還是金箔。這種特性本質上是原子層面發生的，光線在材料的微觀結構上的反射、折射和散射造就了材質的特性。用數學方法很難描述這個過程，但我們可以用AI來學習它。所以我認爲，這種神經材質技術是一個重大突破，能爲計算機圖形帶來前所未有的生動感和逼真度。
這兩項技術都需要內容端的配合，所以開發者首先要開發內容，然後我們就可以輕鬆整合進去。
關於DLSS，幀生成不是插值關係，而是字面意義上真正的生成。我們是在預測未來，而不是在對過去進行插值，這樣做是爲了提高幀率。DLSS 4是一個徹底的突破，你們一定要去體驗。
問：AI在PC遊戲中是否扮演了更決定性的作用，你能想象傳統渲染的畫面幀，未來全部都變成AI生成的幀嗎？
黃仁勳：不是的，我來解釋一下原因。ChatGPT剛出來時，大家說“現在我們可以讓AI生成一整本書了”，但實際上內部人員都知道這並不現實，原因是AI生成內容需要獲得基準事實，這叫做條件控制(Conditioning)。
<編者注：條件控制就像是給AI一個清晰的“工作說明書”，讓它能夠按照我們的預期來完成任務。假設你是一個廚師，被要求做一道菜，就非常籠統，但如果有人告訴你“做一道中式炒麪，要偏甜口味，麪條要軟硬適中”，你就更清楚該怎麼做了。所以，如果沒有條件控制，AI就像無頭蒼蠅，生成的內容可能偏離預期。有條件控制時，給AI明確的方向和邊界，指定內容的風格、長度、深度，告訴它“要什麼”和“不要什麼”，更明確。）
就像我們現在，要用上下文來條件控制聊天或提示詞，在回答問題之前，它必須理解上下文，上下文可能是PDF文件、網頁搜索、或者提示詞。
遊戲也是同樣的道理，你必須提供上下文。而遊戲的上下文不僅有故事情節，還要考慮空間關係。進行條件控制的方式是提供初始的幾何形狀或紋理片段，然後基於這些，系統才能生成新內容或提升內容。
這種條件控制與ChatGPT使用上下文或企業中的“檢索增強生成（RAG）”是一樣的。未來的3D圖形生成將建立在以真實場景爲基礎的生成方式。
以DLSS 4爲例。在四幀畫面中有3300萬像素，我們只需要渲染其中的200萬像素，並讓AI預測並生成其餘的3100萬像素。
這200萬像素必須有精確的“條件控制”，通過“條件控制”，我們可以生成其他的幀。而且更重要的是，由於原本用在那3100萬像素的算力現在都集中在這200萬像素上，所以這200萬像素可以渲染得非常精美，爲其他像素的生成提供了基礎和參考。
這種變革將影響遊戲的方方面面，從像素渲染、到幾何渲染、到動畫渲染等。DLSS從第一次宣佈到現在，過去了六年時間，從最初的沒人相信（部分原因是我沒有解釋清楚），到現在大家終於意識到它確實是未來，關鍵是要有條件控制，要有藝術家的專業創意指導。
我們在Omniverse中就是這樣做的。我們將Omniverse和Cosmos結合，就是因爲Omniverse作爲Cosmos的3D引擎，本質上是一個生成引擎。我們可以精確控制渲染的程度，儘可能生成更多內容。當減少控制和模擬時，我們反而能模擬更大的世界。因爲在這背後，我們有一個強大的生成引擎，在創造一個精美的世界。
問：這次發佈的5090是個很棒的硬件，但要讓新硬件運行起來，需要面對Windows和DirectX的適配挑戰。你們需要做什麼來減少引擎適配的阻力？如果我想讓DirectX與你們的硬件配合得更好，需要注意什麼？
黃仁勳：多年來，每當DirectX的API需要擴展或革新時，微軟一直都非常願意配合。我們與DirectX團隊有着很好的合作關係。當我們在推進GPU技術時，如果API需要改變，他們都會很支持。
但對於DLSS來說，大多數情況下我們不需要改變API，實際上需要改變的是引擎本身，因爲這涉及到語義理解層面，它需要理解場景的整體，而不僅僅是繪製調用。
場景的更多信息存在於虛幻引擎、寒霜引擎或其他開發者的引擎中，這就是爲什麼DLSS現在已經集成到了很多個引擎裡的原因。特別是從DLSS 2/3/4開始，一旦完成集成，即使遊戲是爲DLSS 3開發的，當我們更新到DLSS 4時，它也能獲得DLSS 4的部分改進，以此類推。所以我們必須爲基於場景語義理解的AI處理搭建管道。AI處理是基於場景的語義信息，這真的必須在引擎層面實現。
【7】談Blackwell：“具有強大的通用性”
問：你認爲Blackwell到統一架構，在AI競爭中有什麼優勢？
黃仁勳：Blackwell GPU具有強大的通用性，能夠支持從Agentic AI到完整機器人系統的各類應用，無論是雲端服務器、自動駕駛汽車、機器人、還是遊戲系統，都能在Blackwell上運行。這是我們深思熟慮後做出的戰略決策。
這麼做的原因是，軟件開發者需要一個通用的開發平臺，開發者只需要開發一次，就能確保他們的程序可以在任何搭載英偉達芯片的平臺上運行。就像我這次在CES上說的，我們可以在雲端開發AI模型，然後輕鬆部署到個人PC上運行。還有誰能做到這一點？
這就表明，雲端的AI容器可以直接下載到PC上運行。比如SD-XL、Flux、Llama等模型都能完美適配，直接從雲端拖拽下來，在你的PC上就能立即使用，在遊戲等應用中也能得到廣泛應用。
問：看到這次發佈的5070的性能和4090差不多，價格還降了那麼多，很讓人興奮，那麼我們對即將上市的其他型號可以期待什麼？
黃仁勳：我們這次發佈了四張RTX Blackwell顯卡，其中性能最低的一款超過了當今世界上性能最強的GPU，真是令人難以置信。這充分體現了AI的驚人能力，如果沒有AI、沒有張量核心、以及圍繞DLSS4的所有創新，我們不可能達到這樣的性能水平。
至於其他型號，我現在沒什麼可以宣佈的。會有6060嗎？我不知道。不過6060確實是我最喜歡的數字之一。
問：這次英偉達發佈了DIGITS，你認爲非遊戲PC市場目前最沒有被滿足的需求是什麼？
黃仁勳：讓我先解釋一下DIGITS，它是一個深度學習GPU智能訓練系統，是一個面向數據科學家和機器學習工程師的平臺。現在，這羣人大多使用個人電腦、Mac或工作站來做這些工作，說實話，對大多數人的PC來說，做機器學習、數據科學、運行Pandas或PyTorch這些工作，都不是最優選擇。
所以我們現在有了DIGITS，它體積小巧，可以放在桌面，支持無線連接，使用起來就像在雲端操作一樣方便，就像是在運行你自己的私人AI雲。
爲什麼要開發這樣的設備？因爲對大多數開發者來說，需要頻繁使用計算資源，如果完全依賴雲服務，成本會很高。DIGITS正好填補了這個市場空白，現在有了這個設備，相當於擁有了一個私人開發雲，這對那些需要持續進行開發的數據科學家、學生和工程師來說非常有價值。
雖然AI起源於雲端，未來可能仍然以云爲主，但目前的計算設備已經跟不上AI發展的步伐。這就是爲什麼我們要開發新的解決方案。
問：我有一個關於遊戲玩家和消費者的問題。我們注意到RTX 5090和5080之間存在巨大差距。5090的CUDA核心數量是5080的兩倍多，價格也翻倍了。爲什麼要在旗艦和次旗艦產品之間做出如此大的差異？
黃仁勳：原因是，一旦有人想要最好的產品時，他們就一定會去選擇最好的。市場不需要那麼多細分，對於我們的發燒友來說，如果他們想要最好的，給他們稍差一點的產品來省100美元，他們是不會接受的。他們就是想要最好的。
當然，2000美元確實不是小數目，這確實是一個相當高的價格。但要記住，這項技術是要進入你的家用PC環境的。而你的那臺PC，已經在顯示器和音響上投資了約1萬美元，你肯定會想要最好的GPU。
所以我們有很多客戶，他們就是追求絕對最好的產品。
【8】談三種Scaling Law：一個良性循環
問：這次CES你提到，我們正在見證三種新的Scaling Law出現，特別是測試時規模定律（Test-Time Scaling），關於測試時計算（Test-time Compute）。我認爲OpenAI的GPT-o3模型已經表明，從計算角度來看，擴展推理的成本很高，在ARC-AGI基準測試中的一些運行成本達到數千美元。英偉達在提供更具成本效益的AI推理芯片方面做了什麼？更廣泛地說，你們如何從測試時規模定律中受益？
黃仁勳：這是個很好的問題。首先，對於測試時計算來說，無論是在性能還是成本方面，最直接的解決方案就是提升計算能力。
這就是爲什麼我們推出RTX Blackwell系列和NVLink72，新架構的推理性能可能比上一代Hopper高30-40倍。通過提升30-40倍的性能，你實際上也在降低30-40倍的成本，因爲數據中心的其他成本基本保持不變。
這個改進方式，也是摩爾定律在計算機歷史上如此重要的原因，正因爲它降低了計算成本。我之前提到我們的GPU性能在過去10年提升了10000倍，這反過來說明了我們將成本降低了幾千到上萬倍。在過去20年裡，我們將計算的邊際成本降低了100萬倍。
正是這種成本的大幅下降，讓機器學習變得切實可行。當我們提升性能時，推理也會發生同樣的事情，所以推理的成本也會下降。未來我們會繼續推動計算能力的提升，也將繼續帶來計算成本的降低。
從另一個角度來看，現在我們通過測試時間計算（Test-Time Compute）或測試時擴展（Test-Time Scaling）來獲得答案需要多次嘗試，這些答案會被用作下一輪後訓練（Post-Training）的數據，這些數據又會成爲下一輪預訓練（Pre-Training）的數據——所有我們現在收集的數據都會進入預訓練和後訓練的數據池。通過持續積累和利用這些數據來訓練超級計算機，我們可以讓模型變得更智能，從而降低推理成本，最終讓每個人的AI推理成本都變得更低。
只不過，這個過程需要時間，所以這三種Scaling Law會在未來持續發揮作用。一方面，每一次迭代我們都在提升模型的智能水平。另一方面，用戶對AI的要求也在不斷提高，會問出越來越難的問題，會要求AI具備更強的智能，這種需求會導致Test-Time Scaling的持續發展，形成一個良性且不斷擴大的循環。
【9】談自動駕駛汽車：“更大的創新可能來自中國”
問：我的問題是關於自動駕駛汽車。我記得2017年英偉達在CES上展示了一輛概念車，並在5月的GTC上與豐田合作。那麼2017年和2025年，這項技術有了哪些變化？當年存在什麼問題？現在又有什麼技術突破？
黃仁勳：首先，我認爲未來所有可移動的設備都會具備自動化功能。不會再有需要人力推的割草機了，20年後如果還有人在推割草機，那會很有趣，但這顯然毫無必要。未來的汽車，你仍然可以選擇自己駕駛，但所有汽車都將具備自動駕駛功能。這個發展趨勢已經非常明顯了。
5年前，我們還不太確定這項技術會發展到什麼程度，但現在我們非常篤定，包括傳感器技術、計算機技術、軟件技術都已經相當成熟。現在有充分證據表明，新一代汽車，特別是電動汽車，幾乎每一款都會具備自動駕駛能力。
我認爲有兩個因素推動了這個變革，真正改變了傳統汽車公司的想法。一個是特斯拉，影響力很大；但更大的影響可能來自中國令人驚歎的技術進步，蔚來、理想、比亞迪、小鵬、小米等新能源汽車公司，技術非常出色，自動駕駛能力也很強，現在正在走向世界。這給未來的汽車樹立了標準，未來每輛車都必須具備強大的自動駕駛功能。
所以我認爲，世界已經在改變，技術成熟需要時間，我們對它的認知也需要時間，但現在形勢已經很清晰了。我們的重要合作伙伴Waymo在舊金山已經遍地開花，老百姓也很喜歡它。
【10】談AI發展：“AI發展沒有任何物理限制，下一代將是用AI學習的一代”
問：英偉達是如何考慮市場策略的？AI發展的下一步需要什麼？是否存在物理限制？
黃仁勳：我們只在市場真正需要我們的時候纔會行動，如果市場存在空白，而且只有我們註定要去填補這個空白的時候，我們就會去做。我們傾向於做那些與現有市場不同的事情，或者如果我們不做就沒人會做的事情。
這就是英偉達的理念：不要重複做別人已經在做的事。我們不是市場份額的爭奪者，而是市場的創造者。我們不傾向於進入已經存在的市場去爭奪份額，那不是英偉達的風格。
比如說，市場上還沒有Digits這個東西，如果我們不開發它，世界上就不會有人去開發它，因爲軟件棧太複雜，計算能力要求太高。除非我們去做，否則沒人會去做。如果我們沒有推進神經圖形學，也不會有其他人去做，所以我們必須去做。這些都是我們必須承擔的使命。
問：我來自以色列。過去幾年裡，AI（特別是生成式AI）在各個領域發展迅速，我認爲這要歸功於推動這一時刻的科技公司。你認爲，當前AI的發展速度是可持續的嗎？短期內能維持這種勢頭嗎？
黃仁勳：是的，據我所知，AI的發展沒有任何物理限制。
第一，正如你所知，我們能夠如此快速推進AI計算的原因之一，是我們能夠以集成的方式同時構建和整合CPU、GPU、NVLink、網絡以及所有軟件和系統。
如果這些工作分散在20個不同的公司，整合起來會非常耗時。正是因爲我們掌握了所有集成技術和軟件支持，才能如此快速地推進系統發展。從Hopper、H100到H200再到下一代，我們將持續提升每個單元的性能。
第二，因爲我們能夠優化整個系統，我們能實現的性能遠超單純的晶體管性能提升。雖然摩爾定律已經放緩，儘管每代晶體管性能的提升不明顯，但我們的整體系統性能仍在逐年大幅提升。所以我認爲目前沒有明顯的物理瓶頸。
隨着計算能力的提升，Scaling Law的三種狀態將繼續發展：第一，研究人員可以用更大的模型，訓練更多數據，這是“預訓練規模定律（Pre-Training Scaling）”；第二，強化學習和合成數據生成能力，也會不斷提升，這是“後訓練規模定律（Post-Training Scaling）”；第三，如果我們繼續提高計算能力，也就意味着成本會持續下降，那麼我們可以處理大量數據，應用範圍會進一步擴大，這就是“測試時間規模定律（Test-Time Scaling）”。
所以只要沒有物理原因阻止，我們繼續提升計算能力，我認爲AI就會繼續快速發展。
問：所有重大的技術轉型都不是由一家公司完成的，比如互聯網、PC等，它們最終都會在某個時刻匯聚，才能產生這個重大變革。在AI領域，你覺得現在還有什麼缺失的部分會阻礙我們的發展，還是說一切都已經準備就緒了？我知道這個問題可能比較複雜，因爲AI的應用方式很多。但我很好奇你是否認爲生態系統中還缺少什麼關鍵部分？
黃仁勳：是的，我認爲有。讓我從兩個方面來說明。
首先，在語言和認知AI方面，我們仍在提升AI的認知能力，讓它具備多模態和良好的推理能力。其次，是如何把這項技術應用到AI系統中。
AI不是一個模型，而是一個模型系統。Agentic AI是一個模型系統的整合——有檢索模型、搜索模型、圖像生成模型、推理模型、規劃模型等等。所以這是一個完整的模型系統。
這幾年，行業不僅是在基礎AI方面創新，也一直在應用AI路徑上創新。但我們還缺少一個加速這一進程的必備要素，那就是——物理AI。
就像GPT-3是第一個達到實用水平的語言基礎模型，讓我們能在上面開發各種功能，物理AI需要像認知AI那樣有基礎模型，這就是我們開發Cosmos的原因。
所以我們必須讓物理AI也達到這樣的水平。這就是我們在開發Cosmos的原因。一旦達到這個水平，把模型推向市場，就能激活終端的大量應用場景，而且產業鏈下游的任務就能順利開展。這個基礎模型也可以作爲教師模型。
第二個AI缺失的部分，也是我們正在用Omniverse做的工作——就是將Omniverse和Cosmos這兩個系統連接在一起，使其成爲一個基於物理學的系統，這樣就能使用這種基礎模型來控制生成過程，讓Cosmos輸出的內容高度可信，而不僅只是看起來逼真。
所以，Cosmos+Omniverse是未來可能成爲一個非常龐大的機器人產業的重要起點。這就是我們這樣做的原因。
問：我是來自中國的媒體「至頂科技」。我的問題關於教育，（在AI時代），你認爲學生需要什麼樣的學習方式？或者從另一個角度問，學校應該傳授哪些知識、技能？
黃仁勳：非常好的問題。最後一個問題總會有些壓力，這是一個很好的收尾問題，因爲它涉及到一個永恆命題。
首先，讓我談談我的經歷，然後我們可以推演到下一代學生的學習。我們這一代人，是第一代必須學習如何使用計算機來做科研的人。上一代人，只用計算器、計算尺、紙和筆，我們這一代人必須學習如何使用計算機、編寫軟件、設計芯片、模擬物理。所以，我們是第一代使用計算機工作的一代人，而下一代將是學習如何使用AI工作的一代人，因爲AI就是新的計算機。
當然，現在很多重要的科學領域，未來的關鍵是如何用AI來幫助做研究：
-如何利用AI幫助進行生物學研究？
-如何利用AI幫助進行林業工作？
-如何利用AI幫助進行農業研究？
-如何利用AI幫助進行化學研究？
-如何利用AI研究量子物理？
-如何利用AI推進運籌學研究？
-幾乎每一個科學領域都會用到，包括計算機科學本身：即如何如何使用AI來推進AI的發展。
如果你想成爲記者，就要思考如何用AI來幫助自己成爲一名更好的記者。如果你想成爲作家，就要思考如何用AI來幫助自己成爲一名更好的作家。對嗎？
未來，每個學生都必須學會使用AI，就像現在這一代學生都必須學會使用計算機一樣。你要迅速意識到，AI革命是多麼深遠。這不僅僅是關於大語言模型，雖然大語言模型很重要，但AI將來會成爲字面意義上所有事物的一部分。這是我們所知的最具變革性的技術，而且發展極其迅速。
因此，我衷心感謝大家對這個行業的關注，對於遊戲玩家和遊戲產業，我真誠地感激，現在，行業與我們一樣興奮，從最初使用GPU來推進AI，到現在使用AI來推進計算機圖形學。
所有這些工作，包括與RTX Blackwell、DLSS4、神經渲染和神經着色的合作，都是由於AI技術的進步所推動的。目前，這些技術已經反哺到了計算機圖形學的發展。
值得注意的是，如果你看計算機圖形學的摩爾定律曲線，它本是在放緩，但AI的加入讓它獲得了超級動力，現在幀率達到200、300、400幀每秒，圖像完全是光線追蹤且非常漂亮。我們已經進入了計算機圖形學的指數增長曲線。實際上，我們在幾乎所有領域都進入了指數增長曲線。
所以，這就是爲什麼我認爲我們的行業將會快速變化，而且每個行業都將快速變化。
感謝你們的到來，新年快樂!