黃仁勳首提DeepSeek！英偉達蒸發的6000億又回來了

黃仁勳首度迴應DeepSeek？其實不準確！

在採訪中黃仁勳主動提及的DeepSeek，親自下場滅火，並稱贊到“（R1是）世界上第一個開源推理模型，這太令人興奮了，全球對我們開源的反響不可思議”！

黃仁勳大膽總結說：（有人說R1出現後）我們不再需要進行任何計算了。實際上，情況正好相反！爲啥呢？

在老黃看來，未來的AI仍然需要三方面的Scaling：

這也是黃仁勳想給投資者吃的“定心丸”，要知道在R1發佈當日，英偉達股價單日曾暴跌16.9%。據Yahoo Finance數據，英偉達股價在1月24日收於每股142.62美元，而在接下來的週一（1月27日），股價迅速下跌至118.52美元。這一事件在短短三天內使英偉達市值蒸發了6000億美元。

不過，英偉達的股價目前已經基本恢復，上週五，英偉達股價開盤報140美元。

在與DataDirect Networks（DDN）的聯合創始人和首席執行官Alex Bouzari所進行的這次採訪中，兩人還提出了其他方面的觀點，先來畫個重點：

以下是經整理的採訪原文，enjoy：

（有關DeepSeek的內容在採訪第三部分）

英偉達是“加速器”：計算讓AI變得可能

Alex Bouzari：歡迎來到《超越人工智能》。

黃仁勳：謝謝，能在這裡真是太好了，亞歷克斯。很高興見到你，你看起來很好。

Alex Bouzari：謝謝，你看起來也不錯，感謝你一如既往的支持。

黃仁勳：謝謝。

Alex Bouzari：好的，允許我必須告訴你，DDN是如何開始這個新產品的(Infina)。2017年,Nvidia說想要建立一個參考架構的超級集羣，我們需要數據部分。

離開那次會議時，我說，如果黃仁勳的遠見在未來十年內變爲現實，就需要一種完全不同的架構。它必須是一個高效可擴展的訓練架構，它必須具備低延遲，並且要在本地和多雲環境中分佈，負載不能移動，因爲成本太高了，圖像、視頻等都太大了，因此它必須是元數據和標記等。

因此，這就是它（Infina）的起點，我在白板上畫了它，我說這就是AI的架構應該是什麼樣的。大家看着我，都說，你完全瘋了。你在談論一些根本無法實現的事情。我說，我們換個角度來看，跳出問題的框架，忘掉我們要解決的東西，忘掉過去，忘掉文件系統等等，這花了七年時間。

黃仁勳：這就是兩個工程師CEO聚在一起時發生的事情（笑）。我認爲你剛剛描述的非凡旅程，從訓練模型到現在我們利用這些前沿模型和AI模型，轉向用於推理和解決大問題的AI應用。

人們常常忽視的一點是，在應用過程中需要的數據的重要性，而不僅僅是在訓練時。因此，當然，你希望在海量數據上進行預訓練，但在使用過程中，AI必須能夠訪問信息，而AI希望以信息的形式訪問信息，而不是原始數據的形式。這就是爲什麼將對象存儲和原始數據重新構建爲數據智能的原因，這爲DDN提供了新機遇，爲全球企業提供數據智能，因爲AI運行在這張信息網絡之上。這是計算和存儲的非凡重構，改變了我們之間的關係，以及你能向世界提供的產品類型。

Alex Bouzari：所以我們的看法是，必須要再說一次，這一切都是由你的願景驅動的。你基本上創造了這個行業，爲了讓這個行業能夠收穫成果，它正在改變我們所做的一切，工作、娛樂、休閒、健康、安全等等。

這是深刻的全球性轉變，是全球經濟在各方面的一個轉折。因此，爲了讓這一切發生，企業需要採用它，並且需要加快採用的步伐，這意味着投資回報率（ROI）必須能夠實現。爲了讓ROI能夠實現，應用層必須加速，而基礎設施必須高效，這些基礎設施駐留在數據中心或雲中。我們已經完成了這一部分。我認爲，最大的推動力和加速器是我們如何增強應用層，而你在這方面做得非常出色，尤其是在CUDA方面。

黃仁勳：感謝你使用“加速器”這個詞，我認爲在計算機科學的層面上，當然你我享受並觀察到摩爾定律的好處，計算變得越來越快，計算以同樣的價格和功耗變得更快，這意味着計算變得更加經濟實惠。因此，在我們職業生涯的前30年中，我們享受到了這一點，但在過去15年中，我們確實看到了一種平穩期，因此摩爾定律在很大程度上已經結束。

我們對計算機行業的貢獻，第一項根本貢獻是使用完全不同的架構和算法重構，極限加速。我們在計算機科學層面上共同努力，將順序處理轉變爲加速的並行處理。我們現在正在將計算加速到極限，這使我們能夠爲行業帶來成本效益和能源效率，並加速工作負載。

在這個基礎之上，我們發明了或使機器學習和人工智能成爲可能。我們現在的計算是如此高效，以至於你可以進入極端版本的計算，讓計算機自己找到洞察。

因此，在基礎層面上，我們必須做的一件事，以及我們在這條新產品線中共同完成的偉大工作。

談數字孿生：Omniverse將讓人同時生活在百萬個宇宙

黃仁勳：關於Infinia的事情是使用加速計算和人工智能，從你擁有的所有數據中學習，將原始數據轉化爲數據智能，將智能嵌入到模型中，從所有數據中提取其語義、智能和信息。現在，不再是服務原始數據，而是提供元數據、知識、智能和洞察力。令人難以置信的是，元數據、數據的語義層是高度壓縮的。

Alex Bouzari：是的，爲了實現這一點。因此，帶有多模態元數據標記和移動元數據的能力變得至關重要，否則經濟性根本無法實現。世界上沒有足夠的數據中心空間，也沒有足夠的電力來完成這樣的事情。

因此，元數據屬性非常關鍵，我們從Infinia開始，這就是我們關注的其中一項內容。我們說，必須有一個元數據豐富的基礎設施，能夠以非常低的延遲處理這些對象，這些對象需要被轉化以獲得洞察。因爲歸根結底，正如你所說，這就是數據智能。如果不從中獲得洞察，不獲得商業價值，也不爲消費者提供休閒價值，將所有這些數據引入環境中訓練模型又有什麼意義呢？所以，這必須有效，必須產生好處。

黃仁勳：這是一種與公司數據交互的新方式。你知道，與其檢索數據，不如弄清楚數據中有什麼。你可能會修改並存儲回去。在許多方面，你是在與公司的數據對話。你問公司的數據問題，你公司的數據迴應你，告訴你需要知道的事情。你可能在公司原始數據中有相當多的洞察，現在以這種語義形式存在。你希望有AI代理與來自不同部門的數據互動，查詢這些數據，生成報告，然後由另一個AI代理讀取、理解，將其與其他數據和其他智能結合，最終生成一些結果。

Alex Bouzari：所以，基本上，這些代理都是領域專家，每個代理在特定領域都是專家。他們是顧問，組織現在可以利用這些顧問來提高競爭力，更快地開發更好的產品，爲客戶帶來更多的價值，無論是產品還是服務。你將這些結合到Omniverse（注：Omniverse 是由 NVIDIA 開發的一個開放式虛擬世界平臺，旨在支持實時協作和3D內容的創建、模擬和共享）中，我認爲這是目前最了不起的東西。

與其在物理世界中做事情，你說，我要開發一種藥物來解決某種疾病，但這非常昂貴，需要數十億美元，耗時多年，還需要FDA(美國食品藥品監督管理局)的批准。我不知道它是否會成功。我們有10種不同的途徑需要探索，我們不能按順序進行，也不能並行進行，所以我們將在Omniverse中將它們作爲數字雙胞胎啓動，然後會得到反饋，告訴我們，如果你將路徑1的這些屬性與路徑4的其他屬性結合起來，將最大化成功的可能性，壓縮將藥物推向市場的時間，並最大化相關收益。

黃仁勳：對於正在觀看這一切的觀衆來說，這真的很有趣。我們的旅程始於高性能計算和高性能計算訓練基礎模型和前沿模型。這是高性能計算的極限版本。因此，Nvidia和DDN通過這個起點建立了我們的友誼和長期合作關係。現在，我們希望在訓練這些模型時，這些模型可以轉向世界企業，將我們的所有數據從原始數據轉化爲數據智能，現在我們的世界正在共同進入企業。因此，我們從高性能計算到企業，從公有云到現在的私有云和公有云。當你進入所有這些公司時，最終他們希望生活在數字世界中，因爲當我們生活在數字世界中，我們所做的一切都更快，這個Omniverse的理念使每個公司都能夠成爲數字雙胞胎，這真是深刻的。

Alex Bouzari：這太不可思議了，我不太確定人們是否能夠真正理解它的重要性。

黃仁勳：這是我們的旅程，也是下一步。所以我們已經從超級計算走到企業，現在我們要從企業走向企業的數字雙胞胎。爲了實現這一點，我們必須提取他們領域的數據，無論是3D數據、蛋白質、化學品、信息、時間序列，還是物理信息。我們希望提取所有這些數據，從中提取出表示和意義。一旦我們得到了它的表示，我們將在數字Omniverse中展示它。然後，全球的公司都可以在數字中擁有他們的表示。一旦我們進入數字世界，我們就可以同時進行1000個實驗。

因此，一旦我們擁有Omniverse，我們將擁有多元宇宙Omniverse，我們可以嘗試所有這些實驗。

Alex Bouzari：這就像在百萬個宇宙中同時生活。你選擇一個結合這些不同生活的組合，這個組合對你是最優的。這適用於企業和組織，也適用於有主權AI的政府，以造福他們的公民。它同樣適用於個人、消費者和健康。因此，你只需將所有這些內容分開並進行優化。

黃仁勳：我喜歡你能看到這一點。

Alex Bouzari：這正是正確的，但這非常深刻。第一次聽你談論Omniverse時，我想，哇，這就是AI引導我們的方向。

黃仁勳：AI需要將世界的原始數據提取出意義，在數字世界中進行表示。

Alex Bouzari：在數字雙胞胎中，因爲我們必須壓縮時間，降低經濟影響。因此，我們必須以更快的方式做到這一點。以數字雙胞胎的方式做到這一點是更便宜的。

黃仁勳：別無他法。是的，我們在數字雙胞胎中，一切都是這樣。

Alex Bouzari：是的，這就是企業採用AI的加速過程。它幫助他們在這個旅程中，從而真正壓縮時間並獲得顯著的好處。我們正處於這樣的時刻。

談推理進展：DeepSeek R1不代表計算已經終止

黃仁勳：現在我們已經構建了數據層，並在其上構建了一個智能層，這就是數據智能。在這個層的基礎上，我們將構建一個代理層。在信息世界中，我們稱它們爲代理AI。在物理世界中，我們使用體現於機器人的物理AI。所以我們現在又有了一個層。

真正令人興奮的是，你可能看到了DeepSeek發生的事情，這是世界上第一個開源推理模型，這太令人興奮了，全球對我們開源的反響不可思議。

Alex Bouzari：爲什麼人們認爲這可能是件壞事？我認爲這是件好事。

黃仁勳：首先，我認爲從投資者的角度來看，有一個心理模型認爲世界是預訓練的，然後進行推理，推理就是你問AI一個問題，它立刻給你一個答案，一次性回答。我不知道這是誰的錯，但顯然這個範式是錯誤的。這個範式是預訓練，因爲我們希望有基礎。你需要對信息有基本的理解才能進行第二部分，即後續訓練。

因此，預訓練仍然需要嚴謹，數據量要大，（還有）多模態數據，正如你提到的。我們將從語言中學習，當然還有語言和圖像、視頻、聲音，我們將把所有這些結合在一起形成我們的基礎知識，而這將持續進行。

第二部分，這是智能中最重要的部分，我們稱之爲後續訓練。但這是你學習解決問題的地方。你有基礎信息，瞭解詞彙、語法和基本數學是如何運作的。因此，你將這些基礎知識應用於解決問題。我們稱之爲後續訓練。

你可以使用強化學習和人類反饋。這是指使用人類示範的另一種說法。或者你可以使用自我練習的強化學習，或者你可以與另一個AI進行強化學習，一個教練，對吧？因此，與後續訓練相關的學習範式有很多種。

在這個範式中，技術在過去五年中發生了巨大的變化，計算需求也非常密集。因此，人們認爲，哦，天哪，預訓練的負擔要小得多。他們忘記了，後續訓練實際上是相當密集的。

現在第三個擴展法則是，你在回答問題之前進行的推理越多，思考越多，效果就越好。當然，我們記住了很多事情。比如，64的平方根是多少？你只是記住了這個。你可以對其進行推理，但不必這樣。因此，理想情況下，你已經記住了很多基本的事情，但大多數有價值的智能你仍然需要進行推理。因此，你必須應用第一原則，逐步分析。

也許你需要嘗試很多不同的實驗。根據一個實驗的結果輸出，它可能會爲你下一個實驗提供信息。因此，推理是一個相當計算密集的部分。因此，我認爲市場對R1的反應是，哦，我的天，AI完成了。

你知道，它從天而降。（有人說）我們不再需要進行任何計算了。實際上，情況正好相反。

Alex Bouzari：這完全相反，因爲DeepSeek正在做的是，它讓每個人注意到，有機會讓模型比我們認爲可能的更高效，因此它正在擴大並加速AI的採用。

R1現在可以與智能信息進行交互以解決問題。我認爲另一個極具賦能的東西是CUDA工具，我認爲這開啓了各種可能性，因爲人們可以將其與特定行業的數據結合起來，進行推理，比如生命科學、金融服務、自動駕駛等等。你將所有這些結合在一起，並與模型的進步相結合，再次加速AI的採用，這對Nvidia來說是件美好的事情。我認爲對DDN來說也是一件美好的事情，但這一切都是在應用層上發生的。是的，我認爲我們需要繼續改善你們在GPU上所做的事情，越來越快，降低功耗，推動數據中心和多雲環境的經濟效益。但這些都是結合在一起的。你知道，這個數據智能層，正如你所建議的，正在與數據中心的效率和應用層的加速相結合。

黃仁勳：真正令人驚訝的是，當你剝離一切時，這一切只是軟件，但今天我們談論軟件的方式與十年前談論軟件的方式截然不同，真是不可思議。

一個問題，Alex，人們會問，企業應該構建自己的AI還是僅僅使用公共雲中的AI？我認爲答案是，都是。原因是，如果你能使用公共雲AI，我絕對會從那裡開始。因此，那裡提供的東西對於許多個人使用來說，通用智能非常好，並且正在以指數速度增長。所以，真的非常適合入手。

然而，企業內部有許多不同的領域。例如，我們設計芯片的方式，我們編寫軟件的方式，我們的編程代碼，我們的Vlog編程，供應鏈管理的方式，都是深度專業化的，我們在這些方面的專業知識顯然是卓越的。因此，在這種情況下，我們傾向於構建自己的AI。我們擁有所有必要的工具包，從開源模型和開源工具包，如Nvidia的Nemo、Nvidia Nims，以及像Infina這樣的數據智能層。所有這些技術組件都可以用於入駐並策劃培訓課程和訓練自己的AI。因此，它將成爲所有這些AI代理的策劃。

公司將由自制的AI、合同AI、與第三方軟件平臺一起提供的AI以及公共雲中的AI組成。在你的公司內部，你將會是AI的AI，而AI內部是一個模型系統。你將有AI相互合作，解決大型問題，坐落在你公司的數據智能層之上。因此，對於組織來說，情況就是這樣。

Alex Bouzari：我認爲，作爲一個組織、一個企業，不論市場如何，你說得對，你的使命是什麼？你的目的是什麼？一旦你定義了這一點，你就必須進行差異化，而這種差異化只能來自AI在你特定組織中的專業應用。所以是的，你可以使用AI，但這只是消費而已。真正的價值是，作爲生命科學組織、金融服務組織，你的生活目的是什麼？那麼，你如何進行差異化？這非常特別，這就是你需要Nvidia提供的專業NIMS能力的地方，這就是Nemo發揮作用的地方，這就是我認爲DDN's Infina發揮作用的地方。它真的賦能了差異化，使其更具影響力並放大這種差異化。

黃仁勳：沒錯。

Alex Bouzari：我再次感謝你，作爲一個出色的合作伙伴，向我們展示了方向，謝謝你，內部擁抱我們的技術和視頻，這太棒了。對此我無以爲報，感謝你。