11月23日，在香港科技大学周六举行的博士学位授予仪式上，英伟达创始人兼首席执行官黄仁勋被授予工程学荣誉博士学位。授予仪式结束后，黄仁勋与香港科技大学校董会主席沈向洋对话，探讨关于技术、领导力和创业的故事。以下为对话全文：沈向洋：昨晚我辗转难眠，其中一个极为关键的原因在于，我亟欲向诸位引荐这位宇宙间最卓越的首席执行官。但我心中也暗自为贵公司担忧，毕竟昨晚苹果股价上扬，而英伟达的表现却略显逊色。我已迫不及待想要知晓股市收盘的结果！今晨醒来，我第一时间询问妻子英伟达是否挺住了。你在人工智能领域领航已久，能否再谈谈对人工智能的看法，以及这项技术，或是AGI（通用人工智能）可能带来的影响？黄仁勋：正如你所了解的，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？你见证了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。沈向洋：如今，通用翻译器的概念已然成形，它赋予我们理解世间万物的能力。许多人都听你描述过人工智能对社会的惊人影响。那些观点深深触动了我，甚至在某些方面让我感到震撼。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。你能进一步阐述为何这项工作如此重要吗？黄仁勋：从计算机科学的视角来看，我们重新发明了整个堆栈。这意味着，我们过去开发软件的方式已经发生了根本性的变化。提及计算机科学，软件开发自然是不可或缺的一环，它是如何实现的，这至关重要。以往，我们依靠手工编写软件，凭借想象力和创造力构思功能、设计算法，然后将其转化为代码，输入电脑。从Fortran到Pascal，再到C语言和C++，这些编程语言让我们得以用代码来表达创意。代码在CPU上运行得很好，我们向计算机输入数据，询问它从中发现了什么函数，通过观察我们提供的数据，计算机能够识别出其中的模式和关系。然而，现在的情况已经有所不同，我们不再依赖于传统的代码编写方式，而是转向了机器学习和机器生成。这不再是简单的软件问题，而是涉及到了机器学习，它生成神经网络，并在GPU上进行处理。这一转变，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。例如，在自动驾驶汽车中，车辆可以感知周围环境，推理自身及周围车辆的位置，最后规划出行驶路线。这其实就是一种数字司机的表现形式。同样地，在医疗领域，我们可以观察CT扫描图像，理解并推理出图像中的信息，如果发现异常，可能代表着肿瘤的存在，然后我们可以标记出来并告知放射科医生。此时，我们就扮演了数字放射科医生的角色。在我们所做的几乎每一件事情中，都可以找到与人工智能相关的应用，它们能够出色地完成特定的任务。如果我们拥有足够多的数字智能体，并且这些智能体能够与产生这些数字信息的计算机进行交互，那么这就构成了数字人工智能。然而，目前我们所有人对数据中心的总体消耗，虽然看似庞大，但数据中心主要是在生产一种名为“Token”的东西，而并非真正的数字智能。我可以解释一下这两者之间的区别。300年前，通用电气公司和西屋电气公司发明了一种新型仪器——发电机，并最终演化为交流发电机。他们非常明智地创造了一种“消费者”来消费他们所生产的电力，这些“消费者”包括灯泡、烤面包机等电器设备。当然，他们还创造了各种各样的数码设备或电器，这些设备都需要消耗电力。现在，来看看我们正在做的事情。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。从工业的角度来看，我们实际上正在创造一个新的产业，这个产业在吸收能量并产生数字智能，而这些数字智能可以被应用于各种不同的场景。我们相信，这个数字智能产业的消耗量将是巨大的，而这个行业在以前是不存在的，就像交流电发电行业在以前也不存在一样。沈向洋：你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你和英伟达在过去十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，特别是在你的引领下，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。从消费端观察，大语言模型在过去12年里的计算需求每年都以四倍以上的速度激增。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。这也正是我向他人阐释英伟达股价在过去10年间上涨300倍原因时的重要论据。考虑到计算需求的这一巨大增长，英伟达的股价或许并不显得高昂。那么，当你运用你的“水晶球”预测未来时，你认为在接下来的10年里，我们是否还会见证计算需求再次实现100万倍的增长呢？黄仁勋：摩尔定律依赖于两个核心概念：一是超大规模集成电路（VLSI）的设计原理，它是受到我、加州理工大学的卡弗·米德教授（Carver Mead）以及林恩·康威教授 (Lynn Conway )的著作启发的，这些著作激励了整整一代人；二是随着晶体管尺寸的不断缩小，我们得以每隔一段时间就将半导体的性能提升一倍，大约每一年半就能实现一次性能翻倍，因此每五年性能提升可达10倍，每十年更是能提升100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。正如大学毕业是一个至关重要的里程碑，但它绝不是终点。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。这就像当我们步入职业生涯后，会进行大量的专业学习和实践。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，过去十年里，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。沈向洋：我迫切希望听听你的看法，香港在当前机遇中应如何作为。现在，一个特别令人兴奋的事情是“AI for Science”，而你对此一直抱有极大的热情。香港科技大学已经投入了大量的计算基础设施和GPU资源，我们特别重视推动各院系之间的合作，如物理与计算机科学、材料科学与计算机科学、生物学与计算机科学等领域的交叉融合。你之前也深入探讨了生物学的未来。另外，值得一提的是，香港政府已决定建立第三所医学院，而香港科技大学是首个提交这个提案的高校。那么，对于校长、我本人以及整个大学而言，你有什么建议？黄仁勋：首先，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”。诚然，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，正如教授们通过提问来洞察学生的思考过程一样。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。其次，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，其价值无可估量。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。那么，这种应用具体在哪些方面能够发挥作用呢？首先，人体生物学的尺度从纳米级开始，时间尺度则跨越纳秒至年。在如此宽广的尺度和时间跨度上，使用传统求解器是根本无法实现的。现在的问题是，我们能否利用AI来模拟人体生物学，以便更深入地理解这些极其复杂的多尺度系统？这样，我们或许可以称之为创建了一个人体生物学的数字孪生体。这正是我们寄予厚望之处。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。提及你们的医学院项目，对于香港科技大学而言，一所与众不同的医学院即将在这里诞生，尽管这所大学的传统专业领域是技术、计算机科学和人工智能。这与世界上绝大多数医学院截然不同，它们大多是在成为医学院后，再尝试引入人工智能和技术，而这通常会面临人们对其技术的怀疑和不信任。然而，你们却有机会从头开始，创建一个从一开始就与技术紧密相连的机构，并在这里推动技术的不断发展。这里的人们深知技术的局限性与潜力。我认为，这是一个千载难逢的机遇，希望你们能够紧紧抓住。沈向洋：我们当然会采纳你的建议。香港科技大学一直以来在技术和创新方面有着卓越的表现，不断推动计算机科学、工程、生物学等领域的前沿发展。因此，作为香港第三所医学院，我们坚信自己能够走出一条与众不同的道路，将传统的医学培训与我们在技术研究方面的优势相结合。我确信，未来我们还会向你寻求更多的建议。不过，我想稍微改变一下话题，谈谈领导力。你是硅谷任期最长的CEO之一，可能已经远超其他人，担任英伟达CEO的时间已经长达30年或31年之久了吧？黄仁勋：差不多32年了！沈向洋：但你似乎从未感到疲倦。黄仁勋：不，我其实感到非常累。今天早上到这里的时候，我还说超级累。沈向洋：但你依然在不断前行。因此，我们当然想从你身上学到一些领导大型组织的经验。你是如何领导英伟达这样一个庞大组织的？它拥有数万名员工、惊人的收入和大量的客户，覆盖面极广。你是如何做到以如此惊人的效率领导这样一个大型组织的？黄仁勋：今天我想说，我感到非常惊讶。通常情况下，你只会看到计算生物学家或者商科学生，但今天我们看到的计算生物学家同时也是商科学生，这真是太棒了。我从未上过任何商业课程，也从未写过商业计划书，我完全不知道如何下手。我依赖于你们所有人来给予我帮助。我要告诉你们的是，首先你们要尽可能多地去学习，而我也一直在不断学习。其次，关于你们想全身心投入并视为一生事业的任何事情，最重要的是热爱。将你所做的任何事情都视为你毕生的事业，而不是你的工作，我认为这种思维方式会在你的心中产生很大的不同。英伟达就是我的事业。如果你想成为一家公司的CEO，你有很多东西要学，你必须不断地重塑自己。世界一直在变化，你的公司和技术也一直在变化。你今天所知道的一切，将来都会有用，但还远远不够，所以我基本上每天都在学习。我在乘飞机过来的路上，也在看YouTube，在和我的AI聊天。我找了一个人工智能做导师，问很多问题。AI会给我一个答案，我会问它为什么给出这个答案，让它一步步地告诉我答案，以这种方式向我解释，将这种推理应用到其他事情上，给我一些类比。有很多不同的学习方法，我利用AI。所以，有很多学习方法，但我要强调的是，你要不断学习。关于担任CEO与领导者的心得，我总结了以下几点：首先，身为CEO及领导者，你无需扮演无所不知的全能角色。你必须坚定地相信自己所追求的目标，但这并不等同于你必须对每个细微之处都了如指掌。信心与确定性是两个截然不同的概念。在追求目标的过程中，你可以满怀信心地前进，同时开放心态，欣然接受并拥抱其中的不确定性。这种不确定性实际上为你提供了持续学习、不断成长的空间。因此，要学会从不确定性中汲取力量，视其为推动你前行的朋友而非敌人。其次，领导者确实需要展现出坚韧不拔的一面，因为周围有许多人都在仰仗你的力量，并从你的坚定中汲取勇气。然而，坚韧并不意味着你必须时刻隐藏自己的脆弱。在需要帮助时，不妨勇敢地寻求他人的支持。我始终秉持这一理念，无数次地向他人坦诚求助。脆弱并非软弱的表现，不确定性也不是信心的缺失。在这个复杂多变的世界中，你既可以坚强自信地面对挑战，也可以诚实地接纳自己的脆弱和不确定性。再者，作为领导者，你的决策应始终围绕使命展开，以他人的福祉和成功为考量。只有当你的决策真正有利于他人时，你才能赢得他们的信任与尊重。无论是公司内部员工、合作伙伴，还是我们服务的整个生态体系，我始终在思考如何促进他们的成功，如何保障他们的利益。在决策过程中，我总是以他人的最佳利益为出发点，以此作为我们行动的指南。我认为这些可能很有帮助。沈向洋：关于团队合作，我有个很感兴趣的问题想请教。你有60位直接下属需要向你汇报工作，那么你的员工会议是如何进行的？你是如何有效地管理这么多高层管理人员的？这似乎体现了你独特的领导风格。黄仁勋：关键在于保持透明度。我会在大家面前明确地阐述我们的理由、目标以及我们需要采取的行动，我们一起协作制定策略。无论是什么样的策略，每个人都会在同一时间听到。因为他们都一起参与了制定计划，所以当公司要决定什么事情时，都是大家一起商量好的，不是我一个人说了算，也不是我告诉他们要怎么做。我们共同讨论，共同得出结论。我的职责就是确保每个人都接收到了同样的信息。我通常是最后一个发言的人，基于我们的讨论结果，来明确方向和优先级。如果存在任何不明确的地方，我会消除这些疑虑。一旦我们达成共识，都理解了策略，我就会基于大家都是成年人的事实来推进工作。我之前提到的关于我的行为准则——不断学习、自信但拥抱不确定性——如果我不清楚，或者他们不清楚某些事情，我希望他们能够主动说出来。如果他们需要帮助，我希望他们能够向我们寻求支持。在这里，没有人会独自面对失败。然后，当其他人看到我的行为模式——作为CEO、作为领导者，我可以展现脆弱的一面，我可以寻求帮助，我可以承认不确定性，我可以犯错——他们就会明白他们同样可以这样做。我所期望的就是，如果他们需要帮助，就勇敢地说出来。但除此之外，我的团队有60个人，他们都是各自领域的顶尖人才。在大多数情况下，他们并不需要我的帮助。沈向洋：我必须说，你的管理方法确实成效显著。你在学位授予仪式上的演讲让我记忆犹新，你提及了香港科技大学的诸多数据，特别是校友创立的初创公司数量，以及我们学校培育出的独角兽企业和上市企业数量。这所大学确实以孕育新企业家和公司而著称。然而，即便在这样的环境下，我们今天仍有许多硕士生在此深造。你和你的团队在非常年轻的时候便创立了自己的公司，并取得了今天这样令人瞩目的成功。那么，对于我们的学生和教职员工，你有什么建议呢？他们应该在何时、为何开启自己的事业？除了你曾经向妻子许下在30岁前创办公司的那个，你还有其他的建议吗？黄仁勋：那确实是我用来搭讪的小手段，并非真有其意。我16岁上大学，17岁时遇到了我的妻子，那时她19岁。作为班上最小的学生，面对250名同学中只有三个女孩的情况，而我又显得像个孩子，所以必须学会一些吸引注意的技巧。我走向她，告诉她，虽然我看起来年轻，但她对我的第一印象肯定是我很聪明。于是，我鼓起勇气说：“你想看看我的作业吗？”接着，我向她许下了一个承诺，我说：“如果你每个星期天都和我一起做作业，我保证你会得到全优的成绩。”就这样，每个星期天我们都能约会，并且一整天都在一起学习。为了让她最终愿意嫁给我，我还告诉她，到我30岁的时候——那时我才20岁——我会成为CEO。我完全不知道自己当时在说些什么。后来，我们真的结婚了。所以，这就是我的全部建议，带着一点幽默和真诚。沈向洋：我从学生那里收集到一个问题，他想知道：他在学校表现优异，但需要全神贯注于学习。他读了你的爱情故事后，担心如果自己也花时间谈恋爱，会不会影响到学业。黄仁勋：我的建议是，绝对不会。但前提是，你必须保持优异的成绩。她（我的妻子）从未发现过这个小秘密，但我一直想让她觉得我很聪明。所以，在她来之前，我就先把作业完成了。等到她来的时候，我已经知道了所有的答案。她可能一直以为我是个天才，而且整整四年都是这样认为的。沈向洋：有一位华盛顿大学教授在几年前发表了一个观点，他认为在深度学习这场革命中，像麻省理工学院（MIT）这样的顶尖美国大学其实并没有做出太多开创性的贡献。当然，他并非仅指MIT，而是指出整个美国顶尖大学在过去十年里的贡献相对有限。相反，我们看到像微软、OpenAI、谷歌的DeepMind这样的顶尖公司取得了惊人的成果，其中一个重要原因就是它们拥有强大的计算能力。那么，面对这样的情况，我们应该如何应对？是不是应该考虑加入英伟达，或者与英伟达展开合作？作为我们的新盟友，你能给我们一些建议或者帮助吗？黄仁勋：你提到的这个问题确实触及了大学当前面临的一个严峻的结构性挑战。我们都知道，如果没有机器学习，我们就无法像今天这样推动科学研究的快速发展。而机器学习又离不开强大的计算支持。这就像研究宇宙离不开射电望远镜，研究基本粒子离不开粒子加速器一样。没有这些工具，我们就无法深入探索未知领域。而今天的“科学仪器”就是AI超级计算机。大学面临的一个结构性问题是，研究人员通常都是自己筹集资金，一旦资金到手，他们就不太愿意与他人分享资源。但机器学习有个特点，就是需要这些高性能计算机在某些时间段内被充分利用，而不是一直闲置。没有人会一直占用所有资源，但每个人在某个时候都需要巨大的计算能力。那么，大学应该如何应对这个挑战呢？我认为，大学应该成为基础设施建设的引领者，通过集中资源来推动全校的研究发展。但这在像斯坦福或哈佛这样的顶尖大学中实施起来非常困难，因为这些大学的计算机科学研究人员通常能筹集到大量资金，而其他领域的研究人员则相对困难。那么，现在的解决办法是什么呢？我认为，大学若能为全校构建基础设施，将能有效引领这一领域的变革，并产生深远影响。然而，这确实是大学当前所面临的一个结构性难题。正因如此，众多研究人员才会选择前往我们公司、谷歌、微软等企业实习或进行研究，因为我们能够提供访问先进基础设施的机会。随后，他们在返回各自大学时，会希望我们能够保持其研究的活跃性，以便他们继续推进工作。此外，还有许多教授，包括客座教授，会在从事教学工作的同时，兼顾研究工作。我们公司就聘请了几位这样的教授。因此，虽然解决问题的方法多种多样，但最为根本的，还是大学需要重新审视并优化其研究资助体系。沈向洋：我有一个颇具挑战性的问题想请教你。一方面，我们欣喜地看到计算能力的显著提升以及价格的下降，这无疑是个好消息。但另一方面，你们的GPU会消耗大量能源，有预测指出到2030年，全球的能源消耗将大幅度增加。你是否担忧，因为你们的GPU，世界实际上在消耗更多的能源？黄仁勋：我会这样回答你，我会采用逆向思考的方式。首先，我要强调的是，如果世界因为为全球AI工厂供电而消耗了更多能源，那么当这一切发生时，我们的世界将会变得更为美好。现在，让我为你详细阐述几点。第一，AI的目标并非仅仅在于训练模型，而是在于应用这些模型。当然，去学校学习，单纯为了学习而学习，这本身并无不妥，它是一项崇高且明智的举措。然而，大多数学生来到这里，他们投入了大量的金钱和时间，他们的目标是未来能够取得成功并应用所学的知识。因此，AI的真正目标并非训练，而是推理。推理过程是高度高效的，它能够发现新的方式来储存二氧化碳，比如在水库中；它或许能够设计出新型的风力涡轮机；或许能够发现新的电能储存材料，或者更高效的太阳能电池板材料等。所以，我们的目标是最终创造出能够应用的AI，而非仅仅训练AI。第二，我们要牢记，AI并不在意它在哪里进行“学习”。我们无需将超级计算机放置在靠近电网的校园内。我们应该开始考虑将AI超级计算机放置在稍微远离电网的地方，让它们使用可持续能源，而不是将它们放置在人口密集的区域。我们要记住，所有的发电厂原本都是为了满足我们家庭电器的用电需求而建设的，比如灯泡、洗碗机，而现在因为电动汽车的普及，电动汽车也需要靠近我们。但是，超级计算机并不需要靠近我们的家，它们可以在其他地方进行学习和运算。第三，我希望看到的是，AI能够高效、智能地发现新的科学成果，以至于我们现有的能源浪费问题——无论是电网的浪费问题，电网在大多数时候都过度配置，而在少数时候又配置不足——我们都能够通过AI在众多不同领域来节约能源，从我们的浪费中节省能源，并期望最终能够节省下20%到30%的能源。这是我的期望和梦想，我希望能够看到，使用能源来进行智能活动是我们能够想象到的最好的能源利用方式。沈向洋：我完全同意，将能源高效地应用于智能活动是最佳利用方式。若在某个地方，如中国大湾区（包括深圳、香港、广东等地）之外制造设备，其效率往往会降低，因为难以找到所有必需的组件。以DJI为例，这家本土商业无人机公司拥有令人赞叹的技术。我的问题是，当智能的物理层面变得日益重要时，比如机器人——尤其是自动驾驶汽车这一特殊类型的机器人——你对这些物理智能实体在我们生活中快速涌现的趋势有何看法？在我们的职场生活中，应如何把握并利用大湾区硬件生态系统的巨大潜力？黄仁勋：这对中国和整个大湾区而言，都是一个绝佳的机会。原因在于，这个区域在机电一体化领域，即机械与电子技术的融合方面，已经具备了相当高的水平。然而，对于机器人而言，一个关键的缺失是理解物理世界的AI。当前的大语言模型，例如ChatGPT，擅长理解认知层面的知识和智能，却对物理智能知之甚少。例如，它可能不明白为何放下杯子时，杯子不会穿过桌子。因此，我们需要教导AI理解物理智能。实际上，我要告诉你的是，我们在这方面正取得显著的进展。你可能已经看过一些演示，通过生成式AI，可以将文本转化为视频。我可以生成一个视频，开始时是我的照片，然后给出指令“Jensen，拿起咖啡杯，喝一口”。既然我能通过指令让AI在视频中完成动作，那么为何不能生成正确的指令来控制机械臂完成同样的动作呢？因此，从当前的生成式AI到通用机器人的飞跃，其实并不遥远。我对这个领域的前景充满期待。有三种机器人有望实现大规模生产，而且几乎仅限于这三种。历史上出现过的其他类型的机器人都很难实现大规模量产。大规模生产至关重要，因为它能驱动技术飞轮效应。高投入的研发（R&D）能带来技术突破，从而生产出更优秀的产品，进一步推动生产规模的扩大。这个研发飞轮对任何行业都是关键。实际上，虽然只有三种机器人能真正实现大规模生产，但其中两种将会成为产量最高的。原因在于，这三种机器人都能在当前世界中部署。我们称之为“棕色地带”（即有待重新开发的领域）。这三种机器人分别是：汽车，因为我们在过去150到200年间构建了一个适应汽车的世界；其次是无人机，因为天空几乎没有限制；当然，产量最大的将是人形机器人，因为我们为自己构建了一个世界。凭借这三种类型的机器人，我们可以将机器人技术的应用扩展到极高的产量，这正是湾区这样的制造生态系统所具备的独特优势。如果你深入思考，就会发现，大湾区是世界上唯一一个同时拥有机电技术和人工智能技术的地区。在其他地方，这种情况并不存在。另外两个机电工业强国是日本和德国，但遗憾的是，它们在人工智能技术方面远远落后，真的需要迎头赶上。而在这里，我们拥有独一无二的机会，我会紧紧抓住这个机遇。沈向洋：听到你关于物理智能和机器人的看法，我感到非常高兴。香港科技大学在你所描述的这些方面确实很擅长。黄仁勋：人工智能、机器人技术和医疗保健是我们真正需要创新的三个领域。沈向洋：的确，随着我们新医学院的建立，我们将进一步推动这些领域的发展。但是，要实现所有这些美好的事情，我们仍然需要你们的支持，我们需要你们的GPU等资源。（腾讯科技特约编译金鹿）编辑/lambor 11月23日，在香港科技大學週六舉行的博士學位授予儀式上，英偉達創始人兼首席執行官黃仁勳被授予工程學榮譽博士學位。授予儀式結束後，黃仁勳與香港科技大學校董會主席沈向洋對話，探討關於技術、領導力和創業的故事。以下爲對話全文：沈向洋：昨晚我輾轉難眠，其中一個極爲關鍵的原因在於，我亟欲向諸位引薦這位宇宙間最卓越的首席執行官。但我心中也暗自爲貴公司擔憂，畢竟昨晚蘋果股價上揚，而英偉達的表現卻略顯遜色。我已迫不及待想要知曉股市收盤的結果！今晨醒來，我第一時間詢問妻子英偉達是否挺住了。你在人工智能領域領航已久，能否再談談對人工智能的看法，以及這項技術，或是AGI（通用人工智能）可能帶來的影響？黃仁勳：正如你所了解的，當人工智能網絡能夠學習並掌握從字節、語言、圖像到蛋白質序列等多種數據的理解時，一場變革性、開創性的能力便應運而生了。我們突然間擁有了能夠理解單詞內涵的計算機。得益於生成式AI，信息得以在不同模式間自由轉換，比如從文本到圖像、從蛋白質到文本、從文本到蛋白質，乃至從文本到化學品等。這一原本作爲函數逼近器（Function Approximator，數學領域的重要概念，用於多個領域）及語言翻譯器而存在的工具，如今所面對的問題是，我們如何能充分利用它？你見證了全球範圍內創業公司如雨後春筍般湧現，它們結合了這些不同的模型與能力，展現出無限可能。因此，我認爲真正令人驚歎的突破在於，我們現在能夠理解信息的真正意義。這意味着，作爲數字生物學家，你能理解所觀數據的含義，從而於萬千數據中精準捕捉到關鍵信息；作爲英偉達的芯片設計師、系統設計師，或是農業技術人員、氣候科學家、能源領域的研究者，在探尋新材料的過程中，這無疑是開創性的壯舉。沈向洋：如今，通用翻譯器的概念已然成形，它賦予我們理解世間萬物的能力。許多人都聽你描述過人工智能對社會的驚人影響。那些觀點深深觸動了我，甚至在某些方面讓我感到震撼。回顧歷史，農業革命讓我們生產出了更多的食物，工業革命則讓我們的鋼鐵產量大幅提升。進入信息技術時代，信息的數量更是爆炸式增長。而今，在這個智能時代，英偉達與人工智能正攜手「製造」智能。你能進一步闡述爲何這項工作如此重要嗎？黃仁勳：從計算機科學的視角來看，我們重新發明了整個堆棧。這意味着，我們過去開發軟件的方式已經發生了根本性的變化。提及計算機科學，軟件開發自然是不可或缺的一環，它是如何實現的，這至關重要。以往，我們依靠手工編寫軟件，憑藉想象力和創造力構思功能、設計算法，然後將其轉化爲代碼，輸入電腦。從Fortran到Pascal，再到C語言和C++，這些編程語言讓我們得以用代碼來表達創意。代碼在CPU上運行得很好，我們向計算機輸入數據，詢問它從中發現了什麼函數，通過觀察我們提供的數據，計算機能夠識別出其中的模式和關係。然而，現在的情況已經有所不同，我們不再依賴於傳統的代碼編寫方式，而是轉向了機器學習和機器生成。這不再是簡單的軟件問題，而是涉及到了機器學習，它生成神經網絡，並在GPU上進行處理。這一轉變，從編碼到機器學習，從CPU到GPU，標誌着一個全新的時代的到來。而且，由於GPU的功能異常強大，我們現在能夠開發的軟件類型堪稱非凡，而在這一強大基礎之上，則是人工智能的蓬勃發展。這正是其出現所帶來的變革，計算機科學因此發生了巨大變化。現在，我們需要思考的是，這樣的變化將如何影響我們的行業？我們都在競相利用機器學習去探索新的人工智能領域。那麼，究竟什麼是人工智能呢？這其實是一個大家耳熟能詳的概念，即認知自動化和解決問題自動化。解決問題的自動化可以歸結爲三個核心概念：觀察並感知環境，理解並推理環境，然後提出並執行計劃。例如，在自動駕駛汽車中，車輛可以感知周圍環境，推理自身及周圍車輛的位置，最後規劃出行駛路線。這其實就是一種數字司機的表現形式。同樣地，在醫療領域，我們可以觀察CT掃描圖像，理解並推理出圖像中的信息，如果發現異常，可能代表着腫瘤的存在，然後我們可以標記出來並告知放射科醫生。此時，我們就扮演了數字放射科醫生的角色。在我們所做的幾乎每一件事情中，都可以找到與人工智能相關的應用，它們能夠出色地完成特定的任務。如果我們擁有足夠多的數字智能體，並且這些智能體能夠與產生這些數字信息的計算機進行交互，那麼這就構成了數字人工智能。然而，目前我們所有人對數據中心的總體消耗，雖然看似龐大，但數據中心主要是在生產一種名爲「Token」的東西，而並非真正的數字智能。我可以解釋一下這兩者之間的區別。300年前，通用電氣公司和西屋電氣公司發明了一種新型儀器——發電機，並最終演化爲交流發電機。他們非常明智地創造了一種「消費者」來消費他們所生產的電力，這些「消費者」包括燈泡、烤麪包機等電器設備。當然，他們還創造了各種各樣的數碼設備或電器，這些設備都需要消耗電力。現在，來看看我們正在做的事情。我們正在創建Copilots、ChatGPT等智能工具，這些都是我們創造出的不同類型的智能「消費者」，它們實際上就像燈泡和烤麪包機一樣，是消耗能量的設備。但想象一下，那些令人驚歎的、我們所有人都會使用的智能設備，它們將連接到一個新的工廠。這個工廠曾經是交流電發電廠，但現在，新的工廠將是數字智能工廠。從工業的角度來看，我們實際上正在創造一個新的產業，這個產業在吸收能量併產生數字智能，而這些數字智能可以被應用於各種不同的場景。我們相信，這個數字智能產業的消耗量將是巨大的，而這個行業在以前是不存在的，就像交流電發電行業在以前也不存在一樣。沈向洋：你爲我們勾勒了一幅充滿希望的光明未來，而這在很大程度上得益於你和英偉達在過去十多年間對該領域的卓越貢獻。摩爾定律在業界一直備受矚目，而近年來，「黃氏定律」逐漸爲人們所熟悉。在早期的計算機行業中，英特爾提出的摩爾定律曾預言計算能力每18個月翻倍。然而，在過去10到12年間，特別是在你的引領下，計算能力的增長速度甚至超越了這一預測，實現了每年翻倍甚至更高速度的增長。從消費端觀察，大語言模型在過去12年裏的計算需求每年都以四倍以上的速度激增。若以此速度持續10年，計算需求的增長將是一個驚人的數字——高達100萬倍。這也正是我向他人闡釋英偉達股價在過去10年間上漲300倍原因時的重要論據。考慮到計算需求的這一巨大增長，英偉達的股價或許並不顯得高昂。那麼，當你運用你的「水晶球」預測未來時，你認爲在接下來的10年裏，我們是否還會見證計算需求再次實現100萬倍的增長呢？黃仁勳：摩爾定律依賴於兩個核心概念：一是超大規模集成電路（VLSI）的設計原理，它是受到我、加州理工大學的卡弗·米德教授（Carver Mead）以及林恩·康威教授 (Lynn Conway )的著作啓發的，這些著作激勵了整整一代人；二是隨着晶體管尺寸的不斷縮小，我們得以每隔一段時間就將半導體的性能提升一倍，大約每一年半就能實現一次性能翻倍，因此每五年性能提升可達10倍，每十年更是能提升100倍。我們正身處一個趨勢之中：神經網絡的規模越大，用於訓練的數據量越多，AI似乎就表現得越智能。這一經驗法則與摩爾定律有着異曲同工之妙，我們不妨稱之爲「規模定律（Scaling Law）」，且這一定律似乎仍在持續發揮作用。然而，我們也清醒地認識到，僅僅依靠預訓練——即利用全球範圍內的海量數據自動挖掘知識——是遠遠不夠的。正如大學畢業是一個至關重要的里程碑，但它絕不是終點。接下來，還有後訓練階段，也就是深入鑽研某一特定技能，這要求強化學習、人類反饋、AI反饋、合成數據生成以及多路徑學習等多種技巧的綜合運用。簡而言之，後訓練就是選定一個特定領域，並致力於對其進行深度鑽研。這就像當我們步入職業生涯後，會進行大量的專業學習和實踐。而在這之後，我們最終會迎來所謂的「思考」階段，也就是所謂的測試時間計算。有些事情你一眼就能看出答案，而有些則需要我們將其拆解成多個步驟，並從第一性原理出發，逐一尋找解決方案。這可能需要我們進行多次迭代，模擬各種可能的結果，因爲並非所有答案都是可預測的。因此，我們稱之爲思考，且思考的時間越長，答案的質量往往越高。而大量的計算資源將助力我們產出更高質量的答案。雖然今天的答案已是我們所能提供的最佳結果，但我們仍在尋求一個臨界點，即所得到的答案不再侷限於我們當前所能提供的最佳水平。在這一點上，你需要判斷答案是否真實可靠、是否有意義且明智。我們必須達到這樣一個境界，即所得到的答案在很大程度上是值得信賴的。我認爲，這還需要數年的時間才能實現。與此同時，我們仍需不斷提升計算能力。正如你之前所提到的，過去十年裏，我們將計算性能提升了100萬倍。而英偉達的貢獻在於，我們將計算的邊際成本降低了同樣的幅度。想象一下，如果生活中有你所依賴的事物，如電力或其他任何選擇，當它的成本降低了100萬倍時，你的行爲習慣將會發生根本性的變化。對於計算，我們的看法也已經發生了翻天覆地的變化，而這正是英偉達有史以來最偉大的成就之一。我們利用機器去學習海量的數據，這是研究人員無法單獨完成的任務，而這正是機器學習能夠取得成功的關鍵所在。沈向洋：我迫切希望聽聽你的看法，香港在當前機遇中應如何作爲。現在，一個特別令人興奮的事情是「AI for Science」，而你對此一直抱有極大的熱情。香港科技大學已經投入了大量的計算基礎設施和GPU資源，我們特別重視推動各院系之間的合作，如物理與計算機科學、材料科學與計算機科學、生物學與計算機科學等領域的交叉融合。你之前也深入探討了生物學的未來。另外，值得一提的是，香港政府已決定建立第三所醫學院，而香港科技大學是首個提交這個提案的高校。那麼，對於校長、我本人以及整個大學而言，你有什麼建議？黃仁勳：首先，我在2018年的超算大會上曾介紹過人工智能，但當時遭遇了諸多質疑。原因在於，那時的人工智能更像是一個「黑箱」。誠然，時至今日，它依然在一定程度上保持着「黑箱」的特性，但已比過去更加透明。比如，你我皆爲「黑箱」，但現在我們可以向AI發問：「你爲何提出這樣的建議？」或者「請逐步闡述你得出這一結論的過程。」通過此類提問，AI正變得愈發透明和易於解釋。因爲我們可以藉助問題來探究其思考過程，正如教授們通過提問來洞察學生的思考過程一樣。重要的不僅僅是獲取答案，更在於答案的合理性以及是否基於第一性原理。這在2018年是無法做到的。其次，AI目前尚未能從第一性原理中直接得出答案，它是通過觀察數據來學習和得出結論的。因此，它並非模擬第一性原理的求解器，而是在模仿智能、模仿物理。那麼，這種模仿對科學而言是否有價值呢？我認爲，其價值無可估量。因爲在衆多科學領域，我們雖然理解第一性原理，如薛定諤方程、麥克斯韋方程等，但面對大型系統時，我們卻難以模擬和理解。因此，我們無法僅憑第一性原理進行求解，這在計算上存在侷限，甚至是不可能的。然而，我們可以利用AI，訓練它理解這些物理原理，並藉助其模擬大型系統，從而幫助我們理解這些系統。那麼，這種應用具體在哪些方面能夠發揮作用呢？首先，人體生物學的尺度從納米級開始，時間尺度則跨越納秒至年。在如此寬廣的尺度和時間跨度上，使用傳統求解器是根本無法實現的。現在的問題是，我們能否利用AI來模擬人體生物學，以便更深入地理解這些極其複雜的多尺度系統？這樣，我們或許可以稱之爲創建了一個人體生物學的數字孿生體。這正是我們寄予厚望之處。如今，我們或許已擁有了計算機科學技術，使數字生物學家、氣候科學家以及處理異常龐大複雜問題的科學家們能夠首次真正理解物理系統。這是我的期望，希望在這一交叉領域能夠實現這一願景。提及你們的醫學院項目，對於香港科技大學而言，一所與衆不同的醫學院即將在這裏誕生，儘管這所大學的傳統專業領域是技術、計算機科學和人工智能。這與世界上絕大多數醫學院截然不同，它們大多是在成爲醫學院後，再嘗試引入人工智能和技術，而這通常會面臨人們對其技術的懷疑和不信任。然而，你們卻有機會從頭開始，創建一個從一開始就與技術緊密相連的機構，並在這裏推動技術的不斷髮展。這裏的人們深知技術的侷限性與潛力。我認爲，這是一個千載難逢的機遇，希望你們能夠緊緊抓住。沈向洋：我們當然會採納你的建議。香港科技大學一直以來在技術和創新方面有着卓越的表現，不斷推動計算機科學、工程、生物學等領域的前沿發展。因此，作爲香港第三所醫學院，我們堅信自己能夠走出一條與衆不同的道路，將傳統的醫學培訓與我們在技術研究方面的優勢相結合。我確信，未來我們還會向你尋求更多的建議。不過，我想稍微改變一下話題，談談領導力。你是硅谷任期最長的CEO之一，可能已經遠超其他人，擔任英偉達CEO的時間已經長達30年或31年之久了吧？黃仁勳：差不多32年了！沈向洋：但你似乎從未感到疲倦。黃仁勳：不，我其實感到非常累。今天早上到這裏的時候，我還說超級累。沈向洋：但你依然在不斷前行。因此，我們當然想從你身上學到一些領導大型組織的經驗。你是如何領導英偉達這樣一個龐大組織的？它擁有數萬名員工、驚人的收入和大量的客戶，覆蓋面極廣。你是如何做到以如此驚人的效率領導這樣一個大型組織的？黃仁勳：今天我想說，我感到非常驚訝。通常情況下，你只會看到計算生物學家或者商科學生，但今天我們看到的計算生物學家同時也是商科學生，這真是太棒了。我從未上過任何商業課程，也從未寫過商業計劃書，我完全不知道如何下手。我依賴於你們所有人來給予我幫助。我要告訴你們的是，首先你們要儘可能多地去學習，而我也一直在不斷學習。其次，關於你們想全身心投入並視爲一生事業的任何事情，最重要的是熱愛。將你所做的任何事情都視爲你畢生的事業，而不是你的工作，我認爲這種思維方式會在你的心中產生很大的不同。英偉達就是我的事業。如果你想成爲一家公司的CEO，你有很多東西要學，你必須不斷地重塑自己。世界一直在變化，你的公司和技術也一直在變化。你今天所知道的一切，將來都會有用，但還遠遠不夠，所以我基本上每天都在學習。我在乘飛機過來的路上，也在看YouTube，在和我的AI聊天。我找了一個人工智能做導師，問很多問題。AI會給我一個答案，我會問它爲什麼給出這個答案，讓它一步步地告訴我答案，以這種方式向我解釋，將這種推理應用到其他事情上，給我一些類比。有很多不同的學習方法，我利用AI。所以，有很多學習方法，但我要強調的是，你要不斷學習。關於擔任CEO與領導者的心得，我總結了以下幾點：首先，身爲CEO及領導者，你無需扮演無所不知的全能角色。你必須堅定地相信自己所追求的目標，但這並不等同於你必須對每個細微之處都瞭如指掌。信心與確定性是兩個截然不同的概念。在追求目標的過程中，你可以滿懷信心地前進，同時開放心態，欣然接受並擁抱其中的不確定性。這種不確定性實際上爲你提供了持續學習、不斷成長的空間。因此，要學會從不確定性中汲取力量，視其爲推動你前行的朋友而非敵人。其次，領導者確實需要展現出堅韌不拔的一面，因爲周圍有許多人都在仰仗你的力量，並從你的堅定中汲取勇氣。然而，堅韌並不意味着你必須時刻隱藏自己的脆弱。在需要幫助時，不妨勇敢地尋求他人的支持。我始終秉持這一理念，無數次地向他人坦誠求助。脆弱並非軟弱的表現，不確定性也不是信心的缺失。在這個複雜多變的世界中，你既可以堅強自信地面對挑戰，也可以誠實地接納自己的脆弱和不確定性。再者，作爲領導者，你的決策應始終圍繞使命展開，以他人的福祉和成功爲考量。只有當你的決策真正有利於他人時，你才能贏得他們的信任與尊重。無論是公司內部員工、合作伙伴，還是我們服務的整個生態體系，我始終在思考如何促進他們的成功，如何保障他們的利益。在決策過程中，我總是以他人的最佳利益爲出發點，以此作爲我們行動的指南。我認爲這些可能很有幫助。沈向洋：關於團隊合作，我有個很感興趣的問題想請教。你有60位直接下屬需要向你彙報工作，那麼你的員工會議是如何進行的？你是如何有效地管理這麼多高層管理人員的？這似乎體現了你獨特的領導風格。黃仁勳：關鍵在於保持透明度。我會在大家面前明確地闡述我們的理由、目標以及我們需要採取的行動，我們一起協作制定策略。無論是什麼樣的策略，每個人都會在同一時間聽到。因爲他們都一起參與了制定計劃，所以當公司要決定什麼事情時，都是大家一起商量好的，不是我一個人說了算，也不是我告訴他們要怎麼做。我們共同討論，共同得出結論。我的職責就是確保每個人都接收到了同樣的信息。我通常是最後一個發言的人，基於我們的討論結果，來明確方向和優先級。如果存在任何不明確的地方，我會消除這些疑慮。一旦我們達成共識，都理解了策略，我就會基於大家都是成年人的事實來推進工作。我之前提到的關於我的行爲準則——不斷學習、自信但擁抱不確定性——如果我不清楚，或者他們不清楚某些事情，我希望他們能夠主動說出來。如果他們需要幫助，我希望他們能夠向我們尋求支持。在這裏，沒有人會獨自面對失敗。然後，當其他人看到我的行爲模式——作爲CEO、作爲領導者，我可以展現脆弱的一面，我可以尋求幫助，我可以承認不確定性，我可以犯錯——他們就會明白他們同樣可以這樣做。我所期望的就是，如果他們需要幫助，就勇敢地說出來。但除此之外，我的團隊有60個人，他們都是各自領域的頂尖人才。在大多數情況下，他們並不需要我的幫助。沈向洋：我必須說，你的管理方法確實成效顯著。你在學位授予儀式上的演講讓我記憶猶新，你提及了香港科技大學的諸多數據，特別是校友創立的初創公司數量，以及我們學校培育出的獨角獸企業和上市企業數量。這所大學確實以孕育新企業家和公司而著稱。然而，即便在這樣的環境下，我們今天仍有許多碩士生在此深造。你和你的團隊在非常年輕的時候便創立了自己的公司，並取得了今天這樣令人矚目的成功。那麼，對於我們的學生和教職員工，你有什麼建議呢？他們應該在何時、爲何開啓自己的事業？除了你曾經向妻子許下在30歲前創辦公司的那個，你還有其他的建議嗎？黃仁勳：那確實是我用來搭訕的小手段，並非真有其意。我16歲上大學，17歲時遇到了我的妻子，那時她19歲。作爲班上最小的學生，面對250名同學中只有三個女孩的情況，而我又顯得像個孩子，所以必須學會一些吸引注意的技巧。我走向她，告訴她，雖然我看起來年輕，但她對我的第一印象肯定是我很聰明。於是，我鼓起勇氣說：「你想看看我的作業嗎？」接着，我向她許下了一個承諾，我說：「如果你每個星期天都和我一起做作業，我保證你會得到全優的成績。」就這樣，每個星期天我們都能約會，並且一整天都在一起學習。爲了讓她最終願意嫁給我，我還告訴她，到我30歲的時候——那時我才20歲——我會成爲CEO。我完全不知道自己當時在說些什麼。後來，我們真的結婚了。所以，這就是我的全部建議，帶着一點幽默和真誠。沈向洋：我從學生那裏收集到一個問題，他想知道：他在學校表現優異，但需要全神貫注於學習。他讀了你的愛情故事後，擔心如果自己也花時間談戀愛，會不會影響到學業。黃仁勳：我的建議是，絕對不會。但前提是，你必須保持優異的成績。她（我的妻子）從未發現過這個小祕密，但我一直想讓她覺得我很聰明。所以，在她來之前，我就先把作業完成了。等到她來的時候，我已經知道了所有的答案。她可能一直以爲我是個天才，而且整整四年都是這樣認爲的。沈向洋：有一位華盛頓大學教授在幾年前發表了一個觀點，他認爲在深度學習這場革命中，像麻省理工學院（MIT）這樣的頂尖美國大學其實並沒有做出太多開創性的貢獻。當然，他並非僅指MIT，而是指出整個美國頂尖大學在過去十年裏的貢獻相對有限。相反，我們看到像微軟、OpenAI、谷歌的DeepMind這樣的頂尖公司取得了驚人的成果，其中一個重要原因就是它們擁有強大的計算能力。那麼，面對這樣的情況，我們應該如何應對？是不是應該考慮加入英偉達，或者與英偉達展開合作？作爲我們的新盟友，你能給我們一些建議或者幫助嗎？黃仁勳：你提到的這個問題確實觸及了大學當前面臨的一個嚴峻的結構性挑戰。我們都知道，如果沒有機器學習，我們就無法像今天這樣推動科學研究的快速發展。而機器學習又離不開強大的計算支持。這就像研究宇宙離不開射電望遠鏡，研究基本粒子離不開粒子加速器一樣。沒有這些工具，我們就無法深入探索未知領域。而今天的「科學儀器」就是AI超級計算機。大學面臨的一個結構性問題是，研究人員通常都是自己籌集資金，一旦資金到手，他們就不太願意與他人分享資源。但機器學習有個特點，就是需要這些高性能計算機在某些時間段內被充分利用，而不是一直閒置。沒有人會一直佔用所有資源，但每個人在某個時候都需要巨大的計算能力。那麼，大學應該如何應對這個挑戰呢？我認爲，大學應該成爲基礎設施建設的引領者，通過集中資源來推動全校的研究發展。但這在像斯坦福或哈佛這樣的頂尖大學中實施起來非常困難，因爲這些大學的計算機科學研究人員通常能籌集到大量資金，而其他領域的研究人員則相對困難。那麼，現在的解決辦法是什麼呢？我認爲，大學若能爲全校構建基礎設施，將能有效引領這一領域的變革，併產生深遠影響。然而，這確實是大學當前所面臨的一個結構性難題。正因如此，衆多研究人員才會選擇前往我們公司、谷歌、微軟等企業實習或進行研究，因爲我們能夠提供訪問先進基礎設施的機會。隨後，他們在返回各自大學時，會希望我們能夠保持其研究的活躍性，以便他們繼續推進工作。此外，還有許多教授，包括客座教授，會在從事教學工作的同時，兼顧研究工作。我們公司就聘請了幾位這樣的教授。因此，雖然解決問題的方法多種多樣，但最爲根本的，還是大學需要重新審視並優化其研究資助體系。沈向洋：我有一個頗具挑戰性的問題想請教你。一方面，我們欣喜地看到計算能力的顯著提升以及價格的下降，這無疑是個好消息。但另一方面，你們的GPU會消耗大量能源，有預測指出到2030年，全球的能源消耗將大幅度增加。你是否擔憂，因爲你們的GPU，世界實際上在消耗更多的能源？黃仁勳：我會這樣回答你，我會採用逆向思考的方式。首先，我要強調的是，如果世界因爲爲全球AI工廠供電而消耗了更多能源，那麼當這一切發生時，我們的世界將會變得更爲美好。現在，讓我爲你詳細闡述幾點。第一，AI的目標並非僅僅在於訓練模型，而是在於應用這些模型。當然，去學校學習，單純爲了學習而學習，這本身並無不妥，它是一項崇高且明智的舉措。然而，大多數學生來到這裏，他們投入了大量的金錢和時間，他們的目標是未來能夠取得成功並應用所學的知識。因此，AI的真正目標並非訓練，而是推理。推理過程是高度高效的，它能夠發現新的方式來儲存二氧化碳，比如在水庫中；它或許能夠設計出新型的風力渦輪機；或許能夠發現新的電能儲存材料，或者更高效的太陽能電池板材料等。所以，我們的目標是最終創造出能夠應用的AI，而非僅僅訓練AI。第二，我們要牢記，AI並不在意它在哪裏進行「學習」。我們無需將超級計算機放置在靠近電網的校園內。我們應該開始考慮將AI超級計算機放置在稍微遠離電網的地方，讓它們使用可持續能源，而不是將它們放置在人口密集的區域。我們要記住，所有的發電廠原本都是爲了滿足我們家庭電器的用電需求而建設的，比如燈泡、洗碗機，而現在因爲電動汽車的普及，電動汽車也需要靠近我們。但是，超級計算機並不需要靠近我們的家，它們可以在其他地方進行學習和運算。第三，我希望看到的是，AI能夠高效、智能地發現新的科學成果，以至於我們現有的能源浪費問題——無論是電網的浪費問題，電網在大多數時候都過度配置，而在少數時候又配置不足——我們都能夠通過AI在衆多不同領域來節約能源，從我們的浪費中節省能源，並期望最終能夠節省下20%到30%的能源。這是我的期望和夢想，我希望能夠看到，使用能源來進行智能活動是我們能夠想象到的最好的能源利用方式。沈向洋：我完全同意，將能源高效地應用於智能活動是最佳利用方式。若在某個地方，如中國大灣區（包括深圳、香港、廣東等地）之外製造設備，其效率往往會降低，因爲難以找到所有必需的組件。以DJI爲例，這家本土商業無人機公司擁有令人讚歎的技術。我的問題是，當智能的物理層面變得日益重要時，比如機器人——尤其是自動駕駛汽車這一特殊類型的機器人——你對這些物理智能實體在我們生活中快速湧現的趨勢有何看法？在我們的職場生活中，應如何把握並利用大灣區硬件生態系統的巨大潛力？黃仁勳：這對中國和整個大灣區而言，都是一個絕佳的機會。原因在於，這個區域在機電一體化領域，即機械與電子技術的融合方面，已經具備了相當高的水平。然而，對於機器人而言，一個關鍵的缺失是理解物理世界的AI。當前的大語言模型，例如ChatGPT，擅長理解認知層面的知識和智能，卻對物理智能知之甚少。例如，它可能不明白爲何放下杯子時，杯子不會穿過桌子。因此，我們需要教導AI理解物理智能。實際上，我要告訴你的是，我們在這方面正取得顯著的進展。你可能已經看過一些演示，通過生成式AI，可以將文本轉化爲視頻。我可以生成一個視頻，開始時是我的照片，然後給出指令「Jensen，拿起咖啡杯，喝一口」。既然我能通過指令讓AI在視頻中完成動作，那麼爲何不能生成正確的指令來控制機械臂完成同樣的動作呢？因此，從當前的生成式AI到通用機器人的飛躍，其實並不遙遠。我對這個領域的前景充滿期待。有三種機器人有望實現大規模生產，而且幾乎僅限於這三種。歷史上出現過的其他類型的機器人都很難實現大規模量產。大規模生產至關重要，因爲它能驅動技術飛輪效應。高投入的研發（R&D）能帶來技術突破，從而生產出更優秀的產品，進一步推動生產規模的擴大。這個研發飛輪對任何行業都是關鍵。實際上，雖然只有三種機器人能真正實現大規模生產，但其中兩種將會成爲產量最高的。原因在於，這三種機器人都能在當前世界中部署。我們稱之爲「棕色地帶」（即有待重新開發的領域）。這三種機器人分別是：汽車，因爲我們在過去150到200年間構建了一個適應汽車的世界；其次是無人機，因爲天空幾乎沒有限制；當然，產量最大的將是人形機器人，因爲我們爲自己構建了一個世界。憑藉這三種類型的機器人，我們可以將機器人技術的應用擴展到極高的產量，這正是灣區這樣的製造生態系統所具備的獨特優勢。如果你深入思考，就會發現，大灣區是世界上唯一一個同時擁有機電技術和人工智能技術的地區。在其他地方，這種情況並不存在。另外兩個機電工業強國是日本和德國，但遺憾的是，它們在人工智能技術方面遠遠落後，真的需要迎頭趕上。而在這裏，我們擁有獨一無二的機會，我會緊緊抓住這個機遇。沈向洋：聽到你關於物理智能和機器人的看法，我感到非常高興。香港科技大學在你所描述的這些方面確實很擅長。黃仁勳：人工智能、機器人技術和醫療保健是我們真正需要創新的三個領域。沈向洋：的確，隨着我們新醫學院的建立，我們將進一步推動這些領域的發展。但是，要實現所有這些美好的事情，我們仍然需要你們的支持，我們需要你們的GPU等資源。（騰訊科技特約編譯金鹿）編輯/lambor
