Người phỏng vấn:
Tại một thời điểm nào đó, ông phải tin vào điều gì đó. Chúng ta đã tái phát minh lại cách tính toán như chúng ta biết. Tầm nhìn cho điều ông thấy sắp tới là gì? Chúng ta tự hỏi, nếu nó có thể làm điều này, thì nó có thể đi xa đến mức nào? Làm thế nào để chúng ta từ những robot mà chúng ta có bây giờ đến thế giới tương lai mà ông nhìn thấy?
Người trả lời:
Cleo, mọi thứ di chuyển một ngày nào đó sẽ là robot và điều đó sẽ sớm thôi. Chúng tôi đã đầu tư hàng chục tỷ đô la trước khi nó thực sự xảy ra.
Người phỏng vấn:
Không, điều đó rất tốt, ông đã nghiên cứu! Nhưng bước đột phá lớn mà tôi muốn nói là khi chúng ta...
Người phỏng vấn:
Đó là Jensen Huang, và dù bạn có biết hay không, những quyết định của ông ấy đang định hình tương lai của bạn. Ông ấy là CEO của NVIDIA, công ty đã tăng vọt trong vài năm qua để trở thành một trong những công ty có giá trị nhất thế giới vì họ dẫn dắt một sự thay đổi cơ bản trong cách máy tính hoạt động, khai phá sự bùng nổ hiện tại của những gì có thể với công nghệ. "NVIDIA đã làm điều đó một lần nữa!"
Người phỏng vấn:
Chúng tôi nhận ra mình là một trong những công ty công nghệ quan trọng nhất thế giới và có thể là từ trước đến nay. Một lượng lớn công nghệ tương lai nhất mà bạn nghe về trong AI, robotics, gaming, xe tự lái và nghiên cứu y tế đột phá đều dựa vào các con chip và phần mềm mới được thiết kế bởi ông và công ty của ông. Trong hàng chục cuộc phỏng vấn nền mà tôi đã thực hiện để chuẩn bị cho điều này, điều khiến tôi ấn tượng nhất là Jensen Huang đã ảnh hưởng đến cuộc sống của tất cả chúng ta như thế nào trong 30 năm qua, và bao nhiêu người nói rằng đây chỉ là sự khởi đầu của điều gì đó còn lớn hơn. Chúng ta đều cần biết ông ấy đang xây dựng gì và tại sao, và quan trọng nhất là ông ấy đang cố gắng xây dựng gì tiếp theo. Chào mừng đến với Huge Conversations...
Người phỏng vấn:
Cảm ơn rất nhiều vì đã làm điều này.
Người trả lời:
Tôi rất vui khi làm điều đó. Trước khi chúng ta đi vào chi tiết, tôi muốn nói với bạn rằng mục tiêu của cuộc trò chuyện Huge này là cuộc phỏng vấn này sẽ hơi khác so với các cuộc phỏng vấn khác mà tôi đã thấy ông làm gần đây.
Người phỏng vấn:
Được rồi! Tôi sẽ không hỏi ông bất kỳ câu hỏi nào về - ông có thể hỏi - tài chính của công ty, cảm ơn! Tôi sẽ không hỏi ông về phong cách quản lý của ông hay tại sao ông không thích các buổi gặp mặt một-một. Tôi cũng không hỏi ông về quy định hay chính trị. Tôi nghĩ tất cả những điều đó đều quan trọng nhưng tôi nghĩ khán giả của chúng tôi có thể tìm thấy chúng được bao phủ tốt ở nơi khác.
Người trả lời:
Được rồi.
Người phỏng vấn:
Chúng tôi làm việc này vì chúng tôi tin rằng khi mọi người thấy những tương lai tốt đẹp hơn, họ sẽ giúp xây dựng chúng. Vì vậy, những người mà ông sẽ nói chuyện là những người tuyệt vời. Họ là những người lạc quan muốn xây dựng những tương lai tốt đẹp hơn nhưng vì chúng tôi bao quát rất nhiều chủ đề khác nhau, chúng tôi đã bao quát từ máy bay siêu thanh đến máy tính lượng tử và máy va chạm hạt, điều đó có nghĩa là hàng triệu người vào mỗi tập mà không có bất kỳ kiến thức trước nào. Ông có thể đang nói chuyện với một chuyên gia trong lĩnh vực của họ nhưng không biết sự khác biệt giữa CPU và GPU hoặc một đứa trẻ 12 tuổi có thể một ngày nào đó sẽ trở thành ông nhưng chỉ mới bắt đầu học hỏi. Đối với phần của tôi, tôi đã chuẩn bị cho cuộc phỏng vấn này trong vài tháng nay, bao gồm cả việc trò chuyện với nhiều thành viên trong đội ngũ của ông nhưng tôi không phải là kỹ sư. Vì vậy, mục tiêu của tôi là giúp khán giả thấy tương lai mà ông nhìn thấy, tôi sẽ hỏi về ba lĩnh vực: Đầu tiên là, chúng ta đã đến đây như thế nào? Những hiểu biết then chốt nào đã dẫn đến sự thay đổi cơ bản này trong tính toán mà chúng ta đang ở hiện tại? Thứ hai là, điều gì thực sự đang xảy ra ngay bây giờ? Những hiểu biết đó đã dẫn đến thế giới mà chúng ta đang sống trong đó dường như có rất nhiều điều đang diễn ra cùng một lúc? Và thứ ba là, tầm nhìn cho những gì ông thấy sắp tới là gì?
Người phỏng vấn:
Để nói về khoảnh khắc lớn này với AI, tôi nghĩ chúng ta cần quay lại với trò chơi điện tử vào những năm 90. Vào thời điểm đó, tôi biết các nhà phát triển trò chơi muốn tạo ra đồ họa trông thực tế hơn nhưng phần cứng không thể theo kịp với tất cả những phép tính cần thiết. NVIDIA đã đưa ra một giải pháp sẽ thay đổi không chỉ trò chơi mà cả tính toán. Ông có thể đưa chúng tôi trở lại đó và giải thích điều gì đang xảy ra và những hiểu biết nào đã dẫn dắt ông và đội NVIDIA tạo ra GPU hiện đại đầu tiên không?
Người trả lời:
Vào đầu những năm 90, khi chúng tôi mới bắt đầu công ty, chúng tôi nhận thấy rằng trong một chương trình phần mềm, chỉ có một vài dòng mã, có lẽ 10% mã, thực hiện 99% xử lý và 99% xử lý đó có thể được thực hiện song song. Tuy nhiên, 90% mã còn lại phải được thực hiện tuần tự. Hóa ra máy tính hoàn hảo là một máy tính có thể thực hiện cả xử lý tuần tự và song song, không chỉ một trong hai. Đó là quan sát lớn và chúng tôi đã bắt đầu xây dựng một công ty để giải quyết các vấn đề máy tính mà máy tính thông thường không thể. Và đó thực sự là sự khởi đầu của NVIDIA.
Người phỏng vấn:
Hình ảnh yêu thích của tôi về lý do tại sao GPU so với CPU lại quan trọng đến thế là một video 15 năm tuổi trên kênh YouTube của NVIDIA, nơi mà Mythbusters, họ sử dụng một robot nhỏ bắn những viên bi sơn một cách liên tục để minh họa việc giải quyết vấn đề một lần một hoặc xử lý tuần tự trên CPU, nhưng sau đó họ đưa ra một robot lớn bắn tất cả các viên bi sơn một lần, thực hiện nhiều vấn đề nhỏ cùng một lúc hoặc xử lý song song trên GPU.
Người phỏng vấn:
"3... 2... 1..." Vậy NVIDIA đã mở khóa tất cả sức mạnh mới này cho trò chơi điện tử. Tại sao lại là trò chơi điện tử đầu tiên?
Người trả lời:
Trò chơi điện tử đòi hỏi xử lý song song để xử lý đồ họa 3D và chúng tôi chọn trò chơi điện tử vì, thứ nhất, chúng tôi yêu thích ứng dụng này, đó là sự mô phỏng của các thế giới ảo và ai lại không muốn đến những thế giới ảo này, và chúng tôi có sự quan sát tốt rằng trò chơi điện tử có tiềm năng trở thành thị trường giải trí lớn nhất từ trước đến nay. Và điều đó đã trở thành sự thật. Việc có một thị trường lớn là quan trọng vì công nghệ rất phức tạp và nếu chúng tôi có một thị trường lớn, ngân sách nghiên cứu và phát triển của chúng tôi có thể lớn, chúng tôi có thể tạo ra công nghệ mới. Và bánh xe lăn giữa công nghệ và thị trường và công nghệ lớn hơn thực sự là bánh xe lăn đã giúp NVIDIA trở thành một trong những công ty công nghệ quan trọng nhất thế giới. Tất cả chỉ vì trò chơi điện tử. Tôi đã nghe ông nói rằng GPUs là một cỗ máy thời gian?
Người trả lời:
Đúng vậy. Ông có thể nói thêm về điều ông muốn nói khi nói điều đó không? GPU giống như một cỗ máy thời gian vì nó cho phép bạn nhìn thấy tương lai sớm hơn. Một trong những điều tuyệt vời nhất mà ai đó từng nói với tôi là một nhà khoa học hóa học lượng tử. Ông ta nói, Jensen, nhờ vào công việc của NVIDIA, tôi có thể làm công việc của đời mình trong chính đời mình. Đó là du hành thời gian. Ông ta đã có thể làm điều gì đó vượt ra ngoài đời mình trong chính đời mình và điều này là vì chúng tôi làm cho các ứng dụng chạy nhanh hơn rất nhiều và bạn có thể nhìn thấy tương lai. Vì vậy, khi bạn đang dự đoán thời tiết chẳng hạn, bạn đang nhìn thấy tương lai khi bạn đang thực hiện một mô phỏng thành phố ảo với giao thông ảo và chúng tôi đang mô phỏng xe tự lái của mình qua thành phố ảo đó, chúng tôi đang du hành thời gian.
Người phỏng vấn:
Xử lý song song bùng nổ trong ngành chơi game và nó cho phép chúng ta tạo ra những thế giới trong máy tính mà trước đây chúng ta không thể và chơi game là một trường hợp đầu tiên đáng kinh ngạc của việc xử lý song song giải phóng nhiều sức mạnh hơn và như ông đã nói, mọi người bắt đầu sử dụng sức mạnh đó qua nhiều ngành công nghiệp khác nhau. Trường hợp của nhà nghiên cứu hóa học lượng tử mà tôi đã nghe ông kể câu chuyện đó là ông ta đã chạy các mô phỏng phân tử theo cách mà nó nhanh hơn nhiều khi chạy song song trên GPU của NVIDIA ngay cả khi đó so với khi chạy trên siêu máy tính với CPU mà ông ta đã sử dụng trước đó.
Người trả lời:
Đúng vậy. Ôi chúa ơi, nó đang cách mạng hóa tất cả các ngành công nghiệp khác nữa, nó bắt đầu thay đổi cách chúng ta nhìn nhận những gì có thể với máy tính và tôi hiểu rằng vào đầu những năm 2000, ông đã thấy điều này và nhận ra rằng thực sự làm điều đó là một chút khó khăn vì những gì nhà nghiên cứu đó phải làm là ông ta phải đánh lừa GPU nghĩ rằng vấn đề của ông ta là một vấn đề đồ họa.
Người phỏng vấn:
Chính xác, không, điều đó rất tốt, ông đã nghiên cứu! Vì vậy, ông đã tạo ra một cách để làm cho điều đó dễ dàng hơn nhiều.
Người trả lời:
Đúng vậy. Cụ thể, đó là một nền tảng được gọi là CUDA, cho phép các lập trình viên nói cho GPU biết phải làm gì bằng cách sử dụng các ngôn ngữ lập trình mà họ đã biết như C và đó là một điều lớn vì nó cho phép nhiều người hơn tiếp cận dễ dàng hơn với tất cả sức mạnh tính toán này. Ông có thể giải thích tầm nhìn nào đã dẫn dắt ông tạo ra CUDA không?
Người trả lời:
Một phần là các nhà nghiên cứu phát hiện ra nó, một phần là cảm hứng nội bộ và một phần là giải quyết một vấn đề. Và bạn biết đấy, rất nhiều ý tưởng thú vị nảy sinh từ nồi canh đó. Một số là khát vọng và cảm hứng, một số là chỉ đơn giản là tuyệt vọng. Và vì vậy, trong trường hợp của CUDA, nó rất giống như vậy và có lẽ những ý tưởng bên ngoài đầu tiên về việc sử dụng GPU của chúng tôi cho xử lý song song xuất hiện từ một số công trình thú vị trong lĩnh vực hình ảnh y tế, một vài nhà nghiên cứu tại Mass General đã sử dụng nó để tái tạo CT. Họ sử dụng bộ xử lý đồ họa của chúng tôi vì lý do đó và điều đó đã truyền cảm hứng cho chúng tôi.
Người phỏng vấn:
Tại sao AlexNet lại là một điều lớn đến vậy?
Người phỏng vấn:
Năm 2012, một nhóm ba nhà nghiên cứu đã nộp một bài dự thi cho một cuộc thi nổi tiếng, nơi mà mục tiêu là tạo ra các hệ thống máy tính có thể nhận dạng hình ảnh và gắn nhãn chúng theo các danh mục. Và bài dự thi của họ đã hoàn toàn đánh bại đối thủ. Nó có rất ít câu trả lời sai. Điều đó thật phi thường. Nó khiến mọi người sửng sốt. Nó được gọi là AlexNet, và đó là một loại AI gọi là mạng neural. Tôi hiểu rằng một lý do khiến nó tốt như vậy là vì họ đã sử dụng một lượng dữ liệu rất lớn để huấn luyện hệ thống đó và họ đã làm điều đó trên GPU của NVIDIA. Đột nhiên, GPU không chỉ là cách để làm cho máy tính nhanh hơn và hiệu quả hơn, chúng đang trở thành động cơ của một cách tính toán hoàn toàn mới. Chúng ta đang chuyển từ việc chỉ dẫn máy tính bằng các hướng dẫn từng bước sang huấn luyện máy tính học bằng cách cho chúng thấy một số lượng lớn ví dụ. Khoảnh khắc năm 2012 này thực sự đã khởi đầu cho sự thay đổi sâu sắc mà chúng ta đang chứng kiến với AI ngay bây giờ. Ông có thể mô tả khoảnh khắc đó từ góc nhìn của ông như thế nào và ông thấy điều đó sẽ có ý nghĩa gì đối với tương lai của chúng ta không?
Người trả lời:
Khi bạn tạo ra điều gì đó mới như CUDA, nếu bạn xây dựng nó, họ có thể không đến. Và đó luôn là quan điểm của người bi quan, tuy nhiên quan điểm của người lạc quan sẽ nói rằng, nhưng nếu bạn không xây dựng nó, họ không thể đến. Và đó thường là cách chúng tôi nhìn nhận thế giới. Chúng tôi phải suy nghĩ một cách trực giác về lý do tại sao điều này sẽ rất hữu ích. Và thực tế, vào năm 2012, Ilya Sutskever, Alex Krizhevsky và Geoff Hinton tại Đại học Toronto, phòng thí nghiệm mà họ ở, đã liên lạc với GeForce GTX 580 vì họ đã biết về CUDA và rằng CUDA có thể được sử dụng như một bộ xử lý song song để huấn luyện AlexNet. Vì vậy, sự cảm hứng của chúng tôi rằng GeForce có thể là phương tiện để đưa kiến trúc song song này ra thế giới và rằng các nhà nghiên cứu sẽ tìm thấy nó vào một ngày nào đó là một chiến lược tốt. Đó là một chiến lược dựa trên hy vọng, nhưng cũng là hy vọng có lý do. Điều thực sự thu hút sự chú ý của chúng tôi là đồng thời chúng tôi đang cố gắng giải quyết vấn đề thị giác máy tính trong công ty và chúng tôi đang cố gắng làm cho CUDA trở thành một bộ xử lý thị giác máy tính tốt và chúng tôi bị thất vọng bởi một loạt các phát triển ban đầu liên quan đến nỗ lực thị giác máy tính của chúng tôi và việc làm cho CUDA có khả năng làm điều đó. Và đột nhiên chúng tôi thấy AlexNet, thuật toán mới này hoàn toàn khác so với các thuật toán thị giác máy tính trước đó, đã thực hiện một bước nhảy vọt về khả năng cho thị giác máy tính. Và khi chúng tôi thấy điều đó, một phần là vì sự quan tâm nhưng một phần cũng vì chúng tôi đang gặp khó khăn với điều gì đó của chính mình. Và vì vậy, chúng tôi rất hứng thú muốn thấy nó hoạt động. Và khi chúng tôi nhìn vào AlexNet, chúng tôi đã được truyền cảm hứng bởi điều đó. Nhưng bước đột phá lớn mà tôi muốn nói là khi chúng tôi thấy AlexNet, chúng tôi tự hỏi, AlexNet có thể đi xa đến đâu? Nếu nó có thể làm điều này với thị giác máy tính, nó có thể đi xa đến đâu? Và nếu nó có thể đạt đến giới hạn của những gì chúng ta nghĩ nó có thể đi, loại vấn đề mà nó có thể giải quyết, điều đó sẽ có ý nghĩa gì đối với ngành công nghiệp máy tính? Và điều đó sẽ có ý nghĩa gì đối với kiến trúc máy tính? Và chúng tôi đã suy luận một cách chính xác rằng nếu học máy, nếu kiến trúc học sâu có thể mở rộng, phần lớn các vấn đề học máy có thể được biểu diễn bằng các mạng neural sâu. Và loại vấn đề mà chúng ta có thể giải quyết với học máy là rất rộng lớn, nó có tiềm năng tái định hình toàn bộ ngành công nghiệp máy tính, điều này đã thúc đẩy chúng tôi tái cấu trúc toàn bộ ngăn xếp tính toán, đó là nơi DGX xuất hiện và cái bé DGX này đang ngồi đây, tất cả điều này đến từ quan sát rằng chúng ta cần phải tái phát minh toàn bộ ngăn xếp tính toán từng lớp một. Bạn biết đấy, sau 65 năm kể từ khi IBM System 360 giới thiệu tính toán đa năng hiện đại, chúng tôi đã tái phát minh lại tính toán như chúng ta biết. Để nghĩ về điều này như một câu chuyện toàn diện, vậy xử lý song song tái phát minh lại trò chơi hiện đại và cách mạng hóa một ngành công nghiệp toàn bộ, sau đó cách tính toán đó, xử lý song song, bắt đầu được sử dụng qua các ngành công nghiệp khác nhau. Bạn đầu tư vào điều đó bằng cách xây dựng CUDA và sau đó CUDA và việc sử dụng GPU cho phép có một bước nhảy vọt trong các mạng neural và học máy và bắt đầu một cuộc cách mạng mà chúng ta đang thấy ngày càng quan trọng hôm nay... Đột nhiên.
Người phỏng vấn:
Tại sao bây giờ chúng ta lại nghe nhiều về AI như vậy?
Người trả lời:
Thị giác máy tính đã được giải quyết. Đột nhiên, nhận dạng giọng nói đã được giải quyết. Đột nhiên, hiểu ngôn ngữ đã được giải quyết. Những vấn đề phi thường liên quan đến trí tuệ, một cái sau một cái, nơi mà trước đây chúng ta không có giải pháp, với mong muốn tuyệt vọng có giải pháp, đột nhiên một cái sau một cái được giải quyết, cứ vài năm một lần. Điều này thật không thể tin được.
Người phỏng vấn:
Phải, vì vậy ông đang thấy điều đó, vào năm 2012 ông đang nhìn về phía trước và tin rằng đó là tương lai mà ông sẽ sống trong hiện tại, và ông đang đặt cược để đến đó, những cược rất lớn và có rủi ro cao. Rồi nhận thức của tôi như một người không chuyên là phải mất khá lâu để đến đó. Ông đặt những cược này - 8 năm, 10 năm - vậy câu hỏi của tôi là: Nếu AlexNet xảy ra vào năm 2012 và khán giả này có lẽ đang thấy và nghe rất nhiều hơn về AI và đặc biệt là NVIDIA 10 năm sau đó, tại sao phải mất một thập kỷ và cũng vì ông đã đặt những cược đó, cảm giác giữa thập kỷ đó như thế nào đối với ông?
Người trả lời:
Wow, đó là một câu hỏi hay. Có lẽ nó cảm giác như hôm nay. Đối với tôi, luôn có một số vấn đề và rồi có lý do để không kiên nhẫn. Luôn có lý do để hạnh phúc về nơi bạn đang ở và luôn có nhiều lý do để tiếp tục. Và tôi nghĩ khi tôi suy ngẫm một giây trước, điều đó nghe như sáng nay! Nhưng tôi sẽ nói rằng, trong mọi thứ mà chúng tôi theo đuổi, trước tiên bạn phải có những niềm tin cốt lõi. Bạn phải suy luận từ những nguyên tắc tốt nhất của mình và lý tưởng thì bạn đang suy luận từ các nguyên tắc của vật lý hoặc hiểu sâu về ngành công nghiệp hoặc hiểu sâu về khoa học, bất kể bạn đang suy luận từ đâu, bạn suy luận từ những nguyên tắc đầu tiên. Và tại một thời điểm nào đó bạn phải tin vào điều gì đó. Và nếu những nguyên tắc đó không thay đổi và các giả định không thay đổi, thì không có lý do gì để thay đổi niềm tin cốt lõi của bạn. Và trên đường đi luôn có một số bằng chứng về thành công và rằng bạn đang đi đúng hướng và đôi khi bạn phải đi một thời gian dài mà không có bằng chứng thành công và bạn có thể phải điều chỉnh hướng đi một chút nhưng bằng chứng sẽ đến. Và nếu bạn cảm thấy rằng bạn đang đi đúng hướng, chúng tôi chỉ tiếp tục đi.
Người phỏng vấn:
Câu hỏi vì sao chúng tôi vẫn cam kết lâu như vậy, câu trả lời thực ra là ngược lại: Không có lý do gì để không cam kết vì chúng tôi đã tin vào điều đó. Và tôi đã tin vào NVIDIA hơn 30 năm và tôi vẫn ở đây làm việc mỗi ngày. Không có lý do cơ bản nào để tôi thay đổi hệ thống niềm tin của mình và tôi tin một cách cơ bản rằng công việc chúng tôi đang làm trong việc cách mạng hóa tính toán là đúng hôm nay, thậm chí còn đúng hơn hôm nay so với trước đây. Và vì vậy chúng tôi sẽ tiếp tục cho đến khi có lý do khác. Tất nhiên, trên đường đi luôn có những thời điểm rất khó khăn. Khi bạn đầu tư vào điều gì đó mà không ai khác tin vào và nó tiêu tốn rất nhiều tiền và có lẽ các nhà đầu tư hoặc người khác muốn bạn chỉ giữ lợi nhuận hoặc cải thiện giá cổ phiếu hoặc bất cứ điều gì. Nhưng bạn phải tin vào tương lai của mình. Bạn phải đầu tư vào chính mình. Và chúng tôi tin vào điều này sâu sắc đến mức chúng tôi đã đầu tư hàng chục tỷ đô la trước khi nó thực sự xảy ra. Và đúng vậy, đó là 10 năm dài. Nhưng trên đường đi thì vui.
Người phỏng vấn:
Ông sẽ tóm tắt những niềm tin cốt lõi đó như thế nào? Điều gì là điều ông tin về cách máy tính nên hoạt động và những gì chúng có thể làm cho chúng ta mà giữ ông không chỉ vượt qua thập kỷ đó mà còn làm những gì ông đang làm bây giờ, đặt cược chắc chắn ông đang đặt cho vài thập kỷ tới?
Người trả lời:
Những niềm tin cốt lõi của NVIDIA là gì?
Người trả lời:
Niềm tin cốt lõi đầu tiên của chúng tôi, như chúng ta đã thảo luận lần đầu, là về tính toán tăng tốc. Tính toán song song so với tính toán đa năng. Chúng tôi sẽ kết hợp hai bộ xử lý đó lại và thực hiện tính toán tăng tốc. Và tôi vẫn tin vào điều đó hôm nay. Thứ hai là sự nhận ra rằng những mạng học sâu này, những DNN này, xuất hiện trước công chúng vào năm 2012, những mạng neural sâu này có khả năng học các mẫu và mối quan hệ từ nhiều loại dữ liệu khác nhau. Và rằng nó có thể học những đặc điểm tinh tế hơn nếu nó có thể lớn hơn và lớn hơn. Và việc làm chúng lớn hơn và lớn hơn, làm chúng sâu hơn và sâu hơn hoặc rộng hơn và rộng hơn là dễ dàng hơn, vì vậy tính mở rộng của kiến trúc là đúng theo kinh nghiệm. Việc kích thước mô hình và kích thước dữ liệu lớn hơn và lớn hơn, bạn có thể học được nhiều kiến thức hơn cũng là đúng, đúng theo kinh nghiệm. Và nếu đó là trường hợp, bạn có thể hỏi, giới hạn là gì? Không có, trừ khi có giới hạn vật lý hoặc giới hạn kiến trúc hoặc giới hạn toán học và nó chưa bao giờ được tìm thấy, vì vậy chúng tôi tin rằng bạn có thể mở rộng nó. Sau đó, câu hỏi duy nhất còn lại là: Bạn có thể học gì từ dữ liệu? Bạn có thể học gì từ kinh nghiệm? Dữ liệu cơ bản là các phiên bản kỹ thuật số của trải nghiệm con người. Và vì vậy bạn có thể học gì? Rõ ràng bạn có thể học nhận dạng đối tượng từ hình ảnh. Bạn có thể học ngôn ngữ từ việc chỉ lắng nghe âm thanh. Bạn thậm chí có thể học ngôn ngữ, từ vựng, cú pháp và ngữ pháp chỉ bằng cách nghiên cứu rất nhiều chữ cái và từ. Vì vậy, chúng tôi đã chứng minh rằng AI hoặc học sâu có khả năng học gần như mọi dạng dữ liệu và nó có thể dịch sang bất kỳ dạng dữ liệu nào. Và điều đó có nghĩa là gì?
Người phỏng vấn:
Tại sao khoảnh khắc này cảm thấy khác biệt đến thế?
Người trả lời:
Bạn có thể đi từ văn bản sang văn bản, đúng không, tóm tắt một đoạn văn. Bạn có thể đi từ văn bản sang văn bản, dịch từ ngôn ngữ này sang ngôn ngữ khác. Bạn có thể đi từ văn bản sang hình ảnh, đó là tạo hình ảnh. Bạn có thể đi từ hình ảnh sang văn bản, đó là chú thích. Bạn thậm chí có thể đi từ chuỗi axit amin sang cấu trúc protein. Trong tương lai, bạn sẽ đi từ protein sang từ: "Protein này làm gì?" hoặc "Hãy đưa ra ví dụ về một protein có những tính chất này." Bạn biết đấy, xác định mục tiêu thuốc. Và vì vậy, bạn có thể thấy rằng tất cả những vấn đề này đang sắp được giải quyết. Bạn có thể đi từ từ ngữ sang video, tại sao bạn không thể đi từ từ ngữ sang các mã hành động cho robot? Từ góc nhìn của máy tính, điều đó có gì khác biệt? Và vì vậy, nó đã mở ra một vũ trụ cơ hội và một vũ trụ các vấn đề mà chúng ta có thể đi giải quyết. Và điều đó làm chúng tôi rất hào hứng. Cảm giác như chúng ta đang ở ngưỡng của một sự thay đổi thực sự khổng lồ. Khi tôi nghĩ về 10 năm tới, khác với 10 năm trước, tôi biết chúng ta đã trải qua rất nhiều thay đổi nhưng tôi không nghĩ tôi có thể dự đoán được nữa cách tôi sẽ sử dụng công nghệ đang được phát triển hiện tại. Đúng vậy. Tôi nghĩ lý do bạn cảm thấy như vậy là, 10 năm qua thực sự là về khoa học của AI. 10 năm tới chúng ta sẽ có rất nhiều khoa học về AI nhưng 10 năm tới sẽ là về khoa học ứng dụng của AI. Khoa học cơ bản so với khoa học ứng dụng. Và vì vậy, nghiên cứu ứng dụng, khía cạnh ứng dụng của AI bây giờ trở thành: Làm thế nào tôi có thể áp dụng AI vào sinh học số? Làm thế nào tôi có thể áp dụng AI vào công nghệ khí hậu? Làm thế nào tôi có thể áp dụng AI vào nông nghiệp, vào ngư nghiệp, vào robotics, vào giao thông, tối ưu hóa logistics? Làm thế nào tôi có thể áp dụng AI vào dạy học? Làm thế nào tôi áp dụng AI vào podcasting đúng không? Tôi muốn chọn một vài trong số đó để giúp mọi người thấy cách thay đổi cơ bản trong tính toán mà chúng ta đã nói đến thực sự sẽ thay đổi trải nghiệm cuộc sống của họ, cách họ thực sự sẽ sử dụng công nghệ dựa trên tất cả những gì chúng ta vừa nói. Một trong những điều mà tôi đã nghe ông nói nhiều và tôi có một sự quan tâm đặc biệt là AI vật lý. Hay nói cách khác, robot - "bạn bè của tôi!" - ý nói đến robot hình người nhưng cũng là robot như xe tự lái, các tòa nhà thông minh hoặc các kho hàng tự động hoặc máy cắt cỏ tự động hoặc nhiều hơn nữa. Từ những gì tôi hiểu, chúng ta có thể sắp chứng kiến một bước nhảy vọt lớn trong khả năng của tất cả các loại robot này vì chúng ta đang thay đổi cách chúng ta huấn luyện chúng. Cho đến gần đây, bạn đã phải huấn luyện robot trong thế giới thực, nơi mà nó có thể bị hư hỏng hoặc mòn, hoặc bạn có thể lấy dữ liệu từ các nguồn khá hạn chế như con người trong bộ đồ thu thập chuyển động. Nhưng điều đó có nghĩa là robot không nhận được đủ ví dụ để học nhanh hơn. Nhưng bây giờ chúng ta bắt đầu huấn luyện robot trong các thế giới kỹ thuật số, điều này có nghĩa là nhiều lần lặp lại hơn mỗi ngày, nhiều điều kiện hơn, học nhanh hơn nhiều. Vì vậy, chúng ta có thể đang ở trong một khoảnh khắc "big bang" cho robot ngay bây giờ và NVIDIA đang xây dựng các công cụ để điều đó xảy ra. Ông có Omniverse và tôi hiểu rằng đây là các thế giới 3D giúp huấn luyện các hệ thống robot để chúng không cần phải huấn luyện trong thế giới vật lý.
Người trả lời:
Chính xác vậy. Ông vừa thông báo về Cosmos, đó là cách để làm cho vũ trụ 3D đó trở nên chân thực hơn nhiều. Vì vậy, bạn có thể có tất cả các loại khác nhau, nếu chúng ta đang huấn luyện điều gì đó trên bàn này, nhiều loại ánh sáng khác nhau trên bàn, nhiều thời điểm trong ngày khác nhau, nhiều trải nghiệm khác nhau cho robot trải qua để nó có thể nhận được nhiều hơn từ Omniverse. Như một đứa trẻ lớn lên yêu thích Data trong Star Trek, sách của Isaac Asimov và chỉ mơ về một tương lai với robot, làm thế nào chúng ta đi từ những robot mà chúng ta có bây giờ đến thế giới tương lai mà ông thấy về robotics?
Người trả lời:
Đúng vậy, hãy để tôi sử dụng các mô hình ngôn ngữ, có lẽ ChatGPT, làm tham chiếu để hiểu về Omniverse và Cosmos. Vì vậy, trước hết khi ChatGPT lần đầu tiên xuất hiện, nó thật phi thường và nó có khả năng từ lời nhắc của bạn, tạo ra văn bản. Tuy nhiên, dù tuyệt vời đến đâu, nó có xu hướng "ảo giác" nếu nó nói quá lâu hoặc nếu nó bàn luận về một chủ đề mà nó không biết, nó vẫn sẽ làm tốt việc tạo ra các câu trả lời hợp lý. Nó chỉ không dựa trên sự thật. Và vì vậy, mọi người gọi đó là "ảo giác". Và vì vậy, thế hệ tiếp theo ngay sau đó, nó có khả năng được điều kiện bởi ngữ cảnh, vì vậy bạn có thể tải lên PDF của bạn và bây giờ nó được điều kiện bởi PDF. PDF trở thành sự thật cơ bản. Nó có thể thực sự tìm kiếm và sau đó kết quả tìm kiếm trở thành sự thật cơ bản của nó. Và giữa đó, nó có thể suy luận về cách tạo ra câu trả lời mà bạn đang yêu cầu. Và vì vậy, phần đầu tiên là AI sinh, phần thứ hai là sự thật cơ bản. Và vì vậy bây giờ hãy đi vào thế giới vật lý. Mô hình thế giới, chúng ta cần một mô hình nền tảng giống như cách chúng ta cần ChatGPT có một mô hình nền tảng cốt lõi, đó là bước đột phá để robotics có thể thông minh về thế giới vật lý. Nó phải hiểu những thứ như trọng lực, ma sát, quán tính, nhận thức về hình học và không gian. Nó phải hiểu rằng một vật thể nằm ở đó ngay cả khi tôi nhìn đi chỗ khác, khi tôi quay lại nó vẫn ở đó, tính bền vững của vật thể. Nó phải hiểu nguyên nhân và kết quả. Nếu tôi đẩy nó, nó sẽ ngã. Và vì vậy, những kiến thức chung về vật lý, nếu bạn muốn, phải được thu thập hoặc mã hóa vào một mô hình nền tảng thế giới để AI có kiến thức chung về thế giới. Và vì vậy, ai đó phải tạo ra điều đó, và đó là điều chúng tôi đã làm với Cosmos. Chúng tôi đã tạo ra một mô hình ngôn ngữ thế giới. Giống như ChatGPT là một mô hình ngôn ngữ, đây là một mô hình thế giới. Điều thứ hai mà chúng tôi phải làm là chúng tôi phải làm điều tương tự như chúng tôi đã làm với PDF và ngữ cảnh và điều kiện nó với sự thật cơ bản. Và vì vậy, cách chúng tôi nâng cao Cosmos với sự thật cơ bản là bằng cách sử dụng các mô phỏng vật lý, vì Omniverse sử dụng mô phỏng vật lý dựa trên các giải pháp nguyên lý. Toán học là vật lý Newton, đúng vậy, đó là toán học mà chúng ta biết, tất cả các định luật vật lý cơ bản mà chúng ta đã hiểu trong một thời gian rất dài. Và nó được mã hóa vào, thu thập vào Omniverse. Đó là lý do tại sao Omniverse là một bộ mô phỏng. Và bằng cách sử dụng bộ mô phỏng để điều kiện hoặc điều chỉnh Cosmos, chúng tôi bây giờ có thể tạo ra một số lượng vô hạn các câu chuyện về tương lai. Và chúng được dựa trên sự thật vật lý. Giống như giữa PDF hoặc tìm kiếm cộng với ChatGPT, chúng tôi có thể tạo ra một lượng vô hạn các điều thú vị, trả lời một loạt các câu hỏi thú vị. Sự kết hợp của Omniverse với Cosmos, bạn có thể làm điều đó cho thế giới vật lý. Vì vậy, để minh họa điều này cho khán giả, nếu bạn có một robot trong nhà máy và bạn muốn nó học mọi tuyến đường mà nó có thể đi, thay vì đi qua tất cả những tuyến đường đó theo cách thủ công, điều đó có thể mất nhiều ngày và gây ra hao mòn nhiều trên robot, chúng ta giờ đây có thể mô phỏng tất cả chúng theo cách kỹ thuật số trong một phần nhỏ thời gian và trong nhiều tình huống khác nhau mà robot có thể đối mặt - trời tối, bị chặn, v.v. - vì vậy robot bây giờ học nhanh hơn nhiều. Có vẻ với tôi như tương lai có thể sẽ rất khác so với ngày hôm nay. Nếu chúng ta chơi điều này trong 10 năm tới, ông thấy tầm nhìn 10 năm của mình như thế nào?
Người phỏng vấn:
Tầm nhìn 10 năm của Jensen là gì?
Người trả lời:
Mọi người thực sự tương tác với công nghệ này trong tương lai gần như thế nào? Cleo, mọi thứ di chuyển một ngày nào đó sẽ là robot và điều đó sẽ sớm thôi. Ý tưởng rằng bạn sẽ đẩy một chiếc máy cắt cỏ đã trở nên ngớ ngẩn. Có lẽ mọi người làm điều đó vì nó vui nhưng không cần thiết nữa. Và mọi chiếc xe sẽ là robot. Robot hình người, công nghệ cần thiết để làm điều đó trở nên khả thi chỉ đang ở ngay trước mắt. Và vì vậy, mọi thứ di chuyển sẽ là robot và chúng sẽ học cách trở thành robot trong Omniverse Cosmos và chúng tôi sẽ tạo ra tất cả những tương lai có thể xảy ra, những tương lai lý có thể xảy ra và các robot sẽ học từ chúng và sau đó chúng sẽ đến với thế giới vật lý và bạn biết đấy, nó hoàn toàn giống nhau. Một tương lai nơi bạn chỉ được bao quanh bởi robot là điều chắc chắn. Và tôi chỉ hào hứng về việc có R2-D2 của riêng mình. Và tất nhiên, R2-D2 sẽ không hoàn toàn là một cái lon lăn lóc. Nó sẽ là, bạn biết đấy, R2-D2, có lẽ sẽ có một hình dạng vật lý khác, nhưng nó luôn là R2. Vì vậy, R2 của tôi sẽ đi cùng tôi. Đôi khi nó ở trong kính thông minh của tôi, đôi khi ở trong điện thoại của tôi, đôi khi ở trong PC của tôi. Nó ở trong xe của tôi. Vì vậy, R2 luôn ở cùng tôi, bao gồm cả khi tôi về nhà, nơi tôi để lại phiên bản vật lý của R2. Và bất kể phiên bản đó là gì, chúng ta sẽ tương tác với R2. Và vì vậy, tôi nghĩ ý tưởng rằng chúng ta sẽ có R2-D2 của riêng mình suốt cuộc đời và nó lớn lên cùng chúng ta, điều đó giờ đây là chắc chắn.
Người phỏng vấn:
Tôi nghĩ rất nhiều phương tiện truyền thông tin tức khi họ nói về những tương lai như thế này, họ tập trung vào những gì có thể sai. Và điều đó có lý. Có rất nhiều điều có thể sai. Chúng ta nên nói về những gì có thể sai để chúng ta có thể ngăn chặn nó xảy ra sai.
Người trả lời:
Đúng vậy, đó là cách tiếp cận mà chúng tôi muốn thực hiện trong chương trình này, đó là, những thách thức lớn là gì để chúng ta có thể vượt qua chúng?
Người phỏng vấn:
Những nhóm vấn đề nào ông nghĩ đến khi lo lắng về tương lai này?
Người trả lời:
Có rất nhiều điều mà mọi người nói đến: thiên vị hoặc độc hại hoặc chỉ là ảo giác. Bạn biết đấy, nói với sự tự tin lớn về điều gì đó mà nó không biết gì về và kết quả là chúng ta dựa vào thông tin đó. Tạo ra, đó là một phiên bản của việc tạo ra thông tin giả, tin tức giả hoặc hình ảnh giả hoặc bất cứ điều gì. Tất nhiên, có sự giả mạo. Nó làm tốt đến mức giả vờ là con người, nó có thể làm một công việc cực kỳ tốt khi giả vờ là một con người cụ thể. Và vì vậy, phạm vi các lĩnh vực mà chúng ta phải lo lắng khá rõ ràng và có rất nhiều người đang làm việc về nó. Có một số điều, một số điều liên quan đến an toàn AI đòi hỏi nghiên cứu sâu và kỹ thuật sâu và điều đó đơn giản là, nó muốn làm điều đúng nhưng nó không thực hiện đúng và kết quả là làm tổn thương ai đó. Ví dụ, xe tự lái muốn lái xe một cách tử tế và đúng cách và bằng cách nào đó cảm biến bị hỏng hoặc nó không phát hiện ra điều gì đó. Hoặc bạn biết đấy, đã thực hiện một lượt quay quá mạnh hoặc bất cứ điều gì. Nó đã làm sai. Nó đã làm không đúng. Và vì vậy, có rất nhiều kỹ thuật phải được thực hiện để đảm bảo rằng an toàn AI được duy trì bằng cách đảm bảo rằng sản phẩm hoạt động đúng cách.
Người trả lời:
Và sau đó, cuối cùng, bạn biết đấy, điều gì xảy ra nếu hệ thống, AI muốn làm một công việc tốt nhưng hệ thống thất bại. Nghĩa là AI muốn ngăn chặn điều gì đó xảy ra và hóa ra ngay khi nó muốn làm điều đó, máy móc bị hỏng. Và điều này không khác gì một máy tính bay trong một chiếc máy bay có ba phiên bản của chúng và sau đó có sự dư thừa ba lần trong hệ thống trong các hệ thống tự động và sau đó bạn có hai phi công và sau đó bạn có kiểm soát không lưu và sau đó bạn có các phi công khác theo dõi các phi công này. Và vì vậy, các hệ thống an toàn AI phải được kiến trúc như một cộng đồng để các AI này, một là, hoạt động, hoạt động đúng cách. Khi chúng không hoạt động đúng cách, chúng không đặt người vào tình thế nguy hiểm. Và rằng có đủ các hệ thống an toàn và bảo mật xung quanh chúng để đảm bảo rằng chúng ta giữ an toàn cho AI. Và vì vậy, phạm vi cuộc trò chuyện này là rất lớn và bạn biết đấy, chúng ta phải phân tách các phần, phân tách các phần và xây dựng chúng như các kỹ sư.
Người phỏng vấn:
Một trong những điều tuyệt vời về khoảnh khắc này mà chúng ta đang ở hiện tại là chúng ta không còn nhiều giới hạn công nghệ mà chúng ta đã có trong thế giới của CPU và xử lý tuần tự. Và chúng ta đã mở khóa không chỉ một cách mới để thực hiện tính toán mà còn một cách để tiếp tục cải thiện. Xử lý song song có một loại vật lý khác với những cải tiến mà chúng ta có thể thực hiện trên CPU. Tôi tò mò, những giới hạn khoa học hoặc công nghệ mà chúng ta đang đối mặt hiện nay trong thế giới hiện tại mà ông đang nghĩ rất nhiều về là gì?
Người trả lời:
Mọi thứ cuối cùng là về việc bạn có thể hoàn thành bao nhiêu công việc trong giới hạn của năng lượng mà bạn có. Đó là một giới hạn vật lý và các định luật vật lý về việc truyền thông tin và truyền các bit, chuyển đổi các bit và truyền các bit, cuối cùng năng lượng cần để làm điều đó giới hạn những gì chúng ta có thể hoàn thành. Và lượng năng lượng mà chúng ta có giới hạn những gì chúng ta có thể hoàn thành. Chúng ta còn xa mới đạt đến bất kỳ giới hạn cơ bản nào ngăn cản chúng ta tiến bộ. Trong khi đó, chúng ta tìm cách xây dựng các máy tính tốt hơn và tiết kiệm năng lượng hơn. Chiếc máy tính nhỏ này, phiên bản lớn của nó có giá 250.000 đô la - Nhặt lên? - Đúng vậy, đúng vậy, đó là em bé DIGITS. Đây là một siêu máy tính AI. Phiên bản mà tôi đã giao, đây chỉ là một nguyên mẫu nên đó là một mô hình. Phiên bản đầu tiên là DGX 1, tôi đã giao cho Open AI vào năm 2016 và đó là 250.000 đô la. 10.000 lần sức mạnh hơn, cần nhiều năng lượng hơn phiên bản này và phiên bản này có hiệu suất gấp sáu lần. Tôi biết, điều đó thật đáng kinh ngạc. Chúng ta đang ở trong một thế giới hoàn toàn mới. Và chỉ từ năm 2016, và vì vậy tám năm sau, chúng ta đã tăng hiệu suất năng lượng của tính toán lên 10.000 lần. Và hãy tưởng tượng nếu chúng ta trở nên tiết kiệm năng lượng hơn 10.000 lần hoặc nếu một chiếc xe tiết kiệm năng lượng hơn 10.000 lần hoặc một bóng đèn điện tiết kiệm năng lượng hơn 10.000 lần. Bóng đèn của chúng ta hiện nay thay vì 100 Watt, sẽ tiết kiệm năng lượng hơn 10.000 lần mà vẫn tạo ra cùng độ sáng. Đúng vậy, và vì vậy hiệu suất năng lượng của tính toán, đặc biệt là cho tính toán AI mà chúng tôi đã làm việc, đã tiến bộ đáng kinh ngạc và điều đó rất cần thiết vì chúng tôi muốn tạo ra các hệ thống thông minh hơn và chúng tôi muốn sử dụng nhiều tính toán hơn để trở nên thông minh hơn và vì vậy hiệu suất năng lượng để thực hiện công việc là ưu tiên hàng đầu của chúng tôi.
Người phỏng vấn:
Khi tôi chuẩn bị cho cuộc phỏng vấn này, tôi đã nói chuyện với rất nhiều bạn bè kỹ sư của mình và đây là một câu hỏi mà họ thực sự muốn tôi hỏi.
Người phỏng vấn:
NVIDIA đưa ra những cược lớn vào các con chip cụ thể (transformers) như thế nào?
Người phỏng vấn:
Đây là một câu hỏi mà họ thực sự muốn tôi hỏi. Vì vậy, ông đang thực sự nói chuyện với những người của mình ở đây. Ông đã thể hiện giá trị của việc tăng cường khả năng tiếp cận và trừu tượng hóa, với CUDA và cho phép nhiều người hơn sử dụng nhiều sức mạnh tính toán hơn theo mọi cách khác. Khi các ứng dụng của công nghệ trở nên cụ thể hơn, tôi đang nghĩ đến các bộ chuyển đổi trong AI chẳng hạn... Đối với khán giả, bộ chuyển đổi là một cấu trúc AI rất phổ biến gần đây, hiện đang được sử dụng trong một số lượng lớn các công cụ mà bạn đã thấy. Lý do chúng phổ biến là vì các bộ chuyển đổi được cấu trúc theo cách giúp chúng "chú ý" đến những bit thông tin quan trọng và đưa ra kết quả tốt hơn nhiều. Ông có thể xây dựng các con chip hoàn hảo phù hợp với chỉ một loại mô hình AI, nhưng nếu ông làm điều đó thì ông đang làm cho chúng ít có khả năng làm những việc khác. Vì vậy, khi những cấu trúc hoặc kiến trúc AI cụ thể này trở nên phổ biến hơn, tôi hiểu rằng có một cuộc tranh luận về việc ông đặt cược bao nhiêu vào việc "đốt chúng vào con chip" hoặc thiết kế phần cứng rất cụ thể cho một nhiệm vụ nhất định so với việc giữ tính tổng quát hơn, và câu hỏi của tôi là, ông đưa ra những cược đó như thế nào? Ông nghĩ về việc liệu giải pháp là một chiếc xe có thể đi bất cứ đâu hay thực sự tối ưu hóa một chuyến tàu để đi từ A đến B như thế nào? Ông đang đặt cược với những rủi ro lớn và tôi tò mò về cách ông nghĩ về điều đó.
Người trả lời:
Đúng vậy, và điều đó giờ đây quay trở lại chính xác câu hỏi của bạn, những niềm tin cốt lõi của ông là gì? Và câu hỏi, niềm tin cốt lõi hoặc là, bộ chuyển đổi là thuật toán AI cuối cùng, kiến trúc AI mà bất kỳ nhà nghiên cứu nào sẽ khám phá ra một lần nữa, hoặc rằng các bộ chuyển đổi là một bước đệm hướng tới sự tiến hóa của các bộ chuyển đổi mà vài năm nữa hầu như không thể nhận ra là một bộ chuyển đổi. Và chúng tôi tin vào điều sau. Lý do cho điều đó là vì bạn chỉ cần quay lại lịch sử và tự hỏi mình, trong thế giới của các thuật toán máy tính, trong thế giới của phần mềm, trong thế giới của kỹ thuật và đổi mới, một ý tưởng đã tồn tại lâu như vậy chưa? Và câu trả lời là không. Và vì vậy đó là vẻ đẹp, thực ra là vẻ đẹp thiết yếu của một máy tính rằng nó có thể làm điều gì đó hôm nay mà không ai từng nghĩ có thể 10 năm trước. Và nếu bạn đã biến máy tính đó 10 năm trước thành một lò vi sóng, thì tại sao các ứng dụng vẫn tiếp tục xuất hiện? Và vì vậy, chúng tôi tin, chúng tôi tin vào sự phong phú của đổi mới và sự phong phú của phát minh và chúng tôi muốn tạo ra một kiến trúc cho phép các nhà phát minh, những người đổi mới, các lập trình viên phần mềm và các nhà nghiên cứu AI bơi trong nước súp và đưa ra những ý tưởng tuyệt vời. Hãy nhìn vào các bộ chuyển đổi. Đặc điểm cơ bản của một bộ chuyển đổi là ý tưởng này được gọi là "cơ chế chú ý" và nó cơ bản nói rằng bộ chuyển đổi sẽ hiểu ý nghĩa và sự liên quan của mỗi từ với mỗi từ khác. Vì vậy, nếu bạn có 10 từ, nó phải tìm ra mối quan hệ giữa 10 từ đó. Nhưng nếu bạn có 100.000 từ hoặc nếu ngữ cảnh của bạn bây giờ lớn như, đọc một PDF và đọc một loạt các PDF, và cửa sổ ngữ cảnh bây giờ giống như một triệu token, việc xử lý tất cả chúng qua tất cả chúng là điều không thể. Và vì vậy cách bạn giải quyết vấn đề đó là có tất cả các ý tưởng mới, chú ý nhanh hoặc chú ý phân cấp hoặc bạn biết đấy, chú ý sóng mà tôi vừa đọc về ngày hôm trước. Số lượng các loại cơ chế chú ý khác nhau đã được phát minh kể từ bộ chuyển đổi là khá phi thường.
Người trả lời:
Và vì vậy tôi nghĩ điều đó sẽ tiếp tục và chúng tôi tin rằng điều đó sẽ tiếp tục và rằng khoa học máy tính chưa kết thúc và rằng các nhà nghiên cứu AI chưa từ bỏ và chúng tôi cũng chưa từ bỏ và rằng có một máy tính cho phép sự linh hoạt của nghiên cứu, đổi mới và các ý tưởng mới là điều cơ bản quan trọng nhất. Một trong những điều mà tôi rất tò mò là, ông thiết kế các con chip. Có những công ty lắp ráp các con chip. Có những công ty thiết kế phần cứng để làm cho việc làm việc ở quy mô nanomet trở nên khả thi.
Người phỏng vấn:
Khi ông thiết kế các công cụ như thế này, ông nghĩ về thiết kế trong bối cảnh của những gì hiện tại có thể thực hiện được về mặt vật lý như thế nào? Những điều gì ông đang nghĩ đến khi đẩy giới hạn đó ngày nay?
Người trả lời:
Cách chúng tôi làm điều đó là, mặc dù các con chip của chúng tôi được sản xuất bởi TSMC, chúng tôi giả định rằng chúng tôi cần có chuyên môn sâu như TSMC. Và vì vậy, chúng tôi có những người trong công ty của mình rất giỏi về vật lý bán dẫn để chúng tôi có cảm giác, chúng tôi có trực giác về, những giới hạn của những gì vật lý bán dẫn hiện tại có thể làm. Rồi chúng tôi làm việc rất chặt chẽ với họ để khám phá các giới hạn vì chúng tôi đang cố gắng đẩy giới hạn và vì vậy chúng tôi khám phá các giới hạn cùng nhau. Bây giờ chúng tôi cũng làm điều tương tự trong kỹ thuật hệ thống và hệ thống làm mát. Hóa ra hệ thống ống nước rất quan trọng đối với chúng tôi vì làm mát bằng chất lỏng. Và có lẽ quạt cũng rất quan trọng đối với chúng tôi vì làm mát bằng không khí và chúng tôi đang cố gắng thiết kế những quạt này theo cách gần như bạn biết đấy, chúng có tính khí động học để chúng tôi có thể vận chuyển lượng lớn nhất không khí, tạo ra ít tiếng ồn nhất. Vì vậy, chúng tôi có các kỹ sư khí động học trong công ty của mình. Và mặc dù chúng tôi không làm ra chúng, chúng tôi thiết kế chúng và chúng tôi phải có chuyên môn sâu về cách để chúng được sản xuất. Và từ đó, chúng tôi cố gắng đẩy giới hạn.
Người phỏng vấn:
Một trong những chủ đề của cuộc trò chuyện này là ông là người đặt cược lớn vào tương lai và lần này qua lần khác ông đã đúng về những cược đó. Chúng ta đã nói về GPUs, CUDA, những cược ông đã đặt vào AI - xe tự lái, và chúng ta sẽ đúng về robotics và - đây là câu hỏi của tôi. Những cược ông đang đặt bây giờ là gì?
Người trả lời:
Cược mới nhất mà chúng tôi vừa mô tả tại CES và tôi rất tự hào về nó và rất hào hứng về nó là sự kết hợp của Omniverse và Cosmos để chúng tôi có hệ thống sinh thành thế giới mới này, hệ thống sinh thành đa vũ trụ này. Tôi nghĩ rằng điều đó sẽ rất quan trọng trong tương lai của robotics và các hệ thống vật lý. Tất nhiên, công việc mà chúng tôi đang làm với robot hình người, phát triển các hệ thống công cụ và hệ thống huấn luyện và các hệ thống minh họa con người và tất cả những thứ mà bạn đã đề cập, chúng tôi chỉ mới thấy khởi đầu của công việc đó và tôi nghĩ 5 năm tới sẽ rất thú vị trong lĩnh vực robot hình người. Tất nhiên, công việc mà chúng tôi đang làm trong sinh học số để chúng ta có thể hiểu ngôn ngữ của phân tử và hiểu ngôn ngữ của tế bào và giống như chúng ta hiểu ngôn ngữ của vật lý và thế giới vật lý, chúng tôi muốn hiểu ngôn ngữ của cơ thể con người và hiểu ngôn ngữ của sinh học. Và nếu chúng ta có thể học được điều đó, và chúng ta có thể dự đoán nó. Thì đột nhiên khả năng của chúng ta để có một bản sao số của con người là khả thi. Và vì vậy, tôi rất hào hứng về công việc đó. Tôi yêu thích công việc mà chúng tôi đang làm trong khoa học khí hậu và có thể từ các dự đoán thời tiết, hiểu và dự đoán các khí hậu khu vực với độ phân giải cao, các mẫu thời tiết trong vòng một kilômét trên đầu bạn. Rằng chúng ta có thể dự đoán điều đó với độ chính xác cao, những hệ quả của nó thực sự rất sâu sắc. Và vì vậy, số lượng những điều mà chúng tôi đang làm việc thực sự rất tuyệt vời. Chúng tôi may mắn vì đã tạo ra công cụ này, một cỗ máy thời gian và chúng tôi cần những cỗ máy thời gian trong tất cả những lĩnh vực mà chúng tôi vừa nói đến để chúng ta có thể nhìn thấy tương lai. Và nếu chúng ta có thể thấy tương lai và chúng ta có thể dự đoán tương lai thì chúng ta có cơ hội tốt hơn để làm cho tương lai đó trở thành phiên bản tốt nhất của nó. Đó là lý do tại sao các nhà khoa học muốn dự đoán tương lai. Đó là lý do tại sao chúng tôi cố gắng dự đoán tương lai và mọi thứ mà chúng tôi cố gắng thiết kế để chúng tôi có thể tối ưu hóa cho phiên bản tốt nhất.
Người phỏng vấn:
Nếu ai đó đang xem video này và có thể họ đã vào video này biết rằng NVIDIA là một công ty cực kỳ quan trọng nhưng không hoàn toàn hiểu tại sao hoặc nó có thể ảnh hưởng đến cuộc sống của họ như thế nào và bây giờ họ đang hi vọng hiểu rõ hơn về sự thay đổi lớn mà chúng ta đã trải qua trong vài thập kỷ qua trong tính toán, khoảnh khắc rất thú vị, rất lạ lùng mà chúng ta đang ở ngay bây giờ, nơi mà chúng ta đang ở ngưỡng cửa của nhiều điều khác nhau. Nếu họ muốn có thể nhìn vào tương lai một chút, ông sẽ khuyên họ chuẩn bị hoặc suy nghĩ về khoảnh khắc này mà họ đang ở cá nhân như thế nào liên quan đến việc những công cụ này thực sự sẽ ảnh hưởng đến họ như thế nào?
Người trả lời:
Có một vài cách để suy nghĩ về tương lai mà chúng tôi đang tạo ra. Một cách để suy nghĩ về nó là, giả sử công việc mà bạn làm vẫn tiếp tục là quan trọng nhưng nỗ lực để làm nó từ một tuần dài trở nên gần như tức thì. Bạn biết đó, nỗ lực của sự nhàm chán cơ bản giảm xuống bằng không. Hệ quả của điều đó là gì? Điều này rất giống với điều gì sẽ thay đổi nếu đột nhiên chúng ta có đường cao tốc trong đất nước này? Và điều đó đã xảy ra trong cuộc cách mạng công nghiệp cuối cùng, đột nhiên chúng ta có đường cao tốc liên bang và khi bạn có đường cao tốc liên bang thì điều gì xảy ra?
