黄仁勋访华谈芯片、AI:5成顶尖人才在中国

2025-07-17 | 来源: 腾讯科技 | 转到微信 | 有0人参与评论 | 字体: 放大缩小 | 收藏 | 打印

05 算力需求远远不够

问：你认为算力是否被高估了？或者说，如果没有足够的算力，企业就无法发展AI？我猜你一定听说过算力焦虑这个词。对此你怎么看？

黄仁勋：你是说算力太多还是太少时会焦虑？目前显然是算力不足。我自己对此就深有体会。在英伟达，如果没有足够的计算资源，我们研发芯片、系统、网络架构、算法和软件都会举步维艰。如今我们为工程师配备了许多AI超级计算机，但他们每天都在为算力发愁，恨不得能再多十倍的资源。

这充分说明，新时代的计算革命已经不再局限于键盘输入和手工编程，而是进入了AI机器学习的新纪元。当AI承担了主要的学习任务后，我们自然就会渴望更强大、更快速的计算机，以解决更复杂、更具挑战性的问题。我认为算力焦虑在未来十年内都不会消失，这是所有工程师都在面临的共同挑战。

问：在AI领域有三个关键因素：算法、算力和数据。不过现在，我不确定你是否认为人们更关注算力？如果没有算力，AI可能就无从谈起？

黄仁勋：这个问题问得好。其实你可能不太了解背后的技术脉络，AI的发展是分阶段演进的。

第一代AI是感知智能（Wave 1），第二代是生成式AI（Wave 2），现在我们正处于第三代：推理AI阶段。推理就像人类的思考过程，比如当你遇到一个全新问题时，需要分析：这安全吗？是威胁还是机遇？该采取什么行动？这种推理能力之所以强大，因为它代表着智能的基础。下一阶段将是机器人技术。因此，目前AI发展分为四个阶段：感知、生成、推理和机器人。

早期的感知AI主要通过海量数据学习，比如识别文字、图像，理解故事内容，甚至区分猫狗等物体。而现在的AI更像人类的学习方式——从被动接受信息转变为主动思考。就像我们上学时主要靠听课看书，但毕业后更多是通过实践和思考来学习。如今的AI就像在家做数学题，通过多场景模拟训练，持续进行推理思考，变得越来越聪明。我们把这种学习方式称为“后训练”，而传统的数据训练则叫“预训练”。后训练模式对算力要求很高，但对数据量的需求相对较少。

问：有人提出，用随着大模型发展，对AI算力基础设施的需求会降低。对此你怎么看？

谈一谈中国社保的高存缴比例:这合理吗?

揭密:日本与中国一度逼近军事冲突

芯片巨头为何处于中美高科技争夺战的核心

黄仁勋：DeepSeek R1采用的是一种极具创新性的高效架构，其独特之处在于：每个token所需的计算量和计算资源都大幅降低。这种设计创新是必然的——因为DeepSeek R1本质上是一个推理引擎，需要反复迭代运算。这就要求每个生成的token都必须极致高效，才能保障整体推理过程的顺畅运行。

现在，所需的计算量大幅减少，系统可以进行更长时间的思考，并得出多个优质答案。这实际上开辟了一个全新领域——温和AI（Gentle AI），这一方向非常重要。

推理AI模型将广泛应用于云端和边缘计算。以自动驾驶为例：当车辆遇到从未见过的路况时，搭载推理AI的车载系统能够主动思考——前方是什么情况？我该如何应对？而不仅是简单判断要不要继续开。当前的车载系统过于简单，未来的推理AI将赋予其真正的思考能力。

边缘设备将部署具有思考能力的AI，同时也可搭载简单的功能型AI（如自动开门等）。具体采用何种AI，完全取决于应用场景。

问：现有算力已能训练出具备一定智能水平的模型。要实现AGI，是否需要在GPU架构和模型设计上取得根本性突破？

黄仁勋：这取决于AGI的定义。如果按照当前用于评估AI性能的测试标准来衡量AGI，我相信很快便可以在这些基准测试上超越人类团队的表现。基于我们已经取得的技术突破，以及尚未公开的实验室成果，我认为不需要根本性的技术革新就能在近期实现这一目标。当然，这取决于如何定义AGI。

问：英伟达正全力打造AI工厂。中国拥有庞大的制造业基础，你认为AI将如何助力传统工厂升级？

黄仁勋：AI工厂将具备更强的敏捷性和可重构性。当需要生产的产品发生变化时，工厂能够更快地完成产线重组，同时实现更高的生产吞吐量。这意味着工厂将变得更灵活、可配置性更强、产能更高——这些能满足我们对未来供应链的所有期待。随着机器人技术与AI能力的结合，生产成本将显著下降，而成本降低将有助于缓解通胀压力，同时提升整体生产效率。