-
日期: 2025-07-17 | 來源: 騰訊科技 | 有0人參與評論 | 字體: 小 中 大
05 算力需求遠遠不夠
問：你認為算力是否被高估了？或者說，如果沒有足夠的算力，企業就無法發展AI？我猜你壹定聽說過算力焦慮這個詞。對此你怎麼看？
黃仁勳：你是說算力太多還是太少時會焦慮？目前顯然是算力不足。我自己對此就深有體會。在英偉達，如果沒有足夠的計算資源，我們研發芯片、系統、網絡架構、算法和軟件都會舉步維艱。如今我們為工程師配備了許多AI超級計算機，但他們每天都在為算力發愁，恨不得能再多拾倍的資源。
這充分說明，新時代的計算革命已經不再局限於鍵盤輸入和手工編程，而是進入了AI機器學習的新紀元。當AI承擔了主要的學習任務後，我們自然就會渴望更強大、更快速的計算機，以解決更復雜、更具挑戰性的問題。我認為算力焦慮在未來拾年內都不會消失，這是所有工程師都在面臨的共同挑戰。
問：在AI領域有叁個關鍵因素：算法、算力和數據。不過現在，我不確定你是否認為人們更關注算力？如果沒有算力，AI可能就無從談起？
黃仁勳：這個問題問得好。其實你可能不太了解背後的技術脈絡，AI的發展是分階段演進的。
第壹代AI是感知智能（Wave 1），第贰代是生成式AI（Wave 2），現在我們正處於第叁代：推理AI階段。推理就像人類的思考過程，比如當你遇到壹個全新問題時，需要分析：這安全嗎？是威脅還是機遇？該采取什麼行動？這種推理能力之所以強大，因為它代表著智能的基礎。下壹階段將是機器人技術。因此，目前AI發展分為肆個階段：感知、生成、推理和機器人。
早期的感知AI主要通過海量數據學習，比如識別文字、圖像，理解故事內容，甚至區分貓狗等物體。而現在的AI更像人類的學習方式——從被動接受信息轉變為主動思考。就像我們上學時主要靠聽課看書，但畢業後更多是通過實踐和思考來學習。如今的AI就像在家做數學題，通過多場景模擬訓練，持續進行推理思考，變得越來越聰明。我們把這種學習方式稱為“後訓練”，而傳統的數據訓練則叫“預訓練”。後訓練模式對算力要求很高，但對數據量的需求相對較少。
問：有人提出，用隨著大模型發展，對AI算力基礎設施的需求會降低。對此你怎麼看？
黃仁勳：DeepSeek R1采用的是壹種極具創新性的高效架構，其獨特之處在於：每個token所需的計算量和計算資源都大幅降低。這種設計創新是必然的——因為DeepSeek R1本質上是壹個推理引擎，需要反復迭代運算。這就要求每個生成的token都必須極致高效，才能保障整體推理過程的順暢運行。
現在，所需的計算量大幅減少，系統可以進行更長時間的思考，並得出多個優質答案。這實際上開辟了壹個全新領域——溫和AI（Gentle AI），這壹方向非常重要。
推理AI模型將廣泛應用於雲端和邊緣計算。以自動駕駛為例：當車輛遇到從未見過的路況時，搭載推理AI的車載系統能夠主動思考——前方是什麼情況？我該如何應對？而不僅是簡單判斷要不要繼續開。當前的車載系統過於簡單，未來的推理AI將賦予其真正的思考能力。
邊緣設備將部署具有思考能力的AI，同時也可搭載簡單的功能型AI（如自動開門等）。具體采用何種AI，完全取決於應用場景。
問：現有算力已能訓練出具備壹定智能水平的模型。要實現AGI，是否需要在GPU架構和模型設計上取得根本性突破？
黃仁勳：這取決於AGI的定義。如果按照當前用於評估AI性能的測試標准來衡量AGI，我相信很快便可以在這些基准測試上超越人類團隊的表現。基於我們已經取得的技術突破，以及尚未公開的實驗室成果，我認為不需要根本性的技術革新就能在近期實現這壹目標。當然，這取決於如何定義AGI。
問：英偉達正全力打造AI工廠。中國擁有龐大的制造業基礎，你認為AI將如何助力傳統工廠升級？
黃仁勳：AI工廠將具備更強的敏捷性和可重構性。當需要生產的產品發生變化時，工廠能夠更快地完成產線重組，同時實現更高的生產吞吐量。這意味著工廠將變得更靈活、可配置性更強、產能更高——這些能滿足我們對未來供應鏈的所有期待。隨著機器人技術與AI能力的結合，生產成本將顯著下降，而成本降低將有助於緩解通脹壓力，同時提升整體生產效率。- 新聞來源於其它媒體，內容不代表本站立場！
-
原文鏈接
原文鏈接:
目前還沒有人發表評論, 大家都在期待您的高見