CEO Nvidia Jensen Huang: AI tidak akan mengambil pekerjaan Anda, tetapi orang yang menggunakan AI akan melakukannya

Sumber: Ada Newin baru

Pagi ini, laporan pendapatan Q3 Nvidia diumumkan setelah jam pasar saham AS, dengan pendapatan $18,12 miliar untuk kuartal ketiga yang berakhir 29 Oktober 2023, meningkat 206% tahun-ke-tahun, peningkatan kuartal-ke-kuartal sebesar 34%, pendapatan EPS meningkat hampir 6 kali lipat, masing-masing hampir 13% dan 20% lebih tinggi dari ekspektasi analis, dan pendapatan pusat data bisnis tempat chip AI berada meningkat hampir 2 kali lipat tahun-ke-tahun, mencapai level tertinggi baru dalam satu kuartal.

"Pertumbuhan kuat kami mencerminkan transformasi berbagai platform industri dari tujuan umum hingga komputasi yang dipercepat dan AI generatif, dengan startup LLM, perusahaan internet konsumen, dan penyedia layanan cloud global menjadi penggerak pertama, dan gelombang berikutnya mulai terbentuk, dengan penyedia layanan komunikasi nasional dan regional berinvestasi di cloud AI untuk memenuhi permintaan lokal, perusahaan perangkat lunak perusahaan menambahkan AI Copilot dan Asisten ke platform mereka, dan perusahaan menciptakan AI khusus, “kata Huang Era AI generatif lepas landas dengan GPU NVIDIA, CPU, jaringan, layanan pengecoran AI, dan perangkat lunak NVIDIA AI Enterprise sebagai mesin pertumbuhan kecepatan penuh!”

PS: Dalam kolom akhir pekan lalu, kami membagikan John Luttig, Kepala Investasi di Funders Fund, tentang analisisnya tentang lanskap pasar GPU saat ini.

Bulan lalu, Jensen Huang, salah satu pendiri & CEO Nvidia, juga memberikan ceramah yang sangat kering di Columbia Business School (CBS), di mana Huang berbicara dengan Dekan CBS Costis Maglaras untuk membahas masa depan digital, termasuk bagaimana NVIDIA melakukan strategi dan operasi, dan bagaimana Huang memiliki pengalaman kewirausahaan dan bagaimana menjadi CEO yang berkualitas.

Berikut adalah beberapa barang kering yang dibagikan Lao Huang dalam proses CBS untuk Anda coba:

Sebelum membuat keputusan, setiap orang harus mencari tahu apa yang mereka lakukan, mengapa mereka melakukannya, dan itu semua tentang pilihan.

Dari sudut pandang pribadi: Ada tiga hal yang perlu ditentukan:

1. Hal-hal yang sulit tetapi benar;

2. apa yang ditakdirkan untuk Anda lakukan;

3. Hal-hal yang Anda sukai;

Dari sudut pandang perusahaan: Menggunakan NVIDIA sebagai contoh, jawaban Lao Huang sangat lugas, dengan jelas menjelaskan pilihan pasar, model bisnis, hambatan, dan efek roda gila yang terlibat dalam Pivot NVIDIA:

"Alasan kami tidak melakukan manufaktur adalah karena TSMC melakukannya dengan sangat baik dan mereka sudah melakukannya, mengapa saya harus pergi dan mengambil pekerjaan mereka? Saya suka orang-orang di TSMC, mereka berteman baik dengan saya, hanya karena saya punya bisnis, saya bisa masuk ke ruang ini, jadi apa? Mereka telah melakukan pekerjaan yang hebat untuk saya, jangan buang waktu mengulangi apa yang telah mereka lakukan, mari buang waktu melakukan sesuatu yang belum pernah dilakukan siapa pun, sesuatu yang belum pernah dilakukan siapa pun, dan begitulah cara Anda membangun sesuatu yang istimewa, jika tidak, Anda hanya berbicara tentang pangsa pasar. **

Kami mengamati dua hal: komputasi terakselerasi adalah masalah perangkat lunak, ini adalah masalah algoritma, dan AI Ini adalah masalah pusat data, jadi kami satu-satunya perusahaan yang keluar dan membangun semua hal ini, dan bagian dari apa yang kami lakukan adalah pilihan model bisnis, kami bisa menjadi perusahaan pusat data, sepenuhnya terintegrasi secara vertikal, namun, kami menyadari bahwa tidak peduli seberapa sukses perusahaan komputer, itu tidak akan menjadi satu-satunya perusahaan komputer di dunia, dan itu lebih baik sebagai perusahaan komputasi platform karena kami mencintai pengembang. Menjadi perusahaan komputasi platform yang melayani setiap perusahaan komputer di dunia lebih baik daripada menjadi perusahaan komputer saja. **

Kami telah mengambil pendekatan ini, kami telah mengambil pusat data ini yang seukuran ruangan ini, semua kabel, semua sakelar dan jaringan, dan banyak perangkat lunak, dan kami telah memecah semuanya dan mengintegrasikannya ke pusat data lain yang berbeda di seluruh dunia, dan ini adalah kompleksitas yang gila, dan kami telah menemukan cara untuk memiliki standardisasi yang cukup bila diperlukan, fleksibilitas yang cukup bila diperlukan sehingga kami dapat bekerja dengan perusahaan komputer di seluruh dunia dengan cukup.

Hasilnya adalah arsitektur Nvidia sekarang ditanamkan ke setiap perusahaan komputer di dunia, yang menciptakan jejak yang lebih besar, basis terpasang yang lebih besar, lebih banyak pengembang, aplikasi yang lebih baik, yang membuat pelanggan lebih bahagia, mereka membeli lebih banyak chip, yang meningkatkan basis terpasang, meningkatkan anggaran R&D kami, dll., efek roda gila, sistem umpan balik positif, begitulah cara kerjanya, sederhana dan mudah "

Selain itu, Lao Huang juga memperjelas pandangannya tentang AI dan tenaga kerja &; alur kerja dalam pembagiannya - **AI tidak akan mengambil pekerjaan Anda, orang-orang yang menggunakan AI akan mengambil pekerjaan Anda, dan jika sebuah perusahaan tidak memiliki lebih banyak ide untuk berinvestasi dalam keuntungan tambahan, maka ketika pekerjaan digantikan oleh otomatisasi, perusahaan harus memberhentikan karyawan dan bergabung dengan perusahaan-perusahaan yang memiliki lebih banyak ide tetapi tidak mampu menginvestasikan uang, sehingga ketika AI mengotomatiskan pekerjaan mereka, tentu situasinya akan berubah, tentu saja itu akan mengubah cara kerja. **

Berikut ini adalah isi lengkap percakapan antara Lao Huang dan Presiden CBS Costis Maglaras, selamat menikmati~

** Costis Maglaras: **

Saya ingin Anda terlebih dahulu membawa kami kembali sedikit melalui sejarah Nvidia, dan kemudian saya ingin berbicara tentang masalah kepemimpinan yang baru saja kami sebutkan, tetapi Anda memulai perusahaan ini 30 tahun yang lalu dan memimpinnya melalui transformasi yang meluncurkan berbagai aplikasi dan jenis produk. Bawa kami melalui perjalanan.

Jensen Huang:

Salah satu momen paling membanggakan saya. Saya mulai dengan salah satu momen paling membanggakan yang terjadi baru-baru ini, ketika saya adalah CEO dari perusahaan pertama tempat saya bekerja, Denny’s, dan mengetahui bahwa Nvidia bukan hanya perkembangan saya dari pencuci piring dan tukang ke puncak perusahaan menjadi pelayan di Denny’s, tetapi mereka adalah perusahaan pertama saya dan saya masih akrab dengan menunya. Ngomong-ngomong, Superbird itu hebat, adakah yang tahu apa itu Superbird? Mahasiswa macam apa kamu?

Denny’s adalah sebuah restoran di Amerika Serikat, dan Nvidia didirikan oleh saya dan dua pendiri lainnya di San Jose — Denny’s di luar rumah kami, jadi mereka baru-baru ini menghubungi saya, dan kotak yang biasa kami duduki sekarang menjadi kotak Nvidia, dan itu disebut Nvidia, dan itulah tempat kelahiran perusahaan triliunan dolar, dan ini adalah momen yang sangat membanggakan.

Nvidia didirikan pada saat revolusi PC baru saja dimulai, dan mikroprosesor menangkap imajinasi seluruh industri. Dunia benar melihat bagaimana CPU, mikroprosesor, akan membentuk kembali industri TI, bagaimana mereka akan membentuk kembali industri komputer, dan sebelum dan sesudah revolusi x86, perusahaan yang sukses sangat berbeda. Kami memulai perusahaan kami selama periode itu, dan pandangan kami adalah bahwa sama menakjubkannya dengan komputasi tujuan umum, itu tidak bisa menjadi solusi untuk semua masalah.

Kami percaya bahwa ada cara komputasi yang kami sebut komputasi terakselerasi, di mana Anda menambahkan seorang ahli di samping komputasi tujuan umum. CPU adalah generalis dan dapat melakukan apa saja, jika Anda mau. Itu bisa melakukan apa saja. Namun, jelas, jika Anda bisa melakukan apa saja, maka jelas Anda tidak bisa melakukan apa pun dengan baik.

Akibatnya, kami percaya bahwa ada beberapa masalah yang tidak cocok untuk diselesaikan oleh apa yang kami sebut komputer biasa. Itulah mengapa kami memulai perusahaan komputasi yang dipercepat ini. Masalahnya adalah, jika Anda ingin membuat perusahaan platform komputasi, saya tidak tahu berapa banyak ilmuwan komputer yang ada, tetapi jika Anda ingin membuat perusahaan platform komputasi, belum ada perusahaan seperti itu sejak 1964, dan itu adalah tahun setelah saya lahir, IBM Systems 360 dengan sempurna menggambarkan apa itu komputer.

Pada tahun 1964, IBM menggambarkan bahwa 360 memiliki unit pemrosesan pusat, subsistem I / O, akses memori langsung, memori virtual, kompatibilitas biner di seluruh arsitektur yang dapat diskalakan, dan itu menggambarkan semua yang kita miliki saat ini sebagai komputer yang kita gambarkan hari ini, dan 60 tahun kemudian, kita merasa seperti ada bentuk komputasi baru yang memecahkan beberapa masalah menarik, dan tidak sepenuhnya jelas apa yang bisa kita selesaikan pada saat itu, tetapi kami merasa ada masa depan untuk komputasi yang dipercepat.

Namun, kami mulai memulai perusahaan ini dan membuat keputusan pertama yang sangat bagus, dan terus terang, keputusan itu luar biasa hingga hari ini, dan jika seseorang mendatangi Anda dan berkata kepada Anda, kami akan menciptakan teknologi baru yang tidak ada di dunia, semua orang ingin membangun perusahaan komputer di sekitar CPU, kami ingin membangun perusahaan komputer di sekitar hal-hal lain yang terhubung ke CPU, nomor satu.

Nomor dua, aplikasi pembunuh adalah video game, video game 3D 1993, dan aplikasi itu tidak ada, perusahaan yang membangun perusahaan ini tidak ada, teknologi yang kami coba bangun tidak ada. Jadi sekarang Anda memiliki perusahaan yang memiliki tantangan teknis dan tantangan pasar dan tantangan ekosistem, sehingga kemungkinan keberhasilan untuk perusahaan ini hampir 0%, tetapi bagaimanapun juga, kami beruntung karena dua orang yang sangat penting.

Terus terang, kami bertiga pendiri bekerja bersama, mereka adalah tokoh yang sangat penting dalam industri teknologi pada saat itu, dan saya menelepon Don Valentine, pemodal ventura paling penting di dunia pada saat itu, dan mengatakan kepada Don untuk memberi anak ini sejumlah uang dan kemudian mencari tahu di sepanjang jalan apakah itu akan berhasil, dan untungnya mereka melakukannya, tetapi rencana bisnis itu, bahkan hari ini, saya tidak akan berinvestasi karena memiliki terlalu banyak ketergantungan, dan masing-masing memiliki kemungkinan keberhasilan tertentu.

Ketika Anda menambahkannya, kalikan, Anda mendapatkan 0%, tetapi kami membayangkan bahwa akan ada pasar yang disebut video game, dan itu akan menjadi industri hiburan terbesar di dunia, yang 0 pada saat itu, dan kami berspekulasi bahwa grafik 3D akan digunakan untuk menceritakan kisah hampir setiap olahraga, permainan. Jadi, di dunia maya, Anda dapat memiliki permainan apa pun, olahraga apa pun, dan sebagai hasilnya, semua orang akan menjadi gamer.

Don Valentine bertanya kepada saya, seberapa besar pasarnya, dan saya berkata, semua orang akan menjadi gamer di masa depan, dan jawaban yang salah ketika memulai sebuah perusahaan, dan terus terang, ini adalah kebiasaan buruk, keterampilan buruk, dan saya tidak menyarankan itu, tapi bagaimanapun, ternyata itu benar, dan video game menjadi industri hiburan terbesar di dunia, 3D Grafis sukses, dan kami menemukan aplikasi pembunuh pertama dari komputasi terakselerasi, yang memberi kami waktu, menggunakan komputasi terakselerasi untuk memecahkan berbagai masalah lain, dan akhirnya pindah ke AI.

** Costis Maglaras: **

Ini adalah cerita yang hebat, dan sebelum kita berbicara tentang AI, saya ingin bertanya sedikit tentang hari-hari cryptocurrency, jelas, game adalah langkah besar bagi Nvidia, dan kemudian pada titik tertentu, aplikasi pembunuh menjadi crypto dan menambang, apa perkembangan itu?

Jensen Huang:

Komputasi terakselerasi memecahkan masalah yang tidak bisa dilakukan komputer biasa. Semua GPU kami, bahkan jika Anda menggunakannya untuk mendesain mobil, arsitektur, melakukan studi dinamika molekuler, bermain video game, ia memiliki model pemrograman yang kami ciptakan yang disebut CUDA. CUDA adalah satu-satunya model komputasi yang ada saat ini dan sepopuler x86, dan digunakan oleh pengembang di seluruh dunia.

Bagaimanapun, CUDA mampu melakukan pemrosesan paralel dengan sangat cepat, dan jelas, salah satu algoritma yang dapat kami tangani dengan sangat baik adalah kriptografi. Ketika Bitcoin pertama kali keluar, tidak ada ASIC untuk Bitcoin, dan hal yang jelas harus dilakukan adalah pergi ke superkomputer tercepat di dunia, dan superkomputer dengan volume produksi tertinggi tidak lain adalah GPU Nvidia, yang berada di rumah jutaan pemain, jadi dengan mengunduh aplikasi, Anda dapat menambang cryptocurrency dari rumah Anda.

Fakta bahwa Anda dapat membeli GPU kami, komputer kami, mencolokkannya, dan uang mulai mengalir keluar. Itu adalah hari ibuku mengerti apa yang aku lakukan. Suatu hari dia menelepon saya dan berkata, Nak, saya pikir Anda melakukan sesuatu tentang video game, dan akhirnya saya mengerti apa yang Anda lakukan, dan Anda membeli produk Nvidia, memasangnya, dan uang mulai mengalir keluar.

Dan saya berkata, ya, itulah yang saya lakukan, dan itulah mengapa begitu banyak orang membeli Bitcoin, yang kemudian menyebabkan munculnya Ethereum, tetapi Anda akan menggunakan sistem superkomputer seperti GPU Nvidia untuk menyandikan atau mengompres, atau melakukan sesuatu untuk memperbaiki data, dan mengubahnya menjadi token yang berharga, dan Anda tahu seperti apa kedengarannya? ChatGPT yang menghasilkan token berharga.

Salah satu hal yang telah terjadi sejauh ini adalah bahwa jika Anda meregangkan pemikiran Anda tentang Ethereum dan penambangan kripto, itu masuk akal dalam arti tertentu karena kami tiba-tiba menciptakan jenis industri baru ini, di mana data mentah masuk, Anda menerapkan energi ke komputer ini, dan secara harfiah uang mulai mengalir keluar, dan mata uang ini tentu saja dalam bentuk token, dan token ini adalah token pintar Sekarang saya hanya menggambarkan sesuatu yang lain yang sangat masuk akal bagi kita hari ini, tetapi tampaknya aneh pada saat itu, Anda mengambil air di sebuah gedung, Anda memanaskannya, dan apa yang keluar adalah hal yang sangat berharga dan tidak terlihat yang disebut listrik. **

Hari ini kami memindahkan data ke pusat data, dan itu akan memperbaiki dan memprosesnya, dan menggunakan kemampuannya untuk menghasilkan banyak token digital yang berharga, dalam biologi digital, mereka akan berharga, dalam fisika, dalam TI dan semua jenis komputasi, media sosial, segala macam hal, permainan komputer, dan sebagainya, mereka datang dalam bentuk token, jadi masa depan akan menjadi tentang pabrik AI, dan perangkat Nvidia akan memberi daya pada pabrik-pabrik AI itu.

** Costis Maglaras: **

Jadi kami telah melompat ke jaringan saraf, dan saya pikir kami telah berbicara tentang komputasi paralel, seperti cara membuat grafik pada monitor, cara bermain game, cara memecahkan masalah kriptografi untuk Bitcoin. Ceritakan sedikit tentang GPU apa yang digunakan untuk melatih jaringan saraf, dan saya ingin berbicara dengan audiens di sini, apa yang diperlukan untuk melatih model seperti ChatGPT, perangkat keras apa yang Anda butuhkan, data apa yang Anda butuhkan, seberapa besar cluster yang Anda butuhkan, berapa biayanya, karena itu adalah pertanyaan besar, dan saya pikir akan menyenangkan bagi Anda untuk memberi kami gambaran tentang skala.

Jensen Huang:

Semua orang ingin Anda berpikir itu masalah besar dan sangat mahal. Sebenarnya, tidak, izinkan saya memberi tahu Anda alasannya, perusahaan kami menghabiskan sekitar $ 5 ~ $ 600 juta dalam biaya rekayasa untuk merancang sebuah chip, dan kemudian satu hingga dua tahun kemudian, saya menekan enter, mengirim email ke TSMC, mengirim file besar ke TSMC melalui FTP, dan mereka akan berhasil, dan prosesnya merugikan perusahaan kami sekitar $ 500 juta.

Dengan total $ 5,5 miliar, saya mendapat chip yang tentu saja berharga bagi kami, tetapi itu bukan masalah besar. Saya telah melakukan ini, jadi jika seseorang, hei Jensen, Anda perlu membuat pusat data miliaran dolar, dan begitu Anda terhubung, uang itu akan menyembur keluar dari sisi lain. Saya akan segera melakukannya, dan jelas banyak orang akan melakukannya juga, karena siapa yang tidak ingin membuat pabrik yang menghasilkan intelijen?

Sekarang $ 1 miliar sebenarnya bukan uang yang banyak, dan terus terang, dunia menghabiskan sekitar $ 250 miliar per tahun untuk infrastruktur komputasi infrastruktur, dan tidak ada dari kita yang menghasilkan uang, itu hanya menyimpan file kita, melewati email kita, itu sudah $ 250 miliar, dan salah satu alasan kita tumbuh begitu cepat adalah bahwa, setelah 60 tahun pengembangan, komputasi tujuan umum menurun karena 2500 lainnya Tidak bijaksana untuk membuat pusat data komputasi tujuan umum lainnya dengan miliaran dolar, yang terlalu kasar dalam energi dan terlalu lambat dalam komputasi. **

Sekarang komputasi terakselerasi ada di sini, bahwa $ 250 miliar akan digunakan untuk membuat pusat data komputasi yang dipercepat, dan kami senang dapat mendukung pelanggan dalam melakukannya. Selain itu, komputasi yang dipercepat, Anda sekarang memiliki infrastruktur untuk menghasilkan AI, dan seperti semua hal yang baru saja kita bicarakan, pada dasarnya cara kerjanya adalah Anda mengambil banyak data, dan kemudian mengompresnya. **

Pembelajaran mendalam seperti algoritma kompresi, di mana Anda mencoba mempelajari representasi matematika, pola, dan hubungan data yang sedang Anda kerjakan dan mengompresnya ke dalam jaringan saraf, jadi inputnya adalah, katakanlah, triliunan byte, triliunan token, jadi katakanlah triliunan byte, dan outputnya adalah 100GB, jadi Anda telah mengompresi semua data itu ke dalam file kecil ini, dan 100GB seperti 2 DVD yang dapat Anda unduh dan tonton di ponsel Anda, bukan?

Jadi, Anda dapat mengunduh jaringan saraf besar ini di ponsel Anda. Sekarang, semua data ini telah dikompresi, dan model jaringan saraf terkompresi ini adalah LLM, artinya Anda dapat berinteraksi dengannya, Anda dapat mengajukan pertanyaan, dan itu akan kembali ke ingatannya, memahami niat Anda, dan menghasilkan teks untuk Anda, lakukan percakapan dengan Anda, jadi, intinya adalah itu, terdengar ajaib, tetapi untuk semua ilmuwan komputer dan ilmuwan di ruangan itu, itu sangat masuk akal, jangan biarkan siapa pun meyakinkan Anda bahwa itu akan menghabiskan banyak uang, saya akan memberi Anda diskon yang bagus, semua orang pergi dan membuat Bilah AI.

** Costis Maglaras: **

Jika saya mengejar skala itu sedikit lebih banyak, Anda akan memerlukan komputer yang pada dasarnya setara dengan pusat data untuk memperkirakan model-model ini.

Jensen Huang:

** Apa yang dibutuhkan untuk membuat GPT-4 adalah 16.000 GPU, yang merupakan model terbesar yang pernah digunakan siapa pun, senilai $ 1 miliar, dan ini hanya cek, bahkan bukan yang besar, jangan takut, jangan biarkan siapa pun menghalangi Anda untuk memulai bisnis dan mewujudkan impian Anda. **

Costis Maglaras: Izinkan saya mengajukan pertanyaan tentang cek miliaran dolar dan pertumbuhan yang Anda alami. Saya pikir Anda telah dinobatkan sebagai CEO terbaik oleh Harvard Business Review, dan itu menghibur. Saya akan terus mengulangi ini, tetapi dalam arti tertentu, Anda memimpin perusahaan melalui pertumbuhan ekstrem, pertumbuhan super, yang belum pernah dialami sebagian besar perusahaan dalam hidup mereka, dan saya ingin meminta Anda untuk memberi tahu kami beberapa detail, seperti menggandakan ukuran dalam setahun atau mengelola rantai pasokan, mengelola pelanggan, mengelola pertumbuhan, mengelola uang, bagaimana Anda melakukannya?

Jensen Huang:

Saya suka manajemen, dan satu-satunya bagian dari itu, yang menghitung uang, menyenangkan. Bangun di pagi hari dan berguling-guling dengan semua uang tunai, bukankah itu tujuan kalian semua di sini? Saya mengerti bahwa ini adalah tujuan akhir, sulit untuk membangun perusahaan, tidak ada yang mudah dilakukan, ada banyak rasa sakit dan penderitaan, dibutuhkan banyak usaha. **

Jika itu mudah, semua orang akan melakukannya, dan tentang semua perusahaan, besar atau kecil, apakah itu milik kita atau perusahaan teknologi lainnya, Anda selalu sekarat, karena selalu ada seseorang yang mencoba mengalahkan Anda, jadi Anda selalu dalam perjalanan menuju kebangkrutan, dan jika Anda tidak menginternalisasi perasaan itu, jika Anda tidak percaya itu, Anda akan bangkrut. Dan saya awalnya mulai di Denny, dan seperti yang Anda semua tahu, Nvidia dibangun dalam situasi yang sangat tidak mungkin. Butuh waktu lama bagi kami untuk sampai ke tempat kami hari ini. Maksud saya, kami adalah perusahaan berusia 30 tahun. Ketika Nvidia pertama kali didirikan, pada tahun 1993, Windows 95 belum diluncurkan. Pada saat itu, ini adalah PC pertama yang tersedia, dan kami tidak memiliki email.

Tidak ada laptop atau smartphone pada waktu itu. Semua hal ini tidak ada, jadi Anda bisa membayangkan betapa berbedanya dunia yang kita miliki ketika kita pertama kali memulai dan betapa berbedanya sekarang. Kami tidak memiliki layar LCD. Semuanya adalah tabung sinar katoda (CRT). Pada masa itu, bahkan CD-ROM tidak ada. Singkatnya, hal-hal ini adalah konteks saat kami didirikan, dan kami butuh waktu lama bagi perusahaan untuk diakui sebagai perusahaan pertama yang menemukan kembali komputasi dalam 60 tahun. Pertumbuhan yang cepat tergantung pada orang.

Jelas, perusahaan adalah tentang orang, dan jika Anda memiliki sistem yang tepat dan Anda memiliki orang-orang seperti saya di sekitar Anda, perusahaan akan memiliki keterampilan. Tidak masalah jika Anda menjual $ 100 miliar atau $ 200 miliar.

Sekarang kenyataannya, rantai pasokannya tidak sederhana, adakah yang tahu seperti apa kartu grafis G-Force itu? Angkat tangan Anda, apakah ada yang tahu seperti apa kartu grafis Nvidia, sehingga Anda akan berpikir bahwa kartu grafis seperti kartrid yang dihubungkan ke slot PC Express PC, tetapi chip grafis yang kita miliki sekarang, yang digunakan dalam sistem pembelajaran mendalam ini, memiliki 35.000 bagian dan beratnya mencapai 70 pound, karena mereka sangat berat, mereka membutuhkan robot untuk merakit, mereka membutuhkan superkomputer untuk menguji karena itu adalah superkomputer dalam dirinya sendiri, dan harganya $ 200.000, dan dengan $ 200.000 itu, Anda dapat membeli komputer seperti ini, dan itu dapat menggantikan ratusan prosesor tujuan umum, dan prosesor tersebut berharga hingga jutaan dolar, dan untuk setiap $ 200.000 yang dihabiskan untuk membeli di Nvidia, Anda menghemat $ 250 $ 10.000 untuk menghitung biaya, itu sebabnya saya memberi tahu Anda, semakin banyak Anda membeli, semakin banyak Anda menabung; Jelas, strategi ini sangat sukses, orang-orang benar-benar mengantre untuk membeli, itulah yang kami lakukan; rantai pasokan sangat kompleks, kami membuat komputer paling kompleks di dunia, tetapi seberapa sulit itu? Ini sebenarnya sangat sulit, dan intinya adalah jika Anda dikelilingi oleh orang-orang hebat, kebenaran yang sederhana adalah, ini semua tentang orang-orang; Saya beruntung memiliki tim manajemen yang hebat, dan kemudian CEO akan mengatakan sesuatu seperti " Jadikan itu nomor satu", seperti “biarkan bekerja”.

** Costis Maglaras: **

Saya ingin kembali ke tren AI dan visi Anda untuk masa depan, tetapi Anda menyebutkan kata “platform” sebelumnya, dan Anda menyebutkan lingkungan perangkat lunak Anda. Jadi Anda memiliki infrastruktur perangkat keras, Anda memiliki lingkungan perangkat lunak yang saat ini ada di mana-mana dalam hal melatih jaringan saraf. Apakah Anda membangun pusat data, atau menciptakan lingkungan di dalam pusat data yang terdiri dari perangkat keras, perangkat lunak, dan kluster komunikasi Nvidia antara sumber daya tersebut, seberapa pentingkah menjadi solusi platform yang lengkap dan keterlibatan perangkat keras yang adil? Seberapa penting hal itu bagi strategi Nvidia?

Jensen Huang:

Saya pikir, pertama-tama, sebelum Anda dapat menciptakan sesuatu, Anda harus tahu apa yang Anda ciptakan dan mengapa Anda menciptakannya, apa prinsip pertama keberadaannya. **

Komputasi terakselerasi bukanlah sebuah chip, itu sebabnya tidak disebut akselerator, komputasi terakselerasi adalah tentang memahami bagaimana Anda dapat mempercepat segala sesuatu dalam hidup. Jika Anda dapat mempercepat setiap aplikasi, itu disebut komputasi yang sangat cepat, jadi komputasi terakselerasi adalah yang pertama tentang memahami domain mana, aplikasi mana yang penting bagi Anda, dan memahami algoritma, sistem komputasi, dan arsitektur yang diperlukan untuk mempercepat aplikasi tersebut.

Ternyata komputasi tujuan umum adalah ide yang masuk akal, seperti mempercepat aplikasi. Sebagai contoh, Anda memiliki decoder DVD. Anda menggunakan telepon untuk memutar DVD atau h.264 decoder. Ia melakukan satu hal, dan melakukannya dengan sangat baik. Tidak ada yang tahu bagaimana melakukannya dengan lebih baik.

Komputasi terakselerasi agak mirip dengan keadaan menengah yang aneh ini. Ada banyak aplikasi yang dapat Anda percepat. Misalnya, kita dapat mempercepat berbagai pemrosesan gambar, fisika partikel, dan banyak lagi, termasuk aljabar linier. Kami dapat mempercepat banyak aplikasi, dan itu adalah tantangan, biasanya mudah untuk mempercepat satu hal, dan mudah untuk menjalankan semuanya dengan kompiler C.

Percepat domain yang cukup sehingga jika Anda mempercepat terlalu banyak domain, Anda kembali menggunakan prosesor tujuan umum, bukan? Mengapa mereka tidak bisa membuat chip yang lebih cepat? Di sisi lain, jika Anda hanya mempercepat satu aplikasi, maka pasar tidak cukup besar untuk mendukung R&D Anda.

Jadi kita harus menemukan titik tengah dari peralihan itu, dan itulah perjalanan strategis perusahaan kita, dan di sinilah strategi bertemu kenyataan, dan di sinilah Nvidia melakukannya dengan benar, dan di situlah tidak ada perusahaan lain dalam sejarah komputasi yang melakukannya dengan benar; temukan cara untuk memiliki area aplikasi yang cukup besar yang dapat kita percepat, yang masih 100 ~ 500 kali lebih cepat daripada CPU, sehingga efek roda gila ekonomi dapat menskalakan jumlah aplikasi, memperluas jumlah pelanggan, memperluas jumlah pasar, Meningkatkan penjualan, dan dengan demikian menciptakan anggaran R&D yang lebih besar, memungkinkan kami untuk menciptakan hal-hal yang lebih menakjubkan dan tetap jauh di depan CPU,**Apakah itu masuk akal?

Sangat sulit untuk menciptakan efek roda gila ini, belum ada yang melakukannya sebelumnya, hanya sekali, dan itulah kemampuan. Untuk melakukan itu, Anda harus memahami algoritma, Anda harus memahami domain aplikasi dengan sangat baik, Anda harus memilih dengan benar, Anda harus membuat arsitektur yang tepat untuknya **, dan kemudian hal terakhir yang kami lakukan dengan benar adalah, kami menyadari bahwa untuk memiliki platform komputasi, aplikasi yang Anda kembangkan untuk Nvidia harus berjalan di semua Nvidia, dan Anda tidak boleh memikirkannya, apakah itu berjalan pada chip ini? Apakah akan berjalan pada chip itu? Ini harus berjalan di setiap komputer yang memiliki Nvidia di atasnya.

Itulah sebabnya setiap GPU yang dibuat perusahaan kami, bahkan jika tidak ada pelanggan yang menggunakan CUDA sejak lama, kami berkomitmen untuk itu. Kami bertekad untuk membuat platform komputasi ini sejak awal. Pelanggan tidak, ini adalah kesulitan 10 tahun, multi-miliar dolar bagi perusahaan. Jika bukan karena semua gamer video di sini, kami tidak akan berada di sini. Anda adalah pekerjaan kami sehari-hari, dan di malam hari kami dapat pergi dan memecahkan biologi digital, membantu orang memecahkan kimia kuantum, membantu orang dengan AI dan robotika, dan sebagainya.

Kami menyadari bahwa, pertama-tama, komputasi terakselerasi adalah masalah perangkat lunak, dan kedua, AI adalah masalah infrastruktur pusat data, yang sangat jelas karena Anda tidak dapat melatih model AI di laptop, Anda tidak dapat melatih di telepon karena itu bukan komputer yang cukup besar, jumlah data dihitung dalam terabyte, dan Anda harus berurusan dengan triliunan byte itu, miliaran kali, jadi jelas, itu akan menjadi komputer besar, dan masalahnya tersebar di jutaan GPU.

Saya katakan jutaan karena ada puluhan ribu di dalam 16.000. Sebagai hasilnya, kami menyebarkan beban kerja ke jutaan prosesor. Tidak ada aplikasi di dunia saat ini yang dapat tersebar di jutaan prosesor; Excel berjalan pada satu prosesor. Jadi masalah ilmu komputer komputasi terdistribusi ini adalah terobosan besar, pasti terobosan besar, dan itulah mengapa ia mampu mengaktifkan AI generatif, mengaktifkan LLM.

Kami mengamati dua hal: komputasi terakselerasi adalah masalah perangkat lunak, ini adalah masalah algoritma, dan AI Ini adalah masalah pusat data, jadi kami satu-satunya perusahaan yang keluar dan membangun semua hal ini, dan bagian dari apa yang kami lakukan adalah pilihan model bisnis, kami bisa menjadi perusahaan pusat data, sepenuhnya terintegrasi secara vertikal, namun, kami menyadari bahwa tidak peduli seberapa sukses perusahaan komputer, itu tidak akan menjadi satu-satunya perusahaan komputer di dunia, dan itu lebih baik sebagai perusahaan komputasi platform karena kami mencintai pengembang. Menjadi perusahaan komputasi platform yang melayani setiap perusahaan komputer di dunia lebih baik daripada menjadi perusahaan komputer saja. **

Kami telah mengambil pendekatan ini, kami telah mengambil pusat data ini yang seukuran ruangan ini, semua kabel, semua sakelar dan jaringan, dan banyak perangkat lunak, dan kami telah memecah semuanya dan mengintegrasikannya ke pusat data lain yang berbeda di seluruh dunia, dan ini adalah kompleksitas yang gila, dan kami telah menemukan cara untuk memiliki standardisasi yang cukup bila diperlukan, fleksibilitas yang cukup bila diperlukan sehingga kami dapat bekerja dengan perusahaan komputer di seluruh dunia dengan cukup.

Hasilnya adalah arsitektur Nvidia sekarang ditanamkan ke setiap perusahaan komputer di dunia, dan itu menciptakan jejak yang lebih besar, basis terpasang yang lebih besar, lebih banyak pengembang, aplikasi yang lebih baik, yang membuat pelanggan lebih bahagia, mereka membeli lebih banyak chip, yang meningkatkan basis terpasang, meningkatkan anggaran R&D kami, dan seterusnya, efek roda gila, sistem umpan balik positif, dan begitulah cara kerjanya, sederhana dan mudah. **

** Costis Maglaras: **

Salah satu hal yang tidak Anda lakukan, dan saya ingin Anda jelaskan, adalah bahwa Anda tidak berinvestasi dalam membuat chip Anda sendiri.

Jensen Huang:

Itu pertanyaan yang bagus, dan alasannya adalah bahwa sebagai pilihan strategis, nilai-nilai inti perusahaan kami, nilai-nilai inti pribadi saya, nilai-nilai inti perusahaan kami semuanya tentang pilihan.

Hal terpenting dalam hidup adalah pilihan. Bagaimana Anda memilih? Nah, semuanya, bagaimana Anda memilih apa yang harus dilakukan malam ini? Bagaimana Anda memilih? Perusahaan kami memutuskan untuk memilih proyek dengan hanya satu tujuan mendasar, dan tujuan saya adalah menciptakan lingkungan, lingkungan di mana orang-orang terbaik di dunia datang dan bekerja di sini. Lingkungan yang luar biasa bagi para pemikir terbaik di dunia, yang ingin mengejar bidang komputasi komputer, ilmu komputer, dan AI, untuk menciptakan kondisi bagi mereka untuk datang ke sini dan melakukan pekerjaan hidup mereka. **

Jadi, jika saya mengatakan itu, pertanyaannya sekarang adalah, bagaimana Anda mencapai ini? Biarkan saya memberi Anda contoh bagaimana Anda tidak perlu melakukan ini. Tidak seorang pun yang saya kenal yang bangun di pagi hari dan berkata, Anda tahu, tetangga saya melakukan itu. Yang ingin saya lakukan adalah, saya ingin mengambilnya dari mereka. Saya juga bisa melakukannya. Saya ingin mengambilnya dari mereka. Saya ingin meraih pangsa pasar mereka. Saya ingin menekan mereka pada harga, saya ingin menendang mereka, saya ingin mengambil bagian mereka.

Ternyata tidak ada orang hebat yang melakukan ini, dan semua orang bangun di pagi hari dan berkata, Saya ingin melakukan sesuatu yang belum pernah dilakukan sebelumnya, yang sangat sulit dilakukan. Jika Anda berhasil, Anda dapat membuat dampak besar di dunia, dan itulah nilai-nilai inti NVIDIA.

Nomor satu, bagaimana kita memilih untuk melakukan sesuatu yang belum pernah dilakukan sebelumnya di dunia? Ngomong-ngomong, alasan mengapa Anda memilih untuk melakukan sesuatu yang sangat sulit adalah karena Anda punya banyak waktu untuk mempelajarinya jika sesuatu mudah dilakukan, seperti TikTok Menari, saya tidak akan repot-repot tentang itu, jelas alasannya adalah karena ada banyak persaingan, jadi Anda harus memilih sesuatu yang benar-benar sulit dilakukan, dan hal-hal sulit itu sendiri akan menghentikan banyak orang lain, karena orang yang bersedia bertahan paling lama pada akhirnya akan menang, jadi kami memilih sesuatu yang sangat sulit dilakukan, dan Anda telah mendengar saya mengatakan berkali-kali bahwa rasa sakit dan penderitaan, dan itu sebenarnya adalah sifat positif dan orang yang mampu bertahan akhirnya menjadi yang paling sukses.

Nomor dua, Anda harus memilih sesuatu yang ditakdirkan untuk Anda lakukan, apakah itu ciri-ciri kepribadian Anda, keahlian Anda, atau lingkungan tempat Anda berada, ukuran Anda, apa pun yang Anda miliki, perspektif Anda, apa yang harus Anda lakukan. **

Ketiga, Anda sebaiknya menikmati melakukan hal itu sangat banyak, karena kecuali rasa sakit dan penderitaan terlalu besar. Sekarang apa yang baru saja saya jelaskan kepada Anda adalah nilai-nilai inti NVIDIA. Sesederhana itu. Jika itu masalahnya, mengapa saya membuat chip ponsel? Berapa banyak perusahaan di dunia yang dapat membuat ponsel? banyak. Mengapa saya membutuhkan CPU? Apakah kita membutuhkan lebih banyak CPU? Apakah itu wajar? Kita tidak membutuhkan semua hal ini.

Akibatnya, kita secara alami mengecualikan diri dari pasar massal. Kami secara alami mengecualikan diri dari pasar massal karena kami memilih pasar yang luar biasa, kami memilih hal-hal yang sangat sulit untuk dilakukan, orang-orang luar biasa bergabung dengan kami karena orang-orang luar biasa bergabung dengan kami karena kami memiliki kesabaran untuk membuat mereka sukses dan melakukan sesuatu yang luar biasa. Miliki kesabaran untuk membiarkan mereka melakukan sesuatu yang luar biasa, dan mereka akan melakukan sesuatu yang luar biasa.

Apakah masuk akal bahwa persamaannya sebenarnya sesederhana itu, tetapi dibutuhkan karakter yang luar biasa untuk melakukannya? Itu sebabnya belajar itu adalah hal yang paling penting, kesuksesan besar dan kebesaran adalah tentang karakter. Alasan kami tidak melakukan manufaktur adalah karena TSMC melakukannya dengan sangat baik, dan mereka sudah melakukannya, jadi mengapa saya harus mengambil pekerjaan mereka? Saya suka orang-orang TSMC, mereka adalah teman baik saya, dan hanya karena saya memiliki bisnis, saya bisa masuk ke bidang ini, jadi apa? Mereka telah melakukan pekerjaan yang hebat untuk saya, jangan buang waktu mengulangi apa yang telah mereka lakukan, mari buang waktu melakukan sesuatu yang belum pernah dilakukan siapa pun, sesuatu yang belum pernah dilakukan siapa pun, dan begitulah cara Anda membangun sesuatu yang istimewa, jika tidak, Anda hanya berbicara tentang pangsa pasar. **

** Costis Maglaras: **

Berpikir tentang masa depan, ketika kita berpikir tentang 10 tahun ini.

Jensen Huang:

Jawaban yang benar? ** Ngomong-ngomong, saya tahu saya tidak memiliki gelar MBA, saya tidak memiliki gelar di bidang keuangan, saya membaca beberapa buku, saya menonton banyak video Youtube, dan saya harus memberi tahu Anda, tidak ada yang menonton lebih banyak video YouTube bisnis daripada saya, jadi saya dapat memberi tahu kalian, kalian tidak baik untuk saya, tetapi ini adalah jawaban yang benar, Profesor Maglaras? **

** Costis Maglaras: **

Anda bertanya kepada orang yang salah, dan saya juga belum belajar bisnis, tetapi mereka adalah jawaban yang benar haha ~ Bagaimana menurut Anda AI, ketika Anda memikirkan aplikasi AI dan perubahan yang akan kita lihat dalam tiga, lima, tujuh tahun ke depan, dan apa yang mungkin terpengaruh dalam kehidupan kita sehari-hari?

Jensen Huang:

Pertama-tama, saya akan langsung menyimpulkan, AI tidak mengambil pekerjaan Anda, orang yang menggunakan AI mengambil pekerjaan Anda. Nah, gunakan AI sesegera mungkin sehingga Anda dapat mempertahankan pekerjaan yang bermanfaat.

Hal kedua yang saya tanyakan kepada kalian adalah, ketika produktivitas naik, itu berarti kami sepenuhnya tertanam dalam AI di NVIDIA, dan NVIDIA akan menjadi entitas AI yang sangat besar, dan kami sudah merancang chip kami dengan AI, dan kami tidak dapat merancang chip kami, dan kami tidak dapat menulis kompiler kami yang dioptimalkan tanpa AI, jadi kami menggunakan AI di mana-mana.

Ketika AI meningkatkan produktivitas perusahaan Anda, apa selanjutnya? PHK atau lebih banyak orang? Anda akan mempekerjakan lebih banyak orang. Pertumbuhan yang menguntungkan disebabkan oleh peningkatan produktivitas.

Mengapa orang berpikir tentang kehilangan pekerjaan mereka? Jika Anda pikir Anda tidak memiliki ide baru, itu tidak masuk akal. Jika Anda tidak memiliki lebih banyak ide untuk diinvestasikan dalam keuntungan tambahan Anda, apa yang Anda lakukan ketika pekerjaan digantikan oleh otomatisasi? Anda akan memberhentikan orang dan bergabung dengan perusahaan yang memiliki lebih banyak ide dan tidak mampu menginvestasikan uang sehingga ketika AI mengotomatiskan pekerjaan mereka, tentu saja hal-hal berubah, tentu saja mengubah cara kerja. **

AI akan segera menargetkan CEO, kursi departemen dan CEO, kita sudah selesai, kedengarannya bagus, saya pikir pertama CEO, lalu kursi departemen, tetapi Anda dekat, jadi Anda bergabung dengan perusahaan yang memiliki lebih banyak ide dan tidak punya cukup uang untuk berinvestasi, dan tentu saja, ketika pendapatan naik, Anda mempekerjakan lebih banyak orang. Pertama-tama, ini adalah terobosan besar, entah bagaimana kami mengajarkan komputer cara belajar dan mewakili informasi secara digital, oke? Jadi, apakah ada di antara Anda yang pernah mendengar hal yang disebut Word2vec ini? Ini adalah salah satu hal terbaik yang pernah ada, Word2vec, Anda mengambil sebuah kata dan Anda belajar dengan mempelajari setiap kata dan bagaimana kaitannya dengan setiap kata lainnya, Anda mempelajari semua kalimat dan paragraf kami, dan Anda mencoba mencari tahu apa vektor angka yang paling relevan dengan kata itu, angka apa yang paling relevan dengan kata itu, jadi “ibu” dan “ayah” dekat satu sama lain secara numerik, “oranye” dan “apel” dekat satu sama lain secara numerik, tetapi mereka jauh dari “ibu” dan “ayah”, “anjing” dan “kucing” Jauh dari “Ibu” dan “Ayah”, tetapi mungkin lebih dekat daripada mereka ke “jeruk” dan “apel”, kursi dan meja, sulit untuk mengatakan dengan tepat di mana mereka berada, tetapi kedua sosok ini dekat satu sama lain, jauh dari “Ibu” dan “Ayah”, “Raja” dan “Ratu”, lebih dekat ke “Ibu” dan “Ayah”.

Apakah itu masuk akal? Bayangkan melakukan ini untuk setiap angka, dan setiap kali Anda mengujinya, Anda seperti, astaga, ini bagus. Masuk akal ketika Anda mengurangi sesuatu dari yang lain. Nah, pada dasarnya itulah representasi dari informasi pembelajaran. Bayangkan melakukan ini ke bahasa Inggris. Bayangkan melakukan ini untuk setiap bahasa. Bayangkan melakukan ini pada apa pun yang memiliki struktur, artinya apa pun yang dapat diprediksi.

Gambar memiliki struktur, karena jika tidak ada struktur, itu akan menjadi white noise, pada kenyataannya, white noise, jadi harus ada struktur, dan itulah mengapa Anda melihat kucing, saya melihat kucing, Anda melihat pohon, saya melihat pohon, Anda dapat mengidentifikasi di mana pohon itu, Anda dapat mengidentifikasi di mana garis pantai berada, di mana gunung-gunung itu, di mana awan berada, bukan? Kita dapat mempelajari semua itu, jelas Anda dapat mengubah gambar itu menjadi vektor, Anda dapat mengubah video menjadi vektor, 3D Diubah menjadi vektor, protein menjadi vektor, karena protein jelas memiliki struktur, bahan kimia diubah menjadi vektor, gen akhirnya diubah menjadi vektor, dan kita dapat mempelajari vektor dari segalanya.

Jika Anda dapat mempelajari semuanya menjadi angka, dan itu masuk akal, maka jelas Anda dapat mengubah kata kucing “kucing” menjadi gambar, yang jelas bukan gambar kucing, itu arti yang sama, jika Anda dapat mengonversi dari kata ke gambar, itu disebut difusi stabil perjalanan menengah, jika Anda dapat mengonversi dari gambar ke kata-kata, itu disebut subtitle, subtitle di bawah video YouTube, jadi jika Anda pergi dari, apa yang Anda sebut? Jika Anda mengkonversi dari asam amino ke protein, itu disebut Hadiah Nobel, karena ini adalah lipatan alfa, terobosan luar biasa.

Jadi, ini adalah momen yang luar biasa dalam ilmu komputer, di mana kita benar-benar dapat mengubah satu jenis informasi menjadi jenis informasi lain, sehingga Anda dapat melakukan teks-ke-teks, banyak teks, PDF ke sejumlah kecil teks, arsip agregat, itulah yang sangat saya sukai, bukan?

Kita dapat memintanya untuk menggabungkan makalah ini, dan alih-alih membaca setiap makalah, ia harus memahami gambarnya, karena dalam arsip, makalah tersebut memiliki banyak gambar, bagan, dan hal-hal seperti itu, sehingga Anda dapat menggabungkan semua itu, sehingga Anda sekarang dapat membayangkan semua manfaat produktivitas, dan sebenarnya kemampuan untuk melakukannya tanpanya, jadi dalam waktu dekat, Anda akan melakukannya.

Anda dapat mengatakan, hei, saya ingin mendesain, beri saya beberapa opsi untuk mobil. Saya bekerja di Mercedes dan saya sangat peduli dengan merek, itu gaya merek, izinkan saya memberi Anda beberapa sketsa, mungkin beberapa foto model yang ingin saya bangun, yang merupakan SUV penggerak empat roda, katakanlah, dan kemudian tiba-tiba, muncul dengan 2010, 200 CAD desain 3D penuh; sekarang, alasan Anda menginginkan ini dan bukan hanya menyelesaikan mobil ini adalah karena Anda mungkin ingin memilih salah satunya dan mengatakan iterasi 10 di atas itu Kedua, Anda mungkin akhirnya memilih satu dan kemudian membuat modifikasi sendiri, sehingga masa depan desain akan sangat berbeda. Semuanya akan sangat berbeda di masa depan, dan sekarang jika Anda memberi desainer kemampuan ini, mereka akan menjadi gila. Mereka akan sangat mencintaimu, dan itulah mengapa kami melakukannya.

Jadi, apa implikasinya terhadap efek jangka panjang? Salah satu bidang favorit saya adalah bahwa jika Anda dapat menggambarkan protein dalam kata-kata, dan Anda dapat mengetahui bagaimana mensintesis protein dalam kata-kata, maka masa depan rekayasa protein adalah sekarang. Seperti yang Anda ketahui, rekayasa protein melibatkan pembuatan enzim untuk memecah plastik, membuat enzim untuk menangkap karbon, membuat semua jenis enzim untuk menanam sayuran dengan lebih baik, generasi Anda dapat membuat semua jenis enzim yang berbeda, jadi 10 tahun ke depan akan menjadi luar biasa, kami adalah generasi rekayasa chip komputer, Anda akan menjadi generasi rekayasa protein, yang tidak dapat kami bayangkan beberapa tahun yang lalu. **

** Costis Maglaras: **

Oke, saya pikir kita akan membuka sesi pertanyaan kepada penonton, jadi jika ada pertanyaan, mungkin saya akan menunjuk, kita akan memiliki beberapa mikrofon yang masuk, oke, di sana kita akan mulai dulu.

Penonton:

Terima kasih telah berada di sini malam ini, apakah Anda khawatir apakah Hukum Moore akan menyusul industri GP seperti yang terjadi dengan Intel? Bisakah Anda menjelaskan perbedaan antara Hukum Moore dan Hukum Huang? Jensen Huang: Saya tidak mengungkit Hukum Huang, dan itu tidak seperti sesuatu yang akan saya lakukan. Hukum Moore adalah bahwa kinerja berlipat ganda setiap satu setengah tahun, dan cara yang lebih mudah untuk menghitungnya adalah tumbuh 10 kali setiap 5 tahun, jadi sekitar 100 kali setiap 10 tahun. Jika demikian, jika komputasi tujuan umum adalah mikroprosesor, mengapa mengubah metode perhitungan jika komputasi tujuan umum tumbuh 5 kali setiap 10 tahun, dan setiap 100 tahun sebanyak 100 kali? Bukankah itu cukup cepat? Apakah kamu bercanda? Bukankah hidup akan baik jika mobil 5 kali lebih cepat setiap 100 tahun?

Jadi jawabannya adalah, sebenarnya, Hukum Moore sangat bagus, dan saya mendapat manfaat darinya. Seluruh industri telah mendapat manfaat dari ini, dan industri komputer ada karenanya, tetapi pada akhirnya Hukum Moore tentang Komputasi Universal, ini bukan tentang jumlah transistor dalam komputasi, ini tentang jumlah transistor, bagaimana Anda menggunakannya untuk CPU, bagaimana Anda akhirnya menerjemahkannya ke dalam kinerja, kurva itu tidak lagi 10 kali setiap 5 tahun. Jika Anda beruntung, kurva itu dua hingga empat kali setiap 10 tahun. Masalahnya adalah kurva itu 2 ~ 4 kali setiap 10 tahun.

Kebutuhan komputasi dan visi kita menggunakan komputer untuk memecahkan masalah, imajinasi kita, imajinasi menggunakan komputer untuk memecahkan masalah tidak lebih dari 4 kali setiap 10 tahun? Jadi imajinasi kita, kebutuhan kita, konsumsi dunia atas semua ini berada di luar batas itu, dan Anda dapat menyelesaikan masalah ini dengan membeli lebih banyak CPU, Anda dapat membeli lebih banyak, tetapi masalahnya adalah CPU ini Mengkonsumsi terlalu banyak energi karena mereka generik, seperti generalis, generalis tidak seefisien spesialis, kerajinan mereka tidak sebagus ahli, mereka tidak seproduktif ahli; jika saya akan menjalani torakotomi dan tidak membuat saya generalis, Anda tahu apa yang saya maksud? Jika Anda berada di sekitar, hubungi seorang ahli, jadi cara jurnalis terlalu kasar, jadi sekarang itu membuat dunia mengkonsumsi terlalu banyak energi, membuat dunia menghabiskan terlalu banyak, hanya untuk secara brutal memaksa komputasi universal.

Sekarang untungnya, kami telah mengerjakan komputasi terakselerasi untuk waktu yang lama, dan seperti yang saya sebutkan, komputasi terakselerasi bukan hanya tentang prosesor, ini benar-benar tentang memahami domain aplikasi, dan kemudian membuat perangkat lunak, algoritma, arsitektur, dan chip yang diperlukan, dan entah bagaimana kami menemukan cara untuk melakukannya dengan arsitektur, dan itulah kejeniusan dari apa yang telah kami lakukan, dan entah bagaimana kami menemukan arsitektur ini, yang keduanya sangat cepat, kadang-kadang untuk mempercepat CPU sebesar 100*500 kali, bahkan kadang-kadang 1000 kali, tetapi tidak terlalu spesifik, itu hanya untuk satu kegiatan, apakah itu masuk akal? Dan Anda harus cukup luas sehingga Anda memiliki pasar yang besar, tetapi Anda harus cukup sempit sehingga Anda dapat mempercepat aplikasi, dan garis halus ini, ujung pisau cukur ini, adalah alasan Nvidia ada. Jika saya telah menjelaskan ini 30 tahun yang lalu, tidak ada yang akan mempercayainya, pada kenyataannya, jika Anda jujur sekarang, tidak ada yang akan mempercayainya juga.

Kami butuh waktu lama, kami terjebak dengannya, kami mulai dengan pemrosesan seismik, dinamika molekuler, pemrosesan gambar, dan tentu saja grafik komputer, dan kami bekerja terus dan terus, dan terus dan terus, dan kemudian suatu hari pembelajaran mendalam, dan kemudian dengan transformer, dan kemudian ada beberapa bentuk transformator pembelajaran penguatan, dan kemudian akan ada beberapa sistem inferensi multi-langkah, jadi semua hal itu, kami hanya sebuah aplikasi.

Entah bagaimana, kami menemukan cara, kami menciptakan arsitektur yang memecahkan semua masalah ini, dan akankah undang-undang baru ini berakhir? Kurasa tidak. Alasannya adalah ini, itu tidak menggantikan CPU, itu melengkapi CPU, jadi pertanyaannya adalah, apa yang akan ada selanjutnya untuk melengkapi kita?

Kami hanya menghubungkannya di sebelahnya, jadi ketika saatnya tiba, kami akan tahu bahwa kami harus menggunakan alat lain untuk memecahkan masalah karena kami melayani masalah yang kami coba selesaikan. Kami tidak mencoba membuat pisau dan membuat semua orang menggunakannya. Kami tidak mencoba membuat tang untuk digunakan semua orang. Kami di sini untuk mempercepat komputasi untuk melayani masalah, jadi itu satu hal untuk Anda semua pelajari. Pastikan misi Anda benar. Apakah masuk akal untuk memastikan bahwa misi Anda bukan untuk membuat kereta api, tetapi untuk memfasilitasi transportasi? Misi kami adalah mempercepat aplikasi dan memecahkan masalah yang tidak dapat diselesaikan oleh komputer biasa. Jika misi Anda diartikulasikan dengan baik dan Anda fokus pada hal-hal yang benar, itu akan bertahan selamanya. **

Penonton:

Sekali lagi, untungnya, sekarang ada dorongan untuk melokalisasi rantai pasokan semikonduktor, dan kemudian ada pembatasan ekspor produk teknologi tinggi dari negara-negara tertentu. Menurut Anda, apa dampaknya terhadap NVIDIA dalam jangka pendek, dan apa dampaknya terhadap konsumen kami dalam jangka panjang?

Jensen Huang:

Itu pertanyaan yang bagus. Anda semua pernah mendengar ini, dan saya ulangi, ini tentang geopolitik dan ketegangan geopolitik, dll. Ketegangan geopolitik, tantangan geopolitik akan mempengaruhi setiap industri, mempengaruhi semua orang. Perusahaan kami percaya pada keamanan nasional, kami di sini karena negara kami aman, dan kami juga percaya pada keamanan ekonomi.

Sebenarnya, sebagian besar keluarga bangun di pagi hari dan tidak berkata, ya Tuhan, saya merasa sangat rentan, karena kurangnya kekuatan militer, mereka merasa rentan, karena kelayakan ekonomi, jadi kami juga percaya pada hak asasi manusia, dan mampu menciptakan kehidupan yang sejahtera adalah bagian dari hak asasi manusia. Seperti yang Anda ketahui, Amerika Serikat percaya pada hak asasi manusia mereka yang tinggal di sini dan juga mereka yang tidak, jadi negara ini percaya pada semua hal ini pada saat yang bersamaan. Begitu juga kami.

Tantangan ketegangan geopolitik adalah bahwa jika kita memutuskan terlalu sepihak, kita memutuskan kemakmuran orang lain, maka akan ada serangan balik. Akan ada konsekuensi yang tidak diinginkan, tapi saya optimis. Saya berharap dapat berharap bahwa mereka yang memikirkan masalah ini telah mempertimbangkan semua konsekuensi dan yang tidak diinginkan, tetapi ini telah menyebabkan internalisasi mendalam dari hak-hak kedaulatan masing-masing negara. Setiap negara berbicara tentang kedaulatan mereka sendiri, yang merupakan cara lain untuk mengatakan bahwa setiap orang memikirkan diri mereka sendiri.

Sejauh yang kami ketahui, di satu sisi, itu dapat membatasi penggunaan teknologi kami di China, serta kontrol ekspor di sana, dan di sisi lain, karena kedaulatan dan setiap negara ingin membangun infrastruktur AI berdaulatnya sendiri, dan kebanyakan dari mereka bukan musuh Amerika Serikat dan tidak memiliki hubungan yang sulit dengan Amerika Serikat, kami akan membantu mereka membangun infrastruktur AI di seluruh dunia.

Jadi dalam banyak hal, hal aneh tentang geopolitik ini, semacam membatasi peluang pasar kita. Di sisi lain, itu membuka peluang pasar bagi kami dengan cara lain, tetapi bagi orang-orang, saya, saya benar-benar ingin.

Saya benar-benar berharap bahwa kita tidak membiarkan ketegangan kita dengan China berkembang menjadi ketegangan dengan China, kita tidak membiarkan ketegangan kita dengan Timur Tengah berkembang menjadi ketegangan dengan Muslim, dan kita tidak bisa membiarkan diri kita jatuh ke dalam perangkap itu, dan saya sedikit khawatir bahwa itu adalah lereng yang licin.

Salah satu sumber kekayaan intelektual terbesar di negara kita, seperti yang Anda tahu, adalah mahasiswa asing, dan saya melihat banyak hal di sini. Saya ingin Anda tinggal di sini, ini adalah salah satu kekuatan terbesar negara kita. Jika kita tidak membiarkan pikiran paling cerdas di dunia datang ke Kolombia dan tinggal di New York City, kita tidak akan dapat mempertahankan kekayaan intelektual terbesar di dunia, jadi itulah kekuatan inti fundamental kita, dan saya sangat berharap kita tidak merusaknya.

Anda dapat melihat bahwa tantangan geopolitik itu nyata, masalah keamanan nasional itu nyata, tetapi masalah ekonomi, pasar, sosial, teknologi sama nyatanya, kepemimpinan teknologi itu penting, kepemimpinan pasar itu penting, semua ini penting, dunia hanyalah tempat yang kompleks, saya tidak punya jawaban sederhana, kita semua akan terpengaruh.

Penonton:

Saya memulai sebagai insinyur di perusahaan semikonduktor, bekerja sebagai pengusaha, dan dalam kasus saya seperti Anda, sebagai teknolog dan insinyur di hati, berhasil memulai sebuah perusahaan, dan saya belajar tentang keuangan dari video YouTube, apa pendapat Anda tentang MBA?

Jensen Huang:

Saya pikir itu cukup mengagumkan. Pertama-tama, Anda mungkin akan hidup sampai 100 tahun, jadi pertanyaannya adalah, bagaimana Anda akan menghabiskan 7 atau 60 tahun terakhir? Bukan itu yang saya katakan, itu yang saya katakan kepada semua orang, peduli dengan pendidikan sebanyak yang Anda bisa.

Ketika Anda datang ke sini dan Anda dipaksa untuk mendapatkan pendidikan, seberapa baik itu? Setelah pergi, seperti saya, saya harus berkeliling dunia untuk mencari pengetahuan, saya harus melalui banyak sampah untuk menemukan sesuatu yang baik, dan di sekolah, Anda memiliki profesor luar biasa yang menyaring pengetahuan untuk Anda dan menyajikannya kepada Anda seperti piring, ya Tuhan, jika saya bisa melakukannya lagi, saya akan tinggal di sini selama saya bisa dan menyerap banyak pengetahuan. **

Saya akan duduk di sini bersama dekan. Saya siswa tertua di sini. Saya hanya mempersiapkan lompatan besar ketika saya lulus, dan saya akan sukses setelah lulus, tetapi saya hanya bercanda. Anda harus pergi suatu hari nanti. Orang tua Anda akan menghargainya, tetapi jangan terburu-buru. Saya pikir belajar sebanyak yang Anda bisa. Tidak ada jawaban tunggal yang benar untuk sampai ke sana.

Jelas, saya punya teman yang belum pernah lulus dari perguruan tinggi tetapi sangat sukses, jadi ada banyak cara untuk sampai ke sana, tetapi secara statistik saya masih berpikir itu cara terbaik untuk sampai ke sana, jadi jika Anda percaya pada statistik dan matematika, tetaplah di sekolah dan lalui seluruh proses, jadi ** Saya mendapat MBA virtual dengan bekerja keras, bukan karena pilihan, tetapi karena ketika saya pertama kali lulus dari sekolah, saya pikir saya akan menjadi seorang insinyur, tidak ada yang akan mengatakan, " Hei, Jensen, beri Anda ijazah dan Anda akan menjadi CEO. "Saya tidak tahu, jadi ketika saya sampai di sana, saya harus pergi dan belajar. **

Ada banyak cara untuk mendapatkan gelar MBA dan mempelajari strategi bisnis, jelas masalah bisnis adalah hal yang sangat berbeda, masalah keuangan juga, jadi Anda harus mempelajari semua hal yang berbeda ini untuk membangun perusahaan, tetapi jika Anda dikelilingi oleh orang-orang luar biasa seperti saya, mereka akan mengajari Anda di sepanjang jalan, jadi beberapa hal, tergantung pada peran yang ingin Anda mainkan, sangat penting, dan ada beberapa hal yang bukan hanya pekerjaan saya, tetapi mereka kritis, dan saya akan menuju dengan itu. Itulah karakter, ada sesuatu tentang karakter Anda yang penting tentang pilihan yang Anda buat, bagaimana Anda menghadapi kesuksesan, bagaimana Anda menghadapi kegagalan dan kemunduran besar, bagaimana Anda membuat pilihan. **

Sekarang, dalam hal keterampilan dan keahlian, hal terpenting bagi seorang CEO adalah pemikiran strategis, dan tidak ada pilihan lain. Perusahaan membutuhkan Anda untuk berpikir secara strategis karena Anda melihat paling banyak, Anda harus dapat melihat masa depan lebih baik daripada siapa pun, Anda harus dapat menghubungkan titik-titik lebih baik daripada siapa pun, Anda harus dapat memobilisasi, ingat apa itu strategi – tindakan! Jadi, CEO ditempatkan secara unik di posisi yang tepat untuk menjadi chief strategy officer, jika Anda mau. Dari sudut pandang saya, keduanya adalah hal yang paling penting, dan sisanya memiliki banyak keterampilan dan hal-hal yang akan Anda pelajari keterampilan.

Jika saya dapat menambahkan satu hal lagi, saya percaya bahwa sebuah perusahaan adalah tentang kerajinan tertentu, Anda membuat beberapa kontribusi unik kepada masyarakat, Anda membuat sesuatu. Jika Anda membuat sesuatu, Anda harus pandai dalam hal itu, Anda harus menghargai kerajinan itu, Anda harus menyukai kerajinan itu, Anda harus tahu sesuatu tentang kerajinan itu, dari mana asalnya, dari mana sekarang, ke mana arahnya di masa depan, Anda harus mencoba menunjukkan hasrat Anda untuk kerajinan ini.

Saya berharap bahwa hari ini saya melakukan sesuatu yang mencontohkan semangat dan keahlian kerajinan ini, bahwa saya tahu banyak tentang bidang saya, dan bahwa CEO harus tahu tentang kerajinan ini jika memungkinkan. Anda tidak harus membuat kerajinan ini, tetapi lebih baik menjadi kerajinan ini, Anda dapat belajar banyak, jadi Anda, Anda ingin menjadi ahli di bidang ini, tetapi ini adalah beberapa hal. Anda dapat mempelajarinya di sini. Idealnya, Anda dapat mempelajari ini di tempat kerja, Anda dapat mempelajarinya dari teman-teman Anda, dan Anda dapat mempelajarinya dengan melakukan banyak hal yang berbeda.