买车不如买机器人……
点击蓝字关注我们
继“硅谷钢铁侠”埃隆·马斯克和“OpenAI之父”山姆·奥特曼之后，英伟达CEO“皮衣教主”黄仁勋现已成为全球各界最受欢迎的企业家之一。
近日，黄仁勋参加了“CadenceLIVE硅谷2024”大会，以嘉宾身份围绕“人形机器人”这样颇具科幻气质的话题，谈到人工智能和加速计算在塑造行业大趋势中的关键作用。
今天，益读社为大家整理了他的部分分享内容，enjoy~
演讲者：黄仁勋
通常设计工具只能完成一次处理，但大部分设计师想做的是多次探索多维多模态。在这个问题上，没有正确答案只有最佳答案。
加速计算的好处是，过去使用CPU扩展很难，但采用加速计算能够带来1000倍的X因素，除此之外还有30倍的系数。当把生成式人工智能加进去，在此基础上，就会再有另外10万倍的X因素。
我们想要并需要探索成千上万个不同的领域，但对浩瀚的设计空间进行彻底探索实在是难以实现。无限量的计算无法做到这一点，因此我们需要人工智能来帮助我们进入探索和优化的特定领域，然后使用有原则的求解器专门从事这项工作，这样我们就可以同时做各种不同的事情。我们能够设计出更好、更节能的产品。
现在请记住，你设计了一次芯片，但能够以万亿倍的速度出货；你建造了一个能够节约6%电力的数据中心，节约出的电力可供10亿人使用一整天。通过设计更好的软件、芯片和系统，我们为世界节省的能源将对社会产生永久的效益。一方面，人工智能消耗更多的电力和数据中心；另一方面，通过更好的产品设计、更好的计算机、更好的汽车、更好的手机、更好的材料等等，我们将减少其他98%的电力和能源消耗。
所以我认为，我们真的是处于拐点，这些都是完全正确的。当前真的是令人兴奋的时刻。
我做芯片设计师已有很长时间，我的整个职业生涯都在从事这项工作。英伟达是如何完美无暇地完成了从芯片到系统、软件、数据的转变？
首先需要注意的是，程序中的一小部分代码占用了绝大多数的租用时间。就拿CFD为例，3%的代码占用了99.9999%的租用时间。如果是这样的话，为什么要使用完全相同的工具、相同的仪器、相同的处理器来处理90%或者是全部的代码呢？为什么不为97%的代码做一些事情，并为剩余3%的代码做一些特殊的事情呢？通过这样做，可以把应用程序的速度提高10万倍。
需要这种优势来进行重写的应用程序非常非常少，我们很聪明地选择了计算机图形作为突出计算的首选，因为它是一种需要大量并行计算的应用程序，有利于并行处理，而且这是一个非常大的市场，发展非常快，创新非常多，所以我们选择了一个好的市场作为起点。
加速计算与通用计算并不相同，我创造了“加速计算”一词，我的意思是，可以加速一个应用程序，这是一个应用程序加速计算平台，我们必须知道什么应用程序是正确的。就英伟达而言，我们从选择计算机图形起步，但我们也做了成像，然后我们做了分子动力学（molecular Dynamics）。
目前我有三个超级兴奋的产业。除了生命科学，还有一个是数据中心或者仅仅是计算机技术，一个是自动技术，不过我可以将这种技术抽象为机器人、自动机器和自动系统和半自动系统。这是一个总的类别。
无论是汽车还是卡车，披萨外卖机器人还是人形关节自连接机器人，这类系统有很多共性，它们都需要有许多传感器，更重要的是需要功能安全。设计计算机和验证计算机的方式，要求操作系统不是普通类型的操作系统，这一点非常重要。
人工智能的使用非常广泛，这些系统将随时连接到云，连接到数据中心，这样它就可以更新体验，报告故障和新的情况，然后下载新模型。可以说，我喜欢整个自动系统领域，它是一个全新的类别。在不久的将来，我们所有人都要制造的设备将会是人形机器人。人形机器人的制造成本可能会低很多。
一些人认为，人形机器人的售价会超过1-2万美元。既然当前廉价汽车的售价在1-2万美元，我们为什么不能在这个价格区间内购买一个人形机器人？
在一个我们为人类设计的环境中，机器人可能会更加灵活和多功能。过去的生产线是为人类设计的，仓库是为人类设计的，一大堆东西都是为人类设计的。在这种环境中，人形机器人可能更具生产力。
我很喜欢这一点，我很喜欢将把生物学变成工程领域。科学发现过程确实至关重要，但它是零星的，这就是为什么反摩尔定律（Eroom’s Law）是正确的。顺便说一下，如果我们不转向加速计算，如果不转向人工智能，计算机行业将经历反摩尔定律，原因非常清楚，我们所做的工作量和计算量都在增长，但是CPU的扩展速度已经放缓，因此我们的计算成本将会增长，而不是降低。
鉴于此，我们必须转向加速计算以节约电力、时间、支出，无论如何，我认为数字生物学将经历一场全面的复兴。科学和工程越来越紧密，这是一个非常复杂的领域。
我们必须创新，不过我们第一次拥有了必要的工具——计算系统，帮助我们处理非常混乱的大型系统的算法。我认为未来这三个行业是正确的，它们的市场规模都将非常庞大，单是人形机器人的市场规模就已足够惊人。
—- END -—
往期推荐