Дженсен Хуанг отвечает на все вопросы: плотники и сантехники должны быть больше всего рады появлению ИИ.

Если бы нам нужно было найти кого-то, кто объяснил бы, как произошел этот взрывной рост использования искусственного интеллекта, Дженсен Хуанг, несомненно, был бы наиболее подходящим кандидатом.

Тридцать лет назад он основал Nvidia, сделав ставку на графические процессоры и насильно внедрив CUDA в игровые видеокарты. Рыночная капитализация компании упала с 8 миллиардов долларов до 1,5 миллиардов, после чего потребовалось десятилетие, чтобы восстановиться. Пока все спорили о том, останутся ли чипы для обработки данных низкобюджетным продуктом, он уже разрабатывал архитектуры стоек для эры интеллектуальных агентов.

Подобная прозорливость – это явно не просто удача, а нечто неотделимое от того, чем он занимается десятилетиями: рассказывает всем о будущем еще до того, как все остальные в это поверят.

Сегодня известный ведущий подкастов Лекс Фридман опубликовал двухчасовое подробное интервью с Дженсеном Хуангом.

В ходе диалога обсуждались конкурентные преимущества CUDA, китайская технологическая экосистема, будущее программирования, DLSS5 и даже сознание и смерть. Это наиболее полное публичное высказывание Дженсена Хуанга за последнее время, а также наиболее точное отражение его истинного образа мышления на сегодняшний день.

Прилагается стенограмма интервью Хуан Жэньсюня. https://lexfridman.com/jensen-huang-transcript

Один вопрос, 60 экспертов выступают одновременно — именно так Nvidia проводит совещания.

В начале интервью Фридман отметил, что NVIDIA расширила сферу своего внимания к проектированию, перейдя от однокристальных систем к стоечным решениям, охватив графические процессоры, центральные процессоры, память, сетевое оборудование, NVLink, оптоволоконные и медные межсоединения, источники питания, системы охлаждения, программное обеспечение и саму стойку. Он спросил Дженсена Хуанга: «В таком многофакторном совместном проектировании, что является самой сложной частью?»

Дженсен Хуанг сначала объяснил, почему с точки зрения инженерной логики неизбежно внедрение принципов совместной работы над проектом.

Он сказал, что корень проблемы кроется в масштабе: когда вы распределяете задачу между 10 000 компьютерами, вы ожидаете добиться ускорения, значительно превышающего линейную сумму, например, миллионкратного увеличения, в то время как простое увеличение количества компьютеров приносит лишь линейные выгоды.

Это ограничение закона Амдала, которое означает, что если вычисления составляют лишь 50% от общей рабочей нагрузки, то даже при увеличении скорости вычислений до бесконечности общая скорость может увеличиться только в два раза.

«Как только вы распределяете задачу, всё становится узким местом. Процессор — это проблема, графический процессор — это проблема, сеть — это проблема, коммутатор — это проблема. В наших масштабах распределенные вычисления требуют одновременного решения каждой из этих задач».

На организационном уровне Хуан рассказал, что в его подчинении находятся более 60 человек, включая ведущих экспертов практически во всех технических областях: память, ЦП, оптика, архитектура графических процессоров, алгоритмы и проектирование — никто не отсутствует. Он намеренно отказался от системы личного общения, предпочитая, чтобы все присутствовали одновременно для обсуждения любых конкретных вопросов.

«Поскольку мы занимаемся проектированием в условиях тесного сотрудничества, у нас никогда не бывает обсуждений, в которых присутствует только один человек. Мы представляем проблему, и все работают вместе над ее решением. Когда мы обсуждаем охлаждение, нас слушают специалисты по сетям; когда мы обсуждаем блок питания, нас слушают специалисты по памяти. Если кто-то не обращает внимания на то, на чем ему следует сосредоточиться, я прямо укажу ему на это».

Он сравнил корпоративную структуру с операционной системой, полагая, что организационная структура компании должна напрямую отражать окружающую среду и производимую ею продукцию, а не использовать единую «гамбургерную» или «мягкую» организационную схему, или организационную схему, подобную тем, что используются в автомобильной промышленности.

Внедрение CUDA в игровую видеокарту было самым болезненным, но и самым важным решением.

В ходе обсуждения стратегической эволюции NVIDIA Дженсен Хуанг также подробно описал путь трансформации от графических ускорителей к вычислительным платформам.

Он сказал, что Nvidia изначально была компанией-ускорителем, специализирующейся на обработке графики. Преимущество специализации заключается в предельной оптимизации, но проблема в том, что границы рынка, естественно, ограничены, и размер рынка напрямую определяет возможность инвестирования в НИОКР, что, в свою очередь, определяет, какое влияние компания может оказывать в сфере вычислительной техники.

Поэтому Nvidia пришлось расширить свои границы и перейти к вычислениям общего назначения, но между вычислениями общего назначения и специализированными вычислениями часто существует внутреннее противоречие: чем ближе к вычислениям общего назначения, тем сильнее размываются возможности специализированного ускорения.

«Я искусно объединил эти два заведомо противоречащих друг другу термина. Компания должна шаг за шагом следовать по этому крайне узкому пути, расширяя границы вычислительной техники, сохраняя при этом свои важнейшие специализированные возможности».

Первым шагом стало создание программируемого пиксельного шейдера, ознаменовавшее первый шаг к программируемости. Вторым шагом стало добавление в шейдер операций с плавающей запятой FP32, соответствующих стандарту IEEE, что привлекло исследователей, ранее занимавшихся обработкой потоковых данных и вычислениями потока данных на центральных процессорах. Они обнаружили, что графические процессоры обеспечивают чрезвычайно высокую вычислительную плотность, оставаясь при этом совместимыми с существующей программной логикой. Это напрямую привело к разработке языка программирования Cg, а затем и CUDA.

Внедрение CUDA в потребительские видеокарты GeForce было одним из самых важных и болезненных решений в истории.

Дженсен Хуанг утверждал, что ценность вычислительной платформы полностью зависит от количества установленных экземпляров, а не от элегантности её архитектуры. В качестве примера он привёл x86: это самая критикуемая архитектура в истории, гораздо менее элегантная, чем RISC-архитектуры, тщательно разработанные ведущими специалистами в области компьютерных наук того же периода, и всё же x86 выжила, в то время как большинство RISC-архитектур потерпели неудачу. Причина проста: количество установленных экземпляров.

«В те времена GeForce ежегодно поставляла миллионы видеокарт. Мы говорили, что независимо от того, используют ли пользователи CUDA или нет, мы установим её на каждый ПК, используя это как отправную точку для формирования базы пользователей. В то же время мы обращались в университеты, чтобы писать учебники, предлагать курсы и продвигать CUDA повсюду. В те дни ПК были основной вычислительной платформой, и облачных вычислений ещё не существовало. По сути, мы предоставляли суперкомпьютеры в руки каждого студента и исследователя. Однажды произойдёт нечто неожиданное».

Последствия оказались катастрофическими. Внедрение CUDA резко увеличило стоимость GeForce, полностью уничтожив валовую прибыль Nvidia. Валовая прибыль компании и так составляла всего 35%, а с 50-процентным увеличением затрат вся прибыль испарилась. Ее рыночная капитализация упала с примерно 8 миллиардов долларов до 1,5 миллиарда долларов, и она оставалась на самом низком уровне в течение значительного периода времени.

«Но мы всегда использовали CUDA, всегда запускали её на GeForce. Nvidia — это компания, созданная GeForce, и GeForce сделала CUDA доступной для всех. Исследователи и учёные открыли для себя CUDA в университетах, потому что они были геймерами; они собирали собственные компьютеры и кластеры, используя компоненты ПК».

Позже это стало основой революции глубокого обучения. Что касается принятия таких рискованных решений, Дженсен Хуанг сказал, что его процесс принятия решений начинается с любопытства, за которым следует рассуждение. Когда система рассуждений ясно показывает ему: «Это обязательно произойдет», он начинает в это верить, и как только он в это поверит, он пойдет и воплотит это в жизнь.

Но что еще важнее, он управляет коллективными убеждениями таким образом, что никогда не ждет дня принятия решения, чтобы объявить о нем. Вместо этого он постепенно закладывает когнитивную основу для совета директоров, управленческой команды, сотрудников и партнеров посредством каждого внешнего сообщения, инженерного этапа и нового открытия в отрасли.

«Когда придёт день объявления, я надеюсь, реакция всех будет такой: „Дженсен, почему ты говоришь об этом только сейчас?“ Так было с приобретением Mellanox, так было с нашей ставкой на глубокое обучение, и теперь так обстоит дело с Groq. Я закладывал этот фундамент два с половиной года».

Он охарактеризовал конференцию GTC как инструмент формирования будущих представлений в отрасли, не только для сотрудников, но и для партнеров и всей экосистемы. «Мы не производим компьютеры и не создаем облачные сервисы. Мы — компания, предоставляющая вычислительные платформы; никто не может напрямую купить нашу продукцию, но мы открываем нашу платформу для всех уровней. Прежде чем мой продукт будет готов, я должен сначала убедить всех, что он появится».

Илья сказал, что данные исчерпаны, а Хуан Жэньсюнь заявил, что он движется в неправильном направлении.

В рамках теории законов масштабирования Дженсен Хуанг предложил систематическую структуру, включающую четыре взаимосвязанных слоя.

Первое правило — это закон масштабирования до обучения. Чем больше модель и чем больше обучающих данных, тем умнее ИИ.

Когда Илья Суцкевер заявил, что «данные для предварительного обучения исчерпаны», в отрасли началась паника, поскольку считалось, что ИИ достиг своего потолка. Дженсен Хуанг утверждает, что эта обеспокоенность необоснованна: хотя объем данных, созданных людьми, действительно ограничен, доля синтетических данных будет продолжать расти, и это неудивительно, поскольку человеческие знания по своей природе «синтетически», они циркулируют, переосмысливаются, воссоздаются и потребляются людьми. ИИ теперь способен генерировать огромные объемы синтетических обучающих данных на основе реальных данных; узкое место для предварительного обучения сместилось с объема данных на вычислительную мощность.

Второй принцип — это закон расширения после обучения. Существует еще много возможностей для дальнейшего совершенствования возможностей модели за счет тонкой настройки инструкций, обучения с подкреплением и других методов.

Третий закон — это закон расширения времени тестирования, который относится к вычислительным входным данным на этапе вывода.

Дженсен Хуанг сказал, что многие изначально предсказывали, что вывод будет «простым», полагая, что чипы для вывода должны быть лишь маленькими и недорогими, полностью исключая необходимость в дорогих и сложных продуктах, таких как от Nvidia, и что рынок вывода станет стандартизированным рынком низкого ценового сегмента. «Это не имеет логического смысла. Предварительное обучение включает в себя запоминание и индукцию, это как чтение; вывод включает в себя мышление, рассуждение, планирование, поиск, пробы и разложение незнакомых задач. Как мышление может быть вычислительно легким?» Он оказался прав; вычислительные требования во время тестирования намного превзошли ожидания рынка.

Четвертый принцип — это закон расширения агентов. Большая языковая модель становится агентом, который запрашивает данные из баз данных, использует инструменты и назначает подзадачи во время тестирования, одновременно порождая большое количество подагентов. «Самый простой способ масштабировать Nvidia — это нанять больше людей, но скорость разделения агентов намного выше, чем скорость найма персонала». Эти агенты накапливают огромный объем ценного опыта и данных во время работы, суть которых возвращается в процесс предварительного обучения, уточняется в процессе последующего обучения и дополнительно улучшается во время тестирования, образуя замкнутый контур управления.

В конечном счете, развитие интеллекта зависит от одного: вычислительной мощности.

Что касается прогнозирования направления развития моделей ИИ на уровне аппаратного проектирования, Хуан Жэньсюнь признал, что это одна из самых сложных задач, поскольку архитектура модели ИИ обновляется каждые шесть месяцев, в то время как цикл обновления системной и аппаратной архитектуры составляет три года.

Стратегия реагирования NVIDIA включает три аспекта: проведение фундаментальных и прикладных исследований внутри компании, обучение моделей собственными силами для получения непосредственного опыта; будучи единственной в мире платформенной компанией, которая одновременно сотрудничает со всеми компаниями, занимающимися искусственным интеллектом, она внимательно прислушивается к вызовам, стоящим перед отраслью; и поддержание архитектурной гибкости, чтобы CUDA могла развиваться вместе с алгоритмом.

Он привёл в пример гибридные экспертные модели (MoE): именно потому, что NVIDIA предвидела рост популярности MoE, она расширила NVLink с 8-канального до 72-канального, что позволило запускать полную модель с 4 триллионами или даже 10 триллионами параметров в одной вычислительной области, функционируя как гигантский графический процессор.

Наиболее существенным изменением в стойке Vera Rubin первого поколения по сравнению со стойкой Grace Blackwell является добавление ускорителя хранения данных, внедрение совершенно нового процессора Vera и стойки Rock, специально разработанной для задач агентов. Это связано с тем, что агентам необходимо часто обращаться к файловой системе, вызывать инструменты и выполнять код во время работы, что представляет собой совершенно иную рабочую нагрузку, чем просто выполнение вывода LLM.

«Почему мы разработали это поколение архитектуры ещё до появления Клода Кода, Codex и OpenClaw? Потому что для вывода данных не нужно ждать появления конкретного продукта. Достаточно просто сесть и тщательно обдумать: что должна делать большая языковая модель, чтобы стать настоящим цифровым работником? Она должна иметь доступ к файловой системе для получения реальных данных, она должна уметь искать информацию в интернете, она должна уметь использовать инструменты и должна уметь выводить подзадачи. Это не мистические понятия, а базовая логика».

Он также привёл яркий мысленный эксперимент: представьте, что через десять лет самым мощным агентом ИИ станет человекоподобный робот, который будет приходить к вам домой по хозяйству. Что более вероятно: то, что он будет использовать имеющиеся у вас дома инструменты, такие как микроволновая печь, или то, что его пальцы в любой момент превратятся в молоток, скальпель или генератор микроволн? Ответ очевиден: первое. «То, что я описываю, на самом деле является почти всеми основными характеристиками OpenClaw».

В глазах Хуанга Илон Маск: человек, который ставит себя на первое место в приоритетах окружающих.

Фридман упомянул, что Дженсен Хуанг высоко оценил работу Маска по созданию суперкомпьютера Colossus в Мемфисе за четыре месяца, который теперь может похвастаться 200 000 графическими процессорами. Хуанг подробно рассказал об инженерной и управленческой философии, которую он увидел в этом проекте.

Он сказал, что Маск — это человек, способный одновременно глубоко разбираться в нескольких передовых областях, а также превосходный системный мыслитель. Он всегда задает три вопроса обо всем: Необходимо ли это? Необходимо ли это делать? Необходимо ли это занимать столько времени? После пошагового задавания этих вопросов система сводится к минимально необходимой форме, при этом ее возможности полностью сохраняются.

«Он также лично присутствовал на месте возникновения проблемы. Если возникала проблема, он ехал на объект и «показывал мне проблему». Такой подход разрушает инерцию, свойственную принципу «мы всегда так делаем». У каждого поставщика много клиентов и проектов, и его подход заключается в том, чтобы быть приоритетным клиентом в каждом проекте, и он делает это, демонстрируя свои навыки лично, а не просто говоря о них».

Он описал деталь, с которой сталкивался и Фридман: Маск приседал рядом со стойкой и вместе с инженерами разбирался, как подключать и отключать кабели, чтобы уменьшить вероятность ошибок. «Интуиция, которая формируется на основе каждой детали, позволяет увидеть как неэффективность на микроуровне, так и системные проблемы на макроуровне, и тогда вы можете сказать: „Давайте сделаем это совершенно по-другому“».

Почему китайское технологическое сообщество отдает предпочтение открытому исходному коду?

Рассказывая о своем недавнем визите в Китай, Дженсен Хуанг заявил, что примерно 50% исследователей в области искусственного интеллекта во всем мире — китайцы, и большинство из них по-прежнему работают в Китае. Взлет китайской технологической индустрии совпал с эрой мобильного интернета, что позволило стране выйти на глобальный рынок, предложив в качестве прорыва программное обеспечение.

Он считает, что существует несколько структурных причин, по которым технологическая экосистема Китая может постоянно порождать большое количество ведущих компаний.

Во-первых, это интенсивность конкуренции. Китай — это не единый крупный рынок, а конкурентная система, состоящая из бесчисленных провинций и городов. Это привело к поразительному количеству конкурентов в каждой вертикальной сфере. Это справедливо как для электромобилей, так и для компаний, занимающихся искусственным интеллектом. В конечном итоге, в условиях жесткой конкуренции выживут только самые выдающиеся компании.

Во-вторых, это культура открытости и обмена знаниями. Китайское инженерное сообщество в значительной степени опирается на межличностные связи в учебных заведениях и компаниях; однокурсники — это братья на всю жизнь, а друзья — коллеги. Хуан Жэньсюнь утверждал, что китайские инженеры ставят семью на первое место, друзей — на второе, а компанию — на третье. Этот порядок напрямую определяет их отношение к знаниям.

У их инженеров есть братья или друзья, работающие в этой компании; все они — однокурсники. В Китае «однокурсник» означает братство на всю жизнь. Поэтому они очень быстро обмениваются знаниями; у них нет причин скрывать свои технологии — они просто выкладывают их в открытый доступ.

В-третьих, в этой стране существует социальная культура, которая ценит инженерное дело. Это страна, которая почитает строительство.

Затем он распространил это на стратегию NVIDIA в отношении открытого исходного кода, в частности, упомянув Nemotron 3, открытую взвешенную гибридную экспертную модель со 120 миллиардами параметров, архитектура которой сочетает в себе Transformer и State Space Model (SSM).

У NVIDIA есть три мотивации для продвижения открытого исходного кода: во-первых, обучение собственных моделей является частью идеального совместного проектирования, что позволяет команде разработчиков оборудования напрямую понимать направление развития архитектуры модели; во-вторых, необходимы как собственные, так и открытые модели, а открытый исходный код является необходимым условием для того, чтобы ИИ действительно распространился во все отрасли, все страны и среди всех исследователей и студентов.

Во-третьих, ИИ — это гораздо больше, чем просто язык. Такие области, как биология, физика, метеорология и гидродинамика, требуют специально обученных моделей. NVIDIA стремится обеспечить доступ к базовым моделям ИИ мирового класса для каждой отрасли.

43 000 человек и миллионы разработчиков совместно создают конкурентное преимущество Nvidia.

На вопрос о наиболее важных конкурентных преимуществах Nvidia Дженсен Хуанг дал четкий рейтинг.

Первый показатель — количество установок CUDA.

Он сказал, что даже если бы кто-то двадцать лет назад создал технически превосходящую альтернативную архитектуру, такую ​​как GUDA или TUDA, она, скорее всего, потерпела бы неудачу. Это потому, что успех или неудача архитектуры никогда не определяется исключительно технологией, а скорее тем, сколько разработчиков создают свое программное обеспечение на этой платформе.

Нынешний статус CUDA — результат десятилетий непрерывной работы 43 000 сотрудников NVIDIA, а также доверия миллионов разработчиков, которые построили свои программные стеки на основе этой платформы.

Он также подчеркнул важность скорости выполнения NVIDIA: любой разработчик, выбравший CUDA, почти наверняка может рассчитывать на десятикратное улучшение через шесть месяцев; его программное обеспечение может охватить сотни миллионов устройств, включая всех основных поставщиков облачных услуг, все основные отрасли и все основные страны; и он уверен, что NVIDIA продолжит поддерживать и улучшать CUDA в обозримом будущем. «Учитывая все эти моменты, если бы я был разработчиком, я бы в первую очередь выбрал CUDA и вложил бы в нее больше всего ресурсов».

Вторая составляющая — это горизонтальное покрытие экосистемы. Nvidia вертикально интегрирует чрезвычайно сложные системы, но в то же время открывает горизонтальный доступ к вычислительным платформам каждой компании, от Google Cloud, Amazon AWS и Microsoft Azure до таких новых вычислительных компаний, как CoreWeave и Nscale, до суперкомпьютеров в фармацевтических компаниях, а затем и к периферийным устройствам в телекоммуникационных базовых станциях, автомобилях, роботах и ​​спутниках.

Единая архитектура охватывает практически все отрасли промышленности по всему миру.

Что касается возможности достижения рыночной капитализации Nvidia в 10 триллионов долларов, прогнозы Дженсена Хуанга основаны на двух фундаментальных изменениях: переходе вычислительной техники от поиска к генерации, что означает резкий рост спроса на вычислительную мощность; и трансформации компьютеров из устройств хранения данных в производственные предприятия, что означает их превращение из центров затрат в центры прибыли, напрямую связанные с корпоративной выручкой. Он прогнозирует ускорение роста мирового ВВП, а также увеличение доли вычислительной техники в ВВП более чем в 100 раз по сравнению с прошлым.

Он упомянул, что, по его мнению, путь Nvidia к выручке в 3 триллиона долларов «безусловно, возможен», и нет никаких физических законов, которые бы ограничивали реализацию этой цифры. Что еще важнее, рост Nvidia зависит не от захвата доли рынка у существующих конкурентов, а от совершенно нового рынка, который будет развиваться практически с нуля.

«Когда Nvidia была компанией с капитализацией в 10 миллиардов долларов, нельзя было сказать: „Если они отберут у кого-то 10% рыночной доли, то смогут вырасти вот на столько-то“. Им приходилось строить планы с нуля. Но у меня много времени, и каждый GTC делает это все более и более реальным».

Говоря об интеллектуальных агентах, он сравнил OpenClaw с «iPhone среди токенов»: «Потребители могут использовать его напрямую. Это продукт уровня iPhone; это самое быстрорастущее приложение в истории, его популярность взлетела до небес, и всё».

Гнев игроков по поводу отсутствия согласованности в работе ИИ на самом деле является отражением реальности.

Дженсен Хуанг заявил, что GeForce остается важнейшей маркетинговой стратегией бренда Nvidia: люди знакомятся с Nvidia через игры в подростковом возрасте и естественным образом обращаются к CUDA и профессиональным инструментам, когда поступают в колледж и начинают свою карьеру.

Когда его спросили о самой важной игре в истории, он дал два ответа: с точки зрения культурного и промышленного влияния это Doom, превративший ПК из офисного инструмента в устройство для домашних развлечений; с точки зрения игровых технологий это Virtua Fighter. Его последним шедевром стал Cyberpunk 2077, в котором полностью реализована трассировка лучей.

Обсуждая полемику вокруг DLSS 5, он признал неприязнь к эффекту «размытого изображения, полученного с помощью ИИ», и отметил, что это действительно эстетическая проблема.

Однако он пояснил, что DLSS 5 работает в условиях строгих ограничений, накладываемых трехмерными геометрическими данными, гарантируя, что каждый кадр полностью соответствует пространственной структуре и стилю текстур, определенным художником, улучшая, а не перезаписывая их. «Игроки ошибочно полагают, что DLSS используется для постобработки в финальной игре. Он встроен в творческий процесс; художник решает, использовать его или нет». Система также полностью открыта, что позволяет студиям самостоятельно обучать модели и задавать любой стиль, например, мультяшный или акварельный.

Затем он сделал наблюдение на более макроуровне: чувствительность игроков к размытости, создаваемой ИИ, точно иллюстрирует, что людей действительно волнуют несовершенные следы, оставленные создателями. «Пока ИИ является инструментом, помогающим художникам, это хорошо».

Он также упомянул шейдер NVIDIA для имитации рассеяния света в подповерхностных слоях кожи, предназначенный для разработчиков игр. Эта технология моделирует физическое явление рассеяния света после проникновения в поверхностные слои кожи, придавая игровым персонажам более реалистичную полупрозрачную текстуру. «Это инструменты; художники сами решают, как их использовать. Мы просто предоставляем набор инструментов».

Искусственный общий интеллект, будущее программирования и место человечества в мире

В вопросе определения ИИ Фридман использовал в качестве критерия «способность создать и управлять с нуля технологической компанией с рыночной капитализацией более одного миллиарда долларов США». Ответ Хуан Жэньсюня был таким: «Я думаю, что ИИ уже достиг этого порога».

Он предполагает, что ИИ создаст приложение, которое за короткий период времени привлечет миллиарды пользователей, коммерциализирует его, а затем исчезнет. Это принципиально не отличается от недолговечных вирусных веб-сайтов эпохи интернета, техническая сложность которых намного ниже того, что OpenClaw может создавать сегодня. «Я точно не знаю, что это будет, но я и не предсказывал появления подобных компаний в эпоху интернета». Он также подчеркнул, что вероятность того, что 100 000 агентов ИИ создадут постоянно работающую Nvidia, равна нулю, но создание недолговечного вирусного приложения и получение от него прибыли вполне возможно, и это уже происходит.

Что касается будущего программирования, Дженсен Хуанг считает, что само определение программирования нуждается в пересмотре. Суть программирования заключается в спецификации — указании компьютеру, что нужно построить. При таком определении число людей, способных на это, увеличится с 30 миллионов до 1 миллиарда. Каждый плотник, сантехник и бухгалтер станут новаторами в своей отрасли, потому что ИИ позволит им выражать свои намерения на естественном языке и преобразовывать их в осязаемые продукты. «Если бы я был плотником и увидел ИИ, я бы очень обрадовался. Если бы я был сантехником, я бы совершенно сошел с ума».

Он привёл в пример рентгенологов, чтобы развеять опасения, что «искусственный интеллект уничтожит профессии»: компьютерное зрение достигло сверхчеловеческих уровней примерно в 2019 году, что привело к широко распространённым прогнозам о том, что рентгенологи станут ненужными. Однако все платформы для лучевой терапии интегрировали ИИ, и число рентгенологов не только не уменьшилось, но и фактически увеличилось; теперь даже существует глобальная нехватка рентгенологов. Причина проста: более быстрое считывание изображений означает, что можно проанализировать больше изображений, обслужить больше пациентов, увеличить доходы больниц и, следовательно, требуется больше рентгенологов.

«Это предупреждение зашло слишком далеко и отпугнуло многих людей, которые должны были прийти в эту отрасль, что наносит реальный вред. Число инженеров-программистов в Nvidia будет только расти, а не уменьшаться. Их профессиональная цель — решать проблемы, и каждый компонент решения проблем — оценка результатов, командная работа, диагностика проблем, инновации и взаимодействие различных областей — никуда не исчезнет».

В лучшем случае, это будет нервный срыв на работе.

На вопрос о том, думал ли он о собственной смерти, Хуан Жэнь-сюнь ответил очень честно.

«Я действительно не хочу умирать. У меня замечательная семья и очень важная работа. Это не просто «опыт, который бывает раз в жизни», это уникальный опыт для всей человеческой цивилизации, и я в нём участвую. Nvidia — одна из важнейших технологических компаний в истории, и я отношусь к этому очень серьёзно».

Его ответ на вопрос о планировании преемственности был довольно неожиданным: он сказал, что «не верит в планирование преемственности», но причина заключалась именно в том, что он серьезно рассматривал этот вопрос. Если вас действительно волнует судьба компании после вашего ухода, то сегодня вам следует как можно чаще передавать все знания, идеи и суждения, которые вы приобрели, поняли и накопили, всем окружающим.

«Каждая встреча — это встреча, посвященная обсуждению. Все, что я узнаю, не задерживается на моем столе дольше секунды; оно сразу же указывает кому-то: «Иди изучи это, это потрясающе, тебе захочется это понять». Я постоянно помогаю всем вокруг меня совершенствовать свои навыки».

Он сказал, что хотел бы мгновенно потерять сознание на работе, без длительного и болезненного процесса.

Говоря о надеждах на следующие 100 лет человечества, он сказал, что всегда питал глубокую веру в доброту человеческой природы. Хотя иногда его постигало разочарование, результаты раз за разом подтверждали его правоту и часто превосходили ожидания.

«Столько проблем, которые мы хотим решить, столько всего, что мы хотим построить, столько добрых дел, которые мы хотим совершить, становятся осуществимыми при нашей жизни. Искоренение болезней — вполне разумное ожидание. Значительное сокращение загрязнения окружающей среды — вполне разумное ожидание. Как всё это может не вдохновлять?»

#Добро пожаловать на официальный аккаунт iFanr в WeChat: iFanr (идентификатор WeChat: ifanr), где вы сможете быстро найти еще больше интересного контента.