黄仁勋：英伟达的 AI 算力，已经「1 腰」出售

用程序。

看看人们所写成的一切前所未有的系统性工具应用程序。它的架构一直是一些令人吃惊的数据资料。直到现在你有一个核对增压器通用核对增压器在在后，它超级平板，你可以让它对此你，但你也可以把它通到到一个暂由，这是 Langchain 和分总量数据资料库随之而来的取得成功。将数据资料和大口语三维叠加的实质性的从前早就到处引发，每应有都一切都是花花钱。而 Frank 和我将鼓励大家花花钱到这一点。

02 软体 3.0：建起 AI 系统性工具，克服一个特定疑询问

解说员：

作为股票来看这种变化，软体 1.0 是未必确定的代码，由工程师按照基本功能写成不止来；软体 2.0 是用仔细整理的标记的军有事训练数据资料优化一个神经网络。

你们在鼓励人们撬动软体 3.0，这套根基三维本身有实在太难以置信的必需，但它们一直无需与大一些公司数据资料和自定义数据资料集携手。只是针对它们去开发计划那些系统性工具应用程序要低价得多。

对于那些险恶非议这个领域的人来话说有一个疑询问，根基三维是未必一般化，它可以花花钱所有有好事吗？为什么我们无需自定义三维和大一些公司数据资料呢？

Frank：

所以我们有未必一般化的三维，可以花花钱诗句，处理过程《了不起的盖茨比》的花花钱摘要，花花钱微积分疑询问。

但是在商业以前，我们不无需这些，我们无需的是一个 Copilot，在一个未必狭窄，但是未必有用的数据资料集上获得非凡的不单是。

我们无需了解思路和商业动态。这样的测算上不无需那么划算，因为一个三维未必无需在一百万件有好事上做军有事训练，只无需回事未必多于的、但很险恶的配题。

举个范例。我是 Instacart 的董有事不会全体成员，我们一个大餐饮业商，像 DoorDash 和所有其他大一些公司时常面对的疑询问是，他们大幅降低营销费用，来了一个餐饮业商，餐饮业商下了一个交货，餐饮业商要么不丢下，要么 90 天内丢下，这未必不平衡。他们把这所称为过多餐饮业商。

这是有用疑询问的系统性，因为餐饮业商不丢下的缘故似乎有很多。人们一切都是告诉他到这些疑询问的题目，它在数据资料以前，全都一般的网络服务以前，而且可以通过机器努力学习告诉他不止来。这就是似乎诱发很大价值的范例。

解说员：

这些三维确实如何与大一些公司数据资料社交？

黄仁勋：

我们的大战略和新产品是各种尺寸、最精良的先于军有事训练三维，有时你无需创设一个未必大的先于军有事训练三维，以便它可以诱发 prompt，来教更为小的三维。

而较小的三维几乎可以在任何设备行驶，比如话说提早未必低。然而它的一般化必需未必颇高，zero shot（零比对努力学习）必需似乎更为有限。

因此，你似乎有几种相同子类相同尺寸的三维，但在每一种情况下，你不能花花钱监理的简化，你不能花花钱 RLHF（有机体反馈的增强努力学习），以便它与你的之后目标和原则相同之处，你无需用矢总量数据资料库之类的从前来大幅提高它，所以所有这些都汇集在一个模拟器上。我们有战技、经验和必需模拟器，鼓励他们创设自己的机器努力学习，然后将其与 Snowflake 以前的数据资料通到起来。

直到现在，每个大一些公司餐饮业商的之后目标不确实是思考我如何建起一个大型的口语三维，他们的之后目标确实是，我如何建起一个机器努力学习系统性工具应用程序来克服特定的疑询问？那个系统性工具似乎无需 17 个疑询问来花花钱 prompt，之后得不止无论如何的题目。然后你似乎不会话说，我一切都是写成一个应用程序，它似乎是一个 SQL 应用程序，似乎是一个 Python 应用程序，这样我就可以在下一代必需基本功能花花钱这个。

你还是要随时随地这个机器努力学习，让他之后能给你无论如何的题目。但在那便，你可以创设一个系统性工具应用程序，可以作为一个暂由（Agent）24/7 经常性地行驶，寻告诉他涉及情况，并月份向你汇报。所以我们的管理工作就是鼓励餐饮业商建起这些机器努力学习的系统性工具，这些系统性工具是有安全性栏杆的、具体的、定制的。

之后，我们在下一代都将踏入平板生产商，当然聘请公司员工，但我们将创设一大堆暂由，它们可以用 Lang Chain 类似的从前来创设，通到三维、经验库、其他 API，在名曰以前侦察，并将其通到到所有的 Snowflake 数据资料。

你可以专业化地加载这些 AI，并大幅地完善这些 AI。因此，我们每应有都将制造 AI、行驶 AI 的工厂。我们将把根基设施摆放在 Snowflake 的数据资料库，餐饮业商可以在那里时常用他们的数据资料，军有事训练和开发计划他们的三维，加载他们的 AI，因此，Snowflake 将是你的数据资料存储库和银行。

有了自己的数据资料铜矿，自始当都将在 Snowflake 上行驶 AI 的工厂。这是之后目标。

03 ‘氢弹’虽良，同样用三维相当于‘打 1 腰’

黄仁勋：

我们在 NVIDIA 建起了有五个 AI 的工厂，其以前四个是全世界前 500 名的超级测算机，另一个早就网易。我们时常用这些超级测算机来花花钱先于军有事训练三维。因此，当你在 Snowflake 以前时常用我们的 Nemo AI 根基增值时，你将取得一个最精良的先于军有事训练三维，早已有几千万美元的费用转为其以前，更为不用话说研发转为了。所以它是先于先军有事训练好的。

然后有一大堆其他的三维环绕着它，这些三维用于简化、RLHF。所有这些三维的军有事训练商业价值都要颇高得多。

因此，直到现在你早已将先于军有事训练三维兼顾于你的基本功能，兼顾于你的栏杆，优化你愿意它具有的战技或基本功能子类，用你的数据资料大幅提高。因此，这将是一个更为具商业价值商业价值的工具。

更为关键的是，在几天内，而不是几个同年。你可以在 Snowflake 开发计划与你的数据资料通到的机器努力学习系统性工具应用程序。

你确实必需在下一代较慢速建起机器努力学习系统性工具应用程序。

因为我们直到现在碰到它早就数据处理过程引发。早已有一些系统性工具必需让你和数据资料询问候，比如 ChatPDF。

解说员：

是的，在软体 3.0 时代背景，95% 的指导费用早已由别人应尽了。

黄仁勋：

（痴）是的，95% 的腰扣，我无法一切都是象一个更为好的交易。

解说员：

这是毫无疑询问的驱动力，作为融资人，我碰到在系统性、必需基本功能化、法律条文等领域的未必年轻的一些公司，他们的系统性工具早已在六个同年或更为短的时长内充分利用了毫无疑询问的商业价值。其以前一部分缘故是他们从这些先于先军有事训练好的三维开始，这对大一些公司来话说是一个很大的从以前。

黄仁勋：

每家一些公司都不会有数百个，甚至 1000 个机器努力学习系统性工具应用程序，只是与你一些公司的各种数据资料相邻。所以，我们自始当都不能擅构建这些从前。

04 本来是数据资料告诉他其业务，直到现在是其业务告诉他数据资料

解说员：

我直至从大大一些公司积极自发性听到的一个疑询问是，我们不能去融资机器努力学习，我们无需一个取而代之磁盘（Stack）吗？确实如何回避与我们现有的数据资料磁盘相邻？

Frank：

我并不认为它在大幅发展。三维们自始渐渐越来越更为简洁、安全性、更为好地被行政。所以，我们无法一个毫无疑询问清楚的论点，这就是每应有都不会时常用的参考架构？有些人将有一些以前央增值的设置。开发计划人员有 Azure 以前的机器努力学习版本，它们的很多餐饮业商早就与 Azure 顺利完成社交。

但我们不吻合什么三维将配导，我们并不认为市场将在时常用难易、商业价值这些有事上顺利完成自我排序。直到现在某种程度是开始，不是之后的自始时常。

安全性部门也不会积极参与全都，关于版权的疑询问不会被独创。直到现在我们对技术很着迷，现实以前的疑询问也不会被同时处理过程。

黄仁勋：

我们直到现在自始经历 60 年来第一次根本性的测算模拟器变革。如果你才刚读了 IBM System 360 的官网，你不会听到关于以前央处理过程单元、IO 子系统、DMA 控制器、虚拟内存、多任务、可扩张测算向前和向后故又所称可选，而这些观念，实际都是 1964 年的从前，而这些观念鼓励我们在无论如何六十年来，大幅顺利完成 CPU 扩张。

这样的扩张早已顺利完成了 60 年了，但这早已走去了边上。直到现在大家都明白，我们无法先扩张 CPU 了，忽然之间，软体变化了。软体的编写成手段，软体的加载手段，以及软体能花花钱的有好事都与其实有很大的相同。我们所称以前的软体为软体 2.0。直到现在是软体 3.0。

有事实就是，测算早已从根本上变动了。我们碰到两个必需的驱动力在同时引发，这也是为什么直到现在有好事早就引发更为严重冲击。

一方面，你不能先大幅地借不止 CPU。如果你明年先买一大堆 CPU，你的测算客运总量将就不会降低。因为 CPU 扩张的绕道早已到来了。你不会多花一大堆花钱，你就不会取得更为多的客运总量。因此，题目是你不能去减缓（英伟达减缓测算模拟器）。图灵奖获得者谈谈到了减缓，英伟达开创了减缓，减缓测算直到现在早已到来。

另一方面是，测算机的整个加载系统引发了独到的变动。我们有一个叫 NVIDIA AI Enterprise 的层，而其以前的数据资料处理过程、军有事训练、废话侦察，整个直到现在早已构建到或早就构建到 Snowflake 以前，因此，从开始数据资料处理过程，直至到仍要的大三维侦察，整个背后的测算增压器都被减缓了。我们将赋能 Snowflake，在这里你将必需花花钱得更为多，而且你将必需用更为多于的资源花花钱到更为多。

如果你去任何一个名曰，你不会碰到 NVIDIA GPU 是其以前最划算的测算也就是说。但是，如果你把一个管理工作阻抗摆放在上面，你不会找到我们花花钱得未必较慢。就样子你取得了一个 95% 的腰扣。我们是最划算的测算也就是说，但我们是最具商业价值商业价值的 TCO。

所以，如果你的管理工作是行驶管理工作阻抗，似乎是军有事训练大型口语三维，似乎是简化大型口语三维，如果你一切都是这样花花钱，一定要顺利完成减缓。

减缓每一个管理工作阻抗，这就是整个栈的阐释。处理过程器因此变为，加载系统因此相同，大的口语三维是相同的，你写成 AI 系统性工具应用程序的手段是相同的。

下一代，我们都要写成系统性工具。我们都要把我们的 prompt 和我们的上下文，和多于数几个 Python 指示通到起来，通到到大口语三维和自己的数据资料库或者一些公司的数据资料库以前，开发计划自己的系统性工具应用程序。每应有都将踏入一个系统性工具应用程序的开发计划者。

解说员：

但基本的是，它一直是你的数据资料。你一直无需对它顺利完成简化。

Frank：

本来我们都真是更为较慢的只不过更为良的。其实忽然之间，更为较慢的是更为低价的，这是一种反直觉的从前。因此，有时人们一切都是减多于供应，以为这样更为低价，结果却更为良。

另一个与以前分歧的是，本来都是数据资料去告诉他其业务（data going to work），而直到现在，其业务去告诉他数据资料 （work going to data）。无论如何的六十年，或者更为多年，我们直至在让数据资料去告诉他其业务，这导致了大规模的接收者未来世界。而如果你一切都是以外一个 AI 的工厂，用以前的花花钱法将是未必难于的。我们不能把测算送去数据资料所在的区域内。我并不认为我们直到现在早就花花钱的就是无论如何的手段。

05 大一些公司如何获得最较慢和仅次于的价值

Frank：

最较慢和获得仅次于价值回事是两个很不一样的疑询问。

最较慢的话，你很较慢必需碰到，数据资料库各处都网易了机器努力学幅提高的抓取手段，因为这是最难以降低的基本功能。直到现在，甚至一个文盲都能从数据资料以前取得令人吃惊的接收者，这真未必可怕，这是终极的交互民配化。抓取基本功能极大大幅提高，你就向配界面提一个疑询问，它们可以把这些疑询问送去数据资料自己顺利完成核对。这是挂在山坡上的嫩叶，最难以的，我们并不认为这是阶段一。

接下来，我们就开始毫无疑询问非议毫无疑询问的难题，就是专有的大一些公司数据资料，混合系统化的、非系统化的，所有这些，我们如何调配这些数据资料？

我在后早已提到了 to C 大一些公司面对的过多率疑询问，之后新产品行政方面的疑询问。当之后新产品值得注意有用的时候，如果有一个有惨案引发了，我们如何继续调整一个之后新产品，使其电化？我直到现在该怎么花花钱？之后新产品是由很多相同的也就是说合组的，不是常规的大一些公司。历史上，这是一个从并未被测算克服过的疑询问。之后新产品行政无论如何无法形成过一个模拟器，它几乎是一个电子邮件，应用软体形成的经济制度，除了一些小的例外。因此，这是极回事在太兴奋的。

或者我们可以继续测算大型的呼叫以前心的融资，优化餐饮业的定价，像我话说的，这是一个大大一些公司的 CEO 们直至憧憬的继续定义思路，是毫无疑询问的潜力。

06 对大一些公司的促请：

黄仁勋：

我不会询问自己，第一，什么是我唯一最令人吃惊的数据资料库？第二件有事，我不会询问自己，如果我有一个超级、超级、超级机智的人，而大一些公司的一切数据资料都经过那个超级平板，我不会询问那应有什么？

根据每应有的一些公司，这是相同的。Frank 的一些公司餐饮业商数据资料库未必关键，因为他有很多餐饮业商。而我自己的一些公司，无法那么多餐饮业商，但对我的一些公司而言，我的之后新产品超级有用，而且我的外观设计数据资料库也超级有用。

对 NVIDIA 来话说，无法机器努力学习我们早已无法建造不止GPU。因为我们的工程师都不似乎像AI那样，为我们顺利完成大总量的插值和探索。因此，当我们提不止机器努力学习的时候，第一个系统性工具在我们自己的一些公司。而且，所以 Hopper（英伟达超算新产品）不似乎无法机器努力学习的外观设计。

我们也不会将我们自己的 AI 系统性工具于我们自己的数据资料以前。我们的错误数据资料库就是一个近乎的系统性工具过场。如果你看一下 NVIDIA AI 的代码总量，我们有几百个软体包，结合在两兄弟，支持一个系统性工具应用程序必需跑起来。我们直到现在早就努力的一些有好事，就是如何时常用 AI 去弄吻合如何给它打安全性补丁，如何毫无疑问地保障它，这样我们就可以不用妨碍整个上层系统性工具层的同时，必需向后故又所称可选。

这都是 AI 必需为你发放题目的。我们可以用一个大口语三维去话说道这些疑询问，为我们告诉他到题目，或者向我们揭示一些疑询问，然后工程师就可以先将其撤兵。或者 AI 可以推荐一个修复工具，有机体工程师先去获知这是不是一个好的修复工具。

我真是不是自始当都认识到了他们每天都在处理过程的数据资料里面，回事暗喻多多于平板、不单是和号召力无法被挖掘。这就是为什么我们自始当都要积极参与全都，鼓励随之而来这样的下一代。

直到现在，你可用在数据资料仓库的数据资料，第一次可以被通到进机器努力学习的工厂。你将必需制造接收者机密，这是全世界上最令人吃惊的商品。你椅子一个自然资源的铜矿上——你一些公司的专有数据资料，而我们直到现在把它通到到一个机器努力学习增压器上，另一故又所称每天同样诱发接收者机密，以难以置信的机密总量从另一故又所称流不止，甚至在你睡觉时也在源源大幅地增总量。这是史上毫无疑问的有好事。

本文作者凌梓南郡、Li Yuan，来自极客以前央公园，译文副标题：《黄仁勋：英伟达的 AI 算力，早已‘1 腰’购入》

风险提示及免责条款

市场有风险，融资需谨慎。本文不构成应有融资促请，也并未难以充分利用个别软体特殊的融资之后目标、借款人或无需。软体应回避本文以前的任何异议、论点或论点是不是具备其特定原因。据此融资，法律责任自负。

。

多维元素片怎么吃
拉肚子吃什么东西能止泻
前列安通胶囊和坦洛新治前列腺炎哪个好
康恩贝肠炎宁片
老人胃烧心是怎么回事