社区

黄仁勋最新访谈：数据的价值不只在于推理，DeepSeek是好事，它在扩展AI应用。 $英伟达(NVDA)$

黄仁勋在春节期间参加完中国等地的一系列活动之后，这次与DNN公司CEO、联合创始人Alex Bouzari的对谈，还是第一次公开发言，也是他第一次正式谈到了DeepSeek。他认为从各个意义上看，DeepSeek都是一件好事，世界需要开源的模型，DeepSeek让人意识到模型可以更加高效，而且扩展了AI应用规模。我理解他的意思是，投资者有心理定势，觉得这个世界只有传统的训练和推理，没看到DeepSeek对算力的驱动。这一点，我完全同意他的看法，当时有写过一个相关分析：为什么认为DeepSeek对AI算力长期是利好，

不过，DeepSeek不是他这次谈话的重点，而是放在了数据上。黄仁勋和DDN的Alex的的核心观点是，数据本身不仅仅是在人工智能的训练阶段发挥作用，更重要的是它在应用阶段的价值。他提到，传统上，人工智能的工作是通过大量的原始数据进行训练，但随着技术的发展，现在我们不仅仅依赖这些数据，而是要将数据转化为“数据智能”（Data Intelligence）。

而这些数据需要通过元数据、标记等形式进行处理和转化，才能帮助AI在使用阶段做出更高效、更准确的推理和决策。

我觉得，这个理念的本质，是又增加了一层算力需求啊，尤其是多模态模型需求上来之后。

访谈概要：

一、重新定义AI训练范式：从单一到多层次
在谈到AI发展模式时，黄仁勋指出了一个重要的认知误区。"从投资者的角度来看，大家有一个心理模式是，这个世界是预训练，然后是推理...但显然这个范式是错误的，"他说。黄仁勋认为，真正的AI发展应该包含三个关键层次：预训练（pre-training）、后训练（post-training）和推理（reasoning）。

预训练阶段是为了建立基础认知能力，包括对语言、图像、视频和声音等多模态数据的理解。但更具挑战性的是后训练阶段，这是AI真正学会解决问题的关键。"这是智能最重要的部分，"黄仁勋强调，"你需要将基础知识应用于解决实际问题。"他特别提到了多种学习方法的重要性，包括人类反馈的强化学习、自我练习，以及与AI教练的互动学习。
最后是推理阶段，这需要AI在回答问题前进行更深入的思考。黄仁勋用一个简单的例子说明："比如64的平方根，你可能已经记住了答案。但对于大多数有价值的智能任务，你仍然需要通过推理来解决。"这种多层次的范式认知，对于理解AI技术的真实发展路径至关重要。

二、数据智能：重构企业数据架构
在讨论企业数据架构的革新时，黄仁勋提出了一个清晰的层级结构："我们已经构建了数据层，并在其上构建了智能层，这就是数据智能。在那一层之上，我们将构建一个代理层。"这种架构设计反映了数据处理方式的根本性转变。

关键创新在于将原始数据转化为"数据智能"。黄仁勋解释说，通过这种转化，企业可以从数据中提取语义和洞察，而不是简单地存储和检索原始信息。这种方法的一个重要优势是元数据的高度压缩性，"元数据的语义，数据的语义层是极其压缩的，"这使得数据可以更有效地在全球范围内流动和使用。

此外，这种架构还支持多个AI代理之间的协作。在信息世界中，这些被称为"代理AI"；在物理世界中，则体现为机器人中的物理AI。这种多层次的架构设计，为企业提供了一个更灵活、更高效的数据智能平台。

三、企业AI应用的双轨策略
面对"企业应该自己构建AI还是使用公共云中的AI"这一关键问题，黄仁勋给出了一个平衡的答案："答案是肯定的，都是肯定的。"他建议企业采取双轨并行的策略。

对于一般性应用，黄仁勋推荐优先使用公共云AI服务："如果你可以使用公共云AI，我绝对会从那里开始。"他指出，公共云上的通用智能正在以指数级的速度提升，这为企业提供了一个良好的起点。

然而，对于企业的核心竞争力领域，自建专有AI系统则变得至关重要。黄仁勋以NVIDIA自身为例，解释了在芯片设计、CUDA编程和供应链管理等专业领域，公司需要构建自己的AI能力。"在那种特定情况下，我们倾向于构建自己的人工智能，"他说。这种方法能够更好地服务于企业的专业化需求。

四、企业的"AI群落"生态
黄仁勋进一步描绘了未来企业内部的AI生态图景。"在你的公司内部，你将成为人工智能中的人工智能（AI of AIs）。"他预见企业将拥有一个复杂的AI系统群落，包括自主开发的AI、第三方软件平台中的AI、以及来自公共云的AI服务。

这种多元化的AI生态需要有效的管理和协调。"IT部门将成为所有这些AI代理的管理者（curator）"，黄仁勋强调。在这个新范式下，不同的AI系统将协同工作，共同解决复杂问题，并基于企业的数据智能层开展运作。这种协作不仅存在于AI系统之间，还包括与企业数据的深度互动。

五、Omniverse：数字孪生的革命性平台
在对话的后半段，讨论转向了NVIDIA的Omniverse平台及其革命性影响。"与其在物理世界中做事情，"黄仁勋以药物研发为例解释道，"我们可以在Omniverse中将它们作为数字双胞胎启动。"这种方法能显著降低试错成本，加速创新过程。

具体而言，通过数字孪生技术，企业可以同时探索多个解决方案路径。例如在药物研发中，可以并行测试多种方案，而不必受限于传统的顺序研发流程。"我们有10个不同的途径需要探索。我们不能按顺序进行，也不能真正并行进行，"黄仁勋说，"所以我们将在Omniverse中将它们作为数字双胞胎启动。"

六、开源生态系统的重要性
谈到AI技术的普及，黄仁勋特别强调了开源工具的重要性。他提到了NVIDIA的NEMO、NIMs等开源工具包，以及与DDN合作开发的Infinia数据智能层。这些工具为企业提供了必要的技术基础，使其能够根据自身需求定制和训练AI系统。

特别值得注意的是，黄仁勋对最近DeepSeek这样的开源模型持积极态度。他认为这些开源项目不是威胁，而是机遇："DeepSeek所做的是让每个人都注意到，模型有机会变得比我们认为的更高效。"这种开放态度反映了他对AI技术普及的深层思考。

七、加速计算：AI发展的基石
在回顾计算技术发展历程时，黄仁勋提到了一个关键的转折点。"我们在职业生涯的前30年享受了摩尔定律的好处，计算速度在相同价格和功耗下不断变快，"他说，"但在最后15年，我们确实看到了一个平台期，摩尔定律在很大程度上已经结束。"

面对这一挑战，NVIDIA提出了革命性的解决方案。"我们对计算机行业的第一项根本性贡献，是通过使用完全不同的架构和算法重构，极限加速，"黄仁勋解释道。这种方法的核心是将顺序处理转变为加速的并行处理。这一突破不仅带来了性能的提升，更重要的是实现了能效的革命性改进。

正是这种计算效率的极大提升，为今天的机器学习和人工智能铺平了道路。"我们现在计算得如此节能高效，计算得如此惊人高效，以至于你可以走向计算的极端版本，让计算机找出洞察，"黄仁勋强调。这种基础性的突破，为后续的AI发展提供了必要的计算基础设施支持。

来源：微博 高飞