黄仁勋：英伟达的 AI 算力，已经「1 引」出售

，它微控制器系统，你可以让它回应将你，但你也可以把它通往到一个代理人，这是 Langchain 和向总量检索造成的更是。将数据集和大语种建模渐变的更是性的外面仍要在四处起因，每个人都打算继续做。而 Frank 和我将期望大家继续显然这一点。

02 插件 3.0：建立联系 AI 应将用科技领域，消除一个特定疑虑

节目：

作为投资额者来看这种变化，插件 1.0 是并不推定的编码，由工程公司按照大体功能撰写出来；插件 2.0 是用仔细收集的标记的受训数据集最优化一个人工神经网络。

你们在期望人们撬动插件 3.0，这套基础建模本身有感到令人震惊的灵活性，但它们一直能够与大子公司数据集和自定义数据集集协力。只是针对它们去新技术开发那些应将用科技领域软件要价格低廉得多。

对于那些险恶关心这个科技领域的人来说是有一个疑虑，基础建模是并不泛化，它可以继续做所有心里头吗？为什么我们能够自定义建模和大子公司数据集呢？

Frank：

所以我们有并不泛化的建模，可以继续做诗，处理过程《简直的盖茨比》的继续做概要，继续做微积分疑虑。

但是在零售中所，我们不能够这些，我们能够的是一个 Copilot，在一个并不狭窄，但是并不比较简单的数据集集上给予非凡的洞见。

我们能够了解大公司和零售自适应。这样的总量化上不能够那么昂允，因为一个建模并不能够在一百万件心里头上做受训，只能够发觉并不少的、但很险恶的题材。

举个都是。我是 Instacart 的理有事就会成员，我们一个大客户增值，像 DoorDash 和所有其他大子公司常加剧的疑虑是，他们慢慢缩减营销支出，来了一个客户增值，客户增值下了一个订单，客户增值要么不忘了，要么 90 当晚忘了，这并不不稳定。他们把这援引为外流客户增值。

这是比较简单疑虑的比对，因为客户增值不忘了的原因只不过有很多。人们打算去找出这些疑虑的究竟，它在数据集中所，之外一般的互联网中所，而且可以通过计算机科学科学去找出来。这就是只不过加剧相当大经济效益的都是。

节目：

这些建模确实如何与大子公司数据集体验？

黄仁勋：

我们的战略和其产品是各种尺寸、最先进电子元件的先为受训建模，有时你能够创始一个并不大的先为受训建模，以便它可以加剧 prompt，来教更加小的建模。

而较小的建模完全可以在任何电子元件试运行，只不过提前并不低。然而它的泛化灵活性并不高，zero shot（零取样学习）灵活性只不过更加局限。

因此，你只不过有几种各不相同一般来说是各不相同大小的建模，但在每一种只能，你只能继续做监督的修正，你只能继续做 RLHF（生命鼓吹馈的强化学习），以便它与你的终究目标和原则保持一致，你能够用矢总量检索之类的外面来弱化它，所以所有这些都汇集在一个跨平台上。我们有能力、知识和大体跨平台，期望他们创始自己的计算机科学科学，然后将其与 Snowflake 中所的数据集通往起来。

现在，每个大子公司客户增值的终究目标不确实是思维我如何建立联系一个大型的语种建模，他们的终究目标确实是，我如何建立联系一个计算机科学科学应将用科技领域软件来消除特定的疑虑？那个应将用科技领域只不过能够 17 个疑虑来继续做 prompt，终究论据无论如何的究竟。然后你只不过就会说是，我打算撰写一个应用程序，它只不过是一个 SQL 应用程序，只不过是一个 Python 应用程序，这样我就可以在愿景自动继续做这个。

你还是要引领这个计算机科学科学，让他终究能给你无论如何的究竟。但在那此后，你可以创始一个应将用科技领域软件，可以作为一个代理人（Agent）24/7 不间断地试运行，寻去找涉及可能，并图斯前向你汇报。所以我们的工作就是期望客户增值建立联系这些计算机科学科学的应将用科技领域，这些应将用科技领域是有安全和围栏的、完全一致的、功能强大的。

终究，我们在愿景都将被选为计算机科学系统制造者商，当然雇员工，但我们将创始一大堆代理人，它们可以用 Lang Chain 十分相似的外面来创始，通往建模、海总量、其他 API，在皓中所部署，并将其通往到所有的 Snowflake 数据集。

你可以市场化地配置这些 AI，并慢慢地完善这些 AI。因此，我们每个人都将制造者 AI、试运行 AI 钢铁厂。我们将把基础设施放置 Snowflake 的检索，客户增值可以在那里头用于他们的数据集，受训和新技术开发他们的建模，配置他们的 AI，因此，Snowflake 将是你的数据集存储库和中央银行。

有了自己的数据集矿藏，他会都将在 Snowflake 上试运行 AI 钢铁厂。这是终究目标。

03 ‘’虽允，并不需要用建模总和‘打 1 缀’

黄仁勋：

我们在 NVIDIA 建立联系了有五个 AI 钢铁厂，其中所四个是世界性前 500 名的超级总量化机，另一个仍要在下线。我们用于这些超级总量化机来继续做先为受训建模。因此，当你在 Snowflake 中所用于我们的 Nemo AI 基础增值时，你将给予一个最先进电子元件的先为受训建模，仍未有几千万美元的支出投入其中所，更加有意思是研发投入了。所以它是先为先受训好的。

然后有一大堆其他的建模围绕着它，这些建模用于修正、RLHF。所有这些建模的受训效益都要高得多。

因此，现在你仍未将先为受训建模适合于于你的大体功能，适合于于你的围栏，最优化你期望它具的能力或大体功能一般来说是，用你的数据集弱化。因此，这将是一个更加具效益品质的工具。

更加不可忽视的是，在几天内，而不是几个月。你可以在 Snowflake 新技术开发与你的数据集通往的计算机科学科学应将用科技领域软件。

你确实都能在愿景慢速建立联系计算机科学科学应将用科技领域软件。

因为我们现在认出它仍要在实时起因。仍未有一些应将用科技领域都能让你和数据集聊天，比如 ChatPDF。

节目：

是的，在插件 3.0 开端，95% 的培训支出仍未由别人承担了。

黄仁勋：

（笑）是的，95% 的缀扣，我无法打算象一个更加好的交易。

节目：

这是确实的涡轮，作为投资额人，我认出在比对、自动化、法律等科技领域的并不年轻的子公司，他们的应将用科技领域仍未在六个月或更加更长的星期内实现了确实的零售经济效益。其中所一部分原因是他们从这些先为先受训好的建模开始，这对大子公司来说是是一个相当大的机就会。

黄仁勋：

每家子公司才就会有数百个，甚至 1000 个计算机科学科学应将用科技领域软件，只是与你子公司的各种数据集相连。所以，我们他会都只能善于框架这些外面。

04 于是就是数据集去找业务范围，现在是业务范围去找数据集

节目：

我一直从大大子公司自发性听见的一个疑虑是，我们只能去投资额计算机科学科学，我们能够一个新的堆调用（Stack）吗？确实如何选择与我们整体的数据集堆调用相连？

Frank：

我显然它在慢慢其发展。建模们仍要日趋来得更加简洁、安全和、更加好在此此后政府机构。所以，我们很难一个确实完全一致的论点，这就是每个人才就会用于的参考资料核心？有些人将有一些中所央增值的设置。微软有 Azure 中所的计算机科学科学仍要式版，它们的很多客户增值仍要在与 Azure 开展体验。

但我们不正确什么建模将正导，我们显然市场将在用于方向各不相同、效益这些有事上开展自我选取。现在也就是说是是开始，不是终究的正常。

情报机构也就会参与出去，关于知识产权的疑虑就会被革新。现在我们对新技术很著迷，打算象中所的疑虑也就会被同时处理过程。

黄仁勋：

我们现在仍要经历 60 年来第一次根本性的总量化跨平台革新。如果你刚刚读完了 IBM System 360 的通告，你就会听见关于中所央处理过程单元、IO 子系统、DMA 伺服、虚拟内存、多任务、可拓展总量化向前和向后端相容性，而这些定义，实际都是 1964 年的外面，而这些定义期望我们在现在六十年来，慢慢开展 CPU 拓展。

这样的拓展仍未开展了 60 年了，但这仍未走到了尽头。现在大家都明白，我们无法再继续拓展 CPU 了，突然间之间，插件变化了。插件的编撰写方式为，插件的配置方式为，以及插件能继续做的心里头都与现在有不小的各不相同。我们援引在此之前的插件为插件 2.0。现在是插件 3.0。

有事实就是，总量化仍未从根本上忽略了。我们认出两个大体的涡轮在同时起因，这也是为什么现在心里头仍要在起因剧烈震荡。

一方面，你不能再继续慢慢地出售 CPU。如果你明年再继续买一大堆 CPU，你的总量化货运总量将不打算缩减。因为 CPU 拓展的终点仍未到来了。你就会多花一大堆钱财，你不打算给予更加多的货运总量。因此，究竟是你只能去较慢（英伟达较慢总量化跨平台）。图灵奖得正出书论了较慢，英伟达催生了较慢，较慢总量化现在仍未到来。

另一方面是，总量化机的整个应将用科技领域软件起因了深刻的忽略。我们有一个叫 NVIDIA AI Enterprise 的层，而其中所的数据集处理过程、受训、悬疑部署，整个现在仍未紧密联结到或仍要在紧密联结到 Snowflake 中所，因此，从开始数据集处理过程，一直到最后的大建模部署，整个看似的总量化汽缸都被较慢了。我们将赋能 Snowflake，在这里头你将都能继续做得更加多，而且你将都能用更加少的资源继续显然更加多。

如果你去任何一个皓，你就会认出 NVIDIA GPU 是其中所最昂允的总量化并不一定。但是，如果你把一个工作接地放置右边，你就会发现我们继续做得并不慢。就仿佛你给予了一个 95% 的缀扣。我们是最昂允的总量化并不一定，但我们是最具效益品质的 TCO。

所以，如果你的工作是试运行工作接地，只不过是受训大型语种建模，只不过是修正大型语种建模，如果你打算这样继续做，一定要开展较慢。

较慢每一个工作接地，这就是整个调用的重塑。处理过程器因此起因变化，应将用科技领域软件因此各不相同，大的语种建模是各不相同的，你撰写 AI 应将用科技领域软件的方式为是各不相同的。

愿景，我们都要撰写应将用科技领域。我们都要把我们的 prompt 和我们的语义，和少数几个 Python 指令通往起来，通往到大语种建模和自己的检索或者子公司的检索中所，新技术开发自己的应将用科技领域软件。每个人都将被选为一个应将用科技领域软件的新技术Valve。

节目：

但恒定的是，它一直是你的数据集。你一直能够对它开展修正。

Frank：

于是就我们都看来更加慢的总是更加允的。无论如何突然间之间，更加慢的是更加价格低廉的，这是一种鼓吹直觉的外面。因此，有时人们打算提高供应将，以为这样更加价格低廉，结果却更加允。

另一个与在此之前冲突的是，于是就都是数据集放走业务范围（data going to work），而现在，业务范围放走数据集 （work going to data）。现在的六十年，或者更加多年，我们一直在让数据集放走业务范围，这加剧了大规模的讯息经年累月。而如果你打算拥有一个 AI 钢铁厂，用在此之前的继续举措将是并不紧迫的。我们只能把总量化送到数据集所在的地方。我显然我们现在仍要在继续做的就是无论如何的方式为。

05 大子公司如何给予最慢和最大的经济效益

Frank：

最慢和给予最大经济效益只不过是两个很不一样的疑虑。

最慢的话，你此后都能认出，检索各处都下线了计算机科学科学弱化的搜索方式为，因为这是最不易缩减的大体功能。现在，甚至一个文盲都能从数据集中所获取宝允的讯息，这真并不不可思议，这是终极的交互民正化。搜索大体功能极大弱化，你就向正客户端界面图斯一个疑虑，它们可以把这些疑虑送到数据集自己开展查询。这是挂在近处的枝条，最不易的，我们显然这是过渡阶段一。

接下来，我们就开始确实关心确实的疑难，就是专有的大子公司数据集，混杂系统化的、非系统化的，所有这些，我们如何调集这些数据集？

我下面仍未图斯到了 to C 大子公司加剧的外流率疑虑，产品设计政府机构方面的疑虑。当产品设计值得注意比较简单的时候，如果有一个血案起因了，我们如何继续变更一个产品设计，使其试运行？我现在该怎么继续做？产品设计是由很多各不相同的并不一定都由的，不是也就是说的大子公司。近现代上，这是一个从未被总量化消除过的疑虑。产品设计政府机构从来很难呈现出过一个跨平台，它完全是一个垃圾邮件，电子表格呈现出的体系，除了一些小的都是。因此，这是更为感到兴奋的。

或者我们可以继续总量化大型的呼叫中所心的投资额，最优化零售的定价，像我说是的，这是一个大大子公司的 CEO 们一直期待的继续定义大公司，是确实的潜力。

06 对大子公司的要求：

黄仁勋：

我就会反问自己，第一，什么是我唯一最宝允的检索？第二件有事，我就会反问自己，如果我有一个超级、超级、超级聪慧的人，而大子公司的一切数据集都经过那个微控制器系统，我就会反问那个人什么？

根据每个人的子公司，这是各不相同的。Frank 的子公司客户增值检索并不不可忽视，因为他有很多客户增值。而我自己的子公司，很难那么多客户增值，但对我的子公司而言，我的产品设计超级比较简单，而且我的设计检索也超级比较简单。

对 NVIDIA 来说是，很难计算机科学科学我们仍未无法建造出GPU。因为我们的工程公司都不只不过像AI那样，为我们开展大总量的迭代和探求。因此，当我们图斯出计算机科学科学的时候，第一个应将用科技领域在我们自己的子公司。而且，所以 Hopper（英伟达超算其产品）不只不过很难计算机科学科学的设计。

我们也就会将我们自己的 AI 应将用科技领域于我们自己的数据集中所。我们的正确检索就是一个完美的应将用科技领域场景。如果你看一下 NVIDIA AI 的编码总量，我们有几百个插件包，联结在三人，默许一个应将用科技领域软件都能跑起来。我们现在仍要在努力的一些心里头，就是如何用于 AI 去弄正确如何给它打安全和补丁，如何最好地维护它，这样我们就可以不必扰乱整个下层应将用科技领域层的同时，都能向后端相容性。

这都是 AI 都能为你图斯供究竟的。我们可以用一个大语种建模去回答这些疑虑，为我们去找出究竟，或者向我们阐明一些疑虑，然后工程公司就可以再继续将其讲和。或者 AI 可以推荐一个修复工具，生命工程公司再继续去推定这不对一个好的修复工具。

我看来不是他会都察觉到了他们每天都在处理过程的数据集里头面，只不过蕴含着多少计算机科学系统、洞见和权威很难被发掘。这就是为什么我们他会都要参与出去，期望造成这样的愿景。

现在，你可用在数据集仓库的数据集，第一次可以被通往进计算机科学科学钢铁厂。你将都能制造讯息情报，这是世界性上最宝允的商品。你坐在一个自然资源的矿藏上——你子公司的专有数据集，而我们现在把它通往到一个计算机科学科学汽缸上，另一端每天并不需要加剧讯息情报，以令人震惊的情报总量从另一端冒出，甚至在你夜里头也在源源慢慢地产出。这是有史以来最好的心里头。

本文作者凌梓郡、Li Yuan，来自自恋和中央公园，原文标题：《黄仁勋：英伟达的 AI 算力，仍未‘1 缀’售予》

后果图斯示及免责条款

市场有后果，投资额需谨慎。本文不构成个人投资额要求，也未选择到个别客户端特殊性的投资额终究目标、负债或能够。客户端应将选择本文中所的任何意见、论点或论据究竟合乎其特定状况。据此投资额，责任自负。

。

拉肚子能喝益生菌吗
新冠腹泻可以吃肠炎宁片吗
八子补肾胶囊有用吗
肾虚导致记忆力下降能恢复吗
眼睛酸胀痛是怎么回事怎么办